CN113811908B - 用于确定生产设备的生产周期的方法和装置 - Google Patents
用于确定生产设备的生产周期的方法和装置 Download PDFInfo
- Publication number
- CN113811908B CN113811908B CN201980096261.9A CN201980096261A CN113811908B CN 113811908 B CN113811908 B CN 113811908B CN 201980096261 A CN201980096261 A CN 201980096261A CN 113811908 B CN113811908 B CN 113811908B
- Authority
- CN
- China
- Prior art keywords
- time series
- time
- production
- image
- production cycle
- 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
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Factory Administration (AREA)
- Image Analysis (AREA)
Abstract
一种用于确定生产设备的生产周期的方法,包括:使用与生产设备的运行相关联的时间序列数据来生成时间序列图,时间序列数据包含生产设备的至少一个运行参数的值,时间序列图反映至少一个运行参数的值随时间变化的趋势(210);将时间序列图的图像作为输入提供给基于神经网络模型的识别器,以获得识别器的输出,其中,识别器的输出识别图像中指示的生产周期(220);以及根据识别器的输出确定所识别的生产周期中的每一个的起始时间和截止时间(230)。
Description
技术领域
本公开总体上涉及信息处理,更具体地,涉及用于确定生产设备的生产周期的方法和装置。
背景技术
随着信息技术的飞速发展,生产制造领域越来越多地引入了数字化处理,并且物联网(IoT)技术也已经广泛地部署到生产流程中。利用基于此获得的大量数据,使得对生产流程、和/或生产设备等进行有效监控以便于统计分析和故障检测等成为可能。对于具有一定生产周期的生产设备来说,为了分析和确定该生产设备的每一个生产周期的状况(包括该生产周期中生产的产品质量)、以及该生产设备的运行健康状况等,一个至关重要的前提是准确地界定该生产设备的每一个生产周期。然而,现实情况是生产周期难以被准确地界定。
发明内容
提供本发明内容部分来以简化的形式介绍一些选出的概念,其将在下面的具体实施方式部分中被进一步描述。该发明内容部分并非是要标识出所要求保护的主题的任何关键特征或必要特征,也不是要被用于帮助确定所要求保护的主题的范围。
根据本公开的一个方面,提供了一种用于确定生产设备的生产周期的方法,包括:使用与所述生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;将所述时间序列图的图像作为输入提供给基于神经网络模型的识别器,以获得所述识别器的输出,其中,所述识别器的输出识别所述图像中指示的生产周期;以及根据所述识别器的输出确定所识别的生产周期中的每一个的起始时间和截止时间。
根据本公开的另一个方面,提供了一种用于确定生产设备的生产周期的装置,包括:用于使用与所述生产设备的运行相关联的时间序列数据来生成时间序列图的模块,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;用于将所述时间序列图的图像作为输入提供给基于神经网络模型的识别器,以获得所述识别器的输出的模块,其中,所述识别器的输出识别所述图像中指示的生产周期;以及用于根据所述识别器的输出确定所识别的生产周期中的每一个的起始时间和截止时间的模块。
根据本公开的再一个方面,提供了一种计算设备,包括:存储器,其用于存储指令;以及至少一个处理器,其耦合到所述存储器,其中,所述指令在由所述至少一个处理器执行时,使得所述至少一个处理器:使用与所述生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;将所述时间序列图的图像作为输入提供给基于神经网络模型的识别器,以获得所述识别器的输出,其中,所述识别器的输出识别所述图像中指示的生产周期;以及根据所述识别器的输出确定所识别的生产周期中的每一个的起始时间和截止时间。
根据本公开的又一个方面,提供了一种计算机可读存储介质,其上存储有指令,所述指令在由至少一个处理器执行时,使得所述至少一个处理器:使用与所述生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;将所述时间序列图的图像作为输入提供给基于神经网络模型的识别器,以获得所述识别器的输出,其中,所述识别器的输出识别所述图像中指示的生产周期;以及根据所述识别器的输出确定所识别的生产周期中的每一个的起始时间和截止时间。
本公开的上述各个方面提供了一种基于机器学习的方案,其借助神经网络模型强大的分类和识别能力,能够准确高效地确定生产设备的各个生产周期。相对于传统方案中为了将时间序列数据划分成各个生产周期,需要针对每台生产设备个体均单独构造专门的编程逻辑以适应该个体特有的时间序列数据模式的不利现状,本公开的这些方面所提供的方法大大降低了定制开发/使用难度,灵活度高,能够广泛适用于各种类型的生产设备。
此外,在前述任一方面的一个示例中,可选地,所述识别器的输出可以包括:针对所识别的生产周期中的每一个,在所述图像中该生产周期的起始位置和截止位置在时间轴的方向上的坐标。
有利地,上述示例中提供了一种更为有效的识别器输出,基于此使得准确地确定相应的生产周期的起始时间和截止时间成为可能。
此外,在前述任一方面的一个示例中,在根据所述识别器的输出确定所识别的生产周期中的每一个的起始时间和截止时间时,可选地,可以包括:将所述图像中所述起始位置的坐标映射到所述时间序列图的时间轴上的坐标,作为该生产周期的起始时间;以及将所述图像中所述截止位置的坐标映射到所述时间序列图的时间轴上的坐标,作为该生产周期的截止时间。
有利地,上述示例中进一步明确了可以采用图像中的坐标与相应的时间序列图中的坐标的映射关系,来准确地确定生产周期的起始时间和截止时间。
此外,在前述任一方面的一个示例中,可选地,所述神经网络模型可以是使用一组带标记的时间序列图的图像来训练的,每个图像中的标记包括响应于用户输入而叠加在相应的时间序列图上的限位框,每一个限位框界定一个生产周期。
有利地,上述示例中针对神经网络模型的训练过程,训练数据的产生可以简单通过用户输入在时间序列图上绘制限位框来完成,这极大地减轻了与整个方案相关的用户操作的复杂度,改善了用户体验。
此外,在前述任一方面的一个示例中,可选地,所述识别器的输出可以识别所述图像中指示的置信度大于给定阈值的生产周期。
有利地,上述示例中,通过对各个生产周期的置信度与相应的给定阈值进行比较,可以移除被错误地识别的生产周期,提高识别器输出的准确性。
此外,根据本公开的一个方面,提供了一种用于生成训练数据的方法,包括:使用与生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;呈现所生成的时间序列图;接收针对所呈现的时间序列图的用户输入,所述用户输入用于在所呈现的时间序列图上叠加标记,每一个标记用于界定所述时间序列图中包含的一个生产周期;以及将叠加有标记的时间序列图转换成图像,其中,在对用于识别时间序列图的图像中指示的生产周期的神经网络模型进行训练的过程中,所转换成的图像被用作训练数据。
根据本公开的另一个方面,提供了一种用于生成训练数据的装置,包括:用于使用与生产设备的运行相关联的时间序列数据来生成时间序列图的模块,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;用于呈现所生成的时间序列图的模块;用于接收针对所呈现的时间序列图的用户输入的模块,所述用户输入用于在所呈现的时间序列图上叠加标记,每一个标记用于界定所述时间序列图中包含的一个生产周期;以及用于将叠加有标记的时间序列图转换成图像的模块,其中,在对用于识别时间序列图的图像中指示的生产周期的神经网络模型进行训练的过程中,所转换成的图像被用作训练数据。
根据本公开的再一个方面,提供了一种计算设备,包括:存储器,其用于存储指令;以及至少一个处理器,其耦合到所述存储器,其中,所述指令在由所述至少一个处理器执行时,使得所述至少一个处理器:使用与生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;呈现所生成的时间序列图;接收针对所呈现的时间序列图的用户输入,所述用户输入用于在所呈现的时间序列图上叠加标记,每一个标记用于界定所述时间序列图中包含的一个生产周期;以及将叠加有标记的时间序列图转换成图像,其中,在对用于识别时间序列图的图像中指示的生产周期的神经网络模型进行训练的过程中,所转换成的图像被用作训练数据。
根据本公开的又一个方面,提供了一种计算机可读存储介质,其上存储有指令,所述指令在由至少一个处理器执行时,使得所述至少一个处理器:使用与生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;呈现所生成的时间序列图;接收针对所呈现的时间序列图的用户输入,所述用户输入用于在所呈现的时间序列图上叠加标记,每一个标记用于界定所述时间序列图中包含的一个生产周期;以及将叠加有标记的时间序列图转换成图像,其中,在对用于识别时间序列图的图像中指示的生产周期的神经网络模型进行训练的过程中,所转换成的图像被用作训练数据。
本公开的上述各个方面提供了一种有效的交互机制来方便生成训练数据以用于对神经网络模型的训练,所述神经网络模型在本公开的其它方面中描述的基于机器学习来确定生产设备的各个生产周期的机制中,被用来准确高效地识别与该生产设备相关的时间序列图的图像中指示的生产周期。
此外,在前述任一方面的一个示例中,在接收针对所呈现的时间序列图的用户输入时,可选地,可以进一步包括:如果通过所接收的用户输入而叠加在所述时间序列图上的至少一个标记不满足预定义的标准,则给出提示信息;以及接收进一步的用户输入,所述进一步的用户输入用于对所述至少一个标记进行调整。
有利地,上述示例中针对训练数据生成过程中的用户输入还提供了反馈和修正机制,确保了用户添加的标记的正确性,进而保证基于此训练出的神经网络模型能够更准确地识别出生产周期。
附图说明
在附图中对本公开的实现以示例的形式而非限制的形式进行了说明,附图中相似的附图标记表示相同或类似的部件,其中:
图1示出了可以在其中实施本公开的一些实现的示例性环境;
图2是根据本公开的一个实现的示例性方法的流程图;
图3A-3B示出了两个示例性的时间序列图;
图4示出了一个示例性的时间序列图;
图5是根据本公开的一个实现的示例性方法的流程图;
图6A-6C示出了三个示例性的带有标记的时间序列图;
图7示出了一个示例性的时间序列图的图像;
图8示出了一个示例性的时间序列图的图像;
图9示出了一个示例性的限位框;
图10是根据本公开的一个实现的示例性装置的框图;
图11是根据本公开的一个实现的示例性装置的框图;以及
图12是根据本公开的一个实现的示例性计算设备的框图。
附图标记列表
110:设备 120:至少一个数据源 130:网络
210:使用生产设备的时间序列数据来生成时间序列图
220:将时间序列图的图像提供给基于神经网络模型的识别器,获得的输出识别该图像中指示的生产周期
230:根据识别器的输出确定每一个生产周期的起止时间
510:使用生产设备的时间序列数据来生成时间序列图
520:呈现时间序列图
530:接收用户输入,所述用户输入在时间序列图上叠加用于界定生产周期的标记
540:将叠加有标记的时间序列图转换成图像
1010-1030:模块
1110-1140:模块
1210:处理器 1220:存储器
具体实施方式
在以下的说明书中,出于解释的目的,阐述了大量具体细节。然而,可以理解的是,本发明的实现无需这些具体细节就可以实施。在其它实例中,并未详细示出公知的电路、结构和技术,以免影响对说明书的理解。
说明书通篇中对“一种实现”、“实现”、“示例性实现”、“一些实现”、“各种实现”等的引述表示所描述的本发明的实现可以包括特定的特征、结构或特性,然而,并不是说每个实现都必须要包含这些特定的特征、结构或特性。此外,一些实现可以具有针对其它实现描述的特征中的一些、全部,或者不具有针对其它实现描述的特征。
在下面的描述中,可能会用到术语“耦合”和“连接”及其派生词。需要理解的是,这些术语并非是要作为彼此的同义词。相反,在特定的实现中,“连接”用于表示两个或更多部件彼此直接物理或电接触,而“耦合”则用于表示两个或更多部件彼此协作或交互,但是它们可能、也可能不直接物理或电接触。
典型地,生产设备的运行过程包括一定量的生产周期,为了能够分析和确定每一个生产周期的状况(包括该生产周期中生产的产品质量)、和/或该生产设备的运行健康状况等,首要任务是准确地界定该生产设备的每一个生产周期。然而,大量生产设备并不会明确给出每一个生产周期的起始时间和截止时间,因此不得不采用其它方式来解决这一问题。
以数控机床为例,数控机床通常被配置用于重复地执行特定工序来加工/制造一定量的相同规格的工件,其中,该数控机床在运行期间的每一个生产周期对应于加工一个该规格的工件所花费的时间。尽管能够通过部署在该数控机床中指定位置处的传感器和/或从该数控机床的特定部件采集到与该数控机床的运行相关联的时间序列数据(例如,该数控机床在运行期间的特定位置处的电流的时间序列数据),然而要依靠这样的时间序列数据准确地划分出各个生产周期却并不容易。一方面,基于物理测量而采集到的数据,例如电流、压力、温度等等天然是有噪声的,因此采集到的这些数据上的波动是随机的。另一方面,由于针对该数控机床的数据采集频率与该数控机床的生产频率二者往往并不协调,因此,很难从所采集到的数据中简单分辨出一定的划分规律。此外,在数控机床运行期间,操作人员经常还可能会出于一些目的(例如性能检查、测试等等)而对数控机床的一些设置/运行参数进行调整,而这些变化相应地又会反映到采集到的数据上。由于上述以及其它原因,使得难以构造出一套编程逻辑来将这样的时间序列数据准确地划分成各个生产周期。此外,即便是针对特定一台数控机床编写出了这样一套程序逻辑,它也无法很好地适用于其它数控机床,因为不同数控机床的数据在上述及其它方面上的差异非常大。
本公开提供了一种基于机器学习的生产周期确定机制,其借助神经网络模型强大的分类和识别能力,能够准确高效地确定生产设备的各个生产周期。相对于传统方案中为了将所采集的生产设备的时间序列数据划分成各个生产周期,需要针对每台生产设备个体均单独构造专门的编程逻辑以适应该个体特有的时间序列数据模式的不利现状,本公开的所提供的机制大大降低了定制开发/使用难度,灵活度高,能够广泛适用于各种类型的生产设备。
下面参照图1,其示出了可以在其中实施本公开的一些实现的示例性操作环境100。操作环境100可以包括设备110和至少一个数据源120。在一些实现中,设备110和数据源120可以通过网络130来彼此通信地耦合。
在一些示例中,设备110上可以包括或运行有数据处理工具,所述数据处理工具用于对来源于至少一个数据源120的数据进行处理以实施本公开中描述的各个方案。所述数据处理工具可以被实施为数据可视化工具的一部分,例如用作其插件。在另一些示例中,所述数据处理工具可以被实施为设备110上的一个单独的组件。
设备110的示例可以包括但不限于:移动设备,个人数字助理(PDA),可穿戴设备,智能电话,蜂窝电话,手持设备,消息传送设备,计算机,个人计算机(PC),台式计算机,膝上型计算机,笔记本计算机,手持计算机,平板计算机,工作站,迷你计算机,大型计算机,超级计算机,网络设备,web设备,基于处理器的系统,多处理器系统,消费电子设备,可编程消费电子设备,电视,数字电视,机顶盒,或其任意组合。
至少一个数据源120用于提供数据以供设备110上的数据处理工具操纵。作为示例而非限制,数据源120可以包括各种类型的传感器,例如速度传感器、温度传感器、压力传感器、湿度传感器、电流传感器,等等。在一些示例中,设备110可以部署在工业现场,工业现场的各个工业传感器可以视为数据源120。传感器120中的每一个可以是物联网(IoT)传感器,其可以共同构成物联网的一部分。在一些示例中,传感器120可以被配置为按照指定的频率来采集生产设备在运行期间的相应参数数据,例如速度数据、温度数据、压力数据、湿度数据、电流数据,等等。在一些示例中,所述指定的频率可以是在传感器120出厂时预设的,而在另外一些示例中,传感器120的数据采集频率可以是响应于来自外部(例如设备110)的指示信号而设置的。与生产设备相关联的时间序列数据可以是由传感器在一段时间内采集的数据构成的。
此外,在一些示例中,数据源120也可以是生产设备自身,该生产设备、或者是该生产设备中的特定部件能够直接提供相应的数据。
此外,在一些示例中,数据源120还可以是数据库、存储装置、或者任何其它类型的用于提供数据的设备。
网络130可以包括任意类型的有线或无线通信网络,或者有线和无线网络的组合。在一些示例中,网络130可以包括广域网(WAN)、局域网(LAN)、无线网、公共电话网、内联网、物联网(IoT)等等。此外,尽管这里示出了单个网络130,但是网络130可以被配置为包括复数个网络。
此外,尽管在上面结合图1描述了根据本公开的一些实现的示例性操作环境,在另一些实现中,设备110与至少一个数据源120之间的通信也可以不通过网络而直接通信地耦合。本公开并不限于图1所示的特定架构。
此外,在一些示例中,上文提及的数据处理工具、以及本公开中基于机器学习的生产周期确定机制可以被部署在分布式计算环境中,并且也可以使用云计算技术来实现。
图2示出了根据本公开的一个实现的示例性方法200的流程图。例如,方法200可以在图1中所示的设备110或任何类似的或相关的实体中实现。示例性方法200可用于确定生产设备的生产周期。
参见图2,方法200开始于步骤210,在该步骤中,使用与所述生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势。
在一些示例中,所述生产设备可被配置为在运行期间重复地执行指定的一组操作,其中,该指定的一组操作的每次执行可以对应与该生产设备的一个生产周期。在一些示例中,所述生产设备可以包括数控机床。数控机床通常被配置用于重复地执行特定一组工序来加工/制造一定量的相同规格的工件。在数控机床运行期间,通常每一个生产周期可以对应于该数控机床加工一个工件所花费的时间。每一个生产周期可以是若干秒、若干分钟,等等。
在一些示例中,所述时间序列数据可以获取自数据源,例如图1中所示的至少一个数据源120。数据源120的示例可以包括用于感测生产设备的运行参数值的传感器、能够直接提供运行参数值的生产设备自身、和/或能够存储运行参数值的数据库、存储器,等等,然而本公开并不限于此。
在一些示例中,所述时间序列数据可以是以数组的形式来存储的,例如,所述时间序列数据可以采取{(x1,y1),(x2,y2),(x3,y3)...}的形式,其中,x1、x2、x3...分别表示按照指定的时间间隔排列的采集时间点,而y1、y2、y3...则分别表示在相应的采集时间点上采集到的至少一个运行参数的值。在另外一些示例中,所述时间序列数据也可以采用表格的形式来存储,其例如可以包括两栏,第一栏表示采集时间点,而第二栏则表示在相应的采集时间点上采集到的至少一个运行参数的值。其它的存储和/或呈现形式也是可能的。
此外,在一些示例中,在采集到的时间序列数据包含复数个运行参数(例如,在生产设备中两个轴处设置转速传感器以分别采集相应轴的转速)的值的情况下,还可以采用一些适当的机制对其进行降维,例如,计算平均值,以便于将采集到的时间序列数据展示在低维的(例如,二维的)时间序列图中。
接下来参见图3A,其示出了一个示例性的时间序列图。图3A的时间序列图展示的是以固定频率(例如,1Hz)记录的一台数控机床的一个主轴的转速数据。如图3A所示,横轴(x轴)用来表示时间,而纵轴(y轴)用来表示轴转速。
图3A所示的时间序列图反映出轴转速随时间变化的趋势。从图3A中可以看出转速数据存在一定的周期性。事实上,该时间序列图示出了五个生产周期,每个生产周期对应于该数控机床成功地加工出的一个工件。上述轴转速数据可以用来帮助分析和确定各个工件的质量和/或该数控机床的健康状况等。
也可以使用所记录的其它时间序列数据,来帮助分析和确定各个工件的质量和/或该数控机床的健康状况等。如图3B所示,该时间序列图展示的是以固定频率1Hz记录的数控机床的电流值,在图3B中,横轴(x轴)用来表示时间,而纵轴(y轴)用来表示电流。图3B所示的时间序列图反映出电流随时间变化的趋势。图3B中记录的时间段与图3A中的相同。
为了能够分析和确定各个工件的质量和/或该数控机床的健康状况等,首要任务是准确地界定该生产设备的每一个生产周期。然而,如前所述,要想恰当地构造出一套编程逻辑来将这样的时间序列数据准确地划分出各个生产周期并不容易。参考图4,其示出了一个示例性的时间序列图,该时间序列图展示的数据与图3A中的相同,但是用椭圆虚线示意性地圈出了一些位置,相比于其它生产周期中的相应位置,虚线圈出的这些位置上的数据看起来并不规则,其中一些可能是因为操作人员在对数控机床进行检查,另一些可能是因为数据采集系统本身的波动,其它成因也是有可能的,而所有这些都很容易误导常规的编程逻辑确定出错误的生产周期时间范围。
回到图2,本公开的示例性方法200前进到步骤220,在该步骤中,将所述时间序列图的图像作为输入提供给基于神经网络模型的识别器,以获得所述识别器的输出,其中,所述识别器的输出识别所述图像中指示的生产周期。
在一些示例中,基于神经网络模型的识别器可以采用卷积神经网络(CNN)模型,卷积神经网络针对图像中的对象的分类和识别有很高的准确性。
暂时先转到图5,其示出了根据本公开的一个实现的示例性方法500的流程图。例如,方法500也可以在图1中所示的设备110或任何类似的或相关的实体中实现。在一些示例中,可以在数据可视化工具中实现方法500的操作。示例性方法500用于生成用于对神经网络模型进行训练的训练数据。
方法500开始于步骤510,在该步骤中,使用与所述生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势。可以看到,该步骤510与前面所述的方法200中的步骤210基本上是一致的,区别在于方法500的目的是生成训练数据,因此,前面结合步骤210所讨论的那些示例和可能的实现也同样适用于步骤510。
接下来,方法500前进到步骤520,在该步骤中,呈现所生成的时间序列图。在一些示例中,可以通过设备110自带的或者附接的显示器来将所生成的时间序列图显示给用户,例如被显示在数据可视化工具的图形用户界面上,以方便用户查看并进行后续的标注操作。这里所说的用户,是指熟悉所述生产设备的工作流程的工程师、技术专家或其他操作人员,他们有能力独立地、或者借助于一些辅助手段(例如,相关的技术手册、生产设备的控制程序源代码、或来自其他专业人员的支持等)在所述时间序列图中准确地标出其中包含的生产周期。
然后,在步骤530中,接收针对所呈现的时间序列图的用户输入,所述用户输入用于在所呈现的时间序列图上叠加标记,每一个标记用于界定所述时间序列图中包含的一个生产周期。在一些实现中,所述标记可以包括限位框,每一个限位框界定一个生产周期。优选地,所述限位框为矩形框,用户可以很容易地通过使用鼠标、手写笔、轨迹球等各种类型的指点设备、或者用手指在触摸屏上触碰等方式在时间序列图上绘制出一个矩形框,以圈定相应的一个生产周期。矩形框可以准确地界定一个生产周期的开始和结束时间,例如,通过该矩形框的垂直于时间轴的两条边。因此,这样的操作方式对于用户来说是简单、高效且非常友好的。可以理解的是,其它用来标记生产周期的方式也是可行的。
方法500转到步骤540,在该步骤中,将叠加有标记的时间序列图转换成图像。在对用于识别时间序列图的图像中指示的生产周期的神经网络模型(如在图2的步骤220中所使用的)进行训练的过程中,所转换成的图像被用作训练数据。在步骤540中,所转换成的图像可以采用任何适当的格式,在一些示例中,可以采用JPEG格式,然而本公开并不限于此。
可以理解,方法500的操作过程可以重复地执行,以针对已采集到的该生产设备的多条时间序列数据(例如,每一条可以对应于该生产设备运行期间的不同时间段)来生成相应数目的图像。利用所生成的这些图像构造训练数据集,以满足对神经网络模型进行训练的需要。
此外,在一些示例中,步骤530的接收用户输入的操作可以进一步包括:如果通过所接收的用户输入而叠加在所述时间序列图上的至少一个标记不满足预定义的标准,则给出提示信息;以及接收进一步的用户输入,所述进一步的用户输入用于对所述至少一个标记进行调整。
更具体地,在接收到用户输入之后,可以判断通过用户输入而叠加的标记中是否有至少一个标记不满足指定的标准。以标记用矩形框来表示为例,所述指定的标准可以包括该矩形框是否过短、过长、过宽、过窄,等等,而不能准确地覆盖一个完整的生产周期。在一些示例中,所述指定的标准可以包括绝对的度量,例如矩形框的长度的上下限、宽度的上下限、长宽比,等等,可以取决于该生产设备的实际情况、操作人员的经验设置等来对此进行设定。此外,所述指定的标准也可以包括相对的度量,例如,相对于在该时间序列图中叠加在其它生产周期上的矩形框来说,当前的矩形框的尺寸、比例等是否存在异常,如是否超出预定比率,同样,可以取决于该生产设备的实际情况、操作人员的经验设置等来对此进行设定。
接着,响应于判定通过用户输入而叠加的标记中是否有至少一个标记不满足指定的标准,给出提示信息,例如将提示信息呈现在在图形用户界面上。在一些示例中,所述提示信息可以包括图形形式的提示,例如以加粗和/或闪烁等形式显示存在问题的该标记,以提醒用户注意。在一些示例中,所述提示信息也可以包括文字形式的提示,例如在存在问题的该标记附近显示说明问题具体情况的文字等,以帮助用户确定问题。提示信息的其它形式、以及各种形式的组合也是可能的。
下面参见图6A至6C,其示出了三个示例性的带有标记的时间序列图,其中,针对不满足预定义的标准的标记,还给出了提示信息。在图6A的示例中,被判定为过短的矩形框以虚线示出,并且显示有文字消息“太短!有大量数据点在该框上方,并且有大量数据点在该框下方”,以提醒用户对该矩形框进行相应的调整。在图6B的示例中,被判定为过窄的矩形框以虚线示出,并且显示有文字消息“相对于您绘制的其它框,该矩形框过窄!”,以提醒用户对该矩形框进行相应的调整。此外,在图6C的示例中,被判定为过宽的矩形框以虚线示出,并且显示有文字消息“相对于您绘制的其它框,该矩形框过宽!是绘制错误么?”,以提醒用户对该矩形框进行相应的调整。
用户在获知上述提示信息之后,可以通过提供进一步的用户输入来有针对性地对存在问题的标记进行调整。在一些示例中,所述调整可以包括在该标记上进行拖拽等操作(例如,拖动矩形框的至少一条边)以改变该标记的形态。在一些示例中,所述调整也可以包括删除该标记并重新绘制标记。其它形式的调整、以及各种形式的组合也是可能的。
可以理解,上面描述的步骤530中的进一步的操作可以反复地执行,直到发现最后一次调整的标记满足指定的标准未知。
上述操作的目的在于确保用户添加的用于界定生产周期的所有标记的正确性,进而保证基于此训练出的神经网络模型能够更准确地识别出生产周期。
此外,在一些示例中,在步骤540的转换之前,包括坐标轴等在内的所有非必要信息均被从时间序列图中移除,而仅包含时间序列数据本身和必要的标记,这样获得的结果图像能够更纯粹地反映时间序列数据的分布形态,由此可以避免对于使用图像数据对神经网络模型进行的训练造成干扰,提高了分类和识别的准确性。参见图7,其示出了一个示例性的时间序列图的图像。图7中所示的图像是要用作训练数据,对神经网络模型进行训练。可以看到,该图中仅包含时间序列数据和必要的标记,即,四个矩形限位框,每一个界定一个完整的生产周期,其它的所有非必要信息均被移除了。
此外,在一些示例中,考虑到通过前面所述的操作得到的训练数据集中的图像数量可能并不足以完整地训练一个未经训练过的神经网络模型,可以利用迁移学习的机制,选取已经使用其它图像数据部分训练过的神经网络模型,在此基础上再用采用方法500生成的一定量的图像数据进行训练,从而获得本公开的方案中所需要用到的神经网络模型。
现在再回到图2的方法200中的步骤220,如前所述,在该步骤中将所述时间序列图的图像作为输入提供给基于神经网络模型的识别器,以获得所述识别器的输出。在一些示例中,所述识别器的神经网络模型是使用一组带标记的时间序列图的图像来训练的,每个图像中的标记包括响应于用户输入而叠加在相应的时间序列图上的限位框,每一个限位框界定一个生产周期。这里,提供给基于神经网络模型的识别器作为输入的图像也是采用类似于前面所述的方法500中的步骤540的方式,基于所述时间序列图转换得到的,因此,前面结合步骤540所讨论的那些示例和可能的实现也同样适用于步骤220。不同之处在于,方法200是要根据获取的时间序列数据来确定生产设备的生产周期,因此步骤220中的图像是要用作测试数据,所述时间序列图中、以及所述时间序列图的图像中,并不包含用户提供的标记。
此外,在一些示例中,转换得到的图像的坐标原点(0,0)是与所述时间序列图的坐标原点(0,0)对齐的,以利于后续的操作。
图8示出了一个示例性的时间序列图的图像。图8所示的图像例如可以是在步骤220中将转换得到的图像提供给神经网络模型后,神经网络模型输出的结果。如图8所示,该神经网络模型将矩形限位框叠加在该图像中所指示的每个可能的生产周期上,并且为每个矩形限位框附上一个置信度,置信度表示该矩形限位框被判断为有多大机率能够界定一个完整的生产周期,换句话说,置信度表示该矩形限位框所界定的生产周期被判断为是一个完整的生产周期的机率。这可以理解为,神经网络模型将该矩形限位框中的候选生产周期与之前由用户识别并标记的那些生产周期的图像进行匹配来执行机率计算。如果该矩形限位框被发现仅包含一个完整的生产周期的一部分,则相应地置信度就会较低。
在一些示例中,可以针对置信度设置一阈值,以移除被错误地识别的生产周期,提高输出准确性。例如,在一个具体实现中,0.99被认为一个已经比较宽松但又足够的置信度阈值了,相应地,只有具有大于0.99的置信度的那些限位框才会被输出,作为所识别的生产周期。可以取决于该生产设备的实际情况、操作人员的经验设置等来设定特定的置信度阈值。
此外,从图8的示例中还可以看到,神经网络模型的输出结果中,可能有一些矩形限位框的边界存在互相重叠的情况,这是由于该神经网络模型对每一个可能的生产周期是在进行独立判断,避免对前面的生产周期的不准确判断对后面的生产周期判断产生影响,反映出该神经网络模型的算法的鲁棒性。因此,在一些示例中,可以对存在重叠的矩形限位框边界进行修整。所述修整可以通过参考除该图像之外的其它数据(例如,参考所述生产设备的运行参数值)等适当的机制来进行。例如,所述修整可以包括:针对存在重叠的矩形限位框边界,采用适当机制来检查在其左/右的指定范围内的更合适的边界位置,并将该边界调整至该位置。
此外,本公开的机制的目的是要准确地确定每个生产周期的起止时间,所以,如图8所示的神经网络模型的输出、如上所述进一步施加了置信度阈值之后的输出、以及如上所述进一步修整了限位框边界之后的输出,对于使用者来说可能并不具有足够的实际意义。在这种情况下,基于神经网络模型的识别器可能并不需要直接输出类似图8所示的图像。在一些示例中,所述基于神经网络模型的识别器的输出可以包括:针对所识别的生产周期中的每一个,在所述图像中该生产周期的起始位置和截止位置在时间轴的方向上的坐标。
这里可以参见图9,该图示出了一个示例性的矩形限位框,其例如是神经网络模型输出的图像结果中包含的一个矩形限位框。这里,假定该矩形限位框的置信度已满足阈值要求,例如,大于0.99。图9中的水平方向对应于相应的时间序列图的时间轴的方向,因此,该矩形限位框在垂直方向上的两条线就可以界定出图像中该生产周期的起止位置。参见图9的具体示例,矩形限位框的左下角顶点在该图像中的坐标为(xps,yps),右下角顶点在该图像中的坐标为(xpe,ype),这里的xps即为在所述图像中该生产周期的起始位置在时间轴的方向上的坐标,xpe为在所述图像中该生产周期的截止位置在时间轴的方向上的坐标。
在获得识别器的输出之后,方法200前进到步骤230,在该步骤中,根据所述识别器的输出确定所识别的生产周期中的每一个的起始时间和截止时间。这里,可以采用适当的机制,将所述识别器的输出——其识别所述图像中指示的生产周期——关联到相应的时间序列图中的具体时间点,从而从该时间序列图中获得每一个生产周期的准确的起始时间和截止时间。
在一些示例中,在如前所述识别器的输出包括在所述图像中每一个生产周期的起止位置在时间轴的方向上的坐标的情况下,步骤230可以包括:将所述图像中所述起始位置的坐标映射到所述时间序列图的时间轴上的坐标,作为该生产周期的起始时间,以及将所述图像中所述截止位置的坐标映射到所述时间序列图的时间轴上的坐标,作为该生产周期的截止时间。例如,根据起止位置的坐标确定生产周期的起始时间/截止时间可以通过如下公式来计算:
其中,t表示要确定的生产周期的起始时间或截止时间,xp表示所获得的起始位置或截止位置在时间轴方向上的坐标,ntotal表示该图像在时间轴方向上的总像素数,tlast则表示该图像在时间轴上的最后一个像素对应于的时间分布图中的时间点。由此可以根据所述识别器的输出准确地确定每一个生产周期的起始时间和截止时间。
通过上述方式确定出每一个生产周期的起始时间和截止时间,可以把时间序列数据准确地按照各个生产周期进行划分,由此使得分析和确定各生产周期的状况(包括产品质量)和/或该生产设备的健康状况成为可能。此外,在基于一个参数值的时间序列数据确定出各个生产周期的起始时间和截止时间之后,所确定的起始时间和截止时间也可以同样应用于针对同一时间段的其它参数值的时间序列数据,相应地也使得能够使用其它参数值的时间序列数据来进行后续的分析和检测。
借助于通过神经网络模型实现图像中的对象的识别(这里是识别出时间序列图的图像中指示的生产周期)的优秀能力,本公开的该机制能够准确高效地确定生产设备的各个生产周期,同时,该机制能够节省传统方案中针对每台生产设备个体单独构造专门的编程逻辑所要耗费的时间和人力,大大降低了定制开发/使用难度。
下面参考图10,图10是根据本公开的一个实现的示例性装置1000的框图。例如,装置1000可以在图1中所示的设备110或任何类似的或相关的实体中实现。
示例性装置1000用于确定生产设备的生产周期。如图10所示,示例性装置1000可以包括模块1010,该模块1010用于使用与所述生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势。此外,示例性装置1000还可以包括模块1020,该模块1020用于将所述时间序列图的图像作为输入提供给基于神经网络模型的识别器,以获得所述识别器的输出,其中,所述识别器的输出识别所述图像中指示的生产周期。此外,示例性装置1000还可以包括模块1030,该模块1030用于根据所述识别器的输出确定所指示的生产周期中的每一个的起始时间和截止时间。
接着参考图11,图11是根据本公开的一个实现的示例性装置1100的框图。例如,装置1100可以在图1中所示的设备110或任何类似的或相关的实体中实现。
示例性装置1100用于生成训练数据。如图11所示,示例性装置1100可以包括模块1110,该模块1110用于使用与生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势。此外,示例性装置1100还可以包括模块1120,该模块1120用于呈现所生成的时间序列图。此外,示例性装置1100还可以包括模块1130,该模块1130用于接收针对所呈现的时间序列图的用户输入,所述用户输入用于在所呈现的时间序列图上叠加标记,所述标记用于界定所述时间序列图中包含的产周期。此外,示例性装置1100还可以包括模块1140,该模块1140用于将叠加了标记的时间序列图转换成图像,所转换成的图像被用作训练数据来训练神经网络模型,所述神经网络模型用于识别时间序列图的图像中指示的生产周期。
需要注意的是,尽管装置1000被示出为包含模块1010-1030,并且装置1100被示出为包含模块1110-1140,但是装置1000、1100可以包含更多或更少的模块来实现所描述的功能。例如,图10中所示的模块1010-1030、图11中所示的模块1110-1140中的至少一个模块可以被进一步分成复数个不同的子模块,每个子模块用于执行这里结合相应的模块所描述的操作的至少一部分。此外,在一些示例中,装置1000、1100还可以包括附加的模块,用于执行说明书中已经描述的其它操作。此外,本领域技术人员可以理解,示例性装置1000、1100可以用软件、硬件、固件、或其任意组合来实现。
现在转到图12,图12是根据本公开的一个实现的示例性计算设备1200的框图。如图所示,示例性计算设备1200可以包括至少一个处理器1210。处理器1210可以包括任意类型的通用处理器/核心(例如但不限于:CPU、GPU),或者专用处理器、核心、电路、控制器,等等。此外,示例性计算设备1200还可以包括存储器1220。存储器1220可以包括任意类型的可以用于存储数据的介质。在一个实现中,存储器1220被配置为存储指令,所述指令在执行时使得至少一个处理器1210执行本文中所述的操作,例如示例性方法200、500,等等。
此外,在一些实现中,计算设备1200还可以配备有一种或多种外设部件,所述外设部件可以包括但不限于显示器、扬声器、鼠标、键盘,等等。另外,在一些实现中,计算设备1200还可以配备有通信接口,其可以支持各种类型的有线/无线通信协议以与外部通信网络进行通信。通信网络的示例可以包括但不限于:局域网(LAN)、城域网(MAN)、广域网(WAN)、公共电话网、互联网、内联网、物联网、红外网络、蓝牙网络、近场通信(NFC)网络,等等。
此外,在一些实现中,上述及其它部件之间可以经由一种或多种总线/互连来相互通信,所述总线/互连可以支持任何合适的总线/互连协议,包括外围组件互连(PCI)、快速PCI快速、通用串行总线(USB)、串行附接SCSI(SAS)、串行ATA(SATA)、光纤通道(FC)、系统管理总线(SMBus),等等。
本公开的各种实现可以使用硬件单元、软件单元或其组合来实现。硬件单元的示例可以包括设备、部件、处理器、微处理器、电路、电路元件(例如、晶体管、电阻器、电容器、电感器,等等)、集成电路、专用集成电路(ASIC)、可编程逻辑器件(PLD)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、存储单元、逻辑门、寄存器、半导体器件、芯片、微芯片、芯片组,等等。软件单元的示例可以包括软件部件、程序、应用、计算机程序、应用程序、系统程序、机器程序、操作系统软件、中间件、固件、软件模块、例程、子例程、函数、方法、过程、软件接口、应用程序接口(API)、指令集、计算代码、计算机代码、代码段、计算机代码段、字、值、符号、或其任意组合。确定一个实现是使用硬件单元和/或软件单元来实施的可以取决于多种因素而变化,例如期望的计算速率、功率级别、耐热性、处理周期预算、输入数据速率、输出数据速率、存储器资源、数据总线速度,以及其它的设计或性能约束,正如一个给定的实现所期望的。
本公开的一些实现可以包括制品。制品可以包括存储介质,其用于存储逻辑。存储介质的示例可以包括一种或多种类型的能够存储电子数据的计算机可读存储介质,包括易失性存储器或非易失性存储器、可移动或不可移动存储器、可擦除或不可擦除存储器、可写或可重写存储器,等等。逻辑的示例可以包括各种软件单元,例如软件部件、程序、应用、计算机程序、应用程序、系统程序、机器程序、操作系统软件、中间件、固件、软件模块、例程、子例程、函数、方法、过程、软件接口、应用程序接口(API)、指令集、计算代码、计算机代码、代码段、计算机代码段、字、值、符号、或其任意组合。在一些实现中,例如,制品可以存储可执行的计算机程序指令,其在被处理器执行时,使得处理器执行本文中所述的方法和/或操作。可执行的计算机程序指令可以包括任意合适类型的代码,例如,源代码、编译代码、解释代码、可执行代码、静态代码、动态代码,等等。可执行的计算机程序指令可以根据预定义的用于命令计算机来执行特定功能的计算机语言、方式或语法来实现。所述指令可以使用任意适当的高级的、低级的、面向对象的、可视化的、编译的和/或解释的编程语言来实现。
上面已经描述的包括所公开的架构的示例。当然并不可能描述部件和/或方法的每种可以想见的组合,但是本领域技术人员可以理解,许多其它的组合和排列也是可行的。因此,该新颖架构旨在涵盖落入所附权利要求的精神和范围之内的所有这样的替代、修改和变型。
Claims (28)
1.一种用于确定生产设备的生产周期的方法,包括:
使用与所述生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;
将所述时间序列图的图像作为输入提供给基于神经网络模型的识别器,以获得所述识别器的输出,其中,所述识别器的输出识别所述图像中指示的生产周期;所述神经网络模型是使用一组带标记的时间序列图的图像来训练的,图像中的每个标记用于界定所述时间序列图中包含的一个生产周期;以及
根据所述识别器的输出确定所识别的生产周期中的每一个的起始时间和截止时间。
2.根据权利要求1所述的方法,其中,所述识别器的输出包括:
针对所识别的生产周期中的每一个,在所述图像中该生产周期的起始位置和截止位置在时间轴的方向上的坐标。
3.根据权利要求2所述的方法,其中,根据所述识别器的输出确定所识别的生产周期中的每一个的起始时间和截止时间包括:
将所述图像中所述起始位置的坐标映射到所述时间序列图的时间轴上的坐标,作为该生产周期的起始时间;以及
将所述图像中所述截止位置的坐标映射到所述时间序列图的时间轴上的坐标,作为该生产周期的截止时间。
4.根据权利要求1所述的方法,其中,每个标记包括响应于用户输入而叠加在相应的时间序列图上的限位框,每一个限位框界定一个生产周期。
5.根据权利要求1所述的方法,其中,所述识别器的输出识别所述图像中指示的置信度大于给定阈值的生产周期。
6.一种用于确定生产设备的生产周期的装置,包括:
用于使用与所述生产设备的运行相关联的时间序列数据来生成时间序列图的模块,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;
用于将所述时间序列图的图像作为输入提供给基于神经网络模型的识别器,以获得所述识别器的输出的模块,其中,所述识别器的输出识别所述图像中指示的生产周期;所述神经网络模型是使用一组带标记的时间序列图的图像来训练的,图像中的每个标记用于界定所述时间序列图中包含的一个生产周期;以及
用于根据所述识别器的输出确定所识别的生产周期中的每一个的起始时间和截止时间的模块。
7.根据权利要求6所述的装置,其中,所述识别器的输出包括:
针对所识别的生产周期中的每一个,在所述图像中该生产周期的起始位置和截止位置在时间轴的方向上的坐标。
8.根据权利要求7所述的装置,其中,用于根据所述识别器的输出确定所识别的生产周期中的每一个的起始时间和截止时间的模块包括:
用于将所述图像中所述起始位置的坐标映射到所述时间序列图的时间轴上的坐标,作为该生产周期的起始时间的模块;以及
用于将所述图像中所述截止位置的坐标映射到所述时间序列图的时间轴上的坐标,作为该生产周期的截止时间的模块。
9.根据权利要求6所述的装置,其中,每个标记包括响应于用户输入而叠加在相应的时间序列图上的限位框,每一个限位框界定一个生产周期。
10.根据权利要求6所述的装置,其中,所述识别器的输出识别所述图像中指示的置信度大于给定阈值的生产周期。
11.一种计算设备,包括:
存储器,其用于存储指令;以及
至少一个处理器,其耦合到所述存储器,其中,所述指令在由所述至少一个处理器执行时,使得所述至少一个处理器:
使用与所述生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;
将所述时间序列图的图像作为输入提供给基于神经网络模型的识别器,以获得所述识别器的输出,其中,所述识别器的输出识别所述图像中指示的生产周期;所述神经网络模型是使用一组带标记的时间序列图的图像来训练的,图像中的每个标记用于界定所述时间序列图中包含的一个生产周期;以及
根据所述识别器的输出确定所识别的生产周期中的每一个的起始时间和截止时间。
12.根据权利要求11所述的计算设备,其中,所述识别器的输出包括:
针对所识别的生产周期中的每一个,在所述图像中该生产周期的起始位置和截止位置在时间轴的方向上的坐标。
13.根据权利要求12所述的计算设备,其中,在根据所述识别器的输出确定所识别的生产周期中的每一个的起始时间和截止时间时,所述至少一个处理器被配置为:
将所述图像中所述起始位置的坐标映射到所述时间序列图的时间轴上的坐标,作为该生产周期的起始时间;以及
将所述图像中所述截止位置的坐标映射到所述时间序列图的时间轴上的坐标,作为该生产周期的截止时间。
14.根据权利要求11所述的计算设备,其中,每个标记包括响应于用户输入而叠加在相应的时间序列图上的限位框,每一个限位框界定一个生产周期。
15.根据权利要求11所述的计算设备,其中,所述识别器的输出识别所述图像中指示的置信度大于给定阈值的生产周期。
16.一种计算机可读存储介质,其上存储有指令,所述指令在由至少一个处理器执行时,使得所述至少一个处理器:
使用与所述生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;
将所述时间序列图的图像作为输入提供给基于神经网络模型的识别器,以获得所述识别器的输出,其中,所述识别器的输出识别所述图像中指示的生产周期;所述神经网络模型是使用一组带标记的时间序列图的图像来训练的,图像中的每个标记用于界定所述时间序列图中包含的一个生产周期;以及
根据所述识别器的输出确定所识别的生产周期中的每一个的起始时间和截止时间。
17.根据权利要求16所述的计算机可读存储介质,其中,所述识别器的输出包括:
针对所识别的生产周期中的每一个,在所述图像中该生产周期的起始位置和截止位置在时间轴的方向上的坐标。
18.根据权利要求17所述的计算机可读存储介质,其中,在根据所述识别器的输出确定所识别的生产周期中的每一个的起始时间和截止时间时,所述至少一个处理器被配置为:
将所述图像中所述起始位置的坐标映射到所述时间序列图的时间轴上的坐标,作为该生产周期的起始时间;以及
将所述图像中所述截止位置的坐标映射到所述时间序列图的时间轴上的坐标,作为该生产周期的截止时间。
19.根据权利要求16所述的计算机可读存储介质,其中,每个标记包括响应于用户输入而叠加在相应的时间序列图上的限位框,每一个限位框界定一个生产周期。
20.根据权利要求16所述的计算机可读存储介质,其中,所述识别器的输出识别所述图像中指示的置信度大于给定阈值的生产周期。
21.一种用于生成训练数据的方法,包括:
使用与生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;
呈现所生成的时间序列图;
接收针对所呈现的时间序列图的用户输入,所述用户输入用于在所呈现的时间序列图上叠加标记,每一个标记用于界定所述时间序列图中包含的一个生产周期;以及
将叠加有标记的时间序列图转换成图像,其中,在对用于识别时间序列图的图像中指示的生产周期的神经网络模型进行训练的过程中,所转换成的图像被用作训练数据。
22.根据权利要求21所述的方法,其中,接收针对所呈现的时间序列图的用户输入进一步包括:
如果通过所接收的用户输入而叠加在所述时间序列图上的至少一个标记不满足预定义的标准,则给出提示信息;以及
接收进一步的用户输入,所述进一步的用户输入用于对所述至少一个标记进行调整。
23.一种用于生成训练数据的装置,包括:
用于使用与生产设备的运行相关联的时间序列数据来生成时间序列图的模块,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;
用于呈现所生成的时间序列图的模块;
用于接收针对所呈现的时间序列图的用户输入的模块,所述用户输入用于在所呈现的时间序列图上叠加标记,每一个标记用于界定所述时间序列图中包含的一个生产周期;以及
用于将叠加有标记的时间序列图转换成图像的模块,其中,在对用于识别时间序列图的图像中指示的生产周期的神经网络模型进行训练的过程中,所转换成的图像被用作训练数据。
24.根据权利要求23所述的装置,其中,用于接收针对所呈现的时间序列图的用户输入的模块进一步包括:
用于如果通过所接收的用户输入而叠加在所述时间序列图上的至少一个标记不满足预定义的标准,则给出提示信息的模块;以及
用于接收进一步的用户输入的模块,所述进一步的用户输入用于对所述至少一个标记进行调整。
25.一种计算设备,包括:
存储器,其用于存储指令;以及
至少一个处理器,其耦合到所述存储器,其中,所述指令在由所述至少一个处理器执行时,使得所述至少一个处理器:
使用与生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;
呈现所生成的时间序列图;
接收针对所呈现的时间序列图的用户输入,所述用户输入用于在所呈现的时间序列图上叠加标记,每一个标记用于界定所述时间序列图中包含的一个生产周期;以及
将叠加有标记的时间序列图转换成图像,其中,在对用于识别时间序列图的图像中指示的生产周期的神经网络模型进行训练的过程中,所转换成的图像被用作训练数据。
26.根据权利要求25所述的计算设备,其中,在接收针对所呈现的时间序列图的用户输入时,所述至少一个处理器被进一步配置为:
如果通过所接收的用户输入而叠加在所述时间序列图上的至少一个标记不满足预定义的标准,则给出提示信息;以及
接收进一步的用户输入,所述进一步的用户输入用于对所述至少一个标记进行调整。
27.一种计算机可读存储介质,其上存储有指令,所述指令在由至少一个处理器执行时,使得所述至少一个处理器:
使用与生产设备的运行相关联的时间序列数据来生成时间序列图,所述时间序列数据包含所述生产设备的至少一个运行参数的值,所述时间序列图反映所述至少一个运行参数的值随时间变化的趋势;
呈现所生成的时间序列图;
接收针对所呈现的时间序列图的用户输入,所述用户输入用于在所呈现的时间序列图上叠加标记,每一个标记用于界定所述时间序列图中包含的一个生产周期;以及
将叠加有标记的时间序列图转换成图像,其中,在对用于识别时间序列图的图像中指示的生产周期的神经网络模型进行训练的过程中,所转换成的图像被用作训练数据。
28.根据权利要求27所述的计算机可读存储介质,其中,在接收针对所呈现的时间序列图的用户输入时,所述至少一个处理器被进一步配置为:
如果通过所接收的用户输入而叠加在所述时间序列图上的至少一个标记不满足预定义的标准,则给出提示信息;以及
接收进一步的用户输入,所述进一步的用户输入用于对所述至少一个标记进行调整。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/104071 WO2021042250A1 (zh) | 2019-09-02 | 2019-09-02 | 用于确定生产设备的生产周期的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113811908A CN113811908A (zh) | 2021-12-17 |
CN113811908B true CN113811908B (zh) | 2023-01-31 |
Family
ID=74851989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980096261.9A Active CN113811908B (zh) | 2019-09-02 | 2019-09-02 | 用于确定生产设备的生产周期的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113811908B (zh) |
WO (1) | WO2021042250A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023123291A1 (zh) * | 2021-12-30 | 2023-07-06 | 深圳华大生命科学研究院 | 时间序列信号识别方法、装置与计算机可读存储介质 |
CN114428487A (zh) * | 2022-01-14 | 2022-05-03 | 上海简衍科技有限公司 | 自动化控制装置、系统、方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008077424A (ja) * | 2006-09-21 | 2008-04-03 | Toshiba Corp | 作業分析システム及び方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007094924A (ja) * | 2005-09-30 | 2007-04-12 | Toyota Motor Corp | 生産ラインの稼動状況を解析するシステム |
US9547710B2 (en) * | 2008-08-05 | 2017-01-17 | Vmware, Inc. | Methods for the cyclical pattern determination of time-series data using a clustering approach |
CN101727098B (zh) * | 2008-10-21 | 2012-01-25 | 中芯国际集成电路制造(上海)有限公司 | 生产周期目标测量方法及系统 |
DE102012104493A1 (de) * | 2011-05-24 | 2012-11-29 | Kraussmaffei Technologies Gmbh | Verfahren zum Betrieb von Produktionsmaschinen/Kunststoff verarbeitenden Maschinen |
JP6295857B2 (ja) * | 2014-06-27 | 2018-03-20 | 富士通株式会社 | 抽出方法、装置、及びプログラム |
CN104750830B (zh) * | 2015-04-01 | 2017-10-31 | 东南大学 | 时间序列数据的周期挖掘方法 |
US11449732B2 (en) * | 2016-09-06 | 2022-09-20 | Nippon Telegraph And Telephone Corporation | Time-series-data feature extraction device, time-series-data feature extraction method and time-series-data feature extraction program |
CN107463904B (zh) * | 2017-08-08 | 2021-05-25 | 网宿科技股份有限公司 | 一种确定事件周期值的方法及装置 |
CN110162547A (zh) * | 2018-01-19 | 2019-08-23 | 曲逸文 | 一种基于时态数据系统的类周期规则挖掘方法 |
CN108829883A (zh) * | 2018-06-27 | 2018-11-16 | 上海众人网络安全技术有限公司 | 数据序列的周期提取方法、装置、设备及存储介质 |
-
2019
- 2019-09-02 WO PCT/CN2019/104071 patent/WO2021042250A1/zh active Application Filing
- 2019-09-02 CN CN201980096261.9A patent/CN113811908B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008077424A (ja) * | 2006-09-21 | 2008-04-03 | Toshiba Corp | 作業分析システム及び方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021042250A1 (zh) | 2021-03-11 |
CN113811908A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10964025B2 (en) | Assembly monitoring method and device based on deep learning, and readable storage medium | |
CN113811908B (zh) | 用于确定生产设备的生产周期的方法和装置 | |
US9971954B2 (en) | Apparatus and method for producing image processing filter | |
US8542912B2 (en) | Determining the uniqueness of a model for machine vision | |
WO2021017000A1 (zh) | 获取仪表读数的方法、装置、存储器、处理器和终端 | |
US8542905B2 (en) | Determining the uniqueness of a model for machine vision | |
CN104881673A (zh) | 基于信息整合的模式识别的方法和系统 | |
US11162787B2 (en) | Measuring program compiling device and measuring program compiling method | |
CN104268118A (zh) | 一种包括触摸屏的数学式计算器及数学公式识别的方法 | |
CN103870371A (zh) | 触摸屏平滑度的测试方法以及测试装置 | |
US20230342729A1 (en) | Method and Apparatus for Vehicle Damage Mapping | |
CN110162362B (zh) | 动态控件位置检测与测试方法、装置、设备及存储介质 | |
CN103064993A (zh) | 尺寸号信息处理系统及方法 | |
CN104182797A (zh) | 一种基于图像识别技术的产品料号自动选择方法 | |
CN112163400A (zh) | 信息处理方法及装置 | |
US9582733B2 (en) | Image processing device, image processing method, and image processing program | |
JP2015085437A (ja) | 判定装置、判定方法、および判定プログラム | |
US20200218756A1 (en) | System and Method for Generating Digital Information and Altering Digital Models of Components With Same | |
CN109491327B (zh) | 三维模型制作装置 | |
WO2012092132A2 (en) | Determining the uniqueness of a model for machine vision | |
WO2018099126A1 (zh) | 输入信息显示方法和系统 | |
TWM522886U (zh) | 車輛檢修輔助系統 | |
CN110705633A (zh) | 目标物检测、目标物检测模型的建立方法及装置 | |
EP3308357B1 (en) | Generation of geometry of objects | |
CN117408209B (zh) | 器件提取方法、装置、设备和介质 |
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 |