CN115576293A - 基于数据监控的压敏胶在线生产分析方法及系统 - Google Patents
基于数据监控的压敏胶在线生产分析方法及系统 Download PDFInfo
- Publication number
- CN115576293A CN115576293A CN202211571760.9A CN202211571760A CN115576293A CN 115576293 A CN115576293 A CN 115576293A CN 202211571760 A CN202211571760 A CN 202211571760A CN 115576293 A CN115576293 A CN 115576293A
- Authority
- CN
- China
- Prior art keywords
- matrix representation
- production
- data
- matrix
- classified
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by the network communication
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
Abstract
本申请提供的基于数据监控的压敏胶在线生产分析方法及系统,将压敏胶在线生产流式数据集进行归类得到多个归类流式数据日志,分别对多个归类流式数据日志进行操作行为矩阵表示提取和监测数据矩阵表示提取,之后进行生产信息交流,得到目标交流矩阵表示,获取多个归类流式数据日志对应的生产状态矩阵表示,生产状态矩阵表示同时具备不同分析维度的生产信息,接着获取多个归类流式数据日志对应的生产状态异常概率,提高生产状态异常分析的准确性,在归类流式数据日志序列中确定多个异常生产线数据,确定对应的异常类型矩阵表示,最后得到至少一个同类生产异常数据集,分析的准确性和同类生产异常数据集的准确性得到提高。
Description
技术领域
本申请涉及生产监测与数据分析技术领域,具体而言,涉及一种基于数据监控的压敏胶在线生产分析方法及系统。
背景技术
压敏胶因其轻度敏感性质,在机械制造、汽车领域以及日常用品上得到了广泛的应用。压敏胶在生产时,需要关注各单体、引发剂和溶剂等组分的配比、反应时间、反应温度、材料投放顺次、设备状态等等多种环节,单纯通过人力进行监督,对于大规模生产线的统一管控与在线监测是不现实的。随着工业化4.0的发展,压敏胶生产过程中可以引入物联网技术进行数据检测分析,结合人工智能技术可以做到对压敏胶生产进行在线高效准确分析,实现实时监控。那么,如何进行生产分析是目前需要解决的技术问题。应当理解,以上背景描述介绍不应理解为公知技术,不能作为评估本申请创造性的证据。
发明内容
本发明的目的在于提供一种基于数据监控的压敏胶在线生产分析方法及系统,以改善上述问题。
本申请实施例的技术方案,通过如下内容实现:
第一方面,本申请实施例提供了一种基于数据监控的压敏胶在线生产分析方法,应用于生产数据监控设备,所述方法包括:
获取多条压敏胶生产线的生产数据采集终端上传的压敏胶在线生产流式数据集,将所述压敏胶在线生产流式数据集进行归类,得到多个归类流式数据日志,每一个所述流式数据日志对应一条所述压敏胶生产线对应的在线生产流式数据;
分别对所述多个归类流式数据日志进行操作行为矩阵表示提取,得到所述多个归类流式数据日志对应的操作行为矩阵表示,所述操作行为矩阵表示包括操作行为过程矩阵表示和操作行为目标矩阵表示;
分别对所述多个归类流式数据日志进行监测数据矩阵表示提取,得到所述多个归类流式数据日志对应的监测数据矩阵表示,所述监测数据矩阵表示包括监测数据过程矩阵表示和监测数据目标矩阵表示;
结合所述多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示进行生产信息交流,得到所述多个归类流式数据日志对应的目标交流矩阵表示;
结合所述多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行生产状态矩阵表示提取,得到所述多个归类流式数据日志对应的生产状态矩阵表示,并结合所述生产状态矩阵表示进行生产状态异常分析,得到所述多个归类流式数据日志对应的生产状态异常概率;
结合所述生产状态异常概率从所述压敏胶在线生产流式数据集中确定多个异常生产线数据,并结合所述生产状态矩阵表示确定所述多个异常生产线数据对应的异常类型矩阵表示;
结合所述多个异常生产线数据对应的异常类型矩阵表示进行生产异常类型分析,得到至少一个同类生产异常数据集。
可选择地,所述结合所述多个异常生产线数据对应的异常类型矩阵表示进行生产异常类型分析,得到至少一个同类生产异常数据集,包括:
结合所述多个异常生产线数据对应的异常类型矩阵表示进行转换映射,得到映射矩阵表示;
结合所述映射矩阵表示和所述多个归类流式数据日志对应的生产状态异常概率进行还原映射,得到所述多个异常生产线数据对应的目标异常类型矩阵表示;
结合所述多个异常生产线数据对应的目标异常类型矩阵表示对所述多个异常生产线数据进行生产异常分析,得到所述同类生产异常数据集。
可选择地,所述结合所述多个异常生产线数据对应的异常类型矩阵表示进行转换映射,得到映射矩阵表示,包括:
提取所述多个归类流式数据日志各自对应的第一生产数据矩阵表示,在所述多个归类流式数据日志各自对应的第一生产数据矩阵表示中确定所述多个异常生产线数据对应的异常生产线数据第一矩阵表示;
将所述多个异常生产线数据对应的异常生产线数据第一矩阵表示分别和对应的异常类型矩阵表示进行融合处理,得到所述多个异常生产线数据对应的目标融合矩阵表示;
将所述多个异常生产线数据对应的目标融合矩阵表示载入转换处理模型的矩阵表示映射单元中执行映射操作,得到所述矩阵表示映射单元输出的目标映射矩阵表示。
可选择地,所述结合所述多个异常生产线数据对应的目标异常类型矩阵表示对所述多个异常生产线数据进行生产异常分析,得到所述同类生产异常数据集,包括:
结合所述多个异常生产线数据对应的目标异常类型矩阵表示确定所述多个异常生产线数据之间的共性系数;
结合所述多个异常生产线数据之间的共性系数进行按类归集,得到所述同类生产异常数据集。
可选择地,所述分别对所述多个归类流式数据日志进行操作行为矩阵表示提取,得到所述多个归类流式数据日志对应的操作行为矩阵表示,所述操作行为矩阵表示包括操作行为过程矩阵表示和操作行为目标矩阵表示,包括:
分别对所述多个归类流式数据日志执行操作行为数据平滑处理,得到所述多个归类流式数据日志对应的多个过程平滑矩阵表示和结果平滑矩阵表示;
对所述多个过程平滑矩阵表示进行维度一致性处理,得到所述多个归类流式数据日志对应的多个操作行为过程矩阵表示;
对所述结果平滑矩阵表示进行维度一致性处理,得到所述多个归类流式数据日志对应的操作行为目标矩阵表示;
所述分别对所述多个归类流式数据日志进行监测数据矩阵表示提取,得到所述多个归类流式数据日志对应的监测数据矩阵表示,所述监测数据矩阵表示包括监测数据过程矩阵表示和监测数据目标矩阵表示,包括:
提取所述多个归类流式数据日志各自对应的第一生产数据矩阵表示;
对所述多个归类流式数据日志各自对应的第一生产数据矩阵表示执行监测数据平滑处理,得到所述多个归类流式数据日志对应的多个监测数据过程矩阵表示和监测数据目标矩阵表示。
可选择地,所述操作行为过程矩阵表示和所述监测数据过程矩阵表示的数量均为多个;所述结合所述多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示进行生产信息交流,得到所述多个归类流式数据日志对应的目标交流矩阵表示,包括:
步骤A、将多个所述操作行为过程矩阵表示中的第一操作行为过程矩阵表示与多个所述监测数据过程矩阵表示中对应的第一监测数据过程矩阵表示进行融合处理,得到第一融合矩阵表示,结合所述第一融合矩阵表示执行平滑处理,得到第一交流矩阵表示;
步骤B、将所述第一交流矩阵表示、多个所述操作行为过程矩阵表示中第二操作行为过程矩阵表示与多个所述监测数据过程矩阵表示中对应的第二监测数据过程矩阵表示进行融合处理,得到第二融合矩阵表示,结合所述第二融合矩阵表示执行平滑处理,得到第二交流矩阵表示;
当所有操作行为过程矩阵表示和所有监测数据过程矩阵表示均执行完以上步骤A和步骤B,最终得到目标交流矩阵表示。
可选择地,所述结合所述多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行生产状态矩阵表示提取,得到所述多个归类流式数据日志对应的生产状态矩阵表示,并结合所述生产状态矩阵表示进行生产状态异常分析,得到所述多个归类流式数据日志对应的生产状态异常概率,包括:
将所述多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行融合处理,得到所述多个归类流式数据日志对应的目标融合矩阵表示;
结合所述多个归类流式数据日志对应的目标融合矩阵表示执行平滑处理,获得所述多个归类流式数据日志对应的目标平滑矩阵表示;
结合所述多个归类流式数据日志对应的目标平滑矩阵表示确定所述目标平滑矩阵表示中各维度对应的最大数组和数组平均运算结果;
将所述最大数组和所述数组平均运算结果相加,得到所述目标平滑矩阵表示中各维度对应的生产状态矩阵表示提取结果,结合所述目标平滑矩阵表示中各维度对应的生产状态矩阵表示提取结果,得到所述多个归类流式数据日志对应的生产状态提取矩阵表示;
将所述多个归类流式数据日志对应的生产状态提取矩阵表示基于预设激活函数处理,得到所述多个归类流式数据日志对应的生产状态矩阵表示;
结合所述多个归类流式数据日志对应的生产状态矩阵表示进行生产状态异常或正常分析,得到所述多个归类流式数据日志对应的生产状态异常概率。
可选择地,所述方法还包括:
将所述压敏胶在线生产流式数据集载入生产状态异常分析模型,结合所述生产状态异常分析模型将所述压敏胶在线生产流式数据集进行归类,得到多个归类流式数据日志;
结合所述生产状态异常分析模型分别对所述多个归类流式数据日志进行操作行为矩阵表示提取,得到所述多个归类流式数据日志对应的操作行为矩阵表示,所述操作行为矩阵表示包括操作行为过程矩阵表示和操作行为目标矩阵表示;
分别对所述多个归类流式数据日志进行监测数据矩阵表示提取,得到所述多个归类流式数据日志对应的监测数据矩阵表示,所述监测数据矩阵表示包括监测数据过程矩阵表示和监测数据目标矩阵表示;
结合所述生产状态异常分析模型对所述多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示进行生产信息交流,得到所述多个归类流式数据日志对应的目标交流矩阵表示;
结合所述生产状态异常分析模型对所述多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行生产状态矩阵表示提取,得到所述多个归类流式数据日志对应的生产状态矩阵表示,并结合所述生产状态矩阵表示进行生产状态异常分析,得到所述多个归类流式数据日志对应的生产状态异常概率。
可选择地,所述生产状态异常分析模型包括操作行为矩阵表示提取网络、监测数据矩阵表示提取网络、生产信息交流网络、生产状态矩阵表示提取网络和异常分析网络;所述方法还包括:
将所述压敏胶在线生产流式数据集载入生产状态异常分析模型中,结合所述生产状态异常分析模型将所述压敏胶在线生产流式数据集进行归类,得到多个归类流式数据日志;
将所述多个归类流式数据日志载入所述操作行为矩阵表示提取网络中进行监测数据矩阵表示提取,获得操作行为过程矩阵表示和操作行为目标矩阵表示;
将所述多个归类流式数据日志载入所述监测数据矩阵表示提取网络中进行监测数据矩阵表示提取,获得监测数据过程矩阵表示和监测数据目标矩阵表示;
将多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示载入所述生产信息交流网络中进行生产信息交流,得到所述多个归类流式数据日志对应的目标交流矩阵表示;
将所述多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示载入所述生产状态矩阵表示提取网络进行生产状态矩阵表示提取,得到所述多个归类流式数据日志对应的生产状态矩阵表示,并将所述生产状态矩阵表示载入所述异常分析网络进行生产状态异常分析,得到所述多个归类流式数据日志对应的生产状态异常概率。
第二方面,本申请实施例提供一种压敏胶在线生产监控系统,包括生产数据监控设备和多个与所述生产数据监控设备通信连接的生产数据采集终端,所述生产数据监控设备包括处理器和存储器,所述存储器存储有计算机程序,所述处理器用以执行所述计算机程序,以实现以上所述的方法。
本申请实施例提供的基于数据监控的压敏胶在线生产分析方法及系统,采用将压敏胶在线生产流式数据集进行归类,获得多个归类流式数据日志,然后分别对多个归类流式数据日志进行操作行为矩阵表示提取,得到操作行为过程矩阵表示和操作行为目标矩阵表示,并分别对多个归类流式数据日志进行监测数据矩阵表示提取,得到监测数据过程矩阵表示和监测数据目标矩阵表示,之后结合多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示进行生产信息交流,得到多个归类流式数据日志对应的目标交流矩阵表示,采取生产信息交流,可以让获得的目标交流矩阵表示具有不同分析维度的生产信息,相互进行信息补足,之后结合多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行生产状态矩阵表示提取,得到多个归类流式数据日志对应的生产状态矩阵表示,基于此,提取到的生产状态矩阵表示不仅具备两个分析维度的信息,还令获得的生产状态矩阵表示能够充分留存生产数据的信息。然后再结合生产状态矩阵表示进行生产状态异常分析,得到多个归类流式数据日志对应的生产状态异常概率,能够提高生产状态异常分析的准确性,然后结合生产状态异常概率从压敏胶在线生产流式数据集中确定多个异常生产线数据,并结合生产状态矩阵表示确定多个异常生产线数据对应的异常类型矩阵表示,结合多个异常生产线数据对应的异常类型矩阵表示进行生产异常类型分析,得到至少一个同类生产异常数据集,这样,提高了生产异常类型分析的准确性,获得分类精准的同类生产异常数据集。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种基于数据监控的压敏胶在线生产分析方法的流程图。
图2是本申请实施例提供的在线生产分析装置的功能模块架构示意图。
图3是本申请实施例提供的一种生产数据监控设备的组成示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。本申请实施例的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。
本申请实施例中基于数据监控的压敏胶在线生产分析方法的执行主体为生产数据监控设备,包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等。例如是单个网络服务器或多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。生产数据监控设备与多个生产数据采集终端通信,例如通过互联网、广域网、城域网、局域网、VPN网络等进行通信连接。生产数据采集终端可以包括布设在压敏胶生产线的各类传感器,以及嵌入操作系统的管理软件,传感器可以感测生产监测数据,管理软件可以获取操作行为数据。
本申请实施例提供了一种基于数据监控的压敏胶在线生产分析方法,该方法应用于生产数据监控设备,如图1所示,该方法包括:
步骤S101,获取多条压敏胶生产线的生产数据采集终端上传的压敏胶在线生产流式数据集,将压敏胶在线生产流式数据集进行归类,得到多个归类流式数据日志。
其中,每一个流式数据日志对应一条压敏胶生产线对应的在线生产流式数据。本申请实施例中,压敏胶在线生产流式数据集是多条压敏胶生产线的生产数据采集终端上传的对应的生产线的生产流式数据(因为需要进行在线分析,对数据的实时性有要求,需要获取实时流式数据)组成的数据集合。在获取到压敏胶在线生产流式数据集之后,可以根据生产流式数据包含的唯一ID进行数据归属区分,将压敏胶在线生产流式数据集归类成多个对应于每个压敏胶生产线的归类流式数据日志。对各个压敏胶生产线的归类流式数据日志进行分析可以判断该压敏胶生产线是否具有异常生产的情况,例如操作人员的操作行为不合规(设备操作顺序、设备维护条件等)、原料投放量(如有机硼酸改性单体的份数、溶剂与引发剂的比例)、制备流程异常(例如反应温度不足、混合料质量获取比例超限、混合物反应时间不足)等。具体的分析流程请参照后续步骤。
步骤S102,分别对多个归类流式数据日志进行操作行为矩阵表示提取,得到多个归类流式数据日志对应的操作行为矩阵表示,操作行为矩阵表示包括操作行为过程矩阵表示和操作行为目标矩阵表示。
操作行为矩阵表示提取的是归类流式数据日志中关于生产操作行为数据(例如技术人员的设备操作行为数据,如温度调节、反应维持时间设置、流程节点控制)的表示矢量信息,是生产操作行为的特征信息,在实际应用中,矩阵表示的矩阵维度不做限定,根据实际情况而定,例如矩阵表示可以是二维矩阵,此时可以通过数组形式表示。操作行为过程矩阵表示是在对生产操作行为数据进行操作行为目标矩阵表示提取时获得的中间数据,操作行为目标矩阵表示是提取完成时,得到的归类流式数据日志对应的操作行为矩阵表示。例如可以采用对归类流式数据日志进行多次平滑处理(卷积),每次处理获得操作行为过程矩阵表示,将当前获得的操作行为过程矩阵表示作为下次平滑处理的载入数据,遍历直到结束,把最后处理获得的矩阵表示确定为操作行为目标矩阵表示。可以想到,全部归类流式数据日志都需要采取上述流程,以得到多个归类流式数据日志分别对应的操作行为过程矩阵表示和操作行为目标矩阵表示。
步骤S103,分别对多个归类流式数据日志进行监测数据矩阵表示提取,得到多个归类流式数据日志对应的监测数据矩阵表示,监测数据矩阵表示包括监测数据过程矩阵表示和监测数据目标矩阵表示。
监测数据矩阵表示提取的是归类流式数据日志中关于生产监测数据(例如混合物反应温度数据、温度变化速率、溶剂质量数据、流程节点数据、维持时间数据)的表示矢量信息,是生产监测数据的特征信息,在实际应用中,矩阵表示的矩阵维度不做限定,根据实际情况而定,例如矩阵表示可以是二维矩阵,此时可以通过数组形式表示。监测数据过程矩阵表示是在对生产监测数据进行监测数据目标矩阵表示提取时获得的中间数据,监测数据目标矩阵表示是提取完成时,得到的归类流式数据日志对应的监测数据矩阵表示。例如可以采用对归类流式数据日志进行多次平滑处理(卷积),每次处理获得监测数据过程矩阵表示,将当前获得的监测数据过程矩阵表示作为下次平滑处理的载入数据,遍历直到结束,把最后处理获得的矩阵表示确定为监测数据目标矩阵表示。可以想到,全部归类流式数据日志都需要采取上述流程,以得到多个归类流式数据日志分别对应的监测数据过程矩阵表示和监测数据目标矩阵表示。
步骤S104,结合多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示进行生产信息交流,得到多个归类流式数据日志对应的目标交流矩阵表示。
生产信息交流的过程是将操作行为过程矩阵表示和对应时间点匹配的监测数据过程矩阵表示进行生产信息的融合以完成信息交流,这样可以增加生产异常分析的准确性,数据的原始信息得到更好的表示,同时能得到数据中更细节更具有深意的信息;目标交流矩阵表示是操作行为矩阵表示和监测数据矩阵表示融合后的矩阵(二维矩阵)。举例来说,结合归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示进行组合,得到归类流式数据日志对应的目标交流矩阵表示,对每个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示都进行组合处理,得到每个归类流式数据日志对应的目标交流矩阵表示。
步骤S105,结合多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行生产状态矩阵表示提取,得到多个归类流式数据日志对应的生产状态矩阵表示,以及结合生产状态矩阵表示进行生产状态异常分析,得到多个归类流式数据日志对应的生产状态异常概率。
生产状态矩阵表示是将操作行为矩阵表示、监测数据矩阵表示和交流矩阵表示进行融合处理后得到的矩阵表示,每个归类流式数据日志均包含对应的生产状态矩阵表示。生产状态异常分析是对归类流式数据日志进行分析,判断归类流式数据日志是否指示生产异常,分析结果包括具有生产异常和不具有生产异常。
生产状态异常概率用以反映对应的归类流式数据日志为生产异常的可能性,生产状态异常概率越大,对应的归类流式数据日志是生产异常的可能性越大。举例来说,结合每个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行生产状态矩阵表示的聚合,得到处理后的矩阵表示,基于此得到各个归类流式数据日志对应的生产状态矩阵表示,再结合生产状态矩阵表示进行生产异常分析,确定归类流式数据日志对应的是生产异常状态或生产正常状态,得到各个归类流式数据日志对应的生产状态异常概率。
步骤S106,结合生产状态异常概率从压敏胶在线生产流式数据集中确定多个异常生产线数据,并结合生产状态矩阵表示确定多个异常生产线数据对应的异常类型矩阵表示。
具有生产异常的归类流式数据日志是生产状态异常概率大于预设生产状态异常概率的归类流式数据日志,预设生产状态异常概率可以根据实际需要进行配置。异常类型矩阵表示表征异常生产线数据的异常类型信息,是采用各个生产异常数据对应的生产状态矩阵表示融合得到,举例来说,可以将各个归类流式数据日志对应的生产状态异常概率和预设生产状态异常概率进行对比,在生产状态异常概率大于预设生产状态异常概率时,确定该生产状态异常概率对应的归类流式数据日志指示生产异常,然后将压敏胶在线生产流式数据集中生产异常对应的归类流式数据日志确定成异常生产线数据,获得多个异常生产线数据,将异常生产线数据中各个生产异常对应的生产状态矩阵表示进行组合,获得异常生产线数据对应的异常类型矩阵表示,每一异常生产线数据都经过处理后获得每个异常生产线数据相应的异常类型矩阵表示。
步骤S107,结合多个异常生产线数据对应的异常类型矩阵表示进行生产异常类型分析,得到至少一个同类生产异常数据集。
生产异常类型分析用于分析异常生产线数据是不是相同的异常生产线数据,同类生产异常数据集中包括各个相同异常生产线数据,相同异常生产线数据为共性系数大于预设共性系数的异常生产线数据。可以结合多个异常生产线数据对应的异常类型矩阵表示对多个异常生产线数据按类归集,得到至少一个同类生产异常数据集。
本申请实施例提供的基于数据监控的压敏胶在线生产分析方法及系统,采用将压敏胶在线生产流式数据集进行归类,获得多个归类流式数据日志,然后分别对多个归类流式数据日志进行操作行为矩阵表示提取,得到操作行为过程矩阵表示和操作行为目标矩阵表示,并分别对多个归类流式数据日志进行监测数据矩阵表示提取,得到监测数据过程矩阵表示和监测数据目标矩阵表示,之后结合多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示进行生产信息交流,得到多个归类流式数据日志对应的目标交流矩阵表示,采取生产信息交流,可以让获得的目标交流矩阵表示具有不同分析维度的生产信息,相互进行信息补足,之后结合多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行生产状态矩阵表示提取,得到多个归类流式数据日志对应的生产状态矩阵表示,基于此,提取到的生产状态矩阵表示不仅具备两个分析维度的信息,还令获得的生产状态矩阵表示能够充分留存生产数据的信息。然后再结合生产状态矩阵表示进行生产状态异常分析,得到多个归类流式数据日志对应的生产状态异常概率,能够提高生产状态异常分析的准确性,然后结合生产状态异常概率从压敏胶在线生产流式数据集中确定多个异常生产线数据,并结合生产状态矩阵表示确定多个异常生产线数据对应的异常类型矩阵表示,结合多个异常生产线数据对应的异常类型矩阵表示进行生产异常类型分析,得到至少一个同类生产异常数据集,这样,提高了生产异常类型分析的准确性,获得分类精准的同类生产异常数据集。
作为可能的实施方案,步骤S107具体可以包括如下步骤:
步骤(1),结合多个异常生产线数据对应的异常类型矩阵表示进行转换映射,得到映射矩阵表示。
本申请实施例提供一种转换处理模型,转换处理模型的结构可以是机器翻译模型(Transformer),转换映射为转换处理模型的编码操作,映射矩阵表示为转换映射后的异常类型矩阵表示的编码信息。转换处理模型可以采取通用的模型优化过程进行优化调试,或者可以从开源渠道获取已有的转换处理模型进行应用。
步骤(2),结合映射矩阵表示和多个归类流式数据日志对应的生产状态异常概率进行还原映射,得到多个异常生产线数据对应的目标异常类型矩阵表示。
还原映射可以是转换处理模型中的解码操作,以实现在多个归类流式数据日志对应的生产状态异常概率中锁定异常生产线数据对应的归类流式数据日志的生产状态异常概率,再将异常生产线数据对应的映射矩阵表示和目前的异常生产线数据对应的归类流式数据日志的生产状态异常概率载入转换处理模型的解码器,得到异常生产线数据对应的目标异常类型矩阵表示,当全部异常生产线数据完成后,获得全部异常生产线数据对应的目标异常类型矩阵表示。
步骤(3),结合多个异常生产线数据对应的目标异常类型矩阵表示对多个异常生产线数据进行生产异常分析,得到至少一个同类生产异常数据集。
其中,可以采用通用聚类函数对多个异常生产线数据的目标异常类型矩阵表示按类归集,以获得多个异常生产线数据,将每个类别的异常生产线数据确定为相同异常生产线数据,得到相同类别的同类生产异常数据集。
作为可能的实施方案,步骤(1)可以包括如下步骤:提取多个归类流式数据日志各自对应的第一生产数据矩阵表示,在多个归类流式数据日志各自对应的第一生产数据矩阵表示中确定多个异常生产线数据对应的异常生产线数据第一矩阵表示;将多个异常生产线数据对应的异常生产线数据第一矩阵表示分别和对应的异常类型矩阵表示进行融合处理,得到多个异常生产线数据对应的目标融合矩阵表示;将多个异常生产线数据对应的目标融合矩阵表示载入转换处理模型的矩阵表示映射单元中执行映射操作,得到矩阵表示映射单元输出的目标映射矩阵表示。其中,第一生产数据矩阵表示是归类流式数据日志的基础信息,异常生产线数据第一矩阵表示为异常生产线数据对应的第一生产数据矩阵表示,是将异常生产线数据对应的多个归类流式数据日志的第一生产数据矩阵表示进行融合处理确定的;目标融合矩阵表示是合并初始特征后的矩阵表示,目标映射矩阵表示为合并初始特征后的映射矩阵表示。例如,提取多个归类流式数据日志各自对应的第一生产数据矩阵表示,接着将各个异常生产线数据对应的归类流式数据日志的第一生产数据矩阵表示进行融合处理,获得每个异常生产线数据对应的异常生产线数据第一矩阵表示,例如将各个异常生产线数据对应的归类流式数据日志的第一生产数据矩阵表示进行拼接,接着将每个异常生产线数据对应的异常生产线数据第一矩阵表示分别和每个异常生产线数据对应的异常类型矩阵表示拼接,得到多个异常生产线数据对应的目标融合矩阵表示,再将各个异常生产线数据对应的目标融合矩阵表示依次载入转换处理模型的矩阵表示映射单元中执行映射操作,得到矩阵表示映射单元输出的目标映射矩阵表示。基于此,将异常生产线数据第一矩阵表示分别和对应的异常类型矩阵表示进行融合处理后执行映射操作,获取的目标映射矩阵表示具有更高的准确性,以提高目标异常类型矩阵表示的准确性。
作为可能的实施方案,步骤(3)具体可以包括如下步骤:结合多个异常生产线数据对应的目标异常类型矩阵表示确定多个异常生产线数据之间的共性系数;结合多个异常生产线数据之间的共性系数进行按类归集,得到至少一个同类生产异常数据集。其中,多个异常生产线数据之间的共性系数是多个异常生产线数据之间的相似程度,共性系数可以通过确定多个异常生产线数据的向量差值得到,差值越大共性系数越小。如上过程。可以基于每个异常生产线数据对应的目标异常类型矩阵表示,在多个异常生产线数据对应的目标异常类型矩阵表示确定目标异常类型矩阵表示1和目标异常类型矩阵表示2,再确定目标异常类型矩阵表示1和目标异常类型矩阵表示2的共性系数,计算全部目标异常类型矩阵表示间的共性系数,将全部共性系数按类归集,共性系数大于预设共性系数的目标异常类型矩阵表示对应的异常生产线数据被整合成同类生产异常数据集,通过确定共性系数的方式进行按类归集,无需配置聚类原始参考点,提高了得到的同类生产异常数据集的精确度,增加获取效率。
作为可能的实施方案,对于步骤S102具体可以包括如下步骤:分别对多个归类流式数据日志执行操作行为数据平滑处理,得到多个归类流式数据日志对应的多个过程平滑矩阵表示和结果平滑矩阵表示;将多个过程平滑矩阵表示进行维度一致性处理,得到多个归类流式数据日志对应的多个操作行为过程矩阵表示;将结果平滑矩阵表示进行维度一致性处理,得到多个归类流式数据日志对应的操作行为目标矩阵表示。操作行为数据平滑处理是获取归类流式数据日志中操作行为信息的处理,结果平滑矩阵表示为最终得到的目标平滑矩阵表示,过程平滑矩阵表示是得到结果平滑矩阵表示前得到的目标平滑矩阵表示,维度一致性处理是将操作行为矩阵表示转换成与监测数据矩阵表示相同维度的处理过程。对各个归类流式数据日志都执行操作行为数据平滑处理,获得各个归类流式数据日志对应的多个过程平滑矩阵表示和最后的结果平滑矩阵表示,之后将各个过程平滑矩阵表示进行维度一致性处理,获得多个归类流式数据日志对应的多个操作行为过程矩阵表示,以及对结果平滑矩阵表示进行维度一致性处理,获得多个归类流式数据日志对应的操作行为目标矩阵表示。
作为可能的实施方案,步骤S103具体可以包括如下步骤:提取多个归类流式数据日志各自对应的第一生产数据矩阵表示;对多个归类流式数据日志各自对应的第一生产数据矩阵表示进行监测数据平滑处理,得到多个归类流式数据日志对应的多个监测数据过程矩阵表示和监测数据目标矩阵表示,其中,监测数据平滑处理可获取归类流式数据日志在第二分析空间的矩阵表示,提取到各个归类流式数据日志各自对应的第一生产数据矩阵表示,再对各个第一生产数据矩阵表示各自采取和操作行为数据平滑处理的次数相等次数的监测数据平滑处理,得到监测数据目标矩阵表示,获得监测数据目标矩阵表示前,获得监测数据过程矩阵表示,最后得到多个归类流式数据日志对应的多个监测数据过程矩阵表示和监测数据目标矩阵表示。基于此,通过提取多个归类流式数据日志各自对应的第一生产数据矩阵表示,再结合第一生产数据矩阵表示执行监测数据平滑处理,获取多个归类流式数据日志对应的多个监测数据过程矩阵表示和监测数据目标矩阵表示,获取的监测数据矩阵表示的准确性更高。
作为可能的实施方案,操作行为过程矩阵表示和监测数据过程矩阵表示的数量均为多个,步骤S104具体可以包括:
步骤A:将多个操作行为过程矩阵表示中第一操作行为过程矩阵表示与多个监测数据过程矩阵表示中对应的第一监测数据过程矩阵表示进行融合处理,得到第一融合矩阵表示,结合第一融合矩阵表示执行平滑处理,得到第一交流矩阵表示。融合矩阵表示是将矩阵表示进行拼接获得的矩阵表示,交流矩阵表示是结合生产信息交流获得的矩阵表示。获得第一操作行为过程矩阵表示和对应的第一监测数据过程矩阵表示,第一操作行为过程矩阵表示和对应的第一监测数据过程矩阵表示均依据第一次卷积计算获得,接着将第一操作行为过程矩阵表示和对应的第一监测数据过程矩阵表示在维度层面完成拼接,获得第一融合矩阵表示,最后对第一融合矩阵表示执行平滑处理获得第一交流矩阵表示。步骤B:将第一交流矩阵表示、多个操作行为过程矩阵表示中第二操作行为过程矩阵表示与多个监测数据过程矩阵表示中对应的第二监测数据过程矩阵表示进行融合处理,得到第二融合矩阵表示,结合第二融合矩阵表示执行平滑处理,得到第二交流矩阵表示。其中,执行后一次操作行为过程矩阵表示和监测数据过程矩阵表示的融合过程中,将前一次获得的第一交流矩阵表示一同融合,获得第二融合矩阵表示,再对第二融合矩阵表示执行平滑处理获得第二交流矩阵表示。步骤C:当所有操作行为过程矩阵表示和所有监测数据过程矩阵表示都执行完上述步骤A和步骤B,则最终获得目标交流矩阵表示。例如逐一对各个操作行为过程矩阵表示和对应的监测数据过程矩阵表示进行生产信息交流,得到上次的交流矩阵表示,将其和目前的操作行为过程矩阵表示和监测数据过程矩阵表示进行融合处理,再对融合矩阵表示执行平滑处理,获得当前交流矩阵表示,在最后进行生产信息交流的过程中,将交流矩阵表示和最终的操作行为过程矩阵表示和最终的监测数据过程矩阵表示进行融合处理,获得最终的融合矩阵表示,之后将最终的融合矩阵表示执行平滑处理,获得目标融合矩阵表示,由于本申请实施例将操作行为过程矩阵表示和对应的监测数据过程矩阵表示进行生产信息交流,可以使不同分析空间的矩阵表示进行信息交流,完成信息补足,上层模块能够获知下层模块的信息,这样一来,得到的目标融合矩阵表示准确性更高。
作为可能的实施方案,步骤S105具体可以包括如下步骤:
步骤(I),将多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行融合处理,得到多个归类流式数据日志对应的目标融合矩阵表示。
步骤(II),结合多个归类流式数据日志对应的目标融合矩阵表示执行平滑处理,得到多个归类流式数据日志对应的目标平滑矩阵表示。
目标融合矩阵表示是将操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行融合处理获取的表达知识,目标平滑矩阵表示是对目标融合矩阵表示执行平滑处理获得的。具体而言,可以依序把各个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示在通道上连接,获得各个归类流式数据日志对应的目标融合矩阵表示,接着将各个归类流式数据日志对应的目标融合矩阵表示执行平滑处理获得多个归类流式数据日志对应的目标平滑矩阵表示。
步骤(III),结合多个归类流式数据日志对应的目标平滑矩阵表示确定目标平滑矩阵表示中各维度对应的最大数组和数组平均运算结果。
步骤(IV),对最大数组和数组平均运算结果进行求和,得到目标平滑矩阵表示中各维度对应的生产状态矩阵表示提取结果,结合目标平滑矩阵表示中各维度对应的生产状态矩阵表示提取结果,得到多个归类流式数据日志对应的生产状态提取矩阵表示。
最大数组为某维度下全部矩阵表示中的最大的矩阵表示,数组平均运算结果为对应阶对应的全部矩阵表示的平均结果,生产状态矩阵表示提取结果为提取获得的表示生产状态矩阵表示的矩阵表示。具体而言,可以按照顺序确定每个归类流式数据日志对应的生产状态提取矩阵表示,确定目前要获取的归类流式数据日志对应的目标平滑矩阵表示,然后获取该目标平滑矩阵表示中各维度对应的最大数组和数组平均运算结果,也即确定各维度对应的全部矩阵表示的数组平均运算结果和最大数组,再对最大数组和数组平均运算结果进行求和,获得目标平滑矩阵表示中各维度对应的生产状态矩阵表示提取结果,将各维度对应的生产状态矩阵表示提取结果作为当前归类流式数据日志的生产状态提取矩阵表示。举例来说,设目标平滑矩阵表示为{{2,4,6},{1,7,8}},确定各个维度最大值得到最大数组{2,7,8},各个维度数组平均运算结果为{1.5,5.5,7},相加后得到生产状态提取矩阵表示{3.5,12.5,15}。
步骤(V),将多个归类流式数据日志对应的生产状态提取矩阵表示基于预设激活函数处理,得到多个归类流式数据日志对应的生产状态矩阵表示。
步骤(VI),结合多个归类流式数据日志对应的生产状态矩阵表示进行生产状态异常或正常分析,得到多个归类流式数据日志对应的生产状态异常概率。
例如,逐一将各个归类流式数据日志对应的生产状态提取矩阵表示采取预设的激活函数进行变换激活,得到多个归类流式数据日志对应的生产状态矩阵表示,然后基于生产状态矩阵表示,采取归一化算法进行生产状态异常或正常分析,得到多个归类流式数据日志对应的生产状态异常概率。通过确定最大数组与数组平均运算结果,结合最大数组与数组平均运算结果得到生产状态提取矩阵表示,最大数组可以体现最显著的数据信息,数组平均运算结果体现整个归类流式数据日志的数据信息,有利于提取获得的生产状态矩阵表示涵盖更高的准确性,结合生产状态矩阵表示进行生产异常分析,有利于使得到的生产状态异常概率更加准确。
作为可能的实施方案,基于数据监控的压敏胶在线生产分析方法还可以包括如下步骤:
步骤(一),将压敏胶在线生产流式数据集载入生产状态异常分析模型中,结合生产状态异常分析模型将压敏胶在线生产流式数据集进行归类,得到多个归类流式数据日志。
步骤(二),结合生产状态异常分析模型分别对多个归类流式数据日志进行操作行为矩阵表示提取,得到多个归类流式数据日志对应的操作行为矩阵表示,操作行为矩阵表示包括操作行为过程矩阵表示和操作行为目标矩阵表示;分别对多个归类流式数据日志进行监测数据矩阵表示提取,得到多个归类流式数据日志对应的监测数据矩阵表示,监测数据矩阵表示包括监测数据过程矩阵表示和监测数据目标矩阵表示。
步骤(三),结合生产状态异常分析模型对多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示进行生产信息交流,得到多个归类流式数据日志对应的目标交流矩阵表示。
步骤(四),结合生产状态异常分析模型对多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行生产状态矩阵表示提取,得到多个归类流式数据日志对应的生产状态矩阵表示,并结合生产状态矩阵表示进行生产状态异常分析,得到多个归类流式数据日志对应的生产状态异常概率。
其中,生产状态异常分析模型被设置成对归类流式数据日志序列进行生产正常和生产异常的分析,生产状态异常分析模型的结构不受限制。基于此,可以获取压敏胶在线生产流式数据集,将压敏胶在线生产流式数据集载入生产状态异常分析模型,生产状态异常分析模型可以包含两个子网络,基于两个子模块提取压敏胶在线生产流式数据集对应的监测数据目标矩阵表示和操作行为目标矩阵表示,然后进行生产信息交流,使得提取获得的监测数据过程矩阵表示和操作行为过程矩阵表示进行生产信息交流,获得目标交流矩阵表示,之后结合获得的监测数据目标矩阵表示、操作行为目标矩阵表示和目标交流矩阵表示提取矩阵表示,结合提取获得的矩阵表示进行生产状态异常分析。基于此,结合生产状态异常分析模型执行生产状态异常分析,获得多个归类流式数据日志对应的生产状态异常概率,生产状态异常分析的效率得到提升。
作为可能的实施方案,生产状态异常分析模型包括操作行为矩阵表示提取网络、监测数据矩阵表示提取网络、生产信息交流网络、生产状态矩阵表示提取网络和异常分析网络,基于此,基于数据监控的压敏胶在线生产分析方法可以包括如下步骤:
步骤(X1),将压敏胶在线生产流式数据集载入生产状态异常分析模型中,结合生产状态异常分析模型将压敏胶在线生产流式数据集进行归类,得到多个归类流式数据日志。
步骤(X2),将多个归类流式数据日志载入操作行为矩阵表示提取网络中进行监测数据矩阵表示提取,获得操作行为过程矩阵表示和操作行为目标矩阵表示。
步骤(X3),将多个归类流式数据日志载入监测数据矩阵表示提取网络中进行监测数据矩阵表示提取,获得监测数据过程矩阵表示和监测数据目标矩阵表示。
步骤(X4),将多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示载入生产信息交流网络中进行生产信息交流,得到多个归类流式数据日志对应的目标交流矩阵表示。
步骤(X5),将多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示载入生产状态矩阵表示提取网络进行生产状态矩阵表示提取,得到多个归类流式数据日志对应的生产状态矩阵表示,将生产状态矩阵表示载入异常分析网络进行生产状态异常分析,得到多个归类流式数据日志对应的生产状态异常概率。
操作行为矩阵表示提取网络用以对归类流式数据日志的操作行为矩阵表示进行提取,监测数据矩阵表示提取网络用以对归类流式数据日志的监测数据矩阵表示进行提取,生产信息交流网络用以对监测数据过程矩阵表示和操作行为过程矩阵表示进行生产信息交流,生产状态矩阵表示提取网络用以提取归类流式数据日志的矩阵表示,异常分析网络用以进行生产异常和生产正常的分析。比如,将多个归类流式数据日志载入操作行为矩阵表示提取网络中进行监测数据矩阵表示提取,也就是基于操作行为矩阵表示提取网络的线性变换(具备等效变换矩阵的线性变换,如卷积)得到操作行为矩阵表示,依据最后一次线性变换得到操作行为目标矩阵表示,最后一次之前的线性变换产出操作行为过程矩阵表示,将多个归类流式数据日志载入监测数据矩阵表示提取网络中进行监测数据矩阵表示提取,也就是依据监测数据矩阵表示提取网络的线性变换产出监测数据矩阵表示,最后一次线性变换产生监测数据目标矩阵表示,之前的线性变换得到的是监测数据过程矩阵表示,操作行为矩阵表示提取网络和监测数据矩阵表示提取网络进行线性计算次数相等。结合生产信息交流网络对操作行为过程矩阵表示和监测数据过程矩阵表示进行生产信息交流,获得目标交流矩阵表示,之后基于生产状态矩阵表示提取网络进行归类流式数据日志生产状态矩阵表示提取,结合异常分析网络进行生产状态异常分析,获得多个归类流式数据日志对应的生产状态异常概率。
作为可能的实施方案,生产状态异常分析模型可以包括一个核心网络和两个对应不同数据维度的分支网络,生产状态异常分析模型将压敏胶在线生产流式数据集分别载入分支网络,通过多次线性变换和下采样处理,得到涵盖一致维度的操作行为目标矩阵表示和监测数据目标矩阵表示。
作为可能的实施方案,生产状态异常分析模型的结合以下步骤进行优化训练:
步骤(A),获取压敏胶在线生产流式数据集模板和相应的注解信息。
本申请实施例中,压敏胶在线生产流式数据集模板用于对模型进行优化训练,注解信息是对压敏胶在线生产流式数据集模板的描述信息,例如描述其是否为异常生产状态的数据集。
步骤(B),将压敏胶在线生产流式数据集模板载入待优化的生产状态异常分析模型,基于待优化的生产状态异常分析模型将压敏胶在线生产流式数据集模板进行归类,获得多个归类流式数据日志模板。
步骤(C),通过待优化的生产状态异常分析模型对各个归类流式数据日志模板均进行操作行为矩阵表示提取,获得多个归类流式数据日志模板对应的基础操作行为矩阵表示,基础操作行为矩阵表示包括基础操作行为过程矩阵表示和基础操作行为目标矩阵表示;对各个归类流式数据日志模板分别进行监测数据矩阵表示提取,获得多个归类流式数据日志模板对应的基础监测数据矩阵表示,基础监测数据矩阵表示包括基础监测数据过程矩阵表示和基础监测数据目标矩阵表示。
步骤(D),通过待优化的生产状态异常分析模型对各个归类流式数据日志模板对应的基础操作行为过程矩阵表示和基础监测数据过程矩阵表示进行生产信息交流,获得多个归类流式数据日志模板对应的基础交流矩阵表示。
步骤(E),通过待优化的生产状态异常分析模型对各个归类流式数据日志模板对应的基础操作行为目标矩阵表示、基础监测数据目标矩阵表示和基础交流矩阵表示进行生产状态矩阵表示提取,获得多个归类流式数据日志模板对应的基础生产状态矩阵表示,并结合基础生产状态矩阵表示进行生产状态异常分析,获得多个归类流式数据日志模板对应的基础生产状态异常概率。
归类流式数据日志模板为优化时归类获得的流式数据日志,基础操作行为矩阵表示为结合待优化的参数提取获得的操作行为矩阵表示,基础监测数据矩阵表示为结合待优化的参数提取获得的监测数据矩阵表示,基础生产状态异常概率为利用待优化的参数推理获得的生产状态异常概率,如基于神经网络搭建待优化的生产状态异常分析模型,接着结合待优化的生产状态异常分析模型对压敏胶在线生产流式数据集模板采取首次生产状态异常分析,获得各个归类流式数据日志模板对应的基础生产状态异常概率,待优化的生产状态异常分析模型进行生产状态异常分析推理和训练完成的生产状态异常分析模型的推理保持相同。
步骤(F),结合各个归类流式数据日志模板对应的基础生产状态异常概率和压敏胶在线生产流式数据集模板相应的注解信息获取优化损失,结合优化损失优化待优化的生产状态异常分析模型,得到迭代生产状态异常分析模型。
步骤(G),将迭代生产状态异常分析模型作为待优化的生产状态异常分析模型,继续进行优化直至满足预设要求(如收敛),获得优化完成的生产状态异常分析模型。
结合压敏胶在线生产流式数据集模板和相应的注解信息对待优化的生产状态异常分析模型进行优化得到生产状态异常分析模型,由于采用独自构建和优化,优化损失小,有利于提升生产状态异常分析模型的分析能力,分析结果更加可靠。
作为一种实施方案,设置待优化的归类流式数据日志序列处理网络,结合训练样本对待优化的归类流式数据日志序列处理网络进行优化得到归类流式数据日志序列处理网络,基于归类流式数据日志序列处理网络将压敏胶在线生产流式数据集进行归类,得到多个归类流式数据日志,对多个归类流式数据日志各自进行操作行为矩阵表示提取,获得多个归类流式数据日志对应的操作行为矩阵表示,操作行为矩阵表示包括操作行为过程矩阵表示和操作行为目标矩阵表示,分别对多个归类流式数据日志进行监测数据矩阵表示提取,得到多个归类流式数据日志对应的监测数据矩阵表示,监测数据矩阵表示包括监测数据过程矩阵表示和监测数据目标矩阵表示,结合多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示进行生产信息交流,得到多个归类流式数据日志对应的目标交流矩阵表示,结合多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行生产状态矩阵表示提取,得到多个归类流式数据日志对应的生产状态矩阵表示,结合生产状态矩阵表示进行生产状态异常分析,得到多个归类流式数据日志对应的生产状态异常概率,结合生产状态异常概率从压敏胶在线生产流式数据集中确定多个异常生产线数据,结合生产状态矩阵表示确定多个异常生产线数据对应的异常类型矩阵表示,结合多个异常生产线数据对应的异常类型矩阵表示进行生产异常类型分析,获得同类生产异常数据集。
作为一种实施方案,基于数据监控的压敏胶在线生产分析方法基于生产数据监控设备执行,具体过程可以包括:
步骤(L1),获取压敏胶在线生产流式数据集,将压敏胶在线生产流式数据集载入生产状态异常分析模型中,结合生产状态异常分析模型将压敏胶在线生产流式数据集进行归类,得到多个归类流式数据日志,生产状态异常分析模型包括操作行为矩阵表示提取网络、监测数据矩阵表示提取网络、生产信息交流网络、生产状态矩阵表示提取网络和异常分析网络。
步骤(L2),将多个归类流式数据日志载入操作行为矩阵表示提取网络中进行操作行为数据平滑处理,得到多个归类流式数据日志对应的过程平滑矩阵表示和结果平滑矩阵表示,将过程平滑矩阵表示和结果平滑矩阵表示进行维度一致性处理,得到多个归类流式数据日志对应的操作行为过程矩阵表示和标操作行为矩阵表示。
步骤(L3),提取多个归类流式数据日志各自对应的第一生产数据矩阵表示,将多个归类流式数据日志各自对应的第一生产数据矩阵表示载入监测数据矩阵表示提取网络中进行监测数据平滑处理,获得多个归类流式数据日志对应的监测数据过程矩阵表示和监测数据目标矩阵表示。以及将操作行为过程矩阵表示与监测数据过程矩阵表示进行融合处理,获得第一融合矩阵表示,结合第一融合矩阵表示执行平滑处理,获得目标交流矩阵表示。
步骤(L4),将多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示载入生产状态矩阵表示提取网络中进行融合处理,获得多个归类流式数据日志对应的目标融合矩阵表示,结合多个归类流式数据日志对应的目标融合矩阵表示执行平滑处理,得到多个归类流式数据日志对应的目标平滑矩阵表示,结合多个归类流式数据日志对应的目标平滑矩阵表示确定目标平滑矩阵表示中各维度对应的最大数组和数组平均运算结果,以及对最大数组和数组平均运算结果进行求和,获得目标平滑矩阵表示中各维度对应的生产状态矩阵表示提取结果,结合目标平滑矩阵表示中各维度对应的生产状态矩阵表示提取结果,得到多个归类流式数据日志对应的生产状态提取矩阵表示。
步骤(L5),将生产状态矩阵表示载入异常分析网络进行生产状态异常或正常分析,获得多个归类流式数据日志对应的生产状态异常概率。结合多个归类流式数据日志对应的生产状态异常概率从压敏胶在线生产流式数据集中确定多个异常生产线数据,以及结合生产状态矩阵表示确定多个异常生产线数据对应的异常类型矩阵表示。
步骤(L6),将多个异常生产线数据对应的异常类型矩阵表示载入转换处理模型的矩阵表示映射单元进行转换映射,得到多个异常生产线数据对应的映射矩阵表示,以及将多个异常生产线数据对应的映射矩阵表示和对应的生产状态异常概率载入转换处理模型的还原映射网络进行还原映射,获得多个异常生产线数据对应的目标异常类型矩阵表示。
步骤(L7),结合多个异常生产线数据对应的目标异常类型矩阵表示确定多个异常生产线数据之间的共性系数,结合多个异常生产线数据之间的共性系数进行按类归集,获得同类生产异常数据集。
综上所述,本申请实施例提供的基于数据监控的压敏胶在线生产分析方法及系统,采用将压敏胶在线生产流式数据集进行归类,获得多个归类流式数据日志,然后分别对多个归类流式数据日志进行操作行为矩阵表示提取,得到操作行为过程矩阵表示和操作行为目标矩阵表示,并分别对多个归类流式数据日志进行监测数据矩阵表示提取,得到监测数据过程矩阵表示和监测数据目标矩阵表示,之后结合多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示进行生产信息交流,得到多个归类流式数据日志对应的目标交流矩阵表示,采取生产信息交流,可以让获得的目标交流矩阵表示具有不同分析维度的生产信息,相互进行信息补足,之后结合多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行生产状态矩阵表示提取,得到多个归类流式数据日志对应的生产状态矩阵表示,基于此,提取到的生产状态矩阵表示不仅具备两个分析维度的信息,还令获得的生产状态矩阵表示能够充分留存生产数据的信息。然后再结合生产状态矩阵表示进行生产状态异常分析,得到多个归类流式数据日志对应的生产状态异常概率,能够提高生产状态异常分析的准确性,然后结合生产状态异常概率从压敏胶在线生产流式数据集中确定多个异常生产线数据,并结合生产状态矩阵表示确定多个异常生产线数据对应的异常类型矩阵表示,结合多个异常生产线数据对应的异常类型矩阵表示进行生产异常类型分析,得到至少一个同类生产异常数据集,这样,提高了生产异常类型分析的准确性,获得分类精准的同类生产异常数据集。
基于与图1中所示方法相同的原理,本申请实施例中还提供了一种在线生产分析装置10,如图2所示,该装置10包括:
生产数据获取模块11,用于获取多条压敏胶生产线的生产数据采集终端上传的压敏胶在线生产流式数据集,将所述压敏胶在线生产流式数据集进行归类,得到多个归类流式数据日志,每一个所述流式数据日志对应一条所述压敏胶生产线对应的在线生产流式数据。
矩阵表示提取模块12,用于分别对所述多个归类流式数据日志进行操作行为矩阵表示提取,得到所述多个归类流式数据日志对应的操作行为矩阵表示,所述操作行为矩阵表示包括操作行为过程矩阵表示和操作行为目标矩阵表示。以及,分别对所述多个归类流式数据日志进行监测数据矩阵表示提取,得到所述多个归类流式数据日志对应的监测数据矩阵表示,所述监测数据矩阵表示包括监测数据过程矩阵表示和监测数据目标矩阵表示。
生产信息交流模块13,用于结合所述多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示进行生产信息交流,得到所述多个归类流式数据日志对应的目标交流矩阵表示。
生产状态分析模块14,用于结合所述多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行生产状态矩阵表示提取,得到所述多个归类流式数据日志对应的生产状态矩阵表示,并结合所述生产状态矩阵表示进行生产状态异常分析,得到所述多个归类流式数据日志对应的生产状态异常概率。
异常类型表示模块15,用于结合所述生产状态异常概率从所述压敏胶在线生产流式数据集中确定多个异常生产线数据,并结合所述生产状态矩阵表示确定所述多个异常生产线数据对应的异常类型矩阵表示。
异常数据统计模块16,用于结合所述多个异常生产线数据对应的异常类型矩阵表示进行生产异常类型分析,得到至少一个同类生产异常数据集。
上述实施例从虚拟模块的角度介绍了在线生产分析装置10,下述从实体模块的角度介绍一种生产数据监控设备,具体如下所示:
本申请实施例提供了一种生产数据监控设备,如图3所示,生产数据监控设备100包括:处理器101和存储器103。其中,处理器101和存储器103相连,如通过总线102相连。可选地,生产数据监控设备100还可以包括收发器104。需要说明的是,实际应用中收发器104不限于一个,该生产数据监控设备100的结构并不构成对本申请实施例的限定。
处理器101可以是CPU,通用处理器,GPU,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器101也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线102可包括一通路,在上述组件之间传送信息。总线102可以是PCI总线或EISA总线等。总线102可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器103可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、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103用于存储执行本申请方案的应用程序代码,并由处理器101来控制执行。处理器101用于执行存储器103中存储的应用程序代码,以实现前述任一方法实施例所示的内容。
本申请实施例提供了一种生产数据监控设备,本申请实施例中的生产数据监控设备包括:一个或多个处理器;存储器;一个或多个计算机程序,其中一个或多个计算机程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序被处理器执行时,实现以上提供的方法。本申请所提供的技术方案,通过将压敏胶在线生产流式数据集进行归类,获得多个归类流式数据日志,然后分别对多个归类流式数据日志进行操作行为矩阵表示提取,得到操作行为过程矩阵表示和操作行为目标矩阵表示,并分别对多个归类流式数据日志进行监测数据矩阵表示提取,得到监测数据过程矩阵表示和监测数据目标矩阵表示,之后结合多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示进行生产信息交流,得到多个归类流式数据日志对应的目标交流矩阵表示,采取生产信息交流,可以让获得的目标交流矩阵表示具有不同分析维度的生产信息,相互进行信息补足,之后结合多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行生产状态矩阵表示提取,得到多个归类流式数据日志对应的生产状态矩阵表示,基于此,提取到的生产状态矩阵表示不仅具备两个分析维度的信息,还令获得的生产状态矩阵表示能够充分留存生产数据的信息。然后再结合生产状态矩阵表示进行生产状态异常分析,得到多个归类流式数据日志对应的生产状态异常概率,能够提高生产状态异常分析的准确性,然后结合生产状态异常概率从压敏胶在线生产流式数据集中确定多个异常生产线数据,并结合生产状态矩阵表示确定多个异常生产线数据对应的异常类型矩阵表示,结合多个异常生产线数据对应的异常类型矩阵表示进行生产异常类型分析,得到至少一个同类生产异常数据集,这样,提高了生产异常类型分析的准确性,获得分类精准的同类生产异常数据集。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当计算机程序在处理器上运行时,使得处理器可以执行前述方法实施例中相应的内容。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于数据监控的压敏胶在线生产分析方法,其特征在于,应用于生产数据监控设备,所述方法包括:
获取多条压敏胶生产线的生产数据采集终端上传的压敏胶在线生产流式数据集,将所述压敏胶在线生产流式数据集进行归类,得到多个归类流式数据日志,每一个所述流式数据日志对应一条所述压敏胶生产线对应的在线生产流式数据;
分别对所述多个归类流式数据日志进行操作行为矩阵表示提取,得到所述多个归类流式数据日志对应的操作行为矩阵表示,所述操作行为矩阵表示包括操作行为过程矩阵表示和操作行为目标矩阵表示;
分别对所述多个归类流式数据日志进行监测数据矩阵表示提取,得到所述多个归类流式数据日志对应的监测数据矩阵表示,所述监测数据矩阵表示包括监测数据过程矩阵表示和监测数据目标矩阵表示;
结合所述多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示进行生产信息交流,得到所述多个归类流式数据日志对应的目标交流矩阵表示;
结合所述多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行生产状态矩阵表示提取,得到所述多个归类流式数据日志对应的生产状态矩阵表示,并结合所述生产状态矩阵表示进行生产状态异常分析,得到所述多个归类流式数据日志对应的生产状态异常概率;
结合所述生产状态异常概率从所述压敏胶在线生产流式数据集中确定多个异常生产线数据,并结合所述生产状态矩阵表示确定所述多个异常生产线数据对应的异常类型矩阵表示;
结合所述多个异常生产线数据对应的异常类型矩阵表示进行生产异常类型分析,得到至少一个同类生产异常数据集。
2.根据权利要求1所述的方法,其特征在于,所述结合所述多个异常生产线数据对应的异常类型矩阵表示进行生产异常类型分析,得到至少一个同类生产异常数据集,包括:
结合所述多个异常生产线数据对应的异常类型矩阵表示进行转换映射,得到映射矩阵表示;
结合所述映射矩阵表示和所述多个归类流式数据日志对应的生产状态异常概率进行还原映射,得到所述多个异常生产线数据对应的目标异常类型矩阵表示;
结合所述多个异常生产线数据对应的目标异常类型矩阵表示对所述多个异常生产线数据进行生产异常分析,得到所述同类生产异常数据集。
3.根据权利要求2所述的方法,其特征在于,所述结合所述多个异常生产线数据对应的异常类型矩阵表示进行转换映射,得到映射矩阵表示,包括:
提取所述多个归类流式数据日志各自对应的第一生产数据矩阵表示,在所述多个归类流式数据日志各自对应的第一生产数据矩阵表示中确定所述多个异常生产线数据对应的异常生产线数据第一矩阵表示;
将所述多个异常生产线数据对应的异常生产线数据第一矩阵表示分别和对应的异常类型矩阵表示进行融合处理,得到所述多个异常生产线数据对应的目标融合矩阵表示;
将所述多个异常生产线数据对应的目标融合矩阵表示载入转换处理模型的矩阵表示映射单元中执行映射操作,得到所述矩阵表示映射单元输出的目标映射矩阵表示。
4.根据权利要求2所述的方法,其特征在于,所述结合所述多个异常生产线数据对应的目标异常类型矩阵表示对所述多个异常生产线数据进行生产异常分析,得到所述同类生产异常数据集,包括:
结合所述多个异常生产线数据对应的目标异常类型矩阵表示确定所述多个异常生产线数据之间的共性系数;
结合所述多个异常生产线数据之间的共性系数进行按类归集,得到所述同类生产异常数据集。
5.根据权利要求1所述的方法,其特征在于,所述分别对所述多个归类流式数据日志进行操作行为矩阵表示提取,得到所述多个归类流式数据日志对应的操作行为矩阵表示,所述操作行为矩阵表示包括操作行为过程矩阵表示和操作行为目标矩阵表示,包括:
分别对所述多个归类流式数据日志执行操作行为数据平滑处理,得到所述多个归类流式数据日志对应的多个过程平滑矩阵表示和结果平滑矩阵表示;
对所述多个过程平滑矩阵表示进行维度一致性处理,得到所述多个归类流式数据日志对应的多个操作行为过程矩阵表示;
对所述结果平滑矩阵表示进行维度一致性处理,得到所述多个归类流式数据日志对应的操作行为目标矩阵表示;
所述分别对所述多个归类流式数据日志进行监测数据矩阵表示提取,得到所述多个归类流式数据日志对应的监测数据矩阵表示,所述监测数据矩阵表示包括监测数据过程矩阵表示和监测数据目标矩阵表示,包括:
提取所述多个归类流式数据日志各自对应的第一生产数据矩阵表示;
对所述多个归类流式数据日志各自对应的第一生产数据矩阵表示执行监测数据平滑处理,得到所述多个归类流式数据日志对应的多个监测数据过程矩阵表示和监测数据目标矩阵表示。
6.根据权利要求5所述的方法,其特征在于,所述操作行为过程矩阵表示和所述监测数据过程矩阵表示的数量均为多个;所述结合所述多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示进行生产信息交流,得到所述多个归类流式数据日志对应的目标交流矩阵表示,包括:
步骤A、将多个所述操作行为过程矩阵表示中的第一操作行为过程矩阵表示与多个所述监测数据过程矩阵表示中对应的第一监测数据过程矩阵表示进行融合处理,得到第一融合矩阵表示,结合所述第一融合矩阵表示执行平滑处理,得到第一交流矩阵表示;
步骤B、将所述第一交流矩阵表示、多个所述操作行为过程矩阵表示中第二操作行为过程矩阵表示与多个所述监测数据过程矩阵表示中对应的第二监测数据过程矩阵表示进行融合处理,得到第二融合矩阵表示,结合所述第二融合矩阵表示执行平滑处理,得到第二交流矩阵表示;
当所有操作行为过程矩阵表示和所有监测数据过程矩阵表示均执行完以上步骤A和步骤B,最终得到目标交流矩阵表示。
7.根据权利要求1所述的方法,其特征在于,所述结合所述多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行生产状态矩阵表示提取,得到所述多个归类流式数据日志对应的生产状态矩阵表示,并结合所述生产状态矩阵表示进行生产状态异常分析,得到所述多个归类流式数据日志对应的生产状态异常概率,包括:
将所述多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行融合处理,得到所述多个归类流式数据日志对应的目标融合矩阵表示;
结合所述多个归类流式数据日志对应的目标融合矩阵表示执行平滑处理,获得所述多个归类流式数据日志对应的目标平滑矩阵表示;
结合所述多个归类流式数据日志对应的目标平滑矩阵表示确定所述目标平滑矩阵表示中各维度对应的最大数组和数组平均运算结果;
将所述最大数组和所述数组平均运算结果相加,得到所述目标平滑矩阵表示中各维度对应的生产状态矩阵表示提取结果,结合所述目标平滑矩阵表示中各维度对应的生产状态矩阵表示提取结果,得到所述多个归类流式数据日志对应的生产状态提取矩阵表示;
将所述多个归类流式数据日志对应的生产状态提取矩阵表示基于预设激活函数处理,得到所述多个归类流式数据日志对应的生产状态矩阵表示;
结合所述多个归类流式数据日志对应的生产状态矩阵表示进行生产状态异常或正常分析,得到所述多个归类流式数据日志对应的生产状态异常概率。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述压敏胶在线生产流式数据集载入生产状态异常分析模型,结合所述生产状态异常分析模型将所述压敏胶在线生产流式数据集进行归类,得到多个归类流式数据日志;
结合所述生产状态异常分析模型分别对所述多个归类流式数据日志进行操作行为矩阵表示提取,得到所述多个归类流式数据日志对应的操作行为矩阵表示,所述操作行为矩阵表示包括操作行为过程矩阵表示和操作行为目标矩阵表示;
分别对所述多个归类流式数据日志进行监测数据矩阵表示提取,得到所述多个归类流式数据日志对应的监测数据矩阵表示,所述监测数据矩阵表示包括监测数据过程矩阵表示和监测数据目标矩阵表示;
结合所述生产状态异常分析模型对所述多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示进行生产信息交流,得到所述多个归类流式数据日志对应的目标交流矩阵表示;
结合所述生产状态异常分析模型对所述多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示进行生产状态矩阵表示提取,得到所述多个归类流式数据日志对应的生产状态矩阵表示,并结合所述生产状态矩阵表示进行生产状态异常分析,得到所述多个归类流式数据日志对应的生产状态异常概率。
9.根据权利要求8所述的方法,其特征在于,所述生产状态异常分析模型包括操作行为矩阵表示提取网络、监测数据矩阵表示提取网络、生产信息交流网络、生产状态矩阵表示提取网络和异常分析网络;所述方法还包括:
将所述压敏胶在线生产流式数据集载入生产状态异常分析模型中,结合所述生产状态异常分析模型将所述压敏胶在线生产流式数据集进行归类,得到多个归类流式数据日志;
将所述多个归类流式数据日志载入所述操作行为矩阵表示提取网络中进行监测数据矩阵表示提取,获得操作行为过程矩阵表示和操作行为目标矩阵表示;
将所述多个归类流式数据日志载入所述监测数据矩阵表示提取网络中进行监测数据矩阵表示提取,获得监测数据过程矩阵表示和监测数据目标矩阵表示;
将多个归类流式数据日志对应的操作行为过程矩阵表示和监测数据过程矩阵表示载入所述生产信息交流网络中进行生产信息交流,得到所述多个归类流式数据日志对应的目标交流矩阵表示;
将所述多个归类流式数据日志对应的操作行为目标矩阵表示、监测数据目标矩阵表示和目标交流矩阵表示载入所述生产状态矩阵表示提取网络进行生产状态矩阵表示提取,得到所述多个归类流式数据日志对应的生产状态矩阵表示,并将所述生产状态矩阵表示载入所述异常分析网络进行生产状态异常分析,得到所述多个归类流式数据日志对应的生产状态异常概率。
10.一种压敏胶在线生产监控系统,其特征在于,包括生产数据监控设备和多个与所述生产数据监控设备通信连接的生产数据采集终端,所述生产数据监控设备包括处理器和存储器,所述存储器存储有计算机程序,所述处理器用以执行所述计算机程序,以实现如权利要求1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211571760.9A CN115576293B (zh) | 2022-12-08 | 2022-12-08 | 基于数据监控的压敏胶在线生产分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211571760.9A CN115576293B (zh) | 2022-12-08 | 2022-12-08 | 基于数据监控的压敏胶在线生产分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115576293A true CN115576293A (zh) | 2023-01-06 |
CN115576293B CN115576293B (zh) | 2023-03-14 |
Family
ID=84589997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211571760.9A Active CN115576293B (zh) | 2022-12-08 | 2022-12-08 | 基于数据监控的压敏胶在线生产分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115576293B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828147A (zh) * | 2023-02-15 | 2023-03-21 | 博纯材料股份有限公司 | 一种基于数据处理的氙气生产控制方法及系统 |
CN116236993A (zh) * | 2023-05-12 | 2023-06-09 | 台昌树脂(佛山)有限公司 | 丙烯酸共聚乳液生产控制系统的优化方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1363177A2 (de) * | 2002-05-13 | 2003-11-19 | Siemens Aktiengesellschaft | Verfahren zur Überwachung des Betriebs und/oder des Herstellungsprodukts einer industriellen Produktionsanlage |
JP2009176024A (ja) * | 2008-01-24 | 2009-08-06 | Sharp Corp | 生産プロセス異常検知方法および生産プロセス異常検知システム、上記生産プロセス異常検知方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 |
CN101523316A (zh) * | 2006-10-11 | 2009-09-02 | 费舍-柔斯芒特系统股份有限公司 | 用于检测加工厂中的故障的方法和系统 |
CN102736570A (zh) * | 2011-04-13 | 2012-10-17 | 北京化工大学 | 一种气相聚乙烯装置质量指标及操作约束在线估计系统及方法 |
CN104808648A (zh) * | 2015-03-09 | 2015-07-29 | 杭州电子科技大学 | 一种基于k近邻的批次过程在线实时监测方法 |
CN106843172A (zh) * | 2016-12-29 | 2017-06-13 | 中国矿业大学 | 基于jy‑kpls的复杂工业过程在线质量预测方法 |
CN109308063A (zh) * | 2018-12-03 | 2019-02-05 | 北京工业大学 | 基于得分矩阵的发酵过程阶段划分方法 |
CN111722594A (zh) * | 2019-03-18 | 2020-09-29 | 中南大学 | 工业过程监测方法、装置、设备和可读存储介质 |
CN114331029A (zh) * | 2021-12-07 | 2022-04-12 | 国网福建省电力有限公司 | 一种电力监控系统运维风险分析方法及系统 |
-
2022
- 2022-12-08 CN CN202211571760.9A patent/CN115576293B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1363177A2 (de) * | 2002-05-13 | 2003-11-19 | Siemens Aktiengesellschaft | Verfahren zur Überwachung des Betriebs und/oder des Herstellungsprodukts einer industriellen Produktionsanlage |
CN101523316A (zh) * | 2006-10-11 | 2009-09-02 | 费舍-柔斯芒特系统股份有限公司 | 用于检测加工厂中的故障的方法和系统 |
JP2009176024A (ja) * | 2008-01-24 | 2009-08-06 | Sharp Corp | 生産プロセス異常検知方法および生産プロセス異常検知システム、上記生産プロセス異常検知方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 |
CN102736570A (zh) * | 2011-04-13 | 2012-10-17 | 北京化工大学 | 一种气相聚乙烯装置质量指标及操作约束在线估计系统及方法 |
CN104808648A (zh) * | 2015-03-09 | 2015-07-29 | 杭州电子科技大学 | 一种基于k近邻的批次过程在线实时监测方法 |
CN106843172A (zh) * | 2016-12-29 | 2017-06-13 | 中国矿业大学 | 基于jy‑kpls的复杂工业过程在线质量预测方法 |
CN109308063A (zh) * | 2018-12-03 | 2019-02-05 | 北京工业大学 | 基于得分矩阵的发酵过程阶段划分方法 |
CN111722594A (zh) * | 2019-03-18 | 2020-09-29 | 中南大学 | 工业过程监测方法、装置、设备和可读存储介质 |
CN114331029A (zh) * | 2021-12-07 | 2022-04-12 | 国网福建省电力有限公司 | 一种电力监控系统运维风险分析方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828147A (zh) * | 2023-02-15 | 2023-03-21 | 博纯材料股份有限公司 | 一种基于数据处理的氙气生产控制方法及系统 |
CN116236993A (zh) * | 2023-05-12 | 2023-06-09 | 台昌树脂(佛山)有限公司 | 丙烯酸共聚乳液生产控制系统的优化方法及系统 |
CN116236993B (zh) * | 2023-05-12 | 2023-08-08 | 台昌树脂(佛山)有限公司 | 丙烯酸共聚乳液生产控制系统的优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115576293B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115576293B (zh) | 基于数据监控的压敏胶在线生产分析方法及系统 | |
Yang et al. | Fast economic dispatch in smart grids using deep learning: An active constraint screening approach | |
CN110688288A (zh) | 基于人工智能的自动化测试方法、装置、设备及存储介质 | |
CN113011085A (zh) | 一种设备数字孪生建模方法及系统 | |
CN115618269B (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
CN111091278A (zh) | 机械设备异常检测的边缘检测模型构建方法及装置 | |
CN112214496B (zh) | 基于大数据分析的化妆品生产线安全监测方法及云服务器 | |
CN109698798B (zh) | 一种应用的识别方法、装置、服务器和存储介质 | |
CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
CN112613040A (zh) | 一种基于二进制程序的漏洞检测方法及相关设备 | |
CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及系统 | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN116975645A (zh) | 一种基于vae-mrcnn的工业过程软测量建模方法 | |
Bhardwaj et al. | Health insurance amount prediction | |
CN113743650B (zh) | 电力负荷预测方法、装置、设备与存储介质 | |
CN115712874A (zh) | 基于时间序列特征的热能动力系统故障诊断方法及装置 | |
CN115017015B (zh) | 一种边缘计算环境下程序异常行为检测方法及系统 | |
CN117078007A (zh) | 一种融合尺度标签的多尺度风控系统及其方法 | |
CN116304721A (zh) | 基于数据类别的大数据治理中数据标准制定方法及系统 | |
Liu et al. | An anomaly detection method based on double encoder–decoder generative adversarial networks | |
CN110991741A (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
CN114077663A (zh) | 应用日志的分析方法及装置 | |
CN113535815A (zh) | 适于电子商务的业务操作行为大数据挖掘方法及系统 | |
CN113139332A (zh) | 一种自动化模型构建方法、装置及设备 | |
Nguyen | Feature Engineering and Health Indicator Construction for Fault Detection and Diagnostic |
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 |