CN111666970A - 生产信息的处理方法、装置、系统和计算机设备 - Google Patents

生产信息的处理方法、装置、系统和计算机设备 Download PDF

Info

Publication number
CN111666970A
CN111666970A CN202010325134.6A CN202010325134A CN111666970A CN 111666970 A CN111666970 A CN 111666970A CN 202010325134 A CN202010325134 A CN 202010325134A CN 111666970 A CN111666970 A CN 111666970A
Authority
CN
China
Prior art keywords
clustering
production information
distance
acquiring
algorithm
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.)
Pending
Application number
CN202010325134.6A
Other languages
English (en)
Inventor
董雁适
张云烽
朱捷强
丁伟
项柳
蔡阳春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Ruijiang Technology Co.,Ltd.
Original Assignee
Hangzhou Chuanhua Intelligent Manufacturing Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Chuanhua Intelligent Manufacturing Technology Co ltd filed Critical Hangzhou Chuanhua Intelligent Manufacturing Technology Co ltd
Priority to CN202010325134.6A priority Critical patent/CN111666970A/zh
Publication of CN111666970A publication Critical patent/CN111666970A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种生产信息的处理方法、装置、系统和计算机设备，其中，该生产信息的处理方法包括：通过获取生产信息的测量曲线；并根据该测量曲线和预设规则，获取批次测量曲线；通过动态时间规整DTW算法，获取该批次测量曲线的两两距离矩阵；并根据该两两距离矩阵和获取到的聚类数量，通过聚类算法获取聚类结果；其中，该聚类结果指示所述生产信息的批次分类。通过本申请，解决了生产信息的处理方法中存在的效率和准确率低的问题，实现了生产信息处理的优化。

Description

生产信息的处理方法、装置、系统和计算机设备
技术领域
本申请涉及计算机技术领域，特别是涉及生产信息的处理方法、装置、系统和计算机设备。
背景技术
在精细化工或医药等生产企业中，存在大量批次生产工艺。不同的产品，可以安排在一套相同的生产装置上生产。这种生产装置的核心往往就是一个反应釜，以及和这个反应釜相连的若干投料出料管道。反应釜和管道上附属有各种仪表和执行器。通常，统一通过集散控制系统(Distributed Control System，简称为DCS)/可编程逻辑控制器(Programmable Logic Controller，简称为PLC)控制这些仪表和执行器，并将每个仪表、执行器的测量值记录在实时数据库中。
在相关技术中，操作员在生产过程中会在原始生产记录表上手工记录工艺参数，以及产品在生产完成后的质检结果。操作员根据这些记录，结合DCS/PLC系统自动记录的各种数字仪表的测量值曲线，把一段时间内在该反应釜上生产过的所有产品的生产过程参数、质检结果，整理出来，做进一步的统计分析。
但是，纸质记录往往容易丢失，不容易找齐全一段时间内的某个反应釜生产过的某个产品的原始生产记录表；同时，原始生产记录表中的一些关键数据，比如生产起止时间或质检时间等，往往存在人工记录产生的错误，比如在某天上午生产的产品，记录的时间是在某天下午生产等等；因此需要人工核对每个批次生产记录的准确性，比如查看生产订单或测量值曲线等，这是一个工作量非常大，也不一定能核对清楚的繁琐过程，导致生产信息的处理方法中存在效率和准确率低的问题。
针对相关技术中，生产信息的处理方法中存在效率和准确率低的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种生产信息的处理方法、装置、系统和计算机设备，以至少解决相关技术中生产信息处理方法存在的效率和准确率低的的问题。
第一方面，本申请实施例提供了一种生产信息的处理方法，所述方法包括：
获取生产信息的测量曲线；并根据所述测量曲线和预设规则，获取批次测量曲线；
通过动态时间规整DTW算法，获取所述批次测量曲线的两两距离矩阵；并根据所述两两距离矩阵和获取到的聚类数量，通过聚类算法获取聚类结果；其中，所述聚类结果指示所述生产信息的批次分类。
在其中一些实施例中，所述根据所述两两距离矩阵和获取到的聚类数量，通过聚类算法获取聚类结果包括：
根据所述聚类数量，选取所述两两距离矩阵中的N个距离数据作为N个初始聚类中心，并将所述两两距离矩阵中每个距离数据分配给与其差值最小的一个初始聚类中心，生成第一聚类簇；其中，N为正整数；
确定所述第一聚类簇内的距离数据的第一均值，将所述第一均值设置为所述第一聚类簇的第一中心点；
在第一差值大于或等于第一预设阈值的情况下，将所述距离数据分配给所述第一中心点，生成第二聚类簇；其中，所述第一差值为所述第一中心点与所述初始聚类中心的差值；
确定所述第二聚类簇内的距离数据的第二均值，将所述第二均值设置为所述第二聚类簇的第二中心点；
在第二差值小于所述第一预设阈值的情况下，根据所述第二中心点确定所述聚类结果；其中，所述第二差值为所述第二中心点与所述第一中心点的差值。
在其中一些实施例中，所述根据所述第二中心点确定所述聚类结果包括：
获取所述距离数据与所述第二中心点的第三差值；在所述第三差值大于或者等于第二预设阈值的情况下，将所述距离差距设置为离群点，并对所述离群点进行标记；
根据所述标记和所述第二中心点获取所述聚类结果。
在其中一些实施例中，所述通过动态时间规整(Dynamic Time Warping，简称为DTW)算法，获取所述批次测量曲线的两两距离矩阵包括：
根据所述生产信息的测量装置，获取所述批次测量曲线的距离权重；并根据所述距离权重，通过所述DTW算法获取所述两两距离矩阵。
在其中一些实施例中，所述通过所述DTW算法获取所述两两距离矩阵包括：
根据所述测量装置，获取所述次测量曲线的距离类型；并根据所述距离类型和所述距离权重，获取所述两两距离矩阵。
在其中一些实施例中，所述通过聚类算法获取聚类结果之后，所述方法还包括：
将所述聚类结果发送给终端进行显示；其中，所述聚类结果包括以下至少之一：每个聚类包含的所有批次、中心点和聚类惯性。
第二方面，本申请实施例提供了一种生产信息的处理装置，其特征在于，所述装置包括获取模块、距离模块和聚类模块；
所述获取模块，用于获取生产信息的测量曲线；并根据所述测量曲线和预设规则，获取批次测量曲线；
所述距离模块，用于通过动态时间规整DTW算法，获取所述批次测量曲线的两两距离矩阵；
所述聚类模块，用于根据所述两两距离矩阵和获取到的聚类数量，通过聚类算法获取聚类结果；其中，所述聚类结果指示所述生产信息的批次分类。
第三方面，本申请实施例提供了一种生产信息的处理系统，其特征在于，所述处理系统包括：生产设备、测量设备和主控装置；其中，所述生产设备和所述测量设备连接，所述测量设备和所述主控装置连接；
所述测量装置用于获取所述生产设备的生产信息的测量曲线；
所述主控装置根据所述测量曲线和预设规则，获取批次测量曲线；
所述主控装置通过动态时间规整DTW算法，获取所述批次测量曲线的两两距离矩阵；
所述主控装置根据所述两两距离矩阵和获取到的聚类数量，通过聚类算法获取聚类结果；其中，所述聚类结果指示所述生产信息的批次分类。
第四方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的生产信息的处理方法。
第五方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的生产信息的处理方法。
相比于相关技术，本申请实施例提供的生产信息的处理方法、装置、系统和计算机设备，通过获取生产信息的测量曲线；并根据该测量曲线和预设规则，获取批次测量曲线；通过动态时间规整DTW算法，获取该批次测量曲线的两两距离矩阵；并根据该两两距离矩阵和获取到的聚类数量，通过聚类算法获取聚类结果；其中，该聚类结果指示所述生产信息的批次分类，解决了生产信息的处理方法中存在的效率和准确率低的问题，实现了生产信息处理的优化。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为根据本发明实施例中生产信息处理方法的应用场景的示意图；
图2为根据本申请实施例的生产信息处理方法的流程图一；
图3为根据本申请实施例的生产信息处理方法的流程图二；
图4为根据本申请实施例的生产信息处理方法的流程图三；
图5为根据本申请实施例的生产信息处理方法的流程图四；
图6为根据本申请实施例的生产信息处理方法装置的结构框图一；
图7为根据本申请实施例的生产信息处理方法装置的结构框图二；
图8为根据本申请实施例的生产信息处理方法系统的结构框图一；
图9为根据本申请实施例的生产信息处理方法系统的结构框图二；
图10为根据本申请实施例的计算机设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请提供的生产信息的处理方法，可以应用于如图1所示的应用环境中。其中，终端12通过网络与服务器14进行通信。服务器14获取批次测量曲线，通过DTW算法，获取该批次测量曲线的两两距离矩阵；服务器14接收终端12发送的用户设置的聚类数量，并根据该聚类数量和该两两距离矩阵，通过聚类算法获取聚类结果；最后，该终端12接收该服务器14发送的聚类结果进行显示，操作人员根据该终端12显示的聚类结果获知生产信息的批次分类。其中，终端12可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器14可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在本实施例中，提供了一种生产信息的处理方法。图2为根据本申请实施例的调度处理方法的流程图一，如图2所示，该方法包括如下步骤：
步骤S202，获取生产信息的测量曲线；并根据该测量曲线和预设规则，获取批次测量曲线；其中，该生产信息处理中的主控装置把反应釜及其附属管道上的所有数字仪表的测量曲线，从DCS/PLC模块中抽取出来，构成一个生产信息的多维测量曲线；这些仪表的测量曲线，可以是在时间上连续的整数或浮点数。然后，该主控装置通过一些先验启发式的预设规则，比如反应釜里面是否存在物料，或DCS/PLC是否启动等，把该多维测量曲线按生产开始和结束时间，分割为一个个的批次测量曲线；每个批次测量曲线的时间长度不一定相同，但维数相同。
步骤S204，该主控装置把这些批次测量曲线输入给DTW算法，计算每个批次测量曲线的两两距离，进而获取到批次测量曲线两两距离矩阵；其中，在一个生产装置上按相同的工艺进行多次生产，其附属的大部分仪表(比如气动阀、搅拌器或流量计等等)输出的测量曲线，都有很明显的相似性和波动性，只是每次波动间隔有所区别，两次生产的总生产周期也很难完全相同。因此，用普通的距离计算公式，无法直接计算出两个测量曲线的距离；而该DTW能够计算些批次测量曲线中两两之间的相似程度，并且给出一个能最大程度降低两个批次测量曲线的点到点的匹配，进而可以得到最佳匹配情况下的测量曲线的两两距离；如果把所有仪表每个时间点上的测量值当作一个多维向量，那么用DTW算法同样可以得到这些多维测量曲线的两两距离。
然后，该主控装置把该批次测量曲线两两距离矩阵输入给聚类算法，根据该两两距离矩阵和获取到的操作人员设置的聚类数量，通过该聚类算法获取聚类结果。理论上，最佳的聚类数量是在该生产装置上在这段时间生产过的不同工艺的总数量；操作人员在实际的生产信息处理过程中，可以将聚类数量从2开始根据聚类结果逐步增加。其中，该聚类结果指示该生产信息的批次分类，该操作人员可以人工判断聚类结果中每个聚类对应的生产工艺。
此外，该聚类算法可以为k-means聚类算法，其步骤是将距离数据分为K组，则随机选取K个距离数据作为初始的聚类中心，然后计算每个距离数据与各个种子聚类中心之间的距离，把每个距离数据分配给距离它最近的聚类中心。聚类中心以及分配给它们的距离数据就代表一个聚类；每分配一个样本，聚类的聚类中心会根据聚类中现有的距离数据被重新计算；这个过程将不断重复直到满足某个终止条件；终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小，在达到该终止条件后获得聚类结果；可以理解的是，该聚类算法还可以为二分K-Means算法、Mini Batch K-Means算法、DBSCAN(Density-Based Spatial Clustering ofApplications with Noise，具有噪声的基于密度的聚类方法)或者其他聚类算法。
在相关技术中，对不同批次的生产信息的处理，需要操作人员进行人工核对，导致人员工作量较大且准确性较低；而本申请实施例通过上述步骤S202至步骤S204，将根据预设的先验性规则划分的批次测量曲线输入给DTW算法，进而获取到两两距离矩阵，然后只需要将所有多维测量曲线的两两距离以及期望聚类的数量输入给聚类算法，不需要任何其他信息，就可以得到聚类结果，因此，本实施例中的处理方法可以通过结合DTW算法和聚类算法，只根据DCS/PLC自动记录的数据，自动把某个反应釜上生产过的所有批次生产过程，按不同的生产工艺聚类为若干类，从而快速识别出在相同或相似生产装置上各个批次生产使用的具体工艺，大大提高了核对纸质生产记录的效率和准确性，解决了生产信息的处理方法中存在的效率和准确率低的问题。
在其中一些实施例中，提供了一种生产信息的处理方法。图3为根据本申请实施例的调度处理方法的流程图二，如图3所示，该方法还包括如下步骤：
步骤S302，根据该聚类数量，选取该两两距离矩阵中的N个距离数据作为N个初始聚类中心，并将所述两两距离矩阵中每个距离数据分配给与其差值最小的一个初始聚类中心，生成第一聚类簇；其中，N为正整数，且N可以为操作人员设置的该聚类数量；确定该第一聚类簇内的距离数据的第一均值，将该第一均值设置为该第一聚类簇的第一中心点。
步骤S304，在第一差值大于第一预设阈值的情况下，说明此时该聚类算法未收敛，则将该距离数据分配给该第一中心点，生成第二聚类簇；确定该第二聚类簇内的距离数据的第二均值，将该第二均值设置为该第二聚类簇的第二中心点。其中，该第一差值为该第一中心点与该初始聚类中心的差值，该第一预设阈值可以由操作人员预先根据实际情况进行设置。
步骤S306，在第二差值小于该第一预设阈值的情况下，说明此时该聚类算法趋于收敛，则可以根据该第二中心点确定该聚类结果；否则，继续对该第二聚类簇内的所有距离数据进行迭代聚类，直至满足上述要求。其中，该第二差值为该第二中心点与该第一中心点的差值。
通过上述步骤S302至步骤S304，通过k-means聚类算法获取不同批次生产信息的聚类结果，只需要通过该聚类数量进行调参，因此生产信息处理的实现简单快速；同时，该操作人员可以根据实际处理情况调整并确定该聚类算法的k值，从而对该聚类算法进行了优化。
在其中一些实施例中，提供了一种生产信息的处理方法。图4为根据本申请实施例的调度处理方法的流程图三，如图4所示，该方法还包括如下步骤：
步骤S402，获取该距离数据与该第二中心点的第三差值；在该第三差值大于或者等于第二预设阈值的情况下，将该距离差距设置为离群点，并对该离群点进行标记；其中，该第二预设阈值可以由该操作人员根据实施情况进行设置，例如，该第二预设阈值可以为聚类簇的平均半径；然后，根据该标记和各个聚类中心点获取聚类结果，操作人员可以通过该聚类结果中标记的离群点检查批次分类是否正确；通过上述步骤，将距离该聚类簇的中心点较远的离散点标记出来，便于该操作人员在聚类结果中检查离聚类中心点比较远的批次，简化了该操作人员的工作量，同时避免了聚类算法中少量孤立的离散点对该聚类结果的影响，从而进一步提高了生产信息处理的效率和准确性。
在其中一些实施例中，提供了一种生产信息的处理方法。图5为根据本申请实施例的调度处理方法的流程图四，如图5所示，该方法还包括如下步骤：
步骤S502，根据该生产信息的测量装置，获取该批次测量曲线的距离类型和距离权重；其中，对于每个仪表的测量值都可以定义一个距离类型，比如欧式距离、绝对值距离或最大值距离等；同时，每个仪表可以定义不同的距离权重；然后根据该距离类型和该距离权重，通过该DTW算法获取该两两距离矩阵。通过上述步骤S502，对于不同仪表获取的批次测量曲线，设置与之相匹配的距离类型和距离权重，并根据该距离类型和该距离权重调整DTW算法的结果，使得该DTW算法输出的两两距离矩阵与不同批次相适应，从而实现了对该DTW算法的优化，进一步提高了生产信息的处理方法的准确性。
在其中一些实施例中，通过聚类算法获取聚类结果之后，该方法还包括如下步骤：将该聚类结果发送给终端12进行显示；其中，该聚类结果包括以下至少之一：每个聚类包含的所有批次、中心点和聚类惯性；通过上述步骤，操作人员可以通过终端12查看聚类结果，以便该操作人员实时掌握生产信息的批次分类情况。
下面结合实际应用场景对本申请的实施例进行详细说明，本申请实施例中根据预设时间对某个反应釜上在一段时间内的生产信息的起始时间和结束时间进行划分，一共可以获得24个生产批次，表1是某个反应釜上在一段时间内的所有生产批次，如表1所示。其中打#号的是某种已知工艺的生产批次，其他是未知工艺生产批次。
表1生产批次汇总表
Figure BDA0002462911910000101
通过DTW算法将表1中24个生产批次的批次测量曲线进行处理，获得两两距离矩阵；在该操作人员将聚类数量设定为2的情况下，则利用k-means聚类算法对该通过该两两距离矩阵进行聚类，该k-means聚类算法在得到两个聚类簇时结束计算，从而得到表1中所有生产批次的聚类结果，其中聚类结果中的聚类1完全由已知工艺批次组成，聚类2由未知工艺批次组成；这些结果都证明了本发明的有效性。
应该理解的是，虽然图2至图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本实施例还提供了一种生产信息的处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图6为根据本申请实施例的调度处理装置的结构框图一，如图6所示，该装置包括获取模块62、距离模块64和聚类模块66；该获取模块62，用于获取生产信息的测量曲线；该获取模块62根据该测量曲线和预设规则，获取批次测量曲线；该距离模块64，用于通过动态时间规整DTW算法，获取该批次测量曲线的两两距离矩阵；该聚类模块66，用于根据该两两距离矩阵和获取到的聚类数量，通过聚类算法获取聚类结果；其中，该聚类结果指示该生产信息的批次分类。
通过上述实施例，该距离模块64将根据预设的先验性规则划分的批次测量曲线输入给DTW算法，进而获取到两两距离矩阵，然后该聚类模块66只需要将所有多维测量曲线的两两距离以及期望聚类的数量输入给聚类算法，不需要任何其他信息，就可以得到聚类结果，因此，本实施例中的处理装置可以只根据DCS/PLC自动记录的数据，快速识别出在相同或相似生产装置上各个批次生产使用的具体工艺，从而提高了生产信息处理的效率和准确性，解决了生产信息的处理方法中存在的效率和准确率低的问题。
在其中一些实施例中，该聚类模块66还用于选取该两两距离矩阵中的N个距离数据作为初始聚类中心，并将所述两两距离矩阵中每个距离数据分配给与其差值最小的一个初始聚类中心，生成第一聚类簇；其中，N为正整数；该聚类模块66确定该第一聚类簇内的距离数据的第一均值，将该第一均值设置为该第一聚类簇的第一中心点。
该聚类模块66在第一差值大于或等于第一预设阈值的情况下，将该距离数据分配给该第一中心点，生成第二聚类簇；其中，该第一差值为该第一中心点与该初始聚类中心的差值；该聚类模块66确定该第二聚类簇内的距离数据的第二均值，将该第二均值设置为该第二聚类簇的第二中心点；该聚类模块66在第二差值小于该第一预设阈值的情况下，根据该第二中心点确定该聚类结果；其中，该第二差值为该第二中心点与该第一中心点的差值。
在其中一些实施例中，该聚类模块66还用于获取该距离数据与该第二中心点的第二差值；该聚类模块66在该第二差值大于或者等于第二预设阈值的情况下，将该距离差距设置为离群点，并对该离群点进行标记；该聚类模块66根据该标记和聚类中心点获取聚类结果。
在其中一些实施例中，该距离模块64还用于根据该生产信息的测量装置，获取该批次测量曲线的距离权重；该距离模块64根据该距离权重，通过该DTW算法获取该两两距离矩阵。
在其中一些实施例中，该距离模块64还用于根据该测量装置，获取该次测量曲线的距离类型；该距离模块64根据该距离类型和该距离权重，获取该两两距离矩阵。
在其中一些实施例中，提供了一种生产信息的处理装置，图7为根据本申请实施例的生产信息处理装置的结构框图二，如图7所示，该装置还包括显示模块72；该显示模块72用于将该聚类结果发送给终端12进行显示；其中，该聚类结果包括以下至少之一：每个聚类包含的所有批次、中心点和聚类惯性。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本实施例中，提供了一种生产信息的处理系统，图8为根据本申请实施例的生产信息处理系统的结构框图一，如图8所示，该系统包括：生产设备82、测量设备84和主控装置86；该生产设备82用于生产不同的产品，该生产设备82可以为反应釜，以及和这个反应釜相连的若干投料出料管道。
该测量装置84用于获取该生产设备的生产信息的测量曲线；该测量装置84可以为反应釜和管道上附属的各种仪表和执行器，以及用于控制这些数字仪表的DCS/PLC模块；该测量装置84分别和该生产设备82、该主控装置86连接。
该主控装置86根据该测量曲线和预设规则，获取批次测量曲线；该主控装置86通过动态时间规整DTW算法，获取该批次测量曲线的两两距离矩阵；该主控装置86根据该两两距离矩阵和获取到的聚类数量，通过聚类算法获取聚类结果；其中，该聚类结果指示该生产信息的批次分类。
通过上述实施例，该主控装置86根据预设的先验性规则划分的批次测量曲线输入给DTW算法，进而获取到两两距离矩阵，然后只需要将所有多维测量曲线的两两距离以及期望聚类的数量输入给聚类算法，不需要任何其他信息，就可以得到聚类结果，因此，本实施例中的处理系统可以只根据DCS/PLC自动记录的数据，快速识别出在相同或相似生产装置上各个批次生产使用的具体工艺，从而提高了生产信息处理的效率和准确性，解决了生产信息的处理方法中存在的效率和准确率低的问题。
在其中一些实施例中，该主控装置86还用于根据该聚类数量，选取该两两距离矩阵中的N个距离数据作为N个初始聚类中心，并将该两两距离矩阵中每个距离数据分配给与该初始聚类中心差值最小的聚类，生成第一聚类簇；其中，N为正整数；该主控装置86确定该第一聚类簇内的距离数据的第一均值，将该第一均值设置为该第一聚类簇的第一中心点。
该主控装置86在第一差值大于或等于第一预设阈值的情况下，将该距离数据分配给该第一中心点，生成第二聚类簇；其中，该第一差值为该第一中心点与该初始聚类中心的差值；该主控装置86确定该第二聚类簇内的距离数据的第二均值，将该第二均值设置为该第二聚类簇的第二中心点；该主控装置86在第二差值小于该第一预设阈值的情况下，根据该第二中心点确定该聚类结果；其中，该第二差值为该第二中心点与该第一中心点的差值。
在其中一些实施例中，该主控装置86还用于获取该距离数据与该第二中心点的第二差值；该主控装置86在该第二差值大于或者等于第二预设阈值的情况下，将该距离差距设置为离群点，并对该离群点进行标记；该主控装置86根据该标记和聚类中心点获取聚类结果。
在其中一些实施例中，该主控装置86还用于根据该生产信息的测量装置，获取该批次测量曲线的距离类型和距离权重；该主控装置86根据该距离类型和该距离权重，通过该DTW算法获取该两两距离矩阵。
在其中一些实施例中，提供了一种生产信息的处理系统，图9为根据本申请实施例的生产信息处理系统的结构框图二，如图9所示，该装置还包括终端12；其中，该终端12和主控装置86连接；该终端12用于接收该主控装置86发送的聚类结果并进行显示。
另外，结合图1描述的本申请实施例生产信息的处理方法可以由计算机设备来实现。图10为根据本申请实施例的计算机设备的硬件结构示意图。
该计算机设备可以包括处理器101以及存储有计算机程序指令的存储器102。
具体地，上述处理器101可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器102可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器102可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(Solid State Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerial Bus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器102可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器102可在数据处理装置的内部或外部。在特定实施例中，存储器102是非易失性(Non-Volatile)存储器。在特定实施例中，存储器102包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(Random Access Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(ErasableProgrammable Read-Only Memory，简称为EPROM)、电可擦除PROM(Electrically ErasableProgrammable Read-Only Memory，简称为EEPROM)、电可改写ROM(ElectricallyAlterable Read-Only Memory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-AccessMemory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode DynamicRandom Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDate Out Dynamic Random Access Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器102可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器101所执行的可能的计算机程序指令。
处理器101通过读取并执行存储器102中存储的计算机程序指令，以实现上述实施例中的任意一种生产信息的处理方法。
在其中一些实施例中，该计算机设备还可包括通信接口103和总线104。其中，如图10所示，处理器101、存储器102、通信接口103通过总线104连接并完成相互间的通信。
通信接口103用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口103还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线104包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线104包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线104可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线104可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该计算机设备可以基于获取到的测量曲线和聚类数量，执行本申请实施例中的生产信息的处理方法，从而实现结合图1描述的生产信息的处理方法。
另外，结合上述实施例中的生产信息的处理方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种生产信息处理方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种生产信息的处理方法，其特征在于，所述方法包括：
获取生产信息的测量曲线；并根据所述测量曲线和预设规则，获取批次测量曲线；
通过动态时间规整DTW算法，获取所述批次测量曲线的两两距离矩阵；并根据所述两两距离矩阵和获取到的聚类数量，通过聚类算法获取聚类结果；其中，所述聚类结果指示所述生产信息的批次分类。
2.根据权利要求1所述的处理方法，其特征在于，所述根据所述两两距离矩阵和获取到的聚类数量，通过聚类算法获取聚类结果包括：
根据所述聚类数量，选取所述两两距离矩阵中的N个距离数据作为N个初始聚类中心，并将所述两两距离矩阵中每个距离数据分配给与其差值最小的一个初始聚类中心，生成第一聚类簇；其中，N为正整数；
确定所述第一聚类簇内的距离数据的第一均值，将所述第一均值设置为所述第一聚类簇的第一中心点；
在第一差值大于或等于第一预设阈值的情况下，将所述距离数据分配给所述第一中心点，生成第二聚类簇；其中，所述第一差值为所述第一中心点与所述初始聚类中心的差值；
确定所述第二聚类簇内的距离数据的第二均值，将所述第二均值设置为所述第二聚类簇的第二中心点；
在第二差值小于所述第一预设阈值的情况下，根据所述第二中心点确定所述聚类结果；其中，所述第二差值为所述第二中心点与所述第一中心点的差值。
3.根据权利要求2所述的处理方法，其特征在于，所述根据所述第二中心点确定所述聚类结果包括：
获取所述距离数据与所述第二中心点的第三差值；在所述第三差值大于或者等于第二预设阈值的情况下，将所述距离差距设置为离群点，并对所述离群点进行标记；
根据所述标记和所述第二中心点获取所述聚类结果。
4.根据权利要求1所述的处理方法，其特征在于，所述通过动态时间规整DTW算法，获取所述批次测量曲线的两两距离矩阵包括：
根据所述生产信息的测量装置，获取所述批次测量曲线的距离权重；并根据所述距离权重，通过所述DTW算法获取所述两两距离矩阵。
5.根据权利要求4所述的处理方法，其特征在于，所述通过所述DTW算法获取所述两两距离矩阵包括：
根据所述测量装置，获取所述次测量曲线的距离类型；并根据所述距离类型和所述距离权重，获取所述两两距离矩阵。
6.根据权利要求1至5任一项所述的处理方法，其特征在于，所述通过聚类算法获取聚类结果之后，所述方法还包括：
将所述聚类结果发送给终端进行显示；其中，所述聚类结果包括以下至少之一：每个聚类包含的所有批次、中心点和聚类惯性。
7.一种生产信息的处理装置，其特征在于，所述装置包括获取模块、距离模块和聚类模块；
所述获取模块，用于获取生产信息的测量曲线；并根据所述测量曲线和预设规则，获取批次测量曲线；
所述距离模块，用于通过动态时间规整DTW算法，获取所述批次测量曲线的两两距离矩阵；
所述聚类模块，用于根据所述两两距离矩阵和获取到的聚类数量，通过聚类算法获取聚类结果；其中，所述聚类结果指示所述生产信息的批次分类。
8.一种生产信息的处理系统，其特征在于，所述处理系统包括：生产设备、测量设备和主控装置；其中，所述生产设备和所述测量设备连接，所述测量设备和所述主控装置连接；
所述测量装置用于获取所述生产设备的生产信息的测量曲线；
所述主控装置根据所述测量曲线和预设规则，获取批次测量曲线；
所述主控装置通过动态时间规整DTW算法，获取所述批次测量曲线的两两距离矩阵；
所述主控装置根据所述两两距离矩阵和获取到的聚类数量，通过聚类算法获取聚类结果；其中，所述聚类结果指示所述生产信息的批次分类。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的生产信息的处理方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6中任一项所述的生产信息的处理方法。
CN202010325134.6A 2020-04-23 2020-04-23 生产信息的处理方法、装置、系统和计算机设备 Pending CN111666970A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010325134.6A CN111666970A (zh) 2020-04-23 2020-04-23 生产信息的处理方法、装置、系统和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010325134.6A CN111666970A (zh) 2020-04-23 2020-04-23 生产信息的处理方法、装置、系统和计算机设备

Publications (1)

Publication Number Publication Date
CN111666970A true CN111666970A (zh) 2020-09-15

Family

ID=72382797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010325134.6A Pending CN111666970A (zh) 2020-04-23 2020-04-23 生产信息的处理方法、装置、系统和计算机设备

Country Status (1)

Country Link
CN (1) CN111666970A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113808090A (zh) * 2021-09-08 2021-12-17 中国科学院深圳先进技术研究院 一种磁共振图像处理方法、终端设备及计算机存储介质
CN114220111A (zh) * 2021-12-22 2022-03-22 深圳市伊登软件有限公司 基于云平台的图文批量识别方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710235A (zh) * 2009-12-11 2010-05-19 重庆大学 一种数控机床在线加工工件的自动识别和监控方法
CN107315647A (zh) * 2017-06-26 2017-11-03 广州视源电子科技股份有限公司 离群点检测方法和系统
US20190332101A1 (en) * 2018-04-30 2019-10-31 Aspen Technology, Inc. Computer System And Method For Automated Batch Data Alignment In Batch Process Modeling, Monitoring And Control

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710235A (zh) * 2009-12-11 2010-05-19 重庆大学 一种数控机床在线加工工件的自动识别和监控方法
CN107315647A (zh) * 2017-06-26 2017-11-03 广州视源电子科技股份有限公司 离群点检测方法和系统
US20190332101A1 (en) * 2018-04-30 2019-10-31 Aspen Technology, Inc. Computer System And Method For Automated Batch Data Alignment In Batch Process Modeling, Monitoring And Control

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
叶燕清等: "基于加权动态时间弯曲的多元时间序列相似性匹配方法", 《模式识别与人工智能》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113808090A (zh) * 2021-09-08 2021-12-17 中国科学院深圳先进技术研究院 一种磁共振图像处理方法、终端设备及计算机存储介质
CN114220111A (zh) * 2021-12-22 2022-03-22 深圳市伊登软件有限公司 基于云平台的图文批量识别方法及系统

Similar Documents

Publication Publication Date Title
US11526799B2 (en) Identification and application of hyperparameters for machine learning
US11144828B2 (en) Training task optimization system, training task optimization method and non-transitory computer readable medium for operating the same
WO2020233320A1 (zh) 提醒任务分配方法、装置、计算机设备和存储介质
US9626426B2 (en) Clustering using locality-sensitive hashing with improved cost model
CN105718502A (zh) 用于高效特征匹配的方法和设备
WO2019169704A1 (zh) 一种数据分类方法、装置、设备及计算机可读存储介质
WO2019019649A1 (zh) 投资组合产品的生成方法、装置、存储介质和计算机设备
CN111666970A (zh) 生产信息的处理方法、装置、系统和计算机设备
JP2023523029A (ja) 画像認識モデル生成方法、装置、コンピュータ機器及び記憶媒体
CN110087228B (zh) 一种业务套餐的确定方法及装置
WO2020048048A1 (zh) 不平衡样本数据预处理方法、装置和计算机设备
WO2021068524A1 (zh) 图像匹配方法、装置、计算机设备及存储介质
TW201532070A (zh) 用於寫入經遮罩資料至緩衝器之裝置及方法
CN114095503A (zh) 一种基于区块链的联邦学习参与节点选择方法
WO2022007596A1 (zh) 图像检索系统、方法和装置
CN115774854B (zh) 一种文本分类方法、装置、电子设备和存储介质
CN111582967A (zh) 内容搜索方法、装置、设备及存储介质
CN114372970B (zh) 一种手术参考信息生成方法及装置
CN109002446B (zh) 一种智能排序方法、终端与计算机可读存储介质
WO2018040561A1 (zh) 数据处理方法、装置及系统
US20210319058A1 (en) Location-based alarm notification application
CN107992886B (zh) 一种燃机压气机设备故障趋势预测方法
CN113434471A (zh) 数据处理方法、装置、设备及计算机存储介质
US9715624B1 (en) Document image segmentation based on pixel classification
US11500790B1 (en) Systems and methods for fast round robin for wide masters

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210318

Address after: Room 406-10, building 2, ChuanHua Kechuang building, ningwei street, Xiaoshan District, Hangzhou, Zhejiang 311200

Applicant after: Hangzhou Ruijiang Technology Co.,Ltd.

Address before: Room 201-56, Xiaoshan science and Technology City, building 1, ChuanHua Kechuang building, Xiaoshan District, Hangzhou, Zhejiang 311200

Applicant before: Hangzhou CHUANHUA Intelligent Manufacturing Technology Co.,Ltd.