CN111506038A - 一种麦芽监控巡检数据处理方法及系统 - Google Patents
一种麦芽监控巡检数据处理方法及系统 Download PDFInfo
- Publication number
- CN111506038A CN111506038A CN202010617940.0A CN202010617940A CN111506038A CN 111506038 A CN111506038 A CN 111506038A CN 202010617940 A CN202010617940 A CN 202010617940A CN 111506038 A CN111506038 A CN 111506038A
- Authority
- CN
- China
- Prior art keywords
- production
- state
- malt
- matrix
- monitoring
- 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
- GXCLVBGFBYZDAG-UHFFFAOYSA-N N-[2-(1H-indol-3-yl)ethyl]-N-methylprop-2-en-1-amine Chemical compound CN(CCC1=CNC2=C1C=CC=C2)CC=C GXCLVBGFBYZDAG-UHFFFAOYSA-N 0.000 title claims abstract description 306
- 238000012544 monitoring process Methods 0.000 title claims abstract description 304
- 238000007689 inspection Methods 0.000 title claims abstract description 136
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000004519 manufacturing process Methods 0.000 claims abstract description 578
- 238000012545 processing Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 340
- 230000004927 fusion Effects 0.000 claims description 67
- 238000012549 training Methods 0.000 claims description 37
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 8
- 238000010924 continuous production Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013024 troubleshooting Methods 0.000 abstract 1
- 238000012806 monitoring device Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及数据处理技术领域,涉及一种麦芽监控巡检数据处理方法及系统。本发明通过监测在设定持续时间段内与第一麦芽生产巡检节点在第一巡检监控方向相关联的第一麦芽监控数据序列以及与第二麦芽生产巡检节点在对应的第二巡检监控方向相关联的第二麦芽监控数据序列,然后基于预先配置的生产状态预测网络分别对第一麦芽监控数据序列中的生产状态和第二麦芽监控数据序列中的生产状态进行预测,从而通过人工智能分析存在关联生产巡检关系的生产状态集,确定与目标生产区域的预设生产过程问题相关的关联生产状态,并将关联生产状态与目标生产区域建立绑定关系,提高了排查效率,而且可以改善出现人工误判的情况,提高最终的分析结果的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种麦芽监控巡检数据处理方法及系统。
背景技术
在传统的麦芽监控巡检过程中,及时发现生产过程问题是一个关键的巡检步骤。随着信息化监控巡检的快速发展,可以通过远程监控数据来及时发现生产过程问题,但是由于一个生产过程问题无法通过单一的巡检监控方向准确把握,因此传统方案中往往需要相关的业务人员反复切换查看与该生产过程问题相关的各个麦芽监控数据,从而通过对生产状态进行分析来确定该生产过程问题相关的一系列关联生产状态的情况,然而此种方案不仅排查效率极低,而且极容易出现人工误判的情况,造成最终的分析结果准确性较低。
发明内容
为了至少克服现有技术中的上述不足,本公开的目的在于提供一种麦芽监控巡检数据处理方法及系统,通过人工智能分析存在关联生产巡检关系的生产状态集,从而确定与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系,由此不仅极大提高交通排查效率,而且可以改善出现人工误判的情况,提高最终的分析结果的准确性。
第一方面,本公开提供一种麦芽监控巡检数据处理方法,应用于麦芽监控服务器,所述麦芽监控服务器与多个麦芽监控区域的麦芽监控设备通信连接,所述方法包括:
获取所述麦芽监控设备所对应的第一麦芽生产巡检节点在第一巡检监控方向所对应的关联麦芽生产区域集,所述第一巡检监控方向为所述麦芽监控设备在所述第一麦芽生产巡检节点处监测到存在预设生产过程问题的目标生产区域时的巡检监控方向,所述关联麦芽生产区域集中包含至少一个第二麦芽生产巡检节点,每个第二麦芽生产巡检节点均在对应的第二巡检监控方向与所述第一麦芽生产巡检节点之间存在关联生产巡检关系,所述第二巡检监控方向为所述第一巡检监控方向的联动巡检监控方向;
从所述关联麦芽生产区域集的所述至少一个第二麦芽生产巡检节点中获取每个第二麦芽生产巡检节点,并监测在设定持续时间段内与所述第一麦芽生产巡检节点在所述第一巡检监控方向相关联的第一麦芽监控数据序列以及与所述第二麦芽生产巡检节点在对应的所述第二巡检监控方向相关联的第二麦芽监控数据序列;
基于预先配置的生产状态预测网络分别对所述第一麦芽监控数据序列中的生产状态和所述第二麦芽监控数据序列中的生产状态进行预测,分别获得所述第一麦芽监控数据序列中的第一生产状态集和所述第二麦芽监控数据序列中的第二生产状态集;
从所述第一生产状态集和所述第二生产状态集中确定与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系。
在第一方面的一种可能的实现方式中,所述基于预先配置的生产状态预测网络分别对所述第一麦芽监控数据序列中的生产状态和所述第二麦芽监控数据序列中的生产状态进行预测,分别获得所述第一麦芽监控数据序列中的第一生产状态集和所述第二麦芽监控数据序列中的第二生产状态集的步骤,包括:
基于预先配置的生产状态预测网络分别对所述第一麦芽监控数据序列中的生产状态和所述第二麦芽监控数据序列中的生产状态进行预测,得到所述第一麦芽监控数据序列中的生产状态输出信息和所述第二麦芽监控数据序列的生产状态输出信息,所述生产状态输出信息包括在不同监控数据类别中各个候选生产状态的置信度;
根据所述第一麦芽监控数据序列中的生产状态输出信息和所述第二麦芽监控数据序列的生产状态输出信息,选择置信度大于设定置信度的对应的候选生产状态构成的集分别作为所述第一麦芽监控数据序列中的第一生产状态集和所述第二麦芽监控数据序列中的第二生产状态集;
其中,所述生产状态预测网络通过如下方式训练得到:
获取训练样本集,所述训练样本集包括多个训练样本以及每个训练样本所对应的每个监控数据类别中的生产状态编辑内容;
基于预设卷积神经网络模型提取所述训练样本集中每个训练样本中每个监控数据类别中的数据特征向量,并将所述数据特征向量输入到分类层得到所述数据特征向量所对应的预测分类信息,其中,所述预设卷积神经网络模型包括多个与每个监控数据类别一一对应的卷积提取单元;
根据所述训练样本集中每个训练样本中每个监控数据类别的数据特征向量所对应的预测分类信息和生产状态编辑内容之间的损失函数值,调整所述预设卷积神经网络模型的模型参数后迭代进行训练,并在所述预设卷积神经网络模型达到训练结束条件时,输出训练得到的所述生产状态预测网络。
在第一方面的一种可能的实现方式中,所述从所述第一生产状态集和所述第二生产状态集中确定与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系的步骤,包括:
获取第一生产状态集与第二生产状态集中与所述目标生产区域的预设生产过程问题存在生产设备方面和/或生产工艺方面关联的生产状态预测区域,并根据所述生产状态预测区域构建所述第一生产状态集对应的第一状态矩阵以及构建所述第二生产状态集对应的第二状态矩阵,所述第一状态矩阵和所述第二状态矩阵分别包括多个不同状态表征值的状态矩阵单元,其中,所述状态表征值用于表示相关联的生产状态预测区域所对应的持续生产状态编辑内容,所述状态矩阵单元用于表示所述持续生产状态编辑内容相关的生产状态预测区域中的一个或者多个目标状态单位行;
提取所述第一生产状态集在所述第一状态矩阵的每个状态矩阵单元的问题状态对象,同时将所述第二状态矩阵中与生产状态预测区域所对应的相关状态表征值的状态矩阵单元确定为目标状态矩阵单元,并根据预设融合模型和所述第二生产状态集的行为特征向量集合将所述问题状态对象融合到所述目标状态矩阵单元,在所述目标状态矩阵单元中得到目标异常关联节点,并根据所述问题状态对象与所述目标异常关联节点之间的状态转移部分,生成所述第一生产状态集和所述第二生产状态集之间的问题生产状态数据;
以所述目标异常关联节点为目标在所述目标状态矩阵单元中获取第一问题矩阵行,根据所述问题生产状态数据对应的反向问题生产状态数据,将所述第一问题矩阵行融合到所述问题状态对象所在状态矩阵单元,在所述问题状态对象所在状态矩阵单元中得到所述第一问题矩阵行对应的第二问题矩阵行,并将所述第一问题矩阵行和所述第二问题矩阵行汇总为目标问题矩阵行;
获取所述问题状态对象融合到所述目标状态矩阵单元中的问题状态矩阵单元,并根据所述目标问题矩阵行与所述问题状态矩阵单元上的多个待遍历矩阵行对应的矩阵部分之间的重合度,在所述第二状态矩阵中依次获取所述目标问题矩阵行对应的关联状态矩阵行,直至获取到的所述关联状态矩阵行所在状态矩阵单元的单元标识与所述目标问题矩阵行在所述第一状态矩阵中的单元标识一致时,停止获取下一状态矩阵单元中的关联状态矩阵行,并确定所述目标问题矩阵行与每次获取到的关联状态矩阵行之间的共同生产状态,作为与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系。
在第一方面的一种可能的实现方式中,所述根据所述生产状态预测区域构建所述第一生产状态集对应的第一状态矩阵以及构建所述第二生产状态集对应的第二状态矩阵的步骤,包括:
获取所述第一生产状态集中每个生产状态特征信息的第一特征标识和所述第二生产状态集中每个生产状态特征信息的第二特征标识;
根据所述第一特征标识所预先对应的第一关联访问配置文件构建所述第一生产状态集对应的所述第一状态矩阵,并根据所述第二特征标识所预先对应的第二关联访问配置文件构建所述第二生产状态集对应的所述第二状态矩阵。
在第一方面的一种可能的实现方式中,所述根据所述问题状态对象与所述目标异常关联节点之间的状态转移部分,生成所述第一生产状态集和所述第二生产状态集之间的问题生产状态数据的步骤,包括:
根据所述问题状态对象与所述目标异常关联节点之间的状态转移部分从所述第一生产状态集和所述第二生产状态集中分别匹配对应的生产状态节点数据,生成所述第一生产状态集和所述第二生产状态集之间的问题生产状态数据。
在第一方面的一种可能的实现方式中,所述根据所述目标问题矩阵行与所述问题状态矩阵单元上的多个待遍历矩阵行对应的矩阵部分之间的重合度,在所述第二状态矩阵中依次获取所述目标问题矩阵行对应的关联状态矩阵行,直至获取到的所述关联状态矩阵行所在状态矩阵单元的单元标识与所述目标问题矩阵行在所述第一状态矩阵中的单元标识一致时,停止获取下一状态矩阵单元中的关联状态矩阵行,并确定所述目标问题矩阵行与每次获取到的关联状态矩阵行之间的共同生产状态,作为与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系的步骤,包括:
在所述问题状态矩阵单元上确定待定异常关联目标,在所述待定异常关联目标上依次遍历异常关联目标,并将遍历到的异常关联目标确定为所述目标问题矩阵行在所述目标状态矩阵单元上对应的多个待遍历矩阵行,并分别生成以每个待遍历矩阵行为目标的矩阵部分,所述矩阵部分的区域标识与所述第二问题矩阵行的区域标识相同;
根据所述每个矩阵部分中的问题节点序列和所述第二问题矩阵行中的问题节点序列,分别获取每个矩阵部分与所述第二问题矩阵行之间的重合度;
根据所述重合度确定所述多个待遍历矩阵行中的第一待遍历矩阵行和第二待遍历矩阵行,若所述第一待遍历矩阵行和所述第二待遍历矩阵行满足目标条件,则获取所述第一待遍历矩阵行对应的矩阵部分与所述第二问题矩阵行之间的重合度,作为第一重合度,并获取所述第二待遍历矩阵行对应的矩阵部分与所述第二问题矩阵行之间的重合度,作为第二重合度,其中,所述第一待遍历矩阵行和第二待遍历矩阵行分别为最大重合度和次大重合度所对应的待遍历矩阵行;
根据所述第一重合度和所述第二重合度确定所述目标问题矩阵行与每次获取到的关联状态矩阵行之间的共同生产状态,作为与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系。
在第一方面的一种可能的实现方式中,所述根据所述第一重合度和所述第二重合度确定所述目标问题矩阵行与每次获取到的关联状态矩阵行之间的共同生产状态,作为与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系的步骤,包括:
若所述第一重合度大于设定匹配度,且所述第一重合度与所述第二重合度之间的差值大于设定差值,则将所述第一待遍历矩阵行确定为所述目标问题矩阵行在所述目标状态矩阵单元中的目标矩阵行,并作为关联状态矩阵行;
若所述目标状态矩阵单元的矩阵行数量大于所述目标问题矩阵行在所述第一状态矩阵中的矩阵行数量,则将所述关联状态矩阵行与所述问题状态矩阵单元融合到所述目标状态矩阵单元的下一状态矩阵单元中;
基于与所述目标生产区域的预设生产过程问题相关的目标遍历范围,在融合后的问题状态矩阵单元中,确定以融合后的关联状态矩阵行为目标的待定异常关联目标,获取在所述下一状态矩阵单元中的所述待定异常关联目标上的关联状态矩阵行,并将所述下一状态矩阵单元确定为所述目标状态矩阵单元,将所述下一状态矩阵单元中的目标矩阵行确定为所述关联状态矩阵行;
若所述目标状态矩阵单元在所述第二状态矩阵中的单元标识与所述目标问题矩阵行在所述第一状态矩阵中的单元标识一致,则确定所述目标问题矩阵行与每次获取到的关联状态矩阵行之间的共同生产状态,作为与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系。
在第一方面的一种可能的实现方式中,所述方法还包括:
根据所述关联生产状态与所述目标生产区域之间的绑定关系,对所述第一生产状态集所对应的第一麦芽监控记录与所述第二生产状态集所对应的第二麦芽监控记录之间的记录融合操作进行融合控制。
第二方面,本公开实施例还提供一种麦芽监控巡检数据处理装置,应用于麦芽监控服务器,所述麦芽监控服务器与多个麦芽监控区域的麦芽监控设备通信连接,所述装置包括:
获取模块,用于获取所述麦芽监控设备所对应的第一麦芽生产巡检节点在第一巡检监控方向所对应的关联麦芽生产区域集,所述第一巡检监控方向为所述麦芽监控设备在所述第一麦芽生产巡检节点处监测到存在预设生产过程问题的目标生产区域时的巡检监控方向,所述关联麦芽生产区域集中包含至少一个第二麦芽生产巡检节点,每个第二麦芽生产巡检节点均在对应的第二巡检监控方向与所述第一麦芽生产巡检节点之间存在关联生产巡检关系,所述第二巡检监控方向为所述第一巡检监控方向的联动巡检监控方向;
监测模块,用于从所述关联麦芽生产区域集的所述至少一个第二麦芽生产巡检节点中获取每个第二麦芽生产巡检节点,并监测在设定持续时间段内与所述第一麦芽生产巡检节点在所述第一巡检监控方向相关联的第一麦芽监控数据序列以及与所述第二麦芽生产巡检节点在对应的所述第二巡检监控方向相关联的第二麦芽监控数据序列;
预测模块,用于基于预先配置的生产状态预测网络分别对所述第一麦芽监控数据序列中的生产状态和所述第二麦芽监控数据序列中的生产状态进行预测,分别获得所述第一麦芽监控数据序列中的第一生产状态集和所述第二麦芽监控数据序列中的第二生产状态集;
确定模块,用于从所述第一生产状态集和所述第二生产状态集中确定与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系。
第三方面,本公开实施例还提供一种麦芽监控巡检数据处理系统,所述麦芽监控巡检数据处理系统包括麦芽监控服务器以及与所述麦芽监控服务器通信连接的多个麦芽监控区域的麦芽监控设备;
所述麦芽监控服务器,用于获取所述麦芽监控设备所对应的第一麦芽生产巡检节点在第一巡检监控方向所对应的关联麦芽生产区域集,所述第一巡检监控方向为所述麦芽监控设备在所述第一麦芽生产巡检节点处监测到存在预设生产过程问题的目标生产区域时的巡检监控方向,所述关联麦芽生产区域集中包含至少一个第二麦芽生产巡检节点,每个第二麦芽生产巡检节点均在对应的第二巡检监控方向与所述第一麦芽生产巡检节点之间存在关联生产巡检关系,所述第二巡检监控方向为所述第一巡检监控方向的联动巡检监控方向;
所述麦芽监控服务器,用于从所述关联麦芽生产区域集的所述至少一个第二麦芽生产巡检节点中获取每个第二麦芽生产巡检节点,并监测在设定持续时间段内与所述第一麦芽生产巡检节点在所述第一巡检监控方向相关联的第一麦芽监控数据序列以及与所述第二麦芽生产巡检节点在对应的所述第二巡检监控方向相关联的第二麦芽监控数据序列;
所述麦芽监控服务器,用于基于预先配置的生产状态预测网络分别对所述第一麦芽监控数据序列中的生产状态和所述第二麦芽监控数据序列中的生产状态进行预测,分别获得所述第一麦芽监控数据序列中的第一生产状态集和所述第二麦芽监控数据序列中的第二生产状态集;
所述麦芽监控服务器,用于从所述第一生产状态集和所述第二生产状态集中确定与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系。
第四方面,本公开实施例还提供一种麦芽监控服务器,所述麦芽监控服务器包括处理器、机器可读存储介质和网络接口,所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连,所述网络接口用于与至少一个麦芽监控设备通信连接,所述机器可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述机器可读存储介质中的程序、指令或代码,以执行第一方面或者第一方面中任意一个可能的设计中的麦芽监控巡检数据处理方法。
第五方面,本公开实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其被执行时,使得计算机执行上述第一方面或者第一方面中任意一个可能的设计中的麦芽监控巡检数据处理方法。
基于上述任意一个方面,本公开通过监测在设定持续时间段内与第一麦芽生产巡检节点在第一巡检监控方向相关联的第一麦芽监控数据序列以及与第二麦芽生产巡检节点在对应的第二巡检监控方向相关联的第二麦芽监控数据序列,然后基于预先配置的生产状态预测网络分别对第一麦芽监控数据序列中的生产状态和第二麦芽监控数据序列中的生产状态进行预测,从而通过人工智能分析存在关联生产巡检关系的生产状态集,确定与目标生产区域的预设生产过程问题相关的关联生产状态,并将关联生产状态与目标生产区域建立绑定关系,由此不仅极大提高交通排查效率,而且可以改善出现人工误判的情况,提高最终的分析结果的准确性。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本公开的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它相关的附图。
图1为本公开实施例提供的麦芽监控巡检数据处理系统的应用场景示意图;
图2为本公开实施例提供的麦芽监控巡检数据处理方法的流程示意图;
图3为本公开实施例提供的麦芽监控巡检数据处理装置的功能模块示意图;
图4为本公开实施例提供的用于实现上述的麦芽监控巡检数据处理方法的麦芽监控服务器的结构示意框图。
具体实施方式
下面结合说明书附图对本公开进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本公开一种实施例提供的麦芽监控巡检数据处理系统10的交互示意图。麦芽监控巡检数据处理系统10可以包括麦芽监控服务器100以及与所述麦芽监控服务器100通信连接的麦芽监控设备200。图1所示的麦芽监控巡检数据处理系统10仅为一种可行的示例,在其它可行的实施例中,该麦芽监控巡检数据处理系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
本实施例中,麦芽监控巡检数据处理系统10中的麦芽监控服务器100和麦芽监控设备200可以通过配合执行以下方法实施例所描述的麦芽监控巡检数据处理方法,具体麦芽监控服务器100和麦芽监控设备200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题,图2为本公开实施例提供的麦芽监控巡检数据处理方法的流程示意图,本实施例提供的麦芽监控巡检数据处理方法可以由图1中所示的麦芽监控服务器100执行,下面对该麦芽监控巡检数据处理方法进行详细介绍。
步骤S110,获取麦芽监控设备200所对应的第一麦芽生产巡检节点在第一巡检监控方向所对应的关联麦芽生产区域集。
步骤S120,从关联麦芽生产区域集的至少一个第二麦芽生产巡检节点中获取每个第二麦芽生产巡检节点,并监测在设定持续时间段内与第一麦芽生产巡检节点在第一巡检监控方向相关联的第一麦芽监控数据序列以及与第二麦芽生产巡检节点在对应的第二巡检监控方向相关联的第二麦芽监控数据序列。
步骤S130,基于预先配置的生产状态预测网络分别对第一麦芽监控数据序列中的生产状态和第二麦芽监控数据序列中的生产状态进行预测,分别获得第一麦芽监控数据序列中的第一生产状态集和第二麦芽监控数据序列中的第二生产状态集。
步骤S140,从第一生产状态集和第二生产状态集中确定与目标生产区域的预设生产过程问题相关的关联生产状态,并将关联生产状态与目标生产区域建立绑定关系。
本实施例中,第一巡检监控方向可以为麦芽监控设备200在第一麦芽生产巡检节点处监测到存在预设生产过程问题的目标生产区域时的巡检监控方向,关联麦芽生产区域集中可以包含至少一个第二麦芽生产巡检节点,每个第二麦芽生产巡检节点均在对应的第二巡检监控方向与第一麦芽生产巡检节点之间存在关联生产巡检关系,第二巡检监控方向为第一巡检监控方向的联动巡检监控方向。
详细地,对于每个麦芽监控设备200而言,其在监控过程中可能会存在多个巡检监控方向,例如正前方、正后方、斜上前方、斜下前方、斜上后方、斜下后方等等。麦芽生产巡检节点可以理解为麦芽监控设备200具体采集监控信息时所处的位置。在具体实施时,当某个麦芽监控设备200监测到存在预设生产过程问题的目标生产区域之后,该麦芽监控服务器100可以根据该预设生产过程问题的位置控制相关生产区域的其它麦芽监控设备200联动进行监测监控,从而可以持续在设定持续时间段内与第一麦芽生产巡检节点在第一巡检监控方向相关联的第一麦芽监控数据序列以及与第二麦芽生产巡检节点在对应的第二巡检监控方向相关联的第二麦芽监控数据序列。
基于上述步骤,本实施例通过监测在设定持续时间段(例如3分钟内)内与第一麦芽生产巡检节点在第一巡检监控方向相关联的第一麦芽监控数据序列以及与第二麦芽生产巡检节点在对应的第二巡检监控方向相关联的第二麦芽监控数据序列,然后基于预先配置的生产状态预测网络分别对第一麦芽监控数据序列中的生产状态和第二麦芽监控数据序列中的生产状态进行预测,从而通过人工智能分析存在关联生产巡检关系的生产状态集,确定与目标生产区域的预设生产过程问题相关的关联生产状态,并将关联生产状态与目标生产区域建立绑定关系,由此不仅极大提高交通排查效率,而且可以改善出现人工误判的情况,提高最终的分析结果的准确性。
在一种可能的实现方式中,针对步骤S130,进一步可以通过如下子步骤实现,详细描述如下。
子步骤S131,基于预先配置的生产状态预测网络分别对第一麦芽监控数据序列中的生产状态和第二麦芽监控数据序列中的生产状态进行预测,得到第一麦芽监控数据序列中的生产状态输出信息和第二麦芽监控数据序列的生产状态输出信息。
本实施例中,生产状态输出信息可以包括在不同监控数据类别中各个候选生产状态的置信度。
子步骤S132,根据第一麦芽监控数据序列中的生产状态输出信息和第二麦芽监控数据序列的生产状态输出信息,选择置信度大于设定置信度的对应的候选生产状态构成的集分别作为第一麦芽监控数据序列中的第一生产状态集和第二麦芽监控数据序列中的第二生产状态集。
其中,作为一种可能的示例,该生产状态预测网络可以通过如下方式训练得到:
(1)获取训练样本集,训练样本集包括多个训练样本以及每个训练样本所对应的每个监控数据类别中的生产状态编辑内容。例如,生产状态编辑内容可以用于表示该监控数据类别中所对应的生产状态类别。
(2)基于预设卷积神经网络模型提取训练样本集中每个训练样本中每个监控数据类别中的数据特征向量,并将数据特征向量输入到分类层得到数据特征向量所对应的预测分类信息。
其中,值得说明的是,为了实现特征一对一的绑定关系,该预设卷积神经网络模型可以包括多个与每个监控数据类别一一对应的卷积提取单元。
(3)根据训练样本集中每个训练样本中每个监控数据类别的数据特征向量所对应的预测分类信息和生产状态编辑内容之间的损失函数值,调整预设卷积神经网络模型的模型参数后迭代进行训练,并在预设卷积神经网络模型达到训练结束条件时,输出训练得到的生产状态预测网络。
例如,可以在损失函数值低于设定函数值时,输出训练得到的生产状态预测网络,或者可以在损失函数值不再继续下降时,输出训练得到的生产状态预测网络,又或者还可以在迭代训练的次数达到设定次数时,输出训练得到的生产状态预测网络。
由此,通过采用以上训练得到的生产状态预测网络对第一麦芽监控数据序列中的生产状态和第二麦芽监控数据序列中的生产状态进行预测,从而可以快速准确地分析存在关联生产巡检关系的生产状态集,提高监控排查效率。
在此基础上,在一种可能的实现方式中,针对步骤S140,进一步可以通过如下子步骤实现,详细描述如下。
子步骤S141,获取第一生产状态集与第二生产状态集中与目标生产区域的预设生产过程问题存在生产设备方面和/或生产工艺方面关联的生产状态预测区域,并根据生产状态预测区域构建第一生产状态集对应的第一状态矩阵以及构建第二生产状态集对应的第二状态矩阵。
例如,第一状态矩阵和第二状态矩阵可以分别包括多个不同状态表征值的状态矩阵单元。其中值得说明的是,状态表征值可以用于表示相关联的生产状态预测区域所对应的持续生产状态编辑内容(例如生产状态重复率超过设定重复率的生产状态),状态矩阵单元可以用于表示持续生产状态编辑内容相关的生产状态预测区域中的一个或者多个目标状态单位行,对于本领域技术人员而言,目标状态单位行可以根据实际需求确定对应的区域大小,本实施例对此不作详细限定。
子步骤S142,提取第一生产状态集在第一状态矩阵的每个状态矩阵单元的问题状态对象,同时将第二状态矩阵中与生产状态预测区域所对应的相关状态表征值的状态矩阵单元确定为目标状态矩阵单元,并根据预设融合模型和第二生产状态集的行为特征向量集合将问题状态对象融合到目标状态矩阵单元,在目标状态矩阵单元中得到目标异常关联节点,并根据问题状态对象与目标异常关联节点之间的状态转移部分,生成第一生产状态集和第二生产状态集之间的问题生产状态数据。
子步骤S143,以目标异常关联节点为目标在目标状态矩阵单元中获取第一问题矩阵行,根据问题生产状态数据对应的反向问题生产状态数据,将第一问题矩阵行融合到问题状态对象所在状态矩阵单元,在问题状态对象所在状态矩阵单元中得到第一问题矩阵行对应的第二问题矩阵行,并将第一问题矩阵行和第二问题矩阵行汇总为目标问题矩阵行。
子步骤S144,获取问题状态对象融合到目标状态矩阵单元中的问题状态矩阵单元,并根据目标问题矩阵行与问题状态矩阵单元上的多个待遍历矩阵行对应的矩阵部分之间的重合度,在第二状态矩阵中依次获取目标问题矩阵行对应的关联状态矩阵行,直至获取到的关联状态矩阵行所在状态矩阵单元的单元标识与目标问题矩阵行在第一状态矩阵中的单元标识一致时,停止获取下一状态矩阵单元中的关联状态矩阵行,并确定目标问题矩阵行与每次获取到的关联状态矩阵行之间的共同生产状态,作为与目标生产区域的预设生产过程问题相关的关联生产状态,并将关联生产状态与目标生产区域建立绑定关系。
其中,示例性地,针对步骤S141,以下将给出一种可能的实施例对其具体的实施方案进行非限制性阐述。
子步骤S1411,获取第一生产状态集中每个生产状态特征信息的第一特征标识和第二生产状态集中每个生产状态特征信息的第二特征标识。
子步骤S1412,根据第一特征标识所预先对应的第一关联访问配置文件构建第一生产状态集对应的第一状态矩阵,并根据第二特征标识所预先对应的第二关联访问配置文件构建第二生产状态集对应的第二状态矩阵。
本实施例中,该麦芽监控服务器100中可以预先配置不同生产状态特征信息的特征标识以及每个特征表示所对应的状态矩阵,由此可以通过获取第一生产状态集中每个生产状态特征信息的第一特征标识和第二生产状态集中每个生产状态特征信息的第二特征标识来进一步构建第一状态矩阵和第二状态矩阵。
其中,示例性地,针对子步骤S142,本实施例可以根据问题状态对象与目标异常关联节点之间的状态转移部分从第一生产状态集和第二生产状态集中分别匹配对应的生产状态节点数据,生成第一生产状态集和第二生产状态集之间的问题生产状态数据。
在一种可能的实现方式中,针对步骤S144,以下将给出一种可能的实施例对其具体的实施方案进行非限制性阐述。
子步骤S1441,在问题状态矩阵单元上确定待定异常关联目标,在待定异常关联目标上依次遍历异常关联目标,并将遍历到的异常关联目标确定为目标问题矩阵行在目标状态矩阵单元上对应的多个待遍历矩阵行,并分别生成以每个待遍历矩阵行为目标的矩阵部分。
其中,值得说明的是,矩阵部分的区域标识与第二问题矩阵行的区域标识相同。
子步骤S1442,根据每个矩阵部分中的问题节点序列和第二问题矩阵行中的问题节点序列,分别获取每个矩阵部分与第二问题矩阵行之间的重合度。
子步骤S1443,根据重合度确定多个待遍历矩阵行中的第一待遍历矩阵行和第二待遍历矩阵行,若第一待遍历矩阵行和第二待遍历矩阵行满足目标条件,则获取第一待遍历矩阵行对应的矩阵部分与第二问题矩阵行之间的重合度,作为第一重合度,并获取第二待遍历矩阵行对应的矩阵部分与第二问题矩阵行之间的重合度,作为第二重合度。
其中,值得说明的是,第一待遍历矩阵行和第二待遍历矩阵行分别为最大重合度和次大重合度所对应的待遍历矩阵行。
子步骤S1444,根据第一重合度和第二重合度确定目标问题矩阵行与每次获取到的关联状态矩阵行之间的共同生产状态,作为与目标生产区域的预设生产过程问题相关的关联生产状态,并将关联生产状态与目标生产区域建立绑定关系。
例如,示例性地,在子步骤S1444中,若第一重合度大于设定匹配度,且第一重合度与第二重合度之间的差值大于设定差值,则将第一待遍历矩阵行确定为目标问题矩阵行在目标状态矩阵单元中的目标矩阵行,并作为关联状态矩阵行。
其次,若目标状态矩阵单元的矩阵行数量大于目标问题矩阵行在第一状态矩阵中的矩阵行数量,则将关联状态矩阵行与问题状态矩阵单元融合到目标状态矩阵单元的下一状态矩阵单元中,然后基于与目标生产区域的预设生产过程问题相关的目标遍历范围,在融合后的问题状态矩阵单元中,确定以融合后的关联状态矩阵行为目标的待定异常关联目标,获取在下一状态矩阵单元中的待定异常关联目标上的关联状态矩阵行,并将下一状态矩阵单元确定为目标状态矩阵单元,将下一状态矩阵单元中的目标矩阵行确定为关联状态矩阵行。
再例如,若目标状态矩阵单元在第二状态矩阵中的单元标识与目标问题矩阵行在第一状态矩阵中的单元标识一致,则确定目标问题矩阵行与每次获取到的关联状态矩阵行之间的共同生产状态,作为与目标生产区域的预设生产过程问题相关的关联生产状态,并将关联生产状态与目标生产区域建立绑定关系。
进一步地,在一种可能的实现方式中,为了便于后续统一查看联动的预设生产过程问题的过程情况,本实施例提供的麦芽监控巡检数据处理方法还可以包括以下步骤S150,具体描述如下。
步骤S150,根据关联生产状态与目标生产区域之间的绑定关系,对第一生产状态集所对应的第一麦芽监控记录与第二生产状态集所对应的第二麦芽监控记录之间的记录融合操作进行融合控制。
在此基础上,在一种可能的实现方式中,针对步骤S150,进一步可以通过如下子步骤实现,详细描述如下。
子步骤S151,将第一麦芽监控记录和第二麦芽监控记录各自所对应的生产状态预测区域添加到记录融合界面下。
子步骤S152,在记录融合界面下根据生产状态预测区域对应于所请求融合位置的生产状态信息,模拟第一麦芽监控记录和第二麦芽监控记录中与生产状态预测区域对应的相关生产状态,以获取每一个相关生产状态在记录融合界面中融合节点单元的融合控制命令,并从每一个相关生产状态对应的融合控制命令中,分别提取出相应的相关生产状态在各个记录融合业务下的融合控制结果。
子步骤S153,根据关联生产状态与目标生产区域之间针对每个记录融合业务的绑定关系,对相应的相关生产状态在对应的记录融合业务下的融合控制结果进行融合控制,以使得完成融合控制后的记录融合业务下的融合控制结果可在第一麦芽监控记录与第二麦芽监控记录之间的记录融合操作中完成融合控制,获得融合控制后的每张目标融合麦芽监控记录。
在一种可能的实现方式中,针对步骤S152,以下将给出一种可能的实施例对其具体的实施方案进行非限制性阐述。
子步骤S1521,根据麦芽监控记录针对生产状态预测区域的融合单元的记录分段信息,建立生产状态预测区域的状态填充信息。
例如,状态填充信息可以用于反映生产状态预测区域中进行融合控制时的状态填充信息。
子步骤S1522,根据所请求融合位置所对应的实例化模型对生产状态预测区域的融合单元的状态填充信息进行实例化,获得生产状态预测区域对应于所请求融合位置的生产状态信息。
子步骤S1523,根据生产状态预测区域的生产状态信息确定生产状态预测区域的融合过程指令集,并根据融合过程指令集模拟每一个相关生产状态以获取每一个相关生产状态在记录融合界面中融合节点单元的融合控制命令。
作为示例,本子步骤S1523可以通过以下方式来实现:
(1)根据融合过程指令集,调用融合节点单元以访问对应的记录融合编辑线程,并通过记录融合编辑线程模拟每一个相关生产状态。
(2)根据针对每一个相关生产状态调取的不同融合控制类型的融合控制属性对象,确定每一个相关生产状态的融合控制属性对象对应的融合控制关键节点,其中,不同融合控制类型的融合控制属性对象分别对应不同的融合控制关键节点。
(3)确定每一个相关生产状态的不同融合控制属性对象的对象数据,并根据对象数据,获取对应的多个融合控制记录匹配对象中包括的至少两个相同融合控制记录匹配对象的第一记录匹配对象集合,以及剩余的融合控制记录匹配对象中调用次数大于预设次数的至少一个第二记录匹配对象集合。
(4)根据从第一记录匹配对象集合选取的调用次数大于设定次数的记录匹配对象集合作为目标记录匹配对象集合以及至少一个第二记录匹配对象集合,生成用于确定融合节点单元的融合控制命令的融合控制线程,其中,融合控制线程中包括目标记录匹配对象集合以及至少一个第二记录匹配对象集合。
(5)根据融合控制线程分别确定每一个相关生产状态在记录融合界面中融合节点单元的融合控制命令。
例如,可以根据融合控制线程确定目标记录匹配对象集合以及至少一个第二记录匹配对象集合中每一个目标融合控制记录匹配对象所对应的融合控制属性对象,并根据每一个目标融合控制记录匹配对象所对应的融合控制属性对象确定每一个相关生产状态在记录融合界面中融合节点单元的融合控制命令。
图3为本公开实施例提供的麦芽监控巡检数据处理装置300的功能模块示意图,本实施例可以根据上述麦芽监控服务器100执行的方法实施例对该麦芽监控巡检数据处理装置300进行功能模块的划分,也即该麦芽监控巡检数据处理装置300所对应的以下各个功能模块可以用于执行上述麦芽监控服务器100执行的各个方法实施例。其中,该麦芽监控巡检数据处理装置300可以包括获取模块310、监测模块320、预测模块330以及确定模块340,下面分别对该麦芽监控巡检数据处理装置300的各个功能模块的功能进行详细阐述。
获取模块310,用于获取麦芽监控设备200所对应的第一麦芽生产巡检节点在第一巡检监控方向所对应的关联麦芽生产区域集,第一巡检监控方向为麦芽监控设备200在第一麦芽生产巡检节点处监测到存在预设生产过程问题的目标生产区域时的巡检监控方向,关联麦芽生产区域集中包含至少一个第二麦芽生产巡检节点,每个第二麦芽生产巡检节点均在对应的第二巡检监控方向与第一麦芽生产巡检节点之间存在关联生产巡检关系,第二巡检监控方向为第一巡检监控方向的联动巡检监控方向。其中,获取模块310可以用于执行上述的步骤S110,关于获取模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。
监测模块320,用于从关联麦芽生产区域集的至少一个第二麦芽生产巡检节点中获取每个第二麦芽生产巡检节点,并监测在设定持续时间段内与第一麦芽生产巡检节点在第一巡检监控方向相关联的第一麦芽监控数据序列以及与第二麦芽生产巡检节点在对应的第二巡检监控方向相关联的第二麦芽监控数据序列。其中,监测模块320可以用于执行上述的步骤S120,关于监测模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。
预测模块330,用于基于预先配置的生产状态预测网络分别对第一麦芽监控数据序列中的生产状态和第二麦芽监控数据序列中的生产状态进行预测,分别获得第一麦芽监控数据序列中的第一生产状态集和第二麦芽监控数据序列中的第二生产状态集。其中,预测模块330可以用于执行上述的步骤S130,关于预测模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。
确定模块340,用于从第一生产状态集和第二生产状态集中确定与目标生产区域的预设生产过程问题相关的关联生产状态,并将关联生产状态与目标生产区域建立绑定关系。其中,确定模块340可以用于执行上述的步骤S140,关于确定模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理记录匹配对象上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,获取模块310可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上获取模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所描述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(application specific integrated circuit,ASIC),或,一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(centralprocessing unit,CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,SOC)的形式实现。
图4示出了本公开实施例提供的用于实现上述的控制设备的麦芽监控服务器100的硬件结构示意图,如图4所示,麦芽监控服务器100可包括处理器110、机器可读存储介质120、总线130以及收发器140。
在具体实现过程中,至少一个处理器110执行所述机器可读存储介质120存储的计算机执行指令(例如图3中所示的麦芽监控巡检数据处理装置300包括的获取模块310、监测模块320、预测模块330以及确定模块340),使得处理器110可以执行如上方法实施例的麦芽监控巡检数据处理方法,其中,处理器110、机器可读存储介质120以及收发器140通过总线130连接,处理器110可以用于控制收发器140的收发动作,从而可以与前述的麦芽监控设备200进行数据收发。
处理器110的具体实现过程可参见上述麦芽监控服务器100执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述的图4所示的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,DSP)、专用集成电路(英文:ApplicationSpecificIntegrated Circuit,ASIC)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。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
机器可读存储介质120可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
总线130可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (10)
1.一种麦芽监控巡检数据处理方法,其特征在于,应用于麦芽监控服务器,所述麦芽监控服务器与多个麦芽监控区域的麦芽监控设备通信连接,所述方法包括:
获取所述麦芽监控设备所对应的第一麦芽生产巡检节点在第一巡检监控方向所对应的关联麦芽生产区域集,所述第一巡检监控方向为所述麦芽监控设备在所述第一麦芽生产巡检节点处监测到存在预设生产过程问题的目标生产区域时的巡检监控方向,所述关联麦芽生产区域集中包含至少一个第二麦芽生产巡检节点,每个第二麦芽生产巡检节点均在对应的第二巡检监控方向与所述第一麦芽生产巡检节点之间存在关联生产巡检关系,所述第二巡检监控方向为所述第一巡检监控方向的联动巡检监控方向;
从所述关联麦芽生产区域集的所述至少一个第二麦芽生产巡检节点中获取每个第二麦芽生产巡检节点,并监测在设定持续时间段内与所述第一麦芽生产巡检节点在所述第一巡检监控方向相关联的第一麦芽监控数据序列以及与所述第二麦芽生产巡检节点在对应的所述第二巡检监控方向相关联的第二麦芽监控数据序列;
基于预先配置的生产状态预测网络分别对所述第一麦芽监控数据序列中的生产状态和所述第二麦芽监控数据序列中的生产状态进行预测,分别获得所述第一麦芽监控数据序列中的第一生产状态集和所述第二麦芽监控数据序列中的第二生产状态集;
从所述第一生产状态集和所述第二生产状态集中确定与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系后,将所述关联生产状态与所述目标生产区域发送给对应的监控终端。
2.根据权利要求1所述的麦芽监控巡检数据处理方法,其特征在于,所述基于预先配置的生产状态预测网络分别对所述第一麦芽监控数据序列中的生产状态和所述第二麦芽监控数据序列中的生产状态进行预测,分别获得所述第一麦芽监控数据序列中的第一生产状态集和所述第二麦芽监控数据序列中的第二生产状态集的步骤,包括:
基于预先配置的生产状态预测网络分别对所述第一麦芽监控数据序列中的生产状态和所述第二麦芽监控数据序列中的生产状态进行预测,得到所述第一麦芽监控数据序列中的生产状态输出信息和所述第二麦芽监控数据序列的生产状态输出信息,所述生产状态输出信息包括在不同监控数据类别中各个候选生产状态的置信度;
根据所述第一麦芽监控数据序列中的生产状态输出信息和所述第二麦芽监控数据序列的生产状态输出信息,选择置信度大于设定置信度的对应的候选生产状态构成的集分别作为所述第一麦芽监控数据序列中的第一生产状态集和所述第二麦芽监控数据序列中的第二生产状态集;
其中,所述生产状态预测网络通过如下方式训练得到:
获取训练样本集,所述训练样本集包括多个训练样本以及每个训练样本所对应的每个监控数据类别中的生产状态编辑内容;
基于预设卷积神经网络模型提取所述训练样本集中每个训练样本中每个监控数据类别中的数据特征向量,并将所述数据特征向量输入到分类层得到所述数据特征向量所对应的预测分类信息,其中,所述预设卷积神经网络模型包括多个与每个监控数据类别一一对应的卷积提取单元;
根据所述训练样本集中每个训练样本中每个监控数据类别的数据特征向量所对应的预测分类信息和生产状态编辑内容之间的损失函数值,调整所述预设卷积神经网络模型的模型参数后迭代进行训练,并在所述预设卷积神经网络模型达到训练结束条件时,输出训练得到的所述生产状态预测网络。
3.根据权利要求1所述的麦芽监控巡检数据处理方法,其特征在于,所述从所述第一生产状态集和所述第二生产状态集中确定与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系的步骤,包括:
获取第一生产状态集与第二生产状态集中与所述目标生产区域的预设生产过程问题存在生产设备方面和/或生产工艺方面关联的生产状态预测区域,并根据所述生产状态预测区域构建所述第一生产状态集对应的第一状态矩阵以及构建所述第二生产状态集对应的第二状态矩阵,所述第一状态矩阵和所述第二状态矩阵分别包括多个不同状态表征值的状态矩阵单元,其中,所述状态表征值用于表示相关联的生产状态预测区域所对应的持续生产状态编辑内容,所述状态矩阵单元用于表示所述持续生产状态编辑内容相关的生产状态预测区域中的一个或者多个目标状态单位行;
提取所述第一生产状态集在所述第一状态矩阵的每个状态矩阵单元的问题状态对象,同时将所述第二状态矩阵中与生产状态预测区域所对应的相关状态表征值的状态矩阵单元确定为目标状态矩阵单元,并根据预设融合模型和所述第二生产状态集的行为特征向量集合将所述问题状态对象融合到所述目标状态矩阵单元,在所述目标状态矩阵单元中得到目标异常关联节点,并根据所述问题状态对象与所述目标异常关联节点之间的状态转移部分,生成所述第一生产状态集和所述第二生产状态集之间的问题生产状态数据;
以所述目标异常关联节点为目标在所述目标状态矩阵单元中获取第一问题矩阵行,根据所述问题生产状态数据对应的反向问题生产状态数据,将所述第一问题矩阵行融合到所述问题状态对象所在状态矩阵单元,在所述问题状态对象所在状态矩阵单元中得到所述第一问题矩阵行对应的第二问题矩阵行,并将所述第一问题矩阵行和所述第二问题矩阵行汇总为目标问题矩阵行;
获取所述问题状态对象融合到所述目标状态矩阵单元中的问题状态矩阵单元,并根据所述目标问题矩阵行与所述问题状态矩阵单元上的多个待遍历矩阵行对应的矩阵部分之间的重合度,在所述第二状态矩阵中依次获取所述目标问题矩阵行对应的关联状态矩阵行,直至获取到的所述关联状态矩阵行所在状态矩阵单元的单元标识与所述目标问题矩阵行在所述第一状态矩阵中的单元标识一致时,停止获取下一状态矩阵单元中的关联状态矩阵行,并确定所述目标问题矩阵行与每次获取到的关联状态矩阵行之间的共同生产状态,作为与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系。
4.根据权利要求3所述的麦芽监控巡检数据处理方法,其特征在于,所述根据所述生产状态预测区域构建所述第一生产状态集对应的第一状态矩阵以及构建所述第二生产状态集对应的第二状态矩阵的步骤,包括:
获取所述第一生产状态集中每个生产状态特征信息的第一特征标识和所述第二生产状态集中每个生产状态特征信息的第二特征标识;
根据所述第一特征标识所预先对应的第一关联访问配置文件构建所述第一生产状态集对应的所述第一状态矩阵,并根据所述第二特征标识所预先对应的第二关联访问配置文件构建所述第二生产状态集对应的所述第二状态矩阵。
5.根据权利要求3所述的麦芽监控巡检数据处理方法,其特征在于,所述根据所述问题状态对象与所述目标异常关联节点之间的状态转移部分,生成所述第一生产状态集和所述第二生产状态集之间的问题生产状态数据的步骤,包括:
根据所述问题状态对象与所述目标异常关联节点之间的状态转移部分从所述第一生产状态集和所述第二生产状态集中分别匹配对应的生产状态节点数据,生成所述第一生产状态集和所述第二生产状态集之间的问题生产状态数据。
6.根据权利要求3所述的麦芽监控巡检数据处理方法,其特征在于,所述根据所述目标问题矩阵行与所述问题状态矩阵单元上的多个待遍历矩阵行对应的矩阵部分之间的重合度,在所述第二状态矩阵中依次获取所述目标问题矩阵行对应的关联状态矩阵行,直至获取到的所述关联状态矩阵行所在状态矩阵单元的单元标识与所述目标问题矩阵行在所述第一状态矩阵中的单元标识一致时,停止获取下一状态矩阵单元中的关联状态矩阵行,并确定所述目标问题矩阵行与每次获取到的关联状态矩阵行之间的共同生产状态,作为与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系的步骤,包括:
在所述问题状态矩阵单元上确定待定异常关联目标,在所述待定异常关联目标上依次遍历异常关联目标,并将遍历到的异常关联目标确定为所述目标问题矩阵行在所述目标状态矩阵单元上对应的多个待遍历矩阵行,并分别生成以每个待遍历矩阵行为目标的矩阵部分,所述矩阵部分的区域标识与所述第二问题矩阵行的区域标识相同;
根据每个矩阵部分中的问题节点序列和所述第二问题矩阵行中的问题节点序列,分别获取每个矩阵部分与所述第二问题矩阵行之间的重合度;
根据所述重合度确定所述多个待遍历矩阵行中的第一待遍历矩阵行和第二待遍历矩阵行,若所述第一待遍历矩阵行和所述第二待遍历矩阵行满足目标条件,则获取所述第一待遍历矩阵行对应的矩阵部分与所述第二问题矩阵行之间的重合度,作为第一重合度,并获取所述第二待遍历矩阵行对应的矩阵部分与所述第二问题矩阵行之间的重合度,作为第二重合度,其中,所述第一待遍历矩阵行和第二待遍历矩阵行分别为最大重合度和次大重合度所对应的待遍历矩阵行;
根据所述第一重合度和所述第二重合度确定所述目标问题矩阵行与每次获取到的关联状态矩阵行之间的共同生产状态,作为与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系。
7.根据权利要求6所述的麦芽监控巡检数据处理方法,其特征在于,所述根据所述第一重合度和所述第二重合度确定所述目标问题矩阵行与每次获取到的关联状态矩阵行之间的共同生产状态,作为与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系的步骤,包括:
若所述第一重合度大于设定匹配度,且所述第一重合度与所述第二重合度之间的差值大于设定差值,则将所述第一待遍历矩阵行确定为所述目标问题矩阵行在所述目标状态矩阵单元中的目标矩阵行,并作为关联状态矩阵行;
若所述目标状态矩阵单元的矩阵行数量大于所述目标问题矩阵行在所述第一状态矩阵中的矩阵行数量,则将所述关联状态矩阵行与所述问题状态矩阵单元融合到所述目标状态矩阵单元的下一状态矩阵单元中;
基于与所述目标生产区域的预设生产过程问题相关的目标遍历范围,在融合后的问题状态矩阵单元中,确定以融合后的关联状态矩阵行为目标的待定异常关联目标,获取在所述下一状态矩阵单元中的所述待定异常关联目标上的关联状态矩阵行,并将所述下一状态矩阵单元确定为所述目标状态矩阵单元,将所述下一状态矩阵单元中的目标矩阵行确定为所述关联状态矩阵行;
若所述目标状态矩阵单元在所述第二状态矩阵中的单元标识与所述目标问题矩阵行在所述第一状态矩阵中的单元标识一致,则确定所述目标问题矩阵行与每次获取到的关联状态矩阵行之间的共同生产状态,作为与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系。
8.根据权利要求1-7中任意一项所述的麦芽监控巡检数据处理方法,其特征在于,所述方法还包括:
根据所述关联生产状态与所述目标生产区域之间的绑定关系,对所述第一生产状态集所对应的第一麦芽监控记录与所述第二生产状态集所对应的第二麦芽监控记录之间的记录融合操作进行融合控制。
9.一种麦芽监控巡检数据处理系统,其特征在于,所述麦芽监控巡检数据处理系统包括麦芽监控服务器以及与所述麦芽监控服务器通信连接的多个麦芽监控区域;
所述麦芽监控服务器用于获取所述麦芽监控设备所对应的第一麦芽生产巡检节点在第一巡检监控方向所对应的关联麦芽生产区域集,所述第一巡检监控方向为所述麦芽监控设备在所述第一麦芽生产巡检节点处监测到存在预设生产过程问题的目标生产区域时的巡检监控方向,所述关联麦芽生产区域集中包含至少一个第二麦芽生产巡检节点,每个第二麦芽生产巡检节点均在对应的第二巡检监控方向与所述第一麦芽生产巡检节点之间存在关联生产巡检关系,所述第二巡检监控方向为所述第一巡检监控方向的联动巡检监控方向;
所述麦芽监控服务器用于从所述关联麦芽生产区域集的所述至少一个第二麦芽生产巡检节点中获取每个第二麦芽生产巡检节点,并监测在设定持续时间段内与所述第一麦芽生产巡检节点在所述第一巡检监控方向相关联的第一麦芽监控数据序列以及与所述第二麦芽生产巡检节点在对应的所述第二巡检监控方向相关联的第二麦芽监控数据序列;
所述麦芽监控服务器用于基于预先配置的生产状态预测网络分别对所述第一麦芽监控数据序列中的生产状态和所述第二麦芽监控数据序列中的生产状态进行预测,分别获得所述第一麦芽监控数据序列中的第一生产状态集和所述第二麦芽监控数据序列中的第二生产状态集;
所述麦芽监控服务器用于从所述第一生产状态集和所述第二生产状态集中确定与所述目标生产区域的预设生产过程问题相关的关联生产状态,并将所述关联生产状态与所述目标生产区域建立绑定关系后,将所述关联生产状态与所述目标生产区域发送给对应的监控终端。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当其被执行时,实现权利要求1-8中任意一项的麦芽监控巡检数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010617940.0A CN111506038B (zh) | 2020-07-01 | 2020-07-01 | 一种麦芽监控巡检数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010617940.0A CN111506038B (zh) | 2020-07-01 | 2020-07-01 | 一种麦芽监控巡检数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111506038A true CN111506038A (zh) | 2020-08-07 |
CN111506038B CN111506038B (zh) | 2020-09-29 |
Family
ID=71865092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010617940.0A Active CN111506038B (zh) | 2020-07-01 | 2020-07-01 | 一种麦芽监控巡检数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111506038B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3176286B2 (ja) * | 1996-04-12 | 2001-06-11 | アサヒビール株式会社 | 麦芽ホッパー制御装置 |
CN101206461A (zh) * | 2006-12-19 | 2008-06-25 | 王琪 | 麦芽生产线的控制系统 |
CN104793595A (zh) * | 2015-04-09 | 2015-07-22 | 江南大学 | 小麦加工厂的实时数据采集系统 |
US20160183548A1 (en) * | 2014-12-29 | 2016-06-30 | IntelliFarms, LLC | Grain management based on nutrient characteristics |
CN110109430A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种间歇式啤酒发酵装置优化控制系统 |
WO2020099934A1 (en) * | 2018-11-13 | 2020-05-22 | Haffmans B.V. | System and method for data transport security from isolated process control domains |
-
2020
- 2020-07-01 CN CN202010617940.0A patent/CN111506038B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3176286B2 (ja) * | 1996-04-12 | 2001-06-11 | アサヒビール株式会社 | 麦芽ホッパー制御装置 |
CN101206461A (zh) * | 2006-12-19 | 2008-06-25 | 王琪 | 麦芽生产线的控制系统 |
US20160183548A1 (en) * | 2014-12-29 | 2016-06-30 | IntelliFarms, LLC | Grain management based on nutrient characteristics |
CN104793595A (zh) * | 2015-04-09 | 2015-07-22 | 江南大学 | 小麦加工厂的实时数据采集系统 |
WO2020099934A1 (en) * | 2018-11-13 | 2020-05-22 | Haffmans B.V. | System and method for data transport security from isolated process control domains |
CN110109430A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种间歇式啤酒发酵装置优化控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111506038B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476191B (zh) | 基于智慧交通的人工智能图像处理方法及大数据云服务器 | |
CN111476192B (zh) | 基于智慧交通的截取图像合成方法及大数据云服务器 | |
CN113608916A (zh) | 故障诊断的方法、装置、电子设备及存储介质 | |
CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
CN116310914B (zh) | 基于人工智能的无人机监控方法及系统 | |
CN112434288A (zh) | 基于物联网的网络大数据信息防泄密方法及系统 | |
CN112559316A (zh) | 软件测试方法和设备、计算机存储介质以及服务器 | |
CN115952081A (zh) | 一种软件测试方法、装置、存储介质及设备 | |
CN111506038B (zh) | 一种麦芽监控巡检数据处理方法及系统 | |
CN114359670A (zh) | 非结构化数据标注方法、装置、计算机设备及存储介质 | |
CN112948262A (zh) | 一种系统测试方法、装置、计算机设备和存储介质 | |
CN112579457B (zh) | 基于人工智能的数据架构管控方法及系统 | |
CN116996403B (zh) | 应用ai模型的网络流量诊断方法及系统 | |
CN117041121B (zh) | 基于数据挖掘的物联网异常监测方法及系统 | |
CN117055537B (zh) | 一种基于物联网的摩托车电控系统故障诊断方法 | |
CN116450632B (zh) | 地理样本数据质量评估方法、设备及存储介质 | |
CN117273861B (zh) | 一种销售订单管理方法及系统 | |
CN115906642B (zh) | 轴承生产检测控制方法及装置 | |
CN117236617B (zh) | 一种企业业务管理方法及系统 | |
CN117076327A (zh) | 一种接口自动检测与修复方法和系统 | |
CN116433018A (zh) | 基于数字孪生的配电网风险态势感知方法及装置 | |
CN113868872A (zh) | 一种自动驾驶系统任务模块的仿真测试方法 | |
CN116977324A (zh) | 产品外观缺陷全检测方法、装置及可读存储介质 | |
CN114816982A (zh) | 基于SPEA2的无人机PX4中RESTful API测试套件最小化方法 | |
CN117952022A (zh) | 良率多维度互动系统、方法、计算机设备和存储介质 |
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 |