CN112231912A - 基于离散行业工业物联网的多元线性回归品质预测系统 - Google Patents
基于离散行业工业物联网的多元线性回归品质预测系统 Download PDFInfo
- Publication number
- CN112231912A CN112231912A CN202011106254.3A CN202011106254A CN112231912A CN 112231912 A CN112231912 A CN 112231912A CN 202011106254 A CN202011106254 A CN 202011106254A CN 112231912 A CN112231912 A CN 112231912A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- things
- linear regression
- industrial internet
- 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
Links
- 238000012417 linear regression Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 8
- 238000012628 principal component regression Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于离散行业工业物联网的多元线性回归品质预测系统,属于工业物联网技术领域,包括数据采集模块、数据分析模块和模型迭代模块,其特征在于,所述数据采集模块通过通过分析工艺情况,在所需的关键部位设置传感器,数据通过传感器传至工业物联网平台,在平台内将数据存放至相应的数据库;所述数据分析模块是将数据通过傅里叶变换后结合工艺情况构建MEL模型,进行产品的质量预测。通过模型的运行可以使得产品质量的检验提高可靠性。可以在规定的时间以及工况下,让其产品达到相应规定功能的能力,设定好规定的条件,为其数据信息的变化提供较为精准的化验方式以及手段。
Description
技术领域
本发明属于工业物联网技术领域,具体是基于离散行业工业物联网的多元线性回归品质预测系统。
背景技术
多远线性回归(MLR)是指有两个或两个以上的自变量的回归分析,一种现象常常是与多个因素相联系的,由多个自变量的最优组合共同来预测或估计因变量,比只用一个自变量进行预测或估计更有效,更符合实际,因此多元线性回归比一元线性回归的实用意义更大。
在我国大部分的工业体系中,都会使用质量监督体系去改变各类生产流程,以此来提高生产厂家对产品质量的重视程度,最大限度地减小次品的生产率。但是随着社会经济水平的提升,市场对于流程类生产企业的产品需求量不断扩大,这就导致很多企业盲目的注重生产效率,从而对产品质量产生了忽视,最终导致其产生了比较多且质量问题严重的产品。近些年来,国内开始加大了对流程类企业产品质量的检查,其所设定的检验要求也开始变得愈发的严苛,总体产品检测出的结果也比较准确,整体来说流程制造类企业的质量监督体系不够完整,把问题过于集中在源头,没有将质量监督工作落实到实处,质量监督工作也没有深入到生产厂家的内心。
发明内容
本发明的目的在于提供基于离散行业工业物联网的多元线性回归品质预测系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于离散行业工业物联网的多元线性回归品质预测系统,包括数据采集模块、数据分析模块和模型迭代模块,所述数据采集模块通过通过分析工艺情况,在所需的关键部位设置传感器,数据通过传感器传至工业物联网平台,在平台内将数据存放至相应的数据库;所述数据分析模块是将数据通过傅里叶变换后结合工艺情况构建MEL模型,进行产品的质量预测;所述模型迭代模块是利用MLR模型计算数据后,数据通过计算重新导入数据库,同时作为数据整体参与下一次数据的迭代。
作为本发明的进一步方案:基于离散行业工业物联网的多元线性回归品质预测系统的流程步骤如下:
S1、模型搭建;
S2、多重共线性;
S3、得分矩阵T的获取。
作为本发明的再进一步方案:所述步骤S1中根据变量个数m与样本个数n的大小关系,分为三种情况:
a)当m>n时,变量个数多余样本个数;
b)当m=n时,变量个数与样本个数相等,此种情况为极端情况,若X满秩,b可以得到最优值。此时e=y-Xb=0,即残差的向量为零向量;
c)当m<n时,变量个数小于样本个数,通过e=y-Xb获取相应的解。
与现有技术相比,本发明具有以下的有益效果:
1.通过模型的运行可以使得产品质量的检验提高可靠性。可以在规定的时间以及工况下,让其产品达到相应规定功能的能力,设定好规定的条件,为其数据信息的变化提供较为精准的化验方式以及手段。
2.项目总结了基于工业物联网的在线品质控制预测系统的组成,包括系统整体结构软件逻辑架构、系统功流程图、不同类型传感器监测数据的对比和预测。在线监测及与关联的智能预测系统,基于在线传感技术、工业互联网技术和大数据中心,实现从数据采集端到技术服务端的无缝连接,为企业的品质控制人员在开展工作时,提供有效的参考。
附图说明
图1为基于离散行业工业物联网的多元线性回归品质预测系统的流程图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
请参阅图1,基于离散行业工业物联网的多元线性回归品质预测系统,包括数据采集模块、数据分析模块和模型迭代模块;所述数据采集模块通过通过分析工艺情况,在所需的关键部位设置传感器,具体包括温度、压力、液位、流量传感器,数据通过传感器传至工业物联网平台,在平台内将数据存放至相应的数据库。
所述数据分析模块是将数据通过傅里叶变换后发现,基本上95%以上的数据的处在低频区,所以结合工艺情况构建MEL模型,进行产品的质量预测。
所述模型迭代模块是利用MLR模型计算数据后,数据通过计算重新导入数据库,同时作为数据整体参与下一次数据的迭代,因为MLR模型所需数据量较大,系统的准确性也随着时间的推移越来越高。
基于离散行业工业物联网的多元线性回归品质预测系统的流程,其具体步骤如下:
S1、模型搭建
现场采集的数据构成了自变量,预测的数据为因变量,所以项目中自变量用m表示,样本点用n表示。多元线性回归建模的线性表示为:
其中:b为回归系数;e为残差;
将其改写成矩阵形式为:
y=Xb+e
根据变量个数m与样本个数n的大小关系,分为三种情况:
a)当m>n时,变量个数多余样本个数;
b)当m=n时,变量个数与样本个数相等,此种情况为极端情况,若X满秩,b可以得到最优值。此时e=y-Xb=0,即残差的向量为零向量;
a)当m<n时,变量个数小于样本个数,通过e=y-Xb获取相应的解。
S2、多重共线性
1)通过实验利用主成分回归(PCR)处理,效果最好,具体步骤为:
2)对协方差矩阵S进行奇异值分解:
S=V∧VT
其中∧-由矩阵S的非负特征值按照大小顺序排列组成的对角阵;V-正交矩阵,其中VTV=I,I为单位矩阵;则:
所以:
此时,根据方差贡献率选择所需要的维数,若a<m个主成分的累计方差达到一定的阈值,就可以用a个主成分表征原始特征空间的数据,则原始的m维空间数据就降为a维。
S3、得分矩阵T的获取
通过保留与a个最大特征向量彼此对应排列的负载向量得到负载矩阵P∈Rm×a,则原始数据X在低维映射空间的投影信息含在T=XP的得分矩阵中;
主成分回归(PCR)矩阵就是主成分T代替演示数据矩阵X进行的多元线性回归,计算完成后,MLR中的y=Xb+e被重写为y=Tb+E,对应的解为:
本发明的工作原理是:在测试开始后,如果有数据库则直接对数据库存储的数据进行调用,然后进行稳定性分析,稳定性分析之后进行数据可视化分析,若没有进行稳定性分析则需要先进行多远线性回归(MLR)分析,多远线性回归(MLR)分析完成之后再进行数据可视化分析,然后将分析得到的结果输出;如果没有数据库则先对数据进行采集,将采集得到的数据传输到工业物联网平台,并在工业物联网平台上建立数据库,然后再对数据进行处理并进行显示,然后将得到的数据进行输出,否则则重新输送到流程界面。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
上面对本专利的较佳实施方式作了详细说明,但是本专利并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本专利宗旨的前提下作出各种变化。
Claims (3)
1.基于离散行业工业物联网的多元线性回归品质预测系统,包括数据采集模块、数据分析模块和模型迭代模块,其特征在于,所述数据采集模块通过通过分析工艺情况,在所需的关键部位设置传感器,数据通过传感器传至工业物联网平台,在平台内将数据存放至相应的数据库;所述数据分析模块是将数据通过傅里叶变换后结合工艺情况构建MEL模型,进行产品的质量预测;所述模型迭代模块是利用MLR模型计算数据后,数据通过计算重新导入数据库,同时作为数据整体参与下一次数据的迭代。
2.基于离散行业工业物联网的多元线性回归品质预测系统的流程步骤如下:
S1、模型搭建:现场采集的数据构成了自变量,预测的数据为因变量,所以项目中自变量用m表示,样本点用n表示。多元线性回归建模的线性表示为:
其中:b为回归系数;e为残差;
将其改写成矩阵形式为:
y=Xb+e
S2、多重共线性
1)通过实验利用主成分回归(PCR)处理,效果最好,具体步骤为:
2)对协方差矩阵S进行奇异值分解:
S=V∧VT
其中∧-由矩阵S的非负特征值按照大小顺序排列组成的对角阵;V-正交矩阵,其中VTV=I,I为单位矩阵;则:
所以:
此时,根据方差贡献率选择所需要的维数,若a<m个主成分的累计方差达到一定的阈值,就可以用a个主成分表征原始特征空间的数据,则原始的m维空间数据就降为a维。
S3、得分矩阵T的获取
通过保留与a个最大特征向量彼此对应排列的负载向量得到负载矩阵P∈Rm×a,则原始数据X在低维映射空间的投影信息含在T=XP的得分矩阵中;
主成分回归矩阵就是主成分T代替演示数据矩阵X进行的多元线性回归,计算完成后,MLR中的y=Xb+e被重写为y=Tb+E,对应的解为:
3.根据权利要求2所述的基于离散行业工业物联网的多元线性回归品质预测系统的流程,其特征在于,所述步骤S1中根据变量个数m与样本个数n的大小关系,分为三种情况:
a)当m>n时,变量个数多余样本个数;
b)当m=n时,变量个数与样本个数相等,此种情况为极端情况,若X满秩,b可以得到最优值。此时e=y-Xb=0,即残差的向量为零向量;
c)当m<n时,变量个数小于样本个数,通过e=y-Xb获取相应的解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011106254.3A CN112231912A (zh) | 2020-10-16 | 2020-10-16 | 基于离散行业工业物联网的多元线性回归品质预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011106254.3A CN112231912A (zh) | 2020-10-16 | 2020-10-16 | 基于离散行业工业物联网的多元线性回归品质预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112231912A true CN112231912A (zh) | 2021-01-15 |
Family
ID=74117700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011106254.3A Pending CN112231912A (zh) | 2020-10-16 | 2020-10-16 | 基于离散行业工业物联网的多元线性回归品质预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231912A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2092713A1 (en) * | 1990-10-12 | 1992-04-13 | James Milton Brown | Spectral data measurement and correction |
CN103514369A (zh) * | 2013-09-18 | 2014-01-15 | 上海交通大学 | 一种基于主动学习的回归分析系统及方法 |
CN110390478A (zh) * | 2019-07-17 | 2019-10-29 | 江苏云脑数据科技有限公司 | 基于物联网的金融贷后监管系统与监管方法 |
-
2020
- 2020-10-16 CN CN202011106254.3A patent/CN112231912A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2092713A1 (en) * | 1990-10-12 | 1992-04-13 | James Milton Brown | Spectral data measurement and correction |
CN103514369A (zh) * | 2013-09-18 | 2014-01-15 | 上海交通大学 | 一种基于主动学习的回归分析系统及方法 |
CN110390478A (zh) * | 2019-07-17 | 2019-10-29 | 江苏云脑数据科技有限公司 | 基于物联网的金融贷后监管系统与监管方法 |
Non-Patent Citations (3)
Title |
---|
刘蕾: ""多元统计分析及其组合预测对质量的评估"", 《中国优秀硕士学位论文全文数据库(基础科学辑)》 * |
罗明英 等: ""基于正交独立成分分析的过程数据建模"", 《信息与控制》 * |
蒋晋文: ""制造业产品批次质量预测关键技术研究"", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3809220B1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
Lennox et al. | Process monitoring of an industrial fed‐batch fermentation | |
CN109305534B (zh) | 基于计算机视觉的煤码头带式输送机自适应控制方法 | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN109948860A (zh) | 一种机械系统剩余寿命预测方法及系统 | |
CN114813105A (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 | |
CN111460728A (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN111638707B (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
CN107403196B (zh) | 基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法 | |
CN111339642B (zh) | 仿真模型率定方法、系统、可读介质、设备 | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN112001125A (zh) | 一种工业机器人失效率预计方法 | |
CN115358281A (zh) | 一种基于机器学习的冷热一体机监测控制方法及系统 | |
CN107220713B (zh) | 基于健康状态的机器人手臂实时保养方法 | |
US7155367B1 (en) | Method for evaluating relative efficiency of equipment | |
CN112231912A (zh) | 基于离散行业工业物联网的多元线性回归品质预测系统 | |
Yunfeng et al. | On-line fault detection using SVM-based dynamic MPLS for batch processes | |
CN116293454A (zh) | 一种基于蒸汽管网动态平衡的管理系统、方法及介质 | |
CN116224887A (zh) | 一种多工况间歇过程故障监测方法 | |
CN101118423A (zh) | 虚拟测量预估模型的适用性选择方法与系统 | |
Liu et al. | Batch process monitoring with two-dimensional LSTM-variational auto-encoder | |
Chen et al. | Autoclave Molding Artificial Intelligence (AI) Method and Apparatus System of Composite Materials for Aerospace Applications | |
CN117076260B (zh) | 一种参数及设备异常检测方法及装置 | |
CN117764422B (zh) | 智慧节能运维管理云平台 | |
CN117268460B (zh) | 一种基于物联网的室内外联动监测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210115 |