CN113112101B - 生产工艺过程的监测的方法和装置、电子设备、存储介质 - Google Patents
生产工艺过程的监测的方法和装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN113112101B CN113112101B CN202010026847.2A CN202010026847A CN113112101B CN 113112101 B CN113112101 B CN 113112101B CN 202010026847 A CN202010026847 A CN 202010026847A CN 113112101 B CN113112101 B CN 113112101B
- Authority
- CN
- China
- Prior art keywords
- information
- raw material
- vector
- network model
- determining
- 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
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
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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—Systems or methods specially adapted for 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
Abstract
本公开实施例公开了一种生产工艺过程的监测的方法和装置、电子设备、存储介质,涉及计算机技术领域。具体实现方案为:采集原材料信息和对原材料进行加工的辅助信息,其中,辅助信息包括环境信息和/或设备信息,根据原材料信息、辅助信息和预设的网络模型确定品质信息,生成并显示携带品质信息的提示信息,通过对原材料信息和辅助信息均进行采集,以便基于将采集到的原材料信息和辅助信息结合网络模型对品质信息进行确定,避免了现有技术中仅基于原材料信息进行监测导致的监测结果的准确性偏低的技术问题,实现了确保品质信息的可靠性的技术效果。
Description
技术领域
本公开实施例涉及计算机技术领域,尤其涉及工业制造技术领域,具体涉及一种生产工艺过程的监测的方法和装置、电子设备、存储介质。
背景技术
随着工业智能化和自动化的发展,生产工艺过程的监测被广泛地应用于制造业生产工艺中。
在现有技术中,基于分类与回归树构建的品质超规检测模型和生产工艺过程中的原材料信息对生产工艺过程进行监测。
然而,发明人在实现本公开的过程中,发现至少存在以下问题:仅基于原材料信息进行监测导致的监测结果的准确性偏低。
发明内容
本公开实施例提供了一种生产工艺过程的监测的方法和装置、电子设备、存储介质,以解决上述现有技术中存在的仅基于原材料信息进行监测导致的监测结果的准确性偏低的技术问题。
一个方面,本公开实施例提供了一种生产工艺过程的监测的方法,所述方法包括:
采集原材料信息和对所述原材料进行加工的辅助信息,其中,所述辅助信息包括环境信息和/或设备信息;
根据所述原材料信息、所述辅助信息和预设的网络模型确定品质信息;
生成并显示携带所述品质信息的提示信息。
在本公开实施例中,通过对原材料信息和辅助信息均进行采集,以便基于将采集到的原材料信息和辅助信息结合网络模型对品质信息进行确定,避免了现有技术中仅基于原材料信息进行监测导致的监测结果的准确性偏低的技术问题,实现了确保品质信息的可靠性的技术效果。
在一些实施例中,所述根据所述原材料信息、所述辅助信息和预设的网络模型确定品质信息包括:
分别对所述原材料信息和所述辅助信息进行特征提取,生成与所述原材料信息对应的第一向量,并生成与所述辅助信息对应的第二向量;
根据所述第一向量、所述第二向量和所述网络模型确定所述品质信息。
在一些实施例中,所述根据所述第一向量、所述第二向量和所述网络模型确定所述品质信息包括:
根据所述第一向量和所述第二向量确定所述网络模型的记忆单元的输出结果;
根据所述第二向量确定所述网络模型的隐层的输出结果;
根据所述记忆单元的输出结果和所述隐层的输出结果确定所述品质信息。
在一些实施例中,响应于对所述原材料信息进行特征提取得到多个类别特征,则所述生成与所述原材料信息对应的第一向量包括:
对所述多个类别特征进行降维处理,生成所述第一向量。
在本公开实施例中,若原材料信息对应多个类别特征,则对多个类别特征进行降维处理,以便得到降维后的第一向量,从而确保后续网络模型的计算的有效性,进而实现品质信息的可靠性。
在一些实施例中,响应于对所述辅助信息进行特征提取得到连续数字,则所述生成与所述辅助信息对应的第二向量包括:
对所述连续数字进行编码处理,生成所述第二向量。
同理,在本公开实施例中,若辅助信息对应的为连续数字,则对连续数字进行编码处理,以便得到第二向量,从而确保后续网络模型的计算的有效性,进而实现品质信息的可靠性。
在一些实施例中,所述网络模型为孩子树网络模型child-sum Tree-LSTM。
在本公开实施例中,由于生产工艺过程一般包括多道工艺,且每道工艺的都可能增加新的原材料,且可能使用不同的设备,且即便使用相同的设备,设备的运行参数也可能不同。而基于孩子树网络模型的树的深度和孩子节点的个数都是可变的,且每一层的孩子节点属于无序的状态的特点,因此,优选孩子树网络模型作为网络模型。
另一个方面,本公开实施例还提供了一种生产工艺过程的监测的装置,所述装置包括:
采集模块,用于采集原材料信息和对所述原材料进行加工的辅助信息,其中,所述辅助信息包括环境信息和/或设备信息;
确定模块,用于根据所述原材料信息、所述辅助信息和预设的网络模型确定品质信息;
生成模块,用于生成携带所述品质信息的提示信息。
显示模块,用于对所述提示信息进行显示。
在一些实施例中,所述确定模块用于,分别对所述原材料信息和所述辅助信息进行特征提取,生成与所述原材料信息对应的第一向量,并生成与所述辅助信息对应的第二向量,根据所述第一向量、所述第二向量和所述网络模型确定所述品质信息。
在一些实施例中,所述确定模块用于,根据所述第一向量和所述第二向量确定所述网络模型的记忆单元的输出结果,根据所述第二向量确定所述网络模型的隐层的输出结果,根据所述记忆单元的输出结果和所述隐层的输出结果确定所述品质信息。
在一些实施例中,响应于对所述原材料信息进行特征提取得到多个类别特征,所述确定模块用于,对所述多个类别特征进行降维处理,生成所述第一向量。
在一些实施例中,响应于对所述辅助信息进行特征提取得到连续数字,所述确定模块用于,对所述连续数字进行编码处理,生成所述第二向量。
在一些实施例中,所述网络模型为孩子树网络模型child-sum Tree-LSTM。
另一个方面,本公开实施例还提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上任一实施例所述的方法。
另一个方面,本公开实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如上任一实施例所述的方法。
另一个方面,本公开实施例还提供了一种计算机程序产品,所述程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
本公开实施例提供了一种生产工艺过程的监测的方法和装置、电子设备、存储介质,包括:采集原材料信息和对原材料进行加工的辅助信息,其中,辅助信息包括环境信息和/或设备信息,根据原材料信息、辅助信息和预设的网络模型确定品质信息,生成并显示携带品质信息的提示信息,通过对原材料信息和辅助信息均进行采集,以便基于将采集到的原材料信息和辅助信息结合网络模型对品质信息进行确定,避免了现有技术中仅基于原材料信息进行监测导致的监测结果的准确性偏低的技术问题,实现了确保品质信息的可靠性的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例的生产工艺过程的监测方法的流程示意图;
图2为本公开实施例的生产工艺过程的原理示意图;
图3为本公开实施例的生产工艺过程的监测方法的应用场景的示意图;
图4为本公开实施例的根据原材料信息、辅助信息和预设的网络模型确定品质信息的方法的流程示意图;
图5为本公开实施例的根据第一向量、第二向量和网络模型确定品质信息的方法的流程示意图;
图6为本公开实施例的生产工艺过程的监测方法的原理示意图;
图7为本公开实施例的降维的原理示意图;
图8为本公开实施例的生产工艺过程的监测的装置的示意图;
图9为本公开实施例的电子设备的框图。
具体实施方式
以下结合附图对本公开实施例的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开实施例的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
根据本公开实施例的一个方面,本公开实施例提供了一种生产工艺过程的监测方法。
请参阅图1,图1为本公开实施例的生产工艺过程的监测方法的流程示意图。
如图1所示,该方法包括:
S101:采集原材料信息和对原材料进行加工的辅助信息,其中,辅助信息包括环境信息和/或设备信息。
其中,执行本公开实施例的生产工艺过程的监测方法的主体可以为生产工艺过程的监测装置,该装置包括计算机和服务器等。现以计算机为例对本公开实施例的方案进行详细阐述。
在该步骤中,计算机对两部分信息进行采集,一部分为待加工的原材料的信息(即原材料信息),另一部分为对原材料进行加工时的环境信息和/或设备信息(即辅助信息)。
在一些实施例中,原材料信息可以为预先存储于计算机内的存储器中的信息。
在另一些实施例中,计算机可基于通信接口与外部存储设备连接,以便通过通信接口从外部存储设备中提取原材料信息。
其中,原材料信息包括原材料的重量信息、原材料的编号信息、原材料的供应商信息和原材料的材料信息等。
其中,环境信息可包括温度信息、湿度信息、压强信息和摩擦力信息等。
在一些实施例中,可通过设置于计算机内的温度传感器、湿度传感器和压强传感器等对环境信息进行采集。
在另一些实施例中,可通过在生产车间内设置温度计、湿度计和压强计等,对生产车间内的环境信息进行采集,且计算机基于有线或无线的方式与温度计、湿度计和压强计等进行通信,以便获取环境信息。
其中,设备信息包括对原材料进行加工的设备的运行参数,如设备的温度信息、设备的电压信息、设备的电流信息和设备的转速信息等。
在一些实施例中,计算机可通过有线或无线的方式与对原材料进行加工的设备连接,以便获取设备信息。
在现有技术中,通过采集原材料信息,对原材料信息进行适应性处理(如背景技术中的处理方法),以便后续确定品质信息。
然而,在本公开实施例中,不仅采集原材料信息,还对环境信息和/或设备信息进行采集,以便充分考虑环境信息和/或设备信息对品质信息的影响,从而实现后续品质信息确定的可靠性和准确性。
S102:根据原材料信息、辅助信息和预设的网络模型确定品质信息。
在该步骤中,计算机可调用预先存储于存储器中的网络模型,并将原材料信息和辅助信息均输入至网络模型,由网络模型对原材料信息和辅助信息进行分析,并输出品质信息。
在一些实施例中,网络模型可以为基于现有技术中的神经网络模型等模型对历史原材料信息和辅助信息进行训练得到的。
在另一些实施例中,网络模型还可以为孩子树网络模型child-sum Tree-LSTM。
值得说明地是,生产工艺过程一般包括多道工艺,且每道工艺的都可能增加新的原材料,且可能使用不同的设备,且即便使用相同的设备,设备的运行参数也可能不同。因此,基于孩子树网络模型的树的深度和孩子节点的个数都是可变的,且每一层的孩子节点属于无序的状态的特点,在本公开实施例中,优选孩子树网络模型作为网络模型。
请参阅图2,图2为本公开实施例的生产工艺过程的原理示意图。
如图2所示,由原材料1的原材料信息和原材料2的原材料信息分别结合第一环境信息确定中间产物1。
由中间产物1的原材料信息、原材料3的原材料信息和原材料4的原材料信息分别结合第二环境信息确定中间产物2。
由原材料5的原材料信息、原材料6的原材料信息和原材料7的原材料信息分别结合第三环境信息确定中间产物3的原材料信息。
由中间产物2的原材料信息和中间产物3的原材料信息分别结合第四环境信息确定最终产品。
也就是说,在本公开实施例中,通过将不同阶段的原材料信息与该阶段的环境信息结合,以便生成最终产品,通过充分考虑不同阶段的原材料信息和环境信息对生成中间和生成最终产品的影响,实现确定出的品质信息的可靠性和准确性的技术效果。
S103:生成并显示携带品质信息的提示信息。
在一些实施例中,由计算机的显示器对提示信息进行显示,以便工作人员确定品质是否正常,且以便当品质异常时,工作人员可采取相应的措施暂停生产,如切断电源等。
在另一些实施例中,还可通过设置于计算机上的扬声器对提示信息进行播报。
当然,在另一些实施例中,计算机可对品质信息进行判断,若品质信息为品质正常,则可通过显示器显示品质正常的提示信息。若品质信息为品质异常,则可在通过显示器显示品质异常的提示信息的同时,通过扬声器发出品质异常的语音告警;或者,在另一实施例中,可在车间内设置告警装置,计算机与告警装置通过有线或无线的方式连接,计算机根据品质异常的品质信息向告警装置发出告警指令,告警装置基于告警指令进行告警。
为使更加清楚地理解本公开实施例的生产工艺过程的监测方法,现结合应用场景对本公开实施例的方法进行详细阐述。
请参阅图3,图3为本公开实施例的生产工艺过程的监测方法的应用场景的示意图,且具体为生产轮胎时的应用场景的示意图。
如图3所示,生产轮胎的生产线100工包括n台设备,分别为设备1至设备n,每一台设备完成生产轮胎的一道工艺,在经过设备n后,得到成品轮胎。
其中,输入至设备1的原材料中可包括一种或多种原材料,输入至设备n的原材料n中可包括一种或多种原材料,当然,输入至设备n的还包括经过设备n-1生成的中间品。
当然,在另一些实施例中,设备n也可能直接基于对设备n-1生成的中间品进行加工处理,而无非增加新的原材料。
温度计200用于采集生产线100对应的所属环境的温度信息,并将温度信息传输至计算机300。
湿度计400用于采集生产线100对应的环境的湿度信息,并将湿度信息传输至计算机300。
压强计500用于采集生产线100对应的环境的压强信息,并将压强信息传输至计算机300。
且,任一设备在生产过程中,均将其运行参数(如温度、湿度和速度等)传输至计算机300。
计算机300预先存储各设备对应的原材料信息。
计算机300调用预先存储的孩子树网络模型,并将原材料信息和辅助信息(即上述步骤中所述的温度信息、湿度信息、压强信息和运行参数等)输入至孩子树网络模型,生成品质信息,并生成提示信息。
值得说明地说,上述应用场景只是示范性地说明,而不能理解为对本公开实施例的范围的限定。如,在另一些实施例中,本公开实施例的方法还可以应用于生产玩具和手工艺品等。且在另一些实施例中,可在上述应用场景的基础上增加部分传感器或者减少部分传感器。
结合图4(图4为本公开实施例的根据原材料信息、辅助信息和预设的网络模型确定品质信息的方法的流程示意图)可知,在一些实施例中,S102包括:
S21:分别对原材料信息和辅助信息进行特征提取,生成与原材料信息对应的第一向量,并生成与辅助信息对应的第二向量。
其中,该步骤具体包括:对原材料信息进行特征提取,生成与原材料信息对应的第一向量;对辅助信息进行特征提取,生成与辅助信息对应的第二向量。
其中,本公开实施例中进行特征提取生成向量的过程可参见现有技术,此处不再赘述。
S22:根据第一向量、第二向量和网络模型确定品质信息。
在该步骤中,将第一向量和第二向量分别输入至网络模型,由网络模型对第一向量和第二向量进行计算,得到品质信息。
结合图5(图5为本公开实施例的根据第一向量、第二向量和网络模型确定品质信息的方法的流程示意图)可知,在一些实施例中,S22包括:
S221:根据第一向量和第二向量确定网络模型的记忆单元的输出结果。
S222:根据第二向量确定网络模型的隐层的输出结果。
S223:根据记忆单元的输出结果和隐层的输出结果确定品质信息。
为使清楚的理解本公开实施例,现以网络模型为孩子树网络模型为例,且结合图5对本公开实施例进行详细阐述,其中,图6为本公开实施例的生产工艺过程的监测方法的原理示意图。
结合图6可知,生产工艺过程包括3种原材料,分别为原材料a、原材料b和原材料c。
如图6所示,原材料a在孩子树网络模型的隐层的输出结果为h1,且原材料a在孩子树网络模型的记忆单元的输出结果为c1;原材料b在孩子树网络模型的隐层的输出结果为h2,且原材料b在孩子树网络模型的记忆单元的输出结果为c2;原材料c在孩子树网络模型的隐层的输出结果为h3,且原材料c在孩子树网络模型的记忆单元的输出结果为c3;原材料d在孩子树网络模型的隐层的输出结果为h5,且原材料d在孩子树网络模型的记忆单元的输出结果为c5。
在根据原材料a、原材料b和原材料c得到中间品后,且中间品对应的原材料的原材料信息为xW1,以及中间品对应的辅助信息为xP1。
中间品在孩子树网络模型的隐层的输出结果为h4,且中间品在孩子树模型的记忆单元的输出结果为c4。
由原材料d和中间品生成成品,且成品对应的辅助信息为xP2,且成品在孩子树网络模型的隐层的输出结果为h6,成品在孩子树网络模型的记忆单元的输出结果为c6。
在一些实施例中,c6为用于记忆的信息,而h6为对产品质量结果的评分。品质信息可包括记忆的信息和产品质量结果的评分。
结合图6可知,可通过注意力(attention)机制对生产工艺进行预测。
且,本公开实施例对孩子树网络模型进行了改进,将单向输入改进为双向输入。
在一些实施例中,孩子树网络模型的隐层的输出结果hj可基于下式确定:
其中,fjk为遗忘率,为0至1之间的矩阵,σ大于0且小于1,/>和hk分别为向量,/>为原材料信息对应的向量,b(f)为常数项。
其中,oj为输出门的输出比例。
在一些实施例中,孩子树网络模型的记忆单元的输出结果cj可基于下式确定:
其中,ij为更新门的更新比例,/>为辅助信息对应的向量。
其中,uj为当前状态需要更新的值。
其中,中间变量
在一些实施例中,原材料信息可能对应多个类别特征,例如原材料的供应商信息等,则需要先对多个类别特别进行降维处理,以便生成一维的第一向量。
在一些实施例中,降维的原理示意图可参阅图7。
如图7所示,若某原材料信息包括A、B、C、D和E五个类别特征,且A为1,B、C、D和E均为0,则在对原始类别数据进行One-hot编码后,可参见如图7所示的One-hot编码结果,且对原始类别数据进行降维处理后,可参见如图7所示的降维结果。
同理,在另一些实施例中,对辅助信息进行特征提取可能得到连续数字,如温度信息对应的特征。则对连续数字进行编码处理,具体可以经过LSTM编码,得到一维的第二向量。
根据本公开实施例的另一个方面,本公开实施例还提供了一种生产工艺过程的监测的装置。
请参阅图8,图8为本公开实施例的生产工艺过程的监测的装置的示意图。
如图8所示,所述装置包括:
采集模块10,用于采集原材料信息和对所述原材料进行加工的辅助信息,其中,所述辅助信息包括环境信息和/或设备信息;
确定模块20,用于根据所述原材料信息、所述辅助信息和预设的网络模型确定品质信息;
生成模块30,用于生成携带所述品质信息的提示信息。
显示模块40,用于对所述提示信息进行显示。
在一些实施例中,所述确定模块20用于,分别对所述原材料信息和所述辅助信息进行特征提取,生成与所述原材料信息对应的第一向量,并生成与所述辅助信息对应的第二向量,根据所述第一向量、所述第二向量和所述网络模型确定所述品质信息。
在一些实施例中,所述确定模块20用于,根据所述第一向量和所述第二向量确定所述网络模型的记忆单元的输出结果,根据所述第二向量确定所述网络模型的隐层的输出结果,根据所述记忆单元的输出结果和所述隐层的输出结果确定所述品质信息。
在一些实施例中,响应于对所述辅助信息进行特征提取得到连续数字,所述确定模块20用于,对所述连续数字进行编码处理,生成所述第二向量。
在一些实施例中,所述网络模型为孩子树网络模型child-sum Tree-LSTM。
根据本公开的实施例的另一个方面,本公开实施例还提供了一种电子设备和一种可读存储介质。
根据本申请的实施例,本申请还提供了一种计算机程序产品,程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
请参阅图9,图9为本公开实施例的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开实施例的实现。
如图9所示,该电子设备包括:一个或多个处理器101、存储器102,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器101为例。
存储器102即为本公开实施例所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本公开实施例所提供的生产工艺过程的监测方法。本公开实施例的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本公开实施例所提供的生产工艺过程的监测方法。
存储器102作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块。处理器101通过运行存储在存储器102中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的生产工艺过程的监测方法。
存储器102可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器102可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器102可选包括相对于处理器101远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
电子设备还可以包括:输入装置103和输出装置104。处理器101、存储器102、输入装置103和输出装置104可以通过总线或者其他方式连接,图9中以通过总线连接为例。
输入装置103可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置104可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种生产工艺过程的监测方法,其特征在于,所述方法包括:
采集原材料信息和对所述原材料进行加工的辅助信息,其中,所述辅助信息包括环境信息和/或设备信息;
根据所述原材料信息、所述辅助信息和预设的网络模型确定品质信息;
生成并显示携带所述品质信息的提示信息;
所述根据所述原材料信息、所述辅助信息和预设的网络模型确定品质信息包括:
分别对所述原材料信息和所述辅助信息进行特征提取,生成与所述原材料信息对应的第一向量,并生成与所述辅助信息对应的第二向量;
根据所述第一向量、所述第二向量和所述网络模型确定所述品质信息;
所述根据所述第一向量、所述第二向量和所述网络模型确定所述品质信息包括:
根据所述第一向量和所述第二向量确定所述网络模型的记忆单元的输出结果;
根据所述第二向量确定所述网络模型的隐层的输出结果;
根据所述记忆单元的输出结果和所述隐层的输出结果确定所述品质信息。
2.根据权利要求1所述的监测方法,其特征在于,响应于对所述原材料信息进行特征提取得到多个类别特征,则所述生成与所述原材料信息对应的第一向量包括:
对所述多个类别特征进行降维处理,生成所述第一向量。
3.根据权利要求1所述的监测方法,其特征在于,响应于对所述辅助信息进行特征提取得到连续数字,则所述生成与所述辅助信息对应的第二向量包括:
对所述连续数字进行编码处理,生成所述第二向量。
4. 根据权利要求1至3中任一项所述的监测方法,其特征在于,所述网络模型为孩子树网络模型child-sum Tree-LSTM。
5.一种生产工艺过程的监测的装置,其特征在于,所述装置包括:
采集模块,用于采集原材料信息和对所述原材料进行加工的辅助信息,其中,所述辅助信息包括环境信息和/或设备信息;
确定模块,用于根据所述原材料信息、所述辅助信息和预设的网络模型确定品质信息;
生成模块,用于生成携带所述品质信息的提示信息;
显示模块,用于对所述提示信息进行显示;
所述确定模块用于,分别对所述原材料信息和所述辅助信息进行特征提取,生成与所述原材料信息对应的第一向量,并生成与所述辅助信息对应的第二向量,根据所述第一向量、所述第二向量和所述网络模型确定所述品质信息;
所述确定模块用于,根据所述第一向量和所述第二向量确定所述网络模型的记忆单元的输出结果,根据所述第二向量确定所述网络模型的隐层的输出结果,根据所述记忆单元的输出结果和所述隐层的输出结果确定所述品质信息。
6.根据权利要求5所述的监测装置,其特征在于,响应于对所述原材料信息进行特征提取得到多个类别特征,所述确定模块用于,对所述多个类别特征进行降维处理,生成所述第一向量。
7.根据权利要求5所述的监测装置,其特征在于,响应于对所述辅助信息进行特征提取得到连续数字,所述确定模块用于,对所述连续数字进行编码处理,生成所述第二向量。
8. 根据权利要求5至7中任一项所述的监测装置,其特征在于,所述网络模型为孩子树网络模型child-sum Tree-LSTM。
9. 一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010026847.2A CN113112101B (zh) | 2020-01-10 | 2020-01-10 | 生产工艺过程的监测的方法和装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010026847.2A CN113112101B (zh) | 2020-01-10 | 2020-01-10 | 生产工艺过程的监测的方法和装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112101A CN113112101A (zh) | 2021-07-13 |
CN113112101B true CN113112101B (zh) | 2023-07-25 |
Family
ID=76708735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010026847.2A Active CN113112101B (zh) | 2020-01-10 | 2020-01-10 | 生产工艺过程的监测的方法和装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112101B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004196621A (ja) * | 2002-12-20 | 2004-07-15 | National Agriculture & Bio-Oriented Research Organization | 品質管理型コンポスト化方法および設備 |
CN107169565A (zh) * | 2017-04-27 | 2017-09-15 | 西安工程大学 | 基于烟花算法改进bp神经网络的纺纱质量预测方法 |
CN108346058A (zh) * | 2018-01-16 | 2018-07-31 | 湖南省中医药研究院 | 一种中药饮片生产多维动态质量监控系统及方法 |
CN108469781A (zh) * | 2018-03-16 | 2018-08-31 | 曲阜师范大学 | 有机硅生产全集成优化控制系统 |
CN109886555A (zh) * | 2019-01-24 | 2019-06-14 | 北京明略软件系统有限公司 | 食品安全的监测方法及装置 |
CN109886500A (zh) * | 2019-03-05 | 2019-06-14 | 北京百度网讯科技有限公司 | 用于确定加工工艺信息的方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8645076B2 (en) * | 2011-06-03 | 2014-02-04 | Rockwell Automation Technologies, Inc. | Microbial monitoring and prediction |
US11200489B2 (en) * | 2018-01-30 | 2021-12-14 | Imubit Israel Ltd. | Controller training based on historical data |
-
2020
- 2020-01-10 CN CN202010026847.2A patent/CN113112101B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004196621A (ja) * | 2002-12-20 | 2004-07-15 | National Agriculture & Bio-Oriented Research Organization | 品質管理型コンポスト化方法および設備 |
CN107169565A (zh) * | 2017-04-27 | 2017-09-15 | 西安工程大学 | 基于烟花算法改进bp神经网络的纺纱质量预测方法 |
CN108346058A (zh) * | 2018-01-16 | 2018-07-31 | 湖南省中医药研究院 | 一种中药饮片生产多维动态质量监控系统及方法 |
CN108469781A (zh) * | 2018-03-16 | 2018-08-31 | 曲阜师范大学 | 有机硅生产全集成优化控制系统 |
CN109886555A (zh) * | 2019-01-24 | 2019-06-14 | 北京明略软件系统有限公司 | 食品安全的监测方法及装置 |
CN109886500A (zh) * | 2019-03-05 | 2019-06-14 | 北京百度网讯科技有限公司 | 用于确定加工工艺信息的方法和装置 |
Non-Patent Citations (2)
Title |
---|
"Data-based Sensing of Composition and Quality of Product in Biodiesel Production";Iftikhar Ahmad 等;《IEEE》;全文 * |
纺织品智能工艺设计与质量预测系统;项前,吕志军,杨建国;纺织学报(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113112101A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11184422B1 (en) | Industrial controller system and interactive graphical user interfaces related thereto | |
CN109902832B (zh) | 机器学习模型的训练方法、异常预测方法及相关装置 | |
US11451611B1 (en) | Remote asset notification | |
US20170242935A1 (en) | User interface component for managing and presenting data corresponding to industrial assets | |
US20170242555A1 (en) | User interface component for browsing industrial assets | |
CN111311321B (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
JP2021197159A (ja) | グラフニューラルネットワークをプレトレーニングする方法、プログラム及び装置 | |
CN111563593B (zh) | 神经网络模型的训练方法和装置 | |
CN110730164B (zh) | 安全预警方法及相关设备、计算机可读存储介质 | |
US20230112576A1 (en) | Techniques for data processing predictions | |
EP4134877A1 (en) | Training method and apparatus for fault recognition model, fault recognition method and apparatus, and electronic device | |
CN115357470B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN112149329A (zh) | 核电厂关键设备的状态预演方法、系统、设备及存储介质 | |
CN115454706A (zh) | 一种系统异常确定方法、装置、电子设备及存储介质 | |
CN114881167A (zh) | 异常检测方法、装置、电子设备和介质 | |
CN113112101B (zh) | 生产工艺过程的监测的方法和装置、电子设备、存储介质 | |
CN111680599B (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
Shao et al. | Hybrid artificial neural networks modeling for faults identification of a stochastic multivariate process | |
CN113989569B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN114328123A (zh) | 异常确定方法、训练方法、装置、电子设备以及存储介质 | |
CN116610797A (zh) | 文本情感分类模型的训练方法、装置、电子设备和介质 | |
Dumss et al. | Combining multiple data sources and enriching the dataset using Industrial Edge Devices | |
KR20220007326A (ko) | 전자 장치 및 그의 제어 방법 | |
CN111241688B (zh) | 复合生产工艺过程监控方法及装置 | |
CN111753955A (zh) | 一种模型参数调整方法、装置、电子设备和存储介质 |
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 |