CN111241688B - 复合生产工艺过程监控方法及装置 - Google Patents
复合生产工艺过程监控方法及装置 Download PDFInfo
- Publication number
- CN111241688B CN111241688B CN202010043813.4A CN202010043813A CN111241688B CN 111241688 B CN111241688 B CN 111241688B CN 202010043813 A CN202010043813 A CN 202010043813A CN 111241688 B CN111241688 B CN 111241688B
- Authority
- CN
- China
- Prior art keywords
- production process
- data
- branch
- product
- production
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 494
- 239000002131 composite material Substances 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 239000000463 material Substances 0.000 claims abstract description 136
- 239000000047 product Substances 0.000 claims abstract description 117
- 238000012545 processing Methods 0.000 claims abstract description 106
- 230000015654 memory Effects 0.000 claims abstract description 94
- 239000002994 raw material Substances 0.000 claims abstract description 42
- 239000013067 intermediate product Substances 0.000 claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 14
- 239000012467 final product Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000012806 monitoring device Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 description 19
- 230000009467 reduction Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000002844 melting Methods 0.000 description 10
- 230000008018 melting Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 7
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了复合生产工艺过程监控方法及装置,涉及大数据处理领域。具体实现方案为:获取复合生产工艺过程中的第一分支生产过程的加工材料和生产数据,加工材料包括M个原材料和/或N个中间品,第一分支生产过程为当前已完成的分支生产过程,M和N为正整数;通过记忆自编码器模型对第一分支生产过程的加工材料和生产数据进行检测,记忆自编码器模型根据产品的正常历史生产数据训练得到,产品的正常历史生产数据包括产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据;若记忆自编码器模型输出的生产数据与第一分支生产过程的生产数据之间的误差大于预设阈值,则确定第一分支生产过程的生产数据异常,进行报警。
Description
技术领域
本申请涉及大数据处理领域中的工业制造生产过程中的生产数据处理技术。
背景技术
在工业制造生产过程中,产品的异常监控通常是通过产品的质检结果来判断,如果产品的当前检验值在预设的范围内,则产品是合格的,如果当前检验值超出预设的范围,则产品异常,在监测出产品异常时,再对生产工序的某些环节进行调整。然而,对于生产工序复杂并且质检比较费时费力的生产过程来说,只有当整个生产工序完成,且产品质检完成之后才能预警,因此会造成成本的增加和原材料的浪费。
复合生产工艺过程是指,由原材料经过生产过程1合成中间品1,中间品1再加入某些原材料经过生产过程2生成中间品2,多个中间品(如中间品1和中间品2)再添加某些原材料经过生产过程3生成最终产品,例如橡胶的密炼过程和塑料注塑加工过程即为复合生产工艺过程。
对于复合生产工艺过程,如何在复合生产工艺过程中实现对每一个分支生产过程的生产数据进行异常监控并进行预警,是亟需解决的问题。
发明内容
本申请提供一种复合生产工艺过程监控方法及装置,以实现在复合生产工艺过程中实现对每一个分支生产过程的生产数据进行异常监控并进行预警。
第一方面,本申请提供一种复合生产工艺过程监控方法,包括:
获取所述复合生产工艺过程中的第一分支生产过程的加工材料和生产数据,所述加工材料包括M个原材料和/或N个中间品,所述第一分支生产过程为当前已完成的分支生产过程,所述M和N为正整数;
通过记忆自编码器模型对所述第一分支生产过程的加工材料和生产数据进行检测,所述记忆自编码器模型根据产品的正常历史生产数据训练得到,所述产品的正常历史生产数据包括产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据;
若所述记忆自编码器模型输出的生产数据与所述第一分支生产过程的生产数据之间的误差大于预设阈值,则确定所述第一分支生产过程的生产数据异常,进行报警。
上述申请中的一个实施例具有如下优点或有益效果:通过每完成一个分支生产过程,获取当前分支生产过程的加工材料和生产数据,然后通过预先根据产品的正常历史生产数据训练得到的记忆自编码器模型,对当前分支生产过程的加工材料和生产数据进行检测,若记忆自编码器模型输出的生产数据与当前分支生产过程的生产数据之间的误差大于预设阈值,则确定当前分支生产过程的生产数据异常,进行报警,从而可实现每完成一个分支生产过程就进行实时预警,避免原材料的浪费,节约成本。
可选的,所述通过记忆自编码器模型对所述第一分支生产过程的加工材料和生产数据进行检测,包括:
对所述第一分支生产过程的加工材料进行独热编码处理;
对独热编码处理后的加工材料进行嵌入性降维,得到所述第一分支生产过程的特征材料;
将所述第一分支生产过程的特征材料和所述第一分支生产过程的生产数据输入到所述记忆自编码器模型进行检测。
可选的,所述方法还包括:
根据产品的正常历史生产数据训练记忆自编码器,得到所述记忆自编码器模型。
可选的,所述根据产品的正常历史生产数据训练记忆自编码器,包括:
对产品在复合生产工艺过程中的每个分支生产过程的加工材料进行独热编码处理;
对每个分支生产过程对应的独热编码处理后的加工材料进行嵌入性降维,得到每个分支生产过程的特征材料;
根据每个分支生产过程的特征材料和每个分支生产过程的生产数据训练记忆自编码器。
可选的,所述方法还包括:
根据产品的历史最终生产数据确定所述产品的正常历史生产数据。
可选的,所述根据产品的历史最终生产数据确定所述产品的正常历史生产数据,包括:
根据产品的历史最终生产数据确定第一样本数据,所述第一样本数据为历史最终生产数据的检验值满足预设条件的样本数据;
对所述第一样本数据进行密度估计,得到密度曲线,并根据预设的概率阈值和所述密度曲线确定出所述第一样本数据中存在异常趋势的样本数据,将所述第一样本数据中存在异常趋势的样本数据剔除得到第二样本数据;
将与所述第二样本数据对应的产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据确定为所述产品的正常历史生产数据。
可选的,构成所述密度曲线的密度函数估计量fm,n(x)为:
其中,Pk,m-1(x)为二项概率,m为多项式的阶,n为所述第一样本数据的数量;
I为示性函数,xi≤x时I取值为1,否则I取值为0,xi为所述第一样本数据。
第二方面,本谁请提供一种复合生产工艺过程监控装置,包括:
获取模块,用于获取所述复合生产工艺过程中的第一分支生产过程的加工材料和生产数据,所述加工材料包括M个原材料和/或N个中间品,所述第一分支生产过程为当前已完成的分支生产过程,所述M和N为正整数;
检测模块,用于通过记忆自编码器模型对所述第一分支生产过程的加工材料和生产数据进行检测,所述记忆自编码器模型根据产品的正常历史生产数据训练得到,所述产品的正常历史生产数据包括产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据;
处理模块,用于若所述记忆自编码器模型输出的生产数据与所述第一分支生产过程的生产数据之间的误差大于预设阈值,则确定所述第一分支生产过程的生产数据异常,进行报警。
可选的,所述检测模块用于:
对所述第一分支生产过程的加工材料进行独热编码处理;
对独热编码处理后的加工材料进行嵌入性降维,得到所述第一分支生产过程的特征材料;
将所述第一分支生产过程的特征材料和所述第一分支生产过程的生产数据输入到所述记忆自编码器模型进行检测。
可选的,所述装置还包括:
模型训练模块,用于根据产品的正常历史生产数据训练记忆自编码器,得到所述记忆自编码器模型。
可选的,所述模型训练模块用于:
对产品在复合生产工艺过程中的每个分支生产过程的加工材料进行独热编码处理;
对每个分支生产过程对应的独热编码处理后的加工材料进行嵌入性降维,得到每个分支生产过程的特征材料;
根据每个分支生产过程的特征材料和每个分支生产过程的生产数据训练记忆自编码器。
可选的,所述装置还包括:
确定模块,用于根据产品的历史最终生产数据确定所述产品的正常历史生产数据。
可选的,所述确定模块用于:
根据产品的历史最终生产数据确定第一样本数据,所述第一样本数据为历史最终生产数据的检验值满足预设条件的样本数据;
对所述第一样本数据进行密度估计,得到密度曲线,并根据预设的概率阈值和所述密度曲线确定出所述第一样本数据中存在异常趋势的样本数据,将所述第一样本数据中存在异常趋势的样本数据剔除得到第二样本数据;
将与所述第二样本数据对应的产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据确定为所述产品的正常历史生产数据。
可选的,构成所述密度曲线的密度函数估计量fm,n(x)为:
其中,Pk,m-1(x)为二项概率,m为多项式的阶,n为所述第一样本数据的数量;
I为示性函数,xi≤x时I取值为1,否则I取值为0,xi为所述第一样本数据。
上述第二方面以及上述第二方面的各可选的方式中所提供的查找目标人员的装置,其有益效果可以参见上述第一方面和第一方面的各可能的实施方式所带来的有益效果,在此不再赘述。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为一种复合生产工艺过程的流程示意图;
图2为本申请提供的一种复合生产工艺过程监控方法实施例的流程图;
图3为本申请提供的一种密度曲线的示意图;
图4为一种复合生产工艺过程的流程示意图;
图5为本申请提供的一种复合生产工艺过程监控方法实施例的流程图;
图6为记忆自编码器训练过程示意图;
图7为本申请提供的一种复合生产工艺过程监控装置实施例的结构示意图;
图8为本申请提供的一种复合生产工艺过程监控装置实施例的结构示意图;
图9为本申请提供的一种复合生产工艺过程监控装置实施例的结构示意图;
图10为根据本申请实施例的执行复合生产工艺过程监控方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明,本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或方案不应被解释为比其它实施例或方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在工业制造生产过程中,产品的异常监控通常是通过产品的质检结果来判断,如果产品的当前检验值在预设的范围内,则产品是合格的,如果当前检验值超出预设的范围,则产品异常,在监测出产品异常时,再对生产工序的某些环节进行调整。然而,对于生产工序复杂并且质检比较费时费力的生产过程来说,这种通过质检结果反馈预警的方法具有一定的滞后性,即当生产工序的某一步骤出了问题时,并不能针对该步骤及时进行预警,只有当整个生产工序完成,且产品质检完成之后才能预警,因此会造成成本的增加和原材料的浪费。为解决这一问题,本申请提供一种复合生产工艺过程监控方法及装置,每完成一个分支生产过程,获取当前分支生产过程的加工材料和生产数据,然后通过预先根据产品的正常历史生产数据训练得到的记忆自编码器模型,对当前分支生产过程的加工材料和生产数据进行检测,若记忆自编码器模型输出的生产数据与当前分支生产过程的生产数据之间的误差大于预设阈值,则确定当前分支生产过程的生产数据异常,进行报警,从而可实现每完成一个分支生产过程就进行实时预警,避免原材料的浪费,节约成本。下面结合附图详细说明本申请的技术方案。
下面结合图1说明本申请的应用场景,图1为一种复合生产工艺过程的流程示意图,如图1所示的复合生产工艺过程,从原材料加工到得到最终产品,一共有4个分支生产过程,第一个分支生产过程的加工材料为原材料1和原材料2,得到中间品1,第一个分支生产过程的生产数据为中间品1的相关数据;第二个分支生产过程的加工材料为原材料1、原材料4和中间品1,得到中间品2,第二个分支生产过程的生产数据为中间品2的相关数据;第三个分支生产过程的加工材料为原材料1、原材料2和原材料4,得到中间品3,第三个分支生产过程的生产数据为中间品3的相关数据;第四个分支生产过程的加工材料为中间品2和中间品3,得到最终产品,第四个分支生产过程的生产数据为最终产品的相关数据。每个分支生产过程都对应有功率、温度和压强等设备参数,可以理解的是,每个分支生产过程的设备参数可以相同,也可以不同。对于复合生产工艺过程,由于存在多个不同的分支生产过程,如何实现对每一个分支生产过程的生产数据进行异常监控,是本申请要解决的问题。
图2为本申请提供的一种复合生产工艺过程监控方法实施例的流程图,如图2所示,本实施例的方法可以包括:
S101、获取复合生产工艺过程中的第一分支生产过程的加工材料和生产数据,加工材料包括M个原材料和/或N个中间品,第一分支生产过程为当前已完成的分支生产过程,M和N为正整数。
具体来说,检测到每完成一个分支生产过程,获取当前分支生产过程的加工材料和生产数据,加工材料可以是M个原材料,可以是N个中间品,还可以是M个原材料和N个中间品。
S102、通过记忆自编码器模型对第一分支生产过程的加工材料和生产数据进行检测,记忆自编码器模型根据产品的正常历史生产数据训练得到,产品的正常历史生产数据包括产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据。
具体来说,记忆自编码器模型是根据产品的正常历史生产数据训练得到的,以产品的正常历史生产数据作为样本数据,训练记忆自编码器,从而得到记忆自编码器模型,由于记忆自编码器模型是产品的正常历史生产数据作为样本数据训练得到的,因此可检测出异常的生产数据。其中,产品的正常历史生产数据包括产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据,生产数据为中间品或者最终产品的相关数据,例如对于橡胶的密炼过程,橡胶胶料的熔点为生产数据。
作为一个一种可实施的方式,通过记忆自编码器模型对第一分支生产过程的加工材料和生产数据进行检测,可以包括:
S1021、对第一分支生产过程的加工材料进行独热编码处理。
具体地,独热编码是指One-Hot编码,若存在某种加工材料则对应编码为“1”,若不存在某种加工材料,则对应编码为“0”。
S1022、对独热编码处理后的加工材料进行嵌入性降维,得到第一分支生产过程的特征材料。
具体地,例如加工材料为原材料1、原材料2和中间品1,复合生产工艺过程总涉及到的加工材料包括:原材料1、原材料2、原材料3、中间品1和中间品2,则对该加工材料进行独热编码处理后得到独热编码处理后的加工材料为“11010”,接着对独热编码处理后的加工材料进行嵌入性降维,例如预设的降维后的维度为2,则根据“11010”和降维后的维度2与相应的嵌入性降维计算公式可得到该生产过程的特征材料,例如计算出的对应的特征材料1为0.428,特征材料2为0.258。需要说明的是,降维后的维度与特征材料的个数对应。
S1023、将第一分支生产过程的特征材料和第一分支生产过程的生产数据输入到记忆自编码器模型进行检测。
S103、若记忆自编码器模型输出的生产数据与第一分支生产过程的生产数据之间的误差大于预设阈值,则确定第一分支生产过程的生产数据异常,进行报警。
本实施例中,记忆自编码器模型是根据产品的正常历史生产数据训练得到的,作为一种可实施的方式,在S101之前,本实施例的方法还包括:
S104、根据产品的正常历史生产数据训练记忆自编码器,得到记忆自编码器模型。
具体地,根据产品的正常历史生产数据训练记忆自编码器,可以包括:
S1041、对产品在复合生产工艺过程中的每个分支生产过程的加工材料进行独热编码处理。
S1042、对每个分支生产过程对应的独热编码处理后的加工材料进行嵌入性降维,得到每个分支生产过程的特征材料。
S1043、根据每个分支生产过程的特征材料和每个分支生产过程的生产数据训练记忆自编码器。
进一步地,对于产品的历史最终生产数据,需要根据产品的历史最终生产数据确定出产品的正常历史生产数据,本实施例的方法在S104之前,还可以包括:
S105、根据产品的历史最终生产数据确定产品的正常历史生产数据。
具体地,S105中根据产品的历史最终生产数据确定产品的正常历史生产数据,可以包括:
S1051、根据产品的历史最终生产数据确定第一样本数据,第一样本数据为历史最终生产数据的检验值满足预设条件的样本数据。
具体来说,历史最终生产数据即为最终产品的相关数据,以橡胶的熔点为例,历史最终生产数据即为最终得到的橡胶的熔点。将预设个数的产品的历史最终生产数据作为初始的样本数据,首先要从初始的样本数据中确定出检验值满足预设条件的样本数据,预设条件可以为质检标注,即质检的检验值满足质检标准的样本数据为第一样本数据,可以理解的是,第一样本数据是多个。
S1052、对第一样本数据进行密度估计,得到密度曲线,并根据预设的概率阈值和密度曲线确定出第一样本数据中存在异常趋势的样本数据,将第一样本数据中存在异常趋势的样本数据剔除得到第二样本数据。
经过S1052中将存在异常趋势的样本数据剔除,得到的第二样本数据即为正常的样本数据。
S1053、将与第二样本数据对应的产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据确定为产品的正常历史生产数据。
需要说明的是,S1051-S1052是通过最终产品的相关数据作为样本数据确定出正常的样本数据,本实施例中假设最终产品的相关数据是正常的,则对应的该产品的每个分支生产过程中生产数据也是正常的。得到第二样本数据后,将与第二样本数据对应的每个分支生产过程的加工材料和生产数据确定为产品的正常历史生产数据。
可选的,构成密度曲线的密度函数估计量fm,n(x)为:
其中,Pk,m-1(x)为二项概率,m为多项式的阶,n为第一样本数据的数量;
I为示性函数,xi≤x时I取值为1,否则I取值为0,xi为第一样本数据。
可以理解的是,在进行密度估计时,还可以采用其它的密度函数进行密度估计。
以生产数据为胶料熔点和上述密度函数估计量fm,n(x)为例,对第一样本数据进行密度估计,得到密度曲线,图3为本申请提供的一种密度曲线的示意图,横轴x为胶料熔点。预设的概率阈值为上溢概率阈值和下溢概率各为0.001,进行异常值剔除。例如在图3中,设P(x<x1)=0.001,P(x>x2)=0.001,则当检测出的胶料的熔点范围落在(0,x1]∪[x2,+∞)区间时,认为是存在异常趋势的样本数据,进行剔除。
本实施例提供的复合生产工艺过程监控方法,通过每完成一个分支生产过程,获取当前分支生产过程的加工材料和生产数据,然后通过预先根据产品的正常历史生产数据训练得到的记忆自编码器模型,对当前分支生产过程的加工材料和生产数据进行检测,若记忆自编码器模型输出的生产数据与当前分支生产过程的生产数据之间的误差大于预设阈值,则确定当前分支生产过程的生产数据异常,进行报警,从而可实现每完成一个分支生产过程就进行实时预警,避免原材料的浪费,节约成本。
下面采用一个具体的实施例,对图2所示的实施例进行详细的说明。
图4为一种复合生产工艺过程的流程示意图,如图4所示,图5为本申请提供的一种复合生产工艺过程监控方法实施例的流程图,结合图4和图5所示,本实施例的方法可以包括:
S201、根据产品的历史最终生产数据确定第一样本数据,第一样本数据为历史最终生产数据的检验值满足预设条件的样本数据。
具体来说,历史最终生产数据即为最终产品的相关数据,以橡胶的熔点为例,历史最终生产数据即为最终得到的橡胶的熔点。将预设个数的产品的历史最终生产数据作为初始的样本数据,首先要从初始的样本数据中确定出检验值满足预设条件的样本数据,预设条件可以为质检标注,即质检的检验值满足质检标准的样本数据为第一样本数据,可以理解的是,第一样本数据是多个。
S202、对第一样本数据进行密度估计,得到密度曲线,并根据预设的概率阈值和密度曲线确定出第一样本数据中存在异常趋势的样本数据,将第一样本数据中存在异常趋势的样本数据剔除得到第二样本数据。
其中,可选的,本实施例中构成密度曲线的密度函数估计量fm,n(x)为:
其中,Pk,m-1(x)为二项概率,m为多项式的阶,n为第一样本数据的数量;
I为示性函数,xi≤x时I取值为1,否则I取值为0,xi为第一样本数据。
S203、将与第二样本数据对应的产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据确定为产品的正常历史生产数据。
S201-S202中过最终产品的相关数据作为样本数据确定出正常的样本数据,本实施例中假设最终产品的相关数据是正常的,则对应的该产品的每个分支生产过程中生产数据也是正常的。得到第二样本数据后,将与第二样本数据对应的每个分支生产过程的加工材料和生产数据确定为产品的正常历史生产数据。
S204、根据产品的正常历史生产数据训练记忆自编码器,得到记忆自编码器模型。
具体地,产品的正常历史生产数据包括产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据。
S204可以包括:
S2041、首先,对产品在复合生产工艺过程中的每个分支生产过程的加工材料进行独热编码处理。以图4所示的复合生产工艺过程为例,图4中所示有4个分支生产过程,分支生产过程1的加工材料为原材料1、原材料2和原材料3,分支生产过程1的生产数据为中间品1的相关数据,例如以熔点为例,分支生产过程1的生产数据为中间品1的熔点;分支生产过程2的加工材料为中间品1、原材料2、原材料3和原材料4,分支生产过程2的生产数据为中间品2的相关数据;分支生产过程3的加工材料为原材料2、原材料5、原材料3和原材料4,分支生产过程3的生产数据为中间品3的相关数据;分支生产过程4的加工材料为中间品3、原材料1和中间品2,分支生产过程4的生产数据为最终产品的相关数据。如下表一为对图4所示的分支生产过程1、分支生产过程2和分支生产过程3进行独热编码处理后的结果:
表一 独热编码处理后的结果
S2042、对每个分支生产过程对应的独热编码处理后的加工材料进行嵌入性降维,得到每个分支生产过程的特征材料。
具体地,根据预设的降维后的维度和与相应的嵌入性降维计算公式对每个分支生产过程对应的独热编码处理后的加工材料进行嵌入性降维,得到每个分支生产过程的特征材料,表二为嵌入性降维后分支生产过程1、分支生产过程2和分支生产过程3的特征材料,降维后的维度为2,因此每一分支生产过程对应有2个特征材料。
表二
特征材料1 | 特征材料2 | |
分支生产过程1 | 0.428 | 0.258 |
分支生产过程2 | 0.513 | 0.352 |
分支生产过程3 | 0.323 | 0.127 |
如表二所示,降维后的特征材料不是0或1,而是更加丰富的浮点型数字,解决了特征的稀疏性问题。
S2043、根据每个分支生产过程的特征材料和每个分支生产过程的生产数据训练记忆自编码器。
下面以橡胶的密炼过程为例说明训练记忆自编码器的过程,在实际应用中采用全连接层进行编码和解码,数据集的特征维度为501,编码采用的结构为全连接(FC)(501,240)-FC(240,120)-FC(120,60)-FC(60,30)-FC(30,10)-FC(10,3),解码结构为FC(3,10)-FC(10,30)-FC(30,60)-FC(60,120)-FC(120,240)-FC(240,501)同时引入记忆单元,可以保证异常样本的重建误差较大,避免漏报警的情况出现。
图6为记忆自编码器训练过程示意图,如图6所示,首先,在编码器与解码器中间添加一个记忆单元,以最小化重建误差为目标训练模型,训练完成后,记忆单元记住的是正常样本的编码特征。
接着,样本输入后,对每个编码后的向量,计算该向量与记忆单元中每个元素的相似度,再用softmax归一化权重,设mi为记忆单元M的第i个行向量,则权重wi为:
其中,
其中,mi为记忆单元M的第i个行向量,z为编码向量。
进一步对权重进行稀疏化,得到权重向量w′,利用新的权重向量w′对记忆单元M的行向量进行线性组合,生成新的编码向量z1,在本实施例中,记忆单元的数量例如取为100。
最后,对新的编码向量z1进行解码,由于记忆单元的存在,异常样本在解码时会偏向重构出正常样本,因此重建误差较大,会检测出异常。
以上S201-S204为记忆自编码器模型的训练过程,得到记忆自编码器模型后,可对实际生产过程中的每一个分支生产过程进行异常监控并报警,监控过程包括:
S205、获取复合生产工艺过程中的第一分支生产过程的加工材料和生产数据,加工材料包括M个原材料和/或N个中间品,第一分支生产过程为当前已完成的分支生产过程,M和N为正整数。
S206、通过记忆自编码器模型对第一分支生产过程的加工材料和生产数据进行检测,记忆自编码器模型根据产品的正常历史生产数据训练得到,产品的正常历史生产数据包括产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据。
S207、若记忆自编码器模型输出的生产数据与第一分支生产过程的生产数据之间的误差大于预设阈值,则确定第一分支生产过程的生产数据异常,进行报警。
S205-S207的具体过程可参见图2所示的S101-S103的描述,此处不再赘述。
图7为本申请提供的一种复合生产工艺过程监控装置实施例的结构示意图,如图7所示,本实施例的复合生产工艺过程监控装置100可以包括:获取模块101检测模块102和处理模块103其中,
获取模块101用于获取复合生产工艺过程中的第一分支生产过程的加工材料和生产数据,加工材料包括M个原材料和/或N个中间品,第一分支生产过程为当前已完成的分支生产过程,M和N为正整数;
检测模块102用于通过记忆自编码器模型对第一分支生产过程的加工材料和生产数据进行检测,记忆自编码器模型根据产品的正常历史生产数据训练得到,产品的正常历史生产数据包括产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据;
处理模块103用于若记忆自编码器模型输出的生产数据与第一分支生产过程的生产数据之间的误差大于预设阈值,则确定第一分支生产过程的生产数据异常,进行报警。
可选的,所述检测模块102用于:
对所述第一分支生产过程的加工材料进行独热编码处理;
对独热编码处理后的加工材料进行嵌入性降维,得到所述第一分支生产过程的特征材料;
将所述第一分支生产过程的特征材料和所述第一分支生产过程的生产数据输入到所述记忆自编码器模型进行检测。
本申请实施例提供的装置,可执行上述方法实施例,其具体实现原理和技术效果,可参见上述方法实施例,本实施例此处不再赘述。
图8为本申请提供的一种复合生产工艺过程监控装置实施例的结构示意图,如图8所示,本实施例的复合生产工艺过程监控装置200在图7所示装置的基础上,进一步地,还可以包括:模型训练模块104,其中,
该模型训练模块104用于根据产品的正常历史生产数据训练记忆自编码器,得到所述记忆自编码器模型。
可选的,所述模型训练模块104用于:
对产品在复合生产工艺过程中的每个分支生产过程的加工材料进行独热编码处理;
对每个分支生产过程对应的独热编码处理后的加工材料进行嵌入性降维,得到每个分支生产过程的特征材料;
根据每个分支生产过程的特征材料和每个分支生产过程的生产数据训练记忆自编码器。
本申请实施例提供的装置,可执行上述方法实施例,其具体实现原理和技术效果,可参见上述方法实施例,本实施例此处不再赘述。
图9为本申请提供的一种复合生产工艺过程监控装置实施例的结构示意图,如图9所示,本实施例的复合生产工艺过程监控装置300在图8所示装置的基础上,进一步地,还可以包括:确定模块105,该确定模块用于:
根据产品的历史最终生产数据确定第一样本数据,所述第一样本数据为历史最终生产数据的检验值满足预设条件的样本数据;
对所述第一样本数据进行密度估计,得到密度曲线,并根据预设的概率阈值和所述密度曲线确定出所述第一样本数据中存在异常趋势的样本数据,将所述第一样本数据中存在异常趋势的样本数据剔除得到第二样本数据;
将与所述第二样本数据对应的产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据确定为所述产品的正常历史生产数据。
可选的,构成所述密度曲线的密度函数估计量fm,n(x)为:
其中,Pk,m-1(x)为二项概率,m为多项式的阶,n为所述第一样本数据的数量;
I为示性函数,xi≤x时I取值为1,否则I取值为0,xi为所述第一样本数据。
本申请实施例提供的装置,可执行上述方法实施例,其具体实现原理和技术效果,可参见上述方法实施例,本实施例此处不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图10所示,图10为根据本申请实施例的执行复合生产工艺过程监控方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图10所示,该电子设备包括:一个或多个处理器201、存储器202,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图10中以一个处理器201为例。
存储器202即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的复合生产工艺过程监控方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的复合生产工艺过程监控方法。
存储器202作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的复合生产工艺过程监控方法对应的程序指令/模块(例如,附图7所示的获取模块101检测模块102和处理模块103)。处理器201通过运行存储在存储器202中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的复合生产工艺过程监控方法。
存储器202可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据复合生产工艺过程监控装置的电子设备的使用所创建的数据等。此外,存储器202可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器202可选包括相对于处理器201远程设置的存储器,这些远程存储器可以通过网络连接至执行复合生产工艺过程监控方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
执行复合生产工艺过程监控方法的电子设备还可以包括:输入装置203和输出装置204。处理器201、存储器202、输入装置203和输出装置204可以通过总线或者其他方式连接,图2中以通过总线连接为例。
输入装置203可接收输入的数字或字符信息,以及产生与执行复合生产工艺过程监控方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置204可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,可实现每完成一个分支生产过程就进行实时预警,避免原材料的浪费,节约成本。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (15)
1.一种复合生产工艺过程监控方法,其特征在于,包括:
获取所述复合生产工艺过程中的第一分支生产过程的加工材料和生产数据,所述加工材料包括M个原材料和/或N个中间品,所述第一分支生产过程为当前已完成的分支生产过程,所述M和N为正整数;
通过记忆自编码器模型对所述第一分支生产过程的加工材料和生产数据进行检测,所述记忆自编码器模型根据产品的正常历史生产数据训练得到,所述产品的正常历史生产数据包括产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据,所述生产数据为所述中间品或者最终产品的相关数据;
若所述记忆自编码器模型输出的生产数据与所述第一分支生产过程的生产数据之间的误差大于预设阈值,则确定所述第一分支生产过程的生产数据异常,进行报警;
所述方法还包括:
所述根据产品的历史最终生产数据确定所述产品的正常历史生产数据。
2.根据权利要求1所述的方法,其特征在于,所述通过记忆自编码器模型对所述第一分支生产过程的加工材料和生产数据进行检测,包括:
对所述第一分支生产过程的加工材料进行独热编码处理;
对独热编码处理后的加工材料进行嵌入性降维,得到所述第一分支生产过程的特征材料;
将所述第一分支生产过程的特征材料和所述第一分支生产过程的生产数据输入到所述记忆自编码器模型进行检测。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
根据产品的正常历史生产数据训练记忆自编码器,得到所述记忆自编码器模型。
4.根据权利要求3所述的方法,其特征在于,所述根据产品的正常历史生产数据训练记忆自编码器,包括:
对产品在复合生产工艺过程中的每个分支生产过程的加工材料进行独热编码处理;
对每个分支生产过程对应的独热编码处理后的加工材料进行嵌入性降维,得到每个分支生产过程的特征材料;
根据每个分支生产过程的特征材料和每个分支生产过程的生产数据训练记忆自编码器。
5.根据权利要求1所述的方法,其特征在于,所述根据产品的历史最终生产数据确定所述产品的正常历史生产数据,包括:
根据产品的历史最终生产数据确定第一样本数据,所述第一样本数据为历史最终生产数据的检验值满足预设条件的样本数据;
对所述第一样本数据进行密度估计,得到密度曲线,并根据预设的概率阈值和所述密度曲线确定出所述第一样本数据中存在异常趋势的样本数据,将所述第一样本数据中存在异常趋势的样本数据剔除得到第二样本数据;
将与所述第二样本数据对应的产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据确定为所述产品的正常历史生产数据。
6.根据权利要求5所述的方法,其特征在于,构成所述密度曲线的密度函数估计量fm,n(x)为:
其中,Pk,m-1(x)为二项概率,m为多项式的阶,n为所述第一样本数据的数量;
I为示性函数,xi≤x时I取值为1,否则I取值为0,xi为所述第一样本数据。
7.一种复合生产工艺过程监控装置,其特征在于,包括:
获取模块,用于获取所述复合生产工艺过程中的第一分支生产过程的加工材料和生产数据,所述加工材料包括M个原材料和/或N个中间品,所述第一分支生产过程为当前已完成的分支生产过程,所述M和N为正整数;
检测模块,用于通过记忆自编码器模型对所述第一分支生产过程的加工材料和生产数据进行检测,所述记忆自编码器模型根据产品的正常历史生产数据训练得到,所述产品的正常历史生产数据包括产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据,所述生产数据为所述中间品或者最终产品的相关数据;
处理模块,用于若所述记忆自编码器模型输出的生产数据与所述第一分支生产过程的生产数据之间的误差大于预设阈值,则确定所述第一分支生产过程的生产数据异常,进行报警;
所述装置还包括:
确定模块,用于根据产品的历史最终生产数据确定所述产品的正常历史生产数据。
8.根据权利要求7所述的装置,其特征在于,所述检测模块用于:
对所述第一分支生产过程的加工材料进行独热编码处理;
对独热编码处理后的加工材料进行嵌入性降维,得到所述第一分支生产过程的特征材料;
将所述第一分支生产过程的特征材料和所述第一分支生产过程的生产数据输入到所述记忆自编码器模型进行检测。
9.根据权利要求7或8所述的装置,其特征在于,所述装置还包括:
模型训练模块,用于根据产品的正常历史生产数据训练记忆自编码器,得到所述记忆自编码器模型。
10.根据权利要求9所述的装置,其特征在于,所述模型训练模块用于:
对产品在复合生产工艺过程中的每个分支生产过程的加工材料进行独热编码处理;
对每个分支生产过程对应的独热编码处理后的加工材料进行嵌入性降维,得到每个分支生产过程的特征材料;
根据每个分支生产过程的特征材料和每个分支生产过程的生产数据训练记忆自编码器。
11.根据权利要求7所述的装置,其特征在于,所述确定模块用于:
根据产品的历史最终生产数据确定第一样本数据,所述第一样本数据为历史最终生产数据的检验值满足预设条件的样本数据;
对所述第一样本数据进行密度估计,得到密度曲线,并根据预设的概率阈值和所述密度曲线确定出所述第一样本数据中存在异常趋势的样本数据,将所述第一样本数据中存在异常趋势的样本数据剔除得到第二样本数据;
将与所述第二样本数据对应的产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据确定为所述产品的正常历史生产数据。
12.根据权利要求11所述的装置,其特征在于,构成所述密度曲线的密度函数估计量fm,n(x)为:
其中,Pk,m-1(x)为二项概率,m为多项式的阶,n为所述第一样本数据的数量;
I为示性函数,xi≤x时I取值为1,否则I取值为0,xi为所述第一样本数据。
13.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
15.一种复合生产工艺过程监控方法,其特征在于,包括:
获取所述复合生产工艺过程中的第一分支生产过程的加工材料和生产数据,所述加工材料包括M个原材料和/或N个中间品,所述第一分支生产过程为当前已完成的分支生产过程,所述M和N为正整数;
通过记忆自编码器模型对所述第一分支生产过程的加工材料和生产数据进行检测,所述记忆自编码器模型根据产品的正常历史生产数据训练得到,所述产品的正常历史生产数据包括产品在复合生产工艺过程中的每个分支生产过程的加工材料和生产数据,所述生产数据为所述中间品或者最终产品的相关数据;
若所述记忆自编码器模型输出的生产数据与所述第一分支生产过程的生产数据之间的误差大于预设阈值,则确定所述第一分支生产过程的生产数据异常;
所述方法还包括:
所述根据产品的历史最终生产数据确定所述产品的正常历史生产数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010043813.4A CN111241688B (zh) | 2020-01-15 | 2020-01-15 | 复合生产工艺过程监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010043813.4A CN111241688B (zh) | 2020-01-15 | 2020-01-15 | 复合生产工艺过程监控方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111241688A CN111241688A (zh) | 2020-06-05 |
CN111241688B true CN111241688B (zh) | 2023-08-25 |
Family
ID=70866962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010043813.4A Active CN111241688B (zh) | 2020-01-15 | 2020-01-15 | 复合生产工艺过程监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111241688B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779850A (zh) * | 2021-09-28 | 2021-12-10 | 上海航空工业(集团)有限公司 | 复合材料结构模型的检测方法、检测装置、设备和介质 |
Citations (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2301117A1 (de) * | 1972-01-11 | 1973-07-19 | Cellophane Sa | Verfahren und vorrichtung zur kontinuierlichen schichtstoffherstellung |
US6127948A (en) * | 1998-06-17 | 2000-10-03 | Gurley Precision Instruments, Inc. | Bidirectional synthesis of pseudorandom sequences for arbitrary encoding resolutions |
US7702631B1 (en) * | 2006-03-14 | 2010-04-20 | Google Inc. | Method and system to produce and train composite similarity functions for product normalization |
JP2012238284A (ja) * | 2011-05-13 | 2012-12-06 | Hitachi Ltd | 生産計画作成システム及び生産計画作成方法 |
CN203080364U (zh) * | 2012-12-28 | 2013-07-24 | 厦门文仪电脑材料有限公司 | 复合机在线质量监控系统 |
WO2014201552A1 (en) * | 2013-06-20 | 2014-12-24 | University Of Manitoba | Closed loop simulation of a computer model of a physical system and an actual real-time hardware component of the physical system |
WO2015038162A1 (en) * | 2013-09-16 | 2015-03-19 | Landmark Graphics Corporation | Pseudo phase production simulation: a signal processing approach to assess quasi-multiphase flow production via successive analogous step-function relative permeability controlled models in reservoir flow simulation in order to rank multiple petro-physical realizations |
WO2016089978A2 (en) * | 2014-12-02 | 2016-06-09 | Fair Isaac Corporation | Auto-encoder enhanced self-diagnostic components for model monitoring |
CN105718754A (zh) * | 2016-03-09 | 2016-06-29 | 中国石油大学(北京) | 一种炼化过程参数动态报警阈值的生成方法及装置 |
WO2016138863A1 (zh) * | 2015-03-02 | 2016-09-09 | 北京嘀嘀无限科技发展有限公司 | 一种订单配对系统及方法 |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
WO2018045021A1 (en) * | 2016-09-01 | 2018-03-08 | Goldman Sachs & Co. LLC | Systems and methods for learning and predicting time-series data using deep multiplicative networks |
CN108287782A (zh) * | 2017-06-05 | 2018-07-17 | 中兴通讯股份有限公司 | 一种多维数据异常检测方法及装置 |
CN108416439A (zh) * | 2018-02-09 | 2018-08-17 | 中南大学 | 基于变量加权深度学习的炼油过程产品预测方法和系统 |
CN108805015A (zh) * | 2018-04-26 | 2018-11-13 | 常州大学 | 加权卷积自编码长短期记忆网络人群异常检测方法 |
WO2018208360A2 (en) * | 2017-02-24 | 2018-11-15 | Washburn Newell R | Designing a formulation of a material with complex data processing |
CN109034140A (zh) * | 2018-09-13 | 2018-12-18 | 哈尔滨工业大学 | 基于深度学习结构的工业控制网络信号异常检测方法 |
EP3422517A1 (en) * | 2017-06-28 | 2019-01-02 | Siemens Aktiengesellschaft | A method for recognizing contingencies in a power supply network |
CN109146246A (zh) * | 2018-05-17 | 2019-01-04 | 清华大学 | 一种基于自动编码器和贝叶斯网络的故障检测方法 |
CN109145595A (zh) * | 2018-07-31 | 2019-01-04 | 顺丰科技有限公司 | 一种用户异常行为检测系统、方法、设备及存储介质 |
CN109408552A (zh) * | 2018-08-08 | 2019-03-01 | 南京航空航天大学 | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 |
CN109492767A (zh) * | 2018-11-09 | 2019-03-19 | 济南浪潮高新科技投资发展有限公司 | 一种应用于无监督领域基于自编码器的异常检测方法 |
WO2019062317A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用程序管控方法及电子设备 |
CN109581871A (zh) * | 2018-12-03 | 2019-04-05 | 北京工业大学 | 免疫对抗样本的工业控制系统入侵检测方法 |
CN109711714A (zh) * | 2018-12-24 | 2019-05-03 | 浙江大学 | 基于并联长短期记忆网络的制造装配产品质量预测方法 |
CN110096810A (zh) * | 2019-05-05 | 2019-08-06 | 中南大学 | 一种基于逐层数据扩充深度学习的工业过程软测量方法 |
CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
CN110245781A (zh) * | 2019-05-14 | 2019-09-17 | 贵州科学院 | 基于自编码器的极限学习机在工业生产预测的建模应用 |
CN110262397A (zh) * | 2019-06-24 | 2019-09-20 | 北京理工大学 | 车铣加工空间螺旋次摆线运动轨迹及瞬时切削力预测模型 |
CN110266002A (zh) * | 2019-06-20 | 2019-09-20 | 北京百度网讯科技有限公司 | 用于预测电力负荷的方法和装置 |
CN110334728A (zh) * | 2019-05-06 | 2019-10-15 | 中国联合网络通信集团有限公司 | 一种面向工业互联网的故障预警方法及装置 |
CN110674281A (zh) * | 2019-12-05 | 2020-01-10 | 北京百度网讯科技有限公司 | 人机对话及人机对话模型获取方法、装置及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160350879A1 (en) * | 2014-01-29 | 2016-12-01 | Quipip, Llc | Devices, systems, methods and apparatus for obtaining, presenting and using comparative performance data for batches produced in a production facility in a closed-loop production management system |
US10671938B2 (en) * | 2016-01-27 | 2020-06-02 | Bonsai AI, Inc. | Artificial intelligence engine configured to work with a pedagogical programming language to train one or more trained artificial intelligence models |
WO2018045336A1 (en) * | 2016-09-02 | 2018-03-08 | PFFA Acquisition LLC | Database and system architecture for analyzing multiparty interactions |
-
2020
- 2020-01-15 CN CN202010043813.4A patent/CN111241688B/zh active Active
Patent Citations (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2301117A1 (de) * | 1972-01-11 | 1973-07-19 | Cellophane Sa | Verfahren und vorrichtung zur kontinuierlichen schichtstoffherstellung |
US6127948A (en) * | 1998-06-17 | 2000-10-03 | Gurley Precision Instruments, Inc. | Bidirectional synthesis of pseudorandom sequences for arbitrary encoding resolutions |
US7702631B1 (en) * | 2006-03-14 | 2010-04-20 | Google Inc. | Method and system to produce and train composite similarity functions for product normalization |
JP2012238284A (ja) * | 2011-05-13 | 2012-12-06 | Hitachi Ltd | 生産計画作成システム及び生産計画作成方法 |
CN203080364U (zh) * | 2012-12-28 | 2013-07-24 | 厦门文仪电脑材料有限公司 | 复合机在线质量监控系统 |
WO2014201552A1 (en) * | 2013-06-20 | 2014-12-24 | University Of Manitoba | Closed loop simulation of a computer model of a physical system and an actual real-time hardware component of the physical system |
WO2015038162A1 (en) * | 2013-09-16 | 2015-03-19 | Landmark Graphics Corporation | Pseudo phase production simulation: a signal processing approach to assess quasi-multiphase flow production via successive analogous step-function relative permeability controlled models in reservoir flow simulation in order to rank multiple petro-physical realizations |
WO2016089978A2 (en) * | 2014-12-02 | 2016-06-09 | Fair Isaac Corporation | Auto-encoder enhanced self-diagnostic components for model monitoring |
WO2016138863A1 (zh) * | 2015-03-02 | 2016-09-09 | 北京嘀嘀无限科技发展有限公司 | 一种订单配对系统及方法 |
CN105718754A (zh) * | 2016-03-09 | 2016-06-29 | 中国石油大学(北京) | 一种炼化过程参数动态报警阈值的生成方法及装置 |
WO2018045021A1 (en) * | 2016-09-01 | 2018-03-08 | Goldman Sachs & Co. LLC | Systems and methods for learning and predicting time-series data using deep multiplicative networks |
WO2018208360A2 (en) * | 2017-02-24 | 2018-11-15 | Washburn Newell R | Designing a formulation of a material with complex data processing |
CN108287782A (zh) * | 2017-06-05 | 2018-07-17 | 中兴通讯股份有限公司 | 一种多维数据异常检测方法及装置 |
EP3422517A1 (en) * | 2017-06-28 | 2019-01-02 | Siemens Aktiengesellschaft | A method for recognizing contingencies in a power supply network |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
WO2019062317A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用程序管控方法及电子设备 |
CN108416439A (zh) * | 2018-02-09 | 2018-08-17 | 中南大学 | 基于变量加权深度学习的炼油过程产品预测方法和系统 |
CN108805015A (zh) * | 2018-04-26 | 2018-11-13 | 常州大学 | 加权卷积自编码长短期记忆网络人群异常检测方法 |
CN109146246A (zh) * | 2018-05-17 | 2019-01-04 | 清华大学 | 一种基于自动编码器和贝叶斯网络的故障检测方法 |
CN109145595A (zh) * | 2018-07-31 | 2019-01-04 | 顺丰科技有限公司 | 一种用户异常行为检测系统、方法、设备及存储介质 |
CN109408552A (zh) * | 2018-08-08 | 2019-03-01 | 南京航空航天大学 | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 |
CN109034140A (zh) * | 2018-09-13 | 2018-12-18 | 哈尔滨工业大学 | 基于深度学习结构的工业控制网络信号异常检测方法 |
CN109492767A (zh) * | 2018-11-09 | 2019-03-19 | 济南浪潮高新科技投资发展有限公司 | 一种应用于无监督领域基于自编码器的异常检测方法 |
CN109581871A (zh) * | 2018-12-03 | 2019-04-05 | 北京工业大学 | 免疫对抗样本的工业控制系统入侵检测方法 |
CN109711714A (zh) * | 2018-12-24 | 2019-05-03 | 浙江大学 | 基于并联长短期记忆网络的制造装配产品质量预测方法 |
CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
CN110096810A (zh) * | 2019-05-05 | 2019-08-06 | 中南大学 | 一种基于逐层数据扩充深度学习的工业过程软测量方法 |
CN110334728A (zh) * | 2019-05-06 | 2019-10-15 | 中国联合网络通信集团有限公司 | 一种面向工业互联网的故障预警方法及装置 |
CN110245781A (zh) * | 2019-05-14 | 2019-09-17 | 贵州科学院 | 基于自编码器的极限学习机在工业生产预测的建模应用 |
CN110266002A (zh) * | 2019-06-20 | 2019-09-20 | 北京百度网讯科技有限公司 | 用于预测电力负荷的方法和装置 |
CN110262397A (zh) * | 2019-06-24 | 2019-09-20 | 北京理工大学 | 车铣加工空间螺旋次摆线运动轨迹及瞬时切削力预测模型 |
CN110674281A (zh) * | 2019-12-05 | 2020-01-10 | 北京百度网讯科技有限公司 | 人机对话及人机对话模型获取方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于长短期记忆网络的客流预测模型研究;王月;陈健;杜渂;;电信快报(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111241688A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380098B (zh) | 一种时序异常检测方法、装置、计算机设备及存储介质 | |
CN109902832B (zh) | 机器学习模型的训练方法、异常预测方法及相关装置 | |
CN111902781B (zh) | 用于控制系统的设备和方法 | |
CN111784663B (zh) | 零部件的检测方法、装置、电子设备及存储介质 | |
CN111046257B (zh) | 一种会话推荐方法、装置以及电子设备 | |
CN107766299A (zh) | 数据指标异常的监控方法及其系统、存储介质、电子设备 | |
WO2012105980A1 (en) | Improving reliability in distributed environments | |
CN111241688B (zh) | 复合生产工艺过程监控方法及装置 | |
CN111666187B (zh) | 用于检测异常响应时间的方法和装置 | |
CN110991504A (zh) | 基于motcn-ae的多维时间序列异常值检测方法及系统 | |
CN115994630A (zh) | 基于多尺度自注意力的设备剩余使用寿命预测方法及系统 | |
CN111696095B (zh) | 用于检测物体表面缺陷的方法及装置 | |
Frumosu et al. | Online monitoring for error detection in vat photopolymerization | |
CN111665955B (zh) | 候选字符串的处理方法、装置、电子设备及存储介质 | |
CN117370857A (zh) | 一种水轮机调速器管理方法、装置、设备及存储介质 | |
CN109214544B (zh) | 寿命预测及维护决策方法和装置、以及存储介质、计算机 | |
CN111260498A (zh) | 工艺参数检测方法、装置、电子设备及可读存储介质 | |
CN116522750A (zh) | 一种瓦温预测与异常判定方法、装置、设备及介质 | |
CN113097093B (zh) | 用于翘曲度监测的方法和装置 | |
CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
CN113449062B (zh) | 轨迹处理方法、装置、电子设备和存储介质 | |
CN113112101B (zh) | 生产工艺过程的监测的方法和装置、电子设备、存储介质 | |
CN114692987A (zh) | 一种时序数据分析方法、装置、设备及存储介质 | |
CN114398228A (zh) | 一种设备资源使用情况的预测方法、装置及电子设备 | |
Sampedro et al. | 3d printer state monitoring mobile application through a deep learning approach |
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 |