CN115129687A - 基于异常工况数据库管理的方法、相关装置及介质和程序 - Google Patents
基于异常工况数据库管理的方法、相关装置及介质和程序 Download PDFInfo
- Publication number
- CN115129687A CN115129687A CN202210676370.1A CN202210676370A CN115129687A CN 115129687 A CN115129687 A CN 115129687A CN 202210676370 A CN202210676370 A CN 202210676370A CN 115129687 A CN115129687 A CN 115129687A
- Authority
- CN
- China
- Prior art keywords
- database
- abnormal
- working condition
- data
- production
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 148
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 101
- 230000008569 process Effects 0.000 claims abstract description 106
- 238000004519 manufacturing process Methods 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000015654 memory Effects 0.000 claims description 31
- 230000035484 reaction time Effects 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 description 17
- 239000001257 hydrogen Substances 0.000 description 14
- 229910052739 hydrogen Inorganic materials 0.000 description 14
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 12
- 239000003550 marker Substances 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 239000012634 fragment Substances 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- 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)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开一种基于异常工况数据库管理的方法、相关装置及介质和程序，所述方法包括以下步骤：当存在异常工况时，生成非标工况编码，判断是否存在所述非标工况编码对应的第一数据库，当不存在所述第一数据库时，新建第二数据库；获取所述非标工况编码对应的工艺参数，将所述工艺参数存储到所述第二数据库，将所述工艺参数对应的生产产品数据和生产过程数据记录在所述第二数据库中；基于所述第二数据库，对所述异常工况进行处理，重新设定所述工艺参数的预设值。采用本申请，能够大幅度提升非标工况下生产的调整效率。
Description
技术领域
本申请属于互联网产业的一般数据处理领域，主要涉及了一种基于异常工况数据库管理的方法、相关装置及介质和程序。
背景技术
目前，一般的标杆工况数据库适应简单的生产工艺参数，当生产出现非标准工况时，需要调整相应数据库的工艺参数，来使生产品质保持良好水准。
现有技术中，一般根据生产人员多年的经验积累，来调整生产数据库的工艺参数，以适应非标准工况的变化，该调整过程效率低下。
发明内容
本申请的一个目的在于提供了一种基于异常工况数据库管理的方法、相关装置及相关介质程序，其优势在于，大幅度提升非标工况下生产的调整效率。
为实现上述目的，第一方面，本申请实施例提供一种基于异常工况数据库管理的方法，其中包括：
当存在异常工况时，生成非标工况编码，判断是否存在所述非标工况编码对应的第一数据库，当不存在所述第一数据库时，新建第二数据库；
获取所述非标工况编码对应的工艺参数，将所述工艺参数存储到所述第二数据库，将所述工艺参数对应的生产产品数据和生产过程数据记录在所述第二数据库中；
基于所述第二数据库，对所述异常工况进行处理，重新设定所述工艺参数的预设值。
可以理解，当存在异常工况时，生成非标工况编码，判断是否存在所述非标工况编码对应的第一数据库，当不存在所述第一数据库时，新建第二数据库，获取所述非标工况编码对应的工艺参数，将所述工艺参数存储到所述第二数据库，将所述工艺参数对应的生产产品数据和生产过程数据记录在所述第二数据库中，基于所述第二数据库，对所述异常工况进行处理，重新设定所述工艺参数的预设值，能够提升非标工况下生产的调整效率。
在一个可能的示例中，所述第二数据库包括参数计分卡，所述参数计分卡包括可调整的所述预设值，所述预设值根据所述异常工况使用预测算法进行计算。
可以理解，根据所述异常工况，使用预测算法计算预设值，能够优化预设值的准确度。
在一个可能的示例中，将所述工艺参数对应的生产产品数据和生产过程数据记录在所述第二数据库中，包括以下步骤：
将工艺参数异常值存入所述第二数据库；
将生产验证结果产品参数存入所述第二数据库。
可以理解，将工艺参数异常值存入所述第二数据库，将生产验证结果产品参数存入所述第二数据库，能够优化生产产品数据和生产过程数据的完整度。
在一个可能的示例中，基于所述第二数据库，对所述异常工况进行处理，包括以下步骤：
对所述异常工况进行监控；
对所述生产过程数据进行更新。
可以理解，对所述异常工况进行监控，对所述生产过程数据进行更新，能够优化异常工况的应对效率。
在一个可能的示例中，对所述异常工况进行监控，包括以下步骤：
当所述工艺参数出现异常时，生成所述工艺参数数据项。
可以理解，当所述工艺参数出现异常时，生成所述工艺参数数据项，能够优化工艺参数的监控。
在一个可能的示例中，当所述工艺参数出现异常时，生成所述工艺参数数据项包括以下步骤：
基于批次标准反应时间、标杆工况已反应时间、剩余反应时间、参数变化次数、变化时间段位置和工艺参数均值中的至少一项，生成所述工艺参数数据项。
可以理解，基于批次标准反应时间、标杆工况已反应时间、剩余反应时间、参数变化次数、变化时间段位置和工艺参数均值中的至少一项，生成所述工艺参数数据项，能够提升异常工艺参数的记录效率。
在一个可能的示例中，基于所述第二数据库，对所述异常工况进行处理，重新设定所述工艺参数的预设值，包括以下步骤：
基于产品的批次编号，从所述第二数据库中获取所述批次编号对应数据；
基于所述对应数据，分析所述批次编号中非标准参数的变化趋势，对所述预设值进行重新设定。
可以理解，从所述第二数据库中获取所述批次编号对应数据，分析所述批次编号中非标准参数的变化趋势，对所述预设值进行重新设定，能够优化处理异常工况的效率。
第二方面，一种基于异常工况数据库管理的装置，包括用于执行第一方面或者第一方面任一实施方式提供的方法的模块。
第三方面，一种基于异常工况数据库管理的设备，其特征在于，包括处理器、存储器以及一个或至少一个程序，其中，所述一个或至少一个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行第一方面或者第一方面任一实施方式提供的方法的指令。
第四方面，一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，所述计算机程序使得计算机执行以实现第一方面或者第一方面任一实施方式提供的方法。
实施本申请实施例，将具有如下有益效果：
当存在异常工况时，根据所述异常工况生成非标工况编码，判断是否存在所述非标工况编码对应的第一数据库；当不存在所述第一数据库时，新建第二数据库，将非标工况数据存入所述第二数据库中；基于所述第二数据库的所述非标工况数据，对所述异常工况进行处理,大幅度提升非标工况下生产的调整效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以基于这些附图获得其他的附图。其中：
图1为本申请实施例提供的一种基于异常工况数据库管理的应用场景图；
图2为本申请实施例提供的一种基于异常工况数据库管理的流程示意图；
图3为本申请实施例提供的一种基于异常工况数据库管理装置的结构示意图；
图4为本申请实施例提供的一种基于异常工况数据库管理设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作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。
本申请中的术语“1”和“2”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
请参见图1，图1为本申请实施例提供的一种基于异常工况数据库管理的应用场景图。如图1所示，该应用场景图包括用户101、电子设备102、服务器103。需要说明的是，图1所示的系统中的各个设备的数量、各个设备的形态和用户的数量用于举例，并不构成对本申请实施例的限定，一个用户可以使用多个电子设备。
其中，用户101是实际操作电子设备102的用户，以控制电子设备102执行相应的操作。电子设备102可以是图1所示的笔记本电脑，还可以是个人计算机(personal computer，PC)、智能手机、一体机、掌上电脑、平板电脑(pad)、智能电视播放终端和便捷式设备等。PC端的电子设备，例如一体机等，其操作系统可以包括但不限于Linux系统、Unix系统、Windows系列系统(例如Windows xp、Windows 7等)等操作系统。移动端的电子设备，例如智能手机等，其操作系统可以包括但不限于安卓系统、IOS(苹果手机的操作系统)、Window系统等操作系统。
下面介绍本申请实施例提供的基于异常工况数据库管理的方法，该方法可以由基于异常工况数据库管理装置执行，该装置可由软件和/或硬件实现，一般可集成在电子设备或服务器中。
请参照图2，图2为本申请实施例提供的一种基于异常工况数据库管理的流程示意图。以该方法应用于基于异常工况数据库管理过程进行举例说明，该基于异常工况数据库管理的装置可以包括服务器或电子设备。该方法包括如下步骤S201-S203，其中，
S201：当存在异常工况时，生成非标工况编码，判断是否存在所述非标工况编码对应的第一数据库，当不存在所述第一数据库时，新建第二数据库。
S202：获取所述非标工况编码对应的工艺参数，将所述工艺参数存储到所述第二数据库，将所述工艺参数对应的生产产品数据和生产过程数据记录在所述第二数据库中。
举例而言，按照以下思路建立第二数据库：
IF没有该非标工况码THEN；
新建第二数据库；
第二数据库更新。
需要说明的是，第二数据库中的异常值X固定，正常X和设计计分卡相同，在设计计分卡中包括每个工艺参数的目标值，若这个参数是正常的，即将设计计分卡中的目标值视为该参数的参数值。在第二数据库更新的过程中，将每次生产查询非标工况编码对应的数据库进行更新。
进一步地，将所述工艺参数对应的生产产品数据和生产过程数据记录在所述第二数据库中还可以通过区块链技术进行实现，具体包括，根据该生产产品数据和生产过程数据对应的生产设备或生产流程产生的数据进行分片，然后对至少一个分片对应的数据进行加密，得到所述至少一个分片的加密密钥，然后根据所述加密密钥或分片对应的数据生成唯一的哈希，即固定长度的加密输出字符串。哈希将添加到分类帐和分片元数据，以便将事务链接到存储的分片，最终通过存储系统记录区块链分类帐中的所有事务，并在所有节点之间同步该信息。特别地，存储系统还可以根据需求对每个分片的数据进行复制，得到多个副本，每个分片数据对应的副本数量和存储地方，可以根据用户需求或该分片的优先级确定。
S203：基于所述第二数据库，对所述异常工况进行处理，重新设定所述工艺参数的预设值。
请参见图3，图3为本申请实施例提供的一种基于异常工况数据库管理装置的结构示意图。基于上述的系统架构，该基于异常工况数据库管理装置300可以为服务器，也可以为服务器中的模块。该装置300，至少包括：采集模块301和处理模块302，其中，
采集模块301用于采集异常工况；
处理模块302用于生成非标工况编码；判断是否存在所述非标工况编码对应的第一数据库；新建第二数据库；获取所述非标工况编码对应的工艺参数；将所述工艺参数存储到所述第二数据库，将所述工艺参数对应的生产产品数据和生产过程数据记录在所述第二数据库中；对所述异常工况进行处理，重新设定所述工艺参数的预设值。
在一个可能的示例中，所述第二数据库包括参数计分卡，所述参数计分卡包括可调整的所述预设值，所述处理模块302根据所述异常工况，使用预测算法计算所述预设值。
举例而言，生产工艺参数是控制生产流程以保证生产产品的质量和效率所有生产过程的指标参数，其包括设备控制参数(温度、压力和速度)、生产的步骤、生产时间和投料量等。在进行生产时，按照生产工况进行多目标机器学习，获取该生产工况的机器学习训练模型，当出现异常工艺参数时，利用训练模型进行预测算法，调整正常可调X工艺参数，给出正常可调X的最优值(预设值)，使得调整后的生产产品指标达到最优目标。其中，机器学习算法可以大致分为以下三种类型：
监督学习：是一种机器学习任务，建立输入X和输出Y变量之间的数学(映射)关系，这样的X、Y对构成了用于建立模型的标签数据，以便学习如何从输入中预测输出。
无监督学习：是一种只利用输入X变量的机器学习任务，这种X变量是未标记的数据，学习算法在建模时使用的是数据的固有结构。
强化学习：是一种决定下一步行动方案的机器学习任务，它通过试错学习来实现这一目标，努力使回报最大化。
其中，在监督学习中，当给定数据和模型假设空间，就可以构建出优化问题，也即如何确定参数，使得你的优化目标最优化，这就是所谓的训练。当训练完成之后，便可以确定这些参数，这些参数确定的假设空间中的某一假设函数，便是所谓的模型。
对于调整正常可调X工艺参数，给出正常可调X的最优值(预设值)，本实施例以参数调优的超参数进行举例说明。超参数本质上是机器学习算法的参数，直接影响学习过程和预测性能，由于没有“一刀切”的超参数设置，可以普遍适用于所有数据集，因此需要进行超参数优化(也称为超参数调整或模型调整)。
其中一种流行的机器学习算法是支持向量机。需要优化的超参数是径向基函数(RBF)内核的C参数和gamma参数(即线性内核只有C参数；多项式内核的C和指数)。C参数是一个限制过拟合的惩罚项，而gamma参数则控制RBF核的宽度。如上所述，调优通常是为了得出超参数的最佳值集，尽管如此，也有一些研究旨在为C参数和gamma参数找到良好的起始值。
此外，本实施例中并不限定机器学习的横向协作与纵向协作，举例而言，基于区块链市场产生的数据所训练出的机器学习模型具备极强的人工智能化特点，可以结合两者强大的原始资源和优点。机器学习允许在不透露敏感私人数据的情况下进行训练，以及基于区块链所带有的激励机制，这些激励机制允许这些系统可以吸引最佳的数据和模型，使其更加智能化。如此发展，最后可以形成开放的市场，任何用户均可以出售数据并保持其数据的私密性，而开发人员则可以使用激励措施为用户的算法吸引最佳数据，两者的协作能够使得机器学习模型更加完善。
在一个可能的示例中，所述处理模块302将工艺参数异常值存入所述第二数据库，并且将生产验证结果产品参数存入所述第二数据库。
举例而言，上述存入过程可以是以下具体方式：
IF预测算法执行结束OR量产生产结束THEN；
将所述工艺参数预设值X＝(X1,X2至Xm)存入第二数据库；
将所述工艺参数异常值Xn(工艺参数异常的值)存入第二数据库；
将所述生产验证结果产品参数Y1-Yn存入第二数据库。
此外，在本实施例运行的配套环境中，也可以依托第二数据库，根据该工艺参数异常值对应的非标工况编码新建训练集，设置该训练集格式为：编号，非标工况编码，生产批次，全流程工况值，预设值，对应产品的质量特性值。当遇到异常工况时，可以更新该非标工况的训练集，具体而言，如果异常工况批次生产的所有异常Xn的工况编码为可用的话，则将该批次的数据保存到训练集数据库；如果训练样本与总体要求不符合或者数据质量异常，那么可以将该批次的数据从训练集删除。
在一个可能的示例中，基于所述第二数据库，对所述异常工况进行处理，所述处理模块302对所述异常工况进行监控，对所述生产过程数据进行更新。
举例而言，在生产开始时，处理模块302对设备所用的氢气生产压力进行监控，此时氢气生产压力为正常工况，在继续生产20分钟以后，发现设备所用的氢气生产压力不足，远低于正常工况的压力，这种情况就属于异常工况中的一种。在量产工况下出现异常工况时，生产流程Pn的参数Xn超出设计参数的规格范围上下限，则产生非标工况编码。与此同时，由于异常工况的出现，需要结合工艺参数的类型对Xn趋势进行预测，如果是不可变Xn，则根据当前的参数值生成非标工况编码，进行预设值预测；如果是可变Xn，根据数据库采样点连续一段时间的工艺参数均值，给出在生产时间内的预测均值。
在一个可能的示例中，当所述工艺参数出现异常时，所述处理模块302生成所述工艺参数数据项。
举例而言，当每次进行产品生产时，如果X监控出现了异常，那么自动生成该工艺参数X的工艺参数数据项，上述工艺参数数据项的名称为从实用性角度的描述，从数据管理角度而言，该工艺参数数据项也可称作异常工艺参数数据库。
在一个可能的示例中，基于批次标准反应时间、标杆工况已反应时间、剩余反应时间、参数变化次数、变化时间段位置和工艺参数均值中的至少一项，所述处理模块302生成所述工艺参数数据项。
举例而言，工艺参数数据项的作用是详细记录工况异常时的各项数据，为了多角度记录异常的工况，可以在工艺参数数据项中作如下概念设置：
A：数据库地址，其编号对应本次故障编码的数据库地址，利用地址查询或更新该异常参数的详细信息，在此，对于故障编码特做出说明，编码的形式可以是(异常流程的个数，异常参数的个数：流程号，工艺参数编号，工艺参数故障编码，故障编码可用标志，异常参数数据项地址编号)；
B：批次编号，发生异常时，其对应装置Pn对应的生产批次号，方便质量的追溯和数据分析；
C：批次标准反应时间，其含义为，在标杆工况下，产品在该装置生产反应的平均时间，该时间利用标杆工况计分卡可以获取；
D：标杆工况已反应时间，在X发生异常时刻，装置Pn在标杆工况下已生产反应的时间，如果时间大于0说明反应已经发生；
E：剩余反应时间，标准工况生产剩余的反应时间＝批次标准反应时间-标杆工况生产已反应时间；此外，使用该时间也可以处理物料参数的补偿算法；
剩余反应时间的用途有多样性，举例而言，我们可以利用其做如下概念设置时，从而使用如下公式关系得到某种气体总用量Y。以H2为其具体例子：
P1为(标杆工况H2压力)；
T为标杆工况批次标准反应时间；
T1为标杆工况已反应时间；
P2为异常工况H2平均压力；
T2为反应时间；
Y(H2总用量)在标杆工况下的总用量为常数；
那么通过Y(H2总用量)＝F(P1,T)＝F(P1,T1)+F(P2,T2)的公式，我们可以求得H2气体总用量Y。通过上述的例子我们可以看出，剩余反应时间的用处多样化，其在工艺参数数据项中发挥了重要的作用。
我们也可以利用其计算反应时间T2，以H2为例进行说明，H2压力实质上对应的是H2的反应总用量Y,氢气的用量根据阿伏伽德罗定律，理想气体状态方程PV＝nRT；在相同温度和体积下，气体压强的比例等于气体物质量的比例,假设标杆工况氢气压力P1，氢气用量为n1(摩尔数),异常工况氢气压力P2,氢气用量n2,那么P1/P2＝n1/n2,压强越大氢气用量越多，相同时间用量就多，如果要保证氢气的总用量，当氢气压力低时，由于反应釜体积是固定的，温度也不变，那么就需要补偿反应时间。对于其具体过程，举例而言，Y＝F(P,T)，P为压强，T则为H2的反应时间，Y标＝F(P1,T1)＝Y非标＝F(P2,T2),如果已知标杆工况的压强、标准反应时间、P1和T1，通过获取P2,可以求T2。
接下来，本申请实施例接着对工艺参数数据项中的内容进行详细说明，接着做以下设置：
F:参数X变化次数，将时间段平均分成N等分，例如将8小时平均分32等分，每个时间段15分钟，以此方法统计32等分中工艺参数的变化次数；
G:变化时间段位置，例如，存在编码长度为N的数组或队列，当数组的第几位为1时，表示在第几个等分点发生变化，当数组为0时，则表示无变化；
H:工艺参数均值，其具体计算过程为，异常参数生产时间工艺参数的均值＝(∑Hn)/n；
它的一个作用为，如果预设值在均值范围内，那么表示预测算法成功，接下来，判断均值的故障码区间，更新故障编码；此外，它还具备如下判断功能，如果剩余时间结束，判断预设值与均值不等，则表示预测失败，进行补偿算法，更新故障编码，设置故障编码为不可用。
在工艺参数数据项中设置概念完毕以后，众多的工艺参数数据项组成了工艺参数数据库，为了进一步说明工艺参数数据项的优点，特以工艺参数数据库部分详细参数进行举例：例如，A为3，表明其在数据库中的地址，为数据库中的第3行；B为20220201，表明发生异常时，其对应的批次编号为20220201；C为480，表明批次标准反应时间为480分钟；D为30，表明标杆工况已反应时间为30分钟，即在X发生异常时刻，装置Pn在标杆工况下已生产反应的时间为30分钟；E为450，表明剩余反应时间为450分钟；F为1，表明参数X变化了1次；G为0010.0000.0000.0000.0000.0000.0000.0000，表明数据在数组0010的第三个等分点发生了变化；H为613.2047073，表明工艺参数均值为613.2047073。
在一个可能的示例中，所述处理模块302基于产品的批次编号，从所述第二数据库中获取所述批次编号对应数据；基于所述对应数据，分析所述批次编号中非标准参数的变化趋势，对所述预设值进行重新设定。
举例而言，从所述第二数据库中获取一个批次的批次编号，并从第二数据库中获取该批次编号对应的数据，基于对应的数据，根据H队列的值确定出该批次中异常参数的变化趋势，然后根据该变化趋势生成关于时间和压强的坐标图，根据坐标图确定氢气总用量，根据当前通氢压力和氢气总用量确定补偿时间，根据补偿时间重新预测该异常参数的预设值。并且，还可以根据该预设值重新生成工况编码，并在数据库中对原来的工况编码进行更新，举例而言，每次推荐算法前，对工艺参数预设值进行预测，预测方法为，整体反应区间的预测的均值，用该均值进行预测算法，从而减小预测算法的误差，其具体逻辑过程举如下例子：
If预测工艺参数预设值＝H实际均值区间；
THEN X参数对应的故障编码可用标志＝1；
ELSE X参数对应的故障编码可用标志＝0。
上述步骤属于对所述异常工况进行处理，此外，对所述异常工况进行处理的步骤中，还需要对工艺参数数据项进行动态更新。例如，每次生产完成时，对Xn的监控进行分析，更新非标工况编码中Xn参数对应的故障编码可用标志；每次生产完成时，需要记录Xn的工艺参数均值；在每个采样时间段，保存H队列的均值，记录参数变化的次数；保存异常Xn对应的生产批次号，以及保存标杆工况已生产时间。
请参见图4，图4为本申请实施例提供的一种基于异常工况数据库管理设备的结构图。如图4所示，该基于异常工况数据库管理设备400包括处理器401、存储器402、通信接口404以及一个或至少一个程序403。上述一个或至少一个程序403被存储在上述存储器402中，并且被配置由上述处理器401执行，上述程序403包括用于执行以下步骤的指令：
当存在异常工况时，根据所述异常工况生成非标工况编码，判断是否存在所述非标工况编码对应的第一数据库；
当不存在所述第一数据库时，新建第二数据库，将非标工况数据存入所述第二数据库中；
基于所述第二数据库的所述非标工况数据，对所述异常工况进行处理。
在一个可能的示例中，所述第二数据库包括参数计分卡，所述参数计分卡包括可调整的所述预设值，所述程序403具体用于执行以下步骤的指令：
根据所述异常工况使用预测算法计算预设值。
在一个可能的示例中，所述程序403具体用于执行以下步骤的指令：
将工艺参数异常值存入所述第二数据库；
将生产验证结果产品参数存入所述第二数据库。
在一个可能的示例中，所述程序403具体用于执行以下步骤的指令：
对所述异常工况进行监控；
对所述生产过程数据进行更新。
在一个可能的示例中，所述程序403具体用于执行以下步骤的指令：
当所述工艺参数出现异常时，生成所述工艺参数数据项。
在一个可能的示例中，所述程序403具体用于执行以下步骤的指令：
基于批次标准反应时间、标杆工况已反应时间、剩余反应时间、参数变化次数、变化时间段位置和工艺参数均值中的至少一项，生成所述工艺参数数据项。
在一个可能的示例中，所述程序403具体用于执行以下步骤的指令：
基于产品的批次编号，从所述第二数据库中获取所述批次编号对应数据；
基于所述对应数据，分析所述批次编号中非标准参数的变化趋势，对所述预设值进行重新设定。
本领域技术人员可以理解，为了便于说明，图4中仅示出了一个存储器402和处理器401。在实际的终端或服务器中，可以存在多个处理器和存储器。存储器也可以称为存储介质或者存储设备等，本申请实施例对此不做限制。
应理解，在本申请实施例中，处理器可以是中央处理单元(Central ProcessingUnit，简称CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器还可以采用通用的微处理器、图形处理器(graphics processing unit，GPU)或者一个或多个集成电路，用于执行相关程序，以实现本申请实施例所需执行的功能。
处理器401还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本申请的各个步骤可以通过处理器401中硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存和只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器402，处理器401读取存储器402中的信息，结合其硬件完成本申请实施例的方法、装置及存储介质包括的单元所需执行的功能。
还应理解，本申请实施例中提及的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。易失性存储器可以是随机存取存储器(RandomAccess Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，简称DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，简称DR RAM)。该存储器还可以是只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在的，通过总线与处理器相连接。存储器也可以和处理器集成在一起，存储器可以存储程序，当存储器中存储的程序被处理器执行时，处理器用于执行本申请上述实施例中确定方法的各个步骤。
需要说明的是，当处理器为通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件时，存储器(存储模块)集成在处理器中。应注意，本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤，为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各种说明性逻辑块(illustrative logical block，简称ILB)和步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机编程的程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在处理器上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输，也可以从一个网站站点、计算机、服务器或数据中心通过有线方式向手机处理器进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘)等。
以上所述，仅为本申请的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于异常工况数据库管理的方法，其特征在于，包括以下步骤：
当存在异常工况时，生成非标工况编码，判断是否存在所述非标工况编码对应的第一数据库，当不存在所述第一数据库时，新建第二数据库；
获取所述非标工况编码对应的工艺参数，将所述工艺参数存储到所述第二数据库，将所述工艺参数对应的生产产品数据和生产过程数据记录在所述第二数据库中；
基于所述第二数据库对所述异常工况进行处理，重新设定所述工艺参数的预设值。
2.根据权利要求1所述的方法，其特征在于，
所述第二数据库包括参数计分卡，所述参数计分卡包括可调整的所述预设值，所述预设值根据所述异常工况使用预测算法进行计算。
3.根据权利要求1或2所述的方法，其特征在于，所述将所述工艺参数对应的生产产品数据和生产过程数据记录在所述第二数据库中，包括以下步骤：
将工艺参数异常值存入所述第二数据库；
将生产验证结果产品参数存入所述第二数据库。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述基于所述第二数据库对所述异常工况进行处理，包括以下步骤：
对所述异常工况进行监控；
对所述生产过程数据进行更新。
5.根据权利要求4所述的方法，其特征在于，所述对所述异常工况进行监控，包括以下步骤：
当所述工艺参数出现异常时，生成所述工艺参数数据项。
6.根据权利要求5所述的方法，其特征在于，所述当所述工艺参数出现异常时，生成所述工艺参数数据项包括以下步骤：
基于批次标准反应时间、标杆工况已反应时间、剩余反应时间、参数变化次数、变化时间段位置和工艺参数均值中的至少一项，生成所述工艺参数数据项。
7.根据权利要求1至6任意一项所述的方法，其特征在于，所述基于所述第二数据库对所述异常工况进行处理，重新设定所述工艺参数的预设值，包括以下步骤：
基于产品的批次编号，从所述第二数据库中获取所述批次编号对应数据；
基于所述对应数据，分析所述批次编号中非标准参数的变化趋势，对所述预设值进行重新设定。
8.一种基于异常工况数据库管理的装置，其特征在于，用于执行如权利要求1-7中任一项所述的方法。
9.一种基于异常工况数据库管理的设备，其特征在于，包括处理器和存储器，一个或至少一个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行权利要求1-7中任一项所述方法的指令。
10.一种计算机可读存储介质或计算机程序产品，其特征在于，所述计算机可读存储介质存储计算机程序，其中，所述计算机程序使得计算机执行以实现权利要求1-7中任一项所述的方法，所述计算机程序产品使得计算机执行以实现权利要求1-7中任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210676370.1A CN115129687A (zh) | 2022-03-16 | 2022-03-16 | 基于异常工况数据库管理的方法、相关装置及介质和程序 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210676370.1A CN115129687A (zh) | 2022-03-16 | 2022-03-16 | 基于异常工况数据库管理的方法、相关装置及介质和程序 |
| CN202210256168.3A CN114356895B (zh) | 2022-03-16 | 2022-03-16 | 基于异常工况数据库管理的方法、装置、设备及存储介质 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210256168.3A Division CN114356895B (zh) | 2022-03-16 | 2022-03-16 | 基于异常工况数据库管理的方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115129687A true CN115129687A (zh) | 2022-09-30 |
Family
ID=81094751
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210256168.3A Active CN114356895B (zh) | 2022-03-16 | 2022-03-16 | 基于异常工况数据库管理的方法、装置、设备及存储介质 |
| CN202210676370.1A Pending CN115129687A (zh) | 2022-03-16 | 2022-03-16 | 基于异常工况数据库管理的方法、相关装置及介质和程序 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210256168.3A Active CN114356895B (zh) | 2022-03-16 | 2022-03-16 | 基于异常工况数据库管理的方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN114356895B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114493057B (zh) * | 2022-04-18 | 2022-07-22 | 希望知舟技术(深圳)有限公司 | 基于异常工况的生产工艺参数推荐方法及相关设备 |
| CN114756595B (zh) * | 2022-06-14 | 2022-08-26 | 希望知舟技术(深圳)有限公司 | 一种针对数据库的数据处理方法及相关装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050234936A1 (en) * | 2004-04-14 | 2005-10-20 | Microsoft Corporation | Asynchronous database API |
| CN102272743A (zh) * | 2011-05-09 | 2011-12-07 | 华为终端有限公司 | 一种通用集成电路卡信息的管理方法及装置 |
| CN104091035A (zh) * | 2014-07-30 | 2014-10-08 | 中国科学院空间应用工程与技术中心 | 一种基于数据驱动算法的空间站有效载荷健康监测方法 |
| CN105095056A (zh) * | 2015-08-14 | 2015-11-25 | 焦点科技股份有限公司 | 一种数据仓库数据监控的方法 |
| US20170214705A1 (en) * | 2016-01-22 | 2017-07-27 | Virsec Systems, Inc. | Pattern matching based dataset extraction |
| CN107506451A (zh) * | 2017-08-28 | 2017-12-22 | 泰康保险集团股份有限公司 | 用于数据交互的异常信息监控方法及装置 |
| CN108446379A (zh) * | 2018-03-16 | 2018-08-24 | 中国长江三峡集团有限公司 | 水电机组故障诊断方法 |
| CN110285988A (zh) * | 2019-06-10 | 2019-09-27 | 江苏徐工工程机械研究院有限公司 | 一种液压缸缸筒内孔直线度控制系统 |
| CN110659255A (zh) * | 2018-06-28 | 2020-01-07 | 武汉斗鱼网络科技有限公司 | 一种数据迁移方法、装置、系统以及存储介质 |
| CN110858194A (zh) * | 2018-08-16 | 2020-03-03 | 北京京东尚科信息技术有限公司 | 一种数据库扩容的方法和装置 |
| CN113312380A (zh) * | 2021-07-29 | 2021-08-27 | 湖南五凌电力科技有限公司 | 基于数据驱动的水电机组振动区自动获取方法及装置 |
| CN113704354A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术（深圳）有限公司 | 一种数据同步方法及装置、计算机设备、存储介质 |
| CN114139839A (zh) * | 2022-02-08 | 2022-03-04 | 希望知舟技术(深圳)有限公司 | 一种基于工况的机器学习方法及相关装置 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6424877B1 (en) * | 1997-04-04 | 2002-07-23 | Minolta Co., Ltd. | Reproduction apparatus |
| JP2009110439A (ja) * | 2007-10-31 | 2009-05-21 | Nec Corp | データベースアクセスシステム及びデータベースアクセス方法，プログラム |
| CN101598263B (zh) * | 2009-07-10 | 2012-11-21 | 东北大学 | 便携式管道泄漏检测方法及装置 |
| CN202639268U (zh) * | 2012-03-02 | 2013-01-02 | 中冶连铸技术工程股份有限公司 | 一种连铸铸坯表面质量的在线控制系统 |
| CN103676836A (zh) * | 2013-10-17 | 2014-03-26 | 中国石油化工股份有限公司 | 在线安全运行指导方法 |
| CN109240261B (zh) * | 2018-09-10 | 2020-12-15 | 一汽解放汽车有限公司 | 一种用于车联网性能测试的hil测试方法 |
| CN109753417A (zh) * | 2018-12-17 | 2019-05-14 | 新视家科技(北京)有限公司 | 异常进程管理方法及其装置、电子设备、计算机可读介质 |
| CN111546854B (zh) * | 2020-06-18 | 2021-08-24 | 中南大学 | 一种智能列车空调机组在途识别与诊断方法 |
| CN112099450A (zh) * | 2020-09-16 | 2020-12-18 | 江苏徐工工程机械研究院有限公司 | 产品质量控制方法、服务器、终端以及系统、存储介质 |
| CN112491854B (zh) * | 2020-11-19 | 2022-12-09 | 郑州迪维勒普科技有限公司 | 一种基于fcnn的多方位安全入侵检测方法及系统 |
-
2022
- 2022-03-16 CN CN202210256168.3A patent/CN114356895B/zh active Active
- 2022-03-16 CN CN202210676370.1A patent/CN115129687A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050234936A1 (en) * | 2004-04-14 | 2005-10-20 | Microsoft Corporation | Asynchronous database API |
| CN102272743A (zh) * | 2011-05-09 | 2011-12-07 | 华为终端有限公司 | 一种通用集成电路卡信息的管理方法及装置 |
| CN104091035A (zh) * | 2014-07-30 | 2014-10-08 | 中国科学院空间应用工程与技术中心 | 一种基于数据驱动算法的空间站有效载荷健康监测方法 |
| CN105095056A (zh) * | 2015-08-14 | 2015-11-25 | 焦点科技股份有限公司 | 一种数据仓库数据监控的方法 |
| US20170214705A1 (en) * | 2016-01-22 | 2017-07-27 | Virsec Systems, Inc. | Pattern matching based dataset extraction |
| CN107506451A (zh) * | 2017-08-28 | 2017-12-22 | 泰康保险集团股份有限公司 | 用于数据交互的异常信息监控方法及装置 |
| CN108446379A (zh) * | 2018-03-16 | 2018-08-24 | 中国长江三峡集团有限公司 | 水电机组故障诊断方法 |
| CN110659255A (zh) * | 2018-06-28 | 2020-01-07 | 武汉斗鱼网络科技有限公司 | 一种数据迁移方法、装置、系统以及存储介质 |
| CN110858194A (zh) * | 2018-08-16 | 2020-03-03 | 北京京东尚科信息技术有限公司 | 一种数据库扩容的方法和装置 |
| CN110285988A (zh) * | 2019-06-10 | 2019-09-27 | 江苏徐工工程机械研究院有限公司 | 一种液压缸缸筒内孔直线度控制系统 |
| CN113312380A (zh) * | 2021-07-29 | 2021-08-27 | 湖南五凌电力科技有限公司 | 基于数据驱动的水电机组振动区自动获取方法及装置 |
| CN113704354A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术（深圳）有限公司 | 一种数据同步方法及装置、计算机设备、存储介质 |
| CN114139839A (zh) * | 2022-02-08 | 2022-03-04 | 希望知舟技术(深圳)有限公司 | 一种基于工况的机器学习方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114356895A (zh) | 2022-04-15 |
| CN114356895B (zh) | 2022-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11106486B2 (en) | Techniques to manage virtual classes for statistical tests | |
| US11288602B2 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
| CN114356895B (zh) | 基于异常工况数据库管理的方法、装置、设备及存储介质 | |
| Herbst et al. | Sequential Monte Carlo sampling for DSGE models | |
| US11694109B2 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
| US10146531B2 (en) | Method and apparatus for generating a refactored code | |
| CN110598802A (zh) | 一种内存检测模型训练的方法、内存检测的方法及装置 | |
| Wiebe et al. | Data-driven optimization of processes with degrading equipment | |
| Liu et al. | Generalized survival models for correlated time‐to‐event data | |
| EP1866813A2 (en) | Computer system for building a probabilistic model | |
| US20220215273A1 (en) | Using prediction uncertainty quantifier with machine leaning classifier to predict the survival of a storage device | |
| US20210200745A1 (en) | Data validation using encode values | |
| JP7139932B2 (ja) | 需要予測方法、需要予測プログラムおよび需要予測装置 | |
| 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 | |
| CN110520702A (zh) | 监视电子设备的热健康 | |
| CN113205230A (zh) | 基于模型集合的数据预测方法、装置、设备及存储介质 | |
| US20210342691A1 (en) | System and method for neural time series preprocessing | |
| JP7367196B2 (ja) | レジーム・シフトの識別及び分析のための方法及びシステム | |
| CN116739618B (zh) | 基于区块链的变形码溯源系统以及数据处理方法 | |
| WO2022156064A1 (zh) | 闪存芯片可靠性等级预测方法、装置及存储介质 | |
| CN109214544A (zh) | 寿命预测及维护决策方法和装置、以及存储介质、计算机 | |
| CN113627513A (zh) | 一种训练数据生成方法、系统、电子设备及存储介质 | |
| CN111382874B (zh) | 实现线上机器学习模型的更新迭代的方法和装置 | |
| CN113269246B (zh) | 基于事务逻辑的设备状态检测方法、装置、设备和介质 | |
| Cyranka et al. | Unified Long-Term Time-Series Forecasting Benchmark |
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 |