CN115860579A - 一种用于面粉加工的生产质量监测系统 - Google Patents
一种用于面粉加工的生产质量监测系统 Download PDFInfo
- Publication number
- CN115860579A CN115860579A CN202310165780.4A CN202310165780A CN115860579A CN 115860579 A CN115860579 A CN 115860579A CN 202310165780 A CN202310165780 A CN 202310165780A CN 115860579 A CN115860579 A CN 115860579A
- Authority
- CN
- China
- Prior art keywords
- data
- flour
- abnormal
- value
- quality monitoring
- 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
- 235000013312 flour Nutrition 0.000 title claims abstract description 240
- 238000012544 monitoring process Methods 0.000 title claims abstract description 230
- 238000012545 processing Methods 0.000 title claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 246
- 239000011159 matrix material Substances 0.000 claims description 65
- 238000001514 detection method Methods 0.000 claims description 48
- 238000000034 method Methods 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 108010068370 Glutens Proteins 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000021312 gluten Nutrition 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Factory Administration (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种用于面粉加工的生产质量监测系统，该系统通过采集不同种类的面粉生产质量监测数据进行数据处理，对所有面粉质量监测数据的数值进行分类得到监测数据类别，根据监测数据类别中的数据量分布情况得到候选异常数据，根据候选异常数据的分布特征得到数据异常因子，根据候选异常数据的数值分布特征得到修正LOF值，根据候选异常数据的数据异常因子和修正LOF值得到数据异常特征值，根据数据异常特征值完成面粉加工的生产质量监测。本发明提高了面粉生产质量监测准确性。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种用于面粉加工的生产质量监测系统。
背景技术
面粉是通过小麦进行碾磨得到的，碾磨后的面粉在质量达到标准后才能出厂作为食物，所以在面粉加工过程中，需要对面粉的质量进行实时监测并判断是否对面粉进行再加工，如果面粉质量不合格会影响面粉厂口碑，甚至引发安全问题。现有技术存在一种基于混合模拟退火与遗传算法的面粉质量监测方法监测面粉质量。
在已公开的一种基于混合模拟退火与遗传算法的面粉质量检测方法中，通过红外光谱仪扫描面粉获得面粉光谱信息，对面粉光谱信息进行处理后通过历史数据训练的径向基神经网络进行分类完成面粉质量检测。但是现有技术的面粉质量监测方法只能对能从红外光谱信息所反映的质量参数进行分析，对面粉质量监测的并不全面，影响面粉监测的准确度。
发明内容
为了解决现有技术对面粉生产质量监测的方法准确性不足的技术问题，本发明的目的在于提供一种用于面粉加工的生产质量监测系统，所采用的技术方案具体如下：
本发明提出了一种用于面粉加工的生产质量监测系统，所述系统包括：
修正面粉监测矩阵获取模块，用于在预设时间段内根据预设采样频率获取不同种类的面粉质量监测数据，根据所述面粉质量监测数据构建面粉监测矩阵，对所述面粉监测矩阵进行预处理得到修正面粉监测矩阵；
数据异常因子获取模块，用于根据数据值对所述修正面粉监测矩阵数据进行分类得到两个以上监测数据类别；根据各个监测数据类别中的数据量分布情况得到候选异常数据，根据每个所述候选异常数据在所述监测数据类别中的分布特征获得对应的数据异常因子；
数据异常特征值获取模块，用于计算所述候选异常数据的LOF值，根据所述候选异常数据对应面粉质量监测数据种类中的数值分布特征对LOF值进行修正得到修正LOF值，根据所述候选异常数据的所述数据异常因子和所述修正LOF值得到数据异常特征值；
异常数据获取模块，用于设定异常分析阈值，根据所述异常分析阈值和所述数据异常特征值对所述候选异常数据进行筛选，获得异常数据；
生产质量监测模块，用于根据所述异常数据进行面粉生产质量监测。
进一步地，所述候选异常数据的获取方法包括：
通过模糊聚类算法对所述修正面粉监测矩阵进行聚类分析得到两个以上监测数据类别，计算所有监测数据类别中的数据量均值，将数据量小于数据量均值的所述监测数据类别作为偏离类别，将所述偏离类别中的所有数据记为候选异常数据。
进一步地，所述根据每个所述候选异常数据在所述监测数据类别中的分布特征对应的数据异常因子包括：
根据模糊聚类算法中的目标函数，获得去除目标候选异常数据前对应所述修正面粉监测矩阵的标准目标函数值和去除所述目标候选异常数据后的目标函数值；
获得所述目标候选异常数据对应的所述目标函数值与所述标准目标函数值之间差值的平方，将所述平方与预设调节参数的乘积作为所述目标候选异常数据的所述数据异常因子；
改变目标候选异常数据得到所有候选异常数据的所述数据异常因子。
进一步地，所述修正LOF值的获取方法包括：
在所述修正面粉监测矩阵中计算每种面粉质量监测数据的每个数据的数据占比值，根据每种面粉质量监测数据的每个数据的数据占比值计算得到每种面粉质量监测数据的分布熵，将所述分布熵归一化得到对应面粉质量监测数据种类的修正参考值，将所述候选异常数据所对应的面粉质量监测数据种类的修正参考值作为LOF修正权值，将所述候选异常数据的LOF值与所述修正权值的乘积作为修正LOF值。
进一步地，所述每种面粉质量监测数据的分布熵的获取方法包括：
计算目标面粉质量监测数据种类中数据占比值的数据熵，计算所述目标面粉质量监测数据种类中面粉质量监测数据的方差并记为数据分布特征值，改变所述目标面粉质量监测数据种类得到所有面粉质量监测数据种类的数据分布特征值；计算所述目标面粉质量监测数据种类的数据分布特征值与所有数据分布特征值的均值的比值，将所述比值与所述数据熵的乘积记为目标面粉质量监测数据种类的分布熵；
改变目标面粉质量监测数据种类得到每种面粉质量监测数据的分布熵。
进一步地，所述异常分析阈值的获取方法包括：
统计所有候选异常数据的目标函数值，计算所有目标函数值与所述标准目标函数值差异的均值并记为分布特征参数；
计算所有候选异常数据的修正LOF值的均值并记为异常特征参数；
将所述分布特征参数和所述异常特征参数的乘积记为异常分析阈值。
进一步地，所述根据异常数据完成面粉生产质量监测包括：
获得同种面粉质量检测数据的所述异常数据的所述数据异常特征值的累加值与预设参数的和值，将所述和值的倒数作为质量检测指标；
当所述质量检测指标小于预设质量阈值时，认为当前所述质量检测指标对应的面粉质量检测数据种类出现生产质量异常。
进一步地，所述对所述面粉监测矩阵进行预处理得到修正面粉监测矩阵包括：
对所述面粉监测矩阵中所有面粉质量监测数据进行归一化，并对每种面粉质量监测数据进行去趋势处理得到修正面粉监测矩阵。
本发明具有如下有益效果：
本发明实施例将采集到的不同种类的面粉质量监测数据构建成矩阵形式，通过矩阵表征多个维度下的面粉监测数据，通过预处理使得矩阵中既包含了多维数据又使异常数据在面粉监测矩阵中分布更加清晰且方便后续结合不同种类数据进行分析，提高后续对异常数据检测的准确性。另一方面，本发明在获得候选异常数据的基础上，根据每个候选异常数据在监测数据类别中的分布特征获得对应的数据异常因子，根据候选异常数据对应面粉质量监测数据种类中的数值分布特征对LOF值进行修正得到修正LOF值，进一步通过数据异常因子和修正LOF值得到数据异常特征值的表征数据的异常状况，该数据异常特征值结合不同种类之间数据的偏离特征和异常检测状况表征数据的异常程度，使得检测异常数据的准确性更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种用于面粉加工的生产质量监测系统结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于面粉加工的生产质量监测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于面粉加工的生产质量监测系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于面粉加工的生产质量监测系统结构框图，该系统包括：修正面粉监测矩阵获取模块101、数据异常因子获取模块102、数据异常特征值获取模块103、异常数据获取模块104和生产质量监测模块105。
修正面粉监测矩阵获取模块101，用于在预设时间段内根据预设采样频率获取不同种类的面粉质量监测数据，根据面粉质量监测数据构建面粉监测矩阵，对面粉监测矩阵进行预处理得到修正面粉监测矩阵。
本发明实施例对面粉加工过程中不同种类数据进行处理并异常检测得到的异常数据，根据异常数据完成对面粉的质量检测。首先为了保证对面粉加工质量监测的实时性，本发明实施例获取面粉加工过程中的面粉监测数据，与面粉加工生产质量监测相关的数据种类有很多，包括但不限于水分、灰分、麸星量、降落指数和筋度，在本发明实施例中，采集所有与面粉加工生产质量监测相关的数据种类。需要说明的是，不同种类数据能够数据采集设备或经过相关现有的换算计算采集到，技术人员可根据具体实施环境采集所需要的数据种类，在此不做进一步限定和赘述。
为了使得不同种类数据之间具有同一性，本发明实施例在预设时间段内根据预设采样频率获取不同种类的面粉质量监测数据。在本发明实施例中，预设时间段长度设置为5分钟，预设采样频率为每秒两次。需要说明的是，为了避免增加系统成本，面粉质量监测数据采集的初始时间不需要从加工开始就对面粉监测参数数据进行采集，实施者可自行设定面粉监测参数数据采集的初始时间，比如面粉加工处理半个小时后开始进行数据采集。
由于本发明实施例的分析对象是不同种类的面粉质量监测数据，为了方便后续对面粉质量监测数据的分析，将不同种类的面粉质量监测数据作为一个整体进行分析，基于不同种类的面粉质量监测数据构建面粉监测矩阵。通过矩阵形式能够使得多个维度下的数据共同分析，提高数据分析的效率。
此外，由于不同种类面粉质量监测数据之间差异较大，直接对面粉质量监测数据进行分析会造成计算量大、逻辑混乱等问题，因此需要对面粉监测矩阵进行预处理得到修正面粉监测矩阵。
优选地，对所述面粉监测矩阵中所有面粉质量监测数据进行归一化。归一化能够避免各个面粉质量监测数据种类不同量纲之间的影响，使得不同种类的数据在数值上具有同一性。需要说明的是，具体的归一化处理方法有很多且为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。
进一步对每种面粉质量监测数据进行去趋势处理得到修正面粉监测矩阵。由于在加工过程中同一种面粉质量监测数据在时间段上的会存在一定的变化趋势，且不同种类的面粉质量监测数据对应的变化趋势不一定相同，进一步影响后续提取异常数据的过程。为了保证不同种类面粉质量监测的同一性且方便后续分析，本发明实施例以面粉质量监测数据种类为单位，对归一化后的面粉监测矩阵中的所有面粉质量监测数据进行去趋势处理得到修正面粉监测矩阵。该修正面粉监测矩阵内不同种类的数据之间在数值和趋势上均具有同一性，当修正面粉监测矩阵中存在异常数据时，对应异常数据的异常特征会更加明显。需要说明的是，后续过程中的面粉质量监测数据均为修正面粉监测矩阵中的数据，且去趋势处理为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。
数据异常因子获取模块102，用于根据数据值对修正面粉监测矩阵数据进行分类得到两个以上监测数据类别；根据各个监测数据类别中的数据量分布情况得到候选异常数据，根据每个候选异常数据在监测数据类别中的分布特征获得对应的数据异常因子。
通过修正面粉监测矩阵获取模块101得到修正面粉监测矩阵，进一步将修正面粉矩阵中面粉质量监测数据作为分析对象进行异常检测。考虑到在面粉加工过程中，当异常数据数量远大于正常数据时，对应面粉质量的情况能够直观观察到，且当该情况发生时，首先需要考虑的是面粉加工过程或设备是否出现问题，因此本发明实施例仅针对因为异常数据数量少导致不易明确观察细节异常情况。考虑到在面粉加工过程中，所检测到的数据大多数为正常数据，对应正常数据的数值相差不大。而异常数据由于出现异常，相对正常数据的数值会出现偏离。且修正面粉监测矩阵对面粉质量监测数据进行预处理后，对应异常数据的数值偏离会更加明显。
因此本发明实施例根据面粉质量监测数据的数值进行分析得到偏离数据。由于偏离数据和正常数据在数值上相差明显且为了能够更加直观的观察偏离数据，本发明实施例根据数据值对修正面粉监测矩阵中的数据进行分类，得到两个以上监测数据类别。考虑到面粉监测数据矩阵中并不是所有的偏离数据均为异常数据，所以本发明实施例根据各个监测数据类别中的数据量分布情况得到候选异常数据。
优选地，本发明一个实施例通过模糊聚类算法对修正面粉监测矩阵进行聚类分析得到两个以上监测数据类别。模糊聚类算法在现有聚类算法的基础上引入隶属度，使得对不同监测数据的分类更加准确，且后续分析过程中目标函数值的计算是基于模糊聚类算法得到的。需要说明的是，监测数据类别表示聚类分析得到的聚类簇，需要与面粉监测数据种类进行区分。需要说明的是，模糊聚类算法的聚类分析过程为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。
计算所有监测数据类别中的数据量均值，将数据量小于数据量均值的监测数据类别作为偏离类别，将偏离类别中的所有数据记为候选异常数据。因为正常数据通常在数值上存在相似性且正常数据占大多数，所以在聚类分析后，正常数据对应的正常数据类别中，数据量大，且由于偏离数据较少，对应的偏离类别中数据量较小，因此可根据数据量划分出偏离类别。此外，为了提高面粉异常数据检测的准确性，本发明实施例将偏离类别中的数据作为候选异常数据进行进一步分析。
由于异常数据一定为偏离数据，且候选异常数据根据偏离类别得到，所以仅对候选异常数据进行分析即可得到所有面粉质量监测数据中的所有异常数据，所以筛选候选异常数据进行后续分析能够降低整体的计算量。
进一步地，在筛选出候选异常数据后，由于偏离类别仅通过聚类分析得到，对应的候选异常数据并不为真实异常数据，且对应候选异常数据的异常程度并不直观，所以本发明实施例根据每个候选异常数据在监测数据类别中的分布特征获得对应的数据异常因子，进一步通过数据异常因子表征对应候选异常数据的异常程度。
优选地，由于模糊聚类算法是根据分析对象的特性建立模糊矩阵，进一步结合模糊矩阵和数据的隶属度确定聚类关系，而基于模糊聚类算法的目标函数值的计算也包含隶属度这一特性，所以可以通过结合隶属度和各个候选异常数据在面粉监测矩阵中的影响，通过计算目标函数值检测候选异常数据的异常情况。为了体现每个候选异常数据的异常特征，可以通过计算删除每个候选异常数据前后目标函数值的差异得到对应候选异常数据的异常状况。因此本发明实施例根据模糊聚类算法中的目标函数，获得去除目标候选异常数据前对应所述修正面粉监测矩阵的标准目标函数值和去除所述目标候选异常数据后的目标函数值。需要说明的是，模糊聚类算法中目标函数值的计算方法为本领域技术人员所熟知的现有技术，在此列出相应的公式，对于公式中的参数组合意义不再赘述：
由于目标函数值的计算方法与面粉监测参数矩阵中数据的数量成正比，所以当从面粉监测矩阵中删除数据后所计算出的目标函数值相比于标准目标函数值会降低。且目标函数值的获取方法通过计算每个数据到每个聚类中心之间的欧氏距离，以及每个数据和每个聚类中心的隶属度得到，由于偏离数据对应的隶属度较低且与各个聚类中心的欧氏距离较远，所以将数据偏离程度较高的数据删除后对应的目标函数值降低幅度相较于正常数据更大，即当从面粉监测矩阵中所删除的数据偏离程度越大，对应的目标函数值相比于目标函数值降低幅度就会越大。因此该实施例能够使得偏离数据对应的偏离程度特征更加明显，提高后续异常检测过程的准确性。
由于目标函数值与标准目标函数值之间的差异表征对应数据的偏离程度，所以进一步地根据候选异常数据的目标函数值与标准目标函数值之间的差异得到数据异常因子，该数据异常因子即可表征对应候选异常数据的偏离程度。
优选地，候选异常数据的数据异常因子的获取方法为：
获得所述目标候选异常数据对应的所述目标函数值与所述标准目标函数值之间差值的平方，将所述平方与预设调节参数的乘积作为所述目标候选异常数据的所述数据异常因子。在公式上表现为：
该数据异常因子的计算公式通过平方的方式映射候选异常数据的目标函数值与标准目标函数值之间的差异，使得正常数据对应的数据异常因子在数值上更小，对应的数据越异常，计算得到的数据异常因子越大。使得数据异常因子对数据异常状况的表征更加准确。
数据异常特征值获取模块103，用于计算候选异常数据的LOF值，根据候选异常数据对应面粉质量监测数据种类中的数值分布特征对LOF值进行修正得到修正LOF值，根据候选异常数据的数据异常因子和修正LOF值得到数据异常特征值。
通过数据异常因子获取模块102获得所有候选异常数据的数据异常因子，进一步根据数据异常因子表征候选异常数据的异常程度。考虑到数据异常因子仅表征数据的偏离程度，仅通过偏离程度表征数据的异常程度会造成异常检测过于片面，对应的分析准确度不够。另一方面考虑到LOF异常检测算法能够结合数据之间距离和数据分布的密度属性，计算对应的LOF值完成异常检测，通过LOF异常检测算法得到的LOF值考虑了所有数据的局部和整体上的分布特征。因此为了提高对候选异常数据的异常程度的分析准确度，通过LOF异常检测算法计算每个候选异常数据的LOF值。需要说明的是，LOF异常检测算法为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。
进一步地，为了提高LOF值表征数据异常程度的精度，本发明根据候选异常数据对应面粉质量监测数据种类中的数值分布特征对LOF值进行修正得到修正LOF值。
优选地，考虑到在面粉加工过程中不同面粉监测数据种类中数据的异常程度分布状况不同，本发明实施例基于不同面粉监测数据种类的贡献度对修正LOF值是赋予的权值进行自适应的调整。且当面粉监测数据种类中数据分布偏离程度越大时，对应的数据分布越散乱，则所提供的与异常程度有关的信息就越多，在修正时赋予的权值越大，该方法能够使修正LOF值所表征的异常程度更加清晰。具体的：在修正面粉监测矩阵中计算每种面粉质量监测数据的每个数据的数据占比值，根据每种面粉质量监测数据的每个数据的数据占比值计算得到每种面粉质量监测数据的分布熵。该分布熵的获取方法包括：
计算目标面粉质量监测数据种类中数据占比值的数据熵，该数据能够直观观察到每种面粉质量监测数据的在整体上混乱程度，对应的数据熵越大时，分布熵越大，对应的修正权值越大。
计算目标面粉质量监测数据种类中面粉质量监测数据的方差并记为数据分布特征值，该数据分布特征值表征面粉质量监测数据的在数值和整体上的混乱程度，数据分布特征值越大时，分布熵越大，对应的修正权值越大。
改变目标面粉质量监测数据种类得到所有面粉质量监测数据种类的数据分布特征值，计算所有数据分布特征值的均值并记为数据分布特征均值，计算目标面粉质量监测数据种类的数据分布特征值与数据分布特征值均值的比值，将比值与数据熵的乘积记为目标面粉质量监测数据种类的分布熵。分布熵的计算方法公式上表现为：
该分布熵能够根据面粉质量监测数据种类的数值分布特征将对应的异常程度的分布情况进行量化，进一步通过数据分布特征值结合数据熵对面粉质量监测数据种类的数据异常程度大的LOF值进行放大，使得修正后的LOF值所表征异常数据的数据异常程度更加明显。
将分布熵归一化得到对应面粉质量监测数据种类的修正参考值。在本发明实施例中，具体的归一化过程为：
将候选异常数据所对应的面粉质量监测数据种类的修正参考值作为LOF修正权值，将候选异常数据的LOF值与修正权值的乘积作为修正LOF值。在公式上表现为：
其中，
为第/>
种面粉质量监测数据在第/>
时刻的候选异常数据的修正LOF值，/>
为归一化后的分布熵。修正后的LOF值通过结合不同面粉质量监测数据种类的数值分布特征对LOF值进行自适应修正，避免统一检测计算的误差问题。
进一步根据候选异常数据的数据异常因子和修正LOF值得到数据异常特征值，将候选异常数据的数据异常因子与修正LOF值的乘积得到的数据异常特征值作为异常程度。该数据异常特征值通过结合偏离程度和异常检测状况得到，表征对应数据的异常程度的准确性高。当候选异常数据的数据异常因子和修正LOF值越大时，对应的数据异常特征值越大，说明候选异常数据越异常。
异常数据获取模块104，用于设定异常分析阈值，根据异常分析阈值和数据异常特征值对候选异常数据进行筛选，获得异常数据。
通过数据异常特征值获取模块103得到所有候选异常数据的数据异常特征值，用于表征候选异常数据的异常程度，进一步地为了完成对面粉质量监测数据的异常监测，根据所有候选异常数据的数据异常特征值进行筛选得到异常数据。本发明实施例通过设定异常分析阈值，根据异常分析阈值和数据异常特征值对候选异常数据进行筛选，获得异常数据。
优选地，由于数据异常特征值是对所有候选异常数据进行自适应分析得到的，所以为了异常检测的严谨性和准确性，本发明实施例对所有候选异常数据进行自适应分析得到异常分析阈值：
统计所有候选异常数据的目标函数值，计算所有目标函数值与标准目标函数值差异的均值并记为分布特征参数。均值能够表征所有目标函数值与标准目标函数值差异对应的整体特征，当对应的均值越大时，分布特征参数越大，说明候选异常数据中的目标函数值在整体上与标准目标函数值差异越大，对应的异常分析阈值根据均值变化的情况也应该自适应增大从而使得异常检测过程更加准确。分布特征参数的获取方法在公式上表现为：
其中，
为分布特征参数，/>
为标准目标函数值，/>
为第/>
个候选异常数据对应的目标函数值，/>
表示候选异常数据的序号，/>
为候选异常数据的数量。
计算所有候选异常数据的修正LOF值的均值并记为异常特征参数。由于候选异常数据的修正LOF值本身记为计算数据异常特征值的其中一种参数，因此通过修正LOF值的均值计算异常分析阈值，更能够体现候选异常数据的异常程度的分布特征。当修正LOF值的均值越大时，异常特征参数越大，对应的异常分析阈值也应该越大。异常特征参数的获取方法在公式上表现为：
其中，
为异常特征参数，/>
为第/>
个候选异常数据的修正LOF值，/>
为候选异常数据的数量，/>
为候选异常数据的序号。
由于异常分析阈值与所有候选异常数据的分布特征参数和异常特征参数呈正相关，因此可以将分布特征参数和异常特征参数的乘积记为异常分析阈值。在公式上表现为：
其中，
为异常分析阈值，/>
为分布特征参数，/>
为异常特征参数。
当候选异常数据的数据异常特征值大于异常分析阈值时，认为对应的候选异常数据为异常数据；当候选异常数据的数据异常特征值小于等于异常分析阈值时，认为对应的候选异常数据为正常数据。
生产质量监测模块105，用于根据所述异常数据进行面粉生产质量监测。
当筛选出异常数据后，根据异常数据进行面粉生产质量监测。具体的：获得同种面粉质量监测数据的异常数据的数据异常特征值的累加值与预设参数的和值，将和值的倒数作为质量检测指标。以同种面粉质量监测数据的异常数据作为一个单位计算质量监测指标，能够面粉质量异常的具体情况针对性的解决面粉加工过程中的生产质量问题。质量检测指标的获取方法在公式上表现为：
其中，
表示第/>
种面粉质量检测数据的质量检测指标，/>
表示第/>
种面粉质量检测数据中第/>
个异常数据对应的数据异常特征值，/>
表示第/>
种面粉质量检测数据的异常数据数量，/>
为预设参数用于防止分母为0的情况。在本发明实施例中，预设参数/>
设置为0.01。
当质量检测指标小于预设质量阈值时，认为当前质量检测指标对应的面粉质量检测数据种类出现生产质量异常，需要针对性的对相应的面粉质量监测种类的异常进行再加工处理；当质量检测指标大于等于预设质量阈值时，认为当前质量检测指标对应的面粉质量检测数据种类没有出现生产质量异常。在本发明实施例中，预设质量阈值设置为0.7。
至此，完成对面粉加工的生产质量监测。
综上所述，本发明通过采集不同种类的面粉生产质量监测数据进行数据处理，对所有面粉质量监测数据的数值进行分类得到监测数据类别，根据监测数据类别中的数据量分布情况得到候选异常数据，根据候选异常数据的分布特征得到数据异常因子，根据候选异常数据的数值分布特征得到修正LOF值，根据候选异常数据的数据异常因子和修正LOF值得到数据异常特征值，根据数据异常特征值完成面粉加工的生产质量监测。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (8)
1.一种用于面粉加工的生产质量监测系统，其特征在于，所述系统包括：
修正面粉监测矩阵获取模块，用于在预设时间段内根据预设采样频率获取不同种类的面粉质量监测数据，根据所述面粉质量监测数据构建面粉监测矩阵，对所述面粉监测矩阵进行预处理得到修正面粉监测矩阵；
数据异常因子获取模块，用于根据数据值对所述修正面粉监测矩阵数据进行分类得到两个以上监测数据类别；根据各个监测数据类别中的数据量分布情况得到候选异常数据，根据每个所述候选异常数据在所述监测数据类别中的分布特征获得对应的数据异常因子；
数据异常特征值获取模块，用于计算所述候选异常数据的LOF值，根据所述候选异常数据对应面粉质量监测数据种类中的数值分布特征对LOF值进行修正得到修正LOF值，根据所述候选异常数据的所述数据异常因子和所述修正LOF值得到数据异常特征值；
异常数据获取模块，用于设定异常分析阈值，根据所述异常分析阈值和所述数据异常特征值对所述候选异常数据进行筛选，获得异常数据；
生产质量监测模块，用于根据所述异常数据进行面粉生产质量监测。
2.根据权利要求1所述的一种用于面粉加工的生产质量监测系统，其特征在于，所述候选异常数据的获取方法包括：
通过模糊聚类算法对所述修正面粉监测矩阵进行聚类分析得到两个以上监测数据类别，计算所有监测数据类别中的数据量均值，将数据量小于数据量均值的所述监测数据类别作为偏离类别，将所述偏离类别中的所有数据记为候选异常数据。
3.根据权利要求2所述的一种用于面粉加工的生产质量监测系统，其特征在于，所述根据每个所述候选异常数据在所述监测数据类别中的分布特征获得对应的数据异常因子包括：
根据模糊聚类算法中的目标函数，获得去除目标候选异常数据前对应所述修正面粉监测矩阵的标准目标函数值和去除所述目标候选异常数据后的目标函数值；
获得所述目标候选异常数据对应的所述目标函数值与所述标准目标函数值之间差值的平方，将所述平方与预设调节参数的乘积作为所述目标候选异常数据的所述数据异常因子；
改变目标候选异常数据得到所有候选异常数据的所述数据异常因子。
4.根据权利要求1所述的一种用于面粉加工的生产质量监测系统，其特征在于，所述修正LOF值的获取方法包括：
在所述修正面粉监测矩阵中计算每种面粉质量监测数据的每个数据的数据占比值，根据每种面粉质量监测数据的每个数据的数据占比值计算得到每种面粉质量监测数据的分布熵，将所述分布熵归一化得到对应面粉质量监测数据种类的修正参考值，将所述候选异常数据所对应的面粉质量监测数据种类的修正参考值作为LOF修正权值，将所述候选异常数据的LOF值与所述修正权值的乘积作为修正LOF值。
5.根据权利要求4所述的一种用于面粉加工的生产质量监测系统，其特征在于，所述每种面粉质量监测数据的分布熵的获取方法包括：
计算目标面粉质量监测数据种类中数据占比值的数据熵，计算所述目标面粉质量监测数据种类中面粉质量监测数据的方差并记为数据分布特征值，改变所述目标面粉质量监测数据种类得到所有面粉质量监测数据种类的数据分布特征值；计算所述目标面粉质量监测数据种类的数据分布特征值与所有数据分布特征值的均值的比值，将所述比值与所述数据熵的乘积记为目标面粉质量监测数据种类的分布熵；
改变目标面粉质量监测数据种类得到每种面粉质量监测数据的分布熵。
6.根据权利要求3所述的一种用于面粉加工的生产质量监测系统，其特征在于，所述异常分析阈值的获取方法包括：
统计所有候选异常数据的目标函数值，计算所有目标函数值与所述标准目标函数值差异的均值并记为分布特征参数；
计算所有候选异常数据的修正LOF值的均值并记为异常特征参数；
将所述分布特征参数和所述异常特征参数的乘积记为异常分析阈值。
7.根据权利要求1所述的一种用于面粉加工的生产质量监测系统，其特征在于，所述根据所述异常数据进行面粉生产质量监测包括：
获得同种面粉质量检测数据的所述异常数据的所述数据异常特征值的累加值与预设参数的和值，将所述和值的倒数作为质量检测指标；
当所述质量检测指标小于预设质量阈值时，认为当前所述质量检测指标对应的面粉质量检测数据种类出现生产质量异常。
8.根据权利要求1所述的一种用于面粉加工的生产质量监测系统，其特征在于，所述对所述面粉监测矩阵进行预处理得到修正面粉监测矩阵包括：
对所述面粉监测矩阵中所有面粉质量监测数据进行归一化，并对每种面粉质量监测数据进行去趋势处理得到修正面粉监测矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310165780.4A CN115860579B (zh) | 2023-02-27 | 2023-02-27 | 一种用于面粉加工的生产质量监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310165780.4A CN115860579B (zh) | 2023-02-27 | 2023-02-27 | 一种用于面粉加工的生产质量监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115860579A true CN115860579A (zh) | 2023-03-28 |
| CN115860579B CN115860579B (zh) | 2023-05-09 |
Family
ID=85658918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310165780.4A Active CN115860579B (zh) | 2023-02-27 | 2023-02-27 | 一种用于面粉加工的生产质量监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115860579B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116881745A (zh) * | 2023-09-07 | 2023-10-13 | 深圳市特安工业科技有限公司 | 基于大数据的压力变送器异常监测方法 |
| CN117094611A (zh) * | 2023-10-20 | 2023-11-21 | 济南优谷生物技术有限公司 | 一种用于食品加工的质量安全溯源管理方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108241925A (zh) * | 2016-12-23 | 2018-07-03 | 重庆邮电大学 | 一种基于离群点检测的离散制造机械产品质量溯源方法 |
| CN110852384A (zh) * | 2019-11-12 | 2020-02-28 | 武汉联影医疗科技有限公司 | 医学影像质量检测方法、装置和存储介质 |
| CN112330164A (zh) * | 2020-11-09 | 2021-02-05 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于消息总线的数据质量治理系统及方法 |
| CN112488716A (zh) * | 2020-12-21 | 2021-03-12 | 北京航空航天大学 | 一种异常事件检测系统 |
| CN112527788A (zh) * | 2020-12-17 | 2021-03-19 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
| WO2021184554A1 (zh) * | 2020-03-18 | 2021-09-23 | 平安科技（深圳）有限公司 | 数据库异常监测方法、装置、计算机装置及存储介质 |
| CN113515512A (zh) * | 2021-06-22 | 2021-10-19 | 国网辽宁省电力有限公司鞍山供电公司 | 一种工业互联网平台数据的质量治理及提升方法 |
| CN114549522A (zh) * | 2022-04-24 | 2022-05-27 | 启东新朋莱纺织科技有限公司 | 基于目标检测的纺织品质量检测方法 |
| CN114781520A (zh) * | 2022-04-25 | 2022-07-22 | 西安建筑科技大学 | 基于改进lof模型的天然气行为异常检测方法及系统 |
| CN115204257A (zh) * | 2022-06-08 | 2022-10-18 | 苏州热工研究院有限公司 | 一种用于传感器数据的异常监测方法 |
| CN115392408A (zh) * | 2022-10-31 | 2022-11-25 | 山东鲁抗医药集团赛特有限责任公司 | 一种电子数粒机运行异常检测方法及系统 |
| CN115656673A (zh) * | 2022-10-25 | 2023-01-31 | 云南电网有限责任公司电力科学研究院 | 变压器数据的处理及装置、设备存储介质 |
-
2023
- 2023-02-27 CN CN202310165780.4A patent/CN115860579B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108241925A (zh) * | 2016-12-23 | 2018-07-03 | 重庆邮电大学 | 一种基于离群点检测的离散制造机械产品质量溯源方法 |
| CN110852384A (zh) * | 2019-11-12 | 2020-02-28 | 武汉联影医疗科技有限公司 | 医学影像质量检测方法、装置和存储介质 |
| WO2021184554A1 (zh) * | 2020-03-18 | 2021-09-23 | 平安科技（深圳）有限公司 | 数据库异常监测方法、装置、计算机装置及存储介质 |
| CN112330164A (zh) * | 2020-11-09 | 2021-02-05 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于消息总线的数据质量治理系统及方法 |
| CN112527788A (zh) * | 2020-12-17 | 2021-03-19 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
| CN112488716A (zh) * | 2020-12-21 | 2021-03-12 | 北京航空航天大学 | 一种异常事件检测系统 |
| CN113515512A (zh) * | 2021-06-22 | 2021-10-19 | 国网辽宁省电力有限公司鞍山供电公司 | 一种工业互联网平台数据的质量治理及提升方法 |
| CN114549522A (zh) * | 2022-04-24 | 2022-05-27 | 启东新朋莱纺织科技有限公司 | 基于目标检测的纺织品质量检测方法 |
| CN114781520A (zh) * | 2022-04-25 | 2022-07-22 | 西安建筑科技大学 | 基于改进lof模型的天然气行为异常检测方法及系统 |
| CN115204257A (zh) * | 2022-06-08 | 2022-10-18 | 苏州热工研究院有限公司 | 一种用于传感器数据的异常监测方法 |
| CN115656673A (zh) * | 2022-10-25 | 2023-01-31 | 云南电网有限责任公司电力科学研究院 | 变压器数据的处理及装置、设备存储介质 |
| CN115392408A (zh) * | 2022-10-31 | 2022-11-25 | 山东鲁抗医药集团赛特有限责任公司 | 一种电子数粒机运行异常检测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| FILIPE FALCÃO: "Quantitative comparison of unsupervised anomaly detection algorithms for intrusion detection", 《 PROCEEDINGS OF THE 34TH ACM/SIGAPP SYMPOSIUM ON APPLIED COMPUTING》 * |
| 张巍;麦志深;: "核模糊谱聚类LOF降噪方法研究", 广东工业大学学报 * |
| 赵?;李英娜;李川;杨莉;: "基于模糊聚类和孤立森林的用电数据异常检测", 陕西理工大学学报(自然科学版) * |
| 郝怡然等: "基于t-SNE降维预处理的网络流量异常检测", 《计算机与现代化》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116881745A (zh) * | 2023-09-07 | 2023-10-13 | 深圳市特安工业科技有限公司 | 基于大数据的压力变送器异常监测方法 |
| CN116881745B (zh) * | 2023-09-07 | 2023-12-19 | 深圳市特安工业科技有限公司 | 基于大数据的压力变送器异常监测方法 |
| CN117094611A (zh) * | 2023-10-20 | 2023-11-21 | 济南优谷生物技术有限公司 | 一种用于食品加工的质量安全溯源管理方法及系统 |
| CN117094611B (zh) * | 2023-10-20 | 2024-01-09 | 济南优谷生物技术有限公司 | 一种用于食品加工的质量安全溯源管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115860579B (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
| CN115860579A (zh) | 一种用于面粉加工的生产质量监测系统 | |
| US6088658A (en) | Statistical pattern analysis methods of partial discharge measurements in high voltage insulation | |
| CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
| CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
| CN116400126B (zh) | 一种具有数据处理系统的低压电力箱 | |
| CN110738255A (zh) | 一种基于聚类算法的设备状态监测方法 | |
| CN117171604B (zh) | 基于传感器的保温板生产线异常监测系统 | |
| CN115982602A (zh) | 一种光伏变压器电故障检测方法 | |
| CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
| CN110490486B (zh) | 一种企业大数据管理系统 | |
| CN111967717A (zh) | 一种基于信息熵值的数据质量评价方法 | |
| CN114817228A (zh) | 一种湖泊水位长时间序列监测数据的异常值剔除方法 | |
| CN112330095A (zh) | 一种基于决策树算法的质量管理方法 | |
| CN116049654A (zh) | 一种选煤设备的安全监测预警方法及系统 | |
| CN110852906A (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
| CN117277566B (zh) | 基于大数据的电网数据分析电力调度系统及方法 | |
| CN111582440A (zh) | 一种基于深度学习的数据处理方法 | |
| CN110622692A (zh) | 一种甘蔗联合收割机运行状态的智能识别方法及系统 | |
| CN115310497A (zh) | 用于数控机床轴承的异常识别方法 | |
| CN117574307B (zh) | 一种物联网数据的安全管理系统及方法 | |
| CN117439827B (zh) | 一种网络流量大数据分析方法 | |
| CN116341993B (zh) | 一种用于聚苯乙烯生产过程中状态监测方法及系统 | |
| CN118052540A (zh) | 一种设备维修方案智能管理方法及系统 | |
| CN117782198A (zh) | 一种基于云边端架构的公路机电设备运行监测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 273200 Hua Cun Zhen Bei Zhuang Cun, Sishui County, Jining City, Shandong Province Patentee after: Shandong Jinlikang Food Technology Co.,Ltd. Address before: 273200 Hua Cun Zhen Bei Zhuang Cun, Sishui County, Jining City, Shandong Province Patentee before: Shandong Jinlikang Flour Co.,Ltd. |