CN115511396B - 基于数据分析的食品管理设备运行监控方法及系统 - Google Patents
基于数据分析的食品管理设备运行监控方法及系统 Download PDFInfo
- Publication number
- CN115511396B CN115511396B CN202211466564.5A CN202211466564A CN115511396B CN 115511396 B CN115511396 B CN 115511396B CN 202211466564 A CN202211466564 A CN 202211466564A CN 115511396 B CN115511396 B CN 115511396B
- Authority
- CN
- China
- Prior art keywords
- sub
- equipment
- food management
- identification
- composition distribution
- 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
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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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—Systems or methods specially adapted for 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
Abstract
本发明提供的基于数据分析的食品管理设备运行监控方法及系统,涉及数据处理技术领域。在本发明中,构建出待分析设备组成分布关系图谱;通过更新后的设备组成识别神经网络,识别出对应的待分析设备组成识别信息,待分析设备组成识别信息包括食品管理子设备是否为关键设备组成分布关系子图谱中的食品管理子设备的待分析子设备识别结果;依据待分析子设备识别结果,从待分析设备组成分布关系图谱中,提取出关键设备组成分布关系子图谱;基于关键设备组成分布关系子图谱,对待分析设备组成分布关系图谱包括的食品管理子设备分别进行运行监控。基于上述内容,可以改善现有技术中存在的运行监控效果不佳的问题。
Description
技术领域
本发明涉及数据技术领域,具体而言,涉及一种基于数据分析的食品管理设备运行监控方法及系统。
背景技术
食品管理设备一般分为食品生产设备和食品传输设备等。其中,对食品管理设备,如对食品生产设备进行运行监控,是保障食品生产有效进行的重要手段。另外,食品生产设备一般包括多个子设备,以协同进行生产活动。但是,在现有技术中,对于多个子设备的运行监控,一般是进行整体上共同的运行监控,使得可能存在运行监控效果不佳的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于数据分析的食品管理设备运行监控方法及系统,以改善现有技术中存在的运行监控效果不佳的问题。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于数据分析的食品管理设备运行监控方法,所述食品管理设备运行监控方法包括:
构建出待分析设备组成分布关系图谱,所述待分析设备组成分布关系图谱包括关键设备组成分布关系子图谱,所述待分析设备组成分布关系图谱基于待分析食品管理设备包括的多个食品管理子设备构成,且所述多个食品管理子设备在所述待分析设备组成分布关系图谱中的分布位置关系和所述多个食品管理子设备之间的设备运行关系相关,所述待分析设备组成分布关系图谱中的每一个食品管理子设备的图谱属性信息为所述食品管理子设备的设备运行日志数据;
通过更新后的设备组成识别神经网络,将所述待分析设备组成分布关系图谱进行设备组成识别处理,以输出对应的待分析设备组成识别信息,所述待分析设备组成识别信息包括,用于表征所述待分析设备组成分布关系图谱的每一个食品管理子设备是否为所述关键设备组成分布关系子图谱中的食品管理子设备的待分析子设备识别结果;
依据所述待分析子设备识别结果,从所述待分析设备组成分布关系图谱中,提取出所述关键设备组成分布关系子图谱;
基于所述关键设备组成分布关系子图谱,对所述待分析设备组成分布关系图谱包括的食品管理子设备分别进行运行监控。
在一些优选的实施例中,在上述基于数据分析的食品管理设备运行监控方法中,所述食品管理设备运行监控方法还包括:
提取到包括第一关键设备组成分布关系子图谱的示例性第一设备组成分布关系图谱和包括第二关键设备组成分布关系子图谱的示例性第二设备组成分布关系图谱;
通过初始的设备组成识别神经网络,对所述示例性第一设备组成分布关系图谱进行设备组成识别处理,以输出对应的第一设备组成识别信息,所述第一设备组成识别信息包括,用于表征所述示例性第一设备组成分布关系图谱的每一个食品管理子设备是否为所述第一关键设备组成分布关系子图谱中的食品管理子设备的第一子设备识别结果;
通过所述设备组成识别神经网络,对所述示例性第二设备组成分布关系图谱进行设备组成识别处理,以输出对应的第二设备组成识别信息;所述第二设备组成识别信息包括,用于表征所述示例性第二设备组成分布关系图谱的各食品管理子设备是否为所述第二关键设备组成分布关系子图谱中的食品管理子设备的第二子设备识别结果;
利用标签评估神经网络,对所述示例性第二设备组成分布关系图谱中的食品管理子设备进行标签评估处理,以形成对应的设备标签评估信息,所述设备标签评估信息用于表征在所述示例性第二设备组成分布关系图谱上对应的设备标签属于第一设备标签评估结果的食品管理子设备和属于第二设备标签评估结果的食品管理子设备;
基于所述第一子设备识别结果、所述第二子设备识别结果中对应的设备标签属于所述第一设备标签评估结果的食品管理子设备的子设备识别结果和所述第二子设备识别结果中对应的设备标签属于所述第二设备标签评估结果的食品管理子设备的子设备识别结果,进行神经网络更新,所述神经网络更新包括对所述设备组成识别神经网络进行网络更新以形成所述更新后的设备组成识别神经网络。
在一些优选的实施例中,在上述基于数据分析的食品管理设备运行监控方法中,所述食品管理设备运行监控方法还包括:
提取到所述示例性第一设备组成分布关系图谱对应的示例性第一设备标签信息,并提取到所述示例性第二设备组成分布关系图谱对应的示例性第二设备标签信息;
在进行所述神经网络更新的过程中,将所述第一子设备识别结果和所述示例性第一设备标签信息之间的第一识别误差信息、所述第二子设备识别结果中对应的设备标签属于所述第一设备标签评估结果的食品管理子设备的子设备识别结果和所述示例性第二设备标签信息中的第一示例性标识数据之间的第二识别误差信息、所述第二子设备识别结果中对应的设备标签属于所述第二设备标签评估结果的食品管理子设备的子设备识别结果和所述示例性第二设备标签信息中的第二示例性标识数据之间的第三识别误差信息作为依据,以对所述设备组成识别神经网络进行神经网络更新;
所述第一示例性标识数据包括,所述示例性第二设备标签信息中用于表征所述示例性第二设备组成分布关系图谱上对应的设备标签属于所述第一设备标签评估结果的食品管理子设备是否属于所述第二关键设备组成分布关系子图谱中的食品管理子设备的数据;
所述第二示例性标识数据包括,所述示例性第二设备标签信息中用于表征所述示例性第二设备组成分布关系图谱上对应的设备标签属于所述第二设备标签评估结果的食品管理子设备是否属于所述第二关键设备组成分布关系子图谱中的食品管理子设备的数据。
在一些优选的实施例中,在上述基于数据分析的食品管理设备运行监控方法中,基于所述第一识别误差信息、所述第二识别误差信息和所述第三识别误差信息对所述设备组成识别神经网络进行神经网络更新,包括:
基于所述第二识别误差信息和所述第三识别误差信息,分析输出所述设备组成识别神经网络相对于所述示例性第二设备组成分布关系图谱具有的整体识别误差信息;以及,提取到所述整体识别误差信息对应的影响力参数,再基于所述影响力参数对所述整体识别误差信息进行对应更新处理,以形成对应的更新整体识别误差信息;
基于所述第一识别误差信息和所述更新整体识别误差信息,对所述设备组成识别神经网络进行神经网络更新。
在一些优选的实施例中,在上述基于数据分析的食品管理设备运行监控方法中,所述示例性第二设备组成分布关系图谱具有对应的示例性第二设备标签信息;以及,所述利用标签评估神经网络,对所述示例性第二设备组成分布关系图谱中的食品管理子设备进行标签评估处理,以形成对应的设备标签评估信息的步骤,包括:
通过标签评估神经网络,依据所述示例性第二设备组成分布关系图谱,挖掘出所述第二关键设备组成分布关系子图谱对应的子图谱知识向量和所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量;
依据所述子图谱知识向量、所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量和所述示例性第二设备标签信息,分析输出对应的设备标签评估信息。
在一些优选的实施例中,在上述基于数据分析的食品管理设备运行监控方法中,所述通过标签评估神经网络,依据所述示例性第二设备组成分布关系图谱,挖掘出所述第二关键设备组成分布关系子图谱对应的子图谱知识向量和所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量的步骤,包括:
通过标签评估神经网络,挖掘出所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量;
通过所述标签评估神经网络,识别出所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布,以及,再分别识别出所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布的识别评估参数;
通过所述标签评估神经网络,依据所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布,对所述示例性第二设备组成分布关系图谱进行设备组成识别处理,以输出对应的第三设备组成识别信息,所述第三设备组成识别信息包括,用于表征所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备是否为所述第二关键设备组成分布关系子图谱中的食品管理子设备的第三子设备识别结果;
基于所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量、所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布的识别评估参数和所述第三子设备识别结果,挖掘出所述第二关键设备组成分布关系子图谱对应的子图谱知识向量。
在一些优选的实施例中,在上述基于数据分析的食品管理设备运行监控方法中,所述示例性第二设备组成分布关系图谱中的任意一个食品管理子设备作为第二食品管理子设备;以及,所述分别识别出所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布的识别评估参数的步骤,包括:
将所述标签评估神经网络的待更新变量进行第一数目次任意失活处理,形成所述标签评估神经网络对应的第一数目个失活标签评估神经网络;
通过每一个所述失活标签评估神经网络,分别依据所述第二食品管理子设备对应的知识代表数据分布,识别出所述第二食品管理子设备对应的失活子设备识别结果,所述失活子设备识别结果包括,用于表征所述第二食品管理子设备是否为所述第二关键设备组成分布关系子图谱中的食品管理子设备的数据;
基于所述第一数目个失活标签评估神经网络识别出的第一数目个失活子设备识别结果,分析出所述第二食品管理子设备对应的知识代表数据分布的识别评估参数。
在一些优选的实施例中,在上述基于数据分析的食品管理设备运行监控方法中,每一个所述失活子设备识别结果包括识别出的所述第二食品管理子设备为所述第二关键设备组成分布关系子图谱中的食品管理子设备的第一识别可能系数、所述第二食品管理子设备为所述示例性第二设备组成分布关系图谱中所述第二关键设备组成分布关系子图谱的周围子图谱中的食品管理子设备的第二识别可能系数;
所述基于所述第一数目个失活标签评估神经网络识别出的第一数目个失活子设备识别结果,分析出所述第二食品管理子设备对应的知识代表数据分布的识别评估参数的步骤,包括:
计算输出所述第一数目个失活子设备识别结果中的第一识别可能系数之间的数学统计参数,以标记为所述第二食品管理子设备对应的关键识别评估参数;以及,计算输出所述第一数目个失活子设备识别结果中的第二识别可能系数之间的数学统计参数,以标记为所述第二食品管理子设备对应的周围识别评估参数;
基于所述关键识别评估参数和所述周围识别评估参数,分析出所述第二食品管理子设备对应的知识代表数据分布的识别评估参数。
在一些优选的实施例中,在上述基于数据分析的食品管理设备运行监控方法中,所述基于所述关键设备组成分布关系子图谱,对所述待分析设备组成分布关系图谱包括的食品管理子设备分别进行运行监控的步骤,包括:
将所述关键设备组成分布关系子图谱包括的食品管理子设备,组合形成关键食品管理子设备组合,并将所述待分析设备组成分布关系图谱中所述关键设备组成分布关系子图谱外的食品管理子设备,组合形成非关键食品管理子设备组合,以及,再对所述关键食品管理子设备组合和所述非关键食品管理子设备组合分别进行运行监控。
本发明实施例还提供一种基于数据分析的食品管理设备运行监控系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的方法。
本发明实施例提供的一种基于数据分析的食品管理设备运行监控方法及系统,可以构建出待分析设备组成分布关系图谱;通过更新后的设备组成识别神经网络,识别出对应的待分析设备组成识别信息,待分析设备组成识别信息包括食品管理子设备是否为关键设备组成分布关系子图谱中的食品管理子设备的待分析子设备识别结果;依据待分析子设备识别结果,从待分析设备组成分布关系图谱中,提取出关键设备组成分布关系子图谱;基于关键设备组成分布关系子图谱,对待分析设备组成分布关系图谱包括的食品管理子设备分别进行运行监控。通过前述的步骤,由于在进行运行监控之前,先对构建出待分析设备组成分布关系图谱进行识别,以确定出其中的关键设备组成分布关系子图谱,即确定出关键的食品管理子设备,使得基于关键设备组成分布关系子图谱进行的食品管理子设备的运行监控,可以实现可靠度的分别运行监控,如关键的食品管理子设备进行重点监控等,从而改善现有技术中存在的运行监控效果不佳的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的基于数据分析的食品管理设备运行监控系统的结构框图。
图2为本发明实施例提供的基于数据分析的食品管理设备运行监控方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于数据分析的食品管理设备运行监控装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于数据分析的食品管理设备运行监控系统。其中,所述基于数据分析的食品管理设备运行监控系统可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于数据分析的食品管理设备运行监控方法。
举例来说,在一些实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。
举例来说,在一些实施方式中,所述基于数据分析的食品管理设备运行监控系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于数据分析的食品管理设备运行监控方法,可应用于上述基于数据分析的食品管理设备运行监控系统。其中,所述基于数据分析的食品管理设备运行监控方法有关的流程所定义的方法步骤,可以由所述基于数据分析的食品管理设备运行监控系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,构建出待分析设备组成分布关系图谱。
在本发明实施例中,所述基于数据分析的食品管理设备运行监控系统可以构建出待分析设备组成分布关系图谱。所述待分析设备组成分布关系图谱包括关键设备组成分布关系子图谱(可以理解为关键食品子设备对应的子图谱),所述待分析设备组成分布关系图谱基于待分析食品管理设备包括的多个食品管理子设备构成(例如,一个食品管理设备可以作为一个图谱成员),且所述多个食品管理子设备在所述待分析设备组成分布关系图谱中的分布位置关系和所述多个食品管理子设备之间的设备运行关系相关(如设备运行关系越紧密,对应的分布位置关系越近,设备运行关系越疏远,对应的分布位置关系越远,设备运行关系可以依据信号是否直接相互作用即作用大小等确定,如直接作用,且作为运行的直接依据,可以具有最紧密的关系),所述待分析设备组成分布关系图谱中的每一个食品管理子设备的图谱属性信息为所述食品管理子设备的设备运行日志数据。
步骤S120,通过更新后的设备组成识别神经网络,将所述待分析设备组成分布关系图谱进行设备组成识别处理,以输出对应的待分析设备组成识别信息。
在本发明实施例中,所述基于数据分析的食品管理设备运行监控系统可以通过更新后的设备组成识别神经网络,将所述待分析设备组成分布关系图谱进行设备组成识别处理,以输出对应的待分析设备组成识别信息。所述待分析设备组成识别信息包括,用于表征所述待分析设备组成分布关系图谱的每一个食品管理子设备是否为所述关键设备组成分布关系子图谱中的食品管理子设备的待分析子设备识别结果。
步骤S130,依据所述待分析子设备识别结果,从所述待分析设备组成分布关系图谱中,提取出所述关键设备组成分布关系子图谱。
在本发明实施例中,所述基于数据分析的食品管理设备运行监控系统可以依据所述待分析子设备识别结果,从所述待分析设备组成分布关系图谱中,提取出所述关键设备组成分布关系子图谱(即估计出的结果)。
步骤S140,基于所述关键设备组成分布关系子图谱,对所述待分析设备组成分布关系图谱包括的食品管理子设备分别进行运行监控。
在本发明实施例中,所述基于数据分析的食品管理设备运行监控系统可以基于所述关键设备组成分布关系子图谱,对所述待分析设备组成分布关系图谱包括的食品管理子设备分别进行运行监控。
通过前述的步骤,由于在进行运行监控之前,先对构建出待分析设备组成分布关系图谱进行识别,以确定出其中的关键设备组成分布关系子图谱,即确定出关键的食品管理子设备,使得基于关键设备组成分布关系子图谱进行的食品管理子设备的运行监控,可以实现可靠度的分别运行监控,如关键的食品管理子设备进行重点监控等,以提高运行监控的效果,从而改善现有技术中存在的运行监控效果不佳的问题。
举例来说,在一些实施方式中,在执行步骤S140时,可以执行:
将所述关键设备组成分布关系子图谱包括的食品管理子设备,组合形成关键食品管理子设备组合,并将所述待分析设备组成分布关系图谱中所述关键设备组成分布关系子图谱外的食品管理子设备,组合形成非关键食品管理子设备组合,以及,再对所述关键食品管理子设备组合和所述非关键食品管理子设备组合分别进行运行监控(示例性地,所述关键食品管理子设备组合包括的食品管理子设备可以作为关键食品管理子设备,以进行高频次的监控,如视频监控或人工巡检等,所述非关键食品管理子设备组合合包括的食品管理子设备可以作为非关键食品管理子设备,以进行低频次的监控,也可以是视频监控或人工巡检等)。
举例来说,在一些实施方式中,所述食品管理设备运行监控方法还可以包括设备组成识别神经网络的更新步骤,以使得更新后的设备组成识别神经网络具备“将所述待分析设备组成分布关系图谱进行设备组成识别处理,以输出对应的待分析设备组成识别信息”的功能,其中,在执行设备组成识别神经网络的更新步骤时,可以执行:
提取到包括第一关键设备组成分布关系子图谱的示例性第一设备组成分布关系图谱和包括第二关键设备组成分布关系子图谱的示例性第二设备组成分布关系图谱(也就是说,所述示例性第一设备组成分布关系图谱和所述示例性第二设备组成分布关系图谱,都包括关键食品管理子设备);
通过初始的设备组成识别神经网络,对所述示例性第一设备组成分布关系图谱进行设备组成识别处理,以输出对应的第一设备组成识别信息,所述第一设备组成识别信息包括,用于表征所述示例性第一设备组成分布关系图谱的每一个食品管理子设备是否为所述第一关键设备组成分布关系子图谱中的食品管理子设备的第一子设备识别结果;
通过所述设备组成识别神经网络,对所述示例性第二设备组成分布关系图谱进行设备组成识别处理,以输出对应的第二设备组成识别信息;所述第二设备组成识别信息包括,用于表征所述示例性第二设备组成分布关系图谱的各食品管理子设备是否为所述第二关键设备组成分布关系子图谱中的食品管理子设备的第二子设备识别结果;
利用标签评估神经网络,对所述示例性第二设备组成分布关系图谱中的食品管理子设备进行标签评估处理,以形成对应的设备标签评估信息,所述设备标签评估信息用于表征在所述示例性第二设备组成分布关系图谱上对应的设备标签属于第一设备标签评估结果的食品管理子设备和属于第二设备标签评估结果的食品管理子设备(可以理解的是,所述示例性第二设备组成分布关系图谱中的食品管理子设备对应的设备标签的可靠度可能小于所述示例性第一设备组成分布关系图谱中的食品管理子设备对应的设备标签的可靠度。因此,通过进行标签评估处理以作为后续神经网络更新的依据,使得能够降低对可靠地的设备标签的需求量);
基于所述第一子设备识别结果、所述第二子设备识别结果中对应的设备标签属于所述第一设备标签评估结果的食品管理子设备的子设备识别结果和所述第二子设备识别结果中对应的设备标签属于所述第二设备标签评估结果的食品管理子设备的子设备识别结果,进行神经网络更新,所述神经网络更新包括对所述设备组成识别神经网络进行网络更新以形成所述更新后的设备组成识别神经网络。
举例来说,在一些实施方式中,执行设备组成识别神经网络的更新步骤时,还可以执行:
提取到所述示例性第一设备组成分布关系图谱对应的示例性第一设备标签信息(所述示例性第一设备标签信息用于表征所述示例性第一设备组成分布关系图谱中各个食品管理子设备是否为所述第一关键设备组成分布关系子图谱中的食品管理子设备,即该示例性第一设备标签信息用于表征所述示例性第一设备组成分布关系图谱中各个食品管理子设备是否为关键食品管理子设备。该示例性第一设备标签信息可以包括:示例性第一设备组成分布关系图谱中各个食品管理子设备的示例性标识数据。另外,示例性第一设备组成分布关系图谱中各个食品管理子设备的示例性标识数据用于分别表征各个食品管理子设备是属于示例性第一设备组成分布关系图谱中的关键食品管理子设备,还是属于示例性第一设备组成分布关系图谱中关键食品管理子设备的周围子图谱的食品管理子设备,即非关键管理子设备。也就是说,示例性第一设备组成分布关系图谱中各个食品管理子设备的示例性标识数据用于表征各个食品管理子设备是属于第一关键设备组成分布关系子图谱,还是属于示例性第一设备组成分布关系图谱中除第一关键设备组成分布关系子图谱之外的周围子图谱),并提取到所述示例性第二设备组成分布关系图谱对应的示例性第二设备标签信息(所述示例性第二设备标签信息用于表征所述示例性第二设备组成分布关系图谱中各个食品管理子设备是否为所述第二关键设备组成分布关系子图谱中的食品管理子设备,即该示例性第二设备标签信息用于表征所述示例性第二设备组成分布关系图谱中各个食品管理子设备是否为关键食品管理子设备。该示例性第二设备标签信息可以包括:示例性第二设备组成分布关系图谱中各个食品管理子设备的示例性标识数据。另外,示例性第二设备组成分布关系图谱中各个食品管理子设备的示例性标识数据用于分别表征各个食品管理子设备是属于示例性第二设备组成分布关系图谱中的关键食品管理子设备,还是属于示例性第二设备组成分布关系图谱中关键食品管理子设备的周围子图谱中的食品管理子设备,即非关键管理子设备。也就是说,示例性第二设备组成分布关系图谱中各个食品管理子设备的示例性标识数据用于表征各个食品管理子设备是属于第二关键设备组成分布关系子图谱,还是属于示例性第二设备组成分布关系图谱中除第二关键设备组成分布关系子图谱之外的周围子图谱);
基于此,在进行所述神经网络更新的过程中,可以将所述第一子设备识别结果和所述示例性第一设备标签信息之间的第一识别误差信息、所述第二子设备识别结果中对应的设备标签属于所述第一设备标签评估结果的食品管理子设备的子设备识别结果和所述示例性第二设备标签信息中的第一示例性标识数据之间的第二识别误差信息、所述第二子设备识别结果中对应的设备标签属于所述第二设备标签评估结果的食品管理子设备的子设备识别结果和所述示例性第二设备标签信息中的第二示例性标识数据之间的第三识别误差信息作为依据,以对所述设备组成识别神经网络进行神经网络更新;其中,所述第一示例性标识数据包括,所述示例性第二设备标签信息中用于表征所述示例性第二设备组成分布关系图谱上对应的设备标签属于所述第一设备标签评估结果的食品管理子设备是否属于所述第二关键设备组成分布关系子图谱中的食品管理子设备的数据;另外,所述第二示例性标识数据包括,所述示例性第二设备标签信息中用于表征所述示例性第二设备组成分布关系图谱上对应的设备标签属于所述第二设备标签评估结果的食品管理子设备是否属于所述第二关键设备组成分布关系子图谱中的食品管理子设备的数据(所述示例性第二设备组成分布关系图谱中具有可靠标签的食品管理子设备,可以标记为所述第一设备标签评估结果对应的食品管理子设备,即所述第一设备标签评估结果对应的食品管理子设备包括通过标签评估神经网络分析出的示例性第二设备组成分布关系图谱中具有可靠标签的食品管理子设备。反之,可以将通过标签评估神经网络分析出的示例性第二设备组成分布关系图谱中具有不可靠标签的食品管理子设备,标记为第二设备标签评估结果的食品管理子设备,所述第二设备标签评估结果对应的食品管理子设备包括通过标签评估神经网络分析出的示例性第二设备组成分布关系图谱中具有不可靠标签的食品管理子设备)。
举例来说,在一些实施方式中,在执行基于所述第一识别误差信息、所述第二识别误差信息和所述第三识别误差信息对所述设备组成识别神经网络进行神经网络更新时,可以执行:
基于所述第二识别误差信息和所述第三识别误差信息,分析输出所述设备组成识别神经网络相对于所述示例性第二设备组成分布关系图谱具有的整体识别误差信息(示例性地,可以对所述第二识别误差信息和所述第三识别误差信息进行求和计算,以得到整体识别误差信息);以及,提取到所述整体识别误差信息对应的影响力参数(所述影响力参数可以作为神经网络更新中的对象,即随着更新的进程不断的优化),再基于所述影响力参数对所述整体识别误差信息进行对应更新处理,以形成对应的更新整体识别误差信息(示例性地,可以对所述影响力参数和所述整体识别误差信息进行相乘计算,以得到更新整体识别误差信息);
基于所述第一识别误差信息和所述更新整体识别误差信息,对所述设备组成识别神经网络进行神经网络更新(示例性地,可以对所述第一识别误差信息和所述更新整体识别误差信息进行求和,得到目标识别误差信息,然后,可以基于目标识别误差信息进行神经网络更新)。
举例来说,在一些实施方式中,如前所述,所述示例性第二设备组成分布关系图谱可以具有对应的示例性第二设备标签信息,基于此,在执行所述利用标签评估神经网络,对所述示例性第二设备组成分布关系图谱中的食品管理子设备进行标签评估处理,以形成对应的设备标签评估信息的步骤时,可以执行:
通过标签评估神经网络,依据所述示例性第二设备组成分布关系图谱,挖掘出所述第二关键设备组成分布关系子图谱对应的子图谱知识向量和所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量(示例性地,可以通过所述标签评估神经网络包括的编码模型,将数据映射至向量特征空间,以形成对应的知识向量);
依据所述子图谱知识向量、所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量和所述示例性第二设备标签信息,分析输出对应的设备标签评估信息。
举例来说,在一些实施方式中,在执行所述通过标签评估神经网络,依据所述示例性第二设备组成分布关系图谱,挖掘出所述第二关键设备组成分布关系子图谱对应的子图谱知识向量和所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量的步骤时,可以执行:
通过标签评估神经网络,挖掘出所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量(如前所述,可以对通过所述标签评估神经网络包括的编码模型,对每一个食品管理子设备对应的图谱属性信息进行向量特征空间的映射,以得到每一个食品管理子设备对应的设备图谱属性知识向量,即对所述食品管理子设备的设备运行日志数据进行向量特征空间的映射);
通过所述标签评估神经网络,识别出所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布(示例性地,所述知识代表数据分布可以包括对应的食品管理子设备和该食品管理子设备的相邻食品管理子设备),以及,再分别识别出所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布的识别评估参数(然后,所述识别评估参数可以用于反映出该知识代表数据分布作为该食品管理子设备对应的知识代表数据分布的可靠度);
通过所述标签评估神经网络,依据所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布,对所述示例性第二设备组成分布关系图谱进行设备组成识别处理,以输出对应的第三设备组成识别信息,所述第三设备组成识别信息包括,用于表征所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备是否为所述第二关键设备组成分布关系子图谱中的食品管理子设备的第三子设备识别结果(示例性地,对于一个食品管理子设备,可以对该食品管理子设备对应的知识代表数据分布进行挖掘,以得到该知识代表数据分布对应的知识向量,然后,可以基于该知识向量进行评估,以确定该食品管理子设备是否为所述第二关键设备组成分布关系子图谱中的食品管理子设备,即评估出该知识向量属于所述第二关键设备组成分布关系子图谱的知识向量的可能性,也就是说,在确定食品管理子设备是否为所述第二关键设备组成分布关系子图谱中的食品管理子设备时,不仅仅考虑该食品管理子设备自身的图谱属性信息,还考虑了相邻食品管理子设备的图谱属性信息,即从整体上进行分析,在一定程度上可以提高分析的可靠度);
基于所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量、所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布的识别评估参数和所述第三子设备识别结果,挖掘出所述第二关键设备组成分布关系子图谱对应的子图谱知识向量。
其中,举例来说,在一些实施方式中,在执行所述基于所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量、所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布的识别评估参数和所述第三子设备识别结果,挖掘出所述第二关键设备组成分布关系子图谱对应的子图谱知识向量的步骤时,可以执行:
对所述示例性第二设备组成分布关系图谱中对应的知识代表数据分布的识别评估参数不小于预先配置的识别评估参数参考值(所述识别评估参数参考值可以基于实际需求进行配置,具体大小不受限制)的食品管理子设备进行标记,以标记为第一食品管理子设备;
基于至少一个所述第一食品管理子设备对应的设备图谱属性知识向量和所述第三子设备识别结果中至少一个所述第一食品管理子设备对应的子设备识别结果,确定出对应的子图谱知识向量。
其中,举例来说,在一些实施方式中,所述第二关键设备组成分布关系子图谱的参考第一食品管理子设备可以包括:至少一个所述第一食品管理子设备中,在所述第三子设备识别结果中的子设备识别结果表征属于所述第二关键设备组成分布关系子图谱中的食品管理子设备的第一食品管理子设备,另外,所述第二关键设备组成分布关系子图谱的非参考第一食品管理子设备可以包括:至少一个所述第一食品管理子设备中,在所述第三子设备识别结果中的子设备识别结果表征不属于所述第二关键设备组成分布关系子图谱的食品管理子设备的第一食品管理子设备,基于此,在执行所述基于至少一个所述第一食品管理子设备对应的设备图谱属性知识向量和所述第三子设备识别结果中至少一个所述第一食品管理子设备对应的子设备识别结果,确定出对应的子图谱知识向量的步骤时,可以执行:
基于所述参考第一食品管理子设备对应的设备图谱属性知识向量和所述第三子设备识别结果中所述参考第一食品管理子设备对应的子设备识别结果,分析出所述第二关键设备组成分布关系子图谱的第一子图谱代表知识向量,所述第一子图谱代表知识向量用于表征所述第二关键设备组成分布关系子图谱的图谱分布信息(示例性地,可以所述第三子设备识别结果中所述参考第一食品管理子设备对应的子设备识别结果中的可能性参数,对每一个所述参考第一食品管理子设备对应的设备图谱属性知识向量进行加权融合,从而得到第一子图谱代表知识向量,另外,该可能性参数可以用于表征所述参考第一食品管理子设备属于关键食品管理子设备的可能性大小,即属于所述第二关键设备组成分布关系子图谱的可能性大小);
基于所述非参考第一食品管理子设备对应的设备图谱属性知识向量和所述第三子设备识别结果中所述非参考第一食品管理子设备的子设备识别结果,分析输出所述第二关键设备组成分布关系子图谱的第二子图谱代表知识向量,所述第二子图谱代表知识向量用于表征所述示例性第二设备组成分布关系图谱中所述第二关键设备组成分布关系子图谱的周围子图谱的图谱分布信息(可以参照前文的相关描述);
基于所述第一子图谱代表知识向量和所述第二子图谱代表知识向量,确定出对应的子图谱知识向量(示例性地,可以对所述第一子图谱代表知识向量和所述第二子图谱代表知识向量进行合并,得到子图谱知识向量)。
其中,举例来说,在一些实施方式中,所述示例性第二设备组成分布关系图谱中的任意一个食品管理子设备可以作为第二食品管理子设备,执行所述依据所述子图谱知识向量、所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量和所述示例性第二设备标签信息,分析输出对应的设备标签评估信息的步骤时,可以执行:
分析出所述第二食品管理子设备对应的设备图谱属性知识向量和所述第一子图谱代表知识向量之间的第一知识向量差异度(如向量余弦距离),并分析出所述第二食品管理子设备对应的设备图谱属性知识向量和所述第二子图谱代表知识向量之间的第二知识向量差异度;
在所述第一知识向量差异度超过所述第二知识向量差异度、所述示例性第二设备标签信息中所述第二食品管理子设备对应的示例性标识数据表征所述第二食品管理子设备不为所述第二关键设备组成分布关系子图谱中的食品管理子设备的情况下,将所述第二食品管理子设备作为第一设备标签评估结果对应的食品管理子设备;
在所述第一知识向量差异度超过所述第二知识向量差异度、所述示例性第二设备标签信息中所述第二食品管理子设备对应的示例性标识数据表征所述第二食品管理子设备为所述第二关键设备组成分布关系子图谱中的食品管理子设备的情况下,将所述第二食品管理子设备作为第二设备标签评估结果对应的食品管理子设备;
在所述第一知识向量差异度未超过所述第二知识向量差异度、所述示例性第二设备标签信息中所述第二食品管理子设备对应的示例性标识数据表征所述第二食品管理子设备为所述第二关键设备组成分布关系子图谱中的食品管理子设备的情况下,将所述第二食品管理子设备作为第一设备标签评估结果对应的食品管理子设备;
在所述第一知识向量差异度未超过所述第二知识向量差异度、所述示例性第二设备标签信息中所述第二食品管理子设备对应的示例性标识数据表征所述第二食品管理子设备不为所述第二关键设备组成分布关系子图谱中的食品管理子设备的情况下,将所述第二食品管理子设备作为第二设备标签评估结果的食品管理子设备。
举例来说,在一些实施方式中,所述示例性第二设备组成分布关系图谱中的任意一个食品管理子设备可以作为第二食品管理子设备,在执行所述分别识别出所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布的识别评估参数的步骤时,可以执行:
将所述标签评估神经网络的待更新变量进行第一数目(所述第一数目的具体数值,可以根据实际需求配置)次任意失活处理(即随机失活处理),形成所述标签评估神经网络对应的第一数目个失活标签评估神经网络;
通过每一个所述失活标签评估神经网络,分别依据所述第二食品管理子设备对应的知识代表数据分布,识别出所述第二食品管理子设备对应的失活子设备识别结果(可以参照前文的相关描述),所述失活子设备识别结果包括:用于表征所述第二食品管理子设备是否为所述第二关键设备组成分布关系子图谱中的食品管理子设备的数据;
基于所述第一数目个失活标签评估神经网络识别出的第一数目个失活子设备识别结果,分析出所述第二食品管理子设备对应的知识代表数据分布的识别评估参数。
举例来说,在一些实施方式中,每一个所述失活子设备识别结果包括识别出的所述第二食品管理子设备为所述第二关键设备组成分布关系子图谱中的食品管理子设备的第一识别可能系数、所述第二食品管理子设备为所述示例性第二设备组成分布关系图谱中所述第二关键设备组成分布关系子图谱的周围子图谱中的食品管理子设备的第二识别可能系数,基于此,在执行所述基于所述第一数目个失活标签评估神经网络识别出的第一数目个失活子设备识别结果,分析出所述第二食品管理子设备对应的知识代表数据分布的识别评估参数的步骤时,可以执行:
计算输出所述第一数目个失活子设备识别结果中的第一识别可能系数之间的数学统计参数(所述数学统计参数用于反映各第一识别可能系数的离散程度),以标记为所述第二食品管理子设备对应的关键识别评估参数;
计算输出所述第一数目个失活子设备识别结果中的第二识别可能系数之间的数学统计参数(如前所述,离散程度),以标记为所述第二食品管理子设备对应的周围识别评估参数;
基于所述关键识别评估参数和所述周围识别评估参数,分析出所述第二食品管理子设备对应的知识代表数据分布的识别评估参数(也就是说,所述识别评估参数包括关键识别评估参数和周围识别评估参数)。
举例来说,在一些实施方式中,在执行所述对所述示例性第二设备组成分布关系图谱中对应的知识代表数据分布的识别评估参数不小于预先配置的识别评估参数参考值的食品管理子设备进行标记,以标记为第一食品管理子设备的步骤时,可以执行:
在所述关键识别评估参数和所述周围识别评估参数都不小于预先配置的识别评估参数参考值的情况下,将所述第二食品管理子设备标记为第一食品管理子设备。
上述的食品管理设备作为食品生产设备,在诸多领域和诸多场景下,都可以进行适用,如学校食堂、机关单位、养老机构、小型餐饮、中型餐饮、大型餐饮等餐饮机构。其中,在餐饮机构中,可以通过扫一个二维码或者一维条码,进行支付和查看餐饮机构已公示内容,公示的内容包含:明厨亮灶直播、采购食材溯源、留痕影像查看、所属监管单位。并且,还可对餐饮企业进行评价,通过该方法能将消费者比较关心的食品安全问题,从食材采购溯源到过程加工影像留痕,再到成品就餐制作过程一目了然的展示,不用再扫多个码了解相关信息,给就餐人员带来方便的同时,吃得更放心。其中,所述食品生产设备的运行画面也可以一并进行展示。
结合图3,本发明实施例还提供一种基于数据分析的食品管理设备运行监控装置,可应用于上述基于数据分析的食品管理设备运行监控系统。其中,所述基于数据分析的食品管理设备运行监控装置包括:
关系图谱构建模块,用于构建出待分析设备组成分布关系图谱,所述待分析设备组成分布关系图谱包括关键设备组成分布关系子图谱,所述待分析设备组成分布关系图谱基于待分析食品管理设备包括的多个食品管理子设备构成,且所述多个食品管理子设备在所述待分析设备组成分布关系图谱中的分布位置关系和所述多个食品管理子设备之间的设备运行关系相关,所述待分析设备组成分布关系图谱中的每一个食品管理子设备的图谱属性信息为所述食品管理子设备的设备运行日志数据;
设备组成识别模块,用于通过更新后的设备组成识别神经网络,将所述待分析设备组成分布关系图谱进行设备组成识别处理,以输出对应的待分析设备组成识别信息,所述待分析设备组成识别信息包括,用于表征所述待分析设备组成分布关系图谱的每一个食品管理子设备是否为所述关键设备组成分布关系子图谱中的食品管理子设备的待分析子设备识别结果;
子图谱提取模块,用于依据所述待分析子设备识别结果,从所述待分析设备组成分布关系图谱中,提取出所述关键设备组成分布关系子图谱;
运行监控模块,用于基于所述关键设备组成分布关系子图谱,对所述待分析设备组成分布关系图谱包括的食品管理子设备分别进行运行监控。
综上所述,本发明提供的一种基于数据分析的食品管理设备运行监控方法及系统,可以构建出待分析设备组成分布关系图谱;通过更新后的设备组成识别神经网络,识别出对应的待分析设备组成识别信息,待分析设备组成识别信息包括食品管理子设备是否为关键设备组成分布关系子图谱中的食品管理子设备的待分析子设备识别结果;依据待分析子设备识别结果,从待分析设备组成分布关系图谱中,提取出关键设备组成分布关系子图谱;基于关键设备组成分布关系子图谱,对待分析设备组成分布关系图谱包括的食品管理子设备分别进行运行监控。通过前述的步骤,由于在进行运行监控之前,先对构建出待分析设备组成分布关系图谱进行识别,以确定出其中的关键设备组成分布关系子图谱,即确定出关键的食品管理子设备,使得基于关键设备组成分布关系子图谱进行的食品管理子设备的运行监控,可以实现可靠度的分别运行监控,如关键的食品管理子设备进行重点监控等,从而改善现有技术中存在的运行监控效果不佳的问题。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于数据分析的食品管理设备运行监控方法,其特征在于,所述食品管理设备运行监控方法包括:
构建出待分析设备组成分布关系图谱,所述待分析设备组成分布关系图谱包括关键设备组成分布关系子图谱,所述待分析设备组成分布关系图谱基于待分析食品管理设备包括的多个食品管理子设备构成,且所述多个食品管理子设备在所述待分析设备组成分布关系图谱中的分布位置关系和所述多个食品管理子设备之间的设备运行关系相关,所述待分析设备组成分布关系图谱中的每一个食品管理子设备的图谱属性信息为所述食品管理子设备的设备运行日志数据;
通过更新后的设备组成识别神经网络,将所述待分析设备组成分布关系图谱进行设备组成识别处理,以输出对应的待分析设备组成识别信息,所述待分析设备组成识别信息包括,用于表征所述待分析设备组成分布关系图谱的每一个食品管理子设备是否为所述关键设备组成分布关系子图谱中的食品管理子设备的待分析子设备识别结果;
依据所述待分析子设备识别结果,从所述待分析设备组成分布关系图谱中,提取出所述关键设备组成分布关系子图谱;
基于所述关键设备组成分布关系子图谱,对所述待分析设备组成分布关系图谱包括的食品管理子设备分别进行运行监控;
其中,所述食品管理设备运行监控方法还包括:
提取到包括第一关键设备组成分布关系子图谱的示例性第一设备组成分布关系图谱和包括第二关键设备组成分布关系子图谱的示例性第二设备组成分布关系图谱;
通过初始的设备组成识别神经网络,对所述示例性第一设备组成分布关系图谱进行设备组成识别处理,以输出对应的第一设备组成识别信息,所述第一设备组成识别信息包括,用于表征所述示例性第一设备组成分布关系图谱的每一个食品管理子设备是否为所述第一关键设备组成分布关系子图谱中的食品管理子设备的第一子设备识别结果;
通过所述初始的设备组成识别神经网络,对所述示例性第二设备组成分布关系图谱进行设备组成识别处理,以输出对应的第二设备组成识别信息;所述第二设备组成识别信息包括,用于表征所述示例性第二设备组成分布关系图谱的各食品管理子设备是否为所述第二关键设备组成分布关系子图谱中的食品管理子设备的第二子设备识别结果;
利用标签评估神经网络,对所述示例性第二设备组成分布关系图谱中的食品管理子设备进行标签评估处理,以形成对应的设备标签评估信息,所述设备标签评估信息用于表征在所述示例性第二设备组成分布关系图谱上对应的设备标签属于第一设备标签评估结果的食品管理子设备和属于第二设备标签评估结果的食品管理子设备;
基于所述第一子设备识别结果和所述第二子设备识别结果中对应的设备标签属于所述第一设备标签评估结果的食品管理子设备的子设备识别结果和所述第二子设备识别结果中对应的设备标签属于所述第二设备标签评估结果的食品管理子设备的子设备识别结果,进行神经网络更新,所述神经网络更新包括对所述初始的设备组成识别神经网络进行网络更新以形成所述更新后的设备组成识别神经网络。
2.如权利要求1所述的基于数据分析的食品管理设备运行监控方法,其特征在于,所述食品管理设备运行监控方法还包括:提取到所述示例性第一设备组成分布关系图谱对应的示例性第一设备标签信息,并提取到所述示例性第二设备组成分布关系图谱对应的示例性第二设备标签信息;
在进行所述神经网络更新的过程中,将所述第一子设备识别结果和所述示例性第一设备标签信息之间的第一识别误差信息、所述第二子设备识别结果中对应的设备标签属于所述第一设备标签评估结果的食品管理子设备的子设备识别结果和所述示例性第二设备标签信息中的第一示例性标识数据之间的第二识别误差信息、所述第二子设备识别结果中对应的设备标签属于所述第二设备标签评估结果的食品管理子设备的子设备识别结果和所述示例性第二设备标签信息中的第二示例性标识数据之间的第三识别误差信息作为依据,以对所述初始的设备组成识别神经网络进行神经网络更新;
所述第一示例性标识数据包括,所述示例性第二设备标签信息中用于表征所述示例性第二设备组成分布关系图谱上对应的设备标签属于所述第一设备标签评估结果的食品管理子设备是否属于所述第二关键设备组成分布关系子图谱中的食品管理子设备的数据;
所述第二示例性标识数据包括,所述示例性第二设备标签信息中用于表征所述示例性第二设备组成分布关系图谱上对应的设备标签属于所述第二设备标签评估结果的食品管理子设备是否属于所述第二关键设备组成分布关系子图谱中的食品管理子设备的数据。
3.如权利要求2所述的基于数据分析的食品管理设备运行监控方法,其特征在于,基于所述第一识别误差信息、所述第二识别误差信息和所述第三识别误差信息对所述初始的设备组成识别神经网络进行神经网络更新,包括:
基于所述第二识别误差信息和所述第三识别误差信息,分析输出所述初始的设备组成识别神经网络相对于所述示例性第二设备组成分布关系图谱具有的整体识别误差信息;以及,提取到所述整体识别误差信息对应的影响力参数,再基于所述影响力参数对所述整体识别误差信息进行对应更新处理,以形成对应的更新整体识别误差信息;
基于所述第一识别误差信息和所述更新整体识别误差信息,对所述初始的设备组成识别神经网络进行神经网络更新。
4.如权利要求1所述的基于数据分析的食品管理设备运行监控方法,其特征在于,所述示例性第二设备组成分布关系图谱具有对应的示例性第二设备标签信息;以及,所述利用标签评估神经网络,对所述示例性第二设备组成分布关系图谱中的食品管理子设备进行标签评估处理,以形成对应的设备标签评估信息的步骤,包括:
通过标签评估神经网络,依据所述示例性第二设备组成分布关系图谱,挖掘出所述第二关键设备组成分布关系子图谱对应的子图谱知识向量和所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量;
依据所述子图谱知识向量、所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量和所述示例性第二设备标签信息,分析输出对应的设备标签评估信息。
5.如权利要求4所述的基于数据分析的食品管理设备运行监控方法,其特征在于,所述通过标签评估神经网络,依据所述示例性第二设备组成分布关系图谱,挖掘出所述第二关键设备组成分布关系子图谱对应的子图谱知识向量和所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量的步骤,包括:
通过标签评估神经网络,挖掘出所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量;
通过所述标签评估神经网络,识别出所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布,以及,再分别识别出所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布的识别评估参数;
通过所述标签评估神经网络,依据所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布,对所述示例性第二设备组成分布关系图谱进行设备组成识别处理,以输出对应的第三设备组成识别信息,所述第三设备组成识别信息包括,用于表征所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备是否为所述第二关键设备组成分布关系子图谱中的食品管理子设备的第三子设备识别结果;
基于所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的设备图谱属性知识向量、所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布的识别评估参数和所述第三子设备识别结果,挖掘出所述第二关键设备组成分布关系子图谱对应的子图谱知识向量。
6.如权利要求5所述的基于数据分析的食品管理设备运行监控方法,其特征在于,所述示例性第二设备组成分布关系图谱中的任意一个食品管理子设备作为第二食品管理子设备;以及,所述分别识别出所述示例性第二设备组成分布关系图谱中的每一个食品管理子设备对应的知识代表数据分布的识别评估参数的步骤,包括:
将所述标签评估神经网络的待更新变量进行第一数目次任意失活处理,形成所述标签评估神经网络对应的第一数目个失活标签评估神经网络;
通过每一个所述失活标签评估神经网络,分别依据所述第二食品管理子设备对应的知识代表数据分布,识别出所述第二食品管理子设备对应的失活子设备识别结果,所述失活子设备识别结果包括,用于表征所述第二食品管理子设备是否为所述第二关键设备组成分布关系子图谱中的食品管理子设备的数据;
基于所述第一数目个失活标签评估神经网络识别出的第一数目个失活子设备识别结果,分析出所述第二食品管理子设备对应的知识代表数据分布的识别评估参数。
7.如权利要求6所述的基于数据分析的食品管理设备运行监控方法,其特征在于,每一个所述失活子设备识别结果包括识别出的所述第二食品管理子设备为所述第二关键设备组成分布关系子图谱中的食品管理子设备的第一识别可能系数、所述第二食品管理子设备为所述示例性第二设备组成分布关系图谱中所述第二关键设备组成分布关系子图谱的周围子图谱中的食品管理子设备的第二识别可能系数;
所述基于所述第一数目个失活标签评估神经网络识别出的第一数目个失活子设备识别结果,分析出所述第二食品管理子设备对应的知识代表数据分布的识别评估参数的步骤,包括:
计算输出所述第一数目个失活子设备识别结果中的第一识别可能系数之间的数学统计参数,以标记为所述第二食品管理子设备对应的关键识别评估参数;以及,计算输出所述第一数目个失活子设备识别结果中的第二识别可能系数之间的数学统计参数,以标记为所述第二食品管理子设备对应的周围识别评估参数;
基于所述关键识别评估参数和所述周围识别评估参数,分析出所述第二食品管理子设备对应的知识代表数据分布的识别评估参数。
8.如权利要求1-7任意一项所述的基于数据分析的食品管理设备运行监控方法,其特征在于,所述基于所述关键设备组成分布关系子图谱,对所述待分析设备组成分布关系图谱包括的食品管理子设备分别进行运行监控的步骤,包括:
将所述关键设备组成分布关系子图谱包括的食品管理子设备,组合形成关键食品管理子设备组合,并将所述待分析设备组成分布关系图谱中所述关键设备组成分布关系子图谱外的食品管理子设备,组合形成非关键食品管理子设备组合,以及,再对所述关键食品管理子设备组合和所述非关键食品管理子设备组合分别进行运行监控。
9.一种基于数据分析的食品管理设备运行监控系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211466564.5A CN115511396B (zh) | 2022-11-22 | 2022-11-22 | 基于数据分析的食品管理设备运行监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211466564.5A CN115511396B (zh) | 2022-11-22 | 2022-11-22 | 基于数据分析的食品管理设备运行监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115511396A CN115511396A (zh) | 2022-12-23 |
CN115511396B true CN115511396B (zh) | 2023-03-24 |
Family
ID=84514223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211466564.5A Active CN115511396B (zh) | 2022-11-22 | 2022-11-22 | 基于数据分析的食品管理设备运行监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511396B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901236A (zh) * | 2021-11-05 | 2022-01-07 | 平安科技(深圳)有限公司 | 基于人工智能的目标识别方法、装置、电子设备及介质 |
CN115098705A (zh) * | 2022-08-25 | 2022-09-23 | 成都航空职业技术学院 | 基于知识图谱推理的网络安全事件分析方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200408875A1 (en) * | 2015-07-17 | 2020-12-31 | Chao-Lun Mai | Method, apparatus, and system for positioning and powering a wireless monitoring system |
CN113614763A (zh) * | 2019-02-01 | 2021-11-05 | 莱博2法博责任有限公司 | 集成式前台及后台餐厅自动化系统 |
CN110119952A (zh) * | 2019-05-11 | 2019-08-13 | 成都银光软件有限公司 | 食品安全溯源系统及方法 |
CN110400092A (zh) * | 2019-07-31 | 2019-11-01 | 北京金和网络股份有限公司 | 基于大数据的食品安全问题的识别方法及系统 |
CN111680953A (zh) * | 2020-06-05 | 2020-09-18 | 深圳市华云中盛科技股份有限公司 | 食品药品流向分析方法、装置、计算机设备及存储介质 |
CN114187248A (zh) * | 2021-12-01 | 2022-03-15 | 胜斗士(上海)科技技术发展有限公司 | 食品品质检测方法及装置、电子设备和存储介质 |
-
2022
- 2022-11-22 CN CN202211466564.5A patent/CN115511396B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901236A (zh) * | 2021-11-05 | 2022-01-07 | 平安科技(深圳)有限公司 | 基于人工智能的目标识别方法、装置、电子设备及介质 |
CN115098705A (zh) * | 2022-08-25 | 2022-09-23 | 成都航空职业技术学院 | 基于知识图谱推理的网络安全事件分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115511396A (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11460320B2 (en) | Analysis of smart meter data based on frequency content | |
CN107918905B (zh) | 异常交易识别方法、装置及服务器 | |
Song et al. | Why are some plant–pollinator networks more nested than others? | |
US20220108403A1 (en) | Plant provenance and data products from computer object recognition driven tracking | |
CN107742100B (zh) | 一种考生身份验证方法及终端设备 | |
CN107330731B (zh) | 一种识别广告位点击异常的方法和装置 | |
CN110798709B (zh) | 视频处理方法和装置、存储介质及电子装置 | |
CN110287316A (zh) | 一种告警分类方法、装置、电子设备及存储介质 | |
CN111427974A (zh) | 数据质量评估管理方法和装置 | |
CN113780329A (zh) | 用于识别数据异常的方法、装置、服务器和介质 | |
CN108156141A (zh) | 一种实时数据识别方法、装置及电子设备 | |
CN112929381A (zh) | 一种虚假注入数据的检测方法、装置设备和存储介质 | |
CN115188485A (zh) | 基于智慧医疗大数据的用户需求分析方法及系统 | |
CN116340793A (zh) | 一种数据处理方法、装置、设备以及可读存储介质 | |
CN113762163B (zh) | 一种gmp车间智能化监控管理方法及系统 | |
CN111008953A (zh) | 一种数字病理图像质控的方法及装置 | |
CN115511396B (zh) | 基于数据分析的食品管理设备运行监控方法及系统 | |
CN110659997A (zh) | 数据聚类识别方法、装置、计算机系统及可读存储介质 | |
Shmilovici et al. | Measuring the efficiency of the intraday forex market with a universal data compression algorithm | |
CN109801394B (zh) | 一种工作人员考勤方法及装置、电子设备和可读存储介质 | |
CN115907898A (zh) | 对再保客户进行金融产品推荐的方法及其相关设备 | |
Koran et al. | Deletion statistic accuracy in confirmatory factor models | |
JP2021018466A (ja) | ルール抽出装置、情報処理装置、ルール抽出方法及びルール抽出プログラム | |
Adipraja et al. | Prediction of per-batch yield rates in production based on maximum likelihood estimation of per-machine yield rates | |
CN115496595B (zh) | 标识产品风险的分析方法、设备及计算机可读存储介质 |
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 |