CN113191678B - 基于物联网和人工智能的安全生产指标异常快速感知方法 - Google Patents
基于物联网和人工智能的安全生产指标异常快速感知方法 Download PDFInfo
- Publication number
- CN113191678B CN113191678B CN202110556203.9A CN202110556203A CN113191678B CN 113191678 B CN113191678 B CN 113191678B CN 202110556203 A CN202110556203 A CN 202110556203A CN 113191678 B CN113191678 B CN 113191678B
- Authority
- CN
- China
- Prior art keywords
- production
- production process
- deviation
- processes
- abnormal
- 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.)
- Expired - Fee Related
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 447
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 230000001186 cumulative effect Effects 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 4
- 125000006850 spacer group Chemical group 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000013210 evaluation model Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000008447 perception Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06Q10/0633—Workflow analysis
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种基于物联网和人工智能的安全生产指标异常快速感知方法,该方法包括:基于生产流程对生产工序进行层次划分,每个层次中包括若干生产工序;基于生产工序的累积偏差和所处层次计算每个生产工序对应的多米诺指数,基于多米诺指数和与生产工序直接相连的生产工序的个数计算每个生产工序对生产结果的影响程度;基于影响程度在所有生产工序中选择有效生产工序,基于所述有效生产工序处的实际偏差进行生产工序异常感知并获取异常生产工序的位置和异常类型。本发明仅需对个别生产工序进行相关数据的监测就可以快速、高效的对生产过程中的异常进行感知,并判断生产工序的异常类型和发生异常的位置。
Description
技术领域
本发明涉及生产控制领域,具体为一种基于物联网和人工智能的安全生产指标异常快速感知方法。
背景技术
生产过程中的异常包括生产工序导致的异常和累积偏差导致的异常;目前,往往是通过实时监测相关数据并设定相应的阈值来判断生产过程是否存在异常,耗时耗力且该方法仅能判断异常,并不能感知出异常的产生方式及实际来源,使得生产工序的检修不能及时进行。
发明内容
为了解决上述问题,本发明提出一种基于物联网和人工智能的安全生产指标异常快速感知方法,该方法包括:
步骤一,基于生产流程对生产工序进行层次划分,每个层次中包括若干生产工序;
步骤二,基于生产工序的累积偏差和所处层次计算每个生产工序的多米诺指数,基于多米诺指数和与生产工序直接相连的生产工序的个数计算每个生产工序对生产结果的影响程度;
步骤三,基于影响程度在所有生产工序中选择有效生产工序,基于所述有效生产工序处的实际偏差进行生产工序异常感知并获取异常生产工序的位置和异常类型。
进一步地,每个生产工序的多米诺指数的计算方法为:
DA为生产工序A的多米诺指数;在生产工序A所处层次之后的所有生产工序构成工序集合B,Bi为工序集合中第i个生产工序,SA为工序集合B中生产工序的个数;为生产工序A与Bi之间的间隔层次数;GA为生产工序A所处层次与最终层次之间的间隔层次数;为生产工序A与Bi之间的关联程度。
进一步地,每个生产工序对生产结果的影响程度的计算方法为:
进一步地,关联程度的计算方法为:
进一步地,每两个相邻的层次对应一个偏差推理神经网络;所述偏差推理神经网络的输入为前一层次中每个生产工序生产指标的累积偏差,输出为后一层次中每个生产工序生产指标的累积偏差;基于若干偏差推理神经网络得到所述生产工序Bi的累积偏差。
进一步地,基于影响程度在所有生产工序中选择有效生产工序的具体过程为:
按照影响程度从大到小的顺序多次进行生产工序的选择,每次选择后基于所选生产工序的生产指标推测生产流程中其他生产工序的生产指标,并对推测过程进行评价,基于评价值确定最优生产工序;其中,下一次选择的生产工序的个数大于上一次选择的生产工序的个数且下一次选择的生产工序中包括上一次选择的生产工序;
有效生产工序包括最优生产工序、第一层次中所有生产工序以及最后一个层次中的最后一个生产工序。
进一步地,利用指标推测神经网络推测生产流程中其他生产工序的生产指标;其中,指标推测神经网络的输入序列中包括每个生产工序的生产指标,输入序列中所选生产工序的生产指标通过实际采集得到,其他生产工序的生产指标没有实际数值;输出序列中包括每个生产工序的生产指标预测值。
进一步地,所述指标推测神经网络为TCN网络。
进一步地,所述异常类型包括累积偏差异常和生产工序异常。
本发明的有益效果在于:
1.本发明仅需对个别生产工序进行相关数据的监测就可以快速、高效的对生产过程中的异常进行感知,并判断生产工序的异常类型和发生异常的位置。
2.本发明基于每个生产工序对生产结果的影响程度进行生产工序的选择,并基于所选生产工序处的生产指标实际检测数据可以准确推测生产流程中所有生产工序的生产指标,不需在每个生产工序处放置传感器来监测生产工序的生产指标。
附图说明
图1为本发明方法实施流程图。
具体实施方式
为了让本领域技术人员更好的理解本发明,下面结合实施例对本发明进行详细描述。
本发明的主要目的是将物联网与人工智能相结合,实现生产过程中生产指标异常的快速感知,及时发现和解决生产指标异常这一问题,避免生产指标异常给企业带来损失。
生产过程中异常形成的原因主要有人为因素、生产设备异常、生产原材料异常,本发明主要针对生产原材料异常及生产效率异常,具体地,生产原材料异常指质量异常,生产效率异常指数量异常和速度异常。
实施例一:
该实施例提供了一种基于物联网和人工智能的安全生产指标异常快速感知方法,该方法实施流程如图1所示,具体地,该方法包括:
步骤一,基于生产流程对生产工序进行层次划分,每个层次中包括若干生产工序;该步骤需要结合企业的生产流程,将生产流程中属于同一等级的生产工序划分到一个层次中,并为每个生产工序分配相应的ID,实施者也可根据其他划分依据进行层次的划分。
步骤二:
1)基于生产工序的累积偏差计算每个生产工序的多米诺指数,具体地,每个生产工序的多米诺指数的计算方法为:
DA为生产工序A的多米诺指数;在生产工序A所处层次之后的所有生产工序构成工序集合B,Bi为工序集合中第i个生产工序,SA为工序集合B中生产工序的个数;为生产工序A与Bi之间的间隔层次数;GA为生产工序A所处层次与最终层次之间的间隔层次数;为生产工序A与Bi之间的关联程度。
需要注意,本发明中按照层次之间的生产流程逻辑计算处于不同层次的任意两个生产工序之间的关联程度:首先,获取第一层次中每个生产工序对应的工序集合,按照生产工序的ID计算第一层次中每个生产工序与其对应的工序集合中生产工序Bi之间的关联程度;其次,计算下一层次中每个生产工序与该层次对应的工序集合中任意一个生产工序之间的关联程度,直至第N-1层次,其中,N为层次总个数。
计算关联程度需要获取生产工序A对生产工序Bi的单独影响程度和混合影响程度,其中,单独影响程度指前一层次中的生产工序的累积偏差对生产工序A没有影响且生产工序A所处层次中其他生产工序不存在累积偏差;混合影响程度指前一层次中的生产工序的累积偏差对生产工序A没有影响且生产工序A所处层次中其他生产工序存在累积偏差;具体地,生产工序A与Bi之间的关联程度的计算方法为:
a)生产工序A对生产工序Bi的单独影响程度的计算方法为:
获取生产工序A的累积偏差范围,在前一层次中的生产工序的累积偏差对生产工序A没有影响且生产工序A所处层次中其他生产工序不存在累积偏差时,遍历累积偏差范围中的数值,当生产工序A的累积偏差为累积偏差范围中的任意一个数值时基于生产工序A的累积偏差获取生产工序Bi的累积偏差,遍历完成后获取生产工序Bi的累积偏差范围。
其中,ρ、σ、τ为权重系数,且σ>10ρ>τ;生产工序A与Bi之间存在M种连接方式;生产工序A的累积偏差范围为[-e,e],生产工序Bi的累积偏差范围为[z′,z];vA,min为使生产工序Bi处的累积偏差大于设定的偏差阈值的生产工序A的最小累积偏差;需要注意,若生产工序A的累积偏差范围中的每个值均不会导致生产工序Bi处发生异常,则此时为0。
其中,ε=2e/m,m为传感器测量精度,ε为遍历总次数;vA,δ、vA,δ-1分别为第δ次、第δ-1次遍历时生产工序A的累积偏差,分别为第δ次、第δ-1次遍历完后得到的生产工序Bi的累积偏差;γδ为状态系数,当生产工序Bi的累积偏差大于设定偏差阈值时,γδ为1,否则,γδ为0;ε′为ε个生产工序Bi的累积偏差中Bi的累积偏差大于设定偏差阈值的个数。
b)生产工序A对生产工序Bi的混合影响程度的计算方法为:
获取生产工序A的累积偏差范围,在前一层次中的生产工序的累积偏差对生产工序A没有影响且生产工序A所处层次中其他生产工序存在累积偏差时,遍历累积偏差范围中的数值,当生产工序A的累积偏差为累积偏差范围中的任意一个数值时,改变生产工序A所处层次中其他生产工序的累积偏差值并获取每次改变后生产工序Bi的累积偏差,统计生产工序Bi的累积偏差大于偏差阈值的次数,基于所统计的次数计算混合影响程度
其中,szδ、swδ分别为生产工序A的累积偏差为vA,δ时,对生产工序A所处层次中其他生产工序的累积偏差值进行改变后得到的生产工序Bi的累积偏差的总个数、生产工序Bi的累积偏差大于设定偏差阈值的个数。
至此,得到生产工序A与Bi之间的关联程度。
其中,基于前一层次中生产工序的累积偏差获取后一层次中每个生产工序的累积偏差的方法为:
每两个相邻的层次对应一个偏差推理神经网络,本发明中共有N个层次,则对应N-1个偏差推理神经网络;所述偏差推理神经网络的输入为两个层次的前一层次中每个生产工序生产指标的累积偏差,输出为后一层次中每个生产工序生产指标的累积偏差;具体地,偏差推理神经网络的输入层中神经元的数量为前一层次中生产工序的个数,每个神经元对应一个生产工序,则每个神经元的输入为其对应的生产工序的生产指标的累积偏差;偏差推理神经网络的输出层中神经元的数量为后一层次中生产工序的个数,每个神经元的输出为预测得到的对应的生产工序的生产指标的累积偏差。
利用多组由传感器测得的实际累积偏差数据训练偏差推理神经网络,训练时Loss函数使用均方误差损失函数;利用训练好的N-1个偏差推理神经网络可根据第一层次中各个生产工序的累积偏差预测后续每一层次中每个生产工序的累积偏差,即结合低层次中生产工序的累积偏差和偏差推理神经网络,推理后续高层次中生产工序的累积偏差;需要说明,本发明利用偏差推理神经网络进行累积偏差的预测时假设生产工序自身是正常的。
使用神经网络预测生产工序累积偏差的原因为:在生产流程中,当某一生产工序处存在偏差时,该处的偏差可能会造成后续生产工序处也存在偏差,即偏差向下积累,也有可能该处的偏差对后续的生产工序未产生影响;同时,有些生产工序处存在的偏差较小,不易设定偏差阈值来直接判断生产工序处是否异常,且多个生产工序间的关系复杂,难以建立准确的数学模型进行计算,因此需要使用DNN结合大量数据进行分层推理,获取生产工序间的内在联系。
2)基于多米诺指数和与生产工序直接相连的生产工序的个数计算每个生产工序对生产结果的影响程度;
OA为生产工序A对生产结果的影响程度;ω、为权值,实施例中ω值为0.65,值为0.35;EA为与生产工序A直接相连的生产工序的个数;μA为生产工序A的时序系数,生产流程执行到生产工序A所需生产时间越长,μA越小,具体地,t为执行一次完整的生产流程所需时间,tA为生产流程执行到生产工序A所需生产时间。
至此,得到每个生产工序对生产结果的影响程度。
对于较复杂的生产工艺,其生产流程复杂,划分的层次多且每个层次中的生产工序也多,对于此类情况,各个生产工序对后续生产工序造成的影响不同且一个层次中的大部分生产工序的偏差信息是无用或影响较小的,因此,仅需要使用影响程度较大的生产工序便能快速、准确的推理出所有生产工序的累积偏差信息并进行生产工序的异常感知。
步骤三,基于影响程度在所有生产工序中选择有效生产工序,并基于有效生产工序处的实际偏差进行生产工序异常感知并获取异常生产工序的位置和异常类型。
(一)有效生产工序的具体选择过程为:
a)按照影响程度从大到小的顺序对生产工序进行排序后多次进行生产工序的选择,即第x次选择时在排好序的生产工序中由大至小选择x个生产工序,x的最小取值为1,最大取值实施者可自行确定,实施例中x的最大取值L为生产工序总个数的0.7倍,每次选择后基于所选生产工序的生产指标推测生产流程中其他生产工序的生产指标:
优选地,利用指标推测神经网络推测生产流程中其他生产工序的生产指标,该指标推测神经网络的功能是使用少量生产工序的实际生产指标的值推测得到所有生产工序的生产指标的值;实施例中指标推测神经网络为TCN网络,且实施例中包括L个指标推测神经网络,第x次选择好x个生产工序后利用第x个指标推测神经网络进行生产工序生产指标数值的推测。
其中,指标推测神经网络的输入序列中包括每个生产工序的生产指标的值和每个生产工序的状态值,输出序列中包括预测的每个生产工序的生产指标的值;其中,输入序列中所选生产工序的生产指标通过实际采集得到,所选生产工序对应的状态值为1,其他生产工序的生产指标没有实际数值即其他生产工序的生产指标为0且对应的状态值为0。
需要说明,实施例中生产工序的生产指标包括数量、速度、质量;状态值为1表示该生产工序的生产指标的值为实际通过传感器采集的数据得到或计算得到,状态值为0表示该生产工序的生产指标的值为0,需要利用指标推测神经网络进行推测。
b)利用评价模型对L个推测过程进行评价,具体地,评价模型为:
Kx为第x个推测过程的评价值;L为x的最大取值;μx为排好序的生产工序中从大到小第x个生产工序的时序系数;rx为训练好的第x个指标推测神经网络的准确率,训练好的第x个指标推测神经网络的准确率的获取方法为:将训练指标推测神经网络的训练数据集按照8:2的比例划分为训练集和验证集,训练完成后利用验证集测试指标推测神经网络的准确率,具体地利用验证集获取准确率的方法是公知的,本发明不再赘述。
c)基于评价模型的评价值确定最终所选有效生产工序:获取L个评价值中的最大值,该最大值对应的所选生产工序为最优生产工序,获取最优生产工序的数量、ID以及所处层次;为了更好的进行生产工序异常感知,除了最优生产工序外,本发明还选择了若干生产工序作为补充生产工序,即有效生产工序包括最优生产工序和补充生产工序;其中,若第一层次中不包括最优生产工序,则补充生产工序包括第一层次中的所有生产工序以及最后一个层次中的最后一个生产工序;若第一层次中包括最优生产工序,则补充生产工序包括第一层次中除最优生产工序以外的所有生产工序以及最后一个层次中的最后一个生产工序。
(二)生产工序异常感知并获取异常生产工序的位置和异常类型的过程为:
利用传感器监测有效生产工序处的生产指标,当监测到的数据超过设定生产指标阈值时有效生产工序异常,基于传感器数据获取发生异常的有效生产工序处的实际偏差,并获取第一层次中所有生产工序生产指标的实际偏差数据,结合若干偏差推理神经网络获取发生异常的有效生产工序处的推理累积偏差;则发生异常的有效生产工序的位置和异常类型的判断过程为:
若实际偏差大于推理累积偏差,且推理累积偏差小于偏差阈值,则发生异常的有效生产工序的异常类型为自身生产工序异常,需要对该生产工序进行检修;发生异常的生产工序的位置为当前生产工序。
若实际偏差大于推理累积偏差,且推理累积偏差大于偏差阈值,则发生异常的有效生产工序的异常类型为自身生产工序异常和累积偏差异常;发生异常的生产工序的位置为当前生产工序和前置生产工序;其中,前置生产工序为当前生产工序之前的生产工序。
若实际偏差小于推理累积偏差,则发生异常的有效生产工序的异常类型为累积偏差异常;发生异常的生产工序的位置为前置生产工序。
需要说明,若异常类型为累积偏差异常,则表示前置生产工序的累积偏差对当前生产工序产生了影响,但前置生产工序处的累积偏差小于偏差阈值;对前置生产工序进行检修时可根据前置生产工序与当前生产工序之间关联程度的大小依次进行检修;此外,本发明中需要根据每个生产工序设置相应的偏差阈值。
以上所述旨在让本领域技术人员更好的理解本发明,并不用于限制本发明,凡是在本发明精神和原则之内做出的修改与变动皆在本发明的保护范围内。
Claims (5)
1.一种基于物联网和人工智能的安全生产指标异常快速感知方法,其特征在于,该方法包括:
步骤一,基于生产流程对生产工序进行层次划分,每个层次中包括若干生产工序;
步骤二,基于生产工序的累积偏差和所处层次计算每个生产工序的多米诺指数:
DA为生产工序A的多米诺指数;在生产工序A所处层次之后的所有生产工序构成工序集合B,Bi为工序集合中第i个生产工序,SA为工序集合B中生产工序的个数;为生产工序A与Bi之间的间隔层次数;GA为生产工序A所处层次与最终层次之间的间隔层次数;为生产工序A与Bi之间的关联程度,所述关联程度的计算方法为:根据生产工序A和生产工序A所处层次中其他生产工序的累积偏差计算生产工序Bi的累积偏差,基于生产工序A和生产工序Bi的累积偏差计算关联度基于多米诺指数和与生产工序直接相连的生产工序的个数计算每个生产工序对生产结果的影响程度:
OA为生产工序A对生产结果的影响程度;ω、为权值;EA为与生产工序A直接相连的生产工序的个数;μA为生产工序A的时序系数,t为执行一次完整的生产流程所需时间,tA为生产流程执行到生产工序A所需生产时间;
步骤三,按照影响程度从大到小的顺序多次进行生产工序的选择,每次选择后基于所选生产工序的生产指标推测生产流程中其他生产工序的生产指标,并对推测过程进行评价,基于评价值确定最优生产工序;其中,下一次选择的生产工序的个数大于上一次选择的生产工序的个数且下一次选择的生产工序中包括上一次选择的生产工序;有效生产工序包括最优生产工序、第一层次中所有生产工序以及最后一个层次中的最后一个生产工序,基于所述有效生产工序处的实际偏差进行生产工序异常感知并获取异常生产工序的位置和异常类型:获取发生异常的有效生产工序处的实际偏差与推理累积偏差;若实际偏差大于推理累积偏差,且推理累积偏差小于偏差阈值,则发生异常的有效生产工序的异常类型为自身生产工序异常,发生异常的生产工序的位置为当前生产工序;若实际偏差大于推理累积偏差,且推理累积偏差大于偏差阈值,则发生异常的有效生产工序的异常类型为自身生产工序异常和累积偏差异常,发生异常的生产工序的位置为当前生产工序和前置生产工序,其中,前置生产工序为当前生产工序之前的生产工序;若实际偏差小于推理累积偏差,则发生异常的有效生产工序的异常类型为累积偏差异常,发生异常的生产工序的位置为前置生产工序。
2.如权利要求1所述的方法,其特征在于,每两个相邻的层次对应一个偏差推理神经网络;所述偏差推理神经网络的输入为前一层次中每个生产工序生产指标的累积偏差,输出为后一层次中每个生产工序生产指标的累积偏差;基于若干偏差推理神经网络得到所述生产工序Bi的累积偏差。
3.如权利要求1所述的方法,其特征在于,利用指标推测神经网络推测生产流程中其他生产工序的生产指标;其中,指标推测神经网络的输入序列中包括每个生产工序的生产指标,输入序列中所选生产工序的生产指标通过实际采集得到,其他生产工序的生产指标没有实际数值;输出序列中包括每个生产工序的生产指标预测值。
4.如权利要求3所述的方法,其特征在于,所述指标推测神经网络为TCN网络。
5.如权利要求1所述的方法,其特征在于,所述异常类型包括累积偏差异常和生产工序异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556203.9A CN113191678B (zh) | 2021-05-21 | 2021-05-21 | 基于物联网和人工智能的安全生产指标异常快速感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556203.9A CN113191678B (zh) | 2021-05-21 | 2021-05-21 | 基于物联网和人工智能的安全生产指标异常快速感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191678A CN113191678A (zh) | 2021-07-30 |
CN113191678B true CN113191678B (zh) | 2023-01-10 |
Family
ID=76984610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110556203.9A Expired - Fee Related CN113191678B (zh) | 2021-05-21 | 2021-05-21 | 基于物联网和人工智能的安全生产指标异常快速感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191678B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742391B (zh) * | 2022-04-02 | 2022-12-30 | 格莱杰(深圳)科技有限公司 | 基于人工智能的异常处理方法、装置、计算机设备及介质 |
CN115600930B (zh) * | 2022-11-29 | 2023-03-28 | 天津佰利金电力有限公司 | 用于电力金具生产数据的智能管理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742168A (zh) * | 2017-10-20 | 2018-02-27 | 西北工业大学 | 一种基于物联技术的生产车间动态瓶颈预测方法 |
CN112102891A (zh) * | 2020-08-04 | 2020-12-18 | 广东工业大学 | 基于根因分析层次聚类的马蹄焰玻璃熔窑能耗异常定位方法 |
CN112149860A (zh) * | 2019-06-28 | 2020-12-29 | 中国电力科学研究院有限公司 | 一种自动异常检测方法和系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8799732B2 (en) * | 2012-02-09 | 2014-08-05 | International Business Machines Corporation | Methodology for correlated memory fail estimations |
JP7017861B2 (ja) * | 2017-03-23 | 2022-02-09 | 株式会社日立製作所 | 異常検知システムおよび異常検知方法 |
CN107798482A (zh) * | 2017-11-16 | 2018-03-13 | 中国农业科学院农业信息研究所 | 一种农产品市场异常波动风险监测方法及系统 |
EP3499329A1 (en) * | 2017-12-13 | 2019-06-19 | Siemens Aktiengesellschaft | A data driven method for automated detection of anomalous work pieces during a production process |
US11521080B2 (en) * | 2019-05-07 | 2022-12-06 | Sap Se | Declarative rule-based decision support system |
-
2021
- 2021-05-21 CN CN202110556203.9A patent/CN113191678B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107742168A (zh) * | 2017-10-20 | 2018-02-27 | 西北工业大学 | 一种基于物联技术的生产车间动态瓶颈预测方法 |
CN112149860A (zh) * | 2019-06-28 | 2020-12-29 | 中国电力科学研究院有限公司 | 一种自动异常检测方法和系统 |
CN112102891A (zh) * | 2020-08-04 | 2020-12-18 | 广东工业大学 | 基于根因分析层次聚类的马蹄焰玻璃熔窑能耗异常定位方法 |
Non-Patent Citations (3)
Title |
---|
A Minor Fault Detection Algorithm Based on Sliding-Window Accumulated Parity Vector;Wang Rong等;《CHINA SATELLITE NAVGATION CONFERENCE (CSNC) 2018 PROCEEDINGSA》;20181231;第497卷;全文 * |
A Statistical Submodule Open-circuit Failure Diagnosis Method for MMCs Enabling Failure Detection,Localization and Classification;Zhou Weihao等;《THIRTY-FOURTH ANNUAL IEEE APPLIED POWER ELECTRONICS CONFERENCE AND EXPOSITION(APEC2019)》;20191231;全文 * |
Fault tolerant control method for displacement sensor fault of wheel-legged orbot based on deep learning;Gao Zhou等;《2018 WRC SYMPOSIUM ON ADVANCED ROBOTICS AND AUTOMATION(WRC SARA)》;20191231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113191678A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191678B (zh) | 基于物联网和人工智能的安全生产指标异常快速感知方法 | |
CN111508216B (zh) | 一种大坝安全监测数据智能预警方法 | |
CN107622308B (zh) | 一种基于dbn网络的发电设备参数预警方法 | |
CN111414977A (zh) | 机床主轴热误差建模的加权集成温度敏感点组合选取方法 | |
CN113050019A (zh) | 数据驱动评估结果和检定规程融合的电压互感器评估方法及系统 | |
JP7214417B2 (ja) | データ処理方法およびデータ処理プログラム | |
CN101330030B (zh) | 检测数据中异常点的去除方法 | |
CN115950609B (zh) | 一种结合相关性分析和神经网络的桥梁挠度异常检测方法 | |
CN110135636A (zh) | 一种车间运行状态预测信息的获取方法、装置及系统 | |
CN113094893A (zh) | 晶圆品质虚拟测量方法、装置、计算机设备和存储介质 | |
KR102242640B1 (ko) | 데이터 처리 방법, 데이터 처리 장치, 데이터 처리 시스템, 및 데이터 처리 프로그램 | |
CN115640860A (zh) | 一种工业云服务的机电设备远程维护方法及系统 | |
CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
CN114091600B (zh) | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 | |
CN111680398A (zh) | 一种基于Holt-Winters模型的单机性能退化预测方法 | |
CN113424119A (zh) | 作业效率评价方法、作业效率评价装置以及程序 | |
CN106886620B (zh) | 航天器测试资源优化配置方法 | |
CN105426647B (zh) | 基于可靠度先验信息融合的冷备系统可靠度估计方法 | |
KR102280389B1 (ko) | 데이터 처리 방법, 데이터 처리 장치, 및 데이터 처리 프로그램을 저장한 컴퓨터 판독 가능한 기록 매체 | |
CN114459523B (zh) | 一种在线质量检测仪器的标定预警方法 | |
Amiri et al. | Evaluating multi-objective economic-statistical design of attribute C control charts for monitoring the number of non-conformities | |
CN110348094A (zh) | 基于影响网络的石油管道泄漏检测方法及系统 | |
CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
JP3035089B2 (ja) | プロセスの特性推定方法およびその装置ならびにその推定方法を用いたプロセスの監視方法およびプロセスの制御方法 | |
CN110889077B (zh) | 一种加速贮存与自然贮存退化数据一致性检验方法 |
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: 20221222 Address after: Room 701, 702, 705, Floor 6, Building 3, Yard 29, North Third Ring Road Middle, Xicheng District, Beijing 100032 Applicant after: Lianyang Guorong (Beijing) Technology Co.,Ltd. Address before: Room 701, building 12, National University Science Park (East District), 279 West Third Ring Road, high tech Industrial Development Zone, Zhengzhou City, Henan Province, 450000 Applicant before: HENAN GT IOT Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230110 |