CN112559591A - 一种用于冷轧辊制造过程的离群检测系统及其检测方法 - Google Patents
一种用于冷轧辊制造过程的离群检测系统及其检测方法 Download PDFInfo
- Publication number
- CN112559591A CN112559591A CN202011446864.8A CN202011446864A CN112559591A CN 112559591 A CN112559591 A CN 112559591A CN 202011446864 A CN202011446864 A CN 202011446864A CN 112559591 A CN112559591 A CN 112559591A
- Authority
- CN
- China
- Prior art keywords
- data
- detection
- feature
- outlier
- cold roll
- 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
- 238000013450 outlier detection Methods 0.000 title claims abstract description 117
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 78
- 238000001514 detection method Methods 0.000 title claims description 101
- 238000000034 method Methods 0.000 claims abstract description 139
- 230000008569 process Effects 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 65
- 230000002159 abnormal effect Effects 0.000 claims abstract description 61
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 6
- 238000005097 cold rolling Methods 0.000 claims description 6
- 238000011895 specific detection Methods 0.000 claims description 6
- 238000007514 turning Methods 0.000 claims description 6
- 239000002699 waste material Substances 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 239000006249 magnetic particle Substances 0.000 claims description 4
- 238000010791 quenching Methods 0.000 claims description 4
- 230000000171 quenching effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 7
- 238000007689 inspection Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000005496 tempering Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Manufacturing & Machinery (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
Abstract
本发明一种用于冷轧辊制造过程的离群检测系统及其检测方法,属于用于冷轧辊制造过程的离群检测系统技术领域;所要解决的技术问题为:提供一种用于冷轧辊制造过程的离群检测系统结构的改进;解决上述技术问题采用的技术方案为:包括数据采集模块、数据预处理模块、离群检测模块和质量分析模块,所述数据采集模块用于获取冷轧辊产品的实际生产数据作为原始数据输入至数据预处理模块,所述数据预处理模块用于对原始数据进行数据分析处理以获取符合离群检测模块输入的数据,所述离群检测模块用于检测产品加工过程中的异常数据,所述质量分析模块用于将检测出的异常数据进行分析输出异常数据产生的原因;本发明应用于冷轧辊制造过程的离群检测。
Description
技术领域
本发明一种用于冷轧辊制造过程的离群检测系统及其检测方法,属于用于冷轧辊制造过程的离群检测系统及其检测方法技术领域。
背景技术
随着大数据时代的来临,计算机的存储能力越来越强,因此制造企业积累的数据也越来越多,我国也向着制造强国挺进。大数据技术、人工智能、互联网技术的飞速发展使制造业面临严峻的挑战。随着海量的、高速增长的工业大数据的到来,制造业迫切需要有效的信息分析工具,它能自动、智能和快速地发现大量数据间隐藏的依赖关系并从中提炼出有用的信息或知识。这就需要借助大数据技术的支持,大数据技术已经成为智能制造的基础关键技术之一。
大数据驱动的智能制造包括很多应用场景,例如预测性制造、服务型制造、虚拟化制造、云制造及自省性制造等。其中预测性制造是指通过大数据分析量化不确定性及发现异常,总的目标是智能制造过程中零故障、零意外等。预测性制造可以发现制造系统存在的隐性问题,包括员工的技术水平、加工设备的类型和精度损失、加工工艺不稳定、检查方法不稳定等。这些隐性问题在不同程度上影响了产品的质量,因此在产品加工过程中需要对可能发生的隐性问题进行分析,以消除不良影响,减少废品和不良产品的比例。大数据挖掘是可以提取未被人们发现的、潜在的、有价值的知识,其结果对生产过程控制、质量分析和决策分析有着不可忽略的作用。
冷轧辊的制造过程包括非常复杂的步骤,例如原材料的选择、冶炼、重熔、铸造、粗加工、热处理、精加工等工艺。生产过程包括连续生产过程和离散制造过程,产品质量受多种质量特性的相互作用和共同影响,是一个典型的涉及多工序的多元质量控制过程。
冷轧辊产品的机加工和热处理工序是产品生产过程中的两类主要工序,其中每道工序还划分为更细的加工工序。而且每道工序还包括很多生产指标,这样就会产生大量的生产加工数据。而且每道加工工序也都会进行质量检验,每道工序的每个生产指标的质量检验结果可以划分成三种:合格、异议和废品,异议和废品是指这些轧辊的检验参数不符合设计要求,通过质量检验就能直接检测到的显性问题。而合格是指轧辊检验参数符合设计要求。但是,即使是检验参数都符合要求的合格产品,质量也有高低之分。有的合格产品检验参数可能刚好在合格参数的边界值上,虽然合格,但存在一定的质量隐患,而离群检测就是要找出这些隐患。
因此,本发明主要是针对大量合格的冷轧辊产品制造过程中的加工工序进行离群检测,通过对检测到的异常数据分析及时发现合格产品可能存在的具有异常特征的隐性问题以及由此产生的质量缺陷,找出引起这些问题的原因及其对产品质量的影响,为以后冷轧辊加工过程中做出工序参数调整、设备检修、加工人员调配等提供决策依据,从而采取一定的预防措施以减少这些问题的再次发生。
发明内容
本发明为了克服现有技术中存在的不足,所要解决的技术问题为:提供一种用于冷轧辊制造过程的离群检测系统结构的改进。
为了解决上述技术问题,本发明采用的技术方案为:一种用于冷轧辊制造过程的离群检测系统,包括数据采集模块、数据预处理模块、离群检测模块和质量分析模块,所述数据采集模块用于获取冷轧辊产品的实际生产数据作为原始数据,并将生产数据输入至数据预处理模块,所述数据预处理模块用于对原始数据进行数据分析处理以获取符合离群检测模块输入的数据,所述离群检测模块用于检测产品加工过程中的异常数据,所述质量分析模块用于将检测出的异常数据进行分析输出异常数据产生的原因。
所述数据采集模块采集的原始数据包括冷轧辊产品的工序和属性数据,所述属性数据具体包括辊号、工序编码、工序序号、工序名称、指标编码、指标名称、检测数值、检测结果、检测人编码、检测人、检测设备编码、检测设备、检测日期、检测部门编码,检测部门、检测类型、现象描述、备注说明、直接结论、是否抽检、指标单位、附件编号、工序类型、工艺编码、产品编码、工艺说明、重用标志。
所述数据预处理模块包括数据转换模块和数据清洗模块,所述数据转换模块用于实现将一个冷轧辊产品的所有加工工序合成为一条记录;
所述数据清洗模块是将原始数据进行精简,并将数据转换成系统可接收格式的过程,所述数据清洗模块具体包括对无效值、缺失值、重复值和噪声数据的处理。
所述数据清洗模块中进行清洗、删除或忽略的数据主要包括:
1)原始数据中冷轧辊产品数据中的废品和异议产品;
2)原始数据中属性取值相同的重用标志、产品编码、工艺编码和工序类型的属性数据;
3)原始数据中没有给出具体检测值的工序检测指标,包括超声波探伤、磁粉探伤、粗车探伤、淬火、刻字及冷冻;
4)原始数据中冷轧辊产品没有给出具体检测值的工序指标,需要参考其他产品进行分析,填补对应值;
5)原始数据中冷轧辊产品给出的检测值无效的工序指标,或者噪声数据。
所述离群检测模块包括特征分组离群检测模块和混合属性离群检测模块,所述特征分组离群检测模块用于实现检测在合格的冷轧辊产品中不同加工工序过程中的异常信息,具体是通过冷轧辊加工工序进行特征分组,一个特征组代表了冷轧辊产品的一个加工工序;
所述混合属性离群检测模块用于实现检测全维特征空间中的所有属性的异常数据,包括异常工序信息及其辊号、检测值、检测人、检测设备以及检测日期。
所述质量分析模块主要包括对离群数据的分析和对产品质量的分析。
一种用于冷轧辊制造过程的离群检测方法,包括如下步骤:
步骤一:原始数据采集:采集冷轧辊产品的实际生产数据;
步骤二:数据预处理:将步骤一采集的原始数据进行数据分析处理,包括数据转换和数据清洗;
步骤三:离群检测:将步骤二中预处理后的数据进行离群检测,包括通过特征分组离群检测算法检测合格冷轧辊产品在不同加工工序过程中的异常数据,和通过混合属性离群检测算法检测全维特征空间中的所有属性的异常数据;
步骤四:质量分析:将步骤三中经过离群检测后的离群数据进行分析输出冷轧辊产品制造过程中存在的具有异常特征的隐性问题。
所述特征分组离群检测算法的步骤如下:
步骤3.1:特征分组算法:按照冷轧辊产品的加工工序对预处理后的数据集进行特征分组,其中一个特征组代表冷轧辊产品的一个加工工序;
步骤3.1.1:选择c个初始核心特征,其中第一个核心特征是随机选择的,其余各特征组的核心特征的选择根据设定的规则依次选取,选取规则就是下一个核心特征的选择要与前面已经选定的核心特征之间的特征关系值FR最小;
所述核心特征ηr为任意一组特征组Cr={yj|j=1,…,q}中的一个特征yj∈Cr,展现出最强的特征关系与特征组Cr中所有其他特征;
给定特征组Cr={yj|j=1,…q}和特征yi∈Cr,yi的多重关系MR度量的是特征yi和特征组Cr中所有其他特征的特征关系和,多重关系MR的计算公式为:
比较特征组Cr中所有特征的多重关系MR的值,选择特征组Cr中的MR值最大的一个作为特征组Cr的核心特征;
所述特征关系值FR定义为特征yi和yj互信息MI(yi:yj)与其熵H(yi,yj)的比值,计算公式为:
其中:Pij(yi=vik∧yj=vjl)为特征yi和yj分别等于vik和vjl的概率,di和dj为特征yi和yj的分类值个数,vik和vjl可以在集合D(yi)和D(yj)中找到,其中D(yi)={vi1,…,vidi},D(yj)={vj1,…,vjdj};
步骤3.1.2:将所有m个特征分配给c个特征组;
步骤3.1.3:更新所有c个特征组的中心:在每次迭代中,步骤3.1.3重复地更新每组中的核心特征,当迭代中没有更新核心特征时终止;
步骤3.2:离群值检测:通过对不同特征组进行离群检测,找到合格的冷轧辊产品在不同加工工序过程中的异常信息;
其中:w(yi)的值在0到1之间,因此,0<w(yi)<1;
步骤3.2.1:离群得分:设DS为一个包含n个对象的高维分类数据集,yi为特征组Cr中的一个特征,特征组Cr中有p个特征,使用所有特征中对象xi的频率来量化特征组Cr中对象xi的离群得分,因此,数据集DS中对象xi的离群得分,记为Score(xi),定义为:
其中:xi,j表示对象xi的第j个特征的值,n(xi,j)是xi,j的频率。
所述混合属性离群检测算法的步骤如下:
S1:计算混合属性数据集数值空间和分类空间中各个属性的权值:
S1.1:互信息计算:分别计算混合属性数据集中的离散变量和连续变量的互信息;
S1.2:混合属性加权机制计算:给定一个混合属性数据集,定义任意属性的权值度量为该属性到其他属性互信息的平均值;
S2:计算每个数据对象在数值空间中的离群得分;
S3:计算每个数据对象在分类空间中的离群得分;
S4:通过S2和S3的离群得分综合得到每个混合属性数据对象的最终离群得分,并选出离群得分最高的离群数据对象。
本发明相对于现有技术具备的有益效果为:本发明提供的用于冷轧辊制造过程的离群检测系统通过离群检测在冷轧辊制造过程中的应用,发现产品制造过程中的异常数据,有效分析冷轧辊产品制造过程中可能存在的具有异常特征的隐性问题,以及发现冷轧辊制造过程中对准备实施或正在实施的加工、装配、检验等加工工序中的异常值对产品质量造成的影响,将离群检测引入冷轧辊生产的质量分析中,将其生产过程引起的质量缺陷作为结果,通过人、机、料、法、环几个方面来寻找原因,并从各种纷繁复杂的原因中归纳出主要原因进行分析和改进,不仅可以通过分析得到冷轧辊产品制造过程中的缺陷与薄弱环节,发现并解决生产中的不足,同时还可以为以后产品的改进和方案权衡提供依据,进而提高产品质量。
附图说明
下面结合附图对本发明做进一步说明:
图1为本发明冷轧辊生产过程的工序示意图;
图2为本发明的系统结构示意图;
图3为本发明实施例中离群检测的特征分组示意图;
图4为本发明实施例中特征分组离群检测的数据结果示意图;
图5为本发明实施例中混合属性离群检测的数据结果示意图。
具体实施方式
如图1至图5所示,本发明一种用于冷轧辊制造过程的离群检测系统,包括数据采集模块、数据预处理模块、离群检测模块和质量分析模块,所述数据采集模块用于获取冷轧辊产品的实际生产数据作为原始数据,并将生产数据输入至数据预处理模块,所述数据预处理模块用于对原始数据进行数据分析处理以获取符合离群检测模块输入的数据,所述离群检测模块用于检测产品加工过程中的异常数据,所述质量分析模块用于将检测出的异常数据进行分析输出异常数据产生的原因。
所述数据采集模块采集的原始数据包括冷轧辊产品的工序和属性数据,所述属性数据具体包括辊号、工序编码、工序序号、工序名称、指标编码、指标名称、检测数值、检测结果、检测人编码、检测人、检测设备编码、检测设备、检测日期、检测部门编码,检测部门、检测类型、现象描述、备注说明、直接结论、是否抽检、指标单位、附件编号、工序类型、工艺编码、产品编码、工艺说明、重用标志。
所述数据预处理模块包括数据转换模块和数据清洗模块,所述数据转换模块用于实现将一个冷轧辊产品的所有加工工序合成为一条记录;
所述数据清洗模块是将原始数据进行精简,并将数据转换成系统可接收格式的过程,所述数据清洗模块具体包括对无效值、缺失值、重复值和噪声数据的处理。
所述数据清洗模块中进行清洗、删除或忽略的数据主要包括:
1)原始数据中冷轧辊产品数据中的废品和异议产品;
2)原始数据中属性取值相同的重用标志、产品编码、工艺编码和工序类型的属性数据;
3)原始数据中没有给出具体检测值的工序检测指标,包括超声波探伤、磁粉探伤、粗车探伤、淬火、刻字及冷冻;
4)原始数据中冷轧辊产品没有给出具体检测值的工序指标,需要参考其他产品进行分析,填补对应值;
5)原始数据中冷轧辊产品给出的检测值无效的工序指标,或者噪声数据。
所述离群检测模块包括特征分组离群检测模块和混合属性离群检测模块,所述特征分组离群检测模块用于实现检测在合格的冷轧辊产品中不同加工工序过程中的异常信息,具体是通过冷轧辊加工工序进行特征分组,一个特征组代表了冷轧辊产品的一个加工工序;
所述混合属性离群检测模块用于实现检测全维特征空间中的所有属性的异常数据,包括异常工序信息及其辊号、检测值、检测人、检测设备以及检测日期。
所述质量分析模块主要包括对离群数据的分析和对产品质量的分析。
一种用于冷轧辊制造过程的离群检测方法,包括如下步骤:
步骤一:原始数据采集:采集冷轧辊产品的实际生产数据;
步骤二:数据预处理:将步骤一采集的原始数据进行数据分析处理,包括数据转换和数据清洗;
步骤三:离群检测:将步骤二中预处理后的数据进行离群检测,包括通过特征分组离群检测算法检测合格冷轧辊产品在不同加工工序过程中的异常数据,和通过混合属性离群检测算法检测全维特征空间中的所有属性的异常数据;
步骤四:质量分析:将步骤三中经过离群检测后的离群数据进行分析输出冷轧辊产品制造过程中存在的具有异常特征的隐性问题。
所述特征分组离群检测算法的步骤如下:
步骤3.1:特征分组算法:按照冷轧辊产品的加工工序对预处理后的数据集进行特征分组,其中一个特征组代表冷轧辊产品的一个加工工序;
步骤3.1.1:选择c个初始核心特征,其中第一个核心特征是随机选择的,其余各特征组的核心特征的选择根据设定的规则依次选取,选取规则就是下一个核心特征的选择要与前面已经选定的核心特征之间的特征关系值FR最小;
所述核心特征ηr为任意一组特征组Cr={yj|j=1,…,q}中的一个特征yj∈Cr,展现出最强的特征关系与特征组Cr中所有其他特征;
给定特征组Cr={yj|j=1,…q}和特征yi∈Cr,yi的多重关系MR度量的是特征yi和特征组Cr中所有其他特征的特征关系和,多重关系MR的计算公式为:
比较特征组Cr中所有特征的多重关系MR的值,选择特征组Cr中的MR值最大的一个作为特征组Cr的核心特征;
所述特征关系值FR定义为特征yi和yj互信息MI(yi:yj)与其熵H(yi,yj)的比值,计算公式为:
其中:Pij(yi=vik∧yj=vjl)为特征yi和tj分别等于vik和vjl的概率,di和dj为特征yi和yj的分类值个数,vik和vjl可以在集合D(yi)和D(yj)中找到,其中D(yi)={vi1,…,vidi},D(yj)={vj1,…,vjdj};
如果特征关系FR等于1,即FR(yi:yj)=1,则yi和yj严格相关。否则,FR(yi:yj)=0意味着yi和yj在统计学上是完全独立的。但是特征yi和yj是部分依赖的,所以特征关系FR值在0到1之间的任意范围内。即,0<FR(yi:yj)<1。
基于上述特征关系和多重关系,提出了一种特征分组算法。特征分组算法的目标是构造多个组,每个组由高度相关的特征组成。
特征分组算法能够将给定数目的特征分成固定数量的组,而且每个组包含高度相关的特征。
步骤3.1.2:将所有m个特征分配给c个特征组,利用特征关系将强相关的特征放到一个组中;
步骤3.1.3:更新所有c个特征组的中心:在每次迭代中,步骤3.1.3重复地更新每组中的核心特征,当迭代中没有更新核心特征时终止;
步骤3.2:离群值检测:通过对不同特征组进行离群检测,找到合格的冷轧辊产品在不同加工工序过程中的异常信息;
步骤3.2.1:特征加权:特征加权是指对一组中每个特征的重要性进行加权,Cr组中特征yi的权重较大,说明特征yi与Cr组其他特征关系密切。
其中:w(yi)的值在0到1之间,因此,0<w(yi)<1;权重w(yi)表示特征yi的重要性,具有大权重值的特征比具有小权重值的特征更重要。
步骤3.2.1:离群得分:在计算特征权值后,结合特征权值给出离群得分。在每个特征的值域中,出现次数较低即频率较低的值很可能是离群的。当用于确定分类数据集中的理想离群对象时,数据对象的离群得分的定义如下。
设DS为一个包含n个对象的高维分类数据集,yi为特征组Cr中的一个特征,特征组Cr中有p个特征,使用所有特征中对象xi的频率来量化特征组Cr中对象xi的离群得分,因此,数据集DS中对象xi的离群得分,记为Score(xi),定义为:
其中:xi,j表示对象xi的第j个特征的值,n(xi,j)是xi,j的频率,构造了一个函数g(x)=(x-1)log(x1)-xlogx使频率较低的对象能有较高的离群得分。
对于每个特征,对于该特征上的对象的频率值,得分是单调递减的。
所述混合属性离群检测算法的步骤如下:
S1:计算混合属性数据集数值空间和分类空间中各个属性的权值:
S1.1:互信息计算:分别计算混合属性数据集中的离散变量和连续变量的互信息;
S1.2:混合属性加权机制计算:给定一个混合属性数据集,定义任意属性的权值度量为该属性到其他属性互信息的平均值;
S2:计算每个数据对象在数值空间中的离群得分;
S3:计算每个数据对象在分类空间中的离群得分;
S4:通过S2和S3的离群得分综合得到每个混合属性数据对象的最终离群得分,并选出离群得分最高的离群数据对象。
本发明提供的用于冷轧辊制造过程的离群检测系统主要针对冷轧辊制造过程中的大量数据进行离群检测以发现异常加工数据,对其进行分析可以发现产品制造过程中影响质量的隐性问题,为以后提高产品质量提供决策。本发明的系统主要针对冷轧辊的合格产品数据,而原始数据中包括所有生产的冷轧辊产品,因此首先要从原始数据中删除掉废品和异议产品。这样才能使挖掘出的信息更符合实际要求。
图2给出了系统的功能模块图。本发明的系统主要包括四个功能模块:数据采集模块1、数据预处理模块2、离群检测模块3和质量分析模块4。在离群检测之前,需要对从工厂获得的原始数据进行一些预处理,包括数据转换和清理。适当的预处理操作可以保证数据的质量,以适合于特定的离群检测算法。
离群检测是本发明系统最重要的部分,主要采用特征分组离群检测算法和混合属性离群检测算法从预处理后的冷轧辊生产加工数据中挖掘具有异常特征的离群数据,为后面的质量分析模块提供决策支撑。
下面通过具体实施例对本发明进行解释说明。
实施例
数据收集:本实施例收集选取的数据,源自某钢铁企业的冷轧辊产品的实际生产数据,表1中列出了冷轧辊原始数据集。
表1冷轧辊原始数据集
表1列出了原始数据中一条记录的各个属性及其属性取值。原始数据集共有48578条数据,29个属性。属性包括辊号,工序编码,工序序号,工序名称,指标编码,指标名称,检测数值,检测结果,检测人编码1,检测人1,检测人编码2,检测人2,检测设备编码,检测设备,检测日期,检测部门编码,检测部门,检测类型,现象描述,备注说明,直接结论,是否抽检,指标单位,附件编号,工序类型,工艺编码,产品编码,工艺说明,重用标志等项。其中不同的工序有不同的指标和检测数值。
数据预处理:(1)数据转换
表1中列出了冷轧辊加工过程中收集的φ64冷轧工作辊的原始数据,表中的一条记录对应辊号为A11154469的轧辊的一个加工工序的某个检测指标的检测数据。本发明的用于冷轧辊制造过程的离群检测系统,需要得到加工一个冷轧辊产品的所有加工工序,根据离群检测的需求,要将一个轧辊的所有加工工序合成到一条记录。原始数据转换后的结果如表2所示。
表2原始数据转换后格式
(2)数据清洗
在收集到的冷轧辊原始数据中包含冗余数据和噪声数据,不能被直接处理,需要对原始数据清洗,以弥补原始数据的不足。数据清洗是将原始数据进行精简,并将数据转换成系统可接收格式的过程。数据清洗考虑从数据的有效性、准确性以及完整性等来处理数据,包括处理无效值、缺失值、重复值和噪声数据等。
本发明的系统主要做以下的数据清洗工作:1)原始数据中包括所有生产的冷轧辊产品数据,而本发明针对的是合格的产品,因此首先要从原始数据中删除掉废品和异议产品;2)原始数据中的重用标志、产品编码、工艺编码和工序类型这几个属性的取值完全一样,这些属性值在离群检测的过程中没有意义,因此可以直接忽略;3)原始数据中有些工序的检测指标没有具体给出检测值,这些工序可以忽略;例如,超声波探伤、磁粉探伤、粗车探伤、淬火、刻字及冷冻等;4)有些冷轧辊产品的工序指标没有具体给出检测值,需要参考其他产品进行分析,填补对应值;5)有些冷轧辊产品工序指标给出的检测值无效,或者考虑为噪声数据,例如有的一次回火工序辊身硬度指标检测值为9999,这样的数据应该清除。
数据经过预处理,将要进行冷轧辊制造过程离群检测。离群检测可以发现产品加工过程中的异常数据,从而发现产品加工过程中可能存在的影响产品质量的隐性问题。
本发明的用于冷轧辊制造过程的离群检测系统设置有相应的软件,软件基于Spark集群系统,主要功能包括:加载文件、数据预处理、Spark集群环境参数设置、特征分组离群检测、混合属性离群检测和最后进行的质量分析。离群检测算法主要包括基于特征分组的离群检测和混合属性离群检测。基于特征分组的离群检测算法可以发现不同工序中的离群数据,混合属性离群检测可以对混合属性数据集进行离群检测以从不同方面分析产生异常的原因。
软件的数据预处理的操作为:首先选择原始数据文件并进行读取,然后通过―开始预处理,对数据进行数据转换和数据清洗,并将处理结果显示出来。选项卡“原始数据集”可以显示原始的数据集,而选项卡“处理后数据集”显示的是对原始数据集进行预处理后的数据集。
Spark集群系统设置有参数设置界面。当应用程序场景发生动态变化时,也就是当处理不同的冷轧辊数据时,应当相应地调整上述参数的配置。每个参数系统都会给出默认值。Num-executors这个参数表示Spark应用程序中管理的执行器进程的数量。该参数的默认值很小,这会减慢Spark工作的速度。该参数通常设置为50到100之间的值。Executor-cores参数用于设置每个执行程序进程的CPU内核数。该参数确定每个执行程序进程并行执行线程的能力,CPU核的数量一般设置为2-4。Executor-memory参数指定每个执行程序进程的内存资源。在许多情况下,执行器内存大小直接决定Spark应用程序的性能。一般将每个执行程序的主存设置在4G和8G之间。Driver-memory参数配置分配给应用程序驱动进程的主内存资源。一般情况下,使用驱动程序内存的默认值1GB作为系统参数。当处理的数据集比较大的时候,还需要设置数据节点的数目。当处理的数据很重要时,还要注意数据的备份,这需要增加数据副本的数目和数据块的大小。分组数目是特征分组要划分的组数。
本发明的特征分组离群检测针对的是合格冷轧辊产品在不同加工工序过程中的异常数据。首先要对预处理后的数据集进行特征分组,我们将预处理后的数据按照冷轧辊加工工序进行特征分组,一个特征组代表了冷轧辊产品的一个加工工序。通过对不同特征组进行离群检测,可以发现合格的冷轧辊产品在不同加工工序过程中的异常信息,特征分组离群检测结果如图4所示,其所依据的特征分组如图3所示。
基于图3所产生的特征组,通过特征分组离群检测,能够在每个特征组中发现具有异常特征的数据,如图4所示。图4中第一条数据表明:辊号为A11161608,A11160289,A11160377等的冷轧辊产品在精车外圆工序特征组中的异常特征是辊颈长度。这就说明在精车外圆加工工序的辊颈长度指标中出现异常值,即明显不同于被检测数据中的大多数的值。
再以图4中选中的数据具体说明:辊号为A11155070等的冷轧辊产品在一次回火工序特征组中的异常特征是辊身硬度均值,这样的冷轧辊产品可能存在具有异常特征的隐性问题,会造成产品质量存在一定的隐患。通过技术人员的验证发现,虽然轧辊A11155070是合格产品,但是产品一次回火工序的辊身硬度均值指标中出现异常值,也就是检测到的冷轧辊的辊身硬度均值偏离了大多数被检测的冷轧辊的检测值。大多数被检测的冷轧辊的一次回火辊身硬度均值范围为61.8HS-63HS,而辊号为A11155070的冷轧辊一次回火辊身硬度均值为63.5HS,其辊身硬度均值偏高,而轧辊表面的硬度偏高在使用时会造成轧辊断裂,这是该冷轧辊存在的质量隐患。而且轧辊断裂会造成轧辊的报废,严重影响冷轧辊的使用寿命。
通过特征分组离群检测,可以发现产品中具有异常特征的隐性问题,可以为技术人员发现存在质量隐患的产品提供决策支持,通过后续的工艺改进,可以提高产品的质量。
图5所示是混合属性离群检测的结果。特征分组离群检测针对的是特征组中产生的异常数据,而混合属性离群检测针对的是全维特征空间中的所有属性,其中不仅包括异常工序信息及其辊号,而且包括产生异常的轧辊的其它相关信息,例如检测值、检测人、检测设备以及检测日期等。
从图5可以看出:(1)在综合检验工序的辊颈直径检测中,检测人用不同的检测设备进行检测时,得到的检测值有明显的差距,这就说明检测设备的不同,会造成检测结果的偏差。尤其是有些检测设备精度有所下降,就需要检修或更换。(2)在一次半精磨工序的辊身外圆直径检测中,不同的检测人得到的检测值差距很明显,有的检测人检测所得结果很稳定,而有的检测人得到的检测值明显高于大多数合格产品的检测值,接近检测指标的边界值。这说明不同员工的技术水平差异很大,需要根据实际情况进行选择。(3)在离群检测的这些异常信息中发现,不同的检测时间也会对产品的检测结果有所影响,这说明了加工的外在环境也会对产品的质量产生影响。生产环境不同,可能会导致产品质量有所差别。
通过对混合属性离群检测得到的不同方面原因引起的异常数据对产品质量产生的影响进行分析,可以从人、机、料、法、环等不同方面发现影响产品质量的具体因素,可以为公司以后产品的质量改善提供决策支持,从而对企业提高产品质量起推动作用。
关于本发明具体结构需要说明的是,本发明采用的各部件模块相互之间的连接关系是确定的、可实现的,除实施例中特殊说明的以外,其特定的连接关系可以带来相应的技术效果,并基于不依赖相应软件程序执行的前提下,解决本发明提出的技术问题,本发明中出现的部件、模块、具体元器件的型号、连接方式除具体说明的以外,均属于本领域技术人员在申请日前可以获取到的已公开专利、已公开的期刊论文、或公知常识等现有技术,无需赘述,使得本案提供的技术方案是清楚、完整、可实现的,并能根据该技术手段重现或获得相应的实体产品。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,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发明各实施例技术方案的范围。
Claims (9)
1.一种用于冷轧辊制造过程的离群检测系统,其特征在于:包括数据采集模块、数据预处理模块、离群检测模块和质量分析模块,所述数据采集模块用于获取冷轧辊产品的实际生产数据作为原始数据,并将生产数据输入至数据预处理模块,所述数据预处理模块用于对原始数据进行数据分析处理以获取符合离群检测模块输入的数据,所述离群检测模块用于检测产品加工过程中的异常数据,所述质量分析模块用于将检测出的异常数据进行分析输出异常数据产生的原因。
2.根据权利要求1所述的一种用于冷轧辊制造过程的离群检测系统,其特征在于:所述数据采集模块采集的原始数据包括冷轧辊产品的工序和属性数据,所述属性数据具体包括辊号、工序编码、工序序号、工序名称、指标编码、指标名称、检测数值、检测结果、检测人编码、检测人、检测设备编码、检测设备、检测日期、检测部门编码,检测部门、检测类型、现象描述、备注说明、直接结论、是否抽检、指标单位、附件编号、工序类型、工艺编码、产品编码、工艺说明、重用标志。
3.根据权利要求2所述的一种用于冷轧辊制造过程的离群检测系统,其特征在于:所述数据预处理模块包括数据转换模块和数据清洗模块,所述数据转换模块用于实现将一个冷轧辊产品的所有加工工序合成为一条记录;
所述数据清洗模块是将原始数据进行精简,并将数据转换成系统可接收格式的过程,所述数据清洗模块具体包括对无效值、缺失值、重复值和噪声数据的处理。
4.根据权利要求3所述的一种用于冷轧辊制造过程的离群检测系统,其特征在于:所述数据清洗模块中进行清洗、删除或忽略的数据主要包括:
1)原始数据中冷轧辊产品数据中的废品和异议产品;
2)原始数据中属性取值相同的重用标志、产品编码、工艺编码和工序类型的属性数据;
3)原始数据中没有给出具体检测值的工序检测指标,包括超声波探伤、磁粉探伤、粗车探伤、淬火、刻字及冷冻;
4)原始数据中冷轧辊产品没有给出具体检测值的工序指标,需要参考其他产品进行分析,填补对应值;
5)原始数据中冷轧辊产品给出的检测值无效的工序指标,或者噪声数据。
5.根据权利要求4所述的一种用于冷轧辊制造过程的离群检测系统,其特征在于:所述离群检测模块包括特征分组离群检测模块和混合属性离群检测模块,所述特征分组离群检测模块用于实现检测在合格的冷轧辊产品中不同加工工序过程中的异常信息,具体是通过冷轧辊加工工序进行特征分组,一个特征组代表了冷轧辊产品的一个加工工序;
所述混合属性离群检测模块用于实现检测全维特征空间中的所有属性的异常数据,包括异常工序信息及其辊号、检测值、检测人、检测设备以及检测日期。
6.根据权利要求5所述的一种用于冷轧辊制造过程的离群检测系统,其特征在于:所述质量分析模块主要包括对离群数据的分析和对产品质量的分析。
7.一种用于冷轧辊制造过程的离群检测方法,其特征在于:包括如下步骤:
步骤一:原始数据采集:采集冷轧辊产品的实际生产数据;
步骤二:数据预处理:将步骤一采集的原始数据进行数据分析处理,包括数据转换和数据清洗;
步骤三:离群检测:将步骤二中预处理后的数据进行离群检测,包括通过特征分组离群检测算法检测合格冷轧辊产品在不同加工工序过程中的异常数据,和通过混合属性离群检测算法检测全维特征空间中的所有属性的异常数据;
步骤四:质量分析:将步骤三中经过离群检测后的离群数据进行分析输出冷轧辊产品制造过程中存在的具有异常特征的隐性问题。
8.根据权利要求7所述的一种用于冷轧辊制造过程的离群检测方法,其特征在于:所述特征分组离群检测算法的步骤如下:
步骤3.1:特征分组算法:按照冷轧辊产品的加工工序对预处理后的数据集进行特征分组,其中一个特征组代表冷轧辊产品的一个加工工序;
步骤3.1.1:选择c个初始核心特征,其中第一个核心特征是随机选择的,其余各特征组的核心特征的选择根据设定的规则依次选取,选取规则就是下一个核心特征的选择要与前面已经选定的核心特征之间的特征关系值FR最小;
所述核心特征ηr为任意一组特征组Cr={yj|j=1,…,q}中的一个特征yj∈Cr,展现出最强的特征关系与特征组Cr中所有其他特征;
给定特征组Cr={yj|j=1,…q}和特征yi∈Cr,yi的多重关系MR度量的是特征yi和特征组Cr中所有其他特征的特征关系和,多重关系MR的计算公式为:
比较特征组Cr中所有特征的多重关系MR的值,选择特征组Cr中的MR值最大的一个作为特征组Cr的核心特征;
所述特征关系值FR定义为特征yi和yj互信息MI(yi:yj)与其熵H(yi,yj)的比值,计算公式为:
其中:Pij(yi=vik∧yj=vjl)为特征yi和yj分别等于vik和vjl的概率,di和dj为特征yi和yj的分类值个数,vik和vjl可以在集合D(yi)和D(yj)中找到,其中D(yi)={vi1,…,vidi},D(yj)={vj1,…,vjdj}:
步骤3.1.2:将所有m个特征分配给c个特征组;
步骤3.1.3:更新所有c个特征组的中心:在每次迭代中,步骤3.1.3重复地更新每组中的核心特征,当迭代中没有更新核心特征时终止;
步骤3.2:离群值检测:通过对不同特征组进行离群检测,找到合格的冷轧辊产品在不同加工工序过程中的异常信息;
其中:w(yi)的值在0到1之间,因此,0<w(yi)<1;
步骤3.2.1:离群得分:设DS为一个包含n个对象的高维分类数据集,yi为特征组Cr中的一个特征,特征组Cr中有p个特征,使用所有特征中对象xi的频率来量化特征组Cr中对象xi的离群得分,因此,数据集DS中对象xi的离群得分,记为Score(xi),定义为:
其中:xi,j表示对象xi的第j个特征的值,n(xi,j)是xi,j的频率。
9.根据权利要求8所述的一种用于冷轧辊制造过程的离群检测方法,其特征在于:所述混合属性离群检测算法的步骤如下:
S1:计算混合属性数据集数值空间和分类空间中各个属性的权值:
S1.1:互信息计算:分别计算混合属性数据集中的离散变量和连续变量的互信息;
S1.2:混合属性加权机制计算:给定一个混合属性数据集,定义任意属性的权值度量为该属性到其他属性互信息的平均值;
S2:计算每个数据对象在数值空间中的离群得分;
S3:计算每个数据对象在分类空间中的离群得分;
S4:通过S2和S3的离群得分综合得到每个混合属性数据对象的最终离群得分,并选出离群得分最高的离群数据对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011446864.8A CN112559591B (zh) | 2020-12-08 | 2020-12-08 | 一种用于冷轧辊制造过程的离群检测系统及其检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011446864.8A CN112559591B (zh) | 2020-12-08 | 2020-12-08 | 一种用于冷轧辊制造过程的离群检测系统及其检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112559591A true CN112559591A (zh) | 2021-03-26 |
CN112559591B CN112559591B (zh) | 2023-06-13 |
Family
ID=75061448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011446864.8A Active CN112559591B (zh) | 2020-12-08 | 2020-12-08 | 一种用于冷轧辊制造过程的离群检测系统及其检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112559591B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113188792A (zh) * | 2021-05-08 | 2021-07-30 | 无锡艾森汇智科技有限公司 | 用于轧钢生产中的从动辊旋转检测方法、装置及系统 |
CN117235438A (zh) * | 2023-04-27 | 2023-12-15 | 浙大网新系统工程有限公司 | 隧道内径断层扫描测量数据附着冗余数据的清除方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334843A (zh) * | 2007-06-29 | 2008-12-31 | 中国科学院自动化研究所 | 模式识别中的特征提取方法及装置 |
CN104422693A (zh) * | 2013-08-23 | 2015-03-18 | 上海金艺检测技术有限公司 | 冷轧辊表面微小线性缺陷的定性检测方法 |
CN105577679A (zh) * | 2016-01-14 | 2016-05-11 | 华东师范大学 | 一种基于特征选择与密度峰值聚类的异常流量检测方法 |
CN108540451A (zh) * | 2018-03-13 | 2018-09-14 | 北京理工大学 | 一种用机器学习技术对网络攻击行为进行分类检测的方法 |
CN109670695A (zh) * | 2018-12-12 | 2019-04-23 | 太原科技大学 | 基于离群数据挖掘的机械产品加工工序异常并行检测方法 |
US20190311556A1 (en) * | 2018-04-05 | 2019-10-10 | GM Global Technology Operations LLC | Vehicle prognostics and remedial response |
CN111126430A (zh) * | 2019-11-11 | 2020-05-08 | 西安电子科技大学 | 用于异常检测系统的数据聚类方法、无线通信网络终端 |
CN111198227A (zh) * | 2020-01-10 | 2020-05-26 | 太仓市五洲轧辊有限公司 | 一种高精度的冷轧辊成品探伤方法 |
CN111371188A (zh) * | 2020-05-06 | 2020-07-03 | 国网河北省电力有限公司沧州供电分公司 | 一种用电异常数据实时预警系统 |
-
2020
- 2020-12-08 CN CN202011446864.8A patent/CN112559591B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334843A (zh) * | 2007-06-29 | 2008-12-31 | 中国科学院自动化研究所 | 模式识别中的特征提取方法及装置 |
CN104422693A (zh) * | 2013-08-23 | 2015-03-18 | 上海金艺检测技术有限公司 | 冷轧辊表面微小线性缺陷的定性检测方法 |
CN105577679A (zh) * | 2016-01-14 | 2016-05-11 | 华东师范大学 | 一种基于特征选择与密度峰值聚类的异常流量检测方法 |
CN108540451A (zh) * | 2018-03-13 | 2018-09-14 | 北京理工大学 | 一种用机器学习技术对网络攻击行为进行分类检测的方法 |
US20190311556A1 (en) * | 2018-04-05 | 2019-10-10 | GM Global Technology Operations LLC | Vehicle prognostics and remedial response |
CN109670695A (zh) * | 2018-12-12 | 2019-04-23 | 太原科技大学 | 基于离群数据挖掘的机械产品加工工序异常并行检测方法 |
CN111126430A (zh) * | 2019-11-11 | 2020-05-08 | 西安电子科技大学 | 用于异常检测系统的数据聚类方法、无线通信网络终端 |
CN111198227A (zh) * | 2020-01-10 | 2020-05-26 | 太仓市五洲轧辊有限公司 | 一种高精度的冷轧辊成品探伤方法 |
CN111371188A (zh) * | 2020-05-06 | 2020-07-03 | 国网河北省电力有限公司沧州供电分公司 | 一种用电异常数据实时预警系统 |
Non-Patent Citations (6)
Title |
---|
JUNLI LI 等: "Weighted Outlier Detection of High-Dimensional Categorical Data Using Feature Grouping", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》 * |
JUNLI LI 等: "Weighted Outlier Detection of High-Dimensional Categorical Data Using Feature Grouping", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》, vol. 50, no. 11, 30 November 2020 (2020-11-30), pages 4295 - 4308, XP011814212, DOI: 10.1109/TSMC.2018.2847625 * |
周晓云 等: "高维类别属性数据流离群点快速检测算法", 《软件学报》 * |
周晓云 等: "高维类别属性数据流离群点快速检测算法", 《软件学报》, vol. 18, no. 04, 30 April 2007 (2007-04-30), pages 933 - 942 * |
荀亚玲: "集群环境下的关联规则挖掘及应用", 《中国博士学位论文全文数据库 信息科技辑》 * |
荀亚玲: "集群环境下的关联规则挖掘及应用", 《中国博士学位论文全文数据库 信息科技辑》, no. 10, 15 October 2017 (2017-10-15), pages 138 - 2 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113188792A (zh) * | 2021-05-08 | 2021-07-30 | 无锡艾森汇智科技有限公司 | 用于轧钢生产中的从动辊旋转检测方法、装置及系统 |
CN117235438A (zh) * | 2023-04-27 | 2023-12-15 | 浙大网新系统工程有限公司 | 隧道内径断层扫描测量数据附着冗余数据的清除方法 |
CN117235438B (zh) * | 2023-04-27 | 2024-05-07 | 浙大网新系统工程有限公司 | 隧道内径断层扫描测量数据附着冗余数据的清除方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112559591B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112559591A (zh) | 一种用于冷轧辊制造过程的离群检测系统及其检测方法 | |
CN108108890A (zh) | 一种基于工序关联关系的工艺缺陷风险分析方法 | |
CN116307289B (zh) | 一种纺织品加工工序参数检测预测方法、系统及存储介质 | |
CN112231971B (zh) | 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法 | |
CN109670695B (zh) | 基于离群数据挖掘的机械产品加工工序异常并行检测方法 | |
CN112749893B (zh) | 一种基于云计算的数据挖掘服务平台 | |
CN114565314A (zh) | 一种基于数字孪生的热轧钢卷端面质量管控系统及方法 | |
CN111382792B (zh) | 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 | |
CN117315365A (zh) | 一种基于视觉分析的凸轮轴表面损伤检测系统 | |
Becker et al. | Rough set theory in the classification of loan applications | |
CN110196797B (zh) | 适于信用评分卡系统的自动优化方法和系统 | |
Fan et al. | Surface defect classification of hot-rolled steel strip based on mixed attention mechanism | |
Song et al. | A fault feature extraction method for rolling bearings based on refined composite multi-scale amplitude-aware permutation entropy | |
Williams et al. | Use of curtailed sampling plans in the economic design of np-control charts | |
Sun et al. | A classification and location of surface defects method in hot rolled steel strips based on YOLOV7 | |
CN115907303A (zh) | 一种基于大数据的轴承设备综合效能影响因素分析方法 | |
Petruschke et al. | MACHINE LEARNING BASED IDENTIFICATION OF ENERGY EFFICIENCY MEASURES FOR MACHINE TOOLS USING LOAD PROFILES AND MACHINE SPECIFIC META DATA. | |
CN115099693A (zh) | 一种烧结钕铁硼磁钢材料的生产控制方法及系统 | |
Yuan et al. | Key process and quality characteristic identification for manufacturing systems using dynamic weighting function and DS evidence theory | |
WO2023181127A1 (ja) | 製品品質分析支援システム | |
CN111755079B (zh) | 一种多晶硅最优原料配比方案确定方法及系统 | |
CN114665986B (zh) | 一种蓝牙钥匙的测试系统及方法 | |
CN113155453B (zh) | 一种多特征融合评估预测轴承性能寿命方法 | |
CN117196336A (zh) | 用于智能印厂的设备oee损失分析优化方法 | |
CN115907533A (zh) | 一种评估个体工商户持续经营能力的方法及系统 |
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 |