在审计抽样软件机器人运行状态下，受到样本数据之间差量分布影响，机器人抽取策略无法精准映射到每一个样本个体上，导致抽取的样本存在差量偏移，失去了抽取样本的客观性。为了避免这一问题，通常采用故障识别系统对其异常数据进行识别，但是与传统数据故障不同，神经抽样数据的差量精度较高，对应特征系数精度远超传统识别系统的识别阈值，因此，传统的识别系统的识别结果整体输出误差偏大，且识别效果稳定相差。基于审计抽样数据的特征，引入机器人流程自动化（Robotic Process Automation, RPA）,根据审计流程数据特点，构建硬件平台；在硬件平台基础上，设计RPA软件流程，通过对RPA审计数据故障点向量机模型的建立、抽样数据故障特征识别与RPA故障识别数据判定输出，完成提出系统的设计，实验数据表明：经过RPA算法优化后的系统，整体故障识别率明显提升，且系统稳定性远远优于现有识别系统的参数标准，能够满足审计抽样软件机器人故障自动识别的准确度要求。
展开▼
