CN110909812A - 监控装置及监控方法 - Google Patents
监控装置及监控方法 Download PDFInfo
- Publication number
- CN110909812A CN110909812A CN201911192855.8A CN201911192855A CN110909812A CN 110909812 A CN110909812 A CN 110909812A CN 201911192855 A CN201911192855 A CN 201911192855A CN 110909812 A CN110909812 A CN 110909812A
- Authority
- CN
- China
- Prior art keywords
- association
- abnormal
- monitoring
- comparison model
- model
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Abstract
本发明提供一种监控装置,包括检测器和处理器,处理器与检测器耦接,处理器用于:接收检测集,所述检测集形成于所述检测器对工件尺寸的检测;判断所述检测集中的异常尺寸,形成异常表;根据第一对比模型及所述异常表,形成关联表;形成所述关联表的可靠性信息;反馈所述可靠性信息至所述第一对比模型,调整所述第一对比模型,以形成第二对比模型;根据所述第二对比模型及所述异常表,以形成监控表。本发明同时提供一种监控方法,该监控方法能够通过机器学习获取异常尺寸相关联的关联尺寸,减少人工判断的可能产生的误差,提高关联尺寸的准确性,以便技术人员进行精确维护,从而提高工作质量和效率发明。
Description
技术领域
本发明涉计算机技术领域,具体涉及一种监控装置及监控方法。
背景技术
工件加工过程,工件的各个尺寸存在关联关系,其中一个尺寸发生异常,其关联的相关尺寸均可能产生变化,由于各个尺寸之间的关联关系不仅仅是简单的线性关系,因此仅通过人工计算观察无法获取异常尺寸的所有关联尺寸,容易发生关联关系的误判或关联尺寸的遗漏。
发明内容
鉴于以上问题,本发明提出一种监控装置及监控方法,以解决上述问题。
本申请的第一方面提供一种监控装置,包括:
检测器;
处理器,与所述检测器耦接,用于:
接收检测集,所述检测集形成于所述检测器对工件尺寸的检测;
判断所述检测集中的异常尺寸,形成异常表;
根据第一对比模型及所述异常表,形成关联表;
形成所述关联表的可靠性信息;
反馈所述可靠性信息至所述第一对比模型,调整所述第一对比模型,以形成第二对比模型;
根据所述第二对比模型及所述异常表,以形成监控表。
进一步地,其中所述处理器进一步用于建立所述第一对比模型,包括:
预设第一关联表,建立输入为异常表、输出为第二关联表的机器学习模型;
对比所述第一关联表与所述第二关联表,输出反馈表;
根据所述反馈表,有监督的训练所述机器学习模型,以使所述第二关联表与所述第一关联表相同,以形成所述第一对比模型。
进一步地,其中所述处理器进一步用于:
统计所述关联表与预设的判定表之间不相同项的数量;
统计所述关联表与预设的判定表之间不相同项的偏差;
计算所述数量占所述关联表的总项数的比例;
根据所述比例和偏差,形成所述可靠性信息。
进一步地,其中所述处理器进一步用于:根据与所述异常表的关联程度,排序所述监控表。
进一步地,其中所述关联程度,形成于所述异常表与所述监控表的相关系数。
本申请的第二方面提供一种监控方法,适用于一监控装置;
所述方法包括:
接收检测集,所述检测集形成于所述检测器对工件尺寸的检测;
判断所述检测集中的异常尺寸,形成异常表;
根据第一对比模型及所述异常表,形成关联表;
形成所述关联表的可靠性信息;
反馈所述可靠性信息至所述第一对比模型,调整所述第一对比模型,以形成第二对比模型;
根据所述第二对比模型及所述异常表,以形成监控表。
进一步地,所述第一对比模型的建立包括步骤:
预设第一关联表,建立输入为异常表、输出为第二关联表的机器学习模型;
对比所述第一关联表与所述第二关联表,输出反馈表;
根据所述反馈表,有监督的训练所述机器学习模型,以使所述第二关联表与所述第一关联表相同,以形成所述第一对比模型。
进一步地,所述可靠性信息的形成包括步骤:
统计所述关联表与预设的判定表之间不相同项的数量;
统计所述关联表与预设的判定表之间不相同项的偏差;
计算所述数量占所述关联表的总项数的比例;
根据所述比例和偏差,形成所述可靠性信息。
进一步地,所述方法还包括步骤:
根据与所述异常表的关联程度,排序所述监控表。
进一步地,其中所述关联程度,形成于所述异常表与所述监控表的相关系数。
本发明通过建立预设的第一对比模型,并通过调整所述第一对比模型,以形成第二对比模型,并调用第二对比模型和异常数据表,以获取与工件异常尺寸的关联的监控表,上述监控方法能够通过机器学习代替人工,以获取异常尺寸相关联的关联尺寸,减少人工判断的可能产生的误差,提高关联尺寸的准确性,以便技术人员进行精确维护,从而提高工作质量和效率。
附图说明
图1为本发明一实施方式中的监控装置的硬件架构示意图。
图2为本发明一实施方式中的监控系统的功能模块示意图。
图3为本发明一实施方式中的监控方法的方法流程图。
主要元件符号说明
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,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做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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
请参阅图1,为本发明一实施中提供的监控装置的示意图。
在本实施方式中,所述监控装置100包括检测器10、处理器20、存储器30、及显示单元40。
检测器10用于检测工件,以获取工件的检测尺寸,并依据检测尺寸形成检测集。
在一实施例中,检测器10可为三坐标测量机或影像测量仪。
可以理解,在一实施例中,检测器10的数量可以为多个,以使监控装置100可以同时获取多个待检测壳体的检测尺寸。
在一实施例中,该工件为电子装置的壳体,该壳体的尺寸至少包括长、宽、高、弧度、直径等,该工件的多个检测尺寸中至少存在一组相互关联的尺寸,例如长、宽与壳体的半径或拐角弧度相关。
所述处理器20可以为中央处理器(CPU,Central Processing Unit),还可以包括其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器20是监控装置100的控制中心,利用各种接口和线路连接整个监控装置100的各个部分。
所述存储器30用于存储监控装置100中的各类数据,例如各种数据库、程序代码、壳体的检测尺寸等。在本实施方式中,所述存储器30可以包括但不限于只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
所述显示单元40用于显示处理器20处理后的各种信息,所述显示单元40可为显示器、触摸屏等。
请参阅图2,为本发明一实施方式中监控系统200的功能模块示意图。
在本实施方式中,监控系统200包括有一个或多个程序形式的计算机指令,所述一个或多个程序形式的计算机指令存储于所述存储器30中,并由所述处理器20执行,以实现本发明所提供的功能。
在本实施方式中,所述监控系统200可以被分割成接收模块201、判断模块202、模型创建模块203、输出模块204、排序模块205及显示模块206。各个功能模块的功能将在下面的实施例中进行详述。
接收模块201用于接收检测器10依据对工件尺寸的检测形成检测集。
具体地,检测器10对待检测的工件进行检测,以获取工件的检测尺寸,并依据检测尺寸形成检测集,并将检测集发送至处理器20的接收模块201。
在一实施例中,检测器10将检测集存储于存储器30中,接收模块201调用存储器30中的检测集。
在一实施例中,所述工件的尺寸至少包括长、宽、高、弧度及半径等,且至少存在一组相互关联的尺寸。
判断模块202,用于判断所述检测集中的异常尺寸,形成异常表。
具体地,预设判断模块202比较检测集中的检测尺寸值和理论尺寸值,若检测尺寸至超出理论尺寸值的预设范围,则该检测尺寸为异常尺寸,例如,长的理论尺寸值为3mm,预设范围为2.95mm-3.05mm,检测出长度值为3.06mm,超出预设范围,则该“长”即为异常尺寸。判断模块202依据判定为异常尺寸的检测尺寸,形成异常表。
可以理解,在另一实施例中,所述异常尺寸的判断范围可调节,通过调节异常尺寸的预设范围,以增大或缩小异常表中的异常尺寸的数量。
模型创建模块203用于建立第一对比模型。
具体地,模型创建模块203建立第一对比模型的步骤具体包括:
预设第一关联表,建立输入为异常表、输出为第二关联表的机器学习模型;
对比第一关联表与第二关联表,输出反馈表;
根据该反馈表,有监督的训练该机器学习模型,以使该第二关联表与该第一关联表相同,以形成所述第一对比模型。
本实施例中,其中第一关联表为预先设置的工件尺寸之间的实际的关联关系表,例如,第一关联表中包括实际场景中存在关联关系的尺寸,例如,第一高、第二高及长等,第二关联表为机器学习模型输出的关联关系表。
其中反馈表为对比第一关联表与第二关联表获得的反馈数据,例如,反馈数据包括权重系数,可以依据对权重进行稀疏化,能够减少卷积核的冗余,降低计算复杂度等,并依据该反馈数据对机器学习模型进行针对性的训练,使机器学习模型输出的第二关联表与第一关联表相同,进而保证机器学习模型的可靠性。
在一实施例中,机器学习模型为卷积神经网络模型。
模型创建模块203还用于依据第一对比模型,以形成第二对比模型。
具体地,模型创建模块203形成第二对比模型的步骤具体包括:
根据第一对比模型及所述异常表,形成关联表;
形成所述关联表的可靠性信息;
反馈所述可靠性信息至所述第一对比模型,调整所述第一对比模型,以形成第二对比模型。
本实施例中,模型创建模块203调用第一对比模型,并将异常表输入第一对比模型,以使第一对比模型输出关联表,模型创建模块203依据关联表形成可靠性信息,并依据可靠性信息不断调整所述第一对比模型,以形成第二对比模型。
本实施例中,通过不断地调整存储器30中存储的第一对比模型,以形成新的第二对比模型,并利用第二对比模型替换存储器30中存储的第一对比模型,不断迭代,以增强第二对比模型的准确性和可靠性。
模型创建模块203还用于形成可靠性信息。
进一步地,模型创建模块203形成可靠性信息包括如下步骤:
统计所述关联表与预设的判定表之间不相同项的数量;
统计所述关联表与预设的判定表之间不相同项的偏差;
计算所述数量占所述关联表的总项数的比例;
根据所述比例和偏差,形成所述可靠性信息。
其中判定表为本领域技术人员通过人工获取的关联表的数据,该关联表中数据的关联关系通过人为判断获取。
通过统计所述关联表与预设的判定表之间不相同项,以获取关联表的可靠性,例如,关联表与判定表中均存在10项数据,其中3项为不同项,则关联表的可靠性就是70%,同时可以通过关联表与判定表之间的偏差,来调整第一对比模型,进而提高第一对比模型可靠性,例如,当可靠性到达90%时获取的第一对比模型,即为最终机器学习模型,其中偏差包括大于某一预设值或小于某一预设值。
输出模块204用于根据所述第二对比模型及所述异常表,以形成监控表。
具体地,输出模块204调用第二对比模型,并将异常表输入第二对比模型,以使第二对比模型输出关联数据,并依据该关联数据形成监控表。
在一实施例中,输出模块204输出的监控表为可编辑的文档,技术人员可以依据实际需求对监控表进行整理分析。例如,监控表输出为excel格式,技术人员可以依据监控表中的关联数据绘制图表。
排序模块205用于根据与异常表的关联程度,排序所述监控表。
具体地,其中所述关联程度,形成于所述异常表与所述监控表的相关系数。
排序模块205还用于计算异常表与监控表的相关系数,并依据该相关系数对监控表进行排序。
具体地,每个异常尺寸具有多个关联尺寸,通过计算异常尺寸与多个关联尺寸之间的相关系数,并依据相关系数对多个关联尺寸进行排序,以便于技术人员能够快速获取各个关联尺寸之间的重要程度。
本实施例中,相关系数为皮尔逊相关系数,通过皮尔逊相关系数计算判定异常表与监控表的相关系数,其中皮尔逊相关系数用于度量两个变量X和Y之间的相关,其值介于-1与1之间。
皮尔逊相关系数r,r的计算公式为:
其中,r为相关系数,X为异常表中的异常尺寸,Y为监控表中的关联尺寸,n为监控表与异常表中的关联尺寸的总项数。
显示模块206用于显示排序后的监控表。
具体地,显示模块206能够依据监控表中各个关联尺寸之间的关联关系进行个性化显示,例如,相关系数大于0.7的显示红色,相关系数小于0.1的显示浅蓝色。
请参阅图3,为本发明一个实施方式提供的监控流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。为了便于说明,仅示出了与本发明实施例相关的部分。
如图3所示,所述监控方法包括以下步骤。
步骤S1:接收检测集。
具体地,接收模块201接收检测器10依据对工件尺寸的检测形成检测集。
在一实施例中,工件尺寸至少包括壳体的长、宽、高、弧度、半径等。且至少存在一组相互关联的尺寸。
步骤S2:判断所述检测集中的异常尺寸,形成异常表。
具体地,判断模块202判断所述检测集中的异常尺寸,以形成异常表。
进一步地,判断模块202比较检测尺寸的检测值和理论值,若检测尺寸的检测值超出理论值的预设范围,则检测尺寸就是异常尺寸,例如,长度的理论尺寸为3mm,预设范围使2.95mm-3.05mm,检测长度为3.06mm,则该“长”即为异常尺寸。
步骤S3:根据第一对比模型及所述异常表,形成关联表。
具体地,模型创建模块203调用第一对比模型,并将异常表输入第一对比模型,第一对比模型输出关联数据,依据关联数据形成关联表。
进一步地,模型创建模块203建立第一对比模型的步骤如下:
预设第一关联表,建立输入为异常表、输出为第二关联表的机器学习模型;
对比所述第一关联表与所述第二关联表,输出反馈表;
根据所述反馈表,有监督的训练所述机器学习模型,以使所述第二关联表与所述第一关联表相同,以形成所述第一对比模型。
其中第一关联表为预先设置的具有关联关系的相关尺寸的集合,第二关联表为机器学习模型输出的与异常尺寸具有关联关系的相关尺寸的集合。
其中反馈表为第一对比模型建立过程中的用于调整优化机器学习模型所涉及的反馈数据,例如,权重系数,可以依据对权重进行稀疏化,能够减少卷积核的冗余,降低计算复杂度。
在一实施例中,机器学习模型为卷积神经网络模型。
步骤S4:形成所述关联表的可靠性信息。
具体地,模型创建模块203形成所述关联表的可靠性信息。
进一步地,模型创建模块203形成可靠性信息包括如下步骤:
统计所述关联表与预设的判定表之间不相同项的数量;
统计所述关联表与预设的判定表之间不相同项的偏差;
计算所述数量占所述关联表的总项数的比例;
根据所述比例和偏差,形成所述可靠性信息。
其中判定表为本领域技术人员通过人工获取的关联表的数据,该关联表中数据的关联关系通过人为判断获取,用于判定关联表,应用于第二对比模型形成过程中。
通过统计所述关联表与预设的判定表之间不相同项,以获取关联表的可靠性,例如,关联表与判定表中均存在10项数据,其中3项为不同项,则关联表的可靠性就是70%,同时可以通过关联表与判定表质检偏差,来调整第一对比模型,进而提高第一对比模型可靠性,例如,当可靠性到达90%时获取的第一对比模型,即为最终机器学习模型。
可以理解,在另一实施例中,若检测数据量较大,可以取消判定表对于关联表的修正,以加快数据模型的形成时间,节省得到输出结果的时间。
步骤S5:反馈所述可靠性信息至所述第一对比模型,调整所述第一对比模型,以形成第二对比模型。
模型创建模块203依据可靠性信息,调整所述第一对比模型,以形成第二对比模型。
步骤S6:根据所述第二对比模型及所述异常表,以形成监控表。
具体地,输出模块204调用第二对比模型,将并所述异常表输入第二对比模型,第二对比模型输出关联数据,依据关联数据形成监控表。
步骤S7:根据与所述异常表的关联程度,排序所述监控表。
具体地,排序模块205根据监控表与所述异常表的关联程度,排序所述监控表。其中所述关联程度,形成于所述异常表与所述监控表的相关系数。
排序模块205计算异常表与监控表的相关系数,并依据该相关系数对监控表进行排序。
具体地,每个异常尺寸具有多个关联尺寸,通过计算异常尺寸与多个关联尺寸之间的相关系数,并依据相关系数对多个关联尺寸进行排序。以便于技术人员能够快速获取各个关联尺寸之间的重要程度。
本实施例中,相关系数为皮尔逊相关系数,通过皮尔逊相关系数判定异常表与监控表的相关系数,其中皮尔逊相关系数用于度量两个变量X和Y之间的相关,其值介于-1与1之间。
皮尔逊相关系数r,r的计算公式为:
其中,r为相关系数,X为异常表中的异常尺寸,Y为监控表中的关联尺寸,n为监控表与异常表中的关联尺寸的总项数。
步骤S8:显示排序后的所述监控表。
具体地,显示模块206显示排序后的监控表。
进一步地,显示模块206能够依据监控表中各个关联尺寸之间的关联关系进行个性化显示,例如,相关系数大于0.7的显示红色,相关系数小于0.1的显示浅蓝色。
可以理解,在其他实施例中,步骤S8可以省略。
在一实施例中,监控表为可编辑的文档,技术人员可以依据实际需求对监控表进行整理分析。例如,监控表输出为excel格式,技术人员可以依据监控表中的关联数据绘制图表。
上述监控方法通过建立预设的第一对比模型,并通过调整所述第一对比模型,以形成第二对比模型,并调用第二对比模型和异常数据表,以获取与壳体异常尺寸的关联的监控表,上述监控方法能够通过机器学习获取异常尺寸相关联的关联尺寸,减少人工判断的可能产生的误差,提高关联尺寸的准确性,以便技术人员进行精确维护,从而提高工作质量和效率。
上述监控方法还通过相关系数以获取监控表与异常尺寸的关联程度,从而可以依据关联程度判断各个关联尺寸之间的重要程度,以便于技术人员依据关联程度查找并维护异常设备。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种监控装置,包括:
检测器;
处理器,与所述检测器耦接,用于:
接收检测集,所述检测集形成于所述检测器对工件尺寸的检测;
判断所述检测集中的异常尺寸,形成异常表;
根据第一对比模型及所述异常表,形成关联表;
形成所述关联表的可靠性信息;
反馈所述可靠性信息至所述第一对比模型,调整所述第一对比模型,以形成第二对比模型;
根据所述第二对比模型及所述异常表,以形成监控表。
2.如权利要求1所述的监控装置,其中所述处理器进一步用于:
预设第一关联表,建立输入为异常表、输出为第二关联表的机器学习模型;
对比所述第一关联表与所述第二关联表,输出反馈表;
根据所述反馈表,有监督的训练所述机器学习模型,以使所述第二关联表与所述第一关联表相同,以形成所述第一对比模型。
3.如权利要求1所述的监控装置,其中所述处理器进一步用于:
统计所述关联表与预设的判定表之间不相同项的数量;
统计所述关联表与预设的判定表之间不相同项的偏差;
计算所述数量占所述关联表的总项数的比例;
根据所述比例和偏差,形成所述可靠性信息。
4.如权利要求1所述的监控装置,其中所述处理器进一步用于:
根据与所述异常表的关联程度,排序所述监控表。
5.如权利要求4所述的监控装置,其中所述关联程度,形成于所述异常表与所述监控表的相关系数。
6.一种监控方法,包括:
接收检测集,所述检测集形成于所述检测器对工件尺寸的检测;
判断所述检测集中的异常尺寸,形成异常表;
根据第一对比模型及所述异常表,形成关联表;
形成所述关联表的可靠性信息;
反馈所述可靠性信息至所述第一对比模型,调整所述第一对比模型,以形成第二对比模型;
根据所述第二对比模型及所述异常表,以形成监控表。
7.如权利要求6所述的监控方法,进一步包括:
建立所述第一对比模型,包括:
预设第一关联表,建立输入为异常表、输出为第二关联表的机器学习模型;
对比所述第一关联表与所述第二关联表,输出反馈表;
根据所述反馈表,有监督的训练所述机器学习模型,以使所述第二关联表与所述第一关联表相同,以形成所述第一对比模型。
8.如权利要求6所述的监控方法,其中形成所述可靠性信息的步骤,包括:
统计所述关联表与预设的判定表之间不相同项的数量;
统计所述关联表与预设的判定表之间不相同项的偏差;
计算所述数量占所述关联表的总项数的比例;
根据所述比例和偏差,形成所述可靠性信息。
9.如权利要求6所述的监控方法,进一步包括:
根据与所述异常表的关联程度,排序所述监控表。
10.如权利要求9所述的监控方法,其中所述关联程度,形成于所述异常表与所述监控表的相关系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911192855.8A CN110909812B (zh) | 2019-11-28 | 2019-11-28 | 监控装置及监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911192855.8A CN110909812B (zh) | 2019-11-28 | 2019-11-28 | 监控装置及监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909812A true CN110909812A (zh) | 2020-03-24 |
CN110909812B CN110909812B (zh) | 2023-04-07 |
Family
ID=69820233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911192855.8A Active CN110909812B (zh) | 2019-11-28 | 2019-11-28 | 监控装置及监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909812B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101542509A (zh) * | 2005-10-18 | 2009-09-23 | 霍尼韦尔国际公司 | 用于早期事件检测的系统、方法和计算机程序 |
CN109194689A (zh) * | 2018-10-22 | 2019-01-11 | 武汉极意网络科技有限公司 | 异常行为识别方法、装置、服务器及存储介质 |
EP3438842A1 (en) * | 2017-08-03 | 2019-02-06 | Hitachi Power Solutions Co., Ltd. | Preprocessor and abnormality predictor diagnosis system |
CN109902832A (zh) * | 2018-11-28 | 2019-06-18 | 华为技术有限公司 | 机器学习模型的训练方法、异常预测方法及相关装置 |
-
2019
- 2019-11-28 CN CN201911192855.8A patent/CN110909812B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101542509A (zh) * | 2005-10-18 | 2009-09-23 | 霍尼韦尔国际公司 | 用于早期事件检测的系统、方法和计算机程序 |
EP3438842A1 (en) * | 2017-08-03 | 2019-02-06 | Hitachi Power Solutions Co., Ltd. | Preprocessor and abnormality predictor diagnosis system |
CN109194689A (zh) * | 2018-10-22 | 2019-01-11 | 武汉极意网络科技有限公司 | 异常行为识别方法、装置、服务器及存储介质 |
CN109902832A (zh) * | 2018-11-28 | 2019-06-18 | 华为技术有限公司 | 机器学习模型的训练方法、异常预测方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
陈冰等: "基于尺寸关联和偏最小二乘回归的多工序质量分析与预测", 《计算机集成制造系统》 * |
陈耿等: "一种基于异常检测的关联模式挖掘模型", 《计算机工程与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110909812B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112188531A (zh) | 异常检测方法、装置、电子设备及计算机存储介质 | |
CN110348412B (zh) | 一种关键点定位方法、装置、电子设备及存储介质 | |
US11416717B2 (en) | Classification model building apparatus and classification model building method thereof | |
CN115082920B (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
US10607470B2 (en) | Vibrational analysis systems and methods | |
CN115167323B (zh) | 基于数字化工厂的工控设备反馈信息指令传输系统 | |
US20210366093A1 (en) | Defect detection of a component in an assembly | |
CN112149737A (zh) | 选择模型训练方法、模型选择方法、装置及电子设备 | |
CN113326879A (zh) | 一种业务数据的监测方法及装置 | |
CN113822893B (zh) | 一种基于纹理特征的液晶面板外围电路检测方法和系统 | |
CN115146875A (zh) | 基于历史数据的工艺参数推荐方法、设备、系统及介质 | |
CN110909812B (zh) | 监控装置及监控方法 | |
JP2018151821A (ja) | 設備機器の異常診断システム | |
CN113469151A (zh) | 工业制造中传感器的筛选方法、装置、设备及介质 | |
CN110825548B (zh) | 异常检测方法、模型训练方法及相关装置 | |
CN112084092B (zh) | 一种诊断规则的确定方法、装置、设备及存储介质 | |
TWI639908B (zh) | 製程偵錯與診斷方法 | |
CN114596309A (zh) | 焊缝缺陷的检测、模型训练方法、系统、设备和存储介质 | |
CN113901648A (zh) | 一种编制零件工艺规程的方法及装置 | |
CN113641823A (zh) | 文本分类模型训练、文本分类方法、装置、设备及介质 | |
CN112802018A (zh) | 分段圆形工件的完整性检测方法、装置、设备及存储介质 | |
US7343352B2 (en) | Method and system for assessing the quality and cost of inspection | |
US11592807B2 (en) | Manufacturing defect factor searching method and manufacturing defect factor searching apparatus | |
JPH04169849A (ja) | データ判別用しきい値設定方式 | |
US20220335708A1 (en) | Data cleaning device, data cleaning method and face verification method |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 450016 standard workshop No.7, Henan Zhengzhou export processing zone, 9th Street, Zhengzhou Economic Development Zone, Henan Province Applicant after: Fulian Precision Electronics (Zhengzhou) Co.,Ltd. Address before: 450016 standard workshop No.7, Henan Zhengzhou export processing zone, 9th Street, Zhengzhou Economic Development Zone, Henan Province Applicant before: Futaihua precision electronics (Zhengzhou) Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |