---

百万美元级别的难题

制造和采购组织每年因计量单位（UOM）错误损失数百万美元。

一个小小的十进制点位置错误或单位使用不当就会导致：

• 订单履行灾难（50千克 vs 50磅）
• 库存混乱（库存过剩或不足）
• 供应链中断（发货数量错误）
• 财务损失（计费错误、浪费）
• 合规问题（违反法规）

传统人工审核：70%准确率，500条记录/小时，40%自动化率
本平台：88-92%准确率，3,300条记录/分钟，94%自动化率

本平台能够有效解决这一问题。

---

解决方案

基于 KNIME 的智能机器学习系统，可自动检测并纠正计量单位错误，达到企业级精度。

该平台依托成熟的机器学习技术和物理验证方法，将容易出错的手工流程转变为自动化、可靠的数据质量保证流程。

---

实际应用展示

仪表盘功能

交互式可视化仪表盘提供：

• 实时错误检测 - 随时查看识别出的计量单位问题
• 置信度评分 - 机器学习概率（0-100%）
• 自动纠正跟踪 - 观察系统如何修复错误
• 根因分析 - 了解错误发生的原因
• 直观的可视化图表 - 彩色编码、统计图表
• 性能指标 - 处理速度、准确率、自动化程度

内置于 KNIME 工作流中，无需额外设置！

完整仪表盘指南

---

系统架构

关键组件

• 数据导入 - 带有验证功能的 CSV/Excel 文件
• 机器学习分类引擎 - 60 多个特征，XGBoost 模型
• 物理验证 - 符合 NIST 标准的换算规则
• 强化学习 - Q 学习自动化代理
• 交互式仪表盘 - 实时可视化

详细架构说明

---

快速入门

5 分钟内即可运行：

# 1. 克隆仓库
git clone https://github.com/JulietMirambo/Units_of_Measure_Harmonization-intelligence-platform.git
cd Units_of_Measure_Harmonization-intelligence-platform

# 2. 导入到 KNIME Analytics Platform (4.5+) 中
# 文件 -> 导入 KNIME 工作流 -> 选择 'workflow' 文件夹

# 3. 使用示例数据执行
# 右键点击工作流 -> 执行 -> 选择 data-sample/sample_10k.csv
# 结果将在 2-3 分钟内显示！

详细安装指南

---

核心功能

性能指标

指标	数值	对比人工审核	改进幅度
准确率	88-92%	~70%	+26%
自动化率	94%	~40%	+135%
速度	3,300/分钟	~500/分钟	+560%
成功率	95%+	~80%	+19%

技术栈

• 机器学习引擎：60 多个工程化特征，XGBoost 分类器，5 折交叉验证
• 处理能力：每分钟处理 3,300 条记录
• 验证机制：符合 NIST 标准的物理换算引擎
• 自动化：Q 学习强化学习代理（94% 自动化）
• 仪表盘：交互式 JavaScript 可视化，实时更新
• 平台：KNIME Analytics 4.5+

与众不同之处

• 视觉智能：实时观看错误被捕捉和纠正的过程
• 企业就绪：可稳定处理数百万条记录
• 自学习能力：通过反馈不断优化模型准确率
• 零配置：开箱即用，配备合理默认设置
• 实战验证：经过真实制造业数据的严格测试
• 开源：在 MIT 许可证下免费供商业使用

---

使用方法

基本流程

1. 导入您的数据（包含计量单位列的 CSV/Excel 文件）
2. 执行工作流（一键运行）
3. 查看结果 在交互式仪表盘中
4. 导出修正结果 应用于您的系统

示例结果

输入:  "50 KG"（应为 "50 EA"）
输出: 检测到 | 已纠正 | 置信度: 94%

处理: 10,000 条记录
时间: 3 分钟
发现错误: 847 个（8.47%）
自动纠正: 796 个（94%）
手动复核: 51 个（6%）

支持的格式

• CSV 文件（UTF-8，任意分隔符）
• Excel 文件（.xlsx、.xls）
• 制表符分隔文件
• 管道分隔文件

检测到的错误类型

• 小数点错误 - 50.0 vs 50 EA
• 单位不匹配 - KG vs EA，LBS vs KG
• 换算问题 - 英制/公制混淆
• 格式问题 - 空格、大小写
• 缺少单位 - 计量单位字段为空或 null

更多示例与使用场景

---

文档

入门指南

• 安装指南 - 5 分钟内完成设置
• 快速入门教程 - 您的第一个工作流
• 仪表盘指南 - 使用可视化界面

深度指南

• 用户手册 - 完整功能指南
• 架构说明 - 系统设计深度解析
• 机器学习模型详解 - AI 如何运作
• 自定义指南 - 根据您的需求进行调整

支持

• 常见问题 - 常见问题解答
• 故障排除 - 解决常见问题
• 路线图 - 未来计划
• 变更日志 - 版本历史

---

使用场景

该平台可解决各行业的单位问题：

制造业

• 生产计划 - 防止物料订购错误
• 库存管理 - 清理SKU主数据
• 物料清单 - 标准化组件单位

供应链

• 订单履行 - 修复数量差异
• 需求预测 - 确保数据一致性
• 多供应商集成 - 统一供应商数据

采购

• 采购订单 - 验证单位规格
• 合同管理 - 标准化条款
• 支出分析 - 准确的成本计算

数据质量

• 数据迁移 - 清理遗留系统
• 医疗健康 - 标准化医疗单位
• 研究 - 确保测量准确性

投资回报率：组织反馈显示：

• UOM错误减少60%-80%
• 数据质量任务时间节省50%以上
• 订单履行问题减少90%以上
• 显著降低成本（避免损失达数百万）

---

贡献

我们非常欢迎贡献！本项目依靠社区的参与而蓬勃发展。

贡献方式

• 报告Bug
• 请求功能
• 提交Pull Request
• 改进文档
• 为仓库加星
• 分享您的成功案例
• 参与讨论

贡献指南

---

许可证

MIT许可证 - 可免费用于商业用途！

这意味着您可以：

• 无限制地进行商业使用
• 自由修改和分发
• 在贵组织内私下使用
• 根据需要进行再许可

完整许可证文本

---

致谢与引用

如果您在研究或产品中使用了本项目：

学术引用

@software{mirambo2025uom,
  author = {Mirambo, Juliet Bosibori},
  title = {单位统一智能平台},
  year = {2025},
  publisher = {GitHub},
  url = {https://github.com/JulietMirambo/Units_of_Measure_Harmonization-intelligence-platform}
}

下载引用文件

---

支持本项目

如果本项目为您节省了时间和金钱：

免费支持方式

• 为本仓库加星
• 分叉并定制
• 与同事分享并在社交媒体上推广
• 参与讨论和问题反馈
• 改进文档
• 报告Bug

---

联系与支持

获取帮助

• GitHub讨论区 - 社区问答
• 问题追踪器 - Bug报告及功能请求
• 邮箱：juliet.mirambo@example.com
• LinkedIn：linkedin.com/in/julietmirambo

保持更新

• 关注本仓库以获取最新动态
• 加星以收藏
• 订阅发布通知

---

项目统计

---

路线图

当前版本（v1.0）

• 基于机器学习的错误检测
• 交互式仪表板
• KNIME工作流自动化
• 示例数据集

即将推出的功能

• 用于集成的API端点
• 多语言支持
• 移动端仪表板
• 高级强化学习算法
• 云部署选项

查看完整路线图

---

Units_of_Measure_Harmonization 快速上手指南

本指南帮助中国开发者在 5 分钟内部署并运行 Units of Measure Harmonization Intelligence Platform。这是一个基于 KNIME 的生产级机器学习系统，用于自动检测和纠正计量单位（UOM）错误。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows, macOS 或 Linux
• 核心软件：KNIME Analytics Platform (版本 4.5 或更高)
  • 下载地址：KNIME 官网
  • 注意：本项目完全基于 KNIME 工作流，无需单独安装 Python 或配置复杂的 ML 环境，所有算法已封装在工作流中。
• 版本控制：Git (用于克隆代码库)
• 硬件建议：建议内存 8GB 以上，以流畅运行交互式仪表盘和处理大规模数据。

安装步骤

1. 克隆项目仓库

使用终端或命令行工具克隆源代码：

git clone https://github.com/JulietMirambo/Units_of_Measure_Harmonization-intelligence-platform.git
cd Units_of_Measure_Harmonization-intelligence-platform

国内加速提示：如果访问 GitHub 速度较慢，可使用国内镜像源（如 Gitee 镜像，若有）或通过代理加速克隆过程。

2. 导入工作流到 KNIME

1. 启动 KNIME Analytics Platform。
2. 点击菜单栏 File -> Import KNIME Workflow...。
3. 选择 From File System，浏览并选中刚才克隆目录下的 workflow 文件夹。
4. 点击 Finish 完成导入。此时您将在 KNIME 左侧的项目浏览器中看到完整的工作流节点。

3. 验证依赖

打开导入的工作流，确认所有节点均为绿色（无红色报错）。该项目内置了 XGBoost 分类器和强化学习代理，首次运行时 KNIME 可能会自动下载必要的扩展包，请保持网络连接畅通。

基本使用

运行示例数据

项目自带样本数据，可直接测试系统性能：

1. 在 KNIME 工作流界面中，找到数据输入节点（通常标记为 CSV Reader 或 Data Sample）。
2. 确保其指向 data-sample/sample_10k.csv 文件。
3. 右键点击工作流空白处或主执行节点，选择 Execute (或按 F7)。
4. 等待执行完成（处理 10,000 条记录约需 2-3 分钟）。

查看结果与仪表盘

执行完成后，双击工作流末端的 Interactive Dashboard 节点（通常图标为网页或图表样式）：

• 实时监测：查看被识别的 UOM 错误（如 "50kg" 误写为 "50lbs"）。
• 置信度评分：查看 ML 模型对每个修正建议的概率评分（0-100%）。
• 自动修正：观察系统自动修正的记录数量与人工复核建议。

处理自有数据

要处理您自己的业务数据：

1. 准备包含计量单位列的 CSV 或 Excel 文件（支持 UTF-8 编码）。
2. 在工作流中替换数据读取节点的文件路径，指向您的新文件。
3. 重新执行工作流 (Execute)。
4. 通过仪表盘查看分析结果，或使用 CSV Writer 节点导出修正后的数据。

示例输出日志：

Processing: 10,000 records
Time: 3 minutes
Errors Found: 847 (8.47%)
Auto-Corrected: 796 (94%)
Manual Review: 51 (6%)

现在您已成功运行该智能平台，可将其集成到您的制造、供应链或采购数据清洗流程中。