CN114578780B - 交联聚乙烯在线生产监测方法及系统 - Google Patents
交联聚乙烯在线生产监测方法及系统 Download PDFInfo
- Publication number
- CN114578780B CN114578780B CN202210483503.3A CN202210483503A CN114578780B CN 114578780 B CN114578780 B CN 114578780B CN 202210483503 A CN202210483503 A CN 202210483503A CN 114578780 B CN114578780 B CN 114578780B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- cluster
- feature
- path
- initial
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 259
- 238000012544 monitoring process Methods 0.000 title claims abstract description 243
- 229920003020 cross-linked polyethylene Polymers 0.000 title claims abstract description 87
- 239000004703 cross-linked polyethylene Substances 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 1088
- 230000008878 coupling Effects 0.000 claims abstract description 212
- 238000010168 coupling process Methods 0.000 claims abstract description 212
- 238000005859 coupling reaction Methods 0.000 claims abstract description 212
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 239000000523 sample Substances 0.000 claims description 374
- 238000000605 extraction Methods 0.000 claims description 42
- 239000013074 reference sample Substances 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 17
- 238000004220 aggregation Methods 0.000 claims description 15
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 9
- 239000012634 fragment Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 9
- 239000004698 Polyethylene Substances 0.000 description 7
- 229920000573 polyethylene Polymers 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000001174 ascending effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- -1 Polyethylene Polymers 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000004132 cross linking Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Automation & Control Theory (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Debugging And Monitoring (AREA)
- General Factory Administration (AREA)
Abstract
本申请实施例公开了一种交联聚乙烯在线生产监测方法及系统,通过对在线生产监测数据中的各个异常生产数据进行异常耦合分析,生成异常耦合关系数据,将异常耦合关系数据加载至训练完成的第一异常原因追溯单元和第二异常原因追溯单元中,生成异常追溯耦合原因以及各个异常追溯耦合原因相关联的异常路径特征和异常分类特征,根据异常追溯耦合原因以及各个异常追溯耦合原因相关联的异常路径特征和异常分类特征确定异常追溯耦合原因相关联的在线生产监测方案信息。如此,通过结合各个异常生产数据之间的异常耦合关系进行异常原因的追溯,由此进行后续生产监测方案的确定,可以提高在线生产监测方案信息的可靠性。
Description
技术领域
本申请涉及材料生产监测技术领域,具体而言,涉及一种交联聚乙烯在线生产监测方法及系统。
背景技术
聚乙烯(PE)交联技术是提高其材料性能的重要手段之一。经过交联改性的PE可使其性能得到大幅度的改善,不仅显著提高了PE的力学性能、耐环境应力开裂性能、耐化学药品腐蚀性能、抗蠕变性和电性能等综合性能,而且非常明显地提高了耐温等级,可使PE的耐热温度从70℃提高到100℃以上,从而大大拓宽了PE的应用领域。
相关技术中,在聚乙烯的在线生产监测过程中,需要进行生产监测方案的实时优化,以确保生产监测的可靠性。例如可以依据深度学习技术进行异常追溯,以此为根据确定相关的在线生产监测方案进行生产监测优化,发明人在研究过程中,现有技术没有很好地考虑各个异常生产数据之间的异常耦合分析进行异常路径的追溯,难以进一步确保在线生产监测方案信息的可靠性。
发明内容
本申请提供一种交联聚乙烯在线生产监测方法及系统。
第一方面,本申请实施例提供一种交联聚乙烯在线生产监测方法,应用于交联聚乙烯在线生产监测系统,包括:
采集各个针对交联聚乙烯的在线生产监测节点传递的在线生产监测数据;
对所述在线生产监测数据中的各个异常生产数据进行异常耦合分析,生成异常耦合关系数据;
将所述异常耦合关系数据加载至训练完成的第一异常原因追溯单元和第二异常原因追溯单元中,生成异常追溯耦合原因以及各个异常追溯耦合原因相关联的异常路径特征和异常分类特征;
根据所述异常追溯耦合原因以及各个异常追溯耦合原因相关联的异常路径特征和异常分类特征确定所述异常追溯耦合原因相关联的在线生产监测方案信息。
相比现有技术,通过对在线生产监测数据中的各个异常生产数据进行异常耦合分析,生成异常耦合关系数据,将异常耦合关系数据加载至训练完成的第一异常原因追溯单元和第二异常原因追溯单元中,生成异常追溯耦合原因以及各个异常追溯耦合原因相关联的异常路径特征和异常分类特征,根据异常追溯耦合原因以及各个异常追溯耦合原因相关联的异常路径特征和异常分类特征确定异常追溯耦合原因相关联的在线生产监测方案信息。如此,通过结合各个异常生产数据之间的异常耦合关系进行异常原因的追溯,由此进行后续生产监测方案的确定,可以提高在线生产监测方案信息的可靠性。
附图说明
图1为本申请实施例提供的一种交联聚乙烯在线生产监测方法的步骤流程示意图;
图2为本申请实施例提供的一种交联聚乙烯在线生产监测系统的结构示意框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。根据本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示,本申请实施例提供的一种交联聚乙烯在线生产监测方法包括有:步骤S110,采集各个针对交联聚乙烯的在线生产监测节点传递的在线生产监测数据。
本实施例中,在线生产监测数据可以包括但不限于针对交联聚乙烯的各种生产条件和生产环境的状态监测数据。
步骤S120,对所述在线生产监测数据中的各个异常生产数据进行异常耦合分析,生成异常耦合关系数据。
本实施例中,发明人研究发现单独的异常生产数据可能存在较多的异常耦合分析特征,也即存在诸多具有异常耦合关系的特征,因此本实施例需要通过结合各个异常生产数据之间的异常耦合分析,例如对各个异常生产数据进行异常耦合分析,生成异常耦合关系数据。即,异常耦合关系数据可以表征各个异常生产数据以及各个异常生产数据之间的异常耦合分析信息。
步骤S130,将所述异常耦合关系数据加载至训练完成的第一异常原因追溯单元和第二异常原因追溯单元中,生成异常追溯耦合原因以及各个异常追溯耦合原因相关联的异常路径特征和异常分类特征。
本实施例中,异常追溯耦合原因可以表征生产监测过程中存在异常情况的追溯原因,该追溯原因可以表达形成异常耦合的原因,并且在此基础上还可以进一步确定各个异常追溯耦合原因相关联的异常路径特征和异常分类特征。其中,异常路径特征可以表征各个耦合关系的异常路径产生过程中的路径,异常分类特征可以表征各个耦合关系的异常路径产生过程中涵盖的分类类别。
步骤S140,根据所述异常追溯耦合原因以及各个异常追溯耦合原因相关联的异常路径特征和异常分类特征确定所述异常追溯耦合原因相关联的在线生产监测方案信息。
一些可能的实施例中,在确定异常追溯耦合原因以及各个异常追溯耦合原因相关联的异常路径特征和异常分类特征后,可以以此为根据确定相关联的在线生产监测方案信息,以便于进行在线生产监测方案的优化。
基于以上步骤,本实施例通过对在线生产监测数据中的各个异常生产数据进行异常耦合分析,生成异常耦合关系数据,将异常耦合关系数据加载至训练完成的第一异常原因追溯单元和第二异常原因追溯单元中,生成异常追溯耦合原因以及各个异常追溯耦合原因相关联的异常路径特征和异常分类特征,根据异常追溯耦合原因以及各个异常追溯耦合原因相关联的异常路径特征和异常分类特征确定异常追溯耦合原因相关联的在线生产监测方案信息。如此,通过结合各个异常生产数据之间的异常耦合关系进行异常原因的追溯,由此进行后续生产监测方案的确定,可以提高在线生产监测方案信息的可靠性。
一些可能的实施例中,针对步骤S130,可以通过以下示例性的步骤实现。
步骤R102,将所述异常耦合关系数据加载至训练完成的第一异常原因追溯单元,获取相关联的异常追溯耦合原因,将所述异常耦合关系数据以及所述异常追溯耦合原因加载至训练完成的第二异常原因追溯单元中,获取所述异常追溯耦合原因相关联的异常分类特征以及异常路径特征,异常追溯耦合原因相关联的异常分类特征以及异常路径特征是根据异常追溯耦合原因进行异常特征追溯的,异常分类特征用于指代异常分类变量的簇,异常路径特征用于指代异常路径相关的采集变量的簇。
异常分类特征用于指代异常分类标签的特征向量。异常路径特征用于指代表示异常路径的特征向量。
步骤R104,获取各个在线生产监测方案接口相关联的对照分类特征,根据异常分类特征从各个对照分类特征中确定目标对照分类特征。
其中,在线生产监测方案接口表示需要进行遍历匹配的在线生产监测方案源,即需要从各个在线生产监测方案接口中遍历与异常追溯耦合原因最匹配的在线生产监测方案源。对照分类特征用于指代在线生产监测方案接口相关联的异常分类特征。
例如,交联聚乙烯在线生产监测系统也可以将各个在线生产监测方案接口进行特征追溯,生成各个在线生产监测方案接口相关联的对照分类特征和对照异常路径特征。对照异常路径特征用于指代在线生产监测方案接口相关联的异常路径特征。然后确定异常分类特征与各个对照分类特征之间的偏差参数值,基于偏差参数值从各个对照分类特征中确定目标对照分类特征。例如,可以基于余弦相似度确定异常分类特征与各个对照分类特征之间的偏差参数值,由此基于余弦相似度将各个对照分类特征进行升序排序,然后基于升序排序信息确定目标对照分类特征。
步骤R106,获取第一链接文件,第一链接文件表示各个对照分类特征与各个在线生产监测方案接口相关联的对照异常路径特征的链接属性信息,根据第一链接文件遍历目标对照分类特征具有关联的各个对照异常路径特征,生成各个遍历对照异常路径特征。
其中,第一链接文件中各个对照分类特征相关联的多个对照异常路径特征。即同一对照分类特征的多个对照异常路径特征相关联的在线生产监测方案接口都是同一异常分类片段的在线生产监测方案源。遍历对照异常路径特征用于指代通过第一链接文件遍历到的在线生产监测方案接口相关联的异常路径特征,该遍历对照异常路径特征相关联的在线生产监测方案接口是同一类在线生产监测方案源,是相匹配的在线生产监测方案源。
例如,交联聚乙烯在线生产监测系统预先构建各个对照分类特征与各个在线生产监测方案接口相关联的对照异常路径特征的链接属性信息,生成第一链接文件,将第一链接文件进行配置。具体实现过程中,交联聚乙烯在线生产监测系统获取到第一链接文件,然后在第一链接文件中遍历匹配的目标对照分类特征,并获到目标对照分类特征具有关联的各个对照异常路径特征,生成各个遍历对照异常路径特征。
步骤R108,根据异常路径特征从各个遍历对照异常路径特征中确定目标对照异常路径特征。
其中,目标对照异常路径特征用于指代与异常路径特征相似的对照异常路径特征。
例如,交联聚乙烯在线生产监测系统确定异常路径特征与各个遍历对照异常路径特征的偏差参数值,基于偏差参数值的升序顺序将各个遍历对照异常路径特征进行排序,在排序信息中选择预设数量的遍历对照异常路径特征,生成目标对照异常路径特征。
步骤R110,获取第二链接文件,第二链接文件表示各个对照异常路径特征与各个在线生产监测方案接口的链接属性信息,根据第二链接文件遍历目标对照异常路径特征相关联的在线生产监测方案接口,生成异常追溯耦合原因相关联的在线生产监测方案接口簇。
其中,第二链接文件中各个对照异常路径特征相关联的多个在线生产监测方案接口。即从在线生产监测方案接口中选取比较匹配的在线生产监测方案接口。在线生产监测方案接口簇表示遍历得到的与异常追溯耦合原因具有较高相关性程度的在线生产监测方案源,该较高相关性程度的在线生产监测方案源中包括有与异常追溯耦合原因相匹配的在线生产监测方案源。
例如,交联聚乙烯在线生产监测系统预先构建指各个对照异常路径特征与各个在线生产监测方案接口的链接属性信息,生成第二链接文件,然后将第二链接文件进行配置,当需要使用时,在第二链接文件中找目标对照异常路径特征相关联的各个在线生产监测方案接口,生成异常追溯耦合原因相关联的在线生产监测方案接口簇。然后可以基于在线生产监测方案接口簇进行交联聚乙烯在线生产监测配置。
基于以上步骤,通过获取异常追溯耦合原因相关联的异常分类特征以及异常路径特征,异常分类特征以及异常路径特征是根据异常追溯耦合原因进行异常特征追溯的,使用异常分类特征从各个对照分类特征中确定目标对照分类特征,然后根据第一链接文件遍历目标对照分类特征具有关联的各个对照异常路径特征,生成各个遍历对照异常路径特征,再根据异常路径特征从各个遍历对照异常路径特征中确定目标对照异常路径特征,并使用第二链接文件遍历目标对照异常路径特征相关联的在线生产监测方案接口,生成异常追溯耦合原因相关联的在线生产监测方案接口簇。通过第一链接文件和第二链接文件并使用异常路径特征和异常分类特征进行交联聚乙烯在线生产监测遍历,可以有效提高交联聚乙烯在线生产监测遍历的速度。
一些可能的实施例中,步骤R102,获取异常追溯耦合原因相关联的异常分类特征以及异常路径特征,异常追溯耦合原因相关联的异常分类特征以及异常路径特征是根据异常追溯耦合原因进行异常特征追溯的,包括:
将所述异常耦合关系数据以及所述异常追溯耦合原因加载至第二异常原因追溯单元中,第二异常原因追溯单元通过异常分类特征追溯模块进行特征追溯,生成异常分类特征,并通过异常路径特征追溯模块进行特征追溯,生成异常路径特征。
其中,第二异常原因追溯单元是用于将异常耦合关系数据以及所述异常追溯耦合原因进行特征追溯的深度学习单元。该第二异常原因追溯单元可以是使用深度学习算法配置的。异常分类特征追溯模块表示第二异常原因追溯单元中被配置于追溯异常分类特征的深度学习参数层,异常路径特征追溯模块表示第二异常原因追溯单元中被配置于追溯异常路径特征的深度学习参数层。
例如,交联聚乙烯在线生产监测系统可以基于训练数据集对第二异常原因追溯单元进行训练,然后将第二异常原因追溯单元进行部署。交联聚乙烯在线生产监测系统调用第二异常原因追溯单元,将所述异常耦合关系数据以及所述异常追溯耦合原因加载至第二异常原因追溯单元中,第二异常原因追溯单元通过异常分类特征追溯模块进行特征追溯,生成异常分类特征,并通过异常路径特征追溯模块进行特征追溯,生成异常路径特征。
一些可能的实施例中,所述将所述异常耦合关系数据以及所述异常追溯耦合原因加载至第二异常原因追溯单元中,第二异常原因追溯单元通过异常分类特征追溯模块进行特征追溯,生成异常分类特征,并通过异常路径特征追溯模块进行特征追溯,生成异常路径特征,包括:
步骤R202,将所述异常耦合关系数据以及所述异常追溯耦合原因加载至第二异常原因追溯单元中,第二异常原因追溯单元将所述异常耦合关系数据以及所述异常追溯耦合原因加载至深度卷积特征提取模块中进行特征提取,生成深度提取特征。
其中,深度卷积特征提取模块表示用于对加载至异常路径数据进行特征提取的卷积单元或者残差单元。深度提取特征表示异常追溯耦合原因相关联的卷积向量。
例如,交联聚乙烯在线生产监测系统将所述异常耦合关系数据以及所述异常追溯耦合原因加载至第二异常原因追溯单元中,该第二异常原因追溯单元先将所述异常耦合关系数据以及所述异常追溯耦合原因加载至深度卷积特征提取模块中进行特征提取,生成深度提取特征。
步骤R204,将深度提取特征加载至特征扩展模块中进行特征扩展,生成扩展深度提取特征。
其中,特征扩展模块用于将深度提取特征进行特征扩展,生成衍生编码特征。
例如,交联聚乙烯在线生产监测系统中第二异常原因追溯单元将深度提取特征加载至特征扩展模块中进行特征扩展,生成扩展深度提取特征。
步骤R206,将扩展深度提取特征分别加载至异常分类特征追溯模块和异常路径特征追溯模块中。
步骤R208a,异常分类特征追溯模块根据扩展深度提取特征进行异常分类片段追溯,生成异常分类片段簇,将异常分类片段簇进行特征化解析,生成异常分类特征。
其中,异常分类片段簇表示异常追溯耦合原因相关联的异常分类片段类别。
例如,交联聚乙烯在线生产监测系统将扩展深度提取特征加载至异常分类特征追溯模块中,异常分类特征追溯模块根据扩展深度提取特征进行异常分类片段追溯,生成异常分类片段簇,然后将异常分类片段簇进行特征化解析,生成异常分类特征。
步骤R208b,异常路径特征追溯模块根据扩展深度提取特征进行异常路径片段追溯,生成异常路径片段簇,将异常路径片段簇进行特征化解析,生成异常路径特征。
其中,异常路径片段簇表示异常追溯耦合原因的具体特征。
例如,交联聚乙烯在线生产监测系统中的第二异常原因追溯单元可以同时将扩展深度提取特征加载至异常路径特征追溯模块中,异常路径特征追溯模块根据扩展深度提取特征进行异常路径片段追溯,生成异常路径片段簇,将异常路径片段簇进行特征化解析,生成异常路径特征。
如此设计,通过使用第二异常原因追溯单元提取到异常追溯耦合原因相关联的异常分类特征和异常路径特征,可以提高特征追溯的有效性。
一些可能的实施例中,第二异常原因追溯单元可以通过以下步骤训练获得:
步骤R302,获取样本异常耦合关系数据簇,样本异常耦合关系数据簇包括样本异常分类变量的簇。
其中,样本异常耦合关系数据簇中包括各个样本异常耦合关系数据,样本异常耦合关系数据是用于对第二异常原因追溯单元进行训练的异常路径数据。各个样本异常耦合关系数据都有相关联的样本异常分类变量的簇。样本异常分类变量的簇表示样本异常耦合关系数据相关联的异常分类变量的簇。
步骤R304,将样本异常耦合关系数据簇加载至初始异常追溯单元中,初始异常追溯单元通过初始异常分类特征追溯模块和初始异常路径特征追溯模块进行特征追溯,生成样本异常耦合关系数据簇相关联的初始异常分类特征簇和初始异常路径特征簇。
其中,初始异常追溯单元表示参数层配置信息初始化的异常追溯单元,该异常追溯单元用于进行异常路径特征追溯。该初始异常分类特征追溯模块表示参数层配置信息初始化的异常分类特征追溯模块,该异常分类特征追溯模块被配置于追溯加载至异常路径数据的异常分类特征。初始异常路径特征追溯模块表示参数层配置信息初始化的异常路径特征追溯模块,该异常路径特征追溯模块被配置于追溯加载至异常路径数据的异常路径特征。初始异常分类特征簇中包括各个初始异常分类特征,各个样本异常耦合关系数据都对应有初始异常分类特征,该初始异常分类特征用于指代使用初始异常分类特征追溯模块追溯的特征。 初始异常路径特征簇中包括各个初始异常路径特征,各个样本异常耦合关系数据都对应有初始异常路径特征,该初始异常路径特征用于指代使用初始异常路径特征追溯模块追溯的向量。
例如,交联聚乙烯在线生产监测系统将样本异常耦合关系数据簇中的各个样本异常耦合关系数据分别加载至初始异常追溯单元中,初始异常追溯单元通过初始异常分类特征追溯模块和初始异常路径特征追溯模块进行特征追溯,生成样本异常耦合关系数据簇相关联的初始异常分类特征簇和初始异常路径特征簇。
步骤R306,根据初始异常分类特征簇和相关联的样本异常分类变量的簇进行误差参数确定,生成初始异常分类误差参数。
其中,初始异常分类误差参数表示初始异常分类特征和相关联的样本异常分类变量的簇之间的差异值。例如,交联聚乙烯在线生产监测系统可以使用损失函数确定初始异常分类特征簇中各个初始异常分类特征与相关联的样本异常分类变量的簇之间的差异值,生成初始异常分类误差参数。
步骤R308,从样本异常耦合关系数据簇中确定样本异常路径数据簇,根据样本异常路径数据簇和初始异常路径特征簇进行特征误差参数确定,生成成员特征误差参数,并将初始异常分类特征簇和初始异常路径特征簇进行汇聚,生成初始汇聚特征簇,根据初始汇聚特征簇进行样本异常路径数据簇确定,生成特征误差参数。
其中,样本异常路径数据簇表示样本异常耦合关系数据中的正样本异常路径数据簇和负样本异常路径数据构成的数据簇。该正样本异常路径数据簇可以是匹配度高于目标匹配度的样本异常路径数据簇。负样本异常路径数据表示与正样本异常路径数据簇中样本异常路径数据之间的匹配度低于目标匹配度的样本异常路径数据簇。成员特征误差参数表示使用样本异常路径数据簇中图像相关联的初始异常路径特征确定得到的数据簇误差参数。特征误差参数表示使用样本异常路径数据簇中样本异常路径数据相关联的初始汇聚特征确定获得的误差参数。初始汇聚特征簇中包括各个初始汇聚特征。
例如,交联聚乙烯在线生产监测系统从样本异常耦合关系数据簇中确定样本异常路径数据簇,一些可能的实施例中,样本异常耦合关系数据簇是直接基于数据簇的形式进行配置的,可以直接从样本异常耦合关系数据簇中获取到各个样本异常路径数据簇。一些可能的实施例中,可以从样本异常耦合关系数据簇中进行样本异常路径数据簇追溯,生成各个样本异常路径数据簇。接着基于各个样本异常路径数据簇中图像相关联的初始异常路径特征进行特征误差参数确定,生成成员特征误差参数。然后将初始异常分类特征簇中各个初始异常分类特征和初始异常路径特征簇中相关联的初始异常路径特征进行汇聚,得到初始汇聚特征簇。然后交联聚乙烯在线生产监测系统使用样本异常路径数据簇中图像相关联的初始汇聚特征进行样本异常路径数据簇确定,生成特征误差参数。
步骤R310,对初始异常路径特征簇进行特征化解析,生成第一异常路径特征簇,根据初始异常路径特征簇和第一异常路径特征簇进行异常路径误差参数确定,生成异常路径误差参数。
其中,第一异常路径特征簇中包括各个第一异常路径特征,第一异常路径特征用于指代将初始异常路径特征进行特征化解析后得到的。
例如,交联聚乙烯在线生产监测系统对初始异常路径特征簇中的各个初始异常路径特征进行特征化解析,生成第一异常路径特征簇,然后确定初始异常路径特征簇中各个初始异常路径特征与第一异常路径特征簇中相关联的第一异常路径特征之间的差异值,生成异常路径误差参数。
步骤R312,根据异常分类误差参数、成员特征误差参数、特征误差参数和异常路径误差参数对所述初始异常追溯单元进行权重参数层更新,并返回将样本异常耦合关系数据簇加载至初始异常追溯单元中的步骤迭代执行,直到满足训练终止条件时,生成目标异常追溯单元,根据目标异常追溯单元得到第二异常原因追溯单元。
例如,交联聚乙烯在线生产监测系统确定异常分类误差参数、成员特征误差参数、特征误差参数和异常路径误差参数的加权误差参数,接着基于加权误差参数对所述初始异常追溯单元进行权重参数层更新中的参数层配置信息,生成权重参数层更新后的异常追溯单元,然后将权重参数层更新后的异常追溯单元作为初始异常追溯单元,并返回将样本异常耦合关系数据簇加载至初始异常追溯单元中的步骤迭代执行,直到满足训练终止条件时,该训练终止条件可以是参数层配置信息不再变化,或者误差参数低于预设误差参数,或者权重参数层更新次数达到目标次数。由此,可以得到目标异常追溯单元。
由此设计,通过确定异常分类误差参数、成员特征误差参数、特征误差参数和异常路径误差参数,接着基于异常分类误差参数、成员特征误差参数、特征误差参数和异常路径误差参数来训练初始异常追溯单元,生成目标异常追溯单元,从而提高权重参数层更新的可靠性,然后根据目标异常追溯单元得到第二异常原因追溯单元,提高了第二异常原因追溯单元在进行特征追溯时的可靠性。
一些可能的实施例中,初始异常追溯单元还包括:初始深度卷积特征提取模块和初始特征扩展模块;步骤R304,即将样本异常耦合关系数据簇加载至初始异常追溯单元中,初始异常追溯单元通过初始异常分类特征追溯模块和初始异常路径特征追溯模块进行图像特征追溯,生成样本异常耦合关系数据簇相关联的初始异常分类特征簇和初始异常路径特征簇,包括:
步骤R402,将样本异常耦合关系数据簇加载至初始深度卷积特征提取模块中,生成初始深度提取特征簇。
例如,交联聚乙烯在线生产监测系统将样本异常耦合关系数据簇加载至待初始异常追溯单元中,初始异常追溯单元将各个样本异常耦合关系数据加载至初始深度卷积特征提取模块中进行特征提取,生成各个初始深度提取特征,即得到初始深度提取特征簇。该初始深度卷积特征提取模块是参数层配置信息初始化的深度卷积特征提取模块。一些可能的实施例中,初始深度卷积特征提取模块的参数层配置信息可以是预训练得到的。
步骤R404,将初始深度提取特征簇加载至初始特征扩展模块中,生成初始扩展深度提取特征簇。
步骤R406,将初始扩展深度提取特征簇加载至异常分类特征追溯模块中进行异常分类变量的簇特征追溯,生成样本异常耦合关系数据簇相关联的初始异常分类特征簇,并将初始扩展深度提取特征簇加载至异常路径特征追溯模块中进行异常路径特征追溯,生成样本异常耦合关系数据簇相关联的初始异常路径特征簇。
一些可能的实施例中,样本异常耦合关系数据簇中包括各个样本异常路径数据簇;
步骤R308,即从样本异常耦合关系数据簇中确定样本异常路径数据簇,包括步骤:
获取当前样本异常耦合关系数据,根据当前样本异常耦合关系数据从样本异常耦合关系数据簇中确定当前样本异常路径数据簇。
例如,交联聚乙烯在线生产监测系统获取到当前样本异常耦合关系数据,该当前样本异常耦合关系数据表示当前权重参数层更新流程中使用的样本异常耦合关系数据。样本异常耦合关系数据簇中包括各个样本异常路径数据簇,然后交联聚乙烯在线生产监测系统使用当前样本异常耦合关系数据从样本异常耦合关系数据簇中遍历到包括该当前样本异常耦合关系数据的样本异常路径数据簇,生成当前样本异常路径数据簇。
步骤R308,即根据样本异常路径数据簇和初始异常路径特征簇进行特征误差参数确定,生成成员特征误差参数,包括步骤:
从初始异常路径特征簇中确定当前样本异常路径数据簇相关联的初始异常路径特征,根据当前样本异常路径数据簇相关联的初始异常路径特征进行特征误差参数确定,生成当前特征误差参数。
例如,交联聚乙烯在线生产监测系统基于当前样本异常路径数据簇中的样本异常路径数据从初始异常路径特征簇中确定各个样本异常路径数据相关联的初始异常路径特征,接着基于当前样本异常路径数据簇中图像相关联的初始异常路径特征进行特征误差参数确定,生成当前特征误差参数。一些可能的实施例中,交联聚乙烯在线生产监测系统也可以根据当前样本异常路径数据簇从初始汇聚特征簇中确定相关联的初始汇聚特征,根据当前样本异常路径数据簇相关联的初始汇聚特征进行特征误差参数确定,生成汇聚特征的数据簇误差参数。
如此设计,样本异常耦合关系数据簇中包括各个样本异常路径数据簇,则可以直接使用样本异常路径数据簇遍历相关联的初始异常路径特征进行特征误差参数确定,生成当前特征误差参数,可以提高误差参数确定的速度。
一些可能的实施例中,样本异常耦合关系数据簇中包括各个正样本异常路径数据簇;
步骤R308,从样本异常耦合关系数据簇中确定样本异常路径数据簇,包括:
根据各个正样本异常路径数据簇进行负样本异常路径数据解析,生成各个正样本异常路径数据簇相关联的负样本异常路径数据,根据各个正样本异常路径数据簇和相关联的负样本异常路径数据得到各个样本异常路径数据簇。
其中,正样本异常路径数据簇表示匹配度高于目标匹配度的两个样本异常路径数据,负样本异常路径数据表示与正样本异常路径数据簇中的样本异常路径数据之间的匹配度低于目标匹配度的样本异常路径数据。样本异常路径数据簇表示包括正样本异常路径数据簇和负样本异常路径数据的数据簇。
例如,交联聚乙烯在线生产监测系统从样本异常耦合关系数据簇中筛选各个正样本异常路径数据簇相关联的负样本异常路径数据,其中,可以通过使用权重参数层更新流程中追溯的向量确定正样本异常路径数据簇中样本异常路径数据与样本异常耦合关系数据簇的样本异常路径数据的匹配度来筛选负样本异常路径数据。然后基于各个正样本异常路径数据簇和相关联的负样本异常路径数据得到各个样本异常路径数据簇。
步骤R308,即根据样本异常路径数据簇和初始异常路径特征簇进行特征误差参数确定,生成成员特征误差参数,包括:
从初始异常路径特征簇中遍历各个样本异常路径数据簇相关联的初始异常路径特征,根据各个样本异常路径数据簇相关联的初始异常路径特征进行特征误差参数确定,生成成员特征误差参数。
例如,交联聚乙烯在线生产监测系统在获得样本异常路径数据簇之后,然后再确定样本异常路径数据簇的误差参数。即交联聚乙烯在线生产监测系统需要从初始异常路径特征簇中遍历各个样本异常路径数据簇相关联的初始异常路径特征,然后确定各个样本异常路径数据簇相关联的初始异常路径特征之间的特征组误差参数,生成成员特征误差参数。
一些可能的实施例中,根据各个正样本异常路径数据簇进行负样本异常路径数据解析,生成各个正样本异常路径数据簇相关联的负样本异常路径数据,根据各个正样本异常路径数据簇和相关联的负样本异常路径数据得到各个样本异常路径数据簇,包括:
步骤R502,根据各个正样本异常路径数据簇确定当前正样本异常路径数据簇和各个参考正样本异常路径数据簇。
其中,当前正样本异常路径数据簇表示当前要确定负样本异常路径数据的正样本异常路径数据簇。参考正样本异常路径数据簇表示需要进行负样本异常路径数据追溯的正样本异常路径数据簇。
例如,交联聚乙烯在线生产监测系统依次将各个正样本异常路径数据簇作为当前正样本异常路径数据簇,并将剩余的正样本异常路径数据簇作为各个参考正样本异常路径数据簇,并依次筛选当前正样本异常路径数据簇相关联的负样本异常路径数据。
步骤R504,从当前正样本异常路径数据簇中任意调取,生成调取样本异常路径数据,并分别从各个参考正样本异常路径数据簇中任意调取,生成各个参考样本异常路径数据。
其中,调取样本异常路径数据表示当前正样本异常路径数据簇中的样本异常路径数据,参考样本异常路径数据表示参考正样本异常路径数据簇中的样本异常路径数据。
例如,交联聚乙烯在线生产监测系统从当前正样本异常路径数据簇中任意调取图像,生成调取样本异常路径数据,并分别从各个参考正样本异常路径数据簇中任意调取,生成各个参考样本异常路径数据。其中,可以从当前正样本异常路径数据簇基于预设调取位置选取得到调取样本异常路径数据。比如,可以指定从当前正样本异常路径数据簇选取第一个样本异常路径数据,生成调取样本异常路径数据。或者也可以指定从正样本异常路径数据簇选取第二个样本异常路径数据,生成调取样本异常路径数据。各个参考正样本异常路径数据簇都随机选相关联的参考样本异常路径数据,该参考样本异常路径数据也可以根据预设调取位置选取得到参考样本异常路径数据。
步骤R506,确定调取样本异常路径数据分别与各个参考样本异常路径数据之间的相关性程度,根据相关性程度从各个参考样本异常路径数据中确定当前正样本异常路径数据簇相关联的当前负样本异常路径数据。
其中,相关性程度表示调取样本异常路径数据与参考样本异常路径数据的匹配度。当前负样本异常路径数据表示筛选得到的当前正样本异常路径数据簇相关联的负样本异常路径数据。
例如,交联聚乙烯在线生产监测系统使用相关性程度算法确定调取样本异常路径数据分别与各个参考样本异常路径数据之间的相关性程度。
步骤R508,根据当前正样本异常路径数据簇和当前负样本异常路径数据得到当前正样本异常路径数据簇相关联的当前样本异常路径数据簇。
例如,当前样本异常路径数据簇表示当前正样本异常路径数据簇相关联的样本异常路径数据簇。交联聚乙烯在线生产监测系统筛选各个正样本异常路径数据簇相关联的负样本异常路径数据,即将各个样本异常路径数据对都作为当前正样本异常路径数据进行遍历,生成各个正样本异常路径数据簇相关联的样本异常路径数据簇。
如此,通过确定调取样本异常路径数据分别与各个参考样本异常路径数据之间的相关性程度,根据相关性程度从各个参考样本异常路径数据筛选负样本异常路径数据,从而得到样本异常路径数据簇,提高得到样本异常路径数据簇的可靠性。
一些可能的实施例中,步骤R606,确定调取样本异常路径数据分别与各个参考样本异常路径数据之间的相关性程度,根据相关性程度从各个参考样本异常路径数据中确定当前正样本异常路径数据簇相关联的当前负样本异常路径数据,包括步骤:
从初始异常路径特征簇中获取调取样本异常路径数据相关联的当前初始异常路径特征和各个参考样本异常路径数据相关联的参考初始异常路径特征。确定当前初始异常路径特征分别与各个参考样本异常路径数据相关联的参考初始异常路径特征的偏差参数值,生成各个相关性程度,根据各个相关性程度从各个参考样本异常路径数据中确定当前正样本异常路径数据簇相关联的当前负样本异常路径数据。
其中,当前初始异常路径特征用于指代调取样本异常路径数据相关联的初始异常路径特征。参考初始异常路径特征用于指代参考样本异常路径数据相关联的初始异常路径特征。偏差参数值表示使用距离相关性程度算法确定的相关性程度。
例如,交联聚乙烯在线生产监测系统从初始异常路径特征簇中遍历调取样本异常路径数据相关联的当前初始异常路径特征和各个参考样本异常路径数据相关联的参考初始异常路径特征。接着确定当前初始异常路径特征分别与各个参考样本异常路径数据相关联的参考初始异常路径特征的偏差参数值,生成各个相关性程度。将各个相关性程度与目标匹配度进行比较,目标匹配度表示预设的相关性程度阈值。然后可以将小于目标匹配度的各个参考样本异常路径数据去除,然后将高于目标匹配度的各个参考样本异常路径数据的升序顺序,并选取当前正样本异常路径数据簇相关联的当前负样本异常路径数据。
一些可能的实施例中,根据各个相关性程度从各个参考样本异常路径数据中确定当前正样本异常路径数据簇相关联的当前负样本异常路径数据,包括步骤:
根据各个相关性程度从各个参考样本异常路径数据中选取预设量级的参考样本异常路径数据,生成当前正样本异常路径数据簇相关联的各个当前负样本异常路径数据。
其中,预设量级表示预先设置好的要选取的当前样本异常耦合关系数据相关联的负样本异常路径数据的数量。
例如,交联聚乙烯在线生产监测系统也可以基于各个相关性程度的大小从各个参考样本异常路径数据中选取预设量级的参考样本异常路径数据,生成当前正样本异常路径数据簇相关联的各个当前负样本异常路径数据。比如,可以选取8个参考样本异常路径数据作为当前正样本异常路径数据簇相关联的各个当前负样本异常路径数据。
步骤R608,即根据当前正样本异常路径数据簇和当前负样本异常路径数据得到当前正样本异常路径数据簇相关联的当前样本异常路径数据簇,包括步骤:
根据当前正样本异常路径数据簇和各个当前负样本异常路径数据得到当前正样本异常路径数据簇相关联的各个当前样本异常路径数据簇。
例如,交联聚乙烯在线生产监测系统在筛选得到预设量级的参考样本异常路径数据后,生成各个正样本异常路径数据簇相关联的预设量级的样本异常路径数据簇。即一个正样本异常路径数据簇对应有预设量级的样本异常路径数据簇。接着基于预设量级的样本异常路径数据簇确定数据簇误差参数,例如,可以确定正样本异常路径数据簇相关联的各个的样本异常路径数据簇的误差参数,然后再确定误差参数均值,生成该数据簇误差参数。也可以确定正样本异常路径数据簇相关联的各个的样本异常路径数据簇的误差参数,然后再确定误差参数之和,生成该数据簇误差参数。其中,数据簇误差参数包括成员特征误差参数和特征误差参数。
一些可能的实施例中,样本异常路径数据簇包括第一正样本异常路径数据、第二正样本异常路径数据以及负样本异常路径数据;
步骤R308,根据样本异常路径数据簇和初始异常路径特征簇进行特征误差参数确定,生成成员特征误差参数,包括:
步骤R602,从初始异常路径特征簇中遍历第一正样本异常路径数据相关联的初始异常路径特征、第二正样本异常路径数据相关联的初始异常路径特征以及负样本异常路径数据相关联的初始异常路径特征。
其中,第一正样本异常路径数据中正样本异常路径数据簇中的第一个样本异常路径数据,第二正样本异常路径数据表示正样本异常路径数据簇中的第二个样本异常路径数据。
例如,交联聚乙烯在线生产监测系统对样本异常路径数据簇中的各个样本异常路径数据遍历到相关联的初始异常路径特征。
步骤R604,确定第一正样本异常路径数据相关联的初始异常路径特征与第二正样本异常路径数据相关联的初始异常路径特征的第一偏差参数值,并确定第一正样本异常路径数据相关联的初始异常路径特征与负样本异常路径数据相关联的初始异常路径特征的第二偏差参数值。
其中,第一正样本异常路径数据中正样本异常路径数据簇中的第一个样本异常路径数据,第二正样本异常路径数据表示正样本异常路径数据簇中的第二个样本异常路径数据。第一偏差参数值表示正样本异常路径数据相关联的初始异常路径特征之间的偏差参数值。第二偏差参数值表示正样本异常路径数据相关联的初始异常路径特征与负样本异常路径数据相关联的初始异常路径特征之间的偏差参数值。
例如,交联聚乙烯在线生产监测系统对样本异常路径数据簇中的各个样本异常路径数据遍历到相关联的初始异常路径特征。接着基于距离相关性程度算法确定第一正样本异常路径数据相关联的初始异常路径特征与第二正样本异常路径数据相关联的初始异常路径特征的第一偏差参数值,并确定第一正样本异常路径数据相关联的初始异常路径特征与负样本异常路径数据相关联的初始异常路径特征的第二偏差参数值。一些可能的实施例中,也可以确定第二正样本异常路径数据相关联的初始异常路径特征 与负样本异常路径数据相关联的初始异常路径特征之间的偏差参数值,生成第二偏差参数值。
步骤R606,确定第一偏差参数值与第二偏差参数值的差异值,根据差异值确定成员特征误差参数。
其中,差异值表示第一偏差参数值与第二偏差参数值之间的差异值。
例如,交联聚乙烯在线生产监测系统确定第一偏差参数值与第二偏差参数值的差,生成差异值,然后可以将差异值作为成员特征误差参数。
一些可能的实施例中,样本异常路径数据簇包括第一正样本异常路径数据、第二正样本异常路径数据以及负样本异常路径数据;
步骤R308,将初始异常分类特征簇和初始异常路径特征簇进行汇聚,生成初始汇聚特征簇,根据初始汇聚特征簇进行样本异常路径数据簇确定,生成特征误差参数,包括:
步骤R702,将初始异常分类特征簇中初始异常分类特征与初始异常路径特征簇中相关联的初始异常路径特征进行汇聚,生成初始汇聚特征簇。
其中,初始汇聚特征表示融合初始异常分类特征和初始异常路径特征得到的初始向量,表示相关联的样本异常耦合关系数据的总向量。
例如,交联聚乙烯在线生产监测系统将初始异常分类特征簇中初始异常分类特征与初始异常路径特征簇中相关联的初始异常路径特征进行首尾汇聚,生成初始汇聚特征簇。比如,将初始异常分类特征与初始异常路径特征进行首尾汇聚,生成初始汇聚特征。也可以将初始异常路径特征与初始异常分类特征进行首尾汇聚,生成初始汇聚特征。
步骤R704,从初始汇聚特征簇中遍历第一正样本异常路径数据相关联的初始汇聚特征、第二正样本异常路径数据相关联的初始汇聚特征以及负样本异常路径数据相关联的初始汇聚特征。
步骤R706,确定第一正样本异常路径数据相关联的初始汇聚特征与第二正样本异常路径数据相关联的初始汇聚特征的第三偏差参数值,并确定第一正样本异常路径数据相关联的初始汇聚特征与负样本异常路径数据相关联的初始汇聚特征的第四偏差参数值。
其中,第三偏差参数值表示正样本异常路径数据相关联的初始汇聚特征之间的偏差参数值。第四偏差参数值表示正样本异常路径数据相关联的初始汇聚特征与负样本异常路径数据相关联的初始汇聚特征之间的偏差参数值。
步骤R708,确定第三偏差参数值与第四偏差参数值的差异值,根据所述差异值确定特征误差参数。
其中,差异值表示第三偏差参数值与第四偏差参数值之间的差异值。
例如,交联聚乙烯在线生产监测系统确定第三偏差参数值与第四偏差参数值的差,生成差异值,然后可以将差异值作为特征误差参数。
一些可能的实施例中,步骤R310,根据初始异常路径特征簇和第一异常路径特征簇进行异常路径误差参数确定,生成异常路径误差参数,包括:
根据初始异常路径特征簇中初始异常路径特征与第一异常路径特征簇中相关联的第一异常路径特征进行回归误差参数确定,生成异常路径误差参数。
其中,异常路径误差参数表示初始异常路径特征与第一异常路径特征之间的差异值。
例如,交联聚乙烯在线生产监测系统使用回归损失函数确定初始异常路径特征簇中初始异常路径特征与第一异常路径特征簇中相关联的第一异常路径特征之间的差异值,生成异常路径误差参数。
一些可能的实施例中,在步骤R102之前,即在获取异常追溯耦合原因,根据异常追溯耦合原因进行特征追溯,生成异常追溯耦合原因异常分类特征和异常追溯耦合原因异常路径特征之前,还包括:
步骤R802,获取各个在线生产监测方案接口。
步骤R804,将各个在线生产监测方案接口加载至第二异常原因追溯单元中,生成各个在线生产监测方案接口相关联的对照分类特征和对照异常路径特征。
例如,交联聚乙烯在线生产监测系统获取到各个在线生产监测方案接口,该在线生产监测方案接口可以是从线上服务平台进行实时回去。然后基于第二异常原因追溯单元对各个在线生产监测方案接口进行特征追溯,生成各个在线生产监测方案接口相关联的对照分类特征和对照异常路径特征。
步骤R806,根据各个在线生产监测方案接口、各个在线生产监测方案接口相关联的对照分类特征和对照异常路径特征构建第一链接文件和第二链接文件;
步骤R810,将第一链接文件和第二链接文件进行配置。
例如,交联聚乙烯在线生产监测系统使用向量构建在线生产监测方案接口的链接属性信息,即将对照分类特征作为第一链接属性信息来构建第一链接文件,将对照异常路径特征作为第一链接属性信息下的第二链接属性信息来构建第二链接文件。然后将各个在线生产监测方案接口相关联的第一链接文件和第二链接文件进行配置。
一些可能的实施例中,步骤R806,即根据各个在线生产监测方案接口、各个在线生产监测方案接口相关联的对照分类特征和对照异常路径特征构建第一链接文件和第二链接文件,包括:
步骤R902,将各个在线生产监测方案接口相关联的对照分类特征进行重复特征清洗,生成各个第一对照分类特征。
例如,第一对照分类特征用于指代具有唯一特征的对照分类特征,是用于作为第一链接属性信息的。由于对照分类特征是进行特征化解析后得到的,因此,各个在线生产监测方案接口相关联的对照分类特征就可能存在相同的特征,此时,说明相同对照分类特征的在线生产监测方案接口都是同一类的在线生产监测方案接口。交联聚乙烯在线生产监测系统将各个在线生产监测方案接口相关联的对照分类特征进行重复特征清洗处理,生成各个第一对照分类特征。该第一对照分类特征可能存在多个相关联的在线生产监测方案接口。
步骤R904,获取各个第一对照分类特征相关联的在线生产监测方案接口,生成各个第一对照分类特征相关联的目标在线生产监测方案接口簇,并获取目标在线生产监测方案接口簇中在线生产监测方案接口相关联的对照异常路径特征,生成对照异常路径特征簇。
例如,交联聚乙烯在线生产监测系统获取到各个第一对照分类特征相关联的在线生产监测方案接口。得到各个第一对照分类特征相关联的目标在线生产监测方案接口簇,然后从对照异常路径特征簇中获取到各个目标在线生产监测方案接口簇中在线生产监测方案接口相关联的对照异常路径特征,生成对照异常路径特征簇,该对照异常路径特征簇中至少包括一个对照异常路径特征。
步骤R906,将各个第一对照分类特征与相关联的对照异常路径特征簇进行关联性配置,生成第一链接文件。
例如,交联聚乙烯在线生产监测系统将各个第一对照分类特征与应的对照异常路径特征簇进行关联性配置,生成第一链接文件。一些可能的实施例中,可以将第一链接文件以数据表的形式存储,生成第一链接文件表。
步骤R908,将各个在线生产监测方案接口相关联的对照异常路径特征进行重复特征清洗,生成各个第二对照异常路径特征。
例如,第二对照异常路径特征用于指代具有唯一特征的对照分类特征,是用于作为第一链接属性信息下的第二链接属性信息。由于对照异常路径特征是进行特征化解析后得到的,因此,各个在线生产监测方案接口相关联的对照异常路径特征就可能存在相同特征。交联聚乙烯在线生产监测系统将各个在线生产监测方案接口相关联的对照异常路径特征进行重复特征清洗处理,生成各个第二对照异常路径特征。该第二对照异常路径特征可能存在多个相关联的在线生产监测方案接口。
步骤R910,获取各个第二对照异常路径特征相关联的在线生产监测方案接口,生成在线生产监测方案接口簇。
步骤R912,将各个第二对照异常路径特征和相关联的在线生产监测方案接口簇进行关联性配置,生成第二链接文件。
其中,在线生产监测方案接口簇表示第二对照异常路径特征相关联的在线生产监测方案接口,该在线生产监测方案接口簇中的在线生产监测方案接口都是高相似的样本异常路径数据。
例如,交联聚乙烯在线生产监测系统获取到各个第二对照异常路径特征相关联的在线生产监测方案接口,生成在线生产监测方案接口簇,该在线生产监测方案接口簇中包括至少一个样本异常路径数据,然后将各个第二对照异常路径特征和相关联的在线生产监测方案接口簇进行关联性配置,生成第二链接文件。此时,相同样本异常路径数据将被映射到相同的链接属性信息第一链接文件和第二链接文件中,相同类别不同的样本异常路径数据将被映射到相同的第一链接文件中且不同的第二链接文件中,不同标签的样本异常路径数据将被映射到不同的第一链接文件和第二链接文件中。
一些可能的实施例中,对N个在线生产监测方案接口相关联的对照异常路径特征进行重复特征清洗,生成K个第二对照异常路径特征,包含[r1,r2…,rk],r表示第二对照异常路径特征。将各个第二对照异常路径特征映射到相关联的在线生产监测方案接口,生成第二链接文件,例如,[r1:[y1,y2]; r2:[y3,y5,y7];…,rk:[y4,yN-1,yN]],其中,y表示在线生产监测方案接口。r1:[y1,y2]表示第一个第二对照异常路径特征具有关联的在线生产监测方案接口包括第一在线生产监测方案接口和第二在线生产监测方案接口。
基于以上步骤,基于第二异常原因追溯单元获得的对照分类特征和对照异常路径特征构建第一链接文件和第二链接文件,而不需要对在线生产监测方案接口进行分簇,提高链接属性信息的构建速度。
一些可能的实施例中,提供了一种基于人工智能的异常原因追溯单元训练方法,包括以下步骤:
步骤R1002,获取样本异常耦合关系数据簇,样本异常耦合关系数据簇包括样本异常分类变量的簇。
步骤R1004,将样本异常耦合关系数据簇加载至初始异常追溯单元中,初始异常追溯单元通过初始异常分类特征追溯模块和初始异常路径特征追溯模块进行特征追溯,生成样本异常耦合关系数据簇相关联的初始异常分类特征簇和初始异常路径特征簇。
步骤R1006,根据初始异常分类特征簇和相关联的样本异常分类变量的簇进行误差参数确定,生成异常分类误差参数,并根据初始异常分类特征簇和初始异常路径特征簇进行误差参数确定,生成特征误差参数。
步骤R1008,根据异常分类误差参数和特征误差参数对所述初始异常追溯单元进行权重参数层更新,并返回将样本异常耦合关系数据簇加载至初始异常追溯单元中的步骤迭代执行,直到满足训练终止条件时,生成目标异常追溯单元,根据目标异常追溯单元得到第二异常原因追溯单元,第二异常原因追溯单元被配置于追溯加载至异常路径数据的异常分类特征和异常路径特征,加载至异常路径数据包括异常追溯耦合原因和在线生产监测方案接口,在线生产监测方案接口相关联的异常分类特征和异常路径特征用于构建第一链接文件和第二链接文件,第一链接文件和第二链接文件用于进行交联聚乙烯在线生产监测遍历。
其中,特征误差参数表示使用初始异常分类特征簇和初始异常路径特征簇中的向量误差参数确定得到的误差参数。
例如,交联聚乙烯在线生产监测系统获取到样本异常耦合关系数据簇,将样本异常耦合关系数据簇作为训练初始数据进行多轮迭代训练。即将样本异常耦合关系数据簇加载至初始异常追溯单元中,初始异常追溯单元通过初始异常分类特征追溯模块和初始异常路径特征追溯模块进行特征追溯,生成样本异常耦合关系数据簇相关联的初始异常分类特征簇和初始异常路径特征簇。根据初始异常分类特征簇和相关联的样本异常分类变量的簇进行误差参数确定,生成异常分类误差参数,并根据初始异常分类特征簇和初始异常路径特征簇进行误差参数确定,生成特征误差参数。根据异常分类误差参数和特征误差参数对所述初始异常追溯单元进行权重参数层更新,并返回将样本异常耦合关系数据簇加载至初始异常追溯单元中的步骤迭代执行,直到满足训练终止条件时,生成目标异常追溯单元,根据目标异常追溯单元得到第二异常原因追溯单元。
如此,通过将样本异常耦合关系数据簇加载至初始异常追溯单元中,初始异常追溯单元通过初始异常分类特征追溯模块和初始异常路径特征追溯模块进行特征追溯,生成样本异常耦合关系数据簇相关联的初始异常分类特征簇和初始异常路径特征簇,通过使用初始异常分类特征簇和相关联的样本异常分类变量的簇进行误差参数确定,生成异常分类误差参数,并根据初始异常分类特征簇和初始异常路径特征簇进行误差参数确定,生成特征误差参数,接着基于异常分类误差参数和特征误差参数对所述初始异常追溯单元进行权重参数层更新,由此训练获得目标异常追溯单元,可以将训练获得的目标异常追溯单元提高特征追溯的可靠性,接着基于目标异常追溯单元得到第二异常原因追溯单元,由此提高第二异常原因追溯单元进行特征追溯的可靠性,接着基于在线生产监测方案接口相关联的异常分类特征和异常路径特征用于构建第一链接文件和第二链接文件,由此提高第一链接文件和第二链接文件的可靠性,接着基于第一链接文件和第二链接文件用于进行交联聚乙烯在线生产监测遍历,能够提高交联聚乙烯在线生产监测遍历的可靠性和速度。
一些可能的实施例中,步骤R1006,根据初始异常分类特征簇和初始异常路径特征簇进行误差参数确定,生成特征误差参数,包括:
步骤R1102,从样本异常耦合关系数据簇中确定样本异常路径数据簇,根据样本异常路径数据簇和初始异常路径特征簇进行特征误差参数确定,生成成员特征误差参数。
例如,交联聚乙烯在线生产监测系统可以从样本异常耦合关系数据簇中获取到样本异常路径数据簇,接着基于样本异常路径数据簇相关联的初始异常路径特征进行特征误差参数确定,生成成员特征误差参数。
步骤R1104,将初始异常分类特征簇和初始异常路径特征簇进行汇聚,生成初始汇聚特征簇,根据初始汇聚特征簇进行样本异常路径数据簇确定,生成特征误差参数。
例如,交联聚乙烯在线生产监测系统将各个初始异常分类特征和相关联的初始异常路径特征簇进行汇聚,生成汇聚特征,即得到初始汇聚特征。接着基于样本异常路径数据簇相关联的初始汇聚特征进行样本异常路径数据簇确定,生成特征误差参数。
步骤R1106,对初始异常路径特征簇进行特征化解析,生成第一异常路径特征簇,根据初始异常路径特征簇和第一异常路径特征簇进行异常路径误差参数确定,生成异常路径误差参数。
例如,交联聚乙烯在线生产监测系统将各个初始异常路径特征进行特征化解析,生成第一异常路径特征,然后确定初始异常路径特征和第一异常路径特征之间的差异值,生成异常路径误差参数。
步骤R1108,根据成员特征误差参数、特征误差参数和异常路径误差参数得到特征误差参数。
例如,交联聚乙烯在线生产监测系统确定成员特征误差参数、特征误差参数和异常路径误差参数的加权值得到特征误差参数。
基于以上步骤,通过确定成员特征误差参数、特征误差参数和异常路径误差参数得到特征误差参数,接着基于特征误差参数进行训练,能够训练可靠性,保证第二异常原因追溯单元进行特征追溯的可靠性。
一些可能的实施例中,以上方法具体可以包括以下步骤:
步骤R1202,获取各个在线生产监测方案接口,将各个在线生产监测方案接口加载至第二异常原因追溯单元中,生成各个在线生产监测方案接口相关联的对照分类特征和对照异常路径特征,将各个在线生产监测方案接口相关联的对照分类特征进行重复特征清洗,生成各个第一对照分类特征。
步骤R1204,获取各个第一对照分类特征相关联的在线生产监测方案接口,生成各个第一对照分类特征相关联的目标在线生产监测方案接口簇,并获取目标在线生产监测方案接口簇中在线生产监测方案接口相关联的对照异常路径特征,生成对照异常路径特征簇,将各个第一对照分类特征与相关联的对照异常路径特征簇进行关联性配置,生成第一链接文件。
步骤R1206,将各个在线生产监测方案接口相关联的对照异常路径特征进行重复特征清洗,生成各个第二对照异常路径特征,获取各个第二对照异常路径特征相关联的在线生产监测方案接口,生成在线生产监测方案接口簇,将各个第二对照异常路径特征和相关联的在线生产监测方案接口簇进行关联性配置,生成第二链接文件,将第一链接文件和第二链接文件进行配置。
步骤R1208,获取异常追溯耦合原因,将所述异常耦合关系数据以及所述异常追溯耦合原因加载至第二异常原因追溯单元中,第二异常原因追溯单元通过异常分类特征追溯模块进行特征追溯,生成异常分类特征,并通过异常路径特征追溯模块进行特征追溯,生成异常路径特征。
步骤R1210,获取各个在线生产监测方案接口相关联的对照分类特征,根据异常分类特征从各个对照分类特征中确定目标对照分类特征。根据第一链接文件遍历目标对照分类特征具有关联的各个对照异常路径特征,生成各个遍历对照异常路径特征;
步骤R1212,根据异常路径特征从各个遍历对照异常路径特征中确定目标对照异常路径特征;根据第二链接文件遍历目标对照异常路径特征相关联的在线生产监测方案接口,生成异常追溯耦合原因相关联的在线生产监测方案接口簇。
基于同一发明构思,本申请实施例还提供一种交联聚乙烯在线生产监测系统,参阅图2,图2为本申请实施例提供的交联聚乙烯在线生产监测系统100的结构图,交联聚乙烯在线生产监测系统100可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器112(例如,一个或一个以上处理器)和存储器111。其中,存储器111可以是短暂存储或持久存储。存储在存储器111的程序可以包括一个或一个以上模块,各个模块可以包括对交联聚乙烯在线生产监测系统100中的一系列指令操作。更进一步地,中央处理器112可以设置为与存储器111通信,在交联聚乙烯在线生产监测系统100上执行存储器111中的一系列指令操作。
交联聚乙烯在线生产监测系统100还可以包括一个或一个以上电源,一个或一个以上通信单元113,一个或一个以上输入输出接口,和/或,一个或一个以上操作系统等。
上述实施例中由交联聚乙烯在线生产监测系统所执行的步骤可以基于图2所示的交联聚乙烯在线生产监测系统结构。
另外,本申请实施例还提供了一种存储介质,所述存储介质用于存储计算机程序,所述计算机程序用于执行上述实施例提供的方法。
本申请实施例还提供了一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例提供的方法。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,各个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种交联聚乙烯在线生产监测方法,应用于交联聚乙烯在线生产监测系统,其特征在于,包括:
采集各个针对交联聚乙烯的在线生产监测节点传递的在线生产监测数据;
对所述在线生产监测数据中的各个异常生产数据进行异常耦合分析,生成异常耦合关系数据;
将所述异常耦合关系数据加载至训练完成的第一异常原因追溯单元和第二异常原因追溯单元中,生成异常追溯耦合原因以及各个异常追溯耦合原因相关联的异常路径特征和异常分类特征;
根据所述异常追溯耦合原因以及各个异常追溯耦合原因相关联的异常路径特征和异常分类特征确定所述异常追溯耦合原因相关联的在线生产监测方案信息;
所述将所述异常耦合关系数据加载至训练完成的第一异常原因追溯单元和第二异常原因追溯单元中,生成异常追溯耦合原因以及各个异常追溯耦合原因相关联的异常路径特征和异常分类特征,包括:
将所述异常耦合关系数据加载至训练完成的第一异常原因追溯单元,获取相关联的异常追溯耦合原因;
将所述异常耦合关系数据以及所述异常追溯耦合原因加载至训练完成的第二异常原因追溯单元中,获取所述异常追溯耦合原因相关联的异常分类特征以及异常路径特征,所述异常追溯耦合原因相关联的异常分类特征以及异常路径特征是根据所述异常追溯耦合原因进行异常特征追溯的,所述异常分类特征用于指代异常分类变量的簇,所述异常路径特征用于指代异常路径相关的采集变量的簇;
所述根据所述异常追溯耦合原因以及各个异常追溯耦合原因相关联的异常路径特征和异常分类特征确定所述异常追溯耦合原因相关联的在线生产监测方案信息,包括:
获取各个在线生产监测方案接口相关联的对照分类特征,根据所述异常分类特征从各个对照分类特征中确定目标对照分类特征;
获取第一链接文件,所述第一链接文件表示所述各个对照分类特征与所述各个在线生产监测方案接口相关联的对照异常路径特征的链接属性信息,根据所述第一链接文件遍历所述目标对照分类特征具有关联的各个对照异常路径特征,生成各个遍历对照异常路径特征;
根据所述异常路径特征从所述各个遍历对照异常路径特征中确定目标对照异常路径特征;
获取第二链接文件,所述第二链接文件表示所述各个对照异常路径特征与所述各个在线生产监测方案接口的链接属性信息,根据所述第二链接文件遍历所述目标对照异常路径特征相关联的在线生产监测方案接口,生成所述异常追溯耦合原因相关联的在线生产监测方案接口簇;
基于所述异常追溯耦合原因相关联的在线生产监测方案接口簇确定所述异常追溯耦合原因相关联的在线生产监测方案信息。
2.根据权利要求1所述的交联聚乙烯在线生产监测方法,其特征在于,在所述将所述异常耦合关系数据以及所述异常追溯耦合原因加载至训练完成的第二异常原因追溯单元中,获取所述异常追溯耦合原因相关联的异常分类特征以及异常路径特征之前,还包括:
获取各个在线生产监测方案接口;
将所述各个在线生产监测方案接口加载至所述第二异常原因追溯单元中,生成所述各个在线生产监测方案接口相关联的对照分类特征和对照异常路径特征;
根据所述各个在线生产监测方案接口、所述各个在线生产监测方案接口相关联的对照分类特征和对照异常路径特征构建所述第一链接文件和所述第二链接文件;
将所述第一链接文件和所述第二链接文件进行配置;
其中,所述根据所述各个在线生产监测方案接口、所述各个在线生产监测方案接口相关联的对照分类特征和对照异常路径特征构建所述第一链接文件和所述第二链接文件,包括:
将所述各个在线生产监测方案接口相关联的对照分类特征进行重复特征清洗,生成各个第一对照分类特征;
获取所述各个第一对照分类特征相关联的在线生产监测方案接口,生成所述各个第一对照分类特征相关联的目标在线生产监测方案接口簇,并获取所述目标在线生产监测方案接口簇中在线生产监测方案接口相关联的对照异常路径特征,生成对照异常路径特征簇;
将所述各个第一对照分类特征与相关联的对照异常路径特征簇进行关联性配置,生成第一链接文件;
将所述各个在线生产监测方案接口相关联的对照异常路径特征进行重复特征清洗,生成各个第二对照异常路径特征;
获取所述各个第二对照异常路径特征相关联的在线生产监测方案接口,生成在线生产监测方案接口簇;
将所述各个第二对照异常路径特征和相关联的在线生产监测方案接口簇进行关联性配置,生成第二链接文件。
3.根据权利要求1所述的交联聚乙烯在线生产监测方法,其特征在于,所述将所述异常耦合关系数据以及所述异常追溯耦合原因加载至训练完成的第二异常原因追溯单元中,获取所述异常追溯耦合原因相关联的异常分类特征以及异常路径特征,包括:
将所述异常耦合关系数据以及所述异常追溯耦合原因加载至所述第二异常原因追溯单元中,所述第二异常原因追溯单元通过异常分类特征追溯模块进行特征追溯,生成所述异常分类特征,并通过异常路径特征追溯模块进行特征追溯,生成所述异常路径特征。
4.根据权利要求3所述的交联聚乙烯在线生产监测方法,其特征在于,所述将所述异常耦合关系数据以及所述异常追溯耦合原因加载至所述第二异常原因追溯单元中,所述第二异常原因追溯单元通过异常分类特征追溯模块进行特征追溯,生成所述异常分类特征,并通过异常路径特征追溯模块进行特征追溯,生成所述异常路径特征,包括:
将所述异常耦合关系数据以及所述异常追溯耦合原因加载至所述第二异常原因追溯单元中,所述第二异常原因追溯单元将所述异常耦合关系数据以及所述异常追溯耦合原因加载至深度卷积特征提取模块中进行特征提取,生成深度提取特征;
将所述深度提取特征加载至特征扩展模块中进行特征扩展,生成扩展深度提取特征;
将所述扩展深度提取特征分别加载至所述异常分类特征追溯模块和所述异常路径特征追溯模块中,所述异常分类特征追溯模块根据所述扩展深度提取特征进行异常分类片段追溯,生成异常分类片段簇,将所述异常分类片段簇进行特征化解析,生成所述异常分类特征;
所述异常路径特征追溯模块根据所述扩展深度提取特征进行异常路径片段追溯,生成异常路径片段簇,将所述异常路径片段簇进行特征化解析,生成所述异常路径特征。
5.根据权利要求4所述的交联聚乙烯在线生产监测方法,其特征在于,所述方法还包括:
获取样本异常耦合关系数据簇,所述样本异常耦合关系数据簇包括样本异常分类变量的簇;
将所述样本异常耦合关系数据簇加载至初始异常追溯单元中,所述初始异常追溯单元通过初始异常分类特征追溯模块和初始异常路径特征追溯模块进行特征追溯,生成所述样本异常耦合关系数据簇相关联的初始异常分类特征簇和初始异常路径特征簇;
根据所述初始异常分类特征簇和相关联的样本异常分类变量的簇进行误差参数确定,生成初始异常分类误差参数;
从样本异常耦合关系数据簇中确定样本异常路径数据簇,根据所述样本异常路径数据簇和所述初始异常路径特征簇进行特征误差参数确定,生成成员特征误差参数,并将所述初始异常分类特征簇和初始异常路径特征簇进行汇聚,生成初始汇聚特征簇,根据所述初始汇聚特征簇进行样本异常路径数据簇确定,生成特征误差参数;
对所述初始异常路径特征簇进行特征化解析,生成第一异常路径特征簇,根据所述初始异常路径特征簇和所述第一异常路径特征簇进行异常路径误差参数确定,生成异常路径误差参数;
根据所述异常分类误差参数、所述成员特征误差参数、所述特征误差参数和所述异常路径误差参数对所述初始异常追溯单元进行权重参数层更新,并返回将所述样本异常耦合关系数据簇加载至初始异常追溯单元中的步骤迭代执行,直到满足训练终止条件时,生成目标异常追溯单元,根据所述目标异常追溯单元得到所述第二异常原因追溯单元。
6.根据权利要求5所述的交联聚乙烯在线生产监测方法,其特征在于,所述样本异常耦合关系数据簇中包括各个正样本异常路径数据簇;
所述从样本异常耦合关系数据簇中确定样本异常路径数据簇,包括:
根据所述各个正样本异常路径数据簇进行负样本异常路径数据解析,生成所述各个正样本异常路径数据簇相关联的负样本异常路径数据,根据所述各个正样本异常路径数据簇和相关联的负样本异常路径数据得到各个样本异常路径数据簇;
所述根据所述样本异常路径数据簇和所述初始异常路径特征簇进行特征误差参数确定,生成成员特征误差参数,包括:
从所述初始异常路径特征簇中遍历所述各个样本异常路径数据簇相关联的初始异常路径特征,根据所述各个样本异常路径数据簇相关联的初始异常路径特征进行特征误差参数确定,生成成员特征误差参数;
其中,所述根据所述各个正样本异常路径数据簇进行负样本异常路径数据解析,生成所述各个正样本异常路径数据簇相关联的负样本异常路径数据,根据所述各个正样本异常路径数据簇和相关联的负样本异常路径数据得到各个样本异常路径数据簇,包括:
根据所述各个正样本异常路径数据簇确定当前正样本异常路径数据簇和各个参考正样本异常路径数据簇;
从当前正样本异常路径数据簇中任意调取,生成调取样本异常路径数据,并分别从所述各个参考正样本异常路径数据簇中任意调取,生成各个参考样本异常路径数据;
确定所述调取样本异常路径数据分别与所述各个参考样本异常路径数据之间的相关性程度,根据所述相关性程度从所述各个参考样本异常路径数据中确定所述当前正样本异常路径数据簇相关联的当前负样本异常路径数据;
根据所述当前正样本异常路径数据簇和所述当前负样本异常路径数据得到所述当前正样本异常路径数据簇相关联的当前样本异常路径数据簇;
其中,所述样本异常路径数据簇包括第一正样本异常路径数据、第二正样本异常路径数据以及负样本异常路径数据;
所述从所述初始异常路径特征簇中遍历所述各个样本异常路径数据簇相关联的初始异常路径特征,根据所述各个样本异常路径数据簇相关联的初始异常路径特征进行特征误差参数确定,生成成员特征误差参数,包括:
从所述初始异常路径特征簇中遍历所述第一正样本异常路径数据相关联的初始异常路径特征、所述第二正样本异常路径数据相关联的初始异常路径特征以及所述负样本异常路径数据相关联的初始异常路径特征;
确定所述第一正样本异常路径数据相关联的初始异常路径特征与所述第二正样本异常路径数据相关联的初始异常路径特征的第一偏差参数值,并确定所述第一正样本异常路径数据相关联的初始异常路径特征与所述负样本异常路径数据相关联的初始异常路径特征的第二偏差参数值;
确定所述第一偏差参数值与所述第二偏差参数值的差异值,根据所述差异值确定所述成员特征误差参数。
7.根据权利要求5所述的交联聚乙烯在线生产监测方法,其特征在于,所述样本异常路径数据簇包括第一正样本异常路径数据、第二正样本异常路径数据以及负样本异常路径数据;
所述将所述初始异常分类特征簇和初始异常路径特征簇进行汇聚,生成初始汇聚特征簇,根据所述初始汇聚特征簇进行样本异常路径数据簇确定,生成特征误差参数,包括:
将所述初始异常分类特征簇中初始异常分类特征与所述初始异常路径特征簇中相关联的初始异常路径特征进行汇聚,生成初始汇聚特征簇;
从所述初始汇聚特征簇中遍历所述第一正样本异常路径数据相关联的初始汇聚特征、所述第二正样本异常路径数据相关联的初始汇聚特征以及所述负样本异常路径数据相关联的初始汇聚特征;
确定所述第一正样本异常路径数据相关联的初始汇聚特征与所述第二正样本异常路径数据相关联的初始汇聚特征的第三偏差参数值,并确定所述第一正样本异常路径数据相关联的初始汇聚特征与所述负样本异常路径数据相关联的初始汇聚特征的第四偏差参数值;
确定所述第三偏差参数值与所述第四偏差参数值的差异值,根据所述差异值确定所述特征误差参数。
8.一种交联聚乙烯在线生产监测系统,其特征在于,包括:
处理器;
存储器,所述存储器中存储有计算机程序,所述计算机程序被执行时实现权利要求1-7中任意一项所述的交联聚乙烯在线生产监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210483503.3A CN114578780B (zh) | 2022-05-06 | 2022-05-06 | 交联聚乙烯在线生产监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210483503.3A CN114578780B (zh) | 2022-05-06 | 2022-05-06 | 交联聚乙烯在线生产监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114578780A CN114578780A (zh) | 2022-06-03 |
CN114578780B true CN114578780B (zh) | 2022-08-16 |
Family
ID=81784461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210483503.3A Active CN114578780B (zh) | 2022-05-06 | 2022-05-06 | 交联聚乙烯在线生产监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114578780B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430555A (zh) * | 2008-12-18 | 2009-05-13 | 浙江大学 | 一种聚乙烯生产过程的多功能运行监控方法 |
EP2650743A1 (de) * | 2012-04-13 | 2013-10-16 | Krones AG | Energie- und Mediendaten vs. Maschinenzustand |
CN104298217A (zh) * | 2014-11-13 | 2015-01-21 | 南京协凯科技有限公司 | Pvb薄膜生产线安全装置 |
CN107423414A (zh) * | 2017-07-28 | 2017-12-01 | 西安交通大学 | 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法 |
CN109343489A (zh) * | 2018-10-30 | 2019-02-15 | 杭州安脉盛智能技术有限公司 | 烟草制丝工艺参数自愈控制方法及系统 |
CN213069550U (zh) * | 2020-10-13 | 2021-04-27 | 成都中电航芯电子技术有限公司 | 一种基于pcie接口的雷达信号控制器 |
CN214896314U (zh) * | 2021-06-17 | 2021-11-26 | 潍坊亚星化学股份有限公司 | 一种氯化聚乙烯用干燥器自动控制系统 |
CN114324368A (zh) * | 2022-03-10 | 2022-04-12 | 广东祥利科技有限公司 | 基于机械视觉检测的改性塑料生产检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI407325B (zh) * | 2010-05-17 | 2013-09-01 | Nat Univ Tsing Hua | 製程品質預測系統及其方法 |
-
2022
- 2022-05-06 CN CN202210483503.3A patent/CN114578780B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430555A (zh) * | 2008-12-18 | 2009-05-13 | 浙江大学 | 一种聚乙烯生产过程的多功能运行监控方法 |
EP2650743A1 (de) * | 2012-04-13 | 2013-10-16 | Krones AG | Energie- und Mediendaten vs. Maschinenzustand |
CN104298217A (zh) * | 2014-11-13 | 2015-01-21 | 南京协凯科技有限公司 | Pvb薄膜生产线安全装置 |
CN107423414A (zh) * | 2017-07-28 | 2017-12-01 | 西安交通大学 | 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法 |
CN109343489A (zh) * | 2018-10-30 | 2019-02-15 | 杭州安脉盛智能技术有限公司 | 烟草制丝工艺参数自愈控制方法及系统 |
CN213069550U (zh) * | 2020-10-13 | 2021-04-27 | 成都中电航芯电子技术有限公司 | 一种基于pcie接口的雷达信号控制器 |
CN214896314U (zh) * | 2021-06-17 | 2021-11-26 | 潍坊亚星化学股份有限公司 | 一种氯化聚乙烯用干燥器自动控制系统 |
CN114324368A (zh) * | 2022-03-10 | 2022-04-12 | 广东祥利科技有限公司 | 基于机械视觉检测的改性塑料生产检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
Lilley T H . Application of a Statistical Geometrical Theory to Aqueous Two-phase Systems;Yue G;《Journal of Chromatography A》;19941231;全文 * |
基于Fieldbus和FIX聚乙烯催化剂生产监控系统的设计与实现;姚晓峰;《仪器仪表标准化与计量》;20031231;全文 * |
聚乙烯C—400压缩机联锁及状态监测系统与DCS,PLC的应用;王保健;《化工自动化及仪表》;19991231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114578780A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | User profile preserving social network embedding | |
CN110162018B (zh) | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 | |
US20200210847A1 (en) | Ensembling of neural network models | |
CN109816032B (zh) | 基于生成式对抗网络的无偏映射零样本分类方法和装置 | |
CN113011085B (zh) | 一种设备数字孪生建模方法及系统 | |
Redl et al. | Automatic SLA matching and provider selection in grid and cloud computing markets | |
CN109978079A (zh) | 一种改进的堆栈降噪自编码器的数据清洗方法 | |
CN113935497A (zh) | 智能运维故障处理方法、装置、设备及其存储介质 | |
CN115184193B (zh) | 线缆的自动化测试方法、装置、设备及存储介质 | |
CN113159345A (zh) | 一种基于融合神经网络模型的电网故障辨识方法及系统 | |
WO2017084460A1 (zh) | 一种原因追溯方法 | |
CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及系统 | |
CN112100137A (zh) | 一种基于多日志协同分析的无人机异常检测方法 | |
CN114580546A (zh) | 基于联邦学习框架的工业机泵类故障预测方法及系统 | |
CN114578780B (zh) | 交联聚乙烯在线生产监测方法及系统 | |
CN115996169A (zh) | 一种网络故障分析方法、装置、电子设备及存储介质 | |
Rosli et al. | Fault prediction model for web application using genetic algorithm | |
Pushphavathi | An approach for software defect prediction by combined soft computing | |
CN112860558A (zh) | 基于拓扑发现的多接口自动化测试方法及装置 | |
CN115169426A (zh) | 一种基于相似性学习融合模型的异常检测方法及系统 | |
CN113516200A (zh) | 模型训练方案生成的方法、装置、电子设备及存储介质 | |
Malinowski et al. | Analysis of district heating network monitoring by neural networks classification | |
CN111209516A (zh) | 基于Petri网诊断器的离散事件系统模式故障在线诊断方法 | |
Scheinert et al. | Perona: Robust infrastructure fingerprinting for resource-efficient big data analytics | |
CN114565051B (zh) | 基于神经元影响程度的产品分类模型的测试方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 527499 No. 9, Xincheng Second Road, Xincheng Industrial Park, Xincheng Town, Xinxing County, Yunfu City, Guangdong Province Patentee after: Guangdong Xiangli Technology Group Co.,Ltd. Address before: 527499 No. 9, Xincheng Second Road, Xincheng Industrial Park, Xincheng Town, Xinxing County, Yunfu City, Guangdong Province Patentee before: GUANGDONG XIANGLI TECHNOLOGY Co.,Ltd. |