CN110490226A - 一种识别方法及设备 - Google Patents

Abstract

本申请实施例公开了一种识别方法，所述方法包括：将待测量数据分成至少一个子数据串；对所述子数据串进行计算，得到特征向量；获取不同异常类型的异常识别模型；根据所述子数据串的特征向量和所述异常识别模型，确定所述子数据串的异常识别结果。本申请实施例还公开了一种识别设备。

Description

一种识别方法及设备

技术领域

本申请实施例涉及计算机技术领域，涉及但不限于一种识别方法及设备。

背景技术

相关技术中，对于控制图的判异，主要根据八种数学判别异常的方法来实现。在实际生产过程中，存在很多情况是无法用严格的数学要求来划分的；因此，对于不同应用场景，已有的八种判别异常的方法并不能完全满足要求。

发明内容

本申请实施例提供了一种识别方法及设备。

本申请实施例的技术方案是这样实现的：

第一方面，本申请实施例提供一种识别方法，所述方法包括：

将待测量数据分成至少一个子数据串；

对所述子数据串进行计算，得到特征向量；

获取不同异常类型的异常识别模型；

根据所述子数据串的特征向量和所述异常识别模型，确定所述子数据串的异常识别结果。

第二方面，本申请实施例还提供了一种识别设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，执行上述方案中任一项所述识别方法。

本申请实施例中，将待测量数据分成至少一个子数据串；对所述子数据串进行计算，得到特征向量；获取不同异常类型的异常识别模型；根据所述子数据串的特征向量和所述异常识别模型，确定所述子数据串的异常识别结果；如此，本申请实施例利用不同异常识别模型对待测量数据的子数据串进行异常类型的识别，能够识别更多的异常类型，在生产过程中对异常情况的筛选控制地更加精确。

附图说明

在附图(其不一定是按比例绘制的)中，相似的附图标记可在不同的视图中描述相似的部件。具有不同字母后缀的相似附图标记可表示相似部件的不同示例。附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。

图1为本申请实施例所提供的识别方法的实现流程示意图一；

图2为本申请实施例所提供的识别方法的实现流程示意图二；

图3为本申请实施例所提供的训练异常识别模型的实现流程示意图；

图4为本申请实施例所提供的将待测量数据分成子数据串的实现示意图；

图5为本申请实施例所提供的对子数据串进行识别的实现流程示意图；

图6为本申请实施例所提供的根据识别结果进行推荐的实现流程示意图；

图7为本申请实施例所提供的识别装置的组成结构示意图；

图8为本申请实施例所提供的识别设备的硬件结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请的具体技术方案做进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。

在详述本申请实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本申请保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

本申请实施例提供的识别方法可应用于识别装置，识别装置可实施于识别设备上。识别装置将待测量数据分成至少一个子数据串，对至少一个子数据串进行计算，得到特征向量；获取不同异常类型的异常识别模型；将至少一个子数据串的特征向量作为不同异常类型的异常识别模型的输入，得到至少一个子数据串的异常识别结果。

本申请实施例提供一种识别方法，该方法应用于实施识别方法的识别设备，识别设备中的各功能模块可以由识别设备(如终端设备、服务器)的硬件资源，如处理器等计算资源、传感器等探测资源、通信资源协同实现。

识别设备可以是任何具有信息处理能力的电子设备，在一种实施例中，电子设备可以是智能终端，例如可以是笔记本等具有无线通信能力的移动终端、AR/VR设备。在另一种实施例中，电子设备还可以是不便移动的具有计算功能的终端设备，比如台式计算机、桌面电脑、服务器等。

当然，本申请实施例不局限于提供为方法和硬件，还可有多种实现方式，例如提供为存储介质(存储有用于执行本申请实施例提供的识别方法的指令)。

图1为本申请实施例中的识别方法的实现流程示意图一，如图1所示，该方法包括以下步骤：

步骤101：将待测量数据分成至少一个子数据串；

这里，在实际的生产实践中，识别设备获取执行工序过程中产生的数据，并将该数据作为待测量数据；将该待测量数据根据一定的规则，分成至少一个子数据串。

其中，可以提前设置将待测量数据分成至少一个子数据串的规则，也可以在将待测量数据分成至少一个子数据串时，根据用户的输入得到该规则。

将待测量数据分成至少一个数据串的规则可包括子数据串的长度或起始坐标等信息。

比如，当提前设置规则时，设置的规则为：将待测量数据划分为两个子数据串，各子数据串长度为：7，则识别设备根据提前设置的子数据串长度，将待测量数据分成两个子数据串V_B、V_C。这里，各子数据串的起始位置可在规则中设置，也可随机确定。

又比如，在将待测量数据分成至少一个子数据串时，用户输入规则，输入的规则为：子数据串长度分别为：6、9、10，各子数据串的起始坐标分别为：L、M1、N1，则识别设备根据用户输入的子数据串长度和各子数据串的起始坐标，将待测量数据分成三个子数据串V_B、V_C、V_D。

这里，根据将待测量数据分成至少一个子数据串的规则不同，得到的至少一个子数据串的长度可以是相同的，也可以是不同的。如果该规则中的子数据串的长度相同，则分成的每一个子数据串的长度都是相同；同上例，规则中子数据串长度为：7，则分成的每一个子数据串的长度都为7；如果该规则中的子数据串的长度不相同，则分成的每一个子数据串的长度不相同；同上例，规则中子数据串长度分别为：6、9、10，则分成的三个子数据串的长度分别为6、9、10。

在将待测量数据分成至少一个子数据串时，可以将待测量数据分成一个子数据串，也可将待测量数据分成一个以上的子数据串。比如，待测量数据为A，将待测量数据A分成一个子数据串V_A；又比如，待测量数据为A，将待测量数据A分成三个子数据串V_B、V_C、V_D。

需要说明的是，只要能将待测量数据分成至少一个子数据串的规则都可，本申请实施例对此不作限制。

步骤102：对所述子数据串进行计算，得到特征向量；

这里，在获得至少一个子数据串后，提取每一个子数据串的特征向量，在对提取每一个子数据串的特征向量时，可以使用指定的算法对每一个子数据串进行计算，从而得到特征向量。

这里，指定的算法可以为：子数据串的平均值、标准差值和/或极差值；其中，可以使用平均值、标准差值、极差值中的任意一个、任意两个或者三个组成子数据串的特征向量。

比如：子数据串为V＝[1，2，3，4]，指定的算法为：子数据串的平均值、标准差值和极差值，对子数据串V分别求平均值、标准差值和极差值，将子数据串V的平均值、标准差值和极差值组成子数据串V的特征向量W，W＝[mean(V)，std(V)，range(V)]，其中，mean(V)为子数据串V的平均值，std(V)为子数据串V的标准差值，range(V)为子数据串V的极差值。

这里，当每一子数据串的长度相同时，每一子数据串对应的特征向量的长度也是相同的；当每一子数据串的长度不相同时，使用指定的算法对子数据串进行计算后，得到的每一子数据串对应的特征向量的长度也是相同的。

步骤103：获取不同异常类型的异常识别模型；

这里，在实际的生产实践中，执行工序时，会产生不同的异样情况，对不同的异样情况进行分类，得到不同的异常类型，这些不同的异常类型分别对应不同异常类型的异常识别模型。比如：异常类型1对应异常识别模型1，异常类型2对应异常识别模型2，异常类型3对应异常识别模型3。

在识别设备对子数据串的特征向量进行异常识别时，首先获取不同异常类型的异常识别模型，根据不同异常类型的异常识别模型对子数据串的特征向量进行异常识别。

这里，不同异常类型的异常识别模型是预先训练得到的，根据不同的异样情况对应的不同异常类型的数据样本，训练得到不同异常类型的异常识别模型，对子数据串的特征向量进行异常识别时，直接获取即可。

需要说明的是，训练得到的不同异常类型的异常识别模型没有数量的限制，根据在实际的生产实践中，执行工序过程中产生的实际的不同的异常情况，确定不同异常类型的异常识别模型即可。

步骤104：根据所述子数据串的特征向量和所述异常识别模型，确定所述子数据串的异常识别结果。

在步骤103获得了每一子数据串的特征向量和不同异常类型的异常识别模型之后，根据每一子数据串的特征向量和不同异常类型的异常识别模型，确定每一子数据串的异常识别结果。

其中，该异常识别结果表征子数据串是否属于该异常识别模型对应的异常类型，或者，表征子数据串属于该异常识别模型对应的异常类型的概率。

在根据每一子数据串的特征向量和不同异常类型的异常识别模型，确定每一子数据串的异常识别结果时，可以将每一子数据串的特征向量作为输入，输入到不同异常类型的异常识别模型中，分别确定每一子数据串的异常识别结果。

比如：划分的子数据串为：V_A，该子数据串V_A的特征向量为：W_A，不同异常类型的异常识别模型为：异常识别模型1、异常识别模型2、异常识别模型3，将特征向量W_A分别输入异常识别模型1、异常识别模型2和异常识别模型3中，分别获得子数据串V_A对应的异常识别结果A1、异常识别结果A2和异常识别结果A3。

又比如：划分的子数据串为：V_B、V_C、V_D，该子数据串V_B的特征向量为：W_B，该子数据串V_C的特征向量为：W_C，该子数据串V_D的特征向量为：W_D，不同异常类型的异常识别模型为：异常识别模型1、异常识别模型2、异常识别模型3，将特征向量W_B、W_C、W_D中的每一个特征向量，分别输入异常识别模型1、异常识别模型2和异常识别模型3中，分别获得子数据串V_B对应的异常识别结果B1、异常识别结果B2和异常识别结果B3；子数据串V_C对应的异常识别结果C1、异常识别结果C2和异常识别结果C3；子数据串V_D对应的异常识别结果D1、异常识别结果D2和异常识别结果D3。

本申请实施例提供的识别方法，将待测量数据分成至少一个子数据串；对所述子数据串进行计算，得到特征向量；获取不同异常类型的异常识别模型；根据所述子数据串的特征向量和所述异常识别模型，确定所述子数据串的异常识别结果；如此，本申请实施例利用异常识别模型能够识别更多的异常类型，在生产过程中对异常情况的筛选控制地更加精确。

本申请实施例中提供一种识别方法，该方法包括以下步骤：

步骤201：将所述待测量数据以设定的时间长度进行划分，得到至少一个单位测量数据；

这里，在将待测量数据分成至少一个子数据串时，可以先将待测量数据以设定的时间长度进行划分，得到至少一个单位测量数据。

其中，设定的时间长度可以根据实际情况提前设定，本申请实施例对此不做限定。

在实际应用中，设定的时间长度可以为一帧的时间长度，将待测量数据以一帧的时间长度进行划分，得到一个帧或一个以上的帧，这里，一个单位测量数据表征一个帧，同时，对得到的帧编号，得到帧号，以进行区分。

步骤202：根据设定的坐标和长度，对所述单位测量数据进行截取，得到至少一个子数据串；

这里，在得到至少一个单位测量数据后，对单位测量数据按照一定的规则进行截取，得到至少一个子数据串。其中，该规则可以为：设定的子数据串的坐标和长度，根据设定的子数据串的坐标和长度，对单位测量数据进行截取，得到至少一个子数据串。其中，设定的坐标可以为起始坐标或终止坐标。

比如，待测量数据A分成的两个单位测量数据为A1、A2，设定的各子数据串长度分别为：9、10，各子数据串的起始坐标分别为：M1、N1，则识别设备根据设定的各子数据串的长度和各子数据串的起始坐标，对两个单位测量数据A1、A2按照设定的坐标和长度分别进行截取，得到单位测量数据A1对应的子数据串V_B1、V_C1，单位测量数据A2对应的子数据串V_B2、V_C2。

需要说明的是，在设定坐标和长度时，可以对多个单位测量数据设定相同的子数据串的坐标和长度，也可对多个单位测量数据设定不同的子数据串的坐标和长度。

步骤203：对所述子数据串进行计算，得到特征向量；

步骤204：获取不同异常类型的异常识别模型；

其中，步骤203至步骤204分别参见上述实施例中的步骤102至步骤103。

步骤205：将所述子数据串的特征向量分别作为所述不同异常类型的异常识别模型的输入向量，得到所述子数据串属于对应异常类型的概率。

这里，子数据串的异常识别结果可以为子数据串属于对应异常类型的概率，在根据子数据串的特征向量和不同异常类型的异常识别模型，确定每一子数据串的异常识别结果时，可以将每一个子数据串的特征向量分别作为不同异常类型的异常识别模型的输入向量，得到每一个子数据串属于对应异常类型的概率。

比如：子数据串V_B的特征向量为：W_B，子数据串V_C的特征向量为：W_C，子数据串V_D的特征向量为：W_D，不同异常类型的异常识别模型为：异常识别模型1、异常识别模型2、异常识别模型3，将特征向量W_B、W_C、W_D中的每一个特征向量，分别输入异常识别模型1、异常识别模型2和异常识别模型3中，分别获得子数据串V_B属于异常类型1的概率为P_B1、属于异常类型2的概率为P_B2和属于异常类型3的概率为P_B3；子数据串V_C属于异常类型1的概率为P_C1、属于异常类型2的概率为P_C2和属于异常类型3的概率为P_C3；子数据串V_D属于异常类型1的概率为P_D1、属于异常类型2的概率为P_D2和属于异常类型3的概率为P_D3。

这里，在获得了子数据串属于对应异常类型的概率后，可以将该子数据串对应的帧号、坐标、长度、异常类型及概率作为该子数据串的异常识别结果。比如：一子数据串的帧号为f，坐标为M，长度为9，异常类型为1，概率为P，则该子数据串的异常识别结果为(f，M，9，1，P)。

本申请实施例提供的识别方法，将待测量数据根据设定的时间长度，划分为至少一个单位测量数据，根据设定的坐标和长度，对至少一个单位测量数据进行截取，得到至少一个子数据串，将至少一个子数据串的特征向量作为不同异常类型的异常识别模型的输入，得到至少一个子数据串对应的异常类型的概率；如此，本申请实施例利用异常识别模型能够识别更多的异常类型，在生产过程中对异常情况的筛选控制地更加精确。

本申请实施例中提供一种识别方法，该方法包括以下步骤：

步骤301：将待测量数据分成至少一个子数据串；

步骤302：对所述子数据串进行计算，得到特征向量；

其中，步骤301至步骤302分别参见上述实施例中的步骤101至步骤102。

步骤303：获取不同异常类型的测量数据样本以及表征所述测量数据样本的异常类型的标注信息；

这里，在获取不同异常类型的异常识别模型之前，需要通过训练得到不同异常类型的异常识别模型，在对不同异常类型的异常识别模型训练的过程中，首先获取不同异常类型的测量数据样本以及表征该测量数据样本的异常类型的标注信息。

其中，不同异常类型的测量数据样本可以为以前生产实践过程中产生的历史异常数据，表征测量数据样本的异常类型的标注信息可以为不同异常类型的测量数据样本对应的独热编码结果。

在一些实施例中，获取不同异常类型的测量数据样本之前，所述方法还包括：对所述不同异常类型的测量数据样本添加白噪声，以对所述不同异常类型的测量数据样本进行更新。

这里，在获取不同异常类型的测量数据样本之前，可以对不同异常类型的测量数据样本添加白噪声，以更新不同异常类型的测量数据样本。其中，对不同异常类型的测量数据样本添加白噪声，是将测量数据样本与白噪声做向量加法，更新后的不同异常类型的测量数据样本的长度不变。

步骤304：将所述不同异常类型的测量数据样本、以及表征所述测量数据样本的异常类型的标注信息对对应的异常识别模型进行训练，以更新对应异常识别模型的参数；

这里，利用获得的不同异常类型的测量数据样本、以及表征该测量数据样本的异常类型的标注信息，对对应的异常识别模型进行训练，以更新对应异常识别模型的参数，从而获得对应的异常识别模型。

在对异常识别模型进行训练时，对不同异常类型的测量数据样本提取特征向量，将不同异常类型的测量数据样本的特征向量作为输入，将表征该测量数据样本的异常类型的标注信息作为输出，对对应的异常识别模型进行训练。

需要说明的是，这里，对不同异常类型的测量数据样本提取特征向量的方法与对子数据串进行计算，得到特征向量的方法相同，此处不再赘述。

异常识别模型训练采用有监督学习模型，将不同异常类型的测量数据样本以7：3比例分为训练集和验证集，对于每个不同异常类型的测量数据样本来说，将提取的特征向量作为输入，对不同异常类型的测量数据样本进行独热编码，将独热编码结果作为异常识别模型输出；异常识别模型根据损失函数进行模型内部参数的不断调整。通过异常识别模型在验证集上的表现调整异常识别模型的参数，或进行网格搜索调整异常识别模型的参数。

步骤305：获取不同异常类型的异常识别模型；

步骤306：根据所述子数据串的特征向量和所述异常识别模型，确定所述子数据串的异常识别结果。

其中，步骤305至步骤306分别参见上述实施例中的步骤103至步骤104。

本申请实施例提供的识别方法，能够利用不同异常类型的测量数据样本以及表征测量数据样本的异常类型的标注信息，对对应的异常识别模型进行训练；根据训练获得的异常识别模型，确定至少一个子数据串对应的异常类型的概率；如此，本申请实施例利用异常识别模型能够识别更多的异常类型，在生产过程中对异常情况的筛选控制地更加精确。

本申请实施例中提供一种识别方法，该方法包括以下步骤：

步骤401：将待测量数据分成至少一个子数据串；

步骤402：对所述子数据串进行计算，得到特征向量；

步骤403：获取不同异常类型的异常识别模型；

步骤404：根据所述子数据串的特征向量和所述异常识别模型，确定所述子数据串的异常识别结果；

其中，步骤401至步骤404分别参见上述实施例中的步骤101至步骤104。

步骤405：根据所述子数据串的不同异常类型的异常识别结果，从所述子数据串中选取目标子数据串，并计算所述目标子数据串的分值；

这里，在得到每一子数据串的异常识别结果后，根据子数据串的属于不同异常类型的异常识别结果，从子数据串中选取目标子数据串，并按照一定的算法计算目标子数据串的分值。

这里，在从子数据串中选取目标子数据串时，可以设置异常识别结果的阈值，将子数据串的属于不同异常类型的异常识别结果与该异常识别结果的阈值进行比较，将大于或等于该异常识别结果的阈值的子数据串作为目标子数据串。

比如：子数据串V_A属于异常类型1的异常识别结果为S_A1，子数据串V_B属于异常类型2的异常识别结果为S_B2，子数据串V_C属于异常类型3的异常识别结果为S_C3，设置的异常识别结果的阈值为S，将S_A1、S_B2和S_C3，分别与S进行比较，将大于或等于S的S_A1、S_B2对应的子数据串作为目标子数据串。

在得到了目标子数据串后，可以使用威尔逊算法或贝叶斯算法，计算目标子数据串的分值。

步骤406：根据所述目标子数据串的分值，将所述目标子数据串进行合并，得到推荐结果，并输出所述推荐结果。

这里，在得到目标子数据串的分值后，对目标子数据串的分值进行排序，将分值高的属于同一种异常类型的同一个单位测量数据的目标子数据串进行合并，将合并后的结果作为推荐结果，并输出该推荐结果。

比如：分值高的属于异常类型1的单位测量数据A1的目标子数据串为V_B1、V_C1，对目标子数据串V_B1、V_C1进行合并，得到推荐结果V_A1，并输出推荐结果V_A1。

这里，在输出推荐结果时，可以在识别设备的显示屏上对该推荐结果进行输出。

本申请实施例提供的识别方法，能够根据至少一个子数据串的异常识别结果，确定目标子数据串，并基于目标子数据串的分值，输出推荐结果；如此，本申请实施例能够利用异常识别模型能够识别更多的异常类型，在生产过程中对异常情况的筛选控制地更加精确。

本申请实施例中提供一种识别方法，如图2所示，该方法包括以下步骤：

步骤501：将待测量数据分成至少一个子数据串；

步骤502：对所述子数据串进行计算，得到特征向量；

步骤503：获取不同异常类型的异常识别模型；

步骤504：根据所述子数据串的特征向量和所述异常识别模型，确定所述子数据串的异常识别结果；

其中，步骤501至步骤504分别参见上述实施例中的步骤101至步骤104。

步骤505：获取设定的阈值；

这里，预先设定阈值，将设定的阈值作为异常识别结果的阈值，在将子数据串的属于不同异常类型的异常识别结果与该异常识别结果的阈值进行比较时，获取设定的阈值。其中，设定的阈值表征子数据串的属于不同异常类型的概率。

需要说明的是，可以对不同异常类型设置相同的阈值，也可以对不同异常类型设置不同的阈值。

步骤506：将所述子数据串的概率与所述阈值进行比较，确定概率大于阈值的目标子数据串；

其中，所述异常识别结果包括子数据串属于不同异常类型的概率。

这里，将子数据串属于不同异常类型的概率与对应的阈值进行比较，确定概率大于阈值的目标子数据串。

比如：子数据串V_A属于异常类型1的概率为P_A1、V_B属于异常类型1的概率为P_B1，V_C属于异常类型1的概率为P_C1，异常类型1对应的设定阈值P_M；将大于阈值P_M的P_A1、P_B1对应的子数据串作为目标子数据串。又比如：子数据串V_D属于异常类型2的概率为P_D2、V_E属于异常类型2的概率为P_E2，V_F属于异常类型2的概率为P_F2，异常类型2对应的设定阈值P_N；将大于阈值P_N的P_D1、P_E1对应的子数据串作为目标子数据串。

步骤507：获取所述目标子数据串的长度和概率；

在对单位测量数据划分时，已经确定了子数据串的长度，这里，直接获取子数据串中的目标子数据串的长度，同时，从异常识别结果中，获取目标子数据串属于不同异常类型的概率。

步骤508：以所述长度和所述概率作为分值计算函数的参数，确定所述目标子数据串的分值；

这里，将目标子数据串的长度和属于不同异常类型的概率，作为分值计算函数的参数，计算该目标子数据串的分值。其中，分值计算函数可以为威尔逊函数或贝叶斯函数。

步骤509：对所述目标子数据串的分值进行排序，得到排序结果；所述目标子数据串属于同一种异常类型的同一个单位测量数据；

这里，在得到目标子数据串的分值之后，将属于同一种异常类型的同一个单位测量数据的目标子数据串按照分值进行排序，得到排序结果。

比如：属于异常类型1的单位测量数据A1的目标子数据串V_A、V_B、V_C的分值分别为0.92、0.95、0.96，对上述分值由高到低进行排序，得排序结果为0.96、0.95、0.92，对应的目标子数据串的排序结果为V_C、V_B、V_A。又比如：属于异常类型2的单位测量数据A2的目标子数据串V_D、V_E、V_F的分值分别为0.98、0.97、0.96，对上述分值由高到低进行排序，得排序结果为0.98、0.97、0.96，对应的目标子数据串的排序结果为V_D、V_E、V_F。

步骤510：根据所述目标子数据串的坐标、长度和所述排序结果对所述目标子数据串进行合并，得到推荐结果，并输出所述推荐结果。

这里，根据获得的目标子数据串的坐标、长度，以及排序结果，对目标子数据串进行合并，将合并结果作为推荐结果，并输出推荐结果。

这里，在合并时，可以将属于同一种异常类型的同一个单位测量数据的分值高的目标子数据串，根据坐标、长度进行合并。

比如：目标子数据串V_A与目标子数据串V_B属于同一个单位测量数据，目标子数据串V_A的坐标、长度、分值、异常类型分别为：[start＝10、end＝25、score＝0.92、pattern＝1]，目标子数据串V_B的坐标、长度、分值、异常类型分别为：[start＝8、end＝23、score＝0.93、pattern＝1]，则对V_A、V_B合并后的结果为：[start＝8、end＝25、pattern＝1]。

本申请实施例提供的识别方法，能够根据至少一个子数据串的概率与设定的阈值的比较结果，确定目标子数据串，并基于目标子数据串的长度和概率，计算目标子数据串的分值；并基于分值的排序结果，对属于同一种异常类型的同一个单位测量数据的至少一个目标子数据串进行合并，得到并输出推荐结果；如此，本申请实施例能够利用异常识别模型能够识别更多的异常类型，在生产过程中对异常情况的筛选控制地更加精确。

本申请实施例中通过具体场景对本申请实施例提供的识别方法进行说明。

控制图是基于数理统计原理分析判断工序是否处于稳定状态所使用的，带有控制界限的一种管理图表。根据控制量的离散性和连续性，分为计量值控制图和计数值控制图。

对于控制图的判异，主要根据八种数学判别异常的方法实现。在实际生产过程中，存在很多情况是无法用严格的数学要求来划分的；而且，对于不同应用场景，会有不同的异常模式，已有的八种判别异常的方法并不能完全满足要求。

本申请实施例引入机器学习技术可以实现更加灵活地判别异常，除了判别异常的方法之外，还可实现定制化的模式识别功能。将采集的序列数据进行自适应的子数据串划分，利用已经训练好的异常识别模型，实时对子数据串进行异常识别，并利用识别结果排序，输出超出判定阈值的结果。

本申请实施例利用机器学习技术，比如：神经网络训练模式，对异常情况进行识别，代替原有数学规则的判别异常的方法，对实时序列的子数据串进行模式识别，并综合识别结果进行排序输出，触发阈值告警。

本申请实施例引入的机器学习技术的控制图曲线模式识别过程主要包括两个阶段：模型训练阶段和实时判别异常阶段，下面分别进行介绍。

1、模型训练阶段

模型训练阶段采用基于标注历史数据的有监督学习方法，训练流程如图3所示，包括：搜集及标注历史数据31；训练异常识别模型32。

1)搜集及标注历史数据31

根据所需判异类型，比如：异常模式_1、异常模式_2、异常模式_3、异常模式_4等，在历史数据中截取异常模式的数据曲线，并进行标注，得到至少一个子数据串，比如：异常1_子数据串集、异常2_子数据串集、异常3_子数据串集、异常4_子数据串集等。这里，可以利用标注的数据添加白噪声达到扩充数据集的目的。利用白噪声扩充数据的原因有两点：考虑到样本不足的情况，实际生产过程中，控制图曲线的异常发生次数少，在数据少的情况下，通过引入加性白噪声扩充该异常识别模式的样本数据量；SPC曲线判别异常要求识别出非加性白噪声导致的异常，样本集引入噪声可以提高模型的泛化能力。

这里，利用白噪声扩充数据时主要引入加性白噪声。加性白噪声是符合高斯分布的随机变量，分布的参数可由整体数据分布来进行设定。扩充标准要求对于符合SPC八种判别异常标准的异常样本，扩充后至少要保证80％以上仍属于该异常类型。

需要说明的是，利用白噪声扩充数据不是必须步骤，比如，当某种异常模式的样本足够多的时候，就不需要进行扩充。

利用加性白噪声扩充样本时，在原异常模式的样本的基础上做向量加法，可采用公式(1)对原异常模式的样本进行扩充，保证该异常模式的样本对应的子数据串的长度不变。

V扩充＝V原始+V噪声 公式(1)

2)训练异常识别模型32

利用标记并扩充的数据集，将变长子数据串提取成定长特征向量，比如：提取均值，极差值等特征值，得到定长特征向量_1、定长特征向量_2、定长特征向量_3、定长特征向量_4等；根据定长特征向量，为每一个异常模式训练一个模型，得到异常识别模型_1、异常识别模型_2、异常识别模型_3、异常识别模型_4等，这里，可选用神经网络模型，也可选用随机森林等可解释模型；异常识别模型输出(0，1)之间的判别得分，如果采用融合模型则认为模型输出为测试样本属于当前模式的概率p。

这里，特征提取可采用如下方式进行计算，比如：V＝[18.2，18.9，19.0，17.9，18.0，18.5]，分别计算V的平均值，标准差和极差组成W，则W＝[mean(V)，std(V)，range(V)]；这里，即使V的长度是变化的，计算出来的W长度也是一定的。

对异常识别模型训练时，采用有监督学习模型，将标记的样本集以7：3的比例分为训练集和验证集，对于每个样本来说，提取的特征向量作为输入，对每个特征向量进行独热编码，编码结果作为模型输出；异常识别模型根据损失函数进行模型内部参数的不断调整，即学习过程。通过异常识别模型在验证集上的表现调整模型参数，或进行网格搜索调整参数。

2、实时判别异常阶段

在实时判别异常阶段，测量数据以帧的形式进行分批处理。以下是针对一帧数据进行处理的过程。实时判别异常阶段包括：获取数据帧对应的子数据串集41；将子数据串集对应的特征向量输入异常识别模型42；输出推荐结果43。

1)获取数据帧对应的子数据串集41

设置子数据串长度的上限和下限，根据子数据串长度的上限和下限对当前的帧曲线进行截取，获得数据帧对应的子数据串集。这里，推荐截取子数据串长度的上限和下限在[6，15]之间。

数据帧41、数据点42和子数据串43的关系，如图4所示。

当前数据帧41包括M个数据点42，M可以为任意正整数，比如，M>15个数据点，根据数据点42和子数据串的长度，对数据帧41进行截取，得到子数据串A 43_1、子数据串B 43_2，将子数据串的数量记为S。每个子数据串s∈S作为一个对象，并记录子数据串的当前帧号f，起始坐标start，和串长length。

2)将子数据串集对应的特征向量输入异常识别模型42

对子数据串s 51提取特征向量，这里，特征向量的构造方法与训练样本的构造方法相同，将子数据串的特征向量输入到利用上一步各异常模式训练的异常识别模型52中，比如：异常识别模型_1、异常识别模型_2、异常识别模型_2、异常识别模型_4等，进行打分，得到属于该异常类型pattern的概率pattern_score，汇总当前帧号f，起始坐标start，和串长length，输出识别结果53，识别结果可以为：识别结果_1、识别结果_2、识别结果_3、识别结果_4等，识别结果的形式为：s(f，start，length，pattern，pattern_score)，如图5所示。

3)输出推荐结果43

识别结果的实时输出需要建立识别结果推荐系统。该系统倾向于向质量控制人员推荐异常模式优先级高的，判别得分高的，子数据串长度较长的结果。推荐方法采用对超过概率阈值的子数据串计算该子数据串的威尔逊得分或贝叶斯得分的方法，依据得分的高低排序，取相同的起始坐标，对得分较高的子数据串进行合并，将合并结果进行推荐，降低对子数据串异常模式识别结果进行解释与融合的复杂度，提高实时性。这里，威尔逊得分的计算方法如公式(2)所示：

其中，l为子数据串的长度，p为异常识别模型的输出，即概率，z_a为常数。

这里，推荐过程的流程示意图，如图6所示，包括：

步骤61：使用预设阈值对异常识别模型的概率进行筛选，将大于或等于预设阈值的子数据串作为目标子数据串；

步骤62：计算目标子数据串的威尔逊得分，并根据得分对目标子数据串排序；

步骤63：根据目标子数据串的坐标、长度、异常类型和排序结果，对目标子数据串进行合并，得到推荐结果；

步骤63：推荐结果展示。

本申请实施例能够达到以下技术效果：

1)与八种判别异常的方法相比，异常识别模型的识别结果更具容错性，对于异常情况的筛选控制的更加精确。

2)可判别异常的类型更加丰富，模式识别方法可识别更多种异常类型。

3)利用异常识别模型的识别方法与八种判别异常的方法可同时存在，不影响原判别异常的方法的使用，告警的优先级可由用户自行选择。

本申请实施例还提供一种识别装置，该装置所包括的各模块、各模块所包括的各单元，可以通过识别装置的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。

如图7所示，识别装置70包括：

划分模块701，用于将待测量数据分成至少一个子数据串；

第一确定模块702，用于对所述子数据串进行计算，得到特征向量；

第一获取模块703，用于获取不同异常类型的异常识别模型；

第二确定模块704，用于根据所述子数据串的特征向量和所述异常识别模型，确定所述子数据串的异常识别结果。

在一些实施例中，划分模块701包括：划分单元和截取单元；其中，

划分单元，用于将所述待测量数据以设定的时间长度进行划分，得到至少一个单位测量数据；

截取单元，用于根据设定的坐标和长度，对所述单位测量数据进行截取，得到至少一个子数据串。

在一些实施例中，第二确定模块704，用于将所述子数据串的特征向量分别作为所述不同异常类型的异常识别模型的输入向量，得到所述子数据串属于对应异常类型的概率。

在一些实施例中，识别装置70还包括：第二获取模块和训练模块；其中，

第二获取模块，用于获取不同异常类型的测量数据样本以及表征所述测量数据样本的异常类型的标注信息；

训练模块，用于将所述不同异常类型的测量数据样本、以及表征所述测量数据样本的异常类型的标注信息对对应的异常识别模型进行训练，以更新对应异常识别模型的参数。

在一些实施例中，识别装置70还包括：添加模块，用于对所述不同异常类型的测量数据样本添加白噪声，以对所述不同异常类型的测量数据样本进行更新。

在一些实施例中，识别装置70还包括：选取模块、计算模块和输出模块；其中，

选取模块，用于根据所述子数据串的不同异常类型的异常识别结果，从所述子数据串中选取目标子数据串；

计算模块，用于计算所述目标子数据串的分值；

输出单元，用于根据所述目标子数据串的分值，将所述目标子数据串进行合并，得到推荐结果，并输出所述推荐结果。

在一些实施例中，选取模块还包括：第一获取单元和第一确定单元；其中，

第一获取单元，用于获取设定的阈值；

第一确定单元，用于将所述子数据串的概率与所述阈值进行比较，确定概率大于阈值的目标子数据串。

在一些实施例中，计算模块还包括：第二获取单元和第二确定单元；其中，

第二获取单元，用于获取所述目标子数据串的长度和概率；

第二确定单元，用于以所述长度和所述概率作为分值计算函数的参数，确定所述目标子数据串的分值。

在一些实施例中，输出模块还包括：第三确定单元和合并单元；其中，

第三确定单元，用于对所述目标子数据串的分值进行排序，得到排序结果；所述目标子数据串属于同一种异常类型的同一个单位测量数据；

合并单元，用于根据所述目标子数据串的坐标、长度和所述排序结果对所述目标子数据串进行合并。

需要说明的是：上述实施例提供的识别装置在识别时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的识别装置与识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图8所示的识别设备80包括：至少一个处理器810、存储器840、至少一个网络接口820和用户接口830。识别设备80中的各个组件通过总线系统850耦合在一起。可理解，总线系统850用于实现这些组件之间的连接通信。总线系统850除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图8中将各种总线都标为总线系统850。

用户接口830可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。

存储器840可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)。易失性存储器可以是随机存取存储器(RAM，Random Access Memory)。本发明实施例描述的存储器840旨在包括任意适合类型的存储器。

本发明实施例中的存储器840能够存储数据以支持识别设备80的操作。这些数据的示例包括：用于在识别设备80上操作的任何计算机程序，如操作系统和应用程序。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序。

其中，处理器810用于运行所述计算机程序时，以实现上述实施例中提供的识别方法中的步骤。

作为本发明实施例提供的方法采用软硬件结合实施的示例，本发明实施例所提供的方法可以直接体现为由处理器810执行的软件模块组合，例如本本发明实施例提供的识别装置，识别装置的软件模块可以存储于存储器840，处理器810读取存储器840中软件模块包括的可执行指令，结合必要的硬件(例如，包括处理器810以及连接到总线850的其他组件)完成本发明实施例提供的识别方法。

作为示例，处理器810可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

这里需要指出的是：以上识别设备实施例项的描述，与上述方法描述是类似的，具有同方法实施例相同的有益效果，因此不做赘述。对于本申请识别设备实施例中未披露的技术细节，本领域的技术人员请参照本申请方法实施例的描述而理解，为节约篇幅，这里不再赘述。

在示例性实施例中，本申请实施例还提供了一种存储介质，可以为计算机可读存储介质，例如包括存储计算机程序的存储器，上述计算机程序可由处理器处理，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器处理时实现上述实施例中提供的识别方法中的步骤。

这里需要指出的是：以上计算机介质实施例项的描述，与上述方法描述是类似的，具有同方法实施例相同的有益效果，因此不做赘述。对于本申请存储介质实施例中未披露的技术细节，本领域的技术人员请参照本申请方法实施例的描述而理解，为节约篇幅，这里不再赘述。

上述本申请实施例揭示的方法可以应用于所述处理器中，或者由所述处理器实现。所述处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过所述处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的所述处理器可以是通用处理器、DSP，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。所述处理器可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，所述处理器读取存储器中的信息，结合其硬件完成前述方法的步骤。

可以理解，本申请实施例的存储器(存储器)可以是易失性存储器或者非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是ROM、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random Access Memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，DynamicRandom Access Memory)、同步动态随机存取存储器(SDRAM，Synchronous Dynamic RandomAccess Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data RateSynchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本申请实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

本领域内的技术人员应明白，本申请实施例的识别方法的其他构成以及作用，对于本领域的技术人员而言都是已知的，为了减少冗余，本申请实施例不做赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同限定。

Claims (10)

1.一种识别方法，所述方法包括：

将待测量数据分成至少一个子数据串；

对所述子数据串进行计算，得到特征向量；

获取不同异常类型的异常识别模型；

根据所述子数据串的特征向量和所述异常识别模型，确定所述子数据串的异常识别结果。

2.根据权利要求1所述的方法，所述将待测量数据分成至少一个子数据串，包括：

将所述待测量数据以设定的时间长度进行划分，得到至少一个单位测量数据；

根据设定的坐标和长度，对所述单位测量数据进行截取，得到至少一个子数据串。

3.根据权利要求1所述的方法，所述根据所述子数据串的特征向量和所述异常识别模型，确定所述子数据串的异常识别结果，包括：

将所述子数据串的特征向量分别作为所述不同异常类型的异常识别模型的输入向量，得到所述子数据串属于对应异常类型的概率。

4.根据权利要求1所述的方法，所述方法还包括：

获取不同异常类型的测量数据样本以及表征所述测量数据样本的异常类型的标注信息；

将所述不同异常类型的测量数据样本、以及表征所述测量数据样本的异常类型的标注信息对对应的异常识别模型进行训练，以更新对应异常识别模型的参数。

5.根据权利要求4所述的方法，所述获取不同异常类型的测量数据样本之前，所述方法还包括：

对所述不同异常类型的测量数据样本添加白噪声，以对所述不同异常类型的测量数据样本进行更新。

6.根据权利要求1所述的方法，所述方法还包括：

根据所述子数据串的不同异常类型的异常识别结果，从所述子数据串中选取目标子数据串，并计算所述目标子数据串的分值；

根据所述目标子数据串的分值，将所述目标子数据串进行合并，得到推荐结果，并输出所述推荐结果。

7.根据权利要求6所述的方法，所述异常识别结果包括所述子数据串属于不同异常类型的概率，所述根据所述子数据串的不同异常类型的异常识别结果，从所述子数据串中选取目标子数据串，包括：

获取设定的阈值；

将所述子数据串的概率与所述阈值进行比较，确定概率大于阈值的目标子数据串。

8.根据权利要求6所述的方法，所述计算所述目标子数据串的分值，包括：

获取所述目标子数据串的长度和概率；

以所述长度和所述概率作为分值计算函数的参数，确定所述目标子数据串的分值。

9.根据权利要求6所述的方法，根据所述目标子数据串的分值，将所述目标子数据串进行合并，包括：

对所述目标子数据串的分值进行排序，得到排序结果；所述目标子数据串属于同一种异常类型的同一个单位测量数据；

根据所述目标子数据串的坐标、长度和所述排序结果对所述目标子数据串进行合并。

10.一种识别设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，执行权利要求1至9任一项所述识别方法。