CN114580792B - 膨化机工作状态识别方法、装置、计算机设备、存储介质 - Google Patents
膨化机工作状态识别方法、装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN114580792B CN114580792B CN202210460238.7A CN202210460238A CN114580792B CN 114580792 B CN114580792 B CN 114580792B CN 202210460238 A CN202210460238 A CN 202210460238A CN 114580792 B CN114580792 B CN 114580792B
- Authority
- CN
- China
- Prior art keywords
- production parameter
- parameter data
- data
- training
- working state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004519 manufacturing process Methods 0.000 claims abstract description 448
- 238000012549 training Methods 0.000 claims abstract description 274
- 238000003066 decision tree Methods 0.000 claims abstract description 62
- 238000012937 correction Methods 0.000 claims abstract description 56
- 238000004590 computer program Methods 0.000 claims description 29
- 230000001007 puffing effect Effects 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000013138 pruning Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000001914 filtration Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003442 weekly 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
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Marketing (AREA)
- Manufacturing & Machinery (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本申请涉及一种膨化机工作状态识别方法、装置、计算机设备。所述方法包括:获取膨化机在当前时间段内的当前生产参数数据和历史时间段内的历史生产参数数据,基于历史生产参数数据对当前生产参数数据进行估计值运算,得到当前时间段内的估计生产参数数据,使用估计生产参数数据对当前生产参数数据进行更正运算,得到当前时间段内的当前目标生产参数数据;加载膨化机工作状态预测模型,膨化机工作状态预测模型是使用训练数据通过决策树训练得到的;基于膨化机工作状态预测模型中的各个节点特征参数对当前目标生产参数数据进行特征参数条件匹配,确定膨化机在当前时间段内对应的膨化机工作状态。采用本方法能够提高膨化机工作状态的识别准确度。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种膨化机工作状态识别的方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
膨化机是现代饲料行业常用的设备,用于加工膨化食品,比如,加工日常生活中的大米、玉米、大豆、小麦等。膨化机包括喂料器、调制器、主机、膨化腔、切刀电机等子设备。在膨化机生产过程中,随着生产量的提高,最大的问题就是资源浪费,例如工人没有使用最有效的参数运转机器或者机器一直空转忘记关机等,为了避免出现这种资源浪费的情况,需要实时监控膨化机的生产状态。现有的膨化机监控方式还是需要靠人工监控,通过人工查看膨化机的工作状态。然而在膨化机处于前期异常工作状态时,人工不能准确识别膨化机是异常工作状态,因此人工查看的方式对识别膨化机的工作状态存在滞后性问题,从而造成对膨化机工作状态的识别准确度低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能提高膨化机工作状态识别准确度的膨化机工作状态分类方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种膨化机工作状态识别方法。所述方法包括:
获取膨化机在当前时间段内对应的当前生产参数数据;
获取当前生产参数数据在历史时间段对应的历史生产参数数据,基于历史生产参数数据对当前生产参数数据进行估计值运算,得到当前时间段内对应的估计生产参数数据,使用估计生产参数数据对当前生产参数数据进行更正运算,得到当前时间段内对应的当前目标生产参数数据;
加载膨化机工作状态预测模型,膨化机工作状态预测模型是使用训练数据通过决策树训练得到的;
基于膨化机工作状态预测模型中的各个节点特征参数对当前目标生产参数数据进行特征参数条件匹配,得到特征参数条件匹配结果;
基于特征参数条件匹配结果,确定膨化机在当前时间段内对应的膨化机工作状态。
第二方面,本申请还提供了一种膨化机工作状态识别装置。所述装置包括:
估计更正模块,用于获取当前生产参数数据在历史时间段对应的历史生产参数数据,基于历史生产参数数据对当前生产参数数据进行估计值运算,得到当前时间段内对应的估计生产参数数据,使用估计生产参数数据对当前生产参数数据进行更正运算,得到当前时间段内对应的当前目标生产参数数据;
加载模块,用于加载膨化机工作状态预测模型,膨化机工作状态预测模型是使用训练数据通过决策树训练得到的;
匹配模块,用于基于膨化机工作状态预测模型中的各个节点特征参数对当前目标生产参数数据进行特征参数条件匹配,得到特征参数条件匹配结果;
识别模块,用于基于特征参数条件匹配结果,确定膨化机在当前时间段内对应的膨化机工作状态。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取膨化机在当前时间段内对应的当前生产参数数据;
获取当前生产参数数据在历史时间段对应的历史生产参数数据,基于历史生产参数数据对当前生产参数数据进行估计值运算,得到当前时间段内对应的估计生产参数数据,使用估计生产参数数据对当前生产参数数据进行更正运算,得到当前时间段内对应的当前目标生产参数数据;
加载膨化机工作状态预测模型,膨化机工作状态预测模型是使用训练数据通过决策树训练得到的;
基于膨化机工作状态预测模型中的各个节点特征参数对当前目标生产参数数据进行特征参数条件匹配,得到特征参数条件匹配结果;
基于特征参数条件匹配结果,确定膨化机在当前时间段内对应的膨化机工作状态。
第四方面,本申请还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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取膨化机在当前时间段内对应的当前生产参数数据;
获取当前生产参数数据在历史时间段对应的历史生产参数数据,基于历史生产参数数据对当前生产参数数据进行估计值运算,得到当前时间段内对应的估计生产参数数据,使用估计生产参数数据对当前生产参数数据进行更正运算,得到当前时间段内对应的当前目标生产参数数据;
加载膨化机工作状态预测模型,膨化机工作状态预测模型是使用训练数据通过决策树训练得到的;
基于膨化机工作状态预测模型中的各个节点特征参数对当前目标生产参数数据进行特征参数条件匹配,得到特征参数条件匹配结果;
基于特征参数条件匹配结果,确定膨化机在当前时间段内对应的膨化机工作状态。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取膨化机在当前时间段内对应的当前生产参数数据;
获取当前生产参数数据在历史时间段对应的历史生产参数数据,基于历史生产参数数据对当前生产参数数据进行估计值运算,得到当前时间段内对应的估计生产参数数据,使用估计生产参数数据对当前生产参数数据进行更正运算,得到当前时间段内对应的当前目标生产参数数据;
加载膨化机工作状态预测模型,膨化机工作状态预测模型是使用训练数据通过决策树训练得到的;
基于膨化机工作状态预测模型中的各个节点特征参数对当前目标生产参数数据进行特征参数条件匹配,得到特征参数条件匹配结果;
基于特征参数条件匹配结果,确定膨化机在当前时间段内对应的膨化机工作状态。
上述膨化机工作状态识别方法、装置、计算机设备、存储介质和计算机程序产品,通过对膨化机在当前时间段内对应的当前生产参数数据进行估计值运算和更正运算,剔除了当前生产参数数据中的干扰数据,使得到的当前目标生产参数数据更准确。再将当前目标生产参数数据输入到膨化机工作状态预测模型进行特征参数条件匹配,则得到的特征参数条件匹配结果更准确,从而能根据特征参数条件匹配结果准确识别膨化机在当前时间段内对应的膨化机工作状态。从而提高了膨化机工作状态得识别准确度。
附图说明
图1为一个实施例中膨化机工作状态识别方法的应用环境图;
图2为一个实施例中膨化机工作状态识别方法的流程示意图;
图3为一个实施例中膨化机工作状态识别步骤的流程示意图;
图4为一个实施例中数据补全的示意图;
图5为一个实施例中建立初始膨化机工作状态预测模型的流程示意图;
图6为一个实施例中决策树示意图;
图7为一个实施例中膨化机工作状态识别的流程示意图;
图8为一个实施例中决策树分类路径的示意图;
图9为一个实施例中膨化机工作状态识别装置的结构框图;
图10为一个实施例中计算机设备的内部结构图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的膨化机工作状态识别方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104获取终端102上传的膨化机在当前时间段内对应的当前生产参数数据;服务器104获取终端102上传的当前生产参数数据在历史时间段对应的历史生产参数数据,服务器104基于历史生产参数数据对当前生产参数数据进行估计值运算,得到当前时间段内对应的估计生产参数数据,使用估计生产参数数据对当前生产参数数据进行更正运算,得到当前时间段内对应的当前目标生产参数数据;服务器104加载膨化机工作状态预测模型,膨化机工作状态预测模型是使用训练数据通过决策树训练得到的;服务器104基于膨化机工作状态预测模型中的各个节点特征参数对当前目标生产参数数据进行特征参数条件匹配,得到特征参数条件匹配结果;服务器104基于特征参数条件匹配结果,确定膨化机在当前时间段内对应的膨化机工作状态。 服务器104将膨化机在当前时间段内对应的膨化机工作状态返回至终端102显示。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种膨化机工作状态识别方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取膨化机在当前时间段内对应的当前生产参数数据。
其中,当前生产参数数据是指膨化机在当前时间段内各个时刻对应的生产参数数据,包括各个生产参数对应的数据。生产参数是指膨化机中各个子设备的相关参数,各个子设备包括喂料器、调制器、主机、膨化腔、切刀电机等,各个子设备的相关参数包括喂料器的负载率、运行电流、转速和频率等,调制器的负载率、调制湿度、蒸汽流量等,主机的转速、负载率等,膨化腔的压力等,切刀电机的运行电流、负载率等。
具体地,服务器可以在服务存储数据库获取膨化机上传的当前生产参数数据,服务器也可以通过网络通信从膨化机本地获取当前生产参数数据。
步骤204,获取当前生产参数数据在历史时间段对应的历史生产参数数据,基于历史生产参数数据对当前生产参数数据进行估计值运算,得到当前时间段内对应的估计生产参数数据,使用估计生产参数数据对当前生产参数数据进行更正运算,得到当前时间段内对应的当前目标生产参数数据。
其中,历史时间段是由当前时间段中各个时刻对应的上一历史时刻组成的时间段。历史生产参数数据是指当前时刻的当前生产参数在上一历史时刻对应的生产参数数据,该生产参数数据是经过估计运算和更正运算后的数据。估计值运算是指根据历史生产参数数据推算当前时刻的生产参数数据估计值的过程。更正运算是指根据在当前时刻的生产参数数据估计值和当前生产参数数据的误差对当前生产参数数据进行校正的过程。
具体地,服务器根据生产参数数据对应的当前时刻确定对应的上一历史时刻,然后在服务器存储数据库中获取生产参数数据在上一历史时刻对应的历史生产参数数据。比如,当前时刻是k时刻,则上一历史时刻是k-1时刻,服务器根据k时刻对应的当前生产参数数据获取k-1时刻对应的历史生产参数数据。服务器通过历史生产参数数据的状态不确定度估算当前生产参数数据在当前时刻的估算值,得到当前时刻对应的估计生产参数数据,然后将估计生产参数数据通过滤波增益对当前生产参数数据进行校正,得到当前时间段内对应的当前目标生产参数数据。
步骤206,加载膨化机工作状态预测模型,膨化机工作状态预测模型是使用训练数据通过决策树训练得到的。
其中,膨化机工作状态预测模型是用于预测膨化机工作状态的人工智能模型,可以是通过训练数据使用决策树训练得到的人工智能模型。
具体地,服务器在得到当前目标生产参数数据后,从模型存储空间中加载膨化机工作状态预测模型。该模型存储空间中预先部署有训练好的膨化机工作状态预测模型。
步骤208,基于膨化机工作状态预测模型中的各个节点特征参数对当前目标生产参数数据进行特征参数条件匹配,得到特征参数条件匹配结果。
其中,节点特征参数是指膨化机工作状态预测模型中的各个节点对应的参数属性,用于对当前目标生产参数数据中各个参数数据进行属性判断。特征参数条件匹配是指根据节点特征参数对当前目标生产参数数据中的各个参数数据进行属性判断和属性归类。特征参数条件匹配结果是指根据当前目标生产参数数据中各个参数数据进行属性归类的结果,用于确定膨化机在当前时间段对应的工作状态。
具体地,膨化机工作状态预测模型包括多个层级,每个层级包括对应的节点特征参数。服务器根据膨化机工作状态预测模型中的层级,使用当前目标生产参数数据自上而下地对每个层级对应的节点特征参数进行特征参数条件匹配。在一个具体实施例中,服务器根据第一个节点对应的特征参数对当前目标生产参数数据进行特征参数条件匹配,根据特征参数条件匹配结果在第一个节点的下层各个子节点中确定属性匹配的子节点,然后进行子节点特征参数条件匹配,直至进行到表征工作状态的叶子节点的特征参数条件匹配,得到最终特征参数条件匹配结果。
步骤210,基于特征参数条件匹配结果,确定膨化机在当前时间段内对应的膨化机工作状态。
其中,膨化机工作状态是指膨化机在生产过程中的生产情况,包括正常生产状态、待机状态和异常生产状态等。
具体地,膨化机工作状态预测模型的叶子节点的特征参数条件匹配是工作状态对应的特征参数条件匹配。服务器根据当前目标生产参数数据在膨化机工作状态预测模型进行叶子节点的特征参数条件匹配,得到与工作状态对应的特征参数条件匹配结果,根据特征参数条件匹配结果确定膨化机在当前时间段内对应的膨化机工作状态。服务器将膨化机在当前时间段内对应的膨化机工作状态返回管理端显示。
上述膨化机工作状态识别方法中,通过对膨化机在当前时间段内对应的当前生产参数数据进行估计值运算和更正运算,剔除了当前生产参数数据中的干扰数据,使得到的当前目标生产参数数据更准确。再将当前目标生产参数数据输入到膨化机工作状态预测模型进行特征参数条件匹配,则得到的特征参数条件匹配结果更准确,从而能根据特征参数条件匹配结果准确识别膨化机在当前时间段内对应的膨化机工作状态。从而提高了膨化机工作状态的识别准确度。
在一个实施例中,如图3所示,膨化机工作状态预测模型的训练包括以下步骤:
步骤302,获取膨化机对应的训练生产参数数据和训练生产参数数据对应的训练工作状态类别。
其中,训练生产参数数据是指膨化机在历史时间段内上传的生产参数数据,用于作为初始膨化机工作状态预测模型的训练数据,并且训练生产参数数据对应的工作状态是已知的。训练工作状态类别是指预先定义好的膨化机工作状态的类别,包括正常工作状态、非正常工作状态等。
具体地,服务器根据膨化机内定时器的设置在经过固定时间段后获取固定历史时间段对应的训练生产参数数据,固定时间段可以是每天、每周。固定历史时间段可以是7天、15天或30天等。比如,服务器每周定时在存储数据库中获取膨化机上传的过去7天内的训练生产参数数据。服务器可以在存储数据库中获取膨化机上传的固定历史时间段对应的训练生产参数数据,也可以在膨化机本地获取固定历史时间段对应的训练生产参数数据。然后获取到训练生产参数数据对应的训练工作状态类别,训练工作状态类别可以用离散值表示,比如,0表示正常工作,1表示待机工作状态,2表示异常工作状态。
步骤304,基于膨化机对应的训练生产参数数据和训练生产参数数据对应的训练工作状态类别进行数据预处理,得到训练样本生产参数数据,并将训练样本生产参数数据划分为训练数据和测试数据。
其中,数据预处理是指训练生产参数数据在建立初始膨化机工作状态预测模型前进行的数据处理过程,包括数据补全、估计值运算、更正运算、样本均衡处理和标签化。训练数据是指用于建立初始膨化机工作状态预测模型的数据。测试数据是指用于检验膨化机工作状态预测模型的泛化能力的数据。
具体地,膨化机检查训练生产参数数据发生变化时,将变化后的训练生产参数数据进行上传,包括训练生产参数数据对应的上传时间和膨化机工作状态。训练生产参数数据由多条子训练生产参数数据组成,每条子训练生产参数数据表示为date_time, x1, x2,x3, …… , xm,其中,date_time表示上传数据的时间,精确到秒,m表示膨化机总共有m个生产参数,xm表示第m个参数。服务器在获取到训练生产参数数据时,根据训练生产参数对应的变化值和上传时间对在历史时间点未上传的训练生产参数数据进行补全。如图4所示,提供一种数据补全的示意图;图中首次上传时间为2021-11-12 23:00:00,上传的电流数据是229.5。当电流数据发生变化时,再次上传电流数据,此时上传时间为2021-11-12 23:00:02,上传的电流数据是229.6。则上传时间为2021-11-12 23:00:01对应的电流数据因为电流数据未发生变化而缺失,故在数据补全过程中将上传时间为2021-11-12 23:00:01对应的电流数据填充为上一次上传的电流数据,即229.5。服务器根据训练工作状态类别对训练生产参数数据进行工作状态标记,得到标记后的训练生产参数数据,并表示为y, date_time, x1, x2, x3, ……, xm;y表示膨化机的工作状态,可以用离散值表示。
服务器将标记后的训练生产参数数据进行估计值运算、更正运算、样本均衡处理,得到训练样本生产参数数据,然后服务器根据训练样本生产参数数据进行标签化,通过训练样本生产参数数据对应的训练工作状态类别生成工作状态标签,并将工作状态标签与其对应的训练样本生产参数数据关联保存。然后按照预定的划分比例将训练样本生产参数数据划分为训练数据和测试数据,划分比例可以是10:1或者30:1等。
步骤306,基于训练数据、训练工作状态类别和预设参数阈值使用决策树建立初始膨化机工作状态预测模型。
其中,预设参数阈值是指在建立初始膨化机工作状态预测模型时预先设置的相关参数的阈值。初始膨化机工作状态预测模型是指未进行剪枝运算的初始决策树模型。
具体地,服务器对训练数据进行样本纯度运算,根据训练数据对应的样本纯度结果判断是否满足预设参数阈值,当满足预设参数阈值时,使用训练数据、训练工作状态类别开始建立初始膨化机工作状态预测模型。服务器对训练数据中各个生产参数进行样本纯度运算,根据样本纯度运算结果在训练数据的生产参数中确定各个节点对应的生产参数,然后根据各个节点对应的生产参数对训练数据进行划分。并在划分结束后使用训练工作状态类别生成对应的工作状态,将工作状态与各个节点组成的分类路径进行关联。得到初始膨化机工作状态预测模型。
步骤308,基于初始膨化机工作状态预测模型进行剪枝运算,得到各个待评估膨化机工作状态预测模型。
其中,剪枝运算是指在初始膨化机工作状态预测模型的各个节点中确定需要去除的节点的运算过程,用于提高初始膨化机工作状态预测模型对非训练数据进行预测的泛化能力。待评估膨化机工作状态预测模型是指去除初始膨化机工作状态预测模型中某个节点得到子决策树模型,去除不同的节点得到不同的子决策树模型。待评估膨化机工作状态预测模型还包括初始膨化机工作状态预测模型。
具体地,剪枝是根据各个子决策树模型对应的正则化参数进行的,正则化参数可以由损失函数得到。子决策树模型是在初始膨化机工作状态预测模型中以任意节点为根节点的决策树模型。
在一个具体的实施例中,对于未进行剪枝的子决策树模型对应的损失函数公式如公式(1)所示:
其中,t表示初始膨化机工作状态预测模型中的任意节点。表示以节点t为根节点的子决策树模型。表示子决策树模型的损失函数。表示子决策树模型对训练数据的预测误差,即基尼指数。表示子决策树模型的叶子节点的数量。α表示正则化参数,用于判断当前子决策树模型是否是最优决策树模型。
对于剪枝后的子决策树模型对应的损失函数公式如公式(2)所示:
其中,T表示以上述节点t为单节点的子决策树模型,即以节点t作为根节点,去除节点t以下的分支后只保留节点t的子决策树模型。表示子决策树模型T的损失函数。表示子决策树模型T对训练数据的预测误差,即基尼指数。当α=0或无穷小时,有不等式为,表示未剪枝的子决策树模型的损失函数小于剪枝后的子决策树模型T的损失函数;当α增大到一定程度时,,表示未剪枝的子决策树模型的损失函数等于剪枝后的子决策树模型T的损失函数;当α继续增大时,不等式反向,当正则化参数α满足公式(3)时,
此时子决策树模型T与子决策树模型的损失函数相同,而子决策树模型T只有一个根节点t,所以子决策树模型T的节点比子决策树模型的节点更少,所以子决策树模型T比子决策树模型更可取,因此需要对子决策树模型进行剪枝,即对子决策树模型中节点t以下的子节点全部剪掉,将节点t变成一个叶子节点。
在一个具体实施例中,服务器对于初始膨化机工作状态预测模型中的每一个节点,计算其剪枝后的子决策树模型的正则化参数,得到各个节点对应的正则化参数。将各个节点对应的正则化参数进行比较,得到正则化参数最小的节点,然后对正则化参数最小的节点进行剪枝,得到第一个待评估膨化机工作状态预测模型。服务器然后将上述剪枝后的第一个待评估膨化机工作状态预测模型作为初始膨化机工作状态预测模型,返回到对于初始膨化机工作状态预测模型中的每一个节点,计算其剪枝后的子决策树模型的正则化参数,得到各个节点对应的正则化参数。将各个节点对应的正则化参数进行比较,得到正则化参数最小的节点,然后对正则化参数最小的节点进行剪枝的步骤执行。直到得到一个由根节点单独构成的子决策树模型时,结束剪枝过程,得到各个待评估膨化机工作状态预测模型。
步骤310,使用测试数据对各个待评估膨化机工作状态预测模型进行评估,得到模型评估结果,基于模型评估结果从各个待评估膨化机工作状态预测模型中确定膨化机工作状态预测模型。
具体地,服务器使用测试数据对各个待评估膨化机工作状态预测模型进行验证,得到验证结果。然后将训练数据和测试数据多次打乱并重新划分出新的训练数据和测试数据,将新划分出的测试数据对各个待评估膨化机工作状态预测模型进行交叉验证,得到多个新的验证结果。交叉验证方式可以是留出法验证、k 折交叉验证和留一验证等。服务器根据各个验证结果,在各个待评估膨化机工作状态预测模型中确定最优决策树模型,即膨化机工作状态预测模型。然后服务器将膨化机工作状态预测模型保存至模型信息数据库中,以使膨化机在需要进行工作状态预测时能直接从模型信息数据库中加载膨化机工作状态预测模型使用。本实施例中,通过使用训练数据和测试数据对初始膨化机工作状态预测模型进行训练和验证,得到膨化机工作状态预测模型,能够提高膨化机工作状态预测模型对膨化机工作状态的预测能力,从而提高膨化机工作状态的识别准确度。
在一个实施例中,步骤304,基于膨化机对应的训练生产参数数据和训练生产参数数据对应的训练工作状态类别进行数据预处理,得到训练样本生产参数数据,包括:
获取训练生产参数数据在训练历史时间段对应的训练目标生产参数数据,基于训练目标生产参数数据对训练生产参数数据进行估计值运算,得到训练历史时间段内对应的训练估计生产参数数据,使用训练估计生产参数数据对训练生产参数数据进行更正运算,得到训练历史时间段内对应的训练更正生产参数数据;
基于训练工作状态类别对训练更正生产参数数据进行样本均衡处理,得到训练样本生产参数数据。
其中,训练生产参数数据是指膨化机在历史时刻上传的生产参数数据,用于输入初始膨化机工作状态预测模型进行训练的数据。训练历史时间段是由各个训练生产参数数据对应的上传时刻的上一历史时刻组成的时间段。训练目标生产参数数据是指训练生产参数数据在训练历史时间段对应的生产参数数据,并且是经过估计运算和更正运算后的数据。样本均衡处理是指对各个训练工作状态类别对应的生产参数数据的数量进行均衡处理。
具体地,服务器使用滤波对训练生产参数数据进行降噪处理,即去除训练生产参数数据中的干扰数据。滤波包括估计值运算和更正运算,则训练目标生产参数数据是训练生产参数数据在上一时刻的卡尔曼滤波输出值。服务器根据训练历史时间段内各个训练生产参数数据在上一时刻的卡尔曼滤波输出值进行估计值运算,通过估计值运算来推算训练生产参数数据在训练历史时间段内的状态,得到训练估计生产参数数据。然后服务器将训练估计生产参数数据和训练生产参数数据进行更正运算,得到训练历史时间段内对应的训练更正生产参数数据。更正运算负责将训练估计生产参数数据和训练生产参数数据结合起来构造改进的训练更正生产参数数据。在一个具体的实施例中,可以使用卡尔曼滤波算法对训练生产参数数据进行降噪处理,其中,服务器可以使用时间更新方程对训练目标生产参数数据进行估计值运算,时间更新方程如公式(4)所示:
其中,和分别表示k-1时刻和k时刻的后验状态估计值,即卡尔曼滤波输出值。表示k时刻的先验状态估计值,即训练估计生产参数数据。表示k时刻的先验估计协方差(的协方差)。和分别表示k-1时刻和k时刻的后验估计协方差(即和的协方差,表示状态的不确定度)。A表示状态转移矩阵。B表示是将输入转换为状态的矩阵。Q表示过程激励噪声协方差(系统过程的协方差)。表示在k-1时刻的测量噪声。
服务器可以使用状态更新方程对训练估计生产参数数据进行更正运算,状态更新方程如公式(5)所示:
服务器根据训练工作状态类别对训练更正生产参数数据进行分类,得到各个训练工作状态类别对应的训练更正生产参数数据。根据各个训练工作状态类别对应的训练更正生产参数数据数量进行均衡化处理。当某种训练工作状态类别对应的训练更正生产参数数据数量较多时,随机选取一部分训练更正生产参数数据;当某种训练工作状态类别对应的训练更正生产参数数据数量较少时,对该种训练工作状态类别对应的训练更正生产参数数据进行复制,使其数据和其他训练工作状态类别对应的训练更正生产参数数据的数量保持基本一致。本实施例中,通过对训练生产参数数据进行卡尔曼滤波运算,去除了干扰数据,使得滤波后的训练生产参数数据更准确。在后续使用滤波后的训练生产参数数据对初始膨化机工作状态预测模型进行训练时,得到的膨化机工作状态预测模型更准确,从而能够提高膨化机工作状态的识别准确度。
在一个实施例中,如图5所示,步骤306,基于训练数据、工作状态类别和预设参数阈值使用决策树建立初始膨化机工作状态预测模型,包括:
步骤502,将训练数据作为初始膨化机工作状态预测模型中的当前节点数据。
步骤504,基于当前节点数据中的各个样本生产参数数据进行节点样本纯度运算,得到当前节点数据对应的样本纯度结果。
其中,当前节点是指决策树中当前需要进行划分的节点。当前节点数据是指当前节点对应的数据,是需要进行划分的数据,需要从当前节点数据中确定分类节点数据。当前节点数据对应的样本纯度结果是指各个样本生产参数数据对当前节点数据的样本纯度值。样本纯度值用于表征当前节点数据中样本生产参数数据的作为分类节点数据进行划分时的准确性。样本纯度值越高,将该样本生产参数数据作为分类节点数据进行划分的准确性越高。
具体地,服务器在初始膨化机工作状态预测模型中将训练数据作为当前节点数据,此时,当前节点为根节点,并对当前节点数据进行样本纯度运算,得到当前节点数据对应的样本纯度结果。在一个具体的实施例中,当前节点数据对应的样本纯度值可以是基尼指数,基尼指数运算公式如公式(6)所示:
其中,D表示当前节点数据。K表示当前节点数据D中由k个类。表示数据属于当前节点数据第k类的概率。比如,当前节点数据D中只有1个类时,,则Gini(D)=0,说明基尼指数越小,样本纯度越高,划分的准确性越高。
服务器计算当前节点数据中的各个样本生产参数数据对当前节点数据的基尼指数,各个样本生产参数数据对当前节点数据的基尼指数计算公式如公式(7)所示:
其中,A表示特征。D1、D2分别表示将当前节点数据D按照A=a划分的数据集。|D|、|D1|、|D2|分别表示当前节点数据D、D1、D2中样本数量。基尼指数Gini(D,A)表示经过A=a划分后集合D的不确定性。
步骤506,基于样本纯度结果从各个样本生产参数数据中确定目标生产参数数据;
步骤508,基于目标生产参数数据将当前节点数据进行划分,得到左节点数据和右节点数据;
具体地,服务器根据各个样本生产参数数据对当前节点数据的基尼指数进行比较,根据比较结果确定基尼指数最小的样本生产参数数据,得到的目标生产参数数据作为分类节点。然后根据目标生产参数数据将当前节点数据进行划分,得到左节点数据和右节点数据。
步骤510,将左节点数据和右节点数据分别作为当前节点数据,并返回基于当前节点数据中的各个样本生产参数数据进行节点样本纯度运算,得到当前节点数据对应的样本纯度结果的步骤执行,直到当前节点数据对应的样本纯度结果符合预设参数阈值时,得到初始膨化机工作状态预测模型。
具体地,服务器将左节点数据和右节点数据分别作为当前节点数据,并对左节点数据和右节点数据按照划分当前节点数据的步骤进行划分。即通过计算左节点数据和右节点数据的各个样本生产参数数据的最小基尼指数,得到左节点数据和右节点数据对应的分类节点。根据左节点数据和右节点数据对应的分类节点对左节点数据和右节点数据继续进行划分,直到计算得到的基尼指数小于预设阈值参数的阈值时停止划分,得到初始膨化机工作状态预测模型。
在一个具体实施例中,服务器判断当前节点数据的数量是否满足预设阈值参数中样本数量阈值,当不满足时,说明该当前节点数据无法进行划分,此时,结束运算;当当前节点数据的数量满足预设阈值参数中样本数量阈值,并且当前节点数据中包括多种样本生产参数数据时计算当前节点数据的基尼指数,并判断当前节点数据的基尼指数是否满足预设阈值参数中基尼指数阈值。当不满足时,说明该当前节点数据无法进行划分,此时,结束运算;当当前节点数据的基尼指数满足预设阈值参数中基尼指数阈值时,计算当前节点数据中各个样本生产参数数据对当前节点数据的基尼指数。从各个样本生产参数数据对当前节点数据的基尼指数中选择基尼指数最小的样本生产参数数据和其对应的参数数值。根据基尼指数最小的样本生产参数数据和其对应的参数数值将当前生产参数数据划分为左节点数据和右节点数据。服务器将左节点数据和右节点数据分别作为当前节点数据,对样本生产参数数据的数量进行判断,并计算样本生产参数数据的基尼指数,根据基尼指数最小的样本生产参数数据和其对应的参数数值进行划分,直到划分后的数据不满足预设参数阈值时停止划分,得到初始膨化机工作状态预测模型。如图6所示,提供一种决策树示意图,图中主机电流为样本生产参数数据的分类点,并根据其对应的样本生产参数数值0进行划分,得到主机电流>0的左节点数据和主机电流=0右节点数据。对满足主机电流>0的左节点数据继续进行划分,得到蒸汽值>0的子左节点数据和蒸汽值=0的子右节点数据,并对子左节点数据和子右节点数据继续划分,直到划分到对应的膨化机工作状态:稳定生产状态和非稳定生产状态。对满足主机电流=0的右节点数据的划分步骤与满足主机电流>0的左节点数据的划分步骤相同,直到划分到对应的膨化机工作状态:待机状态和费料状态。本实施例中,通过各个样本生产参数数据的基尼指数对当前节点数据进行划分,并对划分后的数据继续划分,直到样本数量不满足预设样本数量阈值或基尼指数不满足预设基尼指数阈值时,停止划分并得到初始膨化机工作状态预测模型,能够根据预设参数阈值自定义生成初始膨化机工作状态预测模型,从而提高了初始膨化机工作状态预测模型的生成效率。
在一个实施例中,当前节点数据包括离散样本生产参数数据和连续样本生产参数数据;步骤504,基于当前节点数据中的各个样本生产参数数据进行节点样本纯度运算,得到当前节点数据对应的样本纯度结果,包括:
基于当前节点数据中的离散样本生产参数数据进行节点样本纯度运算,得到离散样本生产参数数据对应的样本纯度结果;
基于当前节点数据中的连续样本生产参数数据进行有序排列,得到有序连续样本生产参数数据;
基于有序连续样本生产参数数据进行划分点计算,得到有序连续样本生产参数数据对应的各个划分点,并对有序连续样本生产参数数据对应的各个划分点分别进行样本纯度运算,得到各个划分点对应的样本纯度结果。
其中,离散值样本生产参数数据是不连续存在的数据,比如,膨化机中的喂料器运行信号为0和1。连续样本生产参数数据是连续数据,比如,膨化机的主机电流是连续数据,电流值在0-500A以内变化。
具体地,服务器检测到当前节点数据是离散样本生产参数数据时,对离散样本生产参数数据中的所有离散值进行基尼指数运算,并将基尼指数最小的离散值作为离散样本生产参数数据的分类点。服务器检测到当前节点数据是连续样本生产参数数据时,将连续样本生产参数数据的连续数据按照数值大小进行排序,并计算相邻两个连续值的平均数。将相邻两个连续值的平均数作为划分点,并计算各个划分点的基尼指数,将基尼指数最小的连续值作为连续样本生产参数数据的分类点。比如,连续样本生产参数数据是主机电流,并且主机电流的电流值有n个,将n个电流值从小到大排序为a1,a2,…,an。从第一个值a1开始取相邻电流值的平均数,即a1和a2、a2和a3、a3和a4…平均值,一共取得n-1个划分点,其中第i个划分点表示为:。对于这n-1个点,分别计算n-1的基尼指数。选择基尼指数最小的点作为该连续样本生产参数数据的分类点。举例说明,电流值总共5个[1,2,3,4,5], 则划分点为[1.5, 2.5, 3.5, 4.5]并计算对应的基尼指数,假设基尼指数为[0.1, 0.5, 0.4, 0.3],则1.5作为电流的分类点。本实施例中,当前节点数据包括离散样本生产参数数据和连续样本生产参数数据,通过对离散样本生产参数数据和连续样本生产参数数据分别进行基尼指数运算,得到离散样本生产参数数据和连续样本生产参数数据对应的基尼指数,以使建立初始膨化机工作状态预测模型的数据来源更完整,从而生成的膨化机工作状态预测模型对膨化机工作状态的识别准确度更高。
在一个实施例中,膨化机工作状态包括正常生产状态、非正常生产状态;步骤310,在基于特征参数条件匹配结果,确定膨化机在当前时间段内对应的膨化机工作状态之后,还包括:
当检测到膨化机工作状态为非正常生产状态时,生成警告信息并向管理终端发送警告信息。
其中,警告信息是指用于表示膨化机非正常工作状态的提示信息。非正常工作状态包括膨化机处于空转、喷料等异常工作状态。
具体地,服务器根据膨化机工作状态预测模型输出的膨化机工作状态结果进行检测,当检测到膨化机工作状态结果为非正常工作状态时,生成对应的警告信息,并将警告信息发送到管理终端。本实施例中,通过检测到膨化机处于非正常工作状态时,生成警告信息并向管理终端发送警告信息,能使管理人员及时查看膨化机的生产情况并进行处理,从而实现管理人员对膨化机工作状态的实时监控。
在一个具体实施例中,如图7所示,提供一种膨化机工作状态识别的流程示意图;膨化机检测到膨化机启动后,将生产参数数据实时上传给数据库或本地;服务器定时加载历史生产参数数据,并对历史生产参数数据进行数据预处理,包括:数据补全、降噪处理、增加标签、样本均衡处理和划分测试数据、训练数据;得到数据预处理后的训练数据和测试数据;
服务器通过计算训练数据中各个样本生产参数数据对应的基尼指数,根据各个样本生产参数数据对应的基尼指数进行特征选择,从各个样本生产参数数据中确定初始膨化机工作状态预测模型对应的各个分类点。根据初始膨化机工作状态预测模型对应的各个分类点生成初始膨化机工作状态预测模型,初始膨化机工作状态预测模型以决策树模型的形式存在。并根据初始膨化机工作状态预测模型中各个节点对应的正则化参数对初始膨化机工作状态预测模型进行剪枝,得到各个待评估膨化机工作状态预测模型。服务器使用测试数据和训练数据对各个待评估膨化机工作状态预测模型进行交叉验证,通过交叉验证结果从各个待评估膨化机工作状态预测模型中确定膨化机工作状态预测模型,然后服务器将膨化机工作状态预测模型保存至模型信息数据库中。
服务器获取到膨化机在当前时间段内上传的当前生产参数数据时,对当前生产参数数据进行数据预处理,包括数据补全和降噪处理,并从模型信息数据库中加载膨化机工作状态预测模型。然后服务器将数据预处理后的当前目标生产参数数据输入到膨化机工作状态预测模型进行工作状态识别,得到膨化机在当前时间段内对应的膨化机工作状态。比如,如图8所示,提供一种决策树分类路径的示意图;膨化机在当前时间段内上传的当前生产参数数据为:电流0,蒸汽0,喂料0,根据图8所示的决策树的各个分类节点对当前生产参数数据进行分类,得到的膨化机工作状态为待机状态,图中箭头表示对当前生产参数数据的分类路径。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的膨化机工作状态识别方法的膨化机工作状态识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个膨化机工作状态识别装置实施例中的具体限定可以参见上文中对于膨化机工作状态识别方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种膨化机工作状态识别装置900,包括:获取模块902、估计更正模块904、加载模块906、匹配模块908和识别模块910,其中:
获取模块,用于获取膨化机在当前时间段内对应的当前生产参数数据;
估计更正模块,用于获取当前生产参数数据在历史时间段对应的历史生产参数数据,基于历史生产参数数据对当前生产参数数据进行估计值运算,得到当前时间段内对应的估计生产参数数据,使用估计生产参数数据对当前生产参数数据进行更正运算,得到当前时间段内对应的当前目标生产参数数据;
加载模块,用于加载膨化机工作状态预测模型,膨化机工作状态预测模型是使用训练数据通过决策树训练得到的;
匹配模块,用于基于膨化机工作状态预测模型中的各个节点特征参数对当前目标生产参数数据进行特征参数条件匹配,得到特征参数条件匹配结果;
识别模块,用于基于特征参数条件匹配结果,确定膨化机在当前时间段内对应的膨化机工作状态。
在一个实施例中,膨化机工作状态识别装置900,还包括:
模型训练单元,用于获取膨化机对应的训练生产参数数据和训练生产参数数据对应的训练工作状态类别;基于膨化机对应的训练生产参数数据和训练生产参数数据对应的训练工作状态类别进行数据预处理,得到训练样本生产参数数据,并将训练样本生产参数数据划分为训练数据和测试数据;基于训练数据、训练工作状态类别和预设参数阈值使用决策树建立初始膨化机工作状态预测模型;基于初始膨化机工作状态预测模型进行剪枝运算,得到各个待评估膨化机工作状态预测模型;使用测试数据对各个待评估膨化机工作状态预测模型进行评估,得到模型评估结果,基于模型评估结果从各个待评估膨化机工作状态预测模型中确定膨化机工作状态预测模型。
在一个实施例中,膨化机工作状态识别装置900,还包括:
预处理单元,用于获取训练生产参数数据在训练历史时间段对应的训练目标生产参数数据,基于训练目标生产参数数据对训练生产参数数据进行估计值运算,得到训练历史时间段内对应的训练估计生产参数数据,使用训练估计生产参数数据对训练生产参数数据进行更正运算,得到训练历史时间段内对应的训练更正生产参数数据;基于训练工作状态类别对训练更正生产参数数据进行样本均衡处理,得到训练样本生产参数数据。
在一个实施例中,膨化机工作状态识别装置900,还包括:
模型建立单元,用于将训练数据作为初始膨化机工作状态预测模型中的当前节点数据;基于当前节点数据中的各个样本生产参数数据进行节点样本纯度运算,得到当前节点数据对应的样本纯度结果;基于样本纯度结果从各个样本生产参数数据中确定目标生产参数数据;基于目标生产参数数据将当前节点数据进行划分,得到左节点数据和右节点数据;将左节点数据和右节点数据分别作为当前节点数据,并返回基于当前节点数据中的各个样本生产参数数据进行节点样本纯度运算,得到当前节点数据对应的样本纯度结果的步骤执行,直到当前节点数据对应的样本纯度结果符合预设参数阈值时,得到初始膨化机工作状态预测模型。
在一个实施例中,膨化机工作状态识别装置900,还包括:
样本纯度运算单元,用于基于当前节点数据中的离散样本生产参数数据进行节点样本纯度运算,得到离散样本生产参数数据对应的样本纯度结果;基于当前节点数据中的连续样本生产参数数据进行有序排列,得到有序连续样本生产参数数据;基于有序连续样本生产参数数据进行划分点计算,得到有序连续样本生产参数数据对应的各个划分点,并对有序连续样本生产参数数据对应的各个划分点分别进行样本纯度运算,得到各个划分点对应的样本纯度结果。
在一个实施例中,膨化机工作状态识别装置900,还包括:
警告单元,用于当检测到膨化机工作状态为非正常生产状态时,生成警告信息并向管理终端发送警告信息。
上述膨化机工作状态识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储当前生产参数数据、当前目标生产参数数据和膨化机工作状态预测模型。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种膨化机工作状态识别方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图11所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种膨化机工作状态识别方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置,显示屏可以是液晶显示屏或电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10-图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取膨化机在当前时间段内对应的当前生产参数数据;获取当前生产参数数据在历史时间段对应的历史生产参数数据,基于历史生产参数数据对当前生产参数数据进行估计值运算,得到当前时间段内对应的估计生产参数数据,使用估计生产参数数据对当前生产参数数据进行更正运算,得到当前时间段内对应的当前目标生产参数数据;加载膨化机工作状态预测模型,膨化机工作状态预测模型是使用训练数据通过决策树训练得到的;基于膨化机工作状态预测模型中的各个节点特征参数对当前目标生产参数数据进行特征参数条件匹配,得到特征参数条件匹配结果;基于特征参数条件匹配结果,确定膨化机在当前时间段内对应的膨化机工作状态。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
膨化机工作状态预测模型的训练包括以下步骤:获取膨化机对应的训练生产参数数据和训练生产参数数据对应的训练工作状态类别;基于膨化机对应的训练生产参数数据和训练生产参数数据对应的训练工作状态类别进行数据预处理,得到训练样本生产参数数据,并将训练样本生产参数数据划分为训练数据和测试数据;基于训练数据、训练工作状态类别和预设参数阈值使用决策树建立初始膨化机工作状态预测模型;基于初始膨化机工作状态预测模型进行剪枝运算,得到各个待评估膨化机工作状态预测模型;使用测试数据对各个待评估膨化机工作状态预测模型进行评估,得到模型评估结果,基于模型评估结果从各个待评估膨化机工作状态预测模型中确定膨化机工作状态预测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于膨化机对应的训练生产参数数据和训练生产参数数据对应的训练工作状态类别进行数据预处理,得到训练样本生产参数数据,包括:获取训练目标生产参数数据在训练历史时间段对应的训练生产参数数据,基于训练生产参数数据对训练目标生产参数数据进行估计值运算,得到训练历史时间段内对应的训练估计生产参数数据,使用训练估计生产参数数据对训练目标生产参数数据进行更正运算,得到训练历史时间段内对应的训练更正生产参数数据;基于训练工作状态类别对训练更正生产参数数据进行样本均衡处理,得到训练样本生产参数数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于训练数据、工作状态类别和预设参数阈值使用决策树建立初始膨化机工作状态预测模型,包括:将训练数据作为初始膨化机工作状态预测模型中的当前节点数据;基于当前节点数据中的各个样本生产参数数据进行节点样本纯度运算,得到当前节点数据对应的样本纯度结果;基于样本纯度结果从各个样本生产参数数据中确定目标生产参数数据;基于目标生产参数数据将当前节点数据进行划分,得到左节点数据和右节点数据;将左节点数据和右节点数据分别作为当前节点数据,并返回基于当前节点数据中的各个样本生产参数数据进行节点样本纯度运算,得到当前节点数据对应的样本纯度结果的步骤执行,直到当前节点数据对应的样本纯度结果符合预设参数阈值时,得到初始膨化机工作状态预测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当前节点数据包括离散样本生产参数数据和连续样本生产参数数据;基于当前节点数据中的各个样本生产参数数据进行节点样本纯度运算,得到当前节点数据对应的样本纯度结果,包括:基于当前节点数据中的离散样本生产参数数据进行节点样本纯度运算,得到离散样本生产参数数据对应的样本纯度结果;基于当前节点数据中的连续样本生产参数数据进行有序排列,得到有序连续样本生产参数数据;基于有序连续样本生产参数数据进行划分点计算,得到有序连续样本生产参数数据对应的各个划分点,并对有序连续样本生产参数数据对应的各个划分点分别进行样本纯度运算,得到各个划分点对应的样本纯度结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
膨化机工作状态包括正常生产状态、非正常生产状态;在基于特征参数条件匹配结果,确定膨化机在当前时间段内对应的膨化机工作状态之后,还包括:当检测到膨化机工作状态为非正常生产状态时,生成警告信息并向管理终端发送警告信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种膨化机工作状态识别方法,其特征在于,所述方法包括:
获取膨化机在当前时间段内对应的当前生产参数数据;
获取所述当前生产参数数据在历史时间段对应的历史生产参数数据,基于所述历史生产参数数据对应的状态不确定度对所述当前生产参数数据进行估计值运算,得到所述当前时间段内对应的估计生产参数数据,根据所述估计生产参数数据和所述当前生产参数数据的误差对所述当前生产参数数据进行更正运算,得到所述当前时间段内对应的当前目标生产参数数据;所述历史生产参数数据是经过所述估计值运算和所述更正运算后的数据;
加载膨化机工作状态预测模型,所述膨化机工作状态预测模型是使用训练数据通过决策树训练得到的,所述训练数据是通过训练样本生产参数数据划分得到的,所述训练样本生产参数数据是通过获取训练生产参数数据在训练历史时间段对应的训练目标生产参数数据,基于所述训练目标生产参数数据对所述训练生产参数数据进行估计值运算,得到所述训练历史时间段内对应的训练估计生产参数数据,使用所述训练估计生产参数数据对所述训练生产参数数据进行更正运算,得到所述训练历史时间段内对应的训练更正生产参数数据;基于训练工作状态类别对所述训练更正生产参数数据进行样本均衡处理得到的;
基于所述膨化机工作状态预测模型中的各个节点特征参数对所述当前目标生产参数数据进行特征参数条件匹配,得到所述特征参数条件匹配结果;
基于所述特征参数条件匹配结果,确定所述膨化机在当前时间段内对应的膨化机工作状态。
2.根据权利要求1所述的方法,其特征在于,所述膨化机工作状态预测模型的训练包括以下步骤:
获取所述膨化机对应的训练生产参数数据和所述训练生产参数数据对应的训练工作状态类别;
基于所述膨化机对应的训练生产参数数据和所述训练生产参数数据对应的训练工作状态类别进行数据预处理,得到所述训练样本生产参数数据,并将所述训练样本生产参数数据划分为所述训练数据和测试数据;
基于所述训练数据、所述训练工作状态类别和预设参数阈值使用决策树建立初始膨化机工作状态预测模型;
基于所述初始膨化机工作状态预测模型进行剪枝运算,得到各个待评估膨化机工作状态预测模型;
使用所述测试数据对所述各个待评估膨化机工作状态预测模型进行评估,得到模型评估结果,基于所述模型评估结果从所述各个待评估膨化机工作状态预测模型中确定所述膨化机工作状态预测模型。
3.根据权利要求2所述的方法,其特征在于,在所述基于所述膨化机对应的训练生产参数数据和所述训练生产参数数据对应的训练工作状态类别进行数据预处理,得到训练样本生产参数数据之后,还包括:
基于所述训练样本生产参数数据对应的训练工作状态类别生成工作状态标签,并将所述工作状态标签与对应的训练样本生产参数数据关联保存。
4.根据权利要求2所述的方法,其特征在于,所述基于所述训练数据、所述工作状态类别和预设参数阈值使用决策树建立初始膨化机工作状态预测模型,包括:
将所述训练数据作为初始膨化机工作状态预测模型中的当前节点数据;
基于所述当前节点数据中的各个样本生产参数数据进行节点样本纯度运算,得到所述当前节点数据对应的样本纯度结果;
基于所述样本纯度结果从所述各个样本生产参数数据中确定目标生产参数数据;
基于所述目标生产参数数据将所述当前节点数据进行划分,得到左节点数据和右节点数据;
将所述左节点数据和所述右节点数据分别作为当前节点数据,并返回基于所述当前节点数据中的各个样本生产参数数据进行节点样本纯度运算,得到所述当前节点数据对应的样本纯度结果的步骤执行,直到所述当前节点数据对应的样本纯度结果符合预设参数阈值时,得到所述初始膨化机工作状态预测模型。
5.根据权利要求4所述的方法,其特征在于,所述当前节点数据包括离散样本生产参数数据和连续样本生产参数数据;
所述基于所述当前节点数据中的各个样本生产参数数据进行节点样本纯度运算,得到所述当前节点数据对应的样本纯度结果,包括:
基于所述当前节点数据中的所述离散样本生产参数数据进行节点样本纯度运算,得到所述离散样本生产参数数据对应的样本纯度结果;
基于所述当前节点数据中的所述连续样本生产参数数据进行有序排列,得到有序连续样本生产参数数据;
基于所述有序连续样本生产参数数据进行划分点计算,得到所述有序连续样本生产参数数据对应的各个划分点,并对所述有序连续样本生产参数数据对应的各个划分点分别进行样本纯度运算,得到所述各个划分点对应的样本纯度结果。
6.根据权利要求1所述的方法,其特征在于,所述膨化机工作状态包括正常生产状态、非正常生产状态;
在所述基于所述特征参数条件匹配结果,确定所述膨化机在当前时间段内对应的膨化机工作状态之后,还包括:
当检测到所述膨化机工作状态为非正常生产状态时,生成警告信息并向管理终端发送所述警告信息。
7.一种膨化机工作状态识别装置,其特征在于,所述装置包括:
获取模块,用于获取膨化机在当前时间段内对应的当前生产参数数据;
估计更正模块,用于获取所述当前生产参数数据在历史时间段对应的历史生产参数数据,基于所述历史生产参数数据对应的状态不确定度对所述当前生产参数数据进行估计值运算,得到所述当前时间段内对应的估计生产参数数据,根据所述估计生产参数数据和所述当前生产参数数据的误差对所述当前生产参数数据进行更正运算,得到所述当前时间段内对应的当前目标生产参数数据;所述历史生产参数数据是经过所述估计值运算和所述更正运算后的数据;
加载模块,用于加载膨化机工作状态预测模型,所述膨化机工作状态预测模型是使用训练数据通过决策树训练得到的,所述训练数据是通过训练样本生产参数数据划分得到的,所述训练样本生产参数数据是通过获取训练生产参数数据在训练历史时间段对应的训练目标生产参数数据,基于所述训练目标生产参数数据对所述训练生产参数数据进行估计值运算,得到所述训练历史时间段内对应的训练估计生产参数数据,使用所述训练估计生产参数数据对所述训练生产参数数据进行更正运算,得到所述训练历史时间段内对应的训练更正生产参数数据;基于训练工作状态类别对所述训练更正生产参数数据进行样本均衡处理得到的;
匹配模块,用于基于所述膨化机工作状态预测模型中的各个节点特征参数对所述当前目标生产参数数据进行特征参数条件匹配,得到所述特征参数条件匹配结果;
识别模块,用于基于所述特征参数条件匹配结果,确定所述膨化机在当前时间段内对应的膨化机工作状态。
8.根据权利要求7所述的装置,其特征在于,所述装置,还包括:
模型建立单元,用于将所述训练数据作为初始膨化机工作状态预测模型中的当前节点数据;基于所述当前节点数据中的各个样本生产参数数据进行节点样本纯度运算,得到所述当前节点数据对应的样本纯度结果;基于所述样本纯度结果从所述各个样本生产参数数据中确定目标生产参数数据;基于所述目标生产参数数据将所述当前节点数据进行划分,得到左节点数据和右节点数据;将所述左节点数据和所述右节点数据分别作为当前节点数据,并返回基于所述当前节点数据中的各个样本生产参数数据进行节点样本纯度运算,得到所述当前节点数据对应的样本纯度结果的步骤执行,直到所述当前节点数据对应的样本纯度结果符合预设参数阈值时,得到所述初始膨化机工作状态预测模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210460238.7A CN114580792B (zh) | 2022-04-28 | 2022-04-28 | 膨化机工作状态识别方法、装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210460238.7A CN114580792B (zh) | 2022-04-28 | 2022-04-28 | 膨化机工作状态识别方法、装置、计算机设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114580792A CN114580792A (zh) | 2022-06-03 |
CN114580792B true CN114580792B (zh) | 2022-08-30 |
Family
ID=81778266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210460238.7A Active CN114580792B (zh) | 2022-04-28 | 2022-04-28 | 膨化机工作状态识别方法、装置、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580792B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011227838A (ja) * | 2010-04-23 | 2011-11-10 | Kyoto Univ | 予測装置及びその学習装置並びにそれらのコンピュータプログラム |
CN104408915A (zh) * | 2014-11-05 | 2015-03-11 | 青岛海信网络科技股份有限公司 | 一种交通状态参数的估计方法和系统 |
CN108334890A (zh) * | 2017-01-19 | 2018-07-27 | 欧姆龙株式会社 | 预测模型生成装置、生产设备监视系统及其方法 |
CN113240509A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 一种基于多源数据联邦学习的贷款风险评估方法 |
CN113361811A (zh) * | 2021-06-30 | 2021-09-07 | 珠海埃克斯智能科技有限公司 | 运行状态预测方法、系统、设备及计算机可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109147949A (zh) * | 2018-08-16 | 2019-01-04 | 辽宁大学 | 一种基于分类回归树来用于检测教师亚健康状态的方法 |
CN113516297B (zh) * | 2021-05-26 | 2024-03-19 | 平安国际智慧城市科技股份有限公司 | 基于决策树模型的预测方法、装置和计算机设备 |
CN113326774A (zh) * | 2021-05-28 | 2021-08-31 | 武汉科技大学 | 一种基于AlexNet网络的机床能耗状态识别方法及系统 |
-
2022
- 2022-04-28 CN CN202210460238.7A patent/CN114580792B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011227838A (ja) * | 2010-04-23 | 2011-11-10 | Kyoto Univ | 予測装置及びその学習装置並びにそれらのコンピュータプログラム |
CN104408915A (zh) * | 2014-11-05 | 2015-03-11 | 青岛海信网络科技股份有限公司 | 一种交通状态参数的估计方法和系统 |
CN108334890A (zh) * | 2017-01-19 | 2018-07-27 | 欧姆龙株式会社 | 预测模型生成装置、生产设备监视系统及其方法 |
CN113240509A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 一种基于多源数据联邦学习的贷款风险评估方法 |
CN113361811A (zh) * | 2021-06-30 | 2021-09-07 | 珠海埃克斯智能科技有限公司 | 运行状态预测方法、系统、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114580792A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956224B (zh) | 评估模型生成、评估数据处理方法、装置、设备及介质 | |
CN109491850A (zh) | 一种磁盘故障预测方法及装置 | |
US20190087737A1 (en) | Anomaly detection and automated analysis in systems based on fully masked weighted directed | |
CN116596095B (zh) | 基于机器学习的碳排放量预测模型的训练方法及装置 | |
US10394631B2 (en) | Anomaly detection and automated analysis using weighted directed graphs | |
CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
CN111767192A (zh) | 基于人工智能的业务数据检测方法、装置、设备和介质 | |
CN110533109A (zh) | 一种喷涂生产监测数据的存储及特征分析方法及其装置 | |
CN111078500A (zh) | 运行配置参数的调整方法、装置、计算机设备和存储介质 | |
CN114416410A (zh) | 一种异常分析方法、设备和计算机可读存储介质 | |
CN114580791B (zh) | 膨化机工作状态识别方法、装置、计算机设备、存储介质 | |
CN117913796A (zh) | 电力经济耦合协调关系确定方法、装置、设备和存储介质 | |
CN114580792B (zh) | 膨化机工作状态识别方法、装置、计算机设备、存储介质 | |
CN113256325A (zh) | 二手车估价方法、系统、计算设备和存储介质 | |
CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
CN116186507A (zh) | 一种特征子集的选取方法、装置及存储介质 | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
CN114492994A (zh) | 一种基于电力大数据的电力信息处理系统、方法及装置 | |
CN111382874B (zh) | 实现线上机器学习模型的更新迭代的方法和装置 | |
CN113822532B (zh) | 信息系统资产风险评估方法及其装置和存储介质 | |
CN110454904B (zh) | 除湿机中冷媒含量的处理方法和装置 | |
CN115545214A (zh) | 用户筛选方法、装置、计算机设备、存储介质和程序产品 | |
Singh et al. | Effect of variations in measurement process for software development efforts | |
CN116595389A (zh) | 识别异常客户端的方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |