CN112508320B - 一种批生产的自动过程阶段划分工作流 - Google Patents
一种批生产的自动过程阶段划分工作流 Download PDFInfo
- Publication number
- CN112508320B CN112508320B CN202010996685.5A CN202010996685A CN112508320B CN 112508320 B CN112508320 B CN 112508320B CN 202010996685 A CN202010996685 A CN 202010996685A CN 112508320 B CN112508320 B CN 112508320B
- Authority
- CN
- China
- Prior art keywords
- batch
- data
- workflow
- value
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000008569 process Effects 0.000 title claims abstract description 84
- 238000010923 batch production Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000000513 principal component analysis Methods 0.000 claims abstract description 6
- 238000013075 data extraction Methods 0.000 claims abstract description 3
- 230000008859 change Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 19
- 238000007418 data mining Methods 0.000 abstract description 5
- 238000001816 cooling Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 238000001035 drying Methods 0.000 description 2
- 238000005469 granulation Methods 0.000 description 2
- 230000003179 granulation Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009477 fluid bed granulation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011020 pilot scale process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
Abstract
本发明属于数据挖掘技术领域，尤其是涉及一种批生产的自动过程阶段划分工作流。一种批生产的自动过程阶段划分工作流，包括以下步骤：S1、数据提取，从数据源获取目标过程的多批次生产过程数据，将批次数记为m；S2、特征提取，按行将数据矩阵D均匀分段得到n个矩阵Di；S3、投影聚类，将每个批次的统计特征矩阵按批次顺序排列，整理为S(m×n)×k并进行主成分分析；S4、阶段划分，逐批次分析样本投影的聚类结果，并以时间顺序标签进行划分。本发明提供了一种能在无工艺相关的先验知识指导的情况下，利用批生产的历史过程数据对目标过程进行描述，进一步帮助理解生产规律的批生产的自动过程阶段划分工作流。
Description
技术领域
本发明属于数据挖掘技术领域，尤其是涉及一种批生产的自动过程阶段划分工作流。
背景技术
工业生产数据具有大量(volume)、高速(velocity)、多样性(variety)、真实性(veracity)、可见性(visibility)和价值(value)的特征。产生工业数据的主体是人和机器，即由人工输入的数据和通过相应传感器、仪器仪表、智能终端从设备上采集的数据，其中来自机器的数据在体量上占主要地位。数据挖掘(Data Mining)是指从大量含有噪声的、不完全的、模糊的数据中提取事先未知的又有潜在价值的信息的过程。生产数据中含有宝贵的信息，通过数据挖掘，能进一步揭示生产规律，助力生产优化。
当前批生产方式广泛应用于制药、食品、化工等行业。批生产数据存在以下特点：生产过程数据为时序数据，能反映生产过程随时间变化的趋势；每个批次的时间长度通常不相等，故每批次的过程变量样本数不同；生产过程数据采集频率高，变量数多，导致单批次的数据量大。以上特点均对生产数据的分析工作提出了挑战。
主成分分析(Principal component analysis,PCA)是最为常用的一种降维方法，能有效的处理工业生产数据这样的多样本、多变量数据集。PCA通过求取主成分，构建新的坐标系，将原始数据投影到新的空间中，从而实现数据降维。聚类算法为一种非监督(unsupervised)的学习方法，通过衡量样本之间的相似性，从而将相似的样本划归为一类。DBSCAN(density-based spatial clustering of applications with noise)属于密度聚类算法(density-based clustering)，能基于样本分布的紧密程度来确定聚类结构，适用于非凸数据和大小不均等的簇的划分。其中无法归入任何簇的样本将被判定为噪声(noise)。
描述生产过程的目的在于加深理解、探究规律。目前我们对生产过程的初步认识往往来源于既定的工艺要求。但人为设定的工艺要求存在客观局限，并不足以反映过程的真实情况。基于数据的生产过程描述，能够摆脱工艺要求限制，反应更真实的过程变化情况。
发明内容
本发明所要解决的技术问题是提供一种能在无工艺相关的先验知识指导的情况下，利用批生产的历史过程数据对目标过程进行描述，进一步帮助理解生产规律的批生产的自动过程阶段划分工作流。为此，本发明采用以下技术方案：
一种批生产的自动过程阶段划分工作流，包括以下步骤：
S1、数据提取，从数据源获取目标过程的多批次生产过程数据，将批次数记为m，选定用于分析的连续变量后每个批次的数据阵列D为：
其中，t为样本数，v为变量数；
S2、特征提取，按行将数据矩阵D均匀分段得到n个矩阵Di，其中，i＝1,2,…,n，Di列数为v，平均行数
基于矩阵Di提取各个变量的统计指标并构建行向量s，每个Di均生成一个si作为新样本，当前批次的统计特征矩阵Sn×k为：
其中，k为行向量s包含的元素个数，i＝0,1,2,…,n-1，i为样本的时间顺序标签；
S3、投影聚类，将每个批次的统计特征矩阵按批次顺序排列，整理为S(m×n)×k并进行主成分分析，以批次为单位对所有样本投影利用DBSCAN算法进行聚类；
S4、阶段划分，逐批次分析样本投影的聚类结果，并以时间顺序标签进行划分。
上述步骤应用对象为批生产的过程数据；步骤S2中需根据具体的目标过程数进行考察，选择含有足够有效信息的统计指标。上述步骤中选定的变量均为时序数据，样本数反映批次的生产时长，样本顺序对应生产过程的特定时间点。
在采用上述技术方案的基础上，本发明还可采用以下进一步的技术方案：
所述步骤S2中的统计指标包括算数平均数、标准差、偏度、峰度、相关系数中的一种或多种。
所述步骤S3中对S(m×n)×k进行主成分分析时，解释的方差百分比定为80％。
所述步骤S4还包括：同一个簇内的样本，若90％以上的时间顺序标签是连续的，则以这个簇起止样本点对应的时间为界，划分为一个阶段；若簇内样本的时间顺序标签呈现阶段性的连续，各自对应目标过程的不同时间段，则以每一段的起止样本的时间顺序标签为界进行划分。
所述步骤S2中均匀分段数n的确定方法包括以下步骤：
S21、确定n的取值范围，规定5为n的最小取值，为n的最大取值，其中tmin为各批次数据中的最小样本数；n的取值范围为/>
S22、遍历，遍历上述范围内的所有n按照所提出的自动过程阶段划分工作流进行处理；
S23、基于聚类效果进行评估，对同一个批次，计算所有聚类的轮廓系数、噪声点占比r和噪声点占比变化率c，当出现连续10个c都满足|c|<ε时，r值相对稳定，记满足该条件的最小n值为n0，并在n>n0的范围内取轮廓系数值最大的聚类结果，对应的n值为当前批次的最优n取值，得到目标过程全部批次的最优n值后，取最大值为目标过程的最优n取值。
其中，阶段划分是针对单个批次进行的，能在无工艺相关的先验知识指导下实现对目标过程的阶段划分。
所述步骤S23中轮廓系数的计算公式为：
其中，a为单个样本的到同簇其他样本的平均距离，b为该样本到其他簇的最近样本点之间的平均距离，整个簇的轮廓系数值为簇内所有样本的轮廓系数的算数平均值。
所述步骤S23中噪声点占比r的计算公式为：
其中，nnoise为噪声点数目，n为总样本数。
所述步骤S23中噪声点占比变化率c的计算公式为：
本发明针对批生产过程，主要应用于连续的时序数据。样本数反映批次的生产时长，样本顺序对应生产过程的特定时间点。统计指标可以描述原始过程数据的特征，如平均水平、离散程度、变量间相关程度等。对所有批次进行均匀分段，并逐段用统计指标代替原数据形成新样本，能够实现数据对齐，并且压缩数据量。过程阶段即为目标系统状态保持相对稳定的时间段。样本投影被划分为同一个簇，则说明对应的样本间有一定相似性，即这些时间段里过程的状态是相似的，凭此可以进行阶段划分。
与现有技术相比，本发明具有以下有益效果：
本发明提出的工作流通过均匀分段、提取统计指标来实现批生产数据的对齐和压缩，并基于无监督的聚类完成阶段划分。实现了无需工艺相关的先验知识指导的生产过程描述。阶段划分结果能指示系统状态随时间的变化情况，能进一步揭示过程规律，亦可用于过程监控和异常过程检测。
附图说明
图1为本发明一种批生产的自动过程阶段划分工作流的流程图。
图2为本发明一种批生产的自动过程阶段划分工作流的n优化过程流程图。
图3为本发明一种批生产的自动过程阶段划分工作流的实施例自动阶段划分结果。
图4为本发明一种批生产的自动过程阶段划分工作流的实施例手动阶段划分结果与自动阶段划分结果的对比。
具体实施方式
为了进一步理解本发明，下面结合具体实施方式对本发明提供的一种批生产的自动过程阶段划分工作流进行具体描述，但本发明并不限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
实施例一，目标过程为流化床制粒过程，数据来源为中试级别流化床的某中成药批生产过程，共10个批次。其中，自动过程阶段划分工作流的流程图如图1所示。
具体地步骤如下：
S1、数据获取：从数据库中获取目标过程的10批次生产过程数据，选定用于分析的连续变量共12个，得到每个批次的数据矩阵Dt×12。每个批次的t约为2000，最短的批次的矩阵D行数为1790，则n的范围确定为
S2、特征提取：针对当前目标过程的情况，统计指标确定为均值和标准差。将各个批次的矩阵D按行均分为n段，并逐段计算上述统计指标。
提取统计指标后构成新样本si(i＝0,1,2,…,n-1)，公式如下：
si＝[m1,m2,…,m12,s1,s2,…,s12[
其中m、s分别代表各段的均值和标准差。
向量s共包含24个元素，对应过程的一个时间段，i即为样本的时间顺序标签。单个批次的统计特征矩阵Sn×24公式如下：
S3、投影聚类：将所有批次的统计特征矩阵按批次排列，整理为矩阵S(10×n)×24，并进行主成分分析，要求解释的方差百分为0.8。
在主成分空间内，以批次为单位对所有样本投影利用DBSCAN算法进行聚类。完成范围内所有n的遍历，计算得相应的轮廓系数、噪声点占比(r)、噪声点占比变化率(c)。取ε＝0.017，确定各批次噪声点占比保持平稳的n的范围后，确定该范围内的轮廓系数最大值及其对应的n取值。以n的最大取值为最终选定的值。最终确定n＝295。
其中，上述n的优化过程流程图如图2所示。
S4、阶段划分：取n＝295的各个批次聚类结果。同一个簇内的样本，若90％以上的时间顺序标签是连续的，则以这个簇起止样本点对应的时间为界，划分为一个阶段；若簇内样本的时间顺序标签呈现阶段性的连续，各自对应目标过程的不同时间段，则以每一段的起止样本的时间顺序标签为界进行划分。
如图3所示，以批次4为例展示自动阶段划分结果，批次4共1961个数据点，聚类得4个簇，分别用前四块表示。第五块表示噪声点，每一簇起止数据点的时间顺序标签已在图上标出。可以看到各个簇内样本点对应的时间连续情况较好，仅存在个别噪声点。以各个簇起止数据点的时间顺序标签为界，整个制粒过程被划分为7段，其中三段(标记为①，②，③)的主体为噪声，其余四段即为自动划分得到过程阶段(记为阶段1，阶段2，阶段3，阶段4)。
根据目标过程的工艺要求，制粒过程可以被分为五个阶段：预热、喷液、干燥、冷却、出料。如图4所示，将基于工艺的手动阶段划分结果与自动阶段划分结果进行对比，可以看到预热过程完全落在①内，喷液过程对应了阶段1和阶段2，阶段3对应干燥过程，阶段4对应了冷却、出料过程。不同的阶段指示系统处于不同的状态，这样的划分结果说明喷液过程中系统发生了由“状态1”至“状态2”的变化，且系统在冷却、出料过程中的状态是相对稳定的。这也体现了过程数据能够一定程度上反映颗粒形成的机理。
以上对比情况说明自动过程阶段划分的结果在工艺要求的基础上体现出了新的信息，能对生产过程进行解释，进一步可以揭露过程规律。
以上所述为本发明的一个较优实施例的具体实施方式，但本发明的保护范围不局限于此。凡是依据本发明的技术框架、无需创造性劳动的，均属于本发明技术方案的范围内。
Claims (6)
1.一种批生产的自动过程阶段划分工作流，其特征在于包括以下步骤：
S1、数据提取，从数据源获取目标过程的多批次生产过程数据，将批次数记为m，选定用于分析的连续变量后每个批次的数据阵列D为：
其中，t为样本数，v为变量数；
S2、特征提取，按行将数据矩阵D均匀分段得到n个矩阵Di，其中，i＝1,2,…,n，Di列数为v，平均行数
基于矩阵Di提取各个变量的统计指标并构建行向量s，每个Di均生成一个si作为新样本，当前批次的统计特征矩阵Sn×k为：
其中，k为行向量s包含的元素个数，i＝0,1,2,…,n-1，i为样本的时间顺序标签；
S3、投影聚类，将每个批次的统计特征矩阵按批次顺序排列，整理为S(m×n)×k并进行主成分分析，以批次为单位对所有样本投影利用DBSCAN算法进行聚类；
S4、阶段划分，逐批次分析样本投影的聚类结果，并以时间顺序标签进行划分；
所述步骤S3中对S(m×n)×k进行主成分分析时，解释的方差百分比定为80％；
所述步骤S4还包括：同一个簇内的样本，若90％以上的时间顺序标签是连续的，则以这个簇起止样本点对应的时间为界，划分为一个阶段；若簇内样本的时间顺序标签呈现阶段性的连续，各自对应目标过程的不同时间段，则以每一段的起止样本的时间顺序标签为界进行划分。
2.根据权利要求1所述的一种批生产的自动过程阶段划分工作流，其特征在于所述步骤S2中的统计指标包括算数平均数、标准差、偏度、峰度、相关系数中的一种或多种。
3.根据权利要求1所述的一种批生产的自动过程阶段划分工作流，其特征在于所述步骤S2中均匀分段数n的确定方法包括以下步骤：
S21、确定n的取值范围，规定5为n的最小取值，为n的最大取值，其中tmin为各批次数据中的最小样本数；
S22、遍历，遍历上述范围内的所有n按照所提出的自动过程阶段划分工作流进行处理；
S23、基于聚类效果进行评估，对同一个批次，计算所有聚类的轮廓系数、噪声点占比r和噪声点占比变化率c，当出现连续10个c都满足|c|<ε时，r值相对稳定，记满足该条件的最小n值为n0，并在n>n0的范围内取轮廓系数值最大的聚类结果，对应的n值为当前批次的最优n取值，得到目标过程全部批次的最优n值后，取最大值为目标过程的最优n取值。
4.根据权利要求3所述的一种批生产的自动过程阶段划分工作流，其特征在于所述步骤S23中轮廓系数的计算公式为：
其中，a为单个样本的到同簇其他样本的平均距离，b为该样本到其他簇的最近样本点之间的平均距离，整个簇的轮廓系数值为簇内所有样本的轮廓系数的算数平均值。
5.根据权利要求4所述的一种批生产的自动过程阶段划分工作流，其特征在于所述步骤S23中噪声点占比r的计算公式为：
其中，nnoise为噪声点数目，n为总样本数。
6.根据权利要求4所述的一种批生产的自动过程阶段划分工作流，其特征在于所述步骤S23中噪声点占比变化率c的计算公式为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010996685.5A CN112508320B (zh) | 2020-09-21 | 2020-09-21 | 一种批生产的自动过程阶段划分工作流 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010996685.5A CN112508320B (zh) | 2020-09-21 | 2020-09-21 | 一种批生产的自动过程阶段划分工作流 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112508320A CN112508320A (zh) | 2021-03-16 |
| CN112508320B true CN112508320B (zh) | 2024-05-24 |
Family
ID=74953668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010996685.5A Active CN112508320B (zh) | 2020-09-21 | 2020-09-21 | 一种批生产的自动过程阶段划分工作流 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112508320B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118471326B (zh) * | 2024-07-11 | 2024-10-01 | 浙江大学 | 一种细胞培养过程数据分析方法、系统、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102431136A (zh) * | 2011-09-16 | 2012-05-02 | 广州市香港科大霍英东研究院 | 一种基于多向主元分析法的多阶段批次过程阶段划分方法 |
| CN106547899A (zh) * | 2016-11-07 | 2017-03-29 | 北京化工大学 | 一种基于多尺度时变聚类中心变化的间歇过程时段划分的方法 |
| CN109308063A (zh) * | 2018-12-03 | 2019-02-05 | 北京工业大学 | 基于得分矩阵的发酵过程阶段划分方法 |
-
2020
- 2020-09-21 CN CN202010996685.5A patent/CN112508320B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102431136A (zh) * | 2011-09-16 | 2012-05-02 | 广州市香港科大霍英东研究院 | 一种基于多向主元分析法的多阶段批次过程阶段划分方法 |
| CN106547899A (zh) * | 2016-11-07 | 2017-03-29 | 北京化工大学 | 一种基于多尺度时变聚类中心变化的间歇过程时段划分的方法 |
| CN109308063A (zh) * | 2018-12-03 | 2019-02-05 | 北京工业大学 | 基于得分矩阵的发酵过程阶段划分方法 |
Non-Patent Citations (1)
| Title |
|---|
| "农村电子商务发展阶段划分与关键因素研究";钟懿博;《中国集体经济》;第113-115页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112508320A (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115276006A (zh) | 一种用于电力集成系统的负荷预测的方法及系统 | |
| CN104914723B (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
| CN107682319A (zh) | 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法 | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| Xu et al. | Hybrid feature selection for wafer acceptance test parameters in semiconductor manufacturing | |
| CN111340110B (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
| CN114015825B (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
| CN108520111A (zh) | 一种基于正交成分最优选择与最优回归的软测量方法 | |
| CN116468160A (zh) | 基于生产大数据的铝合金压铸件质量预测方法 | |
| CN110716500A (zh) | 用于确定温度敏感区间分段建模点的方法与系统 | |
| CN112508320B (zh) | 一种批生产的自动过程阶段划分工作流 | |
| CN116414095A (zh) | 数据驱动的中医药制造过程工艺参数优化方法 | |
| CN106547899B (zh) | 一种基于多尺度时变聚类中心变化的间歇过程时段划分的方法 | |
| CN117952254B (zh) | 一种基于人工智能的水处理工艺优化全流程模型系统 | |
| CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
| CN115472233A (zh) | 基于热扩散标签传播的半监督集成工业过程软测量建模方法、系统 | |
| CN110738403B (zh) | 一种数据处理方法、设备及计算机存储介质 | |
| CN112241832A (zh) | 一种产品质量分级评价标准设计方法及系统 | |
| Zhang et al. | Determining statistical process control baseline periods in long historical data streams | |
| CN114139643B (zh) | 一种基于机器视觉的单甘酯质量检测方法及系统 | |
| CN113626578B (zh) | 一种密封材料的智能分析方法及系统 | |
| CN105373831A (zh) | 一种基于群体阶段性样本训练的k-近邻预测全局优化方法 | |
| CN106127326B (zh) | 一种化工材料加工熔融指数预报方法 | |
| Dong | Improvement of the model by preprocessing big data of tapping temperature prediction industry | |
| CN117475245B (zh) | 一种用于制备阻燃聚烯烃绝缘料的智能化生产方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |