CN109979033A - 一种基于宽度学习算法的工业生产产量监测方法 - Google Patents

Abstract

本发明提供了一种基于宽度学习算法的工业生产产量监测方法，其采集稳定生产时段内的电压、电流、有功功率、无功功率及经过校准的产量数据作为输入数据，结合宽度学习算法、经过数据预处理、模型初始训练、模型离线增量学习、模型在线增量学习得到符合实际生产精度要求的产量监测模型，所述产量检测模型计算效率高且精度能够得到保证，能够解决工业生产产量监测问题，实现工厂生产产量的实时监测、提高工厂生产产量监控的准确性且降低了生产产量监测的部署成本。

Description

一种基于宽度学习算法的工业生产产量监测方法

技术领域

本发明涉及一种工业生产产量监测方法，尤其涉及一种基于宽度学习算法的工业生产产量监测方法。

背景技术

智能制造与数字化工厂飞速发展，工业生产现场已有很多数据采集的方式方法，比如直接采集生产设备自身的数据、采集生产设备控制软件的数据、加装传感器采集模拟或数字信号、利用RFID无线采集数据或者采用人工录入等。数据采集是实现数字化、智能制造的基础，可以为生产制造管理系统提供及时、详尽的现场信息，为生产决策、计划调度等提供可靠的依据。它关系到各个生产流程中信息的连续性，最终影响上层一体化信息系统的决策、追溯、判别和分析。

传统的生产产量监测方法，一般为生产设备自带计数装置或人工计数。采用人工计数的主要原因是许多生产设备没有配套生产产量的计数装置或软件，这样使得对产品产量的计量存在多种不准确因素；而采用生产设备自带计数装置进行计数的，也存在设备卡料、精度异常、灵敏度失真等故障导致的计数不准确，缺乏验证检验机制，影响生产调度效果与工厂经营效益。

发明内容

本发明目的在于提供一种采集生产设备用电数据，得出精准的生产产量监测数据的基于宽度学习算法的工业生产产量监测方法，用以服务生产调度与实时决策。

本发明提供一种基于宽度学习算法的工业生产产量监测方法，该方法包括以下步骤：

步骤1：数据采集，选取多个稳定生产时段，以一定的频率K采集电压、电流、有功功率及无功功率拼接构成输入向量Xⁱ，同时使用校准的生产产量计数装置采集对应的产量数据，作为标签向量Yⁱ。其中，i＝1,2,...,I为数据的编号，I为采集数据的总数量；

步骤2：数据预处理，将所述输入向量Xⁱ(i＝1,2,...,I_t,I_t<I)归一化，拼接为输入矩阵X^train，其它的输入向量Xⁱ归一化并拼接为测试输入矩阵X^test；将所述标签向量Yⁱ(i＝1,2,...,I_t,I_t<I)归一化，拼接为标签矩阵Y^train，其它的测试数据Yⁱ拼接为测试标签矩阵Y^test；

步骤3：模型初始训练，基于所述输入矩阵X^train利用第一随机初始化矩阵第一偏置向量及合适的第一激活函数φ^k构建映射特征节点矩阵Z^N；基于所述映射特征节点矩阵Z^N利用第二随机初始化矩阵第二偏置向量及合适的第二激活函数ξ^l构建增强节点矩阵H^M，利用所述映射特征节点矩阵Z^N、所述增强节点矩阵H^M的第一增广矩阵A^M及所述标签矩阵Y^train确定第一权值矩阵W^M；

步骤4：使用测试输入矩阵X^test进行测试，若训练误差满足第一预定精度要求，则输出产量监测模型，并进入步骤6；若训练误差不满足第一预定精度要求，则进入步骤5；

步骤5：模型离线增量学习，即基于所述映射特征节点矩阵Z^N利用第三随机初始化矩阵第三偏置向量及合适的第三激活函数ξ^m+1构建增量增强节点矩阵H^m+1，利用所述增量增强节点矩阵H^m+1与所述第一增广矩阵A^M构成的第二增广矩阵A^M+1及所述标签矩阵Y^train确定第二权值矩阵W^M+1，将所述第二权值矩阵W^M+1赋值给所述第一权值矩阵W^M，且m+1赋值给m后返回步骤4；

步骤6：若可获取实际生产过程中校准过的产量数据，且在实际生产监测过程中所述产量监测模型精度低于第二预定精度时，进入步骤7，否则进入步骤8；

步骤7：模型在线增量学习，采集实际生产过程中经过校准的产量数据，作为增量标签向量Y_a，采集对应时段的电压、电流、有功功率及无功功率，拼接并归一化构成增量输入向量X_a，所述增量输入向量X_a、所述第一随机初始化矩阵所述第一偏置向量所述第二随机初始化矩阵所述第二偏置向量构建第三增广矩阵^xA^M，利用所述第三增广矩阵^xA^M、所述增量标签向量更新所述第一权值矩阵W^M为第三权值矩阵^xW^M，并得到更新过的产量监测模型，将所述更新过的产量监测模型赋值给所述产量监测模型；

步骤8：采集生产过程中的电压、电流、有功功率及无功功率，拼接并归一化，构成输入向量X，将X输入所述产量监测模型，得出产量监测结果Y。

优选的，基于如下公式构建所述映射特征节点矩阵Z^N，记Z^N＝[Z¹,...,Zⁿ]，

优选的，基于如下公式构建所述增强节点矩阵H^M，记H^M＝[H¹,...,H^m]，

优选的，基于如下公式求解所述第一权值矩阵W^M，所述第一增广矩阵A^M＝[Z^N,H^M]，求解所述第一增广矩阵A^M的伪逆得到所述第一权值矩阵W^M＝(A^M)⁺Y^train。

优选的，基于如下公式构建所述增量增强节点矩阵H^m+1，H^m+1＝

优选的，基于如下公式构建所述第二权值矩阵W^M+1，构建第二增广矩阵A^M+1＝[A^M,H^{m +1}]，则其中：

优选的，基于如下公式构建所述第三权值矩阵^xW^M，所述第三增广矩阵所述第三权值矩阵其中：

(^xA^M)⁺＝[(A^M)⁺-BD^T，B]；

优选的，所述频率K介于1KHz至10KHz之间。

本发明提供了一种基于宽度学习算法的工业生产产量监测方法，其采集稳定生产时段内的电压、电流、有功功率、无功功率及经过校准的产量数据作为输入数据，结合宽度学习算法、经过数据预处理、模型初始训练、模型离线增量学习、模型在线增量学习得到符合实际生产精度要求的产量监测模型，所述产量检测模型计算效率高且精度能够得到保证，能够解决工业生产产量监测问题，实现工厂生产产量的实时监测、提高工厂生产产量监控的准确性且降低了生产产量监测的部署成本。

附图说明

图1是本发明第一实施例提供的基于宽度学习算法的工业生产产量监测方法流程图；

图2是产量监测模型示意图；

图3是本发明第一实施例提供的实际生产过程采集的电压与电流图；

图4是本发明第一实施例提供的产量监测模型的监测结果图。

具体实施方式

下面所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参阅图1及图2，本实施例提供一基于宽度学习算法的工业生产产量监测方法，用以服务生产调度与实时决策。该方法包括以下步骤：

步骤1：数据采集，选取多个稳定生产时段，以频率10KHz采集电压、电流、有功功率及无功功率拼接构成输入向量Xⁱ，同时使用校准的生产产量计数装置采集对应的产量数据，作为标签向量Yⁱ。其中，i＝1,2,...,I为数据的编号，I为采集数据的总数量；

步骤2：数据预处理，将所述输入向量Xⁱ(i＝1,2,...,I_t,I_t<I)归一化，拼接为输入矩阵X^train，其它的输入向量Xⁱ归一化并拼接为测试输入矩阵X^test；将所述标签向量Yⁱ(i＝1,2,...,I_t,I_t<I)归一化，拼接为标签矩阵Y^train，其它的测试数据Yⁱ拼接为测试标签矩阵Y^test；

步骤3：模型初始训练，基于所述输入矩阵X^train利用第一随机初始化矩阵第一偏置向量及合适的第一激活函数φ^k构建映射特征节点矩阵Z^N；基于所述映射特征节点矩阵Z^N利用第二随机初始化矩阵第二偏置向量及合适的第二激活函数ξ^l构建增强节点矩阵H^M，利用所述映射特征节点矩阵Z^N、所述增强节点矩阵H^M的第一增广矩阵A^M及所述标签矩阵Y^train确定第一权值矩阵W^M；

具体地，基于如下公式构建所述映射特征节点矩阵Z^N，记Z^N＝[Z¹,...,Zⁿ]，选取适当激活函数φ^k， 基于如下公式构建所述增强节点矩阵H^M，记H^M＝[H¹,...,H^m]，选取适当激活函数ξ^l，利用所述映射特征节点矩阵Z^N及所述增强节点矩阵H^M构建第一增广矩阵A^M＝[Z^N,H^M]，求解所述第一增广矩阵A^M的伪逆得到所述第一权值矩阵W^M＝(A^M)⁺Y^train。

步骤4：使用测试输入矩阵X^test进行测试，若训练误差满足第一预定精度90％的要求，则输出产量监测模型，并进入步骤6；若训练误差不满足第一预定精度90％要求，则进入步骤5；

步骤5：模型离线增量学习，即基于所述映射特征节点矩阵Z^N利用第三随机初始化矩阵第三偏置向量及合适的第三激活函数ξ^m+1构建增量增强节点矩阵H^m+1，利用所述增量增强节点矩阵H^m+1与所述第一增广矩阵A^M构成的第二增广矩阵A^M+1及所述标签矩阵Y^train确定第二权值矩阵W^M+1，将所述第二权值矩阵W^M+1赋值给所述第一权值矩阵W^M，且m+1赋值给m后返回步骤4；

具体地，基于如下公式构建所述增量增强节点矩阵H^m+1， 基于如下公式构建所述第二权值矩阵W^M+1，构建第二增广矩阵A^M+1＝[A^M,H^m+1]，则其中：

通过增量增强节点矩阵H^m+1求得的第二权值矩阵W^M+1，所述第二权值矩阵W^M+1构建的新的产量监测模型精度得到了提高；

步骤6：若可获取实际生产过程中校准过的产量数据，且在实际生产监测过程中所述产量监测模型精度低于第二预定精度93％时，进入步骤7，否则进入步骤8；

步骤7：

步骤7：模型在线增量学习，采集实际生产过程中经过校准的产量数据，作为增量标签向量Y_a，采集对应时段的电压、电流、有功功率及无功功率，拼接并归一化构成增量输入向量X_a，所述增量输入向量X_a、所述第一随机初始化矩阵所述第一偏置向量所述第二随机初始化矩阵所述第二偏置向量构建第三增广矩阵^xA^M，利用所述第三增广矩阵^xA^M、所述增量标签向量更新所述第一权值矩阵W^M为第三权值矩阵^xW^M，并得到更新过的产量监测模型，将所述更新过的产量监测模型赋值给所述产量监测模型；

具体地，基于如下公式构建所述第三权值矩阵^xW^M，所述第三增广矩阵所述第三权值矩阵其中：

(^xA^M)⁺＝[(A^M)⁺-BD^T，B]；

步骤8：参阅图3，采集生产过程中的电压、电流、有功功率及无功功率，拼接并归一化，构成输入向量X，将X输入所述产量监测模型，得出产量监测结果Y，如图4所示，满足生产产量监测的精度要求。

本实施例提供了一种基于宽度学习算法的工业生产产量监测方法，其采集稳定生产时段内的电压、电流、有功功率、无功功率及经过校准的产量数据作为输入数据，结合宽度学习算法、经过数据预处理、模型初始训练、模型离线增量学习、模型在线增量学习得到符合实际生产精度要求的产量监测模型，所述产量检测模型计算效率高且精度能够得到保证，能够解决工业生产产量监测问题，实现工厂生产产量的实时监测、提高工厂生产产量监控的准确性且降低了生产产量监测的部署成本。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。

Claims (8)

1.一种基于宽度学习算法的工业生产产量监测方法，其特征在于，该方法包括以下步骤：

步骤1：数据采集，选取多个稳定生产时段，以一定的频率K采集电压、电流、有功功率及无功功率拼接构成输入向量Xⁱ，同时使用校准的生产产量计数装置采集对应的产量数据，作为标签向量Yⁱ，其中，i为数据的编号，i＝1，2，...，I，I为采集数据的总数量；

步骤2：数据预处理，将所述输入向量Xⁱ(i＝1，2，...，I_t，I_t＜I)归一化，拼接为输入矩阵X^train，其它的输入向量Xⁱ归一化并拼接为测试输入矩阵X^test；将所述标签向量Yⁱ(i＝1，2，...，I_t，I_t＜I)归一化，拼接为标签矩阵Y^train，其它的标签向量Yⁱ拼接为测试标签矩阵Y^test；

步骤3：模型初始训练，基于所述输入矩阵X^train利用第一随机初始化矩阵第一偏置向量及合适的第一激活函数φ^k构建映射特征节点矩阵Z^N；基于所述映射特征节点矩阵Z^N利用第二随机初始化矩阵第二偏置向量及合适的第二激活函数ξ^l构建增强节点矩阵H^M，利用所述映射特征节点矩阵Z^N、所述增强节点矩阵H^M的第一增广矩阵A^M及所述标签矩阵Y^train确定第一权值矩阵W^M；

步骤4：使用测试输入矩阵X^test进行测试，若训练误差满足第一预定精度要求，则输出产量监测模型，并进入步骤6；若训练误差不满足第一预定精度要求，则进入步骤5；

步骤5：模型离线增量学习，即基于所述映射特征节点矩阵Z^N利用第三随机初始化矩阵第三偏置向量及合适的第三激活函数ξ^m+1构建增量增强节点矩阵H^m+1，利用所述增量增强节点矩阵H^m+1与所述第一增广矩阵A^M构成的第二增广矩阵A^M+1及所述标签矩阵Y^train确定第二权值矩阵W^M+1，将所述第二权值矩阵W^M+1赋值给所述第一权值矩阵W^M，且m+1赋值给m后返回步骤4；

步骤6：若可获取实际生产过程中校准过的产量数据，且在实际生产监测过程中所述产量监测模型精度低于第二预定精度时，进入步骤7，否则进入步骤8；

步骤7：模型在线增量学习，采集实际生产过程中经过校准的产量数据，作为增量标签向量Y_a，采集对应时段的电压、电流、有功功率及无功功率，拼接并归一化构成增量输入向量X_a，所述增量输入向量X_a、所述第一随机初始化矩阵所述第一偏置向量所述第二随机初始化矩阵所述第二偏置向量构建第三增广矩阵^xA^M，利用所述第三增广矩阵^xA^M、所述增量标签向量Y_a更新所述第一权值矩阵W^M为第三权值矩阵^xW^M，并得到更新过的产量监测模型，将所述更新过的产量监测模型赋值给所述产量监测模型；

步骤8：在线监测，采集生产过程中的电压、电流、有功功率及无功功率，拼接并归一化，构成输入向量X，将X输入所述产量监测模型，得出产量监测结果Y。

2.根据权利要求1所述的一种基于宽度学习算法的工业生产产量监测方法，其特征在于，基于如下公式构建所述映射特征节点矩阵Z^N，记Z^N＝[Z¹，...，Zⁿ]，

3.根据权利要求2所述的一种基于宽度学习算法的工业生产产量监测方法，其特征在于，基于如下公式构建所述增强节点矩阵H^M，记H^M＝[H¹，...，H^m]，

4.根据权利要求3所述的一种基于宽度学习算法的工业生产产量监测方法，其特征在于，基于如下公式求解所述第一权值矩阵W^M，所述第一增广矩阵A^M＝[Z^N，H^M]，求解所述第一增广矩阵A^M的伪逆得到所述第一权值矩阵W^M＝(A^M)⁺Y^train。

5.根据权利要求1所述的一种基于宽度学习算法的工业生产产量监测方法，其特征在于，基于如下公式构建所述增量增强节点矩阵H^m+1，

6.根据权利要求5所述的一种基于宽度学习算法的工业生产产量监测方法，其特征在于，基于如下公式构建所述第二权值矩阵W^M+1，构建第二增广矩阵A^M+1＝[A^M，H^m+1]，则其中：

7.根据权利要求1所述的一种基于宽度学习算法的工业生产产量监测方法，其特征在于，基于如下公式构建所述第三权值矩阵^xW^M，所述第三增广矩阵所述第三权值矩阵其中：

(^xA^M)⁺＝[(A^M)⁺-BD^T，B]；

8.根据权利要求1～7任意一项所述的一种基于宽度学习算法的工业生产产量监测方法，其特征在于，所述频率K介于1KHz至10KHz之间。