CN115983721B - 一种基于物联网大数据的电缆生产质量数据管理系统 - Google Patents
一种基于物联网大数据的电缆生产质量数据管理系统 Download PDFInfo
- Publication number
- CN115983721B CN115983721B CN202310264618.8A CN202310264618A CN115983721B CN 115983721 B CN115983721 B CN 115983721B CN 202310264618 A CN202310264618 A CN 202310264618A CN 115983721 B CN115983721 B CN 115983721B
- Authority
- CN
- China
- Prior art keywords
- data
- quality
- target process
- index
- outlier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于物联网大数据的电缆生产质量数据管理系统。该系统基于物联网大数据获得各个工艺的生产质量数据与质量标准范围;根据生产质量数据获取每条电缆的质量等级;利用LOF算法获取生产质量数据的偏离因子,根据偏离因子获取目标工艺的偏离指标;根据偏离因子,获得聚类簇;根据聚类簇中生产质量数据的数值分布,获取目标工艺的质量差异指标;根据偏离指标与质量差异指标获取离群指标,根据离群指标调整LOF算法中的离群密度,根据最优偏离因子确定目标工艺的质量改进值;根据质量改进值对目标工艺的质量标准范围进行调整,使得目标工艺的质量更符合电缆的标准,提高电缆质量。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于物联网大数据的电缆生产质量数据管理系统。
背景技术
电力传输的安全性对于保障居民生活以及经济发展具有至关重要的作用,电缆作为电力传输过程中最关键的设施,电缆质量水平的高低直接影响到电力传输的安全性,所以,建立完善的生产质量数据的监控系统对于保障电力传输的安全性具有重要意义。
现有技术中通过对生产质量数据进行聚类,获得聚类簇,通过异常检测算法识别聚类簇中不合格的生产质量数据。使用异常检测算法时离群密度可能存在设置不合理的情况,导致无法获取最优的偏离因子,使得不合格的生产质量数据识别不准确,进而不能对电缆加工过程做出有效的改进,无法确定每个工艺的质量标准范围,不能准确的提高电缆质量。
发明内容
为了解决设置的离群密度不合理,导致无法确定每个工艺的质量标准范围的技术问题,本发明的目的在于提供一种基于物联网大数据的电缆生产质量数据管理系统,所采用的技术方案具体如下:
本发明实施例中提供了一种基于物联网大数据的电缆生产质量数据管理系统,该系统包括以下:
数据采集模块,用于基于物联网大数据获得电缆生产流程中各个工艺的生产质量数据与质量标准范围;根据所述生产质量数据获取每条电缆的质量等级;
偏离指标获取模块,用于利用LOF算法根据预设离群密度获取每个生产质量数据的偏离因子,根据目标工艺对应的第一合格数据与第二合格数据之间的偏离因子差异,获取所述目标工艺的偏离指标;生产流程中所述目标工艺和所述目标工艺的相邻下一工艺均合格状态下,对应的电缆在所述目标工艺中的生产质量数据为第一合格数据,在所述相邻下一工艺中的合格生产质量数据为参考合格数据;所述目标工艺中除所述第一合格数据之外的合格生产质量数据为第二合格数据;
质量差异指标获取模块,用于根据偏离因子对参考合格数据进行聚类,获得聚类簇;根据每个聚类簇中参考合格数据的数值分布,获取所述目标工艺的质量差异指标;
最优偏离因子获取模块,用于根据偏离指标与质量差异指标获取离群指标,根据离群指标调整LOF算法中的离群密度,获取每个生产质量数据的最优偏离因子;
质量改进值获取模块,用于根据所述相邻下一工艺的合格率与目标工艺的所有所述最优偏离因子获取工艺影响程度,根据目标工艺的所有所述最优偏离因子与对应的质量等级获取最终影响程度;根据工艺影响程度与最终影响程度获取所述目标工艺的质量改进值;
数据调整模块,用于根据质量改进值对所述目标工艺的质量标准范围进行调整。
进一步地,所述偏离指标的获取方法,包括:
将偏离因子进行负相关映射且归一化的结果作为标准偏离因子;
获取第一合格数据的平均标准偏离因子作为第一值;
获取第二合格数据的平均标准偏离因子作为第二值;
将第一值与第二值的差值作为所述目标工艺的偏离指标。
进一步地,所述质量差异指标的获取方法,包括:
获取每个聚类簇的平均参考合格数据,计算聚类簇中的每个参考合格数据与所在聚类簇的平均参考合格数据的差值绝对值作为第三值;
将每个聚类簇中的第三值进行累加,所得结果作为对应聚类簇的质量变化值;
将每个聚类簇的质量变化值进行求和,所得结果作为目标工艺的质量差异指标。
进一步地,所述离群指标的获取方法,包括:
将偏离指标与质量差异指标的比值作为离群指标;
设置离群指标阈值,当离群指标小于或等于离群指标阈值时,将离群密度按照预设调整步长增加,获取新的离群指标,直至新的离群指标大于离群指标阈值,确定最终的离群密度;
当离群指标大于离群指标阈值时,不调整所述离群密度。
进一步地,所述工艺影响程度的获取方法,包括:
获取目标工艺的平均最优偏离因子,计算合格率与平均最优偏离因子之间的差值作为第一结果;
对第一结果进行负相关映射并归一化,获得结果作为所述目标工艺的工艺影响程度。
进一步地,所述质量等级的获取方法,包括:
将每条电缆上的所有生产质量数据输入到预先训练好的第一神经网络中,获得输出结果作为每条电缆的质量等级。
进一步地,所述最终影响程度的获取方法,包括:
将目标工艺中的每个生产质量数据的最优偏离因子与每个生产质量数据所在电缆的电缆等级输入到预先训练好的第二神经网络中,获得输出结果作为目标工艺的最终影响程度。
进一步地,所述质量改进值的获取方法,包括:
将工艺影响程度与最终影响程度的乘积作为质量改进值。
进一步地,所述根据质量改进值对所述目标工艺的质量标准范围进行调整的方法,包括:
设置质量改进值阈值,当质量改进值大于质量改进值阈值时,将目标工艺中的生产质量数据按照对应的最优偏离因子从大到小进行排序,获得排序序列,从排序序列的开始端删除预设数量的生产质量数据,根据目标工艺中剩余的生产质量数据获取新的离群密度,根据新的离群密度获取新的质量改进值,直至新的质量改进值小于或等于质量改进值阈值,不再调整生产质量数据,此时生产质量数据的最小值与最大值为目标工艺的新的质量标准范围。
本发明具有如下有益效果:
获取目标工艺中的第一合格数据与第二合格数据,以及目标工艺相邻下一工艺中的参考合格数据,确定目标工艺中对后续工艺不同影响程度的合格的生产质量数据,为进一步获取目标工艺中的每个生产质量数据的真实偏离程度作数据准备;根据目标工艺的第一合格数据与第二合格数据之间的偏离因子差异,获取目标工艺的偏离指标,分析目标工艺中合格的生产质量数据的偏离因子是否明显符合实际情况,初步判断离群密度设置的是否合理;根据偏离因子对参考合格数据进行聚类,获得聚类簇,降低不同参考合格数据之间的数据差异带来的误差,避免对目标工艺的质量产生错误分析;根据每个聚类簇中参考合格数据的数值分布,获取目标工艺的质量差异指标,体现了目标工艺的质量变化,间接反映出偏离因子是否合理,进而判断离群密度设置的是否合理;因此,根据偏离指标与质量差异指标获取离群指标,进而根据离群指标调整LOF算法中的离群密度,使得目标工艺中的生产质量数据的偏离因子均为最优,目标工艺中的偏离程度越符合实际离群特征,进而对目标工艺的质量标准范围判断的更准确;根据目标工艺的相邻下一工艺的合格率与目标工艺的所有最优偏离因子获取工艺影响程度,确定目标工艺对相邻下一工艺的影响程度;根据所有最优偏离因子与对应的质量等级获取最终影响程度,确定目标工艺对整体电缆质量的影响程度;根据工艺影响程度与最终影响程度获取目标工艺的质量改进值,确定目标工艺的质量标准范围是否符合实际需求的设定,进而根据质量改进值对目标工艺的质量标准范围进行调整,使得目标工艺的质量标准范围更加标准与符合实际,最终获得的电缆质量更好。
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基于物联网大数据的电缆生产质量数据管理系统的结构框图。
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基于物联网大数据的电缆生产质量数据管理系统,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基于物联网大数据的电缆生产质量数据管理系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于物联网大数据的电缆生产质量数据管理系统的结构框图,该系统包括:数据采集模块10、偏离指标获取模块20、质量差异指标获取模块30、最优偏离因子获取模块40、质量改进值获取模块50、数据调整模块60。
数据采集模块10,用于基于物联网大数据获得电缆生产流程中各个工艺的生产质量数据与质量标准范围;根据生产质量数据获取每条电缆的质量等级。
具体的,电缆生产流程一般为:铜板熔炼、轧制、拉丝、退火、束丝、绞线、铠装、内衬层、成缆、绝缘、外护套、产出成品等工艺,每个工艺都有对应的质量标准范围,本发明实施例为了确定每个工艺的质量标准范围是否合理,根据电缆的生产质量数据进行判断并调整,使得每个工艺的后续工艺的质量受其工艺质量的影响导致的后续工艺加工不合格或致使最终产品质量不稳的情况减少。
本发明实施例基于物联网大数据平台获取电缆生产流程中的每个工艺中的生产质量数据与质量标准范围。为了保证最终成品的质量,每个工艺环节下的生产质量数据要保持在合格的范围内,同时每个工艺环节中的生产质量数据均对电缆的质量有影响,因此结合所有工艺下每个电缆对应的生产质量数据可获得对应的质量等级,即质量等级反映了对应电缆成品的质量状态。
需要说明的是,每个工艺完成后,合格的生产质量数据会进行下一个工艺流程,不合格的生成质量数据不会进行下一步工艺流程,对应的电缆会停止后续的工艺流程,因此本发明实施例通过后续的工艺情况确定当前工艺的实际质量情况,进而判断当前工艺初始的质量标准范围是否合格。并且因为本发明实施例旨在通过相邻工艺之间的影响和数据分布对目标工艺的质量标准范围进行调整,考虑到电缆生产流程的最后一个工艺直接产出成品,因此最后一个工艺仅作为前一个工艺的参考,不将最后一个工艺作为目标工艺进行质量标准范围调整。
优选地,考虑到质量等级的获取本质是依据所有工艺流程中的每个工艺中生产质量数据进行分类,因此在本发明一个实施例中采用神经网络模型输出质量等级,具体为,将每条电缆上的所有生产质量数据输入到预先训练好的第一神经网络中,获得输出结果作为每条电缆的质量等级。
作为一个示例,本发明实施例将一条电缆对应的各个工艺的生产质量数据合并为一个向量,输入到第一Resnet神经网络中,输出为该条电缆的质量等级。
其中,第一Resnet神经网络训练打标签方式为:人为对电缆的生产数据向量进行标记,质量等级的标记取值范围为0-1,越接近1表示对应电缆的生产质量越好;第一Resnet神经网络损失函数为均方差损失函数。
其中,Resnet神经网络是公知技术,在此不再进行过多赘述。
偏离指标获取模块20,用于利用LOF算法根据预设离群密度获取每个生产质量数据的偏离因子,根据目标工艺对应的第一合格数据与第二合格数据之间的偏离因子差异,获取目标工艺的偏离指标;生产流程中目标工艺和目标工艺的相邻下一工艺均合格状态下,对应的电缆在目标工艺中的生产质量数据为第一合格数据,在相邻下一工艺中的合格生产质量数据为参考合格数据;目标工艺中除第一合格数据之外的合格生产质量数据为第二合格数据。
具体的,由LOF算法可知,偏离因子越大的数据对应的偏离程度越大,在本发明实施例中,不同工艺中的生产质量数据之间是存在相互联系的,越偏离工艺的整体加工质量的生产质量数据,对后续工艺的生产质量数据的影响程度就越大,可能会导致后续工艺的生产质量数据不合格。本发明实施例选取非最后一个工艺中的任意一个工艺作为目标工艺,通过分析目标工艺中的生产质量数据的偏离程度,获取目标工艺的偏离指标,确定目标工艺初始的离群特征。
其中,LOF算法为公知技术,在此不再进行过多赘述。
生产质量数据的合格标准为,生产质量数据在标准范围内,因为工艺不合格的电缆不会进入下一工艺,因此即任意工艺的相邻下一工艺中的生产质量数据存在,说明所述任意工艺中的生产质量数据合格。即目标工艺中的生产质量数据合格,则目标工艺的相邻下一工艺中一定存在生产质量数据。需要说明的是,对于电缆生产流程中的最后一个工艺而言,因为该工艺不存在下一工艺,因此该工艺的合格状态可直接根据生产质量数据进行判断。因此本发明实施例所提出的第一合格数据、第二合格数据和参考合格数据能够表征相邻工艺之间的影响,为后续指标的计算提供数据基础。由此,可以根据目标工艺的相邻下一工艺是否存在生产质量数据,确定目标工艺的生产质量数据是否合格,进而根据生产质量数据的合格标准获取目标工艺中的第一合格数据与第二合格数据的方法如下:
作为一个示例,将目标工艺相邻下一工艺作为第二工艺,第二工艺相邻下一工艺作为第三工艺,将目标工艺中的生产质量数据作为第一数据,将第二工艺下的生产质量数据作为第二数据,将第三工艺下的生产质量数据作为第三数据。当第三数据存在时,说明对应的第二数据一定合格,对应的第一数据也一定合格,因此,可以根据第三数据确定目标工艺与第二工艺下均合格状态下对应的目标工艺中的第一数据即第一合格数据;当第三数据不存在,第二数据存在时,说明对应的第二数据不合格,但第二数据对应的第一数据合格,因此,可以根据第二数据与第三数据之间的数量差异确定目标工艺下合格和第二工艺下不合格状态对应的目标工艺中的第一数据即第二合格数据。以一条电缆为例,若该条电缆上的第三数据存在,则第二数据合格,目标工艺一定合格,此状态下的第一数据为第一合格数据,并将合格的第二数据作为参考合格数据;若该条电缆上的第三数据不存在,第二数据存在,则第二数据不合格,但目标工艺合格,此状态下的第一数据为第二合格数据。确定目标工艺中的所有第一合格数据与所有第二合格数据。
根据LOF算法获取每个生产质量数据的偏离因子,偏离因子可以反映每个生产质量数据与质量标准范围的差异,因此根据第一合格数据与第二合格数据之间的偏离因子的差异,获取目标工艺真实的偏离指标。
优选地,获取目标工艺的偏离指标的方法为:将偏离因子进行负相关映射且归一化的结果作为标准偏离因子;获取第一合格数据的平均标准偏离因子作为第一值;获取第二合格数据的平均标准偏离因子作为第二值;将第一值与第二值的差值作为目标工艺的偏离指标。
作为一个示例,本发明实施例设置离群密度为3,实施者可根据实际情况进行自行设定,LOF算法根据设定好的离群密度获取每个生产质量数据的偏离因子,偏离因子的取值范围不固定,为了便于获取偏离指标,将偏离因子进行负相关映射且归一化的结果作为标准偏离因子,因为第一合格数据的下一工艺中对应的生产质量数据合格,第一合格数据的质量越好,第一合格数据的标准偏离因子更接近1;第二合格数据的下一工艺中对应的生产质量数据不合格,第二合适数据的质量稍差,第二合格数据的标准偏离因子更接近0;根据第一合格数据的平均标准偏离因子与第二合格数据的平均标准偏离因子之间的差异获取目标工艺的偏离指标,偏离指标的值一定大于0,目标工艺的偏离指标Q的公式为:
其中,为目标工艺的偏离指标;为第一合格数据的数量;为第二合格数据的数
量;为第一合格数据;为第二合格数据;为第个第一合格数据的标准偏离因子;
为第个第二合格数据的标准偏离因子;exp为以自然常数e为底数的指数函数。
需要说明的是,越小,第一值越大,说明第一合格数据的偏离程度越
小,间接说明第一合格数据的质量越好,Q越大;越大,第二值越小,说明第二
合格数据的偏离程度越大即离群特征越明显,间接说明第二合格数据的质量越偏离质量标
准范围,Q越大;因此,Q越大,说明偏离因子越符合目标工艺的实际离群特征,偏离因子越可
能为最优偏离因子,离群密度越合理。
根据获取目标工艺的偏离指标的方法,获取每个工艺的偏离指标,其中加工电缆的最后两个工艺不需要获取偏离指标。
质量差异指标获取模块30,用于根据偏离因子对参考合格数据进行聚类,获得聚类簇;根据每个聚类簇中参考合格数据的数值分布,获取目标工艺的质量差异指标。
具体的,直接对生产质量数据的数值进行分析,同一工艺中的生产质量数据的数值越聚集,说明该工艺中的生产质量数据越符合质量标准范围,进而使得相邻的下一工艺中的生产质量数据越合格。根据偏离指标获取模块20可知,合格的第二数据可以充分反映出目标工艺对第二工艺的质量影响程度,因此,根据第三数据确定合格的第二数据即参考合格数据,根据参考合格数据的数值,获取目标工艺的质量差异指标。
优选地,获取目标工艺的质量差异指标的方法为:获取每个聚类簇的平均参考合格数据,计算聚类簇中的每个参考合格数据与所在聚类簇的平均参考合格数据的差值绝对值作为第三值;将每个聚类簇中的第三值进行累加,所得结果作为对应聚类簇的质量变化值;将每个聚类簇的质量变化值进行求和,所得结果作为目标工艺的质量差异指标。
作为一个示例,本发明实施例中参考合格数据的数量就是第三数据的数量,也与第一合格数据的数量相同,为了更好的对参考合格数据的整体质量进行分析,本发明实施例根据参考合格数据的偏离因子对参考合格数据进行聚类,降低了不同参考合格数据之间的干扰,使得获取的目标工艺的质量差异指标更符合目标工艺的实际质量情况。本发明实施例将K-means聚类算法中的K值设置为2,实施者可根据实际情况自行设定K值的大小,获取两个聚类簇,分别为聚类簇x与聚类簇y。其中,K-means聚类算法为公知技术,在此不再进行过多赘述。对划分在同一个聚类簇中的参考合格数据进行分析,获取每个聚类簇中的平均参考合格数据,计算每个聚类簇中的参考合格数据与对应聚类簇中的平均参考合格数据之间的差异,获取目标工艺的质量差异指标,目标工艺的质量差异指标F的公式为:
需要说明的是,越小,说明聚类簇x中的参考合格数据越聚集,之间
的差异越小,参考合格数据的质量越好,反映出对应的目标工艺的质量越好,F越小;越小,说明聚类簇y中的参考合格数据越聚集,之间的差异越小,参考合格数
据的质量越好,反映出对应的目标工艺的质量越好,F越小;因此,F越小,说明目标工艺的质
量越好,设定的离群密度越准确,获取的偏离因子越优。
根据获取目标工艺的质量差异指标的方法,获取每个工艺的质量差异指标,其中加工电缆的最后两个工艺不需要获取质量差异指标。
最优偏离因子获取模块40,用于根据偏离指标与质量差异指标获取离群指标,根据离群指标调整LOF算法中的离群密度,获取每个生产质量数据的最优偏离因子。
具体的,为了准确的确定每个工艺对后续工艺的真实影响程度,需要获取每个工艺中的每个生产质量数据的最优偏离因子,因此,离群密度一定要合理。为了获取每个工艺最好的离群密度,要根据每个工艺实际的质量情况,每个工艺的相邻下一工艺中的生产质量数据可以反映每个工艺的真实质量,因此,根据偏离指标与质量差异指标获取离群指标,进而根据离群指标确定离群密度,获取每个生产质量数据的最优偏离因子,确定每个工艺的真实离群程度。
为了获取最优偏离因子,调整离群密度的方法如下:
(1)获取离群指标。
需要说明的是,Q越大,目标工艺中的偏离因子越为最优偏离因子,离群密度设置
的越合理,越大;越小,离群密度设置的越合理,偏离因子越好,聚类效果越好,使得目标
工艺的质量越符合实际情况,越大;因此,越大,说明偏离因子越优,离群密度越合格,越
不用调整。
根据获取目标工艺的离群指标的方法,获取每个工艺的离群指标,其中加工电缆的最后两个工艺不需要获取离群指标。
(2)调整离群密度。
设置离群指标阈值,当离群指标小于或等于离群指标阈值时,将离群密度按照预设调整步长增加,获取新的离群指标,直至新的离群指标大于离群指标阈值,确定最终的离群密度;当离群指标大于离群指标阈值时,不调整离群密度,离群指标不发生改变。
作为一个示例,本明实施例设置离群指标阈值为0.8,将离群指标进行归一化处理,获得归一化后的离群指标;当归一化后的离群指标小于或等于离群指标阈值时,说明偏离因子不符合实际的生产质量数据的偏离特征,即离群密度不合理,对离群密度进行调整,将离群密度调整步长设置为1,即每调整一次离群密度加1,获取新的离群指标,直至新的离群指标大于离群指标阈值,确定最终的离群密度,获取每个生产质量数据的最优偏离因子;当归一化后的离群指标大于离群指标阈值时,不调整离群密度,每个生产质量数据的偏离因子就是对应的最优偏离因子。
质量改进值获取模块50,用于根据目标工艺的相邻下一工艺的合格率与目标工艺的所有最优偏离因子获取工艺影响程度,根据目标工艺的所有最优偏离因子与对应的质量等级获取最终影响程度;根据工艺影响程度与最终影响程度获取目标工艺的质量改进值。
具体的,根据最优偏离因子获取目标工艺对相邻下一工艺的影响程度,以及对电缆整体加工质量的影响程度,进而获取目标工艺的质量改进值,判断目标工艺的质量标准范围是否需要调整。获取目标工艺的质量改进值的方法如下:
(1)获取目标工艺的工艺影响程度。
优选地,获取目标工艺的工艺影响程度的方法为:获取目标工艺的平均最优偏离因子,计算合格率与平均最优偏离因子之间的差值作为第一结果;对第一结果进行负相关映射并归一化,获得结果作为目标工艺的工艺影响程度。
作为一个示例,以偏离指标获取模块20中的第二工艺、第三工艺为例,不合格的第二数据,在第三数据中必定不会出现,因此第三数据对应的第二数据一定是合格的,第三数据的数量便是合格的第二工艺的数量,因此,将第三数据的数量与第二工艺的数量的比值作为第二工艺的合格率即目标工艺的相邻下一工艺的合格率。将目标工艺中的最优偏离因子进行归一化处理后求平均值作为平均最优偏离因子,计算合格率与平均最优偏离因子之间的差值作为第一结果;对第一结果进行负相关映射并归一化,获得结果作为目标工艺的工艺影响程度。目标工艺的工艺影响程度H的公式为:
需要说明的是,p越大,说明目标工艺的相邻下一工艺中的生产质量数据合格的越
多,越小,说明目标工艺的偏离程度越小,目标工艺的质量越标准,越大,目
标工艺的质量越好,H越小;因此,H越小,说明目标工艺的质量越好,对相邻下一工艺的影响
程度越小。
根据获取目标工艺的工艺影响程度的方法,获取每个工艺下的工艺影响程度。
(2)获取目标工艺的最终影响程度。
通过生产质量数据进行加工获得电缆,电缆的质量由生产质量数据来决定。若生产质量数据的质量越偏离整体,则最终电缆的质量越不好,将每个目标工艺的最优偏离因子与每个目标工艺所在电缆的电缆标记值输入到第二神经网络中,获得输出结果作为目标工艺的最终影响程度。
本发明实施例将目标工艺的最优偏离因子以及每个目标工艺对应的所在电缆的电缆标记值输入到第二Resnet神经网络中,输出为目标工艺对电缆质量的最终影响程度。
其中,第二Resnet神经网络训练打标签方式为:人为对电缆质量的最终影响程度进行标记,最终影响程度的取值范围为0-1,越接近1表示目标工艺对电缆质量的影响程度越大,目标工艺的质量越差;第二Resnet神经网络损失函数为均方差损失函数。
(3)获取目标工艺的质量改进值。
根据目标工艺对相邻下一工艺的影响以及对最终电缆质量的影响,获取目标工艺的质量改进值,获取目标工艺的质量改进值的方法为:将目标工艺的工艺影响程度与目标工艺的最终影响程度的乘积作为目标工艺的质量改进值,获取目标工艺的质量改进值T的公式为:
其中,T为目标工艺的质量改进值;R为目标工艺的最终影响程度;H为目标工艺的工艺影响程度。
需要说明的是,R越大,说明目标工艺对电缆质量的影响程度越大,目标工艺的质量越差,T越大;H越大,说明目标工艺的合格率越低,对相邻下一工艺的影响越大,T越大;因此,T越大,说明目标工艺的质量越不合格,目标工艺的质量标志范围越需要改进。
根据获取目标工艺的质量改进值的方法,获取每个工艺下的生产质量数据的质量改进值,其中,最后一个工艺的质量改进值不需要获取。
数据调整模块60,用于根据质量改进值对所述目标工艺的质量标准范围进行调整。
设置质量改进值阈值,当质量改进值大于质量改进值阈值时,将目标工艺中的生产质量数据按照对应的最优偏离因子从大到小进行排序,获得排序序列,从排序序列的开始端删除预设数量的生产质量数据,根据目标工艺中剩余的生产质量数据获取新的离群密度,根据新的离群密度获取新的质量改进值,直至新的质量改进值小于或等于质量改进值阈值,不再调整生产质量数据,此时生产质量数据的最小值与最大值为目标工艺的新的质量标准范围。
本发明实施例设置质量改进值阈值为0.8,将质量改进值进行归一化处理,获得归一化后的质量改进值,当归一化后的质量改进值大于质量改进值阈值时,将对应工艺下的生产质量数据按照对应的最优偏离因子从大到小的顺序进行排序,获得排序序列,从排序序列的开始端删除5%的生产质量数据,根据目标工艺中剩余的生产质量数据获取调整离群密度,获取新的最优偏离因子,进而获取新的质量改进值,直至新的归一化后的质量改进值小于或等于质量改进值阈值,停止对生产质量数据的调整,此时生产质量数据的最小值与最大值为目标工艺的新的质量标准范围。通过对目标工艺的质量标准范围的改进,可以提高后续生产质量数据的质量,使得电缆质量更标准。
根据对目标工艺的质量标准范围的改进的方法,可以对每个工艺下的质量标准范围进行判断与调整,使得最终生产的电缆质量更标准。
至此,本发明完成。
综上所述,本发明实施例基于物联网大数据获得各个工艺的生产质量数据与质量标准范围;根据生产质量数据获取每条电缆的质量等级;利用LOF算法获取生产质量数据的偏离因子,根据偏离因子获取目标工艺的偏离指标;根据偏离因子进行聚类,获得聚类簇;根据聚类簇中生产质量数据的数值分布,获取目标工艺的质量差异指标;根据偏离指标与质量差异指标获取离群指标,根据离群指标调整LOF算法中的离群密度,获取最优偏离因子;根据最优偏离因子确定目标工艺的质量改进值;根据质量改进值对目标工艺的质量标准范围进行调整,使得目标工艺的质量更符合电缆的标准,提高电缆质量。
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)
1.一种基于物联网大数据的电缆生产质量数据管理系统,其特征在于,所述系统包括:
数据采集模块,用于基于物联网大数据获得电缆生产流程中各个工艺的生产质量数据与质量标准范围;根据所述生产质量数据获取每条电缆的质量等级;
偏离指标获取模块,用于利用LOF算法根据预设离群密度获取每个生产质量数据的偏离因子,根据目标工艺对应的第一合格数据与第二合格数据之间的偏离因子差异,获取所述目标工艺的偏离指标;生产流程中所述目标工艺和所述目标工艺的相邻下一工艺均合格状态下,对应的电缆在所述目标工艺中的生产质量数据为第一合格数据,在所述相邻下一工艺中的合格生产质量数据为参考合格数据;所述目标工艺中除所述第一合格数据之外的合格生产质量数据为第二合格数据;
质量差异指标获取模块,用于根据偏离因子对参考合格数据进行聚类,获得聚类簇;根据每个聚类簇中参考合格数据的数值分布,获取所述目标工艺的质量差异指标;
最优偏离因子获取模块,用于根据偏离指标与质量差异指标获取离群指标,根据离群指标调整LOF算法中的离群密度,获取每个生产质量数据的最优偏离因子;
质量改进值获取模块,用于根据所述相邻下一工艺的合格率与目标工艺的所有所述最优偏离因子获取工艺影响程度,根据目标工艺的所有所述最优偏离因子与对应的质量等级获取最终影响程度;根据工艺影响程度与最终影响程度获取所述目标工艺的质量改进值;
数据调整模块,用于根据质量改进值对所述目标工艺的质量标准范围进行调整;
根据偏离指标与质量差异指标获取离群指标,根据离群指标调整LOF算法中的离群密度的方法,包括:
将偏离指标与质量差异指标的比值作为离群指标;
设置离群指标阈值,当离群指标小于或等于离群指标阈值时,将离群密度按照预设调整步长增加,获取新的离群指标,直至新的离群指标大于离群指标阈值,确定最终的离群密度;
当离群指标大于离群指标阈值时,不调整所述离群密度。
2.如权利要求1所述的一种基于物联网大数据的电缆生产质量数据管理系统,其特征在于,所述偏离指标的获取方法,包括:
将偏离因子进行负相关映射且归一化的结果作为标准偏离因子;
获取第一合格数据的平均标准偏离因子作为第一值;
获取第二合格数据的平均标准偏离因子作为第二值;
将第一值与第二值的差值作为所述目标工艺的偏离指标。
3.如权利要求1所述的一种基于物联网大数据的电缆生产质量数据管理系统,其特征在于,所述质量差异指标的获取方法,包括:
获取每个聚类簇的平均参考合格数据,计算聚类簇中的每个参考合格数据与所在聚类簇的平均参考合格数据的差值绝对值作为第三值;
将每个聚类簇中的第三值进行累加,所得结果作为对应聚类簇的质量变化值;
将每个聚类簇的质量变化值进行求和,所得结果作为目标工艺的质量差异指标。
4.如权利要求1所述的一种基于物联网大数据的电缆生产质量数据管理系统,其特征在于,所述工艺影响程度的获取方法,包括:
获取目标工艺的平均最优偏离因子,计算合格率与平均最优偏离因子之间的差值作为第一结果;
对第一结果进行负相关映射并归一化,获得结果作为所述目标工艺的工艺影响程度。
5.如权利要求1所述的一种基于物联网大数据的电缆生产质量数据管理系统,其特征在于,所述质量等级的获取方法,包括:
将每条电缆上的所有生产质量数据输入到预先训练好的第一神经网络中,获得输出结果作为每条电缆的质量等级。
6.如权利要求1所述的一种基于物联网大数据的电缆生产质量数据管理系统,其特征在于,所述最终影响程度的获取方法,包括:
将目标工艺中的每个生产质量数据的最优偏离因子与每个生产质量数据所在电缆的电缆等级输入到预先训练好的第二神经网络中,获得输出结果作为目标工艺的最终影响程度。
7.如权利要求1所述的一种基于物联网大数据的电缆生产质量数据管理系统,其特征在于,所述质量改进值的获取方法,包括:
将工艺影响程度与最终影响程度的乘积作为质量改进值。
8.如权利要求1所述的一种基于物联网大数据的电缆生产质量数据管理系统,其特征在于,所述根据质量改进值对所述目标工艺的质量标准范围进行调整的方法,包括:
设置质量改进值阈值,当质量改进值大于质量改进值阈值时,将目标工艺中的生产质量数据按照对应的最优偏离因子从大到小进行排序,获得排序序列,从排序序列的开始端删除预设数量的生产质量数据,根据目标工艺中剩余的生产质量数据获取新的离群密度,根据新的离群密度获取新的质量改进值,直至新的质量改进值小于或等于质量改进值阈值,不再调整生产质量数据,此时生产质量数据的最小值与最大值为目标工艺的新的质量标准范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310264618.8A CN115983721B (zh) | 2023-03-20 | 2023-03-20 | 一种基于物联网大数据的电缆生产质量数据管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310264618.8A CN115983721B (zh) | 2023-03-20 | 2023-03-20 | 一种基于物联网大数据的电缆生产质量数据管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115983721A CN115983721A (zh) | 2023-04-18 |
CN115983721B true CN115983721B (zh) | 2023-06-23 |
Family
ID=85963481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310264618.8A Active CN115983721B (zh) | 2023-03-20 | 2023-03-20 | 一种基于物联网大数据的电缆生产质量数据管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983721B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611743B (zh) * | 2023-07-17 | 2023-10-10 | 华航检测认证(青岛)有限公司 | 基于大数据的建筑工程建造质量评价方法 |
CN117113156B (zh) * | 2023-10-20 | 2024-01-09 | 浙江鸿昌铝业有限公司 | 一种用于铝型材的锯切断面质量分析方法 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444471A (zh) * | 2020-02-25 | 2020-07-24 | 国网河南省电力公司电力科学研究院 | 一种基于多元高斯分布的电缆生产质量异常检测方法和系统 |
CN115408946A (zh) * | 2022-09-07 | 2022-11-29 | 中国兵器装备集团自动化研究所有限公司 | 一种质量评估模型构建方法、装置、设备及储存介质 |
Family Cites Families (7)
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 |
CN108508860B (zh) * | 2018-05-10 | 2020-03-17 | 西安交通大学 | 一种基于耦合关系的流程工业生产系统数据监测方法 |
CN109446189A (zh) * | 2018-10-31 | 2019-03-08 | 成都天衡智造科技有限公司 | 一种工业参数离群点检测系统及方法 |
CN110879583B (zh) * | 2019-12-26 | 2020-10-09 | 江苏古卓科技有限公司 | 基于数字孪生的智能装配车间质量预测与控制系统及方法 |
US20220215289A1 (en) * | 2021-01-06 | 2022-07-07 | Hewlett Packard Enterprise Development Lp | Managing data drift and outliers for machine learning models trained for image classification |
CN113325270B (zh) * | 2021-06-03 | 2022-08-30 | 广东电网有限责任公司 | 一种光缆输电线路监测方法及装置 |
CN114707686A (zh) * | 2021-12-20 | 2022-07-05 | 中国海洋大学 | 一种面向多工序混合生产的联合优化方法 |
-
2023
- 2023-03-20 CN CN202310264618.8A patent/CN115983721B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444471A (zh) * | 2020-02-25 | 2020-07-24 | 国网河南省电力公司电力科学研究院 | 一种基于多元高斯分布的电缆生产质量异常检测方法和系统 |
CN115408946A (zh) * | 2022-09-07 | 2022-11-29 | 中国兵器装备集团自动化研究所有限公司 | 一种质量评估模型构建方法、装置、设备及储存介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115983721A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115983721B (zh) | 一种基于物联网大数据的电缆生产质量数据管理系统 | |
US20210065021A1 (en) | Working condition state modeling and model correcting method | |
CN110297469B (zh) | 基于重采样的集成特征选择算法的生产线故障判断方法 | |
CN117008557B (zh) | 共混型互穿网络热塑性弹性体的生产控制方法及系统 | |
CN115684939A (zh) | 基于机器学习的电池充电异常状态监测方法及监测系统 | |
CN110991689B (zh) | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 | |
CN114114039A (zh) | 一种电池系统的单体电芯一致性的评估方法和装置 | |
CN117391292A (zh) | 碳排放节能管理分析系统及方法 | |
CN113256151A (zh) | 氢气质量检测方法及应用其的系统和计算机存储介质 | |
CN110059938B (zh) | 一种基于关联规则驱动的配电网规划方法 | |
CN117421687A (zh) | 一种数字化电力环网柜运行状态监测方法 | |
CN117154716B (zh) | 一种分布式电源接入配电网的规划方法及系统 | |
CN114881374A (zh) | 用于建筑能耗预测的多元异构能耗数据融合方法和系统 | |
CN115310650A (zh) | 一种低复杂度高精度的时序多步预测方法及系统 | |
CN114564513A (zh) | 基于神经网络的海雾预测方法、装置、设备及存储介质 | |
CN116596395B (zh) | 用于工程项目测评单位指导及检测的运行质控平台 | |
CN113359435A (zh) | 用于火电机组动态工况数据的修正方法 | |
CN110851784A (zh) | 一种现场运行电能表的预警方法 | |
CN116883184A (zh) | 一种基于大数据的财税智能化分析方法 | |
CN112116489A (zh) | 一种基于泛在互联的主动配电网供电质量复合感知与评价方法及系统 | |
CN115907461A (zh) | 一种基于机理推导方程的电力工程方法 | |
CN115438033A (zh) | 一种数字孪生运维数据质量检验方法 | |
CN114861969A (zh) | 一种基于lstm的电力系统振荡风险预测方法 | |
CN116777292B (zh) | 基于多批次小样本航天产品的缺陷率指标修正方法 | |
CN110516750A (zh) | 一种基于cart决策树的钢板板形质量异常检测方法 |
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 |