CN113919540A - 一种生产过程运行状态的监测方法及相关设备 - Google Patents
一种生产过程运行状态的监测方法及相关设备 Download PDFInfo
- Publication number
- CN113919540A CN113919540A CN202110893402.9A CN202110893402A CN113919540A CN 113919540 A CN113919540 A CN 113919540A CN 202110893402 A CN202110893402 A CN 202110893402A CN 113919540 A CN113919540 A CN 113919540A
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- monitoring
- data
- training
- target
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 356
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 105
- 239000013598 vector Substances 0.000 claims abstract description 147
- 238000012549 training Methods 0.000 claims abstract description 128
- 238000000605 extraction Methods 0.000 claims abstract description 78
- 238000004088 simulation Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 17
- 230000000875 corresponding effect Effects 0.000 description 111
- 230000007246 mechanism Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 12
- 238000002347 injection Methods 0.000 description 10
- 239000007924 injection Substances 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000009776 industrial production Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000246 remedial effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- 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)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种生产过程运行状态的监测方法及相关设备,所述方法包括通过对包括采集监测数据以及基于采集监测数据形成的模拟监测数据的监测数据集来重构训练样本集以及注册数据集,然后基于训练样本集确定特征提取模型,在基于注册数据集确定特征向量库,最后基于特征提取模型以及特征向量库预测生产过程的运行状态,这样可以避免训练样本集中正常数据与异常数据不平衡的问题,从而可以提高运行状态监测的准确性。同时,本申请将现有网络模型的训练和推理阶段改进为训练、注册以及推理阶段,降低训练阶段对后续推理阶段的泛化和鲁棒性影响较小,从而可以进一步提高预测得到的运行状态的准确性。
Description
技术领域
本申请涉及工业状态监测技术领域,特别涉及一种生产过程运行状态的监测方法及相关设备。
背景技术
随着信息技术的不断发展进步,现代过程工业生产规模越来越大,生产过程复杂性越来越高。工序耦合性与复杂性较之以往都发生较大的变换,一旦生产过程中出现异常或者故障,不仅会导致产品质量下降,而且会对生产设备造成损伤,严重时甚至会引起灾难性的人员伤亡以及环境污染等;那么,若能够及时、准确地发现生产过程中存在的异常问题,判断出生产过程所处的状态,据此做出及时补救措施,便可避免生产事故的发生。因而,对生产过程的运行状态进行监测越来越受到企业的重视。
长久以来,针对生产过程运行状态监测方法主要包括基于机理(数学)模型方法、基于数据驱动的方法和基于知识的方法三大类。基于机理(数学)模型是构建在人类对生产过程机理认知的基础上,通过准确的机理(数学)模型计算出实际生产过程的状态,但是现有工业生产过程的众多且强相关性的变量,复杂且强不确定性的工序,导致机理(数学)模型准确构建变得极为困难;基于数据驱动的方法核心是从海量的实际生产过程数据中,通过设计特征提取算法提取出能够反应生产过程状态的有用信息,进而对生产过程进行决策,但应用在实际生产过程中往往面临着样本难获得、离在线数据样本相对欠完备等问题;基于知识的方法则是根据实际现场熟练操作工人或专家的经验等知识,通过符号逻辑等表征经验的推理过程,以此实现生产过程运行状态的监测。
通过总结以上三种实现生产过程运行状态监测方法,主要步骤分为数据采集与预处理、数据分析与特征提取以及状态监测与识别三大部分,其中,数据采集与预处理主要目的是从海量的实际生产过程数据中,采用机理(数学)模型、数据规律或者专家经验等方法提取出能反应系统运行状态的特征,而后据此进行状态监测与识别。然而,实际反映系统运行状态数据往往是系统处于正常运行状态的数据,即正常运行状态的数据样本呈现海量状态,各种异常或故障状态数据往往呈现小样本甚至是零样本状态,使得现有运行状态监测方法普遍存在因现有离线样本不平衡以及离线样本相对欠完备而难以完全覆盖在线生产过程状态的问题,而导致的运行状态监测准确性低的问题。
发明内容
本申请要解决的技术问题在于,针对现有技术的不足,提供一种生产过程运行状态的监测方法及相关设备。
为了解决上述技术问题,本申请实施例第一方面提供了一种生产过程运行状态的监测方法,所述的监测方法包括:
获取监测数据集,并将所述监测数据集中的每个监测数据划分为若干第一信号段,其中,所述监测数据集包括采集监测数据以及基于采集监测数据形成的模拟监测数据;
基于划分得到的所有第一信号段构建训练数据集,并基于所述训练数据集训练特征提取网络,以得到经过训练的特征提取网络;
基于划分得到的所有第一信号段构建注册数据集,并基于经过训练的特征提取网络确定注册数据集中的每个注册信号段对应的目标特征向量,以得到特征向量库,其中,特征向量库中的每个目标特征向量均对应有目标运行状态;
对于待预测的目标监测数据,将所述目标监测数据划分为若干第二信号段,并基于经过训练的特征提取网络确定各第二信号段各自对应的预测特征向量;
基于所述特征向量库确定各预测特征向量各自对应的目标特征向量,并将各目标特征向量对应的目标运行状态作为各预测特征向量对应的预测运行状态,以确定所述目标监测数据对应的运行状态。
所述生产过程运行状态的监测方法,其中,所述获取监测数据集具体包括:
获取若干采集监测数据,其中,所述若干采集监测数据中的每个采集监测数据均为对预设生产过程进行监测所得到的,所述采集监测数据包括若干监测变量数据;
基于若干采集监测数据确定若干模拟监测数据,将所述若干采集监测数据以及若干模拟监测数据形成的数据集作为监测数据集。
所述生产过程运行状态的监测方法,其中,所述基于若干采集监测数据确定若干模拟监测数据具体包括:
在若干采集监测数据中选取第一数量的采集监测数据;
对于选取的每个采集监测数据,确定该采集监测数据中的至少一监测变量数据所服从的概率分布,并对各概率分布进行增益变换以得到各采集监测数据所形成的模拟监测数据。
所述生产过程运行状态的监测方法,其中,所述基于若干采集监测数据确定若干模拟监测数据具体包括:
在若干采集监测数据中选取第二数量的采集监测数据;
对于选取到的每个采集监测数据,确定该采集监测数据中的至少一监测变量数据对应的控制参数,基于所述控制参数该监测变量数据对应仿真变量数据,基于所述仿真变量数据以及该采集监测数据确定该采集监测数据所形成的模拟监测数据。
所述生产过程运行状态的监测方法,其中,所述训练数据集包括若干训练数据组,若干训练数据组中的每个训练数据组均包括训练信号段、训练信号段对应的正样本信号段、以及训练信号段对应的负样本信号段。
所述生产过程运行状态的监测方法,其中,所述特征提取模型为图神经网络模型,所述第一信号段均包括若干监测变量;所述基于所述训练数据集训练特征提取网络,以得到经过训练的特征提取网络之前,所述方法还包括:
对于训练样本集中的每个训练样本组,确定该训练样本组中的训练信号段对训练超图、正样本信号段对应的正样本超图以及负样本信号段对应的负样本超图。
所述生产过程运行状态的监测方法,其中,所述训练超图、正样本超图以及负样本超图均以各自对应的信号段中的监测变量为节点,以两个节点各自对应的检测变量的相关性构建边,其中,节点包括监测变量的欧式空间特征和非欧式空间特征。
所述生产过程运行状态的监测方法,其中,所述基于经过训练的特征提取网络确定注册数据集中的每个注册信号段对应的目标特征向量,以得到特征向量库具体包括:
对于注册数据集中的每个注册信号段,确定该注册信号段对应的注册超图;
将所述注册超图输入所述经过训练的特征提取网络,通过所述经过训练的特征提取网络输出该注册信号段对应的目标特征向量;
将所述目标特征向量以及该注册信号段对应的目标运行状态相关联,并存储于预设的数据库内,以得到特征向量库。
所述生产过程运行状态的监测方法,其中,所述目标监测数据的划分为若干第二信号段的划分方式与监测数据划分为若干第一信号段的划分方式相同,以使得若干第一信号段中的各第一信号段各自对应的信号时长与若干第二信号段中的各第二信号段各自对应的信号时长相等。
本申请实施例第二方面提供了一种生产过程运行状态的监测装置,所述的监测装置包括:
获取模块,用于获取监测数据集,并将所述监测数据集中的每个监测数据划分为若干第一信号段,其中,所述监测数据集包括采集监测数据以及基于采集监测数据形成的模拟监测数据;
训练模块,用于基于划分得到的所有第一信号段构建训练数据集,并基于所述训练数据集训练特征提取网络,以得到经过训练的特征提取网络;
注册模块,用于基于划分得到的所有第一信号段构建注册数据集,并基于经过训练的特征提取网络确定注册数据集中的每个注册信号段对应的目标特征向量,以得到特征向量库,其中,特征向量库中的每个目标特征向量均对应有目标运行状态;
确定模块,用于对于待预测的目标监测数据,将所述目标监测数据划分为若干第二信号段,并基于经过训练的特征提取网络确定各第二信号段各自对应的预测特征向量;
预测模块,用于基于所述特征向量库确定各预测特征向量各自对应的目标特征向量,并将各目标特征向量对应的目标运行状态作为各预测特征向量对应的预测运行状态,以确定所述目标监测数据对应的运行状态。
本申请实施例第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任一所述的生产过程运行状态的监测方法中的步骤。
本申请实施例第四方面提供了一种终端设备,其包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如上任一所述的生产过程运行状态的监测方法中的步骤。
有益效果:与现有技术相比,本申请提供了一种生产过程运行状态的监测方法及相关设备,所述方法包括获取监测数据集,并将所述监测数据集中的每个监测数据划分为若干第一信号段;基于划分得到的所有第一信号段构建训练数据集,并基于所述训练数据集训练特征提取网络,以得到经过训练的特征提取网络;基于划分得到的所有第一信号段构建注册数据集,并基于经过训练的特征提取网络确定注册数据集中的每个注册信号段对应的目标特征向量,以得到特征向量库;对于待预测的目标监测数据,将所述目标监测数据划分为若干第二信号段,并基于经过训练的特征提取网络确定各第二信号段各自对应的预测特征向量;基于所述特征向量库确定各预测特征向量各自对应的目标特征向量,并将各目标特征向量对应的目标运行状态作为各预测特征向量对应的预测运行状态,以确定所述目标监测数据对应的运行状态。本申请在获取到采集监测数据后,基于采集监测数据形成模拟监测数据,然后对采集监测数据和模拟监测数据进行重新构建来形成训练样本集,这样可以避免训练样本集中正常数据与异常数据不平衡的问题,从而可以提高运行状态监测的准确性。同时,本申请将现有网络模型的训练和推理阶段改进为训练、注册以及推理阶段,降低训练阶段对后续推理阶段的泛化和鲁棒性影响较小,从而可以进一步提高预测得到的运行状态的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员而言,在不符创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的生产过程运行状态的监测方法的流程图。
图2为本申请提供的生产过程运行状态的监测方法的流程示意图。
图3为本申请提供的生产过程运行状态的监测方法中的静态异常或故障注入模式示意图。
图4为本申请提供的生产过程运行状态的监测方法中的动态异常或故障注入模式示意图。
图5为本申请提供的生产过程运行状态的监测方法中的滑窗法划分信号段过程的意图。
图6为本申请提供的生产过程运行状态的监测方法中的超图中存在边的两个节点的关系示意图。
图7为本申请提供的生产过程运行状态的监测方法中的超图中不存在边的两个节点的关系示意图。
图8为本申请提供的生产过程运行状态的监测方法中的超图中不存在边的两个节点的关系示意图。
图9为共有知识示意图。
图10为公共知识示意图。
图11为本申请提供的生产过程运行状态的监测装置的结构原理图。
图12为本申请提供的终端设备的结构原理图。
具体实施方式
本申请提供一种生产过程运行状态的监测方法及相关设备,为使本申请的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本申请进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
应理解,本实施例中各步骤的序号和大小并不意味着执行顺序的先后,各过程的执行顺序以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
发明人经过研究发现,随着信息技术的不断发展进步,现代过程工业生产规模越来越大,生产过程复杂性越来越高。工序耦合性与复杂性较之以往都发生较大的变换,一旦生产过程中出现异常或者故障,不仅会导致产品质量下降,而且会对生产设备造成损伤,严重时甚至会引起灾难性的人员伤亡以及环境污染等;那么,若能够及时、准确地发现生产过程中存在的异常问题,判断出生产过程所处的状态,据此做出及时补救措施,便可避免生产事故的发生。因而,对生产过程的运行状态进行监测越来越受到企业的重视。
长久以来,针对生产过程运行状态监测方法主要包括基于机理(数学)模型方法、基于数据驱动的方法和基于知识的方法三大类。基于机理(数学)模型是构建在人类对生产过程机理认知的基础上,通过准确的机理(数学)模型计算出实际生产过程的状态,但是现有工业生产过程的众多且强相关性的变量,复杂且强不确定性的工序,导致机理(数学)模型准确构建变得极为困难;基于数据驱动的方法核心是从海量的实际生产过程数据中,通过设计特征提取算法提取出能够反应生产过程状态的有用信息,进而对生产过程进行决策,但应用在实际生产过程中往往面临着样本难获得、离在线数据样本相对欠完备等问题;基于知识的方法则是根据实际现场熟练操作工人或专家的经验等知识,通过符号逻辑等表征经验的推理过程,以此实现生产过程运行状态的监测。
通过总结以上三种实现生产过程运行状态监测方法,主要步骤分为数据采集与预处理、数据分析与特征提取以及状态监测与识别三大部分,其中,数据采集与预处理主要目的是从海量的实际生产过程数据中,采用机理(数学)模型、数据规律或者专家经验等方法提取出能反应系统运行状态的特征,而后据此进行状态监测与识别。然而,实际反映系统运行状态数据往往是系统处于正常运行状态的数据,即正常运行状态的数据样本呈现海量状态,各种异常或故障状态数据往往呈现小样本甚至是零样本状态,使得现有运行状态监测方法普遍存在因现有离线样本不平衡以及离线样本相对欠完备而难以完全覆盖在线生产过程状态的问题,而导致的运行状态监测准确性低的问题。
为了解决上述问题,在本申请实施例中,获取监测数据集,并将所述监测数据集中的每个监测数据划分为若干第一信号段;基于划分得到的所有第一信号段构建训练数据集,并基于所述训练数据集训练特征提取网络,以得到经过训练的特征提取网络;基于划分得到的所有第一信号段构建注册数据集,并基于经过训练的特征提取网络确定注册数据集中的每个注册信号段对应的目标特征向量,以得到特征向量库;对于待预测的目标监测数据,将所述目标监测数据划分为若干第二信号段,并基于经过训练的特征提取网络确定各第二信号段各自对应的预测特征向量;基于所述特征向量库确定各预测特征向量各自对应的目标特征向量,并将各目标特征向量对应的目标运行状态作为各预测特征向量对应的预测运行状态,以确定所述目标监测数据对应的运行状态。本申请在获取到采集监测数据后,基于采集监测数据形成模拟监测数据,然后对采集监测数据和模拟监测数据进行重新构建来形成训练样本集,这样可以避免训练样本集中正常数据与异常数据不平衡的问题,从而可以提高运行状态监测的准确性。同时,本申请将现有网络模型的训练和推理阶段改进为训练、注册以及推理阶段,降低训练阶段对后续推理阶段的泛化和鲁棒性影响较小,从而可以进一步提高预测得到的运行状态的准确性。
下面结合附图,通过对实施例的描述,对申请内容作进一步说明。
本实施例提供了一种生产过程运行状态的监测方法,如图1和图2所示,所述方法包括:
S10、获取监测数据集,并将所述监测数据集中的每个监测数据划分为若干第一信号段。
具体地,所述监测数据集包括采集监测数据和模拟监测数据,其中,模拟监测数据为基于采集监测数据形成,用于扩充监测数据集中的异常数据,以提高检测数据集中正常数据与异常数据的平衡性。此外,采集监测数据为通过对预设生产过程进行实际监测所得到的监测数据,采集检测数据为多变量监测数据,即采集监测数据包括若干监测变量数据,并且若干监测变量数据为通过各自对应的监测设备同步采集得到的。例如,预设生产过程包括反应釜,若干监测变量数据包括反应釜压强以及反应釜温度等。
由于在生产过程中正常运行状态样本数量会远大于异常或故障运行状态样本数量,例如,液晶面板生产过程中的生产产品质量检测问题中,合格产品的数量远大于不合格产品。虽然目前也有解决样本不同问题的方法,但是现有方式普遍是对小类样本进行重(过)采样和对大类样本进行欠采样的方法。例如SMOTE(Synthetic Minority Over-sampling Technique)过采样算法,通过构造新的小类样本,增加样本数据减弱样本不平衡对后续特征提取与分类模型的倾向性影响。但在实际工业生产过程中,历史样本数据总是欠完备的,实现完全覆盖在线生产过程状态的样本几乎是不可能的,因此如果要保证生产过程运行状态监测的高性能,事实上只能不停地增加数据样本。此外,生产过程中表现出的“海量监测数据”和“小样本知识”现象,更加剧了离在线数据知识间的冲突问题,使该方法在实际应用中暴露出众多问题,如监测鲁棒性差、情境难自适应等问题。
另外,现有方法解决样本不平衡问题普遍是对特征提取和分类模型进行改进,以降低倾向性影响,包括多分类器集成、小类错分惩罚加权和重构分类器等方法。多分类器集成是借助不同分类器对不同任务与数据的分类性能不同,通过集成多种不同分类器优势实现解决样本不平衡问题;小类错分惩罚加权则是通过增加额外小类错分代价,使分类器训练时更“关注”小类样本;重构分类器的思想与多分类器集成的思想相反,是将样本不平衡的分类问题划分为多个平衡的小分类问题,在集成众多小分类问题的结果,寻求样本不平衡分类问题的解决方法。也就是说,处理此问题的核心在于设计和改进现有算法,以适应样本极度不平衡问题,这本身就是一种算法层面对数据样本不平衡问题的妥协,并未从样本产生的根本上进行解决,即并未从在线样本与历史样本相似性匹配,并据此对当前生产过程运行状态进行监测与评价。且在实际的历史数据采集过程中,历史样本数据总是欠完备的,实现完全覆盖在线生产过程状态的样本几乎是不可能的,唯一的解决方案需要不断地增加新的历史样本,而原有采用历史样本训练分类模型的方式,其鲁棒性差、情境难自适应等缺陷越来越突出,限制了其在实际工程中的应用。
基于此,本实施例在获取监测数据集时,在获取到采集监测数据后,会基于采集到的检测数据形成模拟检测数据,以提高样本平衡性。相应的,所述获取监测数据集具体包括:
获取若干采集监测数据;
基于若干采集监测数据确定若干模拟监测数据,将所述若干采集监测数据以及若干模拟监测数据形成的数据集作为监测数据集。
具体地,采集监测数据为对预设生产过程进行实际采样所得到的监测数据,采集监测数据为多变量的监测数据。模拟监测数据为采用故障注入方式产生的监测数据,以通过模拟监测数据来实现异常状态以及故障状态的监测数据的扩充,从而提高正常状态的监测数据、异常状态的监测数据以及故障状态的监测数据的平衡性。模拟监测数据可以通过静态异常或故障注入模式所形成的,也可以是通过动态异常或故障注入模式所形成的,其中,静态异常或故障注入模式可以为通过修改采集监测数据中的监测变量数据所服从的概率分布来实现,动态异常或故障注入模式关键在于掌握整个生产过程的机理,在机理知识的基础上,通过对实际生产现场的仿真,产生具有一定参考价值的数据,动态异常或故障注入模式可以通过修改采集监测数据中的监测变量数据对应的控制参数来动态生成。本实施例通过采用静态异常或故障注入模式和/或和动态异常或故障注入模式的方式向采集得到的监测数据集中注入异常或故障数据,可以提高监测数据中正常数据与异常数据的平衡性。
在本实施例的一个实现方式中,所述基于若干采集监测数据确定若干模拟监测数据具体包括:
在若干采集监测数据中选取第一数量的采集监测数据;
对于选取的每个采集监测数据,确定该采集监测数据中的至少一监测变量数据所服从的概率分布,并对各概率分布进行增益变换以得到各采集监测数据所形成的模拟监测数据。
具体地,所述第一数量可以为预先设置的,第一数量小于或者等于若干采集监测数据的数量。也就是说,可以对若干采集监测数据中的部分采集监测数据进行增益变换来得到模拟监测数据;也可以对采集监测数据中的全部采集监测数据进行增益变换来得到模拟监测数据。此外,采集监测数据为预设时长内采集到的监测数据流,并且若干采集监测数据中的各采集监测数据对应的采集时长均为预设时长。例如,预测时长为2小时,3小时等。
基于此,对于采集监测数据中的每个监测变量数据,监测变量数据包括预设输出内的变量数据,那么可以将采集到的各采集时刻对应的监测变量数据拟合为监测变量曲线,然后确定该监测变量曲线所对应的概率分布。在确定概率分布后,对概率分布的函数参数进行增益以得到增益后的模拟监测数据。例如,如图3所示,采集监测数据a中的监测变量数据A服从概率分布其中,μA表示均值,表示方差,可以对概率分布的均值以及方差等进行增益,以得到监测变量数据A对应的模拟监测变量数据B,如图3所示,模拟监测变量数据B服从概率分布然后将采集监测数据a中的监测变量数据A替换为模拟监测变量数据B,得到采集监测数据a对应的模拟监测数据b。
在本实施例的另一实现方式中,所述基于若干采集监测数据确定若干模拟监测数据具体包括:
在若干采集监测数据中选取第二数量的采集监测数据;
对于选取到的每个采集监测数据,确定该采集监测数据中的至少一监测变量数据对应的控制参数,基于所述控制参数该监测变量数据对应仿真变量数据,基于所述仿真变量数据以及该采集监测数据确定该采集监测数据所形成的模拟监测数据。
具体地,所述第二数量可以为预先设置的,第二数量小于或者等于若干采集监测数据的数量。也就是说,可以对若干采集监测数据中的部分采集监测数据进行仿真来得到模拟监测数据;也可以对采集监测数据中的全部采集监测数据进行仿真来得到模拟监测数据。此外,所述控制参数为采集监测数据是实际采集得到,在获取到控制参数后,可以直接将控制参数输入采集监测数据对应的生产过程的机理模型内得到仿真变量数据,也可以通过对控制参数进行调整后,将调整后的控制参数输入采集监测数据对应的生产过程的机理模型内得到仿真变量数据等。
在获取到仿真变量数据后,可以直接采用仿真变量数据替换监测变量数据,以得到该采集监测数据所形成的模拟监测数据;也可以将仿真变量数据与监测变量数据进行融合,并采用融合得到的变量数据替换测变量数据,以得到该采集监测数据所形成的模拟监测数据。在本实施例的一个具体实现方式中,如图4所示,在已知生产过程的机理模型以及监测变量数据对应的控制参数后,将控制参数输入机理模型得到仿真变量数据,然后将仿真变量数据与监测变量数据进行融合(例如,叠加求平均等),得到融合变量数据,再将融合变量数据替换采集监测数据中的监测变量数据得到模拟监测数据。
在本实施例的一个实现方式中,在将监测数据划分为若干第一信号段时可以采用滑窗方式,即将连续的多变量监测数据通过滑窗方式分割为若干第一信号段。例如,如图5所示,假设所考虑的信号窗长度为T,每次采用堆栈的方式更新信号段,长度为τ,以此可以行为一系列的多维变量的监测数据信号片段,以得到若干第一信号段。此外,在获取到各第一信号段后,可以为各第一信号段配置状态标签,以通过所述状态标签来反映生产过程在该第一信号段所对应的时间段内的运行状态,其中,所述状态标签可以是采用相似或差异度判别方法确定的,或者是根据运行状态日志对确定的。
S20、基于划分得到的所有第一信号段构建训练数据集,并基于所述训练数据集训练特征提取网络,以得到经过训练的特征提取网络。
具体地,所述训练数据集包括若干训练数据组,若干训练数据组中的每个训练数据组均包括训练信号段、训练信号段对应的正样本信号段、以及训练信号段对应的负样本信号段。其中,正样本信号段为与训练信号段不同的信号段,并且正样本信号段和训练信号段表征的运行状态相同;负样本信号段为与训练信号段不同的信号段,并且负样本信号段和训练信号段表征的运行状态不同,训练样本信号段对应的运行状态为正常状态。这样通过采用包括训练信号段、训练信号段对应的正样本信号段、以及训练信号段对应的负样本信号段的三元组可以规避样本不平衡问题,将系统正常状态下样本与各种小样本系统运行状态都综合利用起来,将以往状态监测中的二分类或多分类等,转化为表征系统运行状态特征矢量,将分类问题转化为在特征矢量基础上进行相似性计算,从而解决样本不平衡问题。
在本实施例的一个实现方式中,所述特征提取模型为图神经网络模型,所述第一信号段均包括若干监测变量;所述基于所述训练数据集训练特征提取网络,以得到经过训练的特征提取网络之前,所述方法还包括:
对于训练样本集中的每个训练样本组,确定该训练样本组中的训练信号段对训练超图、正样本信号段对应的正样本超图以及负样本信号段对应的负样本超图。
具体地,训练信号段、正样本信号段和负样本信号段均为若干第一信号段中的一第一信号段,从而训练信号段、正样本信号段和负样本信号段均包括若干监测变量。也就是说,训练信号段、正样本信号段和负样本信号段均为多变量信号段,从而可以将训练信号段、正样本信号段和负样本信号段转换为多属性节点和多属性边的超图,以通过超图表征欧式空间特征和非欧式空间特征。其中,欧氏空间特征是指处于二维空间、三维空间以及继承三维空间定理以上的高维空间的特征,其特点是“排列规矩”,对于数据中的某个点,其邻居节点可以根据其欧氏空间定义很好地搜索与定位出来,如图片中的像素、色调等特征。非欧氏空间特征主要是指不满足欧氏空间的特征,特点就是“排列不规矩”,比较随意,主要分为图数据和流形数据,具体体现在某节点的邻居节点位置和数量难以定义。由于欧氏与非欧氏空间特征的差异性,导致现有众多提取提取与融合方法难以适用,比如卷积神经网络、自动编码机以及限制玻尔兹曼机等。
所述训练超图、正样本超图以及负样本超图均以各自对应的信号段中的监测变量为节点,以两个节点各自对应的检测变量的相关性构建边,其中,节点包括监测变量的欧式空间特征和非欧式空间特征。在一个具体实现方式中,所述超图可以通过预先设置的超图算子模块确定,超图算子模块的输入项为第一信号段,输出项为第一信号段对应的超图。也就是说,分别将训练信号段、正样本信号段和负样本信号段输入超图算子模块,超图算子模块会输出训练信号段对训练超图、正样本信号段对应的正样本超图以及负样本信号段对应的负样本超图。
所述超图算子模块用于定义超图节点及其边<节点G,边V>,其中,节点G用于反映欧氏空间特征和非欧氏空间特征属性定义;边V用于反映监测变量的相关性。需要说明的是,节点G和边V定义及其属性定义都是高维特征矢量,而非简单的一维特征矢量,因而可构建出表征生产过程运行状态的超图。节点G可定义为<节点名:值,欧氏特征矢量组,非欧氏特征矢量组>,欧氏特征矢量组则表征传统方法得到的特征,以此组成的特征矢量,比如压力信号段的最大值、最小值等;非欧氏特征矢量则表征难以采用欧氏距离表征的特征,比如监测变量a与监测变量b的相关关系组成的特征矢量。边V可定义为<边名:值,特征矢量组>,特征矢量组主要用来表征边是否存在。
在本实施例的一个典型实现方式中,如图6-8所示,边的构建方法可以为:获取监测变量A,B各自服从的概率分布(例如,高斯分布等),以得到各自对应的累计分布函数分布为SA,SB,两者之间交叉累计分布函数为SAB,可采用设定阈值Tcommon则可实现关系计算,超过该阈值则相关性存在eAB=1,否则eAB=0。事实上,若监测变量A,B来自于同一层级的两个变量,SAB可表征为共有知识,如监测反应釜的压力、温度等传感器;若变量A,B来自于不同层级的两个变量,SAB可表征为公共知识,如监测反应釜的压力传感器和产品指标变量等。当然,在实际应用中,边还可以基于专家指定或者在机理知识基础上构建其两个不同监测变量或特征间的相关关系确定的。
所述共有知识为一条必要的信息,即知识本身。例如,A,B,C都知道太阳是圆的,但A,B,C不相互知道其他个体知道这个知识,这个知识就是共有知识;又如图9所示的变量A与变量B来自同一层级,其共有部分为共有知识。公共知识为多条必要的信息,即知识本身被所有个体都掌握的信息。例如,A,B,C都知道太阳是圆的,A,B,C相互知道其他个体知道这个知识,这个知识就是公共知识;又如图10所示的节点A与节点B来自不同层级,其公有部分为公共知识。本实施例在在共有知识和公共知识基础上,实现欧氏空间特征与非欧氏空间特征的提取与融合,以构建实际系统运行状态的表征。
在本实施例的一个实现方式中,所述特征提取模型为图卷积神经网络模型,例如,如Dynamic Graph Convolutional Network(DynGCN)等。图卷积神经网络模型的输入项为训练超图、正样本超图以及负样本超图,输出为训练超图对应的训练特征向量、正样本超图对应的正样本特征向量以及负样本超图对应的负样本特征向量,然后基于训练特征向量、正样本特征向量以及负样本特征向量确定三元损失函数值,最后基于三元损失函数值对图卷积神经网络模型进行反向学习(例如,采用梯度下降法、拟牛顿法等),以得到经过训练的特征提取模型。本实施例通过构建包括训练超图、正样本超图以及负样本超图的三元组输入项,然后采用三元损失函数来进行反向学习,这样可以达到模仿人类处理此类样本非平衡问题细粒度特征的提取,从而可以提高特征提取的准确性和精细度。同时,在构建超声图时以监测变量(例如,传感器、设备、反应过程等物理实体的监测参数)为节点,并确定节点的欧氏空间特征和非欧氏空间特征,采用共有知识与公共知识的概念对节点之间的连接关系进行建模,完成反映实际生产过程运行状态超图的构建;最终在此超图基础上,采用动态图卷积神经网络,通过聚合邻节点时空信息,自动感知超图拓扑结构信息与其他属性信息等时空的变化,从而达到高鲁棒性、情境自适应的工业生产过程运行状态时空特征的自动提取和识别的目的。
此外,本实施例在超图的节点中配置欧氏空间特征矢量与非欧氏空间特征矢量超图基础上,采用动态图卷积神经网络,通过聚合邻节点时空(节点属性欧氏与非欧氏特征矢量-边属性欧氏与非欧氏特征矢量)信息,自动感知超图拓扑结构信息与其他属性信息等时空变化,完成对系统运行状态的独一无二的特征矢量表征,达到高鲁棒性、工况自适应的工业生产过程运行状态时空特征矢量自动提取与识别。其中,所述动态指的是通过滑窗法划分信号片段,相邻信号片段间重复部分作用是保持信号时序动态性,以及图卷积网络使用上通过时序前后图卷积神经网络中嵌入递归神经网络或长短时记忆神经网络,完成综合某信号段之前历史信息,完成信号时序动态性表征与特征提取。也就是说,所述特征提取网络采用的图卷积神经网络中嵌套有递归神经网络或长短时记忆神经网络等。
S30、基于划分得到的所有第一信号段构建注册数据集,并基于经过训练的特征提取网络确定注册数据集中的每个注册信号段对应的目标特征向量,以得到特征向量库,其中,特征向量库中的每个目标特征向量均对应有目标运行状态。
具体地,注册数据集包括的每个注册信号段均为一第一信号段,注册数据集中的注册信号段的数量小于或者等于划分得到的所有第一信号段。在基于划分得到的所有第一信号段构建注册数据集时,可以对每个状态标签对应的所有第一信号段进行相似性与差异性计算,找出每个状态标签的中心信号段,并将该中心信号段作为该状态标签对应的注册信号段。当然,也可以对应每个状态标签随机选取若干第一信号段作为该状态标签对应的注册信号段,或者是根据实际需求人为选取的等。
目标特征向量为注册信号段通过特征提取网络确定得到的特征矢量,其中,由于特征提取网络的输入项为超图,从而在确定注册信号段对应的目标特征向量时,可以先将注册信号段转换为注册超图,然后在基于特征提取网络确定目标特征向量。
基于此,所述基于经过训练的特征提取网络确定注册数据集中的每个注册信号段对应的目标特征向量,以得到特征向量库具体包括:
对于注册数据集中的每个注册信号段,确定该注册信号段对应的注册超图;
将所述注册超图输入所述经过训练的特征提取网络,通过所述经过训练的特征提取网络输出该注册信号段对应的目标特征向量;
将所述目标特征向量以及该注册信号段对应的目标运行状态相关联,并存储于预设的数据库内,以得到特征向量库。
具体地,所述注册超图的确定过程与上述训练信号段对应的训练超图的确定过程相同,也就是说,注册超图可以应用用于确定训练超图的超图算子模块确定的,将注册信号段输入超图算子模块,通过超图算子模块确定注册信号段对应的注册超图。
S40、对于待预测的目标监测数据,将所述目标监测数据划分为若干第二信号段,并基于经过训练的特征提取网络确定各第二信号段各自对应的预测特征向量。
具体地,所述目标监测数据对应的生产过程与监测数据集中的监测数据对应的生产过程相同,目标监测数据包括的监测变量与监测数据集中的监测数据包括的监测变量相同,例如,均包括压力、温度以及流量等。也就是说,基于监测数据集确定的监测变量对生产过程进行数据采集以在线获得原始数据信号,将获取到的原始数据信息进行时序统一以得到目标监测数据。此外,所述目标监测数据的划分为若干第二信号段的划分方式与监测数据划分为若干第一信号段的划分方式相同,以使得若干第一信号段中的各第一信号段各自对应的信号时长与若干第二信号段中的各第二信号段各自对应的信号时长相等。
在获取到第二信号段后,将第二信号段转换为第二信号超图,其中,转换超图的方式与上述方式相同,这里就不再赘述。在转换为第二信号超图后,将第二信号超图输入经过训练的特征提取网络,通过该经过训练的特征提取网络输出第二信号段对应的预测特征向量。
S50、基于所述特征向量库确定各预测特征向量各自对应的目标特征向量,并将各目标特征向量对应的目标运行状态作为各预测特征向量对应的预测运行状态,以确定所述目标监测数据对应的运行状态。
具体地,特征向量库包括若干特征向量,各特征向量各自对应有运行状态,在获取到目标特征向量后,在若干特征向量中选取目标特征向量对应的参照特征向量,并将参照特征向量的运行状态作为目标特征向量的运行状态,从而可以得到第二信号段所对应的采集时间下生产过程的运行状态,从而可以获取到目标检测数据所对应的采集时间段下生产过程的运行状态,例如,采集时间段下生产过程一直处于正常状态,或者是,在采集时间段的第预设时间起,生产过程处于异常状态等。此外,在若干特征向量中选取目标特征向量对应的参照特征向量时,可以通过欧式距离、相似性度量、神经网络度量等方式来确定参照特征向量。
在本实施例的一个实现方式中,在确定目标特征向量对应的预测运行状态时,还可以分别计算目标特征向量与特征向量库中的各特征向量的相似度或者差异性矩阵,然后基于阈值法来确定目标特征向量所对应的参照特征向量,以确定目标特征向量对应的预测运行状态。在一个具体实现方式中,可以采用最大值法、阈值超限法等比较方法,确定目标特征向量对应的预测运行状态。
综上所述,本实施例提供了一种生产过程运行状态的监测方法,所述方法包括获取监测数据集,并将所述监测数据集中的每个监测数据划分为若干第一信号段;基于划分得到的所有第一信号段构建训练数据集,并基于所述训练数据集训练特征提取网络,以得到经过训练的特征提取网络;基于划分得到的所有第一信号段构建注册数据集,并基于经过训练的特征提取网络确定注册数据集中的每个注册信号段对应的目标特征向量,以得到特征向量库;对于待预测的目标监测数据,将所述目标监测数据划分为若干第二信号段,并基于经过训练的特征提取网络确定各第二信号段各自对应的预测特征向量;基于所述特征向量库确定各预测特征向量各自对应的目标特征向量,并将各目标特征向量对应的目标运行状态作为各预测特征向量对应的预测运行状态,以确定所述目标监测数据对应的运行状态。本实施例一方面通过构建三元组训练样本,通过三元组训练样本来解决样本不平衡问题,同时在确定训练样本后,将训练样本中的信号段转换为用于表征监测变量的欧式空间特征和非欧式空间特征的超图,在通过图卷积神经网络基于超图来提取进行特征提取,以将欧式空间特征与非欧式空间特征融合。
此外,本实施例将以往的训练和推理两阶段,改进为现有训练、注册和推理三阶段。以往推理是训练阶段的重复,两者之间的差异在于训练阶段需要确定一些模型参数,推理性能完全取决于训练阶段所获得模型参数的好坏,模型性能在训练阶段达到理想状态,但却无法保证推理阶段性能,将造成系统运行状态监测性能的泛化能力差、鲁棒性差等问题。而本方案则将通过三元组重构训练集,将特征矢量提取模型的性能、训练阶段参数确定与推理阶段实际应用性能完全独立开来,一方面模型性能可通过其他离线数据集进行训练,甚至可在仿真数据上进行初始训练,模型可以很好地挖掘各种系统运行状态数据中知识,而训练阶段仅仅局限在超图构建、滑窗长度等参数确定上,对后续推理阶段的泛化和鲁棒性影响较小。此外,该方案可将以往系统运行状态监测本质上属于概念表征与分类问题,转化为概念表征问题上来,在通过比较概念表征在时序上的差异性与共性,完成系统运行状态的监测,不仅解决了原有样本极度不平衡等问题,还解决了离在线样本相对欠完备等问题。
基于上述生产过程运行状态的监测方法,本实施例提供了一种生产过程运行状态的监测装置,如图11所示,所述的监测装置包括:
获取模块100,用于获取监测数据集,并将所述监测数据集中的每个监测数据划分为若干第一信号段,其中,所述监测数据集包括采集监测数据以及基于采集监测数据形成的模拟监测数据;
训练模块200,用于基于划分得到的所有第一信号段构建训练数据集,并基于所述训练数据集训练特征提取网络,以得到经过训练的特征提取网络;
注册模块300,用于基于划分得到的所有第一信号段构建注册数据集,并基于经过训练的特征提取网络确定注册数据集中的每个注册信号段对应的目标特征向量,以得到特征向量库,其中,特征向量库中的每个目标特征向量均对应有目标运行状态;
确定模块400,用于对于待预测的目标监测数据,将所述目标监测数据划分为若干第二信号段,并基于经过训练的特征提取网络确定各第二信号段各自对应的预测特征向量;
预测模块500,用于基于所述特征向量库确定各预测特征向量各自对应的目标特征向量,并将各目标特征向量对应的目标运行状态作为各预测特征向量对应的预测运行状态,以确定所述目标监测数据对应的运行状态。
基于上述生产过程运行状态的监测方法,本实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述实施例所述的生产过程运行状态的监测方法中的步骤。
基于上述生产过程运行状态的监测方法,本申请还提供了一种终端设备,如图12所示,其包括至少一个处理器(processor)20;显示屏21;以及存储器(memory)22,还可以包括通信接口(Communications Interface)23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22可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、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (12)
1.一种生产过程运行状态的监测方法,其特征在于,所述的监测方法包括:
获取监测数据集,并将所述监测数据集中的每个监测数据划分为若干第一信号段,其中,所述监测数据集包括采集监测数据以及基于采集监测数据形成的模拟监测数据;
基于划分得到的所有第一信号段构建训练数据集,并基于所述训练数据集训练特征提取网络,以得到经过训练的特征提取网络;
基于划分得到的所有第一信号段构建注册数据集,并基于经过训练的特征提取网络确定注册数据集中的每个注册信号段对应的目标特征向量,以得到特征向量库,其中,特征向量库中的每个目标特征向量均对应有目标运行状态;
对于待预测的目标监测数据,将所述目标监测数据划分为若干第二信号段,并基于经过训练的特征提取网络确定各第二信号段各自对应的预测特征向量;
基于所述特征向量库确定各预测特征向量各自对应的目标特征向量,并将各目标特征向量对应的目标运行状态作为各预测特征向量对应的预测运行状态,以确定所述目标监测数据对应的运行状态。
2.根据权利要求1所述生产过程运行状态的监测方法,其特征在于,所述获取监测数据集具体包括:
获取若干采集监测数据,其中,所述若干采集监测数据中的每个采集监测数据均为对预设生产过程进行监测所得到的,所述采集监测数据包括若干监测变量数据;
基于若干采集监测数据确定若干模拟监测数据,将所述若干采集监测数据以及若干模拟监测数据形成的数据集作为监测数据集。
3.根据权利要求2所述生产过程运行状态的监测方法,其特征在于,所述基于若干采集监测数据确定若干模拟监测数据具体包括:
在若干采集监测数据中选取第一数量的采集监测数据;
对于选取的每个采集监测数据,确定该采集监测数据中的至少一监测变量数据所服从的概率分布,并对各概率分布进行增益变换以得到各采集监测数据所形成的模拟监测数据。
4.根据权利要求2或3所述生产过程运行状态的监测方法,其特征在于;所述基于若干采集监测数据确定若干模拟监测数据具体包括:
在若干采集监测数据中选取第二数量的采集监测数据;
对于选取到的每个采集监测数据,确定该采集监测数据中的至少一监测变量数据对应的控制参数,基于所述控制参数该监测变量数据对应仿真变量数据,基于所述仿真变量数据以及该采集监测数据确定该采集监测数据所形成的模拟监测数据。
5.根据权利要求1所述生产过程运行状态的监测方法,其特征在于,所述训练数据集包括若干训练数据组,若干训练数据组中的每个训练数据组均包括训练信号段、训练信号段对应的正样本信号段、以及训练信号段对应的负样本信号段。
6.根据权利要求5所述生产过程运行状态的监测方法,其特征在于,所述特征提取模型为图神经网络模型,所述第一信号段均包括若干监测变量;所述基于所述训练数据集训练特征提取网络,以得到经过训练的特征提取网络之前,所述方法还包括:
对于训练样本集中的每个训练样本组,确定该训练样本组中的训练信号段对训练超图、正样本信号段对应的正样本超图以及负样本信号段对应的负样本超图。
7.根据权利要求6所述生产过程运行状态的监测方法,其特征在于,所述训练超图、正样本超图以及负样本超图均以各自对应的信号段中的监测变量为节点,以两个节点各自对应的检测变量的相关性构建边,其中,节点包括监测变量的欧式空间特征和非欧式空间特征。
8.根据权利要求1所述生产过程运行状态的监测方法,其特征在于,所述基于经过训练的特征提取网络确定注册数据集中的每个注册信号段对应的目标特征向量,以得到特征向量库具体包括:
对于注册数据集中的每个注册信号段,确定该注册信号段对应的注册超图;
将所述注册超图输入所述经过训练的特征提取网络,通过所述经过训练的特征提取网络输出该注册信号段对应的目标特征向量;
将所述目标特征向量以及该注册信号段对应的目标运行状态相关联,并存储于预设的数据库内,以得到特征向量库。
9.根据权利要求1所述生产过程运行状态的监测方法,其特征在于,所述目标监测数据的划分为若干第二信号段的划分方式与监测数据划分为若干第一信号段的划分方式相同,以使得若干第一信号段中的各第一信号段各自对应的信号时长与若干第二信号段中的各第二信号段各自对应的信号时长相等。
10.一种生产过程运行状态的监测装置,其特征在于,所述的监测装置包括:
获取模块,用于获取监测数据集,并将所述监测数据集中的每个监测数据划分为若干第一信号段,其中,所述监测数据集包括采集监测数据以及基于采集监测数据形成的模拟监测数据;
训练模块,用于基于划分得到的所有第一信号段构建训练数据集,并基于所述训练数据集训练特征提取网络,以得到经过训练的特征提取网络;
注册模块,用于基于划分得到的所有第一信号段构建注册数据集,并基于经过训练的特征提取网络确定注册数据集中的每个注册信号段对应的目标特征向量,以得到特征向量库,其中,特征向量库中的每个目标特征向量均对应有目标运行状态;
确定模块,用于对于待预测的目标监测数据,将所述目标监测数据划分为若干第二信号段,并基于经过训练的特征提取网络确定各第二信号段各自对应的预测特征向量;
预测模块,用于基于所述特征向量库确定各预测特征向量各自对应的目标特征向量,并将各目标特征向量对应的目标运行状态作为各预测特征向量对应的预测运行状态,以确定所述目标监测数据对应的运行状态。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-9任意一项所述的生产过程运行状态的监测方法中的步骤。
12.一种终端设备,其特征在于,包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如权利要求1-9任意一项所述的生产过程运行状态的监测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110893402.9A CN113919540A (zh) | 2021-08-04 | 2021-08-04 | 一种生产过程运行状态的监测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110893402.9A CN113919540A (zh) | 2021-08-04 | 2021-08-04 | 一种生产过程运行状态的监测方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113919540A true CN113919540A (zh) | 2022-01-11 |
Family
ID=79233068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110893402.9A Pending CN113919540A (zh) | 2021-08-04 | 2021-08-04 | 一种生产过程运行状态的监测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919540A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171696A (zh) * | 2023-11-03 | 2023-12-05 | 深圳市欧利德仪器仪表有限公司 | 一种基于物联网的传感器生产监测方法及系统 |
CN117172413A (zh) * | 2023-09-07 | 2023-12-05 | 中国科学院合肥物质科学研究院 | 基于多模态数据联合表征和动态权重学习的电网设备运行状态监测方法 |
CN117892251A (zh) * | 2024-03-18 | 2024-04-16 | 山东神力索具有限公司 | 基于人工智能的索具锻造工艺参数监测预警方法及装置 |
-
2021
- 2021-08-04 CN CN202110893402.9A patent/CN113919540A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172413A (zh) * | 2023-09-07 | 2023-12-05 | 中国科学院合肥物质科学研究院 | 基于多模态数据联合表征和动态权重学习的电网设备运行状态监测方法 |
CN117172413B (zh) * | 2023-09-07 | 2024-05-14 | 中国科学院合肥物质科学研究院 | 基于多模态数据联合表征和动态权重学习的电网设备运行状态监测方法 |
CN117171696A (zh) * | 2023-11-03 | 2023-12-05 | 深圳市欧利德仪器仪表有限公司 | 一种基于物联网的传感器生产监测方法及系统 |
CN117171696B (zh) * | 2023-11-03 | 2024-02-23 | 深圳市欧利德仪器仪表有限公司 | 一种基于物联网的传感器生产监测方法及系统 |
CN117892251A (zh) * | 2024-03-18 | 2024-04-16 | 山东神力索具有限公司 | 基于人工智能的索具锻造工艺参数监测预警方法及装置 |
CN117892251B (zh) * | 2024-03-18 | 2024-06-07 | 山东神力索具有限公司 | 基于人工智能的索具锻造工艺参数监测预警方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111902781B (zh) | 用于控制系统的设备和方法 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN115018021A (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
CN113110398B (zh) | 基于动态时间归整和图卷积网络的工业过程故障诊断方法 | |
CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN114970715A (zh) | 小样本及不平衡数据约束下的变工况故障诊断方法及系统 | |
CN116992226A (zh) | 一种水泵电机故障检测方法、系统 | |
US20220011760A1 (en) | Model fidelity monitoring and regeneration for manufacturing process decision support | |
CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
CN114897102A (zh) | 一种工业机器人故障诊断方法、系统、设备与存储介质 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN117195114A (zh) | 一种化工产线状态识别方法及系统 | |
CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
KR20210126378A (ko) | 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템 | |
CN116597635A (zh) | 无线通讯智能燃气表控制器及其控制方法 | |
CN114139643B (zh) | 一种基于机器视觉的单甘酯质量检测方法及系统 | |
CN116910526A (zh) | 模型训练方法、装置、通信设备及可读存储介质 | |
Zhu et al. | Generic process visualization using parametric t-SNE | |
Lu et al. | Visual high dimensional industrial process monitoring based on deep discriminant features and t-SNE | |
CN117786374B (zh) | 一种基于图神经网络的多变量时序异常检测方法及系统 | |
CN117520993B (zh) | 电驱动桥试验系统及其方法 |
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 |