CN110175166B - 一种烟草卷包车间质量异常的确认方法 - Google Patents

一种烟草卷包车间质量异常的确认方法 Download PDF

Info

Publication number
CN110175166B
CN110175166B CN201910314406.XA CN201910314406A CN110175166B CN 110175166 B CN110175166 B CN 110175166B CN 201910314406 A CN201910314406 A CN 201910314406A CN 110175166 B CN110175166 B CN 110175166B
Authority
CN
China
Prior art keywords
quality
data
abnormal data
sequence
factor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910314406.XA
Other languages
English (en)
Other versions
CN110175166A (zh
Inventor
朱正运
刘晨
罗勇
何超
彭国事
孔维熙
华卫
陈晶
李盛泽
杨彩虹
张海超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hongyun Honghe Tobacco Group Co Ltd
Original Assignee
Hongyun Honghe Tobacco Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hongyun Honghe Tobacco Group Co Ltd filed Critical Hongyun Honghe Tobacco Group Co Ltd
Priority to CN201910314406.XA priority Critical patent/CN110175166B/zh
Publication of CN110175166A publication Critical patent/CN110175166A/zh
Application granted granted Critical
Publication of CN110175166B publication Critical patent/CN110175166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Wrapping Of Specific Fragile Articles (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及一种烟草卷包车间质量异常的确认方法，通过历史的质量异常数据集作为参考数列，同实际生产状态的比较数列进行实时的比对，并通过各质量问题类别及质量模式因素的异常数据与参考数列的关联系数，特别是通过长时间对参考数列的学习训练，使得比较数列与参考数列的关联系数接近1，提高了对未来产品可能会发生质量问题类别及导致质量问题类别发生所对应的质量模式因素的预测概率，以提前对相关质量模式因素进行调整，减少质量问题发生的机率。

Description

一种烟草卷包车间质量异常的确认方法
技术领域
本发明属于烟草卷包车间质量管理辅助决策技术领域，特别是指一种烟草卷包车间质量异常的确认方法。
背景技术
烟草生产车间，卷包设备类型众多、产品质量问题的种类和产生原因错综复杂，质量问题对应产生原因之间各种因素互相关联，这对卷接包车间质量管控带来了较大困难。
传统质量管控方法不能及时发现并合理做好质量管控先觉指导。在传统的工作中，只能通过不断地巡视观察质量情况从而查找存在的质量隐患。由于卷接包装工艺较复杂，并不能面面俱到，以往操作人员及维修人员处理故障都是凭借自身的经验，存在疏漏。
如下图1所示，目前卷包车间质量分析方法主要是通过单一的物理指标数据通过单一的数据源进行人工分析，由于生产过程中的物理指标是测试后的结果，属于一个结果的体现，并不能实时关联生产状态对生产过程进行实时评价和分析并判断和定位具体的质量问题。
发明内容
本发明的目的是提供一种烟草卷包车间质量异常的确认方法，以解决现有技术不能对实际生产状态过程中的数据进行判断是否属于质量异常的问题。
本发明是通过以下技术方案实现的：
一种烟草卷包车间质量异常的确认方法，包括：
获取第一设定时间段的质量异常数据集作为参考数列X0；
获取生产过程第二设定时间段数据集作为比较数列Xi；
计算所述参考数列X0与较数列Xi之间的关联系数ξ(0i)；
所述关联系数
Figure BDA0002032606100000021
其中，i为自然数，ρ为分辨系数，介于0-1之间；Δmin为比较数列与参考数列的最小差；Δmax为比较数列与参考数列的最大差；
Δ0i(k)为各比较数列Xi曲线上的每一个点与参考数列X0曲线上的每一个点的绝对差值；
计算每个所述比较数列与同一所述参考数列之间的关联系数排序比较，判断待识别质量问题的主要影响因素及影响程度，确定未来产品可能产生的质量问题类别。
所述参考数列的获取方法，包括以下步骤：
获取历史烟草卷包车间影响质量问题类别；
依据各质量问题类别的特性，设定各质量问题类别所对应质量合格数据的阀值；
获取历史烟草卷包车间影响质量问题的质量因素，并设定所述质量因素所包括质量模式因素种类；
依据各质量模式因素的特性，设定各质量模式因素所对应质量模式数据的阀值；
获取用户第一设定时间段的原始数据，并依据所述质量问题类别确定相应的类别数据集；依据各质量模式因素确定相应的质量模式数据集；
提取类别数据集中的数据与相应的质量合格数据的阀值进行判断，若判断为否，则确定为该数据为类别异常数据，存入相应的异常数据集，并将第一设定时间段内的异常数据集依据时间顺序排为异常数据参考数列；
提取质量模式数据集中的数据与相应的质量模式数据的阀值进行判断，若判断为否，则确定为该数据为质量模式异常数据，存入相应的质量模式异常数据集，并将第一设定时间段内的质量模式异常数据集依据时间顺序排为质量异常数据参考数列；
在所述第一设定时间内，将同一时间的异常数据参考数列与所述质量异常数据参考数列匹配，得互所述参考数列。
所述质量问题类别至少包括烟支物理指标相关的类别和外观缺陷相关的类别；
所述烟支物理指标相关的类别至少包括烟支圆周类别、烟支长度类别、烟支质量类别或烟支吸阻类别中的一种或一种以上组合；
所述外观缺陷相关的类别至少包括条装类别、盒装类别或烟支类别中的一种或一种以上组合。
所述质量因素包括生产过程实时状态因素、设备维修因素或辅料信息因素的一种或一种以上组合。
所述生产过程实时状态因素至少包括设备停机信息模式因素、产量信息模式因素、停机原因模式因素或设备有效作业率模式因素中的一种或一种以上组合。
所述第一设定时间为半年或半年以上；所述第二设定时间为0.2-12小时。
所述比较数列Xi为设定数量的质量模式因素数据的集合。
本发明的有益效果是：
本技术方案通过历史的质量异常数据集作为参考数列，同实际生产状态的比较数列进行实时的比对，并通过各质量问题类别及质量模式因素的异常数据与参考数列的关联系数，特别是通过长时间对参考数列的学习训练，使得比较数列与参考数列的关联系数接近1，提高了对未来产品可能会发生质量问题类别及导致质量问题类别发生所对应的质量模式因素的预测概率，以提前对相关质量模式因素进行调整，减少质量问题发生的机率。
附图说明
图1为现有技术质量问题分析逻辑图；
图2为质量辅助决策原理图。
具体实施方式
以下通过实施例来详细说明本发明的技术方案，以下的实施例仅是示例性的，仅能用来解释和说明本发明的技术方案，而不能解释为是对本发明技术方案的限制。
为了能够精确对卷包车间质量做出辅助决策，需要对卷包车间各类生产质量相关数据进行采集及存储，由于卷包车间数据节点和数据类型较多，需要对不同设备采用不同原理进行数据采集并进行存储，通过云数据中心的存储方式可实现高效数据调用。
为了实现对卷包车间质量辅助决策支持，需要全面了解卷烟车间影响产品质量问题的所有因素，通过长期的统计分析，现卷烟车间产品质量问题类别主要包括物理指标相关的类别及外观缺陷相关的类别。
其中，烟支物理指标相关的类别至少包括烟支圆周类别、烟支长度类别、烟支质量类别或烟支吸阻类别中的一种或一种以上组合。
所述外观缺陷相关的类别至少包括条装类别、盒装类别或烟支类别中的一种或一种以上组合。
影响上述质量问题类别的主要质量因素包括生产过程实时状态因素、设备维修因素及辅料信息因素。
在本申请中，生产过程实时状态因素主要包括设备停机信息模式因素、产量信息模式因素、停机原因模式因素或设备有效作业率模式因素中的一种或一种以上组合，此方面具体需要采集哪些数据，根据实际的需要进行设定，但是，在生产过程实时状态因素的数据采集中，也可以包括实际生产时，其它方面影响到产品质量的生产过程实时状态的子因素的数据。
如图2所示，本申请提供一种烟草卷包车间质量异常的确认方法，包括：
获取第一设定时间段的质量异常数据集作为参考数列X0；第一设定时间越长，质量异常数据集通过机器学习训练为参考数列，质量异常数据积累越多，参考数列对应的质量问题类别的可能性越大，预测的准确率越高，在本实施例中，第一设定时间为1年，在本申请的其它实施例中，该第一设定时间可以为其它长度，如1个月-3年的范围等。
获取生产过程第二设定时间段数据集作为比较数列Xi；所述第二设定时间为0.2-12小时，通常情况下，第二设定时间不超过一个工班的时间，以便于对各工班之间的影响质量问题类别的质量模式因素的分析，以判断质量模式因素的来源，提高质量辅助决策的概率。
所述比较数列Xi为设定数量的质量模式因素数据的集合。
计算所述参考数列X0与较数列Xi之间的关联系数ξ(0i)；
所述关联系数
Figure BDA0002032606100000051
其中，i为自然数，ρ为分辨系数，介于0-1之间；Δmin为比较数列与参考数列的最小差；Δmax为比较数列与参考数列的最大差；Δ0i(k)为各比较数列Xi曲线上的每一个点与参考数列X0曲线上的每一个点的绝对差值；
计算每个所述比较数列与同一所述参考数列之间的关联系数排序比较，判断待识别质量问题的主要影响因素及影响程度，确定未来产品可能产生的质量问题类别。
质量问题类别与各质量模式因素之间的关联程度是通过关联系数的大小次序描述，关联系数越大，关联度越大，将i个比较数列对同一个参考数列的关联系数按大小顺序排列起来，便组成了关联序，记为{x}，它反应了对于参考数列来说，各比较数列的优劣关系，若r0i>r0j，则称{xi}对于同一母序列{x0}优于{xj}，记为{xi}>{xj}；r0i表示第i个子序列对母数列特征值。
所述参考数列的获取方法，包括以下步骤：
获取历史烟草卷包车间影响质量问题类别；
依据各质量问题类别的特性，设定各质量问题类别所对应质量合格数据的阀值；
获取历史烟草卷包车间影响质量问题的质量因素，并设定所述质量因素所包括质量模式因素种类；
依据各质量模式因素的特性，设定各质量模式因素所对应质量模式数据的阀值；
获取用户第一设定时间段的原始数据，并依据所述质量问题类别确定相应的类别数据集；依据各质量模式因素确定相应的质量模式数据集；
提取类别数据集中的数据与相应的质量合格数据的阀值进行判断，若判断为否，则确定为该数据为类别异常数据，存入相应的异常数据集，并将第一设定时间段内的异常数据集依据时间顺序排为异常数据参考数列；
提取质量模式数据集中的数据与相应的质量模式数据的阀值进行判断，若判断为否，则确定为该数据为质量模式异常数据，存入相应的质量模式异常数据集，并将第一设定时间段内的质量模式异常数据集依据时间顺序排为质量异常数据参考数列；
在所述第一设定时间内，将同一时间的异常数据参考数列与所述质量异常数据参考数列匹配，得到所述参考数列。
所述质量问题类别至少包括烟支物理指标相关的类别和外观缺陷相关的类别；
所述烟支物理指标相关的类别至少包括烟支圆周类别、烟支长度类别、烟支质量类别或烟支吸阻类别中的一种或一种以上组合；
所述外观缺陷相关的类别至少包括条装类别、盒装类别或烟支类别中的一种或一种以上组合。
所述质量因素包括生产过程实时状态因素、设备维修因素或辅料信息因素的一种或一种以上组合。
所述生产过程实时状态因素至少包括设备停机信息模式因素、产量信息模式因素、停机原因模式因素或设备有效作业率模式因素中的一种或一种以上组合。
比较数列的获取方法包括以下步骤：
获取第二设定时间段的原始数据，在经过数据清洗、数据预处理后，得到第二设定时间段的质量因素数据集，并通过相应的特征即质量模式因素对上述的质量因素数据集进行分类，得到相应第二设定时间段的质量模式因素数据集。
依据各质量模式因素的特性，设定各质量模式因素所对应质量模式数据的阀值。
提取第二设定时间段的质量模式数据集中的数据与相应的质量模式数据的阀值进行判断，若判断为否，则确定为该数据为质量模式异常数据，存入相应的质量模式异常数据集，并将第一设定时间段内的质量模式异常数据集依据时间顺序排为质量异常数据的比较数列。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由所附权利要求及其等同限定。

Claims (4)

1.一种烟草卷包车间质量异常的确认方法，其特征在于，包括：
获取第一设定时间段的质量异常数据集作为参考数列X0；
获取生产过程第二设定时间段数据集作为比较数列Xi；
计算所述参考数列X0与较数列Xi之间的关联系数ξ(0i)；
所述关联系数其中，i为自然数，ρ为分辨系数，介于0-1之间；Δmin为比较数列与参考数列的最小差；Δmax为比较数列与参考数列的最大差；
Δ0i(k)为各比较数列Xi曲线上的每一个点与参考数列X0曲线上的每一个点的绝对差值；
计算每个所述比较数列与同一所述参考数列之间的关联系数排序比较，判断待识别质量问题的主要影响因素及影响程度，确定未来产品可能产生的质量问题类别；
所述参考数列的获取方法，包括以下步骤：
获取历史烟草卷包车间影响质量问题类别；
依据各质量问题类别的特性，设定各质量问题类别所对应质量合格数据的阀值；
获取历史烟草卷包车间影响质量问题的质量因素，并设定所述质量因素所包括质量模式因素种类；
依据各质量模式因素的特性，设定各质量模式因素所对应质量模式数据的阀值；
获取用户第一设定时间段的原始数据，并依据所述质量问题类别确定相应的类别数据集；依据各质量模式因素确定相应的质量模式数据集；
提取类别数据集中的数据与相应的质量合格数据的阀值进行判断，若判断为否，则确定为该数据为类别异常数据，存入相应的异常数据集，并将第一设定时间段内的异常数据集依据时间顺序排为异常数据参考数列；
提取质量模式数据集中的数据与相应的质量模式数据的阀值进行判断，若判断为否，则确定为该数据为质量模式异常数据，存入相应的质量模式异常数据集，并将第一设定时间段内的质量模式异常数据集依据时间顺序排为质量异常数据参考数列；
在所述第一设定时间内，将同一时间的异常数据参考数列与所述质量异常数据参考数列匹配，得到所述参考数列；
所述质量问题类别至少包括烟支物理指标相关的类别和外观缺陷相关的类别；
所述烟支物理指标相关的类别至少包括烟支圆周类别、烟支长度类别、烟支质量类别或烟支吸阻类别中的一种或一种以上组合；
所述外观缺陷相关的类别至少包括条装类别、盒装类别或烟支类别中的一种或一种以上组合；
所述质量因素包括生产过程实时状态因素、设备维修因素或辅料信息因素的一种或一种以上组合。
2.根据权利要求1所述的烟草卷包车间质量异常的确认方法，其特征在于，所述生产过程实时状态因素至少包括设备停机信息模式因素、产量信息模式因素、停机原因模式因素或设备有效作业率模式因素中的一种或一种以上组合。
3.根据权利要求1所述的烟草卷包车间质量异常的确认方法，其特征在于，所述第一设定时间为半年或半年以上；所述第二设定时间为0.2-12小时。
4.根据权利要求1所述的烟草卷包车间质量异常的确认方法，其特征在于，所述比较数列Xi为设定数量的质量模式因素数据的集合。
CN201910314406.XA 2019-04-18 2019-04-18 一种烟草卷包车间质量异常的确认方法 Active CN110175166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910314406.XA CN110175166B (zh) 2019-04-18 2019-04-18 一种烟草卷包车间质量异常的确认方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910314406.XA CN110175166B (zh) 2019-04-18 2019-04-18 一种烟草卷包车间质量异常的确认方法

Publications (2)

Publication Number Publication Date
CN110175166A CN110175166A (zh) 2019-08-27
CN110175166B true CN110175166B (zh) 2023-04-07

Family

ID=67689768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910314406.XA Active CN110175166B (zh) 2019-04-18 2019-04-18 一种烟草卷包车间质量异常的确认方法

Country Status (1)

Country Link
CN (1) CN110175166B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111076772B (zh) * 2019-12-13 2021-07-27 红云红河烟草(集团)有限责任公司 一种卷烟制丝过程数据的处理方法
CN115080909B (zh) * 2022-07-15 2022-11-25 深圳市城市交通规划设计研究中心股份有限公司 影响物联感知设备数据的分析方法、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009068946A (ja) * 2007-09-12 2009-04-02 Omron Corp 欠陥分類装置および方法並びにプログラム
CN102313698A (zh) * 2011-07-04 2012-01-11 天津科技大学 基于多层次灰关联评估的彩喷纸质量评价方法
CN104778378A (zh) * 2015-05-05 2015-07-15 中国石油大学(华东) 一种油气田产量递减影响因素分析方法
CN105653871A (zh) * 2016-01-06 2016-06-08 电子科技大学 基于相对熵和灰色关联度的符号化多质量特性分析方法
CN105678404A (zh) * 2015-12-30 2016-06-15 东北大学 基于网购电和动态关联因子的微电网负荷预测系统及方法
CN106447534A (zh) * 2016-09-22 2017-02-22 国网上海市电力公司 一种基于灰色关联度分析的用电模式稳定性判别方法
CN106485262A (zh) * 2016-09-09 2017-03-08 国网山西省电力公司晋城供电公司 一种母线负荷预测方法
CN107133721A (zh) * 2017-04-17 2017-09-05 国网江苏省电力公司 基于灰色理论的配电网量测不良数据关联因素分析方法
WO2019012726A1 (en) * 2017-07-14 2019-01-17 Kabushiki Kaisha Toshiba ANOMALY DETECTION DEVICE, ANOMALY DETECTION METHOD, AND NON-TRANSIENT COMPUTER READABLE MEDIUM

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414183B (zh) * 2008-12-03 2010-08-11 山东中烟工业公司 基于灰色关联分析的卷烟工序质量综合评价系统及其方法
CN103279837A (zh) * 2013-06-05 2013-09-04 浙江中控软件技术有限公司 一种生产数据分析方法及系统
CN105574264A (zh) * 2015-12-16 2016-05-11 长春工业大学 一种水泥分解炉窑尾分解率svr软测量方法
CN106022650A (zh) * 2016-06-13 2016-10-12 上海烟草集团有限责任公司 一种卷烟综合质量的分析方法
CN106845371B (zh) * 2016-12-31 2019-10-25 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN108454653A (zh) * 2018-04-10 2018-08-28 山东职业学院 一种基于卫星通信和公共蜂窝通信的列车控制系统
CN109633518A (zh) * 2019-01-29 2019-04-16 国网湖南省电力有限公司 一种智能电能表综合性能评价方法、装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009068946A (ja) * 2007-09-12 2009-04-02 Omron Corp 欠陥分類装置および方法並びにプログラム
CN102313698A (zh) * 2011-07-04 2012-01-11 天津科技大学 基于多层次灰关联评估的彩喷纸质量评价方法
CN104778378A (zh) * 2015-05-05 2015-07-15 中国石油大学(华东) 一种油气田产量递减影响因素分析方法
CN105678404A (zh) * 2015-12-30 2016-06-15 东北大学 基于网购电和动态关联因子的微电网负荷预测系统及方法
CN105653871A (zh) * 2016-01-06 2016-06-08 电子科技大学 基于相对熵和灰色关联度的符号化多质量特性分析方法
CN106485262A (zh) * 2016-09-09 2017-03-08 国网山西省电力公司晋城供电公司 一种母线负荷预测方法
CN106447534A (zh) * 2016-09-22 2017-02-22 国网上海市电力公司 一种基于灰色关联度分析的用电模式稳定性判别方法
CN107133721A (zh) * 2017-04-17 2017-09-05 国网江苏省电力公司 基于灰色理论的配电网量测不良数据关联因素分析方法
WO2019012726A1 (en) * 2017-07-14 2019-01-17 Kabushiki Kaisha Toshiba ANOMALY DETECTION DEVICE, ANOMALY DETECTION METHOD, AND NON-TRANSIENT COMPUTER READABLE MEDIUM

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘媚.电子商务环境下家电零售业物流外包问题的研究.《中国优秀硕士学位论文全文数据库 经济与管理科学辑》.2014,(第06期),J145-99. *
贺鹏飞.线性回归与灰关联在山西老陈醋质量体系检测中的相关性研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》.2012,(第06期),B024-375. *

Also Published As

Publication number Publication date
CN110175166A (zh) 2019-08-27

Similar Documents

Publication Publication Date Title
CN111539550B (zh) 光伏阵列工作状态的确定方法、装置、设备及存储介质
CN110175166B (zh) 一种烟草卷包车间质量异常的确认方法
CN110163480B (zh) 一种卷包车间质量辅助决策的方法
CN106600447B (zh) 一种变电站巡检机器人集中监控系统大数据云分析方法
CN113221441B (zh) 一种电厂设备健康评估的方法及装置
CN113760880A (zh) 一种水质自动监测数据的预处理方法
CN113084388B (zh) 焊接质量的检测方法、系统、装置及存储介质
CN110515931B (zh) 一种基于随机森林算法的电容型设备缺陷预测方法
CN111461564A (zh) 基于云模型和最优组合赋权的风电机组功率特性评估方法
CN111008641A (zh) 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法
CN110019124A (zh) 一种集合天气预报修订方法及系统
CN108685158A (zh) 基于自动光学检测技术的切丝机智能维护方法和系统
CN111694827B (zh) 一种电力设备状态监测数据缺失值分类插补方法和系统
CN113236508A (zh) 一种用于风力发电机组风速-功率异常数据检测的方法
DE112019007899T5 (de) System und Methode für die Vorhersage von Gerätefehler mittels akustischer Signale im Ultraschallfrequenzband
CN115063337A (zh) 埋地管道智能维修决策方法及装置
CN112884212A (zh) 烟支单支克重偏差分析预测方法
CN110147935B (zh) 一种烟草卷包车间质量综合决策模型的建立方法
WO2021199227A1 (ja) エラー要因の推定装置及び推定方法
CN112540580A (zh) 一种基于历史生产数据监控制丝加料系统设备状态的方法
CN116755411A (zh) 一种工业设备数据采集方法及装置
CN116433218A (zh) 基于自组织映射聚类的矿井机械设备在线健康评估方法
CN113780852B (zh) 一种板带轧制过程质量缺陷的诊断方法
CN109284478B (zh) 一种估计对数正态型单元可靠性参数的方法
CN111210407A (zh) 超长编织管内部瑕疵在线检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant