CN115630839A - 一种基于数据挖掘的生产智能反馈调控系统 - Google Patents
一种基于数据挖掘的生产智能反馈调控系统 Download PDFInfo
- Publication number
- CN115630839A CN115630839A CN202211353960.7A CN202211353960A CN115630839A CN 115630839 A CN115630839 A CN 115630839A CN 202211353960 A CN202211353960 A CN 202211353960A CN 115630839 A CN115630839 A CN 115630839A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- unit
- target
- analysis
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 121
- 238000007418 data mining Methods 0.000 title claims abstract description 57
- 230000009123 feedback regulation Effects 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 147
- 230000008569 process Effects 0.000 claims abstract description 89
- 238000004458 analytical method Methods 0.000 claims abstract description 49
- 230000000007 visual effect Effects 0.000 claims abstract description 42
- 230000033228 biological regulation Effects 0.000 claims abstract description 24
- 230000006872 improvement Effects 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000001105 regulatory effect Effects 0.000 claims abstract description 18
- 238000013178 mathematical model Methods 0.000 claims abstract description 17
- 238000000611 regression analysis Methods 0.000 claims abstract description 15
- 238000012098 association analyses Methods 0.000 claims abstract description 13
- 238000013079 data visualisation Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000011160 research Methods 0.000 claims abstract description 8
- 238000007621 cluster analysis Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 49
- 238000013075 data extraction Methods 0.000 claims description 40
- 238000004140 cleaning Methods 0.000 claims description 36
- 238000013500 data storage Methods 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 32
- 238000012795 verification Methods 0.000 claims description 29
- 238000007726 management method Methods 0.000 claims description 23
- 238000004220 aggregation Methods 0.000 claims description 18
- 230000002776 aggregation Effects 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000001364 causal effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 230000001131 transforming effect Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013501 data transformation Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000003908 quality control method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000004886 process control Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 40
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 230000003749 cleanliness Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012314 multivariate regression analysis Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000012315 univariate regression analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
-
- 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
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Algebra (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
Abstract
本发明公开了一种基于数据挖掘的生产智能反馈调控系统,属于数据处理智能调控技术领域,包括SCADA数据库、海量数据预处理模块、数据挖掘分析模块和数据可视化调控模块。为了解决在制药生产各流程中,不能为制药生产工艺的改进和质量的提高提供依据和指导,不能智能调控制药生产的整个过程,降低了制药生产各流程效率及制药生产各流程质量的问题,本发明的基于数据挖掘的生产智能反馈调控系统,采用关联分析、聚类分析、回归分析及预测分析,研究制药生产各流程的工艺参数与质量指标之间的关联规律,并建立相应的数学模型,形成可视化的知识,为生产工艺的改进和质量的提高提供依据和指导,提高制药生产各流程效率及各流程质量。
Description
技术领域
本发明涉及数据处理智能调控技术领域,特别涉及一种基于数据挖掘的生产智能反馈调控系统。
背景技术
工时计算和生产进度预测是制造企业制定总体生产计划、确定产品生产节点和成本控制等事项的重要参考,当前以经验为主的生产计划制定及排产方式,一方面对生产过程诸如加工工时和资源使用等要素缺乏科学分析,另一方面对生产进度情况也无法科学预测和准确把握,导致难以制定科学合理的生产计划或根据生产任务调整的再生产计划,由此也无法准确控制生产节点和产品交货期。
公开号为CN110414727A的中国专利公开了一种基于数据挖掘的生产进度预测方法及系统,属于自动化技术领域,该专利建立数据库,存储零件加工的历史数据和车间资源数据;基于历史数据和预测算法,计算零件加工工时和工时影响参数之间的函数关系;基于当前在加工零件工序和工步,接收零件生产计划和零件工艺规程,得到当前在加工零件的工时影响参数和待加工工序;计算所有当前在加工零件的待加工工序的工时;计算所有当前在加工零件的待加工工序的开始加工时间和结束加工时间,实现零件生产进度的预测,提出了不同加工状态下零件生产进度计算方法,为准确预测零件生产进度提供了依据。
该专利虽然解决了生产过程缺乏科学分析,无法科学预测和准确把握,导致难以制定科学合理的生产计划或根据生产任务调整的再生产计划的问题,但是该专利存在以下缺陷:
在制药生产各流程中,不能为制药生产工艺的改进和质量的提高提供依据和指导,不能智能调控制药生产的整个过程,降低了制药生产各流程效率及制药生产各流程质量。
发明内容
本发明的目的在于提供一种基于数据挖掘的生产智能反馈调控系统,采用关联分析、聚类分析、回归分析及预测分析,研究制药生产各流程的工艺参数与质量指标之间的关联规律,并建立相应的数学模型,形成可视化的知识,为生产工艺的改进和质量的提高提供依据和指导,提高制药生产各流程效率及各流程质量,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于数据挖掘的生产智能反馈调控系统,包括SCADA数据库、海量数据预处理模块、数据挖掘分析模块和数据可视化调控模块,其中,
SCADA数据库用于存储基础信息数据、控制数据、检测数据及信息管理数据,在数据采集与监控系统的基础上,对基础信息数据、控制数据、检测数据及信息管理数据进行采集监控,且将采集监控的数据信息存放在SCADA数据库中的对应存放单元内;
海量数据预处理模块用于对SCADA数据库内存放的海量信息数据进行预处理,其中海量信息数据进行预处理的手段包括去噪、过滤、提取、清理、规约及变换;
数据挖掘分析模块用于对预处理后的数据进行数据挖掘分析,其中数据挖掘分析的手段为关联分析、聚类分析、回归分析及预测分析,研究制药生产各流程的工艺参数与质量指标之间的关联规律,并建立相应的数学模型,形成可视化的知识;
数据可视化调控模块用于对制药生产的整个过程进行智能化地反馈调控,根据形成的可视化的知识,为生产工艺的改进和质量的提高提供依据和指导,智能调控制药生产的整个过程。
进一步地,所述SCADA数据库包括基础信息数据存放单元、控制数据存放单元、检测数据存放单元及信息管理数据存放单元,其中,
基础信息数据存放单元用于存放基础信息数据;
控制数据存放单元用于存放控制数据;
检测数据存放单元用于存放检测数据;
信息管理数据存放单元用于存放信息管理数据。
进一步地,在数据采集与监控系统的基础上,数据采集并存放,执行以下操作:
数据采集与监控系统自动采集数据信息,根据采集的多个数据信息,确定信息列表;
根据信息列表,对信息列表内的多个数据信息进行划分归类,其中数据划分归类时,从信息列表中逐一提取出单个数据信息,且参照存储有对照信息的对照列表对提取的单个数据信息进行划分归类,确定数据信息类别;
根据确定的数据信息类别,对多个数据信息类别进行统计,确定信息类别列表;
根据信息类别列表,逐一提取出单个的数据信息类别,且将该类别的数据信息存放在对应地基础信息数据存放单元、控制数据存放单元、检测数据存放单元或信息管理数据存放单元内。
进一步地,所述海量数据预处理模块包括数据去噪单元、数据过滤单元、数据提取单元、数据清理单元、数据规约单元及数据变换单元,其中,
数据去噪单元用于对海量信息数据中的干扰数据进行去除,其中数据去噪方法为对于正态数据,利用三个标准差原则进行去噪,或使用四分位差进行去噪,对于偏态数据则用分箱方法进行去噪;
数据过滤单元用于对去噪后的信息数据进行数据过滤,其中数据过滤方法为通过设定特定的查询条件将满足过滤条件的信息数据筛选出来,可根据灵活的过滤顺序,进行多层行列维度字段之间由上至下或由下至上的过滤;
数据提取单元用于对过滤后的信息数据进行数据提取,便于信息数据的后续处理,其中数据提取方法为增量提取方法,信息数据自上次成功提取后,将跟踪源数据中的更改,不会在每次更改时都执行提取所有数据的过程;
数据清理单元用于对提取后的信息数据进行数据清理,不让有错误或有问题的数据进入运算过程,包括数据有效范围的清理、数据逻辑一致性的清理和数据质量的抽查;
数据规约单元用于对清理后的信息数据进行数据规约,采用较小的数据集来保持原始数据的完整性,数据归约的途径为属性选择和数据采样,分别针对原始数据集中的属性和记录;
数据变换单元用于对规约后的信息数据进行数据变换,通过平滑聚集、数据概化及规范化方式将数据转换成适用于数据挖掘的形式。
进一步地,海量数据预处理时,执行以下操作:
获取海量信息数据,利用数据去噪方法对海量信息数据中的干扰数据进行去除,确定出真实数据列表;
根据真实数据列表,利用数据过滤方法且通过设定特定的查询条件对真实数据列表内的真实数据进行数据过滤,将满足过滤条件的真实数据筛选出来,确定出满足过滤条件的数据过滤集;
根据数据过滤集,利用数据提取方法对数据过滤集进行数据提取,将提取出来的信息数据填入数据提取列表内,便于信息数据的后续处理,确定出数据提取列表;
根据数据提取列表,利用数据清理方法对数据提取列表内的信息数据进行数据清理,不让有错误或有问题的数据进入运算过程,确定出数据清理库;
根据数据清理库,利用数据规约方法对数据清理库内的信息数据进行数据规约,采用较小的数据集来保持原始数据的完整性,确定出数据规约列表;
根据数据规约列表,通过平滑聚集、数据概化及规范化方式将数据规约列表内的信息数据转换成适用于数据挖掘的形式。
进一步地,所述数据挖掘分析模块包括数据关联单元、数据聚类单元、数据回归单元及数据预测单元,其中,
数据关联单元用于对预处理后的信息数据进行数据关联分析,研究制药生产各流程的工艺参数与质量指标之间的关联规律,其中采用Apriori算法进行数据关联分析,根据所挖掘的关联关系,可以从一个属性的信息来推断另一个属性的信息,当置信度达到某一阈值时,可以认为关联规则成立;
数据聚类单元用于对预处理后的信息数据进行数据聚类分析,根据数据的内在性质将数据分成一些聚合类,每一聚合类中的元素具有相同的特性,不同聚合类之间的特性差别大,数据聚类分析作为一个独立的工具来获得数据的分布情况,通过观察每个簇的特点,集中对特定的某些簇再作进一步分析,以获得需要的信息;
数据回归单元用于对预处理后的信息数据进行数据回归分析,确定两种或两种以上变量间相互依赖的定量关系,建立相应的数学模型,将一系列影响因素和结果进行一个拟合,拟合出一个方程,然后通过将这个方程应用到其他同类事件中,形成可视化的知识;
数据预测单元用于对预处理后的信息数据进行数据预测分析,根据形成的可视化的知识进行相应地预测,形成预测结果,其中数据预测分析方法为因果关系预测法,假定需求预测与某些因素相关,因果关系预测法可以找到这些因素与需求的关联性,通过预测这些外界因素的变化来预测未来。
进一步地,所述数据挖掘分析时,执行以下操作:
获取预处理后的信息数据,采用Apriori算法对信息数据进行数据关联分析,根据所挖掘的关联关系,可以从一个属性的信息来推断另一个属性的信息,当置信度达到某一阈值时,可以认为关联规则成立,确定出制药生产各流程的工艺参数与质量指标之间的关联规律;
获取关联规律,根据数据的内在性质将信息数据分成一些聚合类,每一聚合类中的元素具有相同的特性,不同聚合类之间的特性差别大,通过观察每个簇的特点,集中对特定的某些簇再作进一步分析,以获得需要的信息,确定出数据聚类集;
获取数据聚类集,根据两种或两种以上变量间相互依赖的定量关系,建立相应的数学模型,将一系列影响因素和结果进行一个拟合,拟合出一个方程,然后通过将这个方程应用到其他同类事件中,确定出可视化的知识;
获取可视化的知识,根据可视化的知识进行相应地预测,形成预测结果,假定需求预测与某些因素相关,因果关系预测法可以找到这些因素与需求的关联性,通过预测这些外界因素的变化来预测未来;
其中以工段内生产参数值为输入数据,以中间体各项目为目标值进行数据拟合,得出一可接受误差范围内模型,以此模型,将生产参数输入,则可预测出目标值,方法不限于BP神经网络模型方法;
利用生产过程大数据挖掘管理平台基础研究形成的神经网络或支持向量机模型,建模产品质量与控制参数、质量与中间体之间的相关性模型,获取过程控制参数实时数据、在线质量检测数据,根据控制参数的稳定指标、中间体质量指标、以及放行指标等,给出质量预警提示,并提出质量控制参数调控建议。
进一步地,所述数据可视化调控模块包括数据依据参照单元和数据指导调控单元,其中,
数据依据参照单元用于对获取的可视化的知识提供参照依据;
数据指导调控单元用于对获取的可视化的知识提供调控指导;
获取可视化的知识,根据数据依据参照单元内提供的多个依据参照数据为可视化的知识提供参照依据,确定出参照依据列表;
获取参照依据列表,根据数据指导调控单元内提供的多个调控指导数据为可视化的知识提供调控指导,确定出制药生产各流程的指导方案。
进一步地,一种基于数据挖掘的生产智能反馈调控系统,数据可视化调控模块,还包括在为生产工艺的改进和质量的提高提供依据和指导之前,对目标知识进行访问,具体为:
请求输入单元,用于输入访问请求;
安全性验证单元,用于:
对访问请求进行第一读取,确定访问请求的组成字段,同时,将访问请求的组成字段输入至预设字段安全识别模型中进行识别,并输出访问请求的第一安全访问标识;
基于访问请求的组成字段确定访问请求的请求标识,同时,基于第一安全访问标识与请求标识进行组合生成第二安全访问标识;
基于第二安全访问标识匹配对访问请求进行安全验证的验证数据库,并在验证数据库中匹配与请求标识相对应的第三安全访问标识;
将第二安全访问标识与第三安全访问标识进行对比,判断访问请求是否通过安全性验证;
其中,当第二安全访问标识与第三安全访问标识一致时,则判定访问请求通过安全性验证;
否则,则判定访问请求没有通过安全性验证;
访问请求读取单元,用于:
当访问请求通过安全性验证时,对访问请求进行第二读取,确定访问请求的请求目标,通过将请求目标与数学模型中可视化知识的知识关键词进行关联,生成第一访问路线;
基于知识关键词,锁定对应的多条关联知识,基于知识关键词与对应的多条关联知识生成多条第二访问路线,其中,关联知识与第二访问路线一一对应;
基于请求目标确定每条第二访问路线的路线权重,并获取预设权重阈值,同时,将路线权重与预设权重阈值进行比较;
其中,将路线权重等于或大于预设权重阈值时作为目标第二访问路线;
否则,则将路线权重对应的第二访问路线剔除;
目标知识获取单元,用于基于第一访问路线与目标第二访问路线生成访问路径,并基于访问路径获取访问请求对应的目标知识,并根据目标知识确定重要生产过程。
进一步地,一种基于数据挖掘的生产智能反馈调控系统,SCADA数据库中,将采集监控的数据信息存放在SCADA数据库中的对应存放单元内之前,还包括根据数据采集目标对采集监控的数据进行摘取,确定关键数据集,具体为:
数据选取单元,用于确定采集监控到的目标数据集S,同时,基于数据采集目标在目标数据集S中随机选取一个数据对象作为中心数据o;
第一计算单元,用于基于中心数据o,计算在目标数据集S中除中心数据以外的任一数据a与中心数据之间的标准距离;
其中,在目标数据集中除中心数据以外的任一数据a与中心数据之间的标准距离;o表示中心数据;a表示在目标数据集中除中心数据以外的任一数据;S表示目标数据集;表示目标数据集中除中心数据以外的任一数据a的离群概率;
第二计算单元,用于基于在目标数据集S中除中心数据以外的任一数据a与中心数据之间的标准距离并根据如下公式确定数据摘取条件;
其中,表示数据摘取条件;表示在目标数据集S中除中心数据以外的第i个数据;表示预设距离阈值;表示在目标数据集S中除中心数据以外的第i个数据的标准距离小于或等于预设距离阈值;表示在目标数据集S中除中心数据以外的第i个数据的标准距离大于预设距离阈值;i表示目标数据集S中除中心数据以外的当前个数据序号;
数据摘取单元,用于:
基于数据摘取条件,当目标数据集S中除中心数据以外的第i个数据的标准距离小于或等于预设距离阈值时,则保留在目标数据集S中除中心数据以外的第i个数据,并根据保留的数据以及中心数据建立关键数据集且进行存储;
与现有技术相比,本发明的有益效果是:
1、本发明的基于数据挖掘的生产智能反馈调控系统,在数据采集与监控系统的基础上,对基础信息数据、控制数据、检测数据及信息管理数据进行采集监控,且将采集监控的数据信息存放在SCADA数据库中的对应存放单元,对SCADA数据库内存放的海量信息数据进行去噪、过滤、提取、清理、规约及变换预处理,对预处理后的数据进行数据挖掘分析,采用关联分析、聚类分析、回归分析及预测分析,研究制药生产各流程的工艺参数与质量指标之间的关联规律,并建立相应的数学模型,形成可视化的知识,为生产工艺的改进和质量的提高提供依据和指导,智能调控制药生产的整个过程,提高制药生产各流程效率,严格把控制药生产各流程质量。
2、通过确定访问请求对应组成字段,并将组成字段输入预设字段安全识别模型进行识别,从而实现对访问请求的安全访问标识进行确定,其次,通过将访问请求的安全访问标识与验证数据库中存储的安全访问标识进行对比,实现对访问请求的安全性进行严格有效的验证,确保了访问请求的规范性,且当访问请求通过安全性验证后,对访问请求进行解析,实现对访问请求的访问目标进行确认,最后,根据访问目标实现对需要访问知识的关键词进行有效锁定,并根据知识关键词对关联知识点进行搜索,且对搜索到的关联知识点生成对应的访问路线,最终对生成的访问路线与访问请求的吻合度进行校验,从而实现对最终需要访问的知识的访问路线进行锁定,并根据访问路线生成访问路径,实现对目标知识进行准确有效的访问。
3、通过确定采集监控到的目标数据集并基于数据采集目标在目标数据集S中随机选取一个数据对象作为中心数据,有利于保障随机选取的中心数据为提取与制药生产各流程的工艺参数与质量指标相关的数据,通过计算在目标数据集S中除中心数据以外的任一数据a与中心数据之间的标准距离,从而有利于准确确定数据摘取条件,从而实现对数据的摘取,确定关键数据集,可以保障存放在SCADA数据库中的数据的洁净程度,也有利于提高对数据分析的效率。
附图说明
图1为本发明的基于数据挖掘的生产智能反馈调控系统的模块图;
图2为本发明的基于数据挖掘的生产智能反馈调控系统的结构图;
图3为本发明的SCADA数据库的架构图;
图4为本发明的海量数据预处理模块的架构图;
图5为本发明的数据挖掘分析模块的架构图;
图6为本发明的生产智能反馈调控系统的流程图;
图7为本发明的利用数据挖掘来实施实时监控与反馈的系统示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
为了解决现有的制药生产各流程中,不能为制药生产工艺的改进和质量的提高提供依据和指导,不能智能调控制药生产的整个过程,降低了制药生产各流程效率及制药生产各流程质量的技术问题,请参阅图1-图7,本实施例提供以下技术方案:
一种基于数据挖掘的生产智能反馈调控系统,包括SCADA数据库、海量数据预处理模块、数据挖掘分析模块和数据可视化调控模块,其中,
SCADA数据库用于存储基础信息数据、控制数据、检测数据及信息管理数据,在数据采集与监控系统的基础上,对基础信息数据、控制数据、检测数据及信息管理数据进行采集监控,且将采集监控的数据信息存放在SCADA数据库中的对应存放单元内;
海量数据预处理模块用于对SCADA数据库内存放的海量信息数据进行预处理,其中海量信息数据进行预处理的手段包括去噪、过滤、提取、清理、规约及变换;
数据挖掘分析模块用于对预处理后的数据进行数据挖掘分析,其中数据挖掘分析的手段为关联分析、聚类分析、回归分析及预测分析,研究制药生产各流程的工艺参数与质量指标之间的关联规律,并建立相应的数学模型,形成可视化的知识;
数据可视化调控模块用于对制药生产的整个过程进行智能化地反馈调控,根据形成的可视化的知识,为生产工艺的改进和质量的提高提供依据和指导,智能调控制药生产的整个过程。
制药过程中,最重要的两大流程是自动控制流程和质量检测流程,自动控制流程即在制药过程中,通过对提取、过滤、吸附、萃取、加热、烘干等操作使用自动化控制技术,达到自动控制生产流程的温度、湿度、真空度、PH值等工艺参数的目标,而质量检测流程则是在生产过程中抽取一些样品或者选择一些最终的药品,测定其成分含量、分离程度等指标。
其中数据挖掘的主要目标就是记录并整理在自动控制流程和质量检测流程中的数据信息,然后分别对自动控制流程和质量检测流程中产生的大量的数据进行分析和建模,找到其中的规律,同时,还可以分析自动控制流程数据和质量检测流程数据之间的关系,找到两者之间的相关性,进而达到用质量检测数据来指导自动控制的工艺参数,形成一个整体性的高效的智能化系统。
具体的,在数据采集与监控系统的基础上,对基础信息数据、控制数据、检测数据及信息管理数据进行采集监控,且将采集监控的数据信息存放在SCADA数据库中的对应存放单元,对SCADA数据库内存放的海量信息数据进行去噪、过滤、提取、清理、规约及变换预处理,对预处理后的数据进行数据挖掘分析,采用关联分析、聚类分析、回归分析及预测分析,研究制药生产各流程的工艺参数与质量指标之间的关联规律,并建立相应的数学模型,形成可视化的知识,为生产工艺的改进和质量的提高提供依据和指导,智能调控制药生产的整个过程,提高制药生产各流程效率,严格把控制药生产各流程质量。
所述SCADA数据库包括基础信息数据存放单元、控制数据存放单元、检测数据存放单元及信息管理数据存放单元,其中,
基础信息数据存放单元用于存放基础信息数据;
控制数据存放单元用于存放控制数据;
检测数据存放单元用于存放检测数据;
信息管理数据存放单元用于存放信息管理数据。
在数据采集与监控系统的基础上,数据采集并存放,执行以下操作:
数据采集与监控系统自动采集数据信息,根据采集的多个数据信息,确定信息列表;
根据信息列表,对信息列表内的多个数据信息进行划分归类,其中数据划分归类时,从信息列表中逐一提取出单个数据信息,且参照存储有对照信息的对照列表对提取的单个数据信息进行划分归类,确定数据信息类别;
根据确定的数据信息类别,对多个数据信息类别进行统计,确定信息类别列表;
根据信息类别列表,逐一提取出单个的数据信息类别,且将该类别的数据信息存放在对应地基础信息数据存放单元、控制数据存放单元、检测数据存放单元或信息管理数据存放单元内。
所述海量数据预处理模块包括数据去噪单元、数据过滤单元、数据提取单元、数据清理单元、数据规约单元及数据变换单元,其中,
数据去噪单元用于对海量信息数据中的干扰数据进行去除,其中数据去噪方法为对于正态数据,利用三个标准差原则进行去噪,或使用四分位差进行去噪,对于偏态数据则用分箱方法进行去噪;
数据过滤单元用于对去噪后的信息数据进行数据过滤,其中数据过滤方法为通过设定特定的查询条件将满足过滤条件的信息数据筛选出来,可根据灵活的过滤顺序,进行多层行列维度字段之间由上至下或由下至上的过滤;
数据提取单元用于对过滤后的信息数据进行数据提取,便于信息数据的后续处理,其中数据提取方法为增量提取方法,信息数据自上次成功提取后,将跟踪源数据中的更改,不会在每次更改时都执行提取所有数据的过程;
数据清理单元用于对提取后的信息数据进行数据清理,不让有错误或有问题的数据进入运算过程,包括数据有效范围的清理、数据逻辑一致性的清理和数据质量的抽查;
数据规约单元用于对清理后的信息数据进行数据规约,采用较小的数据集来保持原始数据的完整性,数据归约的途径为属性选择和数据采样,分别针对原始数据集中的属性和记录;
数据变换单元用于对规约后的信息数据进行数据变换,通过平滑聚集、数据概化及规范化方式将数据转换成适用于数据挖掘的形式。
海量数据预处理时,执行以下操作:
获取海量信息数据,利用数据去噪方法对海量信息数据中的干扰数据进行去除,确定出真实数据列表;
根据真实数据列表,利用数据过滤方法且通过设定特定的查询条件对真实数据列表内的真实数据进行数据过滤,将满足过滤条件的真实数据筛选出来,确定出满足过滤条件的数据过滤集;
根据数据过滤集,利用数据提取方法对数据过滤集进行数据提取,将提取出来的信息数据填入数据提取列表内,便于信息数据的后续处理,确定出数据提取列表;
根据数据提取列表,利用数据清理方法对数据提取列表内的信息数据进行数据清理,不让有错误或有问题的数据进入运算过程,确定出数据清理库;
根据数据清理库,利用数据规约方法对数据清理库内的信息数据进行数据规约,采用较小的数据集来保持原始数据的完整性,确定出数据规约列表;
根据数据规约列表,通过平滑聚集、数据概化及规范化方式将数据规约列表内的信息数据转换成适用于数据挖掘的形式。
所述数据挖掘分析模块包括数据关联单元、数据聚类单元、数据回归单元及数据预测单元,其中,
数据关联单元用于对预处理后的信息数据进行数据关联分析,研究制药生产各流程的工艺参数与质量指标之间的关联规律,其中采用Apriori算法进行数据关联分析,根据所挖掘的关联关系,可以从一个属性的信息来推断另一个属性的信息,当置信度达到某一阈值时,可以认为关联规则成立;
数据聚类单元用于对预处理后的信息数据进行数据聚类分析,根据数据的内在性质将数据分成一些聚合类,每一聚合类中的元素具有相同的特性,不同聚合类之间的特性差别大,数据聚类分析作为一个独立的工具来获得数据的分布情况,通过观察每个簇的特点,集中对特定的某些簇再作进一步分析,以获得需要的信息;
需要说明的是,数据聚类分析算法为系统聚类,分类的单位由高到低呈树形结构,且所处的位置越低,其所包含的对象就越少,但这些对象间的共同特征越多。
数据回归单元用于对预处理后的信息数据进行数据回归分析,确定两种或两种以上变量间相互依赖的定量关系,建立相应的数学模型,将一系列影响因素和结果进行一个拟合,拟合出一个方程,然后通过将这个方程应用到其他同类事件中,形成可视化的知识;
需要说明的是,在统计学中,回归分析按照涉及的变量的多少,分为一元回归和多元回归分析;按照因变量的多少,可分为简单回归分析和多重回归分析;按照自变量和因变量之间的关系类型,可分为线性回归分析和非线性回归分析。
数据预测单元用于对预处理后的信息数据进行数据预测分析,根据形成的可视化的知识进行相应地预测,形成预测结果,其中数据预测分析方法为因果关系预测法,假定需求预测与某些因素相关,因果关系预测法可以找到这些因素与需求的关联性,通过预测这些外界因素的变化来预测未来。
数据挖掘时,每个工段进行单独的数据分析研究,主要任务为
1、趋势显示
内容:温度、压力、真空度、密度、流速、体积、质量(这两个都是数值,如何表示趋势)等进行趋势显示,界面设计:上部为选择框,下部为输出界面;
例如输入品名 -> 工序 -> 阶段生产参数 -> 生产批号 -> 设备编号。
2、转移率的分析
内容:对各工序转移率进行计算并通过选取工序,使用柱状图显示出来。
3、相关性分析(单工段&多工段)
内容:以各工段产出中间体某个项目为目标值,分析其与本工序内各工艺参数之间的项目性,并对各个参数进行排序。
4、预测分析
内容:以工段内生产参数值为输入数据,以中间体各项目(重量、含量、体积、密度等)为目标值进行数据拟合,得出一可接受误差范围内模型。以此模型,将生产参数输入,则可预测出目标值(中间体各项目)。方法不限于BP神经网络模型等方法。
属性相关性分析主要分为数值属性之间的相关性分析、标称数值(离散数值)之间的相关性分析以及混合属性之间的相关性分析。考虑到康缘的药物生产相关参数主要是连续性的数值类型的变量,因此我们相关性的模型主要考虑数值属性之间的相关性分析方法。
在统计学中用皮尔逊积矩系数来度量两个数值变量X和Y之间的相关性,其值介于-1到1之间,两个变量之间的相关系数的数学定义为:
当皮尔逊积矩系数为正数时,说明Y属性随着X的增加而增加,X和Y成正相关,并且这个系数越接近1,这种相关性越强;当皮尔逊积矩系数为0时,说明X和Y属性之间没有相关性;当皮尔逊积矩系数为负数时,说明Y属性随着X的增加而减少,X和Y成负相关,并且这个系数越接近-1,这种相关性越强。
5、T统计分析
T统计量可同时监控多个主元,它通过主元模型内部的主元向量模的波动去反映多变量变化的情况,是主元模型内部变化的一种测度。 T统计量的计算公式为:
其中是对应于检验水平为,自由度为k,m-1的条件下的F分布临界值。n为数据采样次数,m为变量的个数,k为主成分分析模型中所保留的主成分的个数。从T统计量的定义中可以看出它的大小是由每个变量的主成分得分所决定的,得分向量的含义是变量与对应负荷向量的关系程度,因此很明显T主要描述了那些与主元空间相关性强的变量的信息。
6、Q统计分析
Q统计量(即平方预测误差SPE统计量)也可同时监控多变量工况,它刻画了某时刻测量值对主元模型的偏离程度,是衡量模型外部数据变化的测度。
其中是正态分布在检验水平为的临界值,为数据的矩阵协方差矩阵的特征值。
7、关键工艺参数的筛选
通过知识挖掘技术,找到大量数据背后隐含的信息和规律,我们便可以充分利用这些信息和规律,创建出一个全新的过程质量控制体系,用规律指导生产,达到产品生产过程的技术提升,保证药品质量的均一稳定。
在流水线生产过程中,当在线监测系统监测到某一项质量指标不符合标准的时候,便发出需要调整工艺参数的信号,而调整的依据则是根据之前挖掘出的质量指标和工艺参数之间的多对多的关系特征,给自动控制系统一个实时的反馈或者警告,指导自动控制系统提升或者降低某个工艺参数,让自动控制系统智能的调节对应的工艺参数从而使得该质量指标达到标准,从某种意义上来说,这也是实现了真正意义上的生产过程自动化控制和实时在线质量检测。
8、预测模型反馈分析
利用PKS平台基础研究里形成的神经网络或SVM(支持向量机)模型,建模产品质量与控制参数、质量与中间体之间的相关性模型,获取过程控制参数实时数据、在线质量检测数据,根据控制参数的稳定指标、中间体质量指标、以及放行指标等,给出质量预警提示。并提出质量控制参数调控建议。
9、产品质量均一性方法学研究
该目标的任务就是能够通过对众多的产品质量进行分析,最终形成能够评价产品是否均一的标准。
对于生产线上所生产出来的n批产品,每一批产品都可能存在着k种不同的质量指标。该系统需要综合并计算所有批次的质量指标,形成一个综合k维区间,使得落在该k维区间内的产品数量尽可能的多,而同时又需要保证该k维区间不能过大,最好能够尽可能的小,即使用尽量小的k为区间包含尽可能多的产品批次。那么,当该区间内的产品批次达到一定的阈值的时候,此时的k维区间便可以作为该系统评价产品质量均一性的标准。
所述数据挖掘分析时,执行以下操作:
获取预处理后的信息数据,采用Apriori算法对信息数据进行数据关联分析,根据所挖掘的关联关系,可以从一个属性的信息来推断另一个属性的信息,当置信度达到某一阈值时,可以认为关联规则成立,确定出制药生产各流程的工艺参数与质量指标之间的关联规律;
获取关联规律,根据数据的内在性质将信息数据分成一些聚合类,每一聚合类中的元素具有相同的特性,不同聚合类之间的特性差别大,通过观察每个簇的特点,集中对特定的某些簇再作进一步分析,以获得需要的信息,确定出数据聚类集;
获取数据聚类集,根据两种或两种以上变量间相互依赖的定量关系,建立相应的数学模型,将一系列影响因素和结果进行一个拟合,拟合出一个方程,然后通过将这个方程应用到其他同类事件中,确定出可视化的知识;
获取可视化的知识,根据可视化的知识进行相应地预测,形成预测结果,假定需求预测与某些因素相关,因果关系预测法可以找到这些因素与需求的关联性,通过预测这些外界因素的变化来预测未来。
所述数据可视化调控模块包括数据依据参照单元和数据指导调控单元,其中,
数据依据参照单元用于对获取的可视化的知识提供参照依据;
数据指导调控单元用于对获取的可视化的知识提供调控指导;
获取可视化的知识,根据数据依据参照单元内提供的多个依据参照数据为可视化的知识提供参照依据,确定出参照依据列表;
获取参照依据列表,根据数据指导调控单元内提供的多个调控指导数据为可视化的知识提供调控指导,确定出制药生产各流程的指导方案。
综上所述,本发明的基于数据挖掘的生产智能反馈调控系统,在数据采集与监控系统的基础上,对基础信息数据、控制数据、检测数据及信息管理数据进行采集监控,且将采集监控的数据信息存放在SCADA数据库中的对应存放单元,对SCADA数据库内存放的海量信息数据进行去噪、过滤、提取、清理、规约及变换预处理,对预处理后的数据进行数据挖掘分析,采用关联分析、聚类分析、回归分析及预测分析,研究制药生产各流程的工艺参数与质量指标之间的关联规律,并建立相应的数学模型,形成可视化的知识,为生产工艺的改进和质量的提高提供依据和指导,智能调控制药生产的整个过程,提高制药生产各流程效率,严格把控制药生产各流程质量。
本实施例提供了一种基于数据挖掘的生产智能反馈调控系统,数据可视化调控模块,还包括在为生产工艺的改进和质量的提高提供依据和指导之前,对目标知识进行访问,具体为:
请求输入单元,用于输入访问请求;
安全性验证单元,用于:
对访问请求进行第一读取,确定访问请求的组成字段,同时,将访问请求的组成字段输入至预设字段安全识别模型中进行识别,并输出访问请求的第一安全访问标识;
基于访问请求的组成字段确定访问请求的请求标识,同时,基于第一安全访问标识与请求标识进行组合生成第二安全访问标识;
基于第二安全访问标识匹配对访问请求进行安全验证的验证数据库,并在验证数据库中匹配与请求标识相对应的第三安全访问标识;
将第二安全访问标识与第三安全访问标识进行对比,判断访问请求是否通过安全性验证;
其中,当第二安全访问标识与第三安全访问标识一致时,则判定访问请求通过安全性验证;
否则,则判定访问请求没有通过安全性验证;
访问请求读取单元,用于:
当访问请求通过安全性验证时,对访问请求进行第二读取,确定访问请求的请求目标,通过将请求目标与数学模型中可视化知识的知识关键词进行关联,生成第一访问路线;
基于知识关键词,锁定对应的多条关联知识,基于知识关键词与对应的多条关联知识生成多条第二访问路线,其中,关联知识与第二访问路线一一对应;
基于请求目标确定每条第二访问路线的路线权重,并获取预设权重阈值,同时,将路线权重与预设权重阈值进行比较;
其中,将路线权重等于或大于预设权重阈值时作为目标第二访问路线;
否则,则将路线权重对应的第二访问路线剔除;
目标知识获取单元,用于基于第一访问路线与目标第二访问路线生成访问路径,并基于访问路径获取访问请求对应的目标知识,并根据目标知识确定重要生产过程。
该实施例中,第一读取可以是对输入的访问请求进行读取,确定访问请求中的字段组成信息。
该实施例中,组成字段可以是构成访问请求的数据片段。
该实施例中,预设字段安全识别模型是提前训练好的,用于对访问请求中的组成字段进行识别,确定对应的具体内容。
该实施例中,第一安全访问标识可以是对访问请求进行标记,具体可以是标记访问请求的类型以及安全程度,是一种标记符号。
该实施例中,请求标识可以是标记组成字段的数据特征的标记符号,用于表征组成字段对应的具体数据类型等特征。
该实施例中,第二安全访问标识可以是将第一安全访问标识与请求标识进行组合后得到的,用于对访问请求的安全程度进行进一步确定,在第一安全访问标识判断的基础上融合了具体字段内容对安全程度的影响。
该实施例中,验证数据库是提前设定好的,用于存储验证访问请求的第三安全访问标识。
该实施例中,第三安全访问标识可以是验证访问请求是否符合访问标准的依据,即表征没满足访问请求时对应的标记符号。
该实施例中,第二读取可以是当访问请求通过安全性验证后对访问请求进行读取。
该实施例中,请求目标可以是访问请求最终要实现的访问目标,即要访问的知识。
该实施例中,知识关键词可以是表征可视化的知识的具体内容的数据片段。
该实施例中,第一访问路线可以是将请求目标与可视化知识的知识关键词进行关联后,得到的访问请求对应的访问路径。
该实施例中,关联知识可以是与知识关键词存在关系的所有知识。
该实施例中,第二访问路线可以是将知识关键词与对应的关联知识进行绑定后,生成的能够访问关联知识的访问路径。
该实施例中,路线权重可以是表征第二访问路线中与访问请求符合的程度大小,取值越大,表明访问路线约满足访问请求的访问目标。
该实施例中,预设权重阈值是提前设定好的,是衡量满足访问请求的最低取值。
该实施例中,目标第二访问路线可以是路线权重大于或等于预设权重阈值的访问路线,是第二访问路线中的一部分。
该实施例中,目标知识可以是访问请求对应的最终需要访问的知识。
上述技术方案的工作原理及有益效果是:通过确定访问请求对应组成字段,并将组成字段输入预设字段安全识别模型进行识别,从而实现对访问请求的安全访问标识进行确定,其次,通过将访问请求的安全访问标识与验证数据库中存储的安全访问标识进行对比,实现对访问请求的安全性进行严格有效的验证,确保了访问请求的规范性,且当访问请求通过安全性验证后,对访问请求进行解析,实现对访问请求的访问目标进行确认,最后,根据访问目标实现对需要访问知识的关键词进行有效锁定,并根据知识关键词对关联知识点进行搜索,且对搜索到的关联知识点生成对应的访问路线,最终对生成的访问路线与访问请求的吻合度进行校验,从而实现对最终需要访问的知识的访问路线进行锁定,并根据访问路线生成访问路径,实现对目标知识进行准确有效的访问。
本实施例提供了一种基于数据挖掘的生产智能反馈调控系统,SCADA数据库中,将采集监控的数据信息存放在SCADA数据库中的对应存放单元内之前,还包括根据数据采集目标对采集监控的数据进行摘取,确定关键数据集,具体为:
数据选取单元,用于确定采集监控到的目标数据集S,同时,基于数据采集目标在目标数据集S中随机选取一个数据对象作为中心数据o;
第一计算单元,用于基于中心数据o,计算在目标数据集S中除中心数据以外的任一数据a与中心数据之间的标准距离;
其中,在目标数据集中除中心数据以外的任一数据a与中心数据之间的标准距离;o表示中心数据;a表示在目标数据集中除中心数据以外的任一数据;S表示目标数据集;表示目标数据集中除中心数据以外的任一数据a的离群概率;
第二计算单元,用于基于在目标数据集S中除中心数据以外的任一数据a与中心数据之间的标准距离并根据如下公式确定数据摘取条件;
其中,表示数据摘取条件;表示在目标数据集S中除中心数据以外的第i个数据;表示预设距离阈值;表示在目标数据集S中除中心数据以外的第i个数据的标准距离小于或等于预设距离阈值;表示在目标数据集S中除中心数据以外的第i个数据的标准距离大于预设距离阈值;i表示目标数据集S中除中心数据以外的当前个数据序号;
数据摘取单元,用于:
基于数据摘取条件,当目标数据集S中除中心数据以外的第i个数据的标准距离小于或等于预设距离阈值时,则保留在目标数据集S中除中心数据以外的第i个数据,并根据保留的数据以及中心数据建立关键数据集且进行存储;
该实施例中,预设距离阈值可以是提前设定好的,用来衡量是否将在目标数据集中摘取的标准。
该实施例中,关键数据集可以是基于摘取的数据以及中心数据共同构成的数据集。
该实施例中,数据采集目标可以是提取与制药生产各流程的工艺参数与质量指标相关的数据。
上述技术方案的工作原理以及有益效果是:通过确定采集监控到的目标数据集并基于数据采集目标在目标数据集S中随机选取一个数据对象作为中心数据,有利于保障随机选取的中心数据为提取与制药生产各流程的工艺参数与质量指标相关的数据,通过计算在目标数据集S中除中心数据以外的任一数据a与中心数据之间的标准距离,从而有利于准确确定数据摘取条件,从而实现对数据的摘取,确定关键数据集,可以保障存放在SCADA数据库中的数据的洁净程度,也有利于提高对数据分析的效率。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于数据挖掘的生产智能反馈调控系统,包括SCADA数据库、海量数据预处理模块、数据挖掘分析模块和数据可视化调控模块,其特征在于,其中,
SCADA数据库用于存储基础信息数据、控制数据、检测数据及信息管理数据,在数据采集与监控系统的基础上,对基础信息数据、控制数据、检测数据及信息管理数据进行采集监控,且将采集监控的数据信息存放在SCADA数据库中的对应存放单元内;
海量数据预处理模块用于对SCADA数据库内存放的海量信息数据进行预处理,其中海量信息数据进行预处理的手段包括去噪、过滤、提取、清理、规约及变换;
数据挖掘分析模块用于对预处理后的数据进行数据挖掘分析,其中数据挖掘分析的手段为关联分析、聚类分析、回归分析及预测分析,研究制药生产各流程的工艺参数与质量指标之间的关联规律,并建立相应的数学模型,形成可视化的知识;
数据可视化调控模块用于对制药生产的整个过程进行智能化地反馈调控,根据形成的可视化的知识,为生产工艺的改进和质量的提高提供依据和指导,智能调控制药生产的整个过程;
所述数据挖掘分析模块包括数据关联单元、数据聚类单元、数据回归单元及数据预测单元,其中,
数据关联单元用于对预处理后的信息数据进行数据关联分析,研究制药生产各流程的工艺参数与质量指标之间的关联规律,其中采用Apriori算法进行数据关联分析,根据所挖掘的关联关系,从一个属性的信息来推断另一个属性的信息,当置信度达到某一阈值时,认为关联规则成立;
数据聚类单元用于对预处理后的信息数据进行数据聚类分析,根据数据的内在性质将数据分成一些聚合类,每一聚合类中的元素具有相同的特性,不同聚合类之间的特性差别大,数据聚类分析作为一个独立的工具来获得数据的分布情况,通过观察每个簇的特点,集中对特定的某些簇再作进一步分析,以获得需要的信息;
数据回归单元用于对预处理后的信息数据进行数据回归分析,确定两种或两种以上变量间相互依赖的定量关系,建立相应的数学模型,将一系列影响因素和结果进行一个拟合,拟合出一个方程,然后通过将这个方程应用到其他同类事件中,形成可视化的知识;
数据预测单元用于对预处理后的信息数据进行数据预测分析,根据形成的可视化的知识进行相应地预测,形成预测结果,其中数据预测分析方法为因果关系预测法,假定需求预测与某些因素相关,因果关系预测法可以找到这些因素与需求的关联性,通过预测这些外界因素的变化来预测未来。
2.如权利要求1所述的一种基于数据挖掘的生产智能反馈调控系统,其特征在于,所述SCADA数据库包括基础信息数据存放单元、控制数据存放单元、检测数据存放单元及信息管理数据存放单元,其中,
基础信息数据存放单元用于存放基础信息数据;
控制数据存放单元用于存放控制数据;
检测数据存放单元用于存放检测数据;
信息管理数据存放单元用于存放信息管理数据。
3.如权利要求2所述的一种基于数据挖掘的生产智能反馈调控系统,其特征在于,在数据采集与监控系统的基础上,数据采集并存放,执行以下操作:
数据采集与监控系统自动采集数据信息,根据采集的多个数据信息,确定信息列表;
根据信息列表,对信息列表内的多个数据信息进行划分归类,其中数据划分归类时,从信息列表中逐一提取出单个数据信息,且参照存储有对照信息的对照列表对提取的单个数据信息进行划分归类,确定数据信息类别;
根据确定的数据信息类别,对多个数据信息类别进行统计,确定信息类别列表;
根据信息类别列表,逐一提取出单个的数据信息类别,且将该类别的数据信息存放在对应地基础信息数据存放单元、控制数据存放单元、检测数据存放单元或信息管理数据存放单元内。
4.如权利要求1所述的一种基于数据挖掘的生产智能反馈调控系统,其特征在于,所述海量数据预处理模块包括数据去噪单元、数据过滤单元、数据提取单元、数据清理单元、数据规约单元及数据变换单元,其中,
数据去噪单元用于对海量信息数据中的干扰数据进行去除,其中数据去噪方法为对于正态数据,利用三个标准差原则进行去噪,或使用四分位差进行去噪,对于偏态数据则用分箱方法进行去噪;
数据过滤单元用于对去噪后的信息数据进行数据过滤,其中数据过滤方法为通过设定特定的查询条件将满足过滤条件的信息数据筛选出来,可根据灵活的过滤顺序,进行多层行列维度字段之间由上至下或由下至上的过滤;
数据提取单元用于对过滤后的信息数据进行数据提取,便于信息数据的后续处理,其中数据提取方法为增量提取方法,信息数据自上次成功提取后,将跟踪源数据中的更改,不会在每次更改时都执行提取所有数据的过程;
数据清理单元用于对提取后的信息数据进行数据清理,不让有错误或有问题的数据进入运算过程,包括数据有效范围的清理、数据逻辑一致性的清理和数据质量的抽查;
数据规约单元用于对清理后的信息数据进行数据规约,采用较小的数据集来保持原始数据的完整性,数据归约的途径为属性选择和数据采样,分别针对原始数据集中的属性和记录;
数据变换单元用于对规约后的信息数据进行数据变换,通过平滑聚集、数据概化及规范化方式将数据转换成适用于数据挖掘的形式。
5.如权利要求4所述的一种基于数据挖掘的生产智能反馈调控系统,其特征在于,海量数据预处理时,执行以下操作:
获取海量信息数据,利用数据去噪方法对海量信息数据中的干扰数据进行去除,确定出真实数据列表;
根据真实数据列表,利用数据过滤方法且通过设定特定的查询条件对真实数据列表内的真实数据进行数据过滤,将满足过滤条件的真实数据筛选出来,确定出满足过滤条件的数据过滤集;
根据数据过滤集,利用数据提取方法对数据过滤集进行数据提取,将提取出来的信息数据填入数据提取列表内,便于信息数据的后续处理,确定出数据提取列表;
根据数据提取列表,利用数据清理方法对数据提取列表内的信息数据进行数据清理,不让有错误或有问题的数据进入运算过程,确定出数据清理库;
根据数据清理库,利用数据规约方法对数据清理库内的信息数据进行数据规约,采用较小的数据集来保持原始数据的完整性,确定出数据规约列表;
根据数据规约列表,通过平滑聚集、数据概化及规范化方式将数据规约列表内的信息数据转换成适用于数据挖掘的形式。
6.如权利要求1所述的一种基于数据挖掘的生产智能反馈调控系统,其特征在于,所述数据挖掘分析时,执行以下操作:
获取预处理后的信息数据,采用Apriori算法对信息数据进行数据关联分析,根据所挖掘的关联关系,从一个属性的信息来推断另一个属性的信息,当置信度达到某一阈值时,认为关联规则成立,确定出制药生产各流程的工艺参数与质量指标之间的关联规律;
获取关联规律,根据数据的内在性质将信息数据分成一些聚合类,每一聚合类中的元素具有相同的特性,不同聚合类之间的特性差别大,通过观察每个簇的特点,集中对特定的某些簇再作进一步分析,以获得需要的信息,确定出数据聚类集;
获取数据聚类集,根据两种或两种以上变量间相互依赖的定量关系,建立相应的数学模型,将一系列影响因素和结果进行一个拟合,拟合出一个方程,然后通过将这个方程应用到其他同类事件中,确定出可视化的知识;
获取可视化的知识,根据可视化的知识进行相应地预测,形成预测结果,假定需求预测与某些因素相关,因果关系预测法找到这些因素与需求的关联性,通过预测这些外界因素的变化来预测未来;
其中以工段内生产参数值为输入数据,以中间体各项目为目标值进行数据拟合,得出一可接受误差范围内模型,以此模型,将生产参数输入,则可预测出目标值,方法不限于BP神经网络模型方法;
利用生产过程大数据挖掘管理平台基础研究形成的神经网络或支持向量机模型,建模产品质量与控制参数、质量与中间体之间的相关性模型,获取过程控制参数实时数据、在线质量检测数据,根据控制参数的稳定指标、中间体质量指标、以及放行指标等,给出质量预警提示,并提出质量控制参数调控建议。
7.如权利要求6所述的一种基于数据挖掘的生产智能反馈调控系统,其特征在于,所述数据可视化调控模块包括数据依据参照单元和数据指导调控单元,其中,
数据依据参照单元用于对获取的可视化的知识提供参照依据;
数据指导调控单元用于对获取的可视化的知识提供调控指导;
获取可视化的知识,根据数据依据参照单元内提供的多个依据参照数据为可视化的知识提供参照依据,确定出参照依据列表;
获取参照依据列表,根据数据指导调控单元内提供的多个调控指导数据为可视化的知识提供调控指导,确定出制药生产各流程的指导方案。
8.根据权利要求1所述的一种基于数据挖掘的生产智能反馈调控系统,其特征在于,数据可视化调控模块,还包括在为生产工艺的改进和质量的提高提供依据和指导之前,对目标知识进行访问,具体为:
请求输入单元,用于输入访问请求;
安全性验证单元,用于:
对访问请求进行第一读取,确定访问请求的组成字段,同时,将访问请求的组成字段输入至预设字段安全识别模型中进行识别,并输出访问请求的第一安全访问标识;
基于访问请求的组成字段确定访问请求的请求标识,同时,基于第一安全访问标识与请求标识进行组合生成第二安全访问标识;
基于第二安全访问标识匹配对访问请求进行安全验证的验证数据库,并在验证数据库中匹配与请求标识相对应的第三安全访问标识;
将第二安全访问标识与第三安全访问标识进行对比,判断访问请求是否通过安全性验证;
其中,当第二安全访问标识与第三安全访问标识一致时,则判定访问请求通过安全性验证;
否则,则判定访问请求没有通过安全性验证;
访问请求读取单元,用于:
当访问请求通过安全性验证时,对访问请求进行第二读取,确定访问请求的请求目标,通过将请求目标与数学模型中可视化知识的知识关键词进行关联,生成第一访问路线;
基于知识关键词,锁定对应的多条关联知识,基于知识关键词与对应的多条关联知识生成多条第二访问路线,其中,关联知识与第二访问路线一一对应;
基于请求目标确定每条第二访问路线的路线权重,并获取预设权重阈值,同时,将路线权重与预设权重阈值进行比较;
其中,将路线权重等于或大于预设权重阈值时作为目标第二访问路线;
否则,则将路线权重对应的第二访问路线剔除;
目标知识获取单元,用于基于第一访问路线与目标第二访问路线生成访问路径,并基于访问路径获取访问请求对应的目标知识,并根据目标知识确定重要生产过程。
9.根据权利要求1所述的一种基于数据挖掘的生产智能反馈调控系统,其特征在于,SCADA数据库中,将采集监控的数据信息存放在SCADA数据库中的对应存放单元内之前,还包括根据数据采集目标对采集监控的数据进行摘取,确定关键数据集,具体为:
数据选取单元,用于确定采集监控到的目标数据集S,同时,基于数据采集目标在目标数据集S中随机选取一个数据对象作为中心数据o;
第一计算单元,用于基于中心数据o,计算在目标数据集S中除中心数据以外的任一数据a与中心数据之间的标准距离;
其中,在目标数据集中除中心数据以外的任一数据a与中心数据之间的标准距离;o表示中心数据;a表示在目标数据集中除中心数据以外的任一数据;S表示目标数据集;表示目标数据集中除中心数据以外的任一数据a的离群概率;
第二计算单元,用于基于在目标数据集S中除中心数据以外的任一数据a与中心数据之间的标准距离并根据如下公式确定数据摘取条件;
其中,表示数据摘取条件;表示在目标数据集S中除中心数据以外的第i个数据;表示预设距离阈值;表示在目标数据集S中除中心数据以外的第i个数据的标准距离小于或等于预设距离阈值;表示在目标数据集S中除中心数据以外的第i个数据的标准距离大于预设距离阈值;i表示目标数据集S中除中心数据以外的当前个数据序号;
数据摘取单元,用于:
基于数据摘取条件,当目标数据集S中除中心数据以外的第i个数据的标准距离小于或等于预设距离阈值时,则保留在目标数据集S中除中心数据以外的第i个数据,并根据保留的数据以及中心数据建立关键数据集且进行存储;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211353960.7A CN115630839B (zh) | 2022-11-01 | 2022-11-01 | 一种基于数据挖掘的生产智能反馈调控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211353960.7A CN115630839B (zh) | 2022-11-01 | 2022-11-01 | 一种基于数据挖掘的生产智能反馈调控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115630839A true CN115630839A (zh) | 2023-01-20 |
CN115630839B CN115630839B (zh) | 2023-11-10 |
Family
ID=84908742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211353960.7A Active CN115630839B (zh) | 2022-11-01 | 2022-11-01 | 一种基于数据挖掘的生产智能反馈调控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630839B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415662A (zh) * | 2023-06-12 | 2023-07-11 | 四川云申至诚科技有限公司 | 一种基于知识发现的工厂专家系统 |
CN116777251A (zh) * | 2023-08-24 | 2023-09-19 | 山东希尔康泰药业有限公司 | 一种基于全流程的药剂制备工序监测分析系统 |
CN117113119A (zh) * | 2023-10-24 | 2023-11-24 | 陕西女娲神草农业科技有限公司 | 应用于绞股蓝制备场景下的设备关联关系分析方法及系统 |
CN117215251A (zh) * | 2023-11-07 | 2023-12-12 | 烟台卫康动物保健品有限公司 | 一种自动化制药过程中能效优化控制系统及方法 |
CN117575107A (zh) * | 2024-01-15 | 2024-02-20 | 泉州装备制造研究所 | 一种基于分类-聚类算法的服装标准工时定额及预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893483A (zh) * | 2016-03-29 | 2016-08-24 | 天津贝德曼科技有限公司 | 大数据挖掘过程模型总体框架的构造方法 |
CN106022477A (zh) * | 2016-05-18 | 2016-10-12 | 国网信通亿力科技有限责任公司 | 智能分析决策系统及方法 |
CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
CN109272155A (zh) * | 2018-09-11 | 2019-01-25 | 郑州向心力通信技术股份有限公司 | 一种基于大数据的企业行为分析系统 |
CN112182519A (zh) * | 2020-10-10 | 2021-01-05 | 上海威固信息技术股份有限公司 | 一种计算机存储系统安全访问方法及访问系统 |
CN112528306A (zh) * | 2020-12-17 | 2021-03-19 | 彭楠 | 基于大数据和人工智能的数据访问方法及云计算服务器 |
-
2022
- 2022-11-01 CN CN202211353960.7A patent/CN115630839B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893483A (zh) * | 2016-03-29 | 2016-08-24 | 天津贝德曼科技有限公司 | 大数据挖掘过程模型总体框架的构造方法 |
CN106022477A (zh) * | 2016-05-18 | 2016-10-12 | 国网信通亿力科技有限责任公司 | 智能分析决策系统及方法 |
CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
CN109272155A (zh) * | 2018-09-11 | 2019-01-25 | 郑州向心力通信技术股份有限公司 | 一种基于大数据的企业行为分析系统 |
CN112182519A (zh) * | 2020-10-10 | 2021-01-05 | 上海威固信息技术股份有限公司 | 一种计算机存储系统安全访问方法及访问系统 |
CN112528306A (zh) * | 2020-12-17 | 2021-03-19 | 彭楠 | 基于大数据和人工智能的数据访问方法及云计算服务器 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415662A (zh) * | 2023-06-12 | 2023-07-11 | 四川云申至诚科技有限公司 | 一种基于知识发现的工厂专家系统 |
CN116415662B (zh) * | 2023-06-12 | 2023-08-11 | 四川云申至诚科技有限公司 | 一种基于知识发现的工厂专家系统 |
CN116777251A (zh) * | 2023-08-24 | 2023-09-19 | 山东希尔康泰药业有限公司 | 一种基于全流程的药剂制备工序监测分析系统 |
CN116777251B (zh) * | 2023-08-24 | 2023-10-31 | 山东希尔康泰药业有限公司 | 一种基于全流程的药剂制备工序监测分析系统 |
CN117113119A (zh) * | 2023-10-24 | 2023-11-24 | 陕西女娲神草农业科技有限公司 | 应用于绞股蓝制备场景下的设备关联关系分析方法及系统 |
CN117113119B (zh) * | 2023-10-24 | 2023-12-26 | 陕西女娲神草农业科技有限公司 | 应用于绞股蓝制备场景下的设备关联关系分析方法及系统 |
CN117215251A (zh) * | 2023-11-07 | 2023-12-12 | 烟台卫康动物保健品有限公司 | 一种自动化制药过程中能效优化控制系统及方法 |
CN117215251B (zh) * | 2023-11-07 | 2024-01-26 | 烟台卫康动物保健品有限公司 | 一种自动化制药过程中能效优化控制系统及方法 |
CN117575107A (zh) * | 2024-01-15 | 2024-02-20 | 泉州装备制造研究所 | 一种基于分类-聚类算法的服装标准工时定额及预测方法 |
CN117575107B (zh) * | 2024-01-15 | 2024-05-07 | 泉州装备制造研究所 | 一种基于分类-聚类算法的服装标准工时定额及预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115630839B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115630839B (zh) | 一种基于数据挖掘的生产智能反馈调控系统 | |
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN115796372A (zh) | 一种基于scor的供应链管理优化方法及系统 | |
CN117196066A (zh) | 智慧运维信息分析模型 | |
CN113408548A (zh) | 变压器异常数据检测方法、装置、计算机设备和存储介质 | |
KR102470763B1 (ko) | 데이터 이상치 탐색 장치 및 방법 | |
CN117172509B (zh) | 基于装修施工进度分析的施工项目分配系统 | |
CN113256409A (zh) | 基于机器学习的银行零售客户流失预测方法 | |
CN116933010A (zh) | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 | |
CN111077876B (zh) | 一种电站设备状态智能评价和预警方法、装置及系统 | |
CN116882823A (zh) | 自纠错的多层级工程质量评定管理平台 | |
CN112330095A (zh) | 一种基于决策树算法的质量管理方法 | |
CN117670378B (zh) | 一种基于大数据的食品安全监控方法及系统 | |
Zhang et al. | Determining statistical process control baseline periods in long historical data streams | |
CN107291065A (zh) | 改进的基于决策树的制造过程多元质量诊断分类器 | |
CN107203198A (zh) | 改进的制造过程多元质量诊断分类器 | |
CN113205274A (zh) | 一种施工质量定量化排名方法 | |
CN113326882A (zh) | 一种基于分类和回归算法的模型集成方法、装置 | |
CN117854664B (zh) | 电子孕妇健康档案管理方法及系统 | |
KR102666880B1 (ko) | 인공지능이 적용된 조립 공정 통합 품질 관리 시스템 | |
US20240069525A1 (en) | Machining parameter recommendations using in-process machining data aggregation | |
CN117828539B (zh) | 数据智能融合分析系统及方法 | |
CN117453805B (zh) | 一种不确定性数据的可视化分析方法 | |
CN113487080B (zh) | 一种基于风速分类的风速动态场景生成方法、系统及终端 | |
CN114968744B (zh) | 一种基于金融行业容量管理预测分析ai算法的实现方法及系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231018 Address after: No. 366 Xingke Road, Lingxi Town, Cangnan County, Wenzhou City, Zhejiang Province, 325800 (1st floor of Cangnan County Science and Technology Enterprise Incubator Complex Building) Applicant after: Cangnan County Qiushi Traditional Chinese Medicine Innovation Research Institute Address before: No. 78, Keling Road, Suzhou High-tech Zone, Suzhou, Jiangsu 215000 (Suzhou High-tech Software Park) Applicant before: SUZHOU ZEDAXINGBANG MEDICAL TECHNOLOGY CO.,LTD. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |