CN114863661B - 一种特钢生产车间的监测预警方法及系统 - Google Patents
一种特钢生产车间的监测预警方法及系统 Download PDFInfo
- Publication number
- CN114863661B CN114863661B CN202210781726.8A CN202210781726A CN114863661B CN 114863661 B CN114863661 B CN 114863661B CN 202210781726 A CN202210781726 A CN 202210781726A CN 114863661 B CN114863661 B CN 114863661B
- Authority
- CN
- China
- Prior art keywords
- production
- information
- historical
- correlation
- early warning
- 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 461
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 107
- 239000010959 steel Substances 0.000 title claims abstract description 107
- 238000012544 monitoring process Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000009826 distribution Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010219 correlation analysis Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 32
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005242 forging Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 229910000997 High-speed steel Inorganic materials 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种特钢生产车间的监测预警方法及系统,属于特钢技术领域,该方法包括:采集获取生产车间在历史生产过程中的多个历史生产信息集合;采集获取生产车间在历史生产过程中的历史产品信息集合;分析判断历史产品信息集合和多个历史生产信息集合之间的相关性,获得相关性信息集合;根据相关性信息集合,选择获得相关性最大的若干个历史生产信息集合,获得若干个敏感生产信息;采集获取当前生产车间生产过程的实时敏感生产信息集合;将实时敏感生产信息集合输入预警分析模型,进行预警。本发明解决了目前特钢生产监测效果较差的技术问题,达到了提升特钢生产车间监测预警的准确性、时效性和效率的技术效果。
Description
技术领域
本发明涉及特钢技术领域,具体涉及一种特钢生产车间的监测预警方法及系统。
背景技术
特钢即为特殊钢,在汽车、船舶、轨道等领域承担着特种作用,为达到特殊的性能需求,特钢的生产要求极为严格。因此,在特钢的生产车间中,需要对生产参数进行监测,以保证特钢产品的质量。
目前一般通过质量部门和作业标准等,在生产车间内,对特钢生产过程中的生产参数进行管控,避免出现不合格或危险的生产行为,进而避免产生重大的经济损失或人员伤亡。
现有技术中特钢生产车间中生产流程的监测一般通过质量部门和作业标准进行监测,人工参与度较大,无法实时、准确地监测特钢的生产流程,存在着特钢生产质量监测效率低、准确率低、时效性差的技术问题。
发明内容
本申请提供了一种特钢生产车间的监测预警方法及系统,用于针对解决现有技术中存在的特钢生产质量监测效率低、准确率低、时效性差的技术问题。
鉴于上述问题,本申请提供了一种特钢生产车间的监测预警方法及系统。
本申请的第一个方面,提供了一种特钢生产车间的监测预警方法,所述方法包括:采集获取生产车间在历史生产过程中的多维度生产信息,获得多个历史生产信息集合,其中,所述生产车间用于生产特钢;采集获取所述生产车间在历史生产过程中生产特钢的多维度产品信息,获得历史产品信息集合;分析判断所述历史产品信息集合和多个所述历史生产信息集合之间的相关性,获得相关性信息集合;根据所述相关性信息集合,选择获得相关性最大的若干个所述历史生产信息集合,并获得对应维度的生产信息种类,作为若干个敏感生产信息;采集获取当前所述生产车间生产过程中若干个所述敏感生产信息的数据,获得实时敏感生产信息集合;将所述实时敏感生产信息集合输入预警分析模型,获得输出结果,进行预警。
本申请的第二个方面,提供了一种特钢生产车间的监测预警系统,所述系统包括:生产信息采集模块,用于采集获取生产车间在历史生产过程中的多维度生产信息,获得多个历史生产信息集合,其中,所述生产车间用于生产特钢;产品信息采集模块,用于采集获取所述生产车间在历史生产过程中生产特钢的多维度产品信息,获得历史产品信息集合;相关性分析模块,用于分析判断所述历史产品信息集合和多个所述历史生产信息集合之间的相关性,获得相关性信息集合;敏感生产信息确定模块,用于根据所述相关性信息集合,选择获得相关性最大的若干个所述历史生产信息集合,并获得对应维度的生产信息种类,作为若干个敏感生产信息;实时生产信息采集模块,用于采集获取当前所述生产车间生产过程中若干个所述敏感生产信息的数据,获得实时敏感生产信息集合;生产预警模块,用于将所述实时敏感生产信息集合输入预警分析模型,获得输出结果,进行预警。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的技术方案通过采集获取特钢生产车间在历史内生产过程中的多维度生产信息,并采集特钢生产车间在历史内生产过程中生产获得特钢产品的多维度产品信息,分析多维度生产信息内各维度生产信息的变化与多维度产品信息变化的相关性,获得相关性最大的若干个敏感生产信息,进一步采集当前生产过程中的敏感生产信息对应的数据,将其输入构建完成的预警分析模型,进行特钢生产车间生产过程的监测预警。本申请实施例通过采集特钢生产过程中的多维度生产信息数据,并采集按照该多维度生产信息数据生产获得的特钢产品的多维度产品信息,分析多维度生产信息和多维度产品信息变化之间的相关性,基于数据变化相关性分析,能够准确获得最为影响特钢产品生产的敏感生产信息,进而采集当前的敏感生产信息数据,并构建具有多层网络结构的预警分析模型,将相关性较大的敏感生产信息数据输入该预警分析模型,进行较为准确的生产监测预警,能够获得较为准确的预警结果,本申请实施例构建了智能化的特钢生产车间生产过程中的监测预警方法,能够降低监测预警过程中的人工参与度,降低人工成本,达到提升特钢生产车间监测预警的准确性、时效性和效率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请提供的一种特钢生产车间的监测预警方法的流程示意图;
图2为本申请提供的一种特钢生产车间的监测预警方法中获得相关性集合的流程示意图;
图3为本申请提供的一种特钢生产车间的监测预警方法中构建预警分析模型并获得预警信息的流程示意图;
图4为本申请提供了一种特钢生产车间的监测预警系统结构示意图。
附图标记说明:生产信息采集模块11,产品信息采集模块12,相关性分析模块13,敏感生产信息确定模块14,实时生产信息采集模块15,生产预警模块16。
具体实施方式
本申请通过提供了一种特钢生产车间的监测预警方法及系统,用于针对解决现有技术中存在的特钢生产质量监测效率低、准确率低、时效性差的技术问题。
实施例一
如图1所示,本申请提供了一种特钢生产车间的监测预警方法,所述方法包括:
S100:采集获取生产车间在历史生产过程中的多维度生产信息,获得多个历史生产信息集合,其中,所述生产车间用于生产特钢;
本申请实施例中,生产车间为用于进行特钢生产的任意特钢生产车间,该生产车间内可包括任意型号特钢生产过程中的任意一个或多个生产工序,示例性地,可包括熔炼、热处理、锻造等任意工序。
该生产车间生产的特钢可为现有技术中任意型号的特殊钢,示例性地,该特钢可为任意牌号的轴承钢、高速钢等。
具体地,采集生产车间在此前进行生产特钢的过程中,多个生产工序中的多维度生产信息,示例性地,多维度生产信息可包括热处理的温度信息、冷却介质的纯净度信息、生产环境的温度信息、设备的维修信息、锻造压力信息等多个维度的生产信息,具体根据生产车间生产的特钢牌号和具体生产工序进行设置和采集。具体地,可在采集获得信息后,进行数值化处理或进行标识,获得历史生产信息集合。其中,历史生产信息集合内包括随时间变化的各维度的生产信息数据。
S200:采集获取所述生产车间在历史生产过程中生产特钢的多维度产品信息,获得历史产品信息集合;
本申请实施例中,多维度产品信息即为生产车间所生产的特钢产品的多维度信息,示例性地,多维度产品信息可包括特钢产品的质量信息和销量信息。
该质量信息可基于特钢产品生产完成后进行质量检测获得,示例性地,可具体为各批次特钢产品的合格率,或基于专家评价的质量评分。该销量信息可基于特钢产品的销售信息进行计算获得。
采集获得的多维度产品信息对应的时间与上述的多维度生产信息对应的时间相同,历史产品信息集合内包括随时间变化的各维度的特钢产品信息数据。
S300:分析判断所述历史产品信息集合和多个所述历史生产信息集合之间的相关性,获得相关性信息集合;
本申请实施例中,历史产品信息集合内的历史产品信息随着时间的推移而变化,多个历史生产信息集合内的历史生产信息也随着时间的推移而变化,具体变化的原因可为自然变化或为生产参数的调整。
具体地,为根据生产信息的变化预测特钢产品可能会出现的变化,进而进行生产过程中的生产监测预警,本申请实施例中,分析历史产品信息集合内数据的变化和多个历史生产信息集合内数据的变化之间的相关性。
具体地,分别分析各个历史生产信息集合内数据变化与历史产品信息集合内数据变化的相关性。
示例性地,采用灰色关联度分析法(Grey Relation Analysis,GRA)进行上述相关性的分析计算,获得相关性信息集合。
S400:根据所述相关性信息集合,选择获得相关性最大的若干个所述历史生产信息集合,并获得对应维度的生产信息种类,作为若干个敏感生产信息;
本申请实施例中,根据该相关性信息集合,选择其中相关性最大的若干个历史生产信息集合,进而获得对应维度的生产信息的种类,作为若干个敏感生产信息。
由于该若干个敏感生产信息对应的历史生产信息集合内数据的变化与历史产品信息集合内数据的变化之间的相关性较大,所以该若干个敏感生产信息的变化最为能够反应特钢产品信息的变化,基于该若干个敏感生产信息,进行特钢生产的监测预警,能够较为准确地预测出可能出现的特钢异常生产的情况。
优选地,敏感生产信息的数量优选为三个。
S500:采集获取当前所述生产车间生产过程中若干个所述敏感生产信息的数据,获得实时敏感生产信息集合;
本申请实施例中,基于上述内容中获得的若干个敏感生产信息的维度种类,采集获取当前生产车间在生产特钢的过程中,若干个敏感生产信息对应维度生产信息的具体数据,获得当前进行特钢生产监测预警的实时敏感生产信息集合。其中,该实时敏感生产信息集合内包括当前时间段若干个敏感生产信息的相关数据。
S600:将所述实时敏感生产信息集合输入预警分析模型,获得输出结果,进行预警。
本申请实施例中,将采集获得的实时敏感生产信息集合输入预警分析模型,获得根据当前的实时的敏感生产信息进行分析预测获得的输出结果,进行预警,具体根据该输出结果可判断是否需要进行预警以及若需要预警,获得预警的程度。
示例性地,该预警分析模型可基于此前历史内的敏感生产信息和对应的产品信息进行构建,根据此前的生产经验进行当前生产过程中的分析监测预警。
本申请实施例通过采集特钢生产过程中的多维度生产信息数据,并采集按照该多维度生产信息数据生产获得的特钢产品的多维度产品信息,分析多维度生产信息和多维度产品信息变化之间的相关性,基于数据变化相关性分析,能够准确获得最为影响特钢产品生产的敏感生产信息,进而采集当前的敏感生产信息数据,并构建具有多层网络结构的预警分析模型,将相关性较大的敏感生产信息数据输入该预警分析模型,进行较为准确的生产监测预警,能够获得较为准确的预警结果,本申请实施例构建了智能化的特钢生产车间生产过程中的监测预警方法,能够降低监测预警过程中的人工参与度,降低人工成本,达到提升特钢生产车间监测预警的准确性、时效性和效率的技术效果。
本申请实施例提供的方法中的步骤S100包括:
S110:设置获得预设时间周期;
S120:采集获取所述生产车间在历史内的多个所述预设时间周期内的所述多维度生产信息,获得多个历史多维度生产信息集合;
S130:将多个所述历史多维度生产信息集合按照生产信息种类进行划分聚类,获得多个所述历史生产信息集合。
具体地,根据采集数据的周期,设置预设时间周期,预设时间周期可设置为具有任意时间跨度的时间周期,示例性地,可为一周、一月、一季度等。
优选地,预设时间周期可根据特钢生产过程中生产信息的变化周期进行设置,具体可根据特钢的历史生产经验设置。可选的,预设时间周期也可根据特钢生产的订单周期进行设置。
进一步地,采集获得生产车间在此前历史内多个连续的预设时间周期内的多维度生产信息,获得多个历史多维度生产信息集合。每个历史多维度生产信息集合均包括一预设时间周期内的多维度生产信息数据。其中,可对一预设时间周期内采集获得的一维度生产信息数据求均值或中值,作为该预设时间周期内该维度生产信息的生产信息数据。
将多个历史多维度生产信息集合按照生产信息的维度种类进行划分,进一步将每个维度种类生产信息在多个预设时间周期内的数据按照时序进行保存,获得多个历史生产信息集合。其中,每个历史生产信息集合内均包括同一维度生产信息在多个预设时间周期内的数据。
本申请实施例通过合理地设置时间周期,可采集获得随着时间变化的多维度生产信息的数据,进而可获得以时序为变化顺序的多个历史生产信息集合,进而可用于分析生产信息数据变化和产品信息数据变化之间的相关性,为特钢生产车间的监测预警提供数据基础。
本申请实施例提供的方法中的步骤S200包括:
S210:采集获取所述生产车间在历史内的多个所述预设时间周期内生产所述特钢的产品质量信息,获得产品质量信息集合;
S220:采集获取所述生产车间在历史内的多个所述预设时间周期内生产所述特钢的产品销量信息,获得产品销量信息集合;
S230:将所述产品质量信息集合和所述产品销量信息集合作为所述历史产品信息集合。
本申请实施例中,为分析生产信息数据变化与产品信息数据变化之间的相关性,按照前述内容中设置的预设时间周期,采集获取生产车间此前历史内生产特钢的多维度产品信息。
该多维度产品信息优选包括产品质量信息和产品销量信息。
按照该预设时间周期,采集获取生产车间在历史内多个连续的预设时间周期内生产特钢时采集获得的产品质量信息,获得多个预设时间周期内的产品质量信息集合。
按照该预设时间周期,采集获取生产车间在历史内多个连续的预设时间周期内生产和销售特钢时采集获得的产品销量信息,获得多个预设时间周期内的产品销量信息集合。
将产品质量信息集合和产品销量信息集合作为上述的历史产品信息集合。
本申请实施例通过相同的时间周期,采集特钢生产车间历史内生产和销售特钢产品的产品质量信息和产品销量信息,这两个维度的产品信息直接影响特钢生产质量和车间效益,能够作为对车间生产进行监测预警的决定性因素,实际上进行生产车间监测预警的目的也是为了提升特钢产品的质量和效益,基于此,能够构建最为符合特钢监测需求的方法,达到提升特钢生产监测准确性的效果。
如图2所示,本申请实施例提供的方法中的步骤S300包括:
S310:分析计算多个所述预设时间周期内,多个所述历史生产信息集合与所述产品质量信息集合的相关性,获得第一子相关性集合;
S320:分析计算多个所述预设时间周期内,多个所述历史生产信息集合与所述产品销量信息集合的相关性,获得第二子相关性集合;
S330:根据产品质量和产品销量的重要程度,进行权重分配,获得权重分配结果;
S340:根据所述第一子相关性集合和所述第二子相关性集合,获得多个维度所述生产信息的第一子相关性和第二子相关性;
S350:采用所述第一权重分配结果分别对所述多维度生产信息的所述第一子相关性和所述第二子相关性进行加权求和,获得所述相关性集合。
具体地,基于获得的多个历史生产信息集合,以及历史产品信息集合内的产品质量信息集合和产品销量信息集合,分别分析计算多个预设时间周期形成的时序内,多个历史生产信息集合内数据变化与产品质量信息集合内数据变化的相关性,以及,分析计算历史生产信息集合内数据变化与产品销量信息集合内数据变化的相关性。
示例性地,本申请实施例中基于灰色关联度分析法进行上述相关性的分析计算。
以分析计算多个历史生产信息集合内数据变化与产品质量信息集合内数据变化的相关性为例,本申请实施例提供的方法中的步骤S310包括:
S311:将所述产品质量信息集合内的产品质量信息按照多个所述预设时间周期的时序进行排序,获得主序列;
S312:将多个所述历史生产信息集合内的历史生产信息按照多个所述预设时间周期的时序进行排序,获得多个影响序列;
S313:对所述主序列和多个所述影响序列进行无量纲化处理;
S314:根据所述无量纲化处理的结果,计算所述主序列和多个所述影响序列的关联系数,获得关联系数集合,如下式:
其中,为第i个影响序列内第k个数据与主序列内第k个数据的影响关联系数,ρ为可调节计算系数,为各影响序列中的每个数据与主序列内每个数据的绝对差值,为第i个影响序列中的每个数据与主序列内每个数据的绝对差值的两级最小差,为第i个影响序列中的每个数据与主序列内每个数据的绝对差值的两级最大差;
S315:根据所述关联系数集合,计算获得多个所述影响序列对所述主序列的影响关联度,获得所述第一子相关性集合。
具体地,基于灰色关联度分析法,将产品质量信息集合内的产品质量信息数据按照预设时间周期的时序进行排序,获得主序列,并分别将多个历史生产信息集合内的历史生产信息按照预设时间周期的时序进行排序,分别获得多个影响序列。
对主序列和多个影响序列内的数据进行无量纲化处理,避免数据量纲对数据分析的影响,而仅关注数据变化之间的关联程度。
基于无量纲化处理的结果,计算主序列和多个影响序列的关联系数,如下式:
其中,为第i个影响序列内第k个数据与主序列内第k个数据的影响关联系数,ρ为可调节计算系数,取值范围为0到1,优选为0.5,为各影响序列中的每个数据与主序列内每个数据的绝对差值,为第i个影响序列中的每个数据与主序列内每个数据的绝对差值的两级最小差,为第i个影响序列中的每个数据与主序列内每个数据的绝对差值的两级最大差,其中,定义为主序列,为第i个影响序列,上述内容可基于现有技术中的灰色关联度分析数学计算方法计算获得。
基于计算获得的关联系数集合,分别计算获得多个影响序列内数据变化对主序列内数据变化的影响关联度,获得多个第一子相关性,获得第一子相关性集合。
第二子相关性集合内的第二子相关性同样通过灰色关联度分析法计算获得,相关计算为习知的方法,不再赘述。
完成相关性的分析计算,分别获得各个维度生产信息数据变化与产品质量信息数据变化的相关性,作为第一相关性集合。以及,分别获得各个维度生产信息数据变化与产品销量信息数据变化的相关性,作为第二相关性集合。
进一步地,基于该第一子相关性集合和第二子相关性集合,能够获得各维度生产信息与产品质量信息的第一子相关性和第二子相关性,且各不相同,即每个维度生产信息对于产品质量信息和产品销量信息的影响程度是不同的。
根据当前生产车间生产和销售特钢过程中,特钢产品质量和销量的重要程度,进行权重分配,获得权重分配结果。示例性地,该权重分配的过程可基于现有技术中任意可行的权重分配方法进行,例如可基于专家评价的方法进行赋权。优选地,权重分配结果内,特钢产品质量的权重值大于特钢产品销量的权重值。
利用该权重分配结果,对各维度生产信息的第一子相关性和第二子相关性分别进行加权计算,并根据加权计算的结果进行求和,获得最后的各维度生产信息对特钢生产的总相关性,获得相关性集合。
本申请实施例通过分别分析计算各维度生产信息对于特钢生产车间内特钢产品质量变化的相关性,以及对于特钢产品销量变化的相关性,并基于权重分配,进行加权求和,获得各维度生产信息对于特钢生产的整体影响相关性,进而能够更为准确的确定敏感生产信息,进行更为准确的、最为符合特钢生产车间监测需求的生产监测预警。
如图3所示,本申请实施例提供的方法中的步骤S600包括:
S610:构建所述预警分析模型的输入层和输出层;
S620:构建所述预警分析模型的生产监测层;
S630:基于BP神经网络,构建所述预警分析模型的预警信息预测层;
S640:将所述实时敏感生产信息集合通过所述输入层输入所述生产监测层,获得监测信息;
S650:将所述监测信息输入所述预警信息预测层,获得预警信息,进行预警。
具体地,构建预警分析模型的输入层和输出层,输入层用于输入参数的输入,输出层用于输出模型的输出参数。
构建预警分析模型的生产监测层,该生产监测层用于根据当前生产车间的实时敏感生产信息集合,输出对当前敏感生产信息的监测信息,该监测信息包括当前的敏感生产信息数据是否正常的信息。
进一步地,基于机器学习中的BP神经网络模型,构建预警分析模型的预警信息预测层,该预警信息预测层内包括多个模拟人体大脑神经元的简单单元,预警信息预测层可在监督训练过程中形成简单单元之间连接的权值及阈值等参数,训练完成后的预警信息预测层可根据输入参数进行复杂的非线性逻辑运算,输出预测获得的输出参数。预警信息预测层的输入参数为生产监测层输出的监测信息,输出参数为根据该监测信息分析预测获得的预警信息,该预警信息包括是否需要预警以及若需要预警,预警的程度信息。
在构建完成各层后,依次连接输入层、生产监测层、预警信息预测层和输出层,获得所述预警分析模型。
进一步地,基于当前采集获得的生产车间内的敏感生产信息的实时敏感生产信息集合,其内优选包括三个敏感生产信息的当前实时数据,将其输入通过输入层输入预警分析模型,首先输入生产监测层,获得对应的监测信息,然后将该监测信息输入预警信息预测层,获得对应的预警信息,所述预警信息即为上述的输出结果,根据该预警信息进行预警。
本申请实施例通过构建具有多层结构的预警分析模型,能够根据特钢生产车间当前的敏感生产信息数据,判断当前的敏感生产信息是否出现问题,进而输出对应的预警信息,完成准确而智能的生产监测预警。
其中,构建生产监测层的过程中,本申请实施例提供的方法中的步骤S620包括:
S621:基于若干个所述敏感生产信息,构建生产监测坐标空间;
S622:采集获取所述生产车间在历史生产过程中的不同生产状态下的历史敏感生产信息,获得多个历史敏感生产信息集合;
S623:将多个所述历史敏感生产信息集合输入所述生产监测坐标空间,获得多个坐标点;
S624:按照不同所述生产状态,将多个所述坐标点进行聚类,获得多个聚类结果;
S625:将多个所述聚类结果和所述生产监测坐标空间作为所述生产监测层。
具体地,首先基于若干个敏感生产信息的类别,构建生产监测坐标空间。优选地,基于三个敏感生产信息,并以各维度敏感生产信息的数据,分别构建x坐标轴、y坐标轴和z坐标轴,进而构建三维坐标空间形式的生产监测坐标空间。
然后,采集获取生产车间在历史生产过程中不同生产状态下的多个历史敏感生产信息,获得多个历史敏感生产信息集合,每个生产状态下均包括多个历史敏感生产信息集合。其中,不同生产状态包括正常生产、不正常生产、严重不正常生产等状态,进一步地,例如不正常生产又可包括低质量生产和低产量生产等状态,每个状态下的历史敏感生产信息集合不同,具体可通过历史的生产经验以及生产数据判断设置获得多个不同的生产状态。
进一步地,将多个该历史敏感生产信息集合输入上述的生产监测坐标空间内,根据每个历史敏感生产信息集合内三个维度的历史敏感生产信息数据,在生产监测坐标空间内形成多个坐标点。
基于前述的不同的生产状态下的历史敏感生产信息集合,根据不同生产状态将上述的多个坐标点进行聚类,获得多个聚类结果。将该多个聚类结果和该生产监测坐标空间作为上述的生产监测层。
进一步地,在获得当前的实时敏感生产信息集合之后,将其输入上述的生产监测坐标空间,根据其内的敏感生产信息数据,进而可获得当前的实时坐标点,计算该实时坐标点与多个聚类结果的中心的欧氏距离,获得多个欧氏距离,获得多个欧氏距离中最小的一欧氏距离,将该最小的欧氏距离对应的聚类结果对应的生产状态作为上述的监测信息。
其中,该监测信息内的聚类结果为当前实时敏感生产信息集合最为接近的聚类结果,故对应的生产状态也可认为为当前的生产状态,如此,本申请实施例基于K近邻算法的思想,准确且可视化地完成当前生产状态的监测,获得监测信息。
上述的预警信息预测层通过多组训练数据训练至收敛或输出结果达到预设的准确率获得,每组训练数据均包括上述的监测信息,即不同的生产状态,以及对应的预警信息,预警信息内包括是否预警和预警的程度等信息,可基于不同的生产状态进行人工监督设置和标识,并进行预警信息预测层的监督训练,并后续可进行验证和测试,避免预警信息预测层出现过拟合现象。
综上所述,本申请实施例通过采集特钢生产过程中的多维度生产信息数据,并采集按照该多维度生产信息数据生产获得的特钢产品的多维度产品信息,分析多维度生产信息和多维度产品信息变化之间的相关性,基于数据变化相关性分析,能够准确获得最为影响特钢产品生产的敏感生产信息,进而采集当前的敏感生产信息数据,并构建具有多层网络结构的预警分析模型,其内基于k近邻算法的思想以及BP神经网络模型,将相关性较大的敏感生产信息数据输入该预警分析模型,进行较为准确的生产监测预警,能够获得较为准确的预警结果,本申请实施例构建了智能化的特钢生产车间生产过程中的监测预警方法,能够降低监测预警过程中的人工参与度,降低人工成本,达到提升特钢生产车间监测预警的准确性、时效性和效率的技术效果。
实施例二
基于与前述实施例中一种特钢生产车间的监测预警方法相同的发明构思,如图4所示,本申请提供了一种特钢生产车间的监测预警系统,其中,所述系统包括:
生产信息采集模块11,用于采集获取生产车间在历史生产过程中的多维度生产信息,获得多个历史生产信息集合,其中,所述生产车间用于生产特钢;
产品信息采集模块12,用于采集获取所述生产车间在历史生产过程中生产特钢的多维度产品信息,获得历史产品信息集合;
相关性分析模块13,用于分析判断所述历史产品信息集合和多个所述历史生产信息集合之间的相关性,获得相关性信息集合;
敏感生产信息确定模块14,用于根据所述相关性信息集合,选择获得相关性最大的若干个所述历史生产信息集合,并获得对应维度的生产信息种类,作为若干个敏感生产信息;
实时生产信息采集模块15,用于采集获取当前所述生产车间生产过程中若干个所述敏感生产信息的数据,获得实时敏感生产信息集合;
生产预警模块16,用于将所述实时敏感生产信息集合输入预警分析模型,获得输出结果,进行预警。
进一步的,所述生产信息采集模块11还用于实现以下功能:
设置获得预设时间周期;
采集获取所述生产车间在历史内的多个所述预设时间周期内的所述多维度生产信息,获得多个历史多维度生产信息集合;
将多个所述历史多维度生产信息集合按照生产信息种类进行划分聚类,获得多个所述历史生产信息集合。
进一步的,所述产品信息采集模块12还用于实现以下功能:
采集获取所述生产车间在历史内的多个所述预设时间周期内生产所述特钢的产品质量信息,获得产品质量信息集合;
采集获取所述生产车间在历史内的多个所述预设时间周期内生产所述特钢的产品销量信息,获得产品销量信息集合;
将所述产品质量信息集合和所述产品销量信息集合作为所述历史产品信息集合。
进一步的,所述相关性分析模块13还用于实现以下功能:
分析计算多个所述预设时间周期内,多个所述历史生产信息集合与所述产品质量信息集合的相关性,获得第一子相关性集合;
分析计算多个所述预设时间周期内,多个所述历史生产信息集合与所述产品销量信息集合的相关性,获得第二子相关性集合;
根据产品质量和产品销量的重要程度,进行权重分配,获得权重分配结果;
根据所述第一子相关性集合和所述第二子相关性集合,获得多个维度所述生产信息的第一子相关性和第二子相关性;
采用所述权重分配结果分别对所述多维度生产信息的所述第一子相关性和所述第二子相关性进行加权求和,获得所述相关性集合。
其中,所述分析计算多个所述预设时间周期内,多个所述历史生产信息集合与所述产品质量信息集合的相关性,包括:
将所述产品质量信息集合内的产品质量信息按照多个所述预设时间周期的时序进行排序,获得主序列;
将多个所述历史生产信息集合内的历史生产信息按照多个所述预设时间周期的时序进行排序,获得多个影响序列;
于对所述主序列和多个所述影响序列进行无量纲化处理;
根据所述无量纲化处理的结果,计算所述主序列和多个所述影响序列的关联系数,获得关联系数集合,如下式:
其中,为第i个影响序列内第k个数据与主序列内第k个数据的影响关联系数,ρ为可调节计算系数,为各影响序列中的每个数据与主序列内每个数据的绝对差值,为第i个影响序列中的每个数据与主序列内每个数据的绝对差值的两级最小差,为第i个影响序列中的每个数据与主序列内每个数据的绝对差值的两级最大差;
根据所述关联系数集合,计算获得多个所述影响序列对所述主序列的影响关联度,获得所述第一子相关性集合。
进一步的,所述生产预警模块16还用于实现以下功能:
构建所述预警分析模型的输入层和输出层;
构建所述预警分析模型的生产监测层;
基于BP神经网络,构建所述预警分析模型的预警信息预测层;
将所述实时敏感生产信息集合通过所述输入层输入所述生产监测层,获得监测信息;
将所述监测信息输入所述预警信息预测层,获得预警信息,进行预警。
进一步的,所述构建所述预警分析模型的生产监测层,包括:
基于若干个所述敏感生产信息,构建生产监测坐标空间;
采集获取所述生产车间在历史生产过程中的不同生产状态下的历史敏感生产信息,获得多个历史敏感生产信息集合;
将多个所述历史敏感生产信息集合输入所述生产监测坐标空间,获得多个坐标点;
按照不同所述生产状态,将多个所述坐标点进行聚类,获得多个聚类结果;
将多个所述聚类结果和所述生产监测坐标空间作为所述生产监测层。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种特钢生产车间的监测预警方法,其特征在于,所述方法包括:
采集获取生产车间在历史生产过程中的多维度生产信息,获得多个历史生产信息集合,其中,所述生产车间用于生产特钢;
采集获取所述生产车间在历史生产过程中生产特钢的多维度产品信息,获得历史产品信息集合;
分析判断所述历史产品信息集合和多个所述历史生产信息集合之间的相关性,获得相关性信息集合;
根据所述相关性信息集合,选择获得相关性最大的若干个所述历史生产信息集合,并获得对应维度的生产信息种类,作为若干个敏感生产信息;
采集获取当前所述生产车间生产过程中若干个所述敏感生产信息的数据,获得实时敏感生产信息集合;
将所述实时敏感生产信息集合输入预警分析模型,获得输出结果,进行预警。
2.根据权利要求1所述的方法,其特征在于,所述采集获取生产车间在历史生产过程中的多维度生产信息,包括:
设置获得预设时间周期;
采集获取所述生产车间在历史内的多个所述预设时间周期内的所述多维度生产信息,获得多个历史多维度生产信息集合;
将多个所述历史多维度生产信息集合按照生产信息种类进行划分聚类,获得多个所述历史生产信息集合。
3.根据权利要求2所述的方法,其特征在于,所述采集获取所述生产车间在历史生产过程中的多维度产品信息,包括:
采集获取所述生产车间在历史内的多个所述预设时间周期内生产所述特钢的产品质量信息,获得产品质量信息集合;
采集获取所述生产车间在历史内的多个所述预设时间周期内生产所述特钢的产品销量信息,获得产品销量信息集合;
将所述产品质量信息集合和所述产品销量信息集合作为所述历史产品信息集合。
4.根据权利要求3所述的方法,其特征在于,所述分析判断所述历史产品信息集合和多个所述历史生产信息集合之间的相关性,包括:
分析计算多个所述预设时间周期内,多个所述历史生产信息集合与所述产品质量信息集合的相关性,获得第一子相关性集合;
分析计算多个所述预设时间周期内,多个所述历史生产信息集合与所述产品销量信息集合的相关性,获得第二子相关性集合;
根据产品质量和产品销量的重要程度,进行权重分配,获得权重分配结果;
根据所述第一子相关性集合和所述第二子相关性集合,获得多个维度所述生产信息的第一子相关性和第二子相关性;
采用所述权重分配结果分别对所述多维度生产信息的所述第一子相关性和所述第二子相关性进行加权求和,获得所述相关性集合。
5.根据权利要求4所述的方法,其特征在于,所述分析计算多个所述预设时间周期内,多个所述历史生产信息集合与所述产品质量信息集合的相关性,包括:
将所述产品质量信息集合内的产品质量信息按照多个所述预设时间周期的时序进行排序,获得主序列;
将多个所述历史生产信息集合内的历史生产信息按照多个所述预设时间周期的时序进行排序,获得多个影响序列;
对所述主序列和多个所述影响序列进行无量纲化处理;
根据所述无量纲化处理的结果,计算所述主序列和多个所述影响序列的关联系数,获得关联系数集合,如下式:
其中,为第i个影响序列内第k个数据与主序列内第k个数据的影响关联系数,ρ为可调节计算系数,为各影响序列中的每个数据与主序列内每个数据的绝对差值, 为第i个影响序列中的每个数据与主序列内每个数据的绝对差值的两级最小差, 为第i个影响序列中的每个数据与主序列内每个数据的绝对差值的两级最大差;
根据所述关联系数集合,计算获得多个所述影响序列对所述主序列的影响关联度,获得所述第一子相关性集合。
6.根据权利要求1所述的方法,其特征在于,所述将所述实时敏感生产信息集合输入预警分析模型,获得分析结果,包括:
构建所述预警分析模型的输入层和输出层;
构建所述预警分析模型的生产监测层;
基于BP神经网络,构建所述预警分析模型的预警信息预测层;
将所述实时敏感生产信息集合通过所述输入层输入所述生产监测层,获得监测信息;
将所述监测信息输入所述预警信息预测层,获得预警信息,进行预警。
7.根据权利要求6所述的方法,其特征在于,所述构建所述预警分析模型的生产监测层,包括:
基于若干个所述敏感生产信息,构建生产监测坐标空间;
采集获取所述生产车间在历史生产过程中的不同生产状态下的历史敏感生产信息,获得多个历史敏感生产信息集合;
将多个所述历史敏感生产信息集合输入所述生产监测坐标空间,获得多个坐标点;
按照不同所述生产状态,将多个所述坐标点进行聚类,获得多个聚类结果;
将多个所述聚类结果和所述生产监测坐标空间作为所述生产监测层。
8.一种特钢生产车间的监测预警系统,其特征在于,所述系统包括:
生产信息采集模块,用于采集获取生产车间在历史生产过程中的多维度生产信息,获得多个历史生产信息集合,其中,所述生产车间用于生产特钢;
产品信息采集模块,用于采集获取所述生产车间在历史生产过程中生产特钢的多维度产品信息,获得历史产品信息集合;
相关性分析模块,用于分析判断所述历史产品信息集合和多个所述历史生产信息集合之间的相关性,获得相关性信息集合;
敏感生产信息确定模块,用于根据所述相关性信息集合,选择获得相关性最大的若干个所述历史生产信息集合,并获得对应维度的生产信息种类,作为若干个敏感生产信息;
实时生产信息采集模块,用于采集获取当前所述生产车间生产过程中若干个所述敏感生产信息的数据,获得实时敏感生产信息集合;
生产预警模块,用于将所述实时敏感生产信息集合输入预警分析模型,获得输出结果,进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210781726.8A CN114863661B (zh) | 2022-07-05 | 2022-07-05 | 一种特钢生产车间的监测预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210781726.8A CN114863661B (zh) | 2022-07-05 | 2022-07-05 | 一种特钢生产车间的监测预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114863661A CN114863661A (zh) | 2022-08-05 |
CN114863661B true CN114863661B (zh) | 2022-10-04 |
Family
ID=82625628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210781726.8A Active CN114863661B (zh) | 2022-07-05 | 2022-07-05 | 一种特钢生产车间的监测预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114863661B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293629B (zh) * | 2022-08-19 | 2023-04-28 | 福赛轴承(嘉兴)有限公司 | 一种滚动轴承零件的生产加工方法及系统 |
CN115130048A (zh) * | 2022-08-30 | 2022-09-30 | 成都千嘉科技股份有限公司 | 一种管道腐蚀检测数据的降维采集方法 |
CN115261522B (zh) * | 2022-09-26 | 2023-01-10 | 山东友邦肥业科技有限公司 | 一种微生物发酵的环境控制方法及系统 |
CN115933574B (zh) * | 2023-01-09 | 2024-04-26 | 浙江聚优非织造材料科技有限公司 | 一种生产非织造产品的智能控制方法及系统 |
CN115852289A (zh) * | 2023-02-13 | 2023-03-28 | 惠博新材料股份有限公司 | 一种镀锌板制作加工过程监控方法及监控系统 |
CN116307641B (zh) * | 2023-05-19 | 2023-08-11 | 广州健新科技有限责任公司 | 一种面向数字化电厂的资源协同调度管理方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108787749B (zh) * | 2017-04-28 | 2020-04-28 | 宝山钢铁股份有限公司 | 一种热轧生产计划预警方法 |
CN107402532A (zh) * | 2017-06-23 | 2017-11-28 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网车间环境监测方法和系统 |
JP6995709B2 (ja) * | 2018-07-06 | 2022-01-17 | 新東工業株式会社 | 鋳鋼鋳物製造システム |
CN110244673A (zh) * | 2019-06-11 | 2019-09-17 | 中科台达(湖州)信息技术有限公司 | 一种金属材料生产企业设备在线监管方法和系统 |
CN114192583B (zh) * | 2021-10-27 | 2023-05-16 | 中冶南方(武汉)自动化有限公司 | 一种基于Scada平台的带钢轧制过程质量监控方法和系统 |
-
2022
- 2022-07-05 CN CN202210781726.8A patent/CN114863661B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114863661A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114863661B (zh) | 一种特钢生产车间的监测预警方法及系统 | |
CN111241657B (zh) | 一种基于深度学习的冷轧带钢板形预测方法 | |
CN109063308B (zh) | 一种基于深度量子学习的健康评估方法 | |
CN115796372B (zh) | 一种基于scor的供应链管理优化方法及系统 | |
CN113420061B (zh) | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 | |
CN116300758A (zh) | 基于云计算的智能制造工业生产数据采集分析系统及方法 | |
CN108876100A (zh) | 基于ism和ahp的神经网络食品安全风险预测模型 | |
CN115993856B (zh) | 一种厂房多区域环境条件管控方法及系统 | |
CN111882363A (zh) | 销量预测方法、系统及终端 | |
CN108492026A (zh) | 一种基于集成正交成分最优化回归分析的软测量方法 | |
CN106054832B (zh) | 基于多变量的间歇化工生产过程动态在线监测方法与装置 | |
CN112241832B (zh) | 一种产品质量分级评价标准设计方法及系统 | |
CN113868948A (zh) | 一种面向用户的动态阈值模型训练系统及方法 | |
CN111950775A (zh) | 一种基于大数据的经济运行监测方法 | |
CN110738403B (zh) | 一种数据处理方法、设备及计算机存储介质 | |
CN112884197A (zh) | 一种基于双模型的水华预测方法和装置 | |
CN111931992A (zh) | 一种电力负荷预测指标选取方法及装置 | |
JP3884682B2 (ja) | プロセスデータの解析方法及び解析装置 | |
CN117314149A (zh) | 一种食品安全监督管理系统 | |
JP3579553B2 (ja) | 設備及び製品プロセス異常状態の診断方法及び診断装置 | |
CN115446276A (zh) | 基于卷积神经网络识别结晶器铜板v型黏结特征的连铸漏钢预警方法 | |
Kumar et al. | Multi attribute outranking approach for supplier selection | |
CN111258996B (zh) | 一种面向工业大数据的产品质量多源深度融合预报方法 | |
CN115062431B (zh) | 一种基于CS-Elman神经网络模型的热轧板凸度预测方法 | |
CN112508320B (zh) | 一种批生产的自动过程阶段划分工作流 |
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 |