CN116236993B - 丙烯酸共聚乳液生产控制系统的优化方法及系统 - Google Patents
丙烯酸共聚乳液生产控制系统的优化方法及系统 Download PDFInfo
- Publication number
- CN116236993B CN116236993B CN202310531743.0A CN202310531743A CN116236993B CN 116236993 B CN116236993 B CN 116236993B CN 202310531743 A CN202310531743 A CN 202310531743A CN 116236993 B CN116236993 B CN 116236993B
- Authority
- CN
- China
- Prior art keywords
- fault
- operation data
- anomaly
- target
- operation behavior
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/0006—Controlling or regulating processes
- B01J19/0033—Optimalisation processes, i.e. processes with adaptive control systems
-
- C—CHEMISTRY; METALLURGY
- C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
- C08F—MACROMOLECULAR COMPOUNDS OBTAINED BY REACTIONS ONLY INVOLVING CARBON-TO-CARBON UNSATURATED BONDS
- C08F20/00—Homopolymers and copolymers of compounds having one or more unsaturated aliphatic radicals, each having only one carbon-to-carbon double bond, and only one being terminated by only one carboxyl radical or a salt, anhydride, ester, amide, imide or nitrile thereof
- C08F20/02—Monocarboxylic acids having less than ten carbon atoms, Derivatives thereof
- C08F20/04—Acids, Metal salts or ammonium salts thereof
- C08F20/06—Acrylic acid; Methacrylic acid; Metal salts or ammonium salts thereof
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J2219/00049—Controlling or regulating processes
- B01J2219/00243—Mathematical modelling
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J2219/00049—Controlling or regulating processes
- B01J2219/00245—Avoiding undesirable reactions or side-effects
- B01J2219/00259—Preventing runaway of the chemical reaction
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Polymers & Plastics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种丙烯酸共聚乳液生产控制系统的优化方法及系统,通过获取丙烯酸共聚乳液生产控制系统所管理的丙烯酸共聚乳液生产线的原始工况状态特征序列,并基于原始工况状态特征序列确定丙烯酸共聚乳液生产线的异常事件,将异常事件以及异常事件关联的关联事件所对应的生产控制模块添加到待优化控制模块序列中,并获取各个待优化控制模块的控制场景的各异常追溯操作数据,对各个待优化控制模块的控制场景的各异常追溯操作数据进行故障预测,生成对控制场景中的控制成员模块的故障预测信息,根据故障预测信息对对应的待优化控制模块进行优化,从而将异常事件与生产控制模块进行关联后进行故障预测,可以提高故障预测的精度。
Description
技术领域
本申请实施例涉及丙烯酸共聚乳液生产控制系统技术领域,具体而言,涉及一种丙烯酸共聚乳液生产控制系统的优化方法及系统。
背景技术
丙烯酸共聚乳液是由纯丙烯酸酯类单体共聚而成的乳液,是一种小粒径、多用途、性能卓著的乳液,适用于多种涂料配方,具有突出的耐水性和耐候性,特别是在高光和半光涂料中有优异的表现。随着智慧工厂的新建,在丙烯酸共聚乳液的生产控制过程中都是通过智能化的丙烯酸共聚乳液生产控制系统进行各个丙烯酸共聚乳液生产线的生产控制。为了保证所生产的丙烯酸共聚乳液的质量,在生产控制过程中需要不断监测丙烯酸共聚乳液生产线的工况状态特征,以便于在可能存在故障时及时进行控制模块优化。然而,相关技术的方案中,在进行故障预测时没有对异常事件与生产控制模块进行关联,导致故障预测的精度较低。
发明内容
为了至少克服现有技术中的上述不足,本申请实施例的目的在于提供一种丙烯酸共聚乳液生产控制系统的优化方法及系统。
第一方面,本申请实施例提供一种丙烯酸共聚乳液生产控制系统的优化方法,应用于丙烯酸共聚乳液生产控制系统的优化系统,所述方法包括:
获取丙烯酸共聚乳液生产控制系统所管理的丙烯酸共聚乳液生产线的原始工况状态特征序列,并基于所述原始工况状态特征序列确定所述丙烯酸共聚乳液生产线的异常事件,并将所述异常事件以及所述异常事件关联的关联事件所对应的生产控制模块添加到待优化控制模块序列中,并获取所述待优化控制模块序列中各个待优化控制模块的控制场景的各异常追溯操作数据;
对所述各个待优化控制模块的控制场景的各异常追溯操作数据进行故障预测,生成对所述控制场景中的控制成员模块的故障预测信息;
根据所述故障预测信息对对应的所述待优化控制模块进行优化。
在第一方面的一种可能的实施方式中,所述对所述各个待优化控制模块的控制场景的各异常追溯操作数据进行故障预测,生成对所述控制场景中的控制成员模块的故障预测信息的步骤,包括:
采用特征提取模型提取每个异常追溯操作数据对应的有向关系网络数据和故障热力图;其中,每个故障热力图表示每个异常追溯操作数据中各操作行为在设定故障区间内的目标数量个故障标签的热力值;每个故障标签表示所述设定故障区间内的不同的故障子区间;
基于每个异常追溯操作数据对应的故障热力图,确定每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值;
基于每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值、以及每个异常追溯操作数据对应的有向关系网络数据,生成所述控制场景对应的数字孪生场景特征;
基于对应的所述数字孪生场景特征,经过特征提取模型前向运算得到目标故障特征向量,并对所述目标故障特征向量进行预测,生成对所述控制场景中的控制成员模块的故障预测信息。
在第一方面的一种可能的实施方式中,所述基于每个异常追溯操作数据对应的故障热力图,确定每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值,包括:
获取依据对每个异常追溯操作数据对应的故障热力图中各操作行为在设定故障区间内的目标数量个故障标签的热力值进行次序整理后,生成的每个异常追溯操作数据中每个操作行为对应的多个目标故障标签;
基于每个异常追溯操作数据中每个操作行为对应的多个目标故障标签,确定每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值。
在第一方面的一种可能的实施方式中,所述获取依据对每个异常追溯操作数据对应的故障热力图中各操作行为在设定故障区间内的目标数量个故障标签的热力值进行次序整理后,生成的每个异常追溯操作数据中每个操作行为对应的多个目标故障标签,包括:
获取依据对每个异常追溯操作数据对应的故障热力图中各操作行为在设定故障区间内的目标数量个故障标签的热力值基于从大到小的顺序排列后,生成的热力值排序前N的故障标签,并将所述前N的故障标签确定为每个异常追溯操作数据中每个操作行为对应的第一估计故障标签;
获取依据对每个异常追溯操作数据对应的故障热力图中各操作行为在设定故障区间内的目标数量个故障标签的热力值基于从大到小的顺序排列后,生成的热力值最大的每个异常追溯操作数据中每个操作行为对应的第一选定故障标签;
基于每个异常追溯操作数据中每个操作行为对应的第一选定故障标签,生成每个异常追溯操作数据中每个操作行为对应的第二估计故障标签;
基于每个异常追溯操作数据中每个操作行为对应的第一估计故障标签和每个操作行为对应的第二估计故障标签,生成每个异常追溯操作数据中每个操作行为对应的多个目标故障标签。
在第一方面的一种可能的实施方式中,所述基于每个异常追溯操作数据中每个操作行为对应的第一选定故障标签,生成每个异常追溯操作数据中每个操作行为对应的第二估计故障标签,包括:
基于每个异常追溯操作数据中每个操作行为对应的第一选定故障标签,确定每个操作行为中与所述第一选定故障标签前相邻的目标数量的故障标签为每个异常追溯操作数据中每个操作行为对应的第二选定故障标签;
基于每个异常追溯操作数据中每个操作行为对应的第一选定故障标签,确定每个操作行为中与所述第一选定故障标签后相邻的目标数量的故障标签为每个异常追溯操作数据中每个操作行为对应的第三选定故障标签;
确定所述第二选定故障标签和所述第三选定故障标签为每个异常追溯操作数据中每个操作行为对应的第二估计故障标签。
在第一方面的一种可能的实施方式中,所述基于每个异常追溯操作数据中每个操作行为对应的第一估计故障标签和每个操作行为对应的第二估计故障标签,生成每个异常追溯操作数据中每个操作行为对应的多个目标故障标签,包括:
获取依据对所述第一估计故障标签和所述第二估计故障标签进行重复标签清洗后,生成的第三估计故障标签;
确定所述第三估计故障标签为每个异常追溯操作数据中每个操作行为对应的多个目标故障标签。
在第一方面的一种可能的实施方式中,所述基于每个异常追溯操作数据中每个操作行为对应的多个目标故障标签,确定每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值,包括:
基于每个异常追溯操作数据中每个操作行为对应的多个目标故障标签,在每个目标故障标签对应的故障子区间内生成游走跨度值,并将对应的所述游走跨度值确定为每个目标故障标签的目标故障渗透值;
基于每个异常追溯操作数据中每个操作行为对应的多个目标故障标签,确定每个目标故障标签对应的引用热力节点,并将所述每个目标故障标签对应的引用热力节点的故障渗透热力值确定为每个目标故障标签的目标故障渗透热力值。
在第一方面的一种可能的实施方式中,所述基于每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值、以及每个异常追溯操作数据对应的有向关系网络数据,生成所述控制场景对应的数字孪生场景特征,包括:
基于每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透值和每个异常追溯操作数据对应的有向关系网络数据中每个操作行为对应的行为位置,生成每个异常追溯操作数据中每个操作行为对应的多个第一追溯位置;
基于内参矩阵和每个异常追溯操作数据中每个操作行为对应的所述多个第一追溯位置,生成每个异常追溯操作数据中每个操作行为对应的多个第二追溯位置;所述第二追溯位置为数字孪生场景位置;
基于每个异常追溯操作数据中每个操作行为对应的所述多个第二追溯位置和外参矩阵,生成每个异常追溯操作数据中每个操作行为对应的多个数字孪生场景位置;
基于每个异常追溯操作数据中每个操作行为对应的多个数字孪生场景位置、每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透热力值和每个异常追溯操作数据对应的有向关系网络数据,生成所述控制场景对应的数字孪生场景特征。
在第一方面的一种可能的实施方式中,所述基于每个异常追溯操作数据中每个操作行为对应的多个数字孪生场景位置、每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透热力值和每个异常追溯操作数据对应的有向关系网络数据,生成所述控制场景对应的数字孪生场景特征,包括:
获取每个异常追溯操作数据对应的有向关系网络数据中每个操作行为在对应的行为位置的第一操作变量;
基于每个异常追溯操作数据对应的有向关系网络数据中每个操作行为在对应的行为位置的第一操作变量、以及每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透热力值,生成每个异常追溯操作数据中每个操作行为对应的多个第二操作变量;其中,所述多个第二操作变量为多个所述目标故障渗透热力值对所述第一操作变量分别加权得到;
基于每个异常追溯操作数据中每个操作行为对应的多个数字孪生场景位置和多个第二操作变量,获取每个异常追溯操作数据中每个操作行为的各第二操作变量对应的数字孪生场景位置;
将每个异常追溯操作数据中每个操作行为的各第二操作变量依据所述各第二操作变量对应的数字孪生场景位置进行数字孪生生成,生成所述控制场景对应的数字孪生场景特征;其中,当数字孪生生成的所述数字孪生场景位置相同时,将对应的所述第二操作变量进行融合。
譬如,在第一方面的一种可能的实施方式中,所述获取所述丙烯酸共聚乳液生产控制系统所管理的丙烯酸共聚乳液生产线的原始工况状态特征序列,并根据所述原始工况状态特征序列确定所述丙烯酸共聚乳液生产线的异常事件的步骤通过异常生产定位估计模型实现;
所述异常生产定位估计模型包括:特征编码器、特征区分决策单元、工况状态特征估计单元和异常生产定位估计单元;
所述特征编码器,用于对加载的原始工况状态特征序列进行编码,生成序列编码特征;所述原始工况状态特征序列中包括所述一个或多个直接型工况状态特征;
所述特征区分决策单元,用于依据非监督区分方法,对加载的所述原始工况状态特征序列中的类内特征序列和类间特征序列进行区分;
所述工况状态特征估计单元,用于依据所述序列编码特征对所述丙烯酸共聚乳液生产线的间接型工况状态特征进行迭代估计,生成所述丙烯酸共聚乳液生产线的工况状态特征序列;
所述异常生产定位估计单元,用于依据所述工况状态特征序列,确定所述丙烯酸共聚乳液生产线的异常生产定位估计数据。
譬如,在第一方面的一种可能的实施方式中,所述异常生产定位估计模型的训练步骤,包括:
获取异常生产定位训练数据,并将异常生产定位训练数据加载到所述异常生产定位估计模型中;所述异常生产定位训练数据包括非置乱训练数据集合和置乱训练数据集合;
利用所述异常生产定位估计模型的特征区分决策单元,确定所述非置乱训练数据集合在不同随机失活屏蔽模态下的屏蔽数据集合;
利用所述异常生产定位估计模型的特征编码器对所述非置乱训练数据集合和所述置乱训练数据集合进行编码,生成非置乱列编码特征和置乱序列编码特征;以及,对所述屏蔽数据集合进行编码,生成屏蔽数据序列编码特征;
依据所述非置乱列编码特征、所述置乱序列编码特征和所述屏蔽数据序列编码特征,确定所述异常生产定位估计模型的区别代价信息;
利用所述异常生产定位估计模型的工况状态特征估计单元,依据所述非置乱列编码特征确定参考估计工况状态特征;
利用所述异常生产定位估计模型的异常生产定位估计单元,依据所述非置乱列编码特征确定参考异常生产节点数据;
将所述参考估计工况状态特征和所述参考异常生产节点数据加载到模型代价计算函数中,利用所述模型代价计算函数分别输出所述工况状态特征估计单元的第一模型代价计算信息和所述异常生产定位估计单元的第二模型代价计算信息;
依据所述区别代价信息、所述第一模型代价计算信息和所述第二模型代价计算信息,对所述异常生产定位估计模型进行权重参数迭代更新,生成满足模型收敛条件的异常生产定位估计模型。
譬如,在第一方面的一种可能的实施方式中,所述获取异常生产定位训练数据,包括:
从设定生产控制数据库中获取工况状态特征与异常事件组成的标准训练数据集合;所述标准训练数据集合中包括一个或多个非置乱训练数据集合;
从所述标准训练数据集合中,配置一个或多个非置乱训练数据集合对应的置乱训练数据集合;
将所述非置乱训练数据集合与所述置乱训练数据集合,确定为所述异常生产定位训练数据中的异常生产定位训练数据;
所述利用所述异常生产定位估计模型的特征区分决策单元,确定所述非置乱训练数据集合在不同随机失活屏蔽模态下的屏蔽数据集合,包括:
依据所述特征编码器的随机失活屏蔽机制,确定不同的两种屏蔽策略;所述不同的两种屏蔽策略包括第一随机失活屏蔽模态和第二随机失活屏蔽模态;
在所述第一随机失活屏蔽模态和所述第二随机失活屏蔽模态下,对所述非置乱训练数据集合进行集合屏蔽特征计算,生成所述非置乱训练数据集合在第一随机失活屏蔽模态下的屏蔽数据集合和在第二随机失活屏蔽模态下的屏蔽数据集合;
对应地,所述利用所述异常生产定位估计模型的特征编码器对所述非置乱训练数据集合和所述置乱训练数据集合进行编码,生成非置乱列编码特征和置乱序列编码特征;以及,对所述屏蔽数据集合进行编码,生成屏蔽数据序列编码特征,包括:
利用所述异常生产定位估计模型的特征编码器,对所述第一随机失活屏蔽模态下的屏蔽数据集合和所述置乱训练数据集合进行编码,生成非置乱列编码特征和置乱序列编码特征;以及,对所述第二随机失活屏蔽模态下的屏蔽数据集合进行编码,生成屏蔽数据序列编码特征;
所述依据所述非置乱列编码特征、所述置乱序列编码特征和所述屏蔽数据序列编码特征,确定所述异常生产定位估计模型的区别代价信息,包括:
采用预置的第一比较代价函数,确定所述非置乱列编码特征与所述屏蔽数据序列编码特征之间的第一区别代价值;
采用预置的第二比较代价函数,确定所述非置乱列编码特征与所述置乱序列编码特征之间的第二区别代价值;
其中,所述第一区别代价值和所述第二区别代价值构成所述异常生产定位估计模型的区别代价信息;
所述利用所述模型代价计算函数分别输出所述工况状态特征估计单元的第一模型代价计算信息和所述异常生产定位估计单元的第二模型代价计算信息,包括:
利用所述模型代价计算函数中的第一MSE平方损失函数,依据所述参考估计工况状态特征和所述非置乱训练数据集合中的异常事件标注数据,确定所述工况状态特征估计单元的第一模型代价计算信息;
利用所述模型代价计算函数中的第二MSE平方损失函数,依据所述参考异常生产节点数据和所述异常生产定位训练数据中的异常事件标注数据,确定所述异常生产定位估计单元的第二模型代价计算信息;
对应地,所述方法还包括:
对所述第一模型代价计算信息和所述第二模型代价计算信息进行加权计算,生成目标模型代价计算信息;
利用梯度下降算法,依据所述目标模型代价计算信息,对所述异常生产定位估计模型进行权重参数迭代更新,生成满足模型收敛条件的异常生产定位估计模型;
所述方法还包括:
基于所述满足模型收敛条件的异常生产定位估计模型采集工况状态特征序列;
依据所述工况状态特征序列,确定所述异常生产定位估计模型的模型参数层的代价矢量特征,其中,所述代价矢量特征包括所述模型参数层在当前设定参数下的下降方向和强度;
基于预置更新参数,对所述代价矢量特征进行更新,以得到更新后的模型参数层;
基于所述更新后的模型参数层所对应的异常生产定位估计模型,再次采集工况状态特征序列,并依据所述再次采集得到的工况状态特征序列对所述异常生产定位估计模型的模型参数层进行更新,直至所述异常生产定位估计模型在进行异常生产定位估计时能够获得预置的估计支持度为止。
第二方面,本申请实施例还提供一种丙烯酸共聚乳液生产控制系统的优化系统,所述丙烯酸共聚乳液生产控制系统的优化系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现第一方面中任意一种可能的实施方式中的丙烯酸共聚乳液生产控制系统的优化方法。
呈上所述的任意一方面,通过获取丙烯酸共聚乳液生产控制系统所管理的丙烯酸共聚乳液生产线的原始工况状态特征序列,并基于原始工况状态特征序列确定丙烯酸共聚乳液生产线的异常事件,将异常事件以及异常事件关联的关联事件所对应的生产控制模块添加到待优化控制模块序列中,并获取待优化控制模块序列中各个待优化控制模块的控制场景的各异常追溯操作数据,对各个待优化控制模块的控制场景的各异常追溯操作数据进行故障预测,生成对控制场景中的控制成员模块的故障预测信息,根据故障预测信息对对应的待优化控制模块进行优化,从而将异常事件与生产控制模块进行关联后进行故障预测,可以提高故障预测的精度。
通过获取控制场景的各异常追溯操作数据,采用特征提取模型提取各异常追溯操作数据对应的有向关系网络数据和故障热力图,基于各异常追溯操作数据对应的故障热力图,确定各异常追溯操作数据中各操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值,并基于各异常追溯操作数据中各操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值、以及各异常追溯操作数据对应的有向关系网络数据,生成控制场景对应的数字孪生场景特征;进而基于对应的数字孪生场景特征,经过特征提取模型前向运算得到目标故障特征向量,并对目标故障特征向量进行预测,生成对控制场景中的控制成员模块的故障预测信息,从而将异常追溯操作数据和目标故障标签的故障渗透信息结合,可以提高故障预测精度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的基础上,还可以结合这些附图提取其它相关的附图。
图1为本申请实施例提供的丙烯酸共聚乳液生产控制系统的优化方法的流程示意图;
图2为本申请实施例提供的用于实现上述的丙烯酸共聚乳液生产控制系统的优化方法的丙烯酸共聚乳液生产控制系统的优化系统的结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围时,本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
图1是本申请一种实施例提供的丙烯酸共聚乳液生产控制系统的优化方法的流程示意图,下面对该丙烯酸共聚乳液生产控制系统的优化方法进行详细介绍。
步骤S100,获取丙烯酸共聚乳液生产控制系统所管理的丙烯酸共聚乳液生产线的原始工况状态特征序列,并基于所述原始工况状态特征序列确定所述丙烯酸共聚乳液生产线的异常事件,并将所述异常事件以及所述异常事件关联的关联事件所对应的生产控制模块添加到待优化控制模块序列中,并获取所述待优化控制模块序列中各个待优化控制模块的控制场景的各异常追溯操作数据。
本实施例中,工况状态特征可以是指所述丙烯酸共聚乳液生产线在每个时刻的运行状况的变量序列,通过对所述原始工况状态特征序列进行AI分析进而进行异常事件定位,可以生成所述丙烯酸共聚乳液生产线的异常事件,具体可以参见后续实施例的描述。
在此基础上,可以将所述异常事件以及所述异常事件关联的关联事件(如存在联动关系的事件、存在前置关系的事件、存在后置关系的事件等)所对应的生产控制模块添加到待优化控制模块序列中,并获取所述待优化控制模块序列中各个待优化控制模块的控制场景的各异常追溯操作数据,例如可以获取待优化控制模块所对应的各个异常事件的控制日志数据作为所述控制场景的各异常追溯操作数据。
步骤S200,对所述各个待优化控制模块的控制场景的各异常追溯操作数据进行故障预测,生成对所述控制场景中的控制成员模块的故障预测信息。
步骤S300,根据所述故障预测信息对对应的所述待优化控制模块进行优化。
本实施例中,所述故障预测信息可以包括每个故障预测类别的支持度,支持度越大,表示对应的故障预测类别的可能性越大,例如可以将大于设定支持度的故障预测类别作为对应的故障输出类别,然后从云端优化方案库中提取与所述故障输出类别对应的目标云端优化方案,并基于所述目标云端优化方案对应的优化程序指令对对应的所述待优化控制模块进行优化。
基于以上步骤,通过获取丙烯酸共聚乳液生产控制系统所管理的丙烯酸共聚乳液生产线的原始工况状态特征序列,并基于原始工况状态特征序列确定丙烯酸共聚乳液生产线的异常事件,将异常事件以及异常事件关联的关联事件所对应的生产控制模块添加到待优化控制模块序列中,并获取待优化控制模块序列中各个待优化控制模块的控制场景的各异常追溯操作数据,对各个待优化控制模块的控制场景的各异常追溯操作数据进行故障预测,生成对控制场景中的控制成员模块的故障预测信息,根据故障预测信息对对应的待优化控制模块进行优化,从而将异常事件与生产控制模块进行关联后进行故障预测,可以提高故障预测的精度。
一种示例性的设计思路中,以上步骤S200可以通过下述实施例实现。
步骤S102,获取丙烯酸共聚乳液生产控制系统所管理的丙烯酸共聚乳液生产线的原始工况状态特征序列,并基于所述原始工况状态特征序列确定所述丙烯酸共聚乳液生产线的异常事件,并将所述异常事件以及所述异常事件关联的关联事件所对应的生产控制模块添加到待优化控制模块序列中,并获取所述待优化控制模块序列中各个待优化控制模块的控制场景的各异常追溯操作数据,采用特征提取模型提取每个异常追溯操作数据对应的有向关系网络数据和故障热力图。
一种示例性的设计思路中,可以通过特征提取模型提取各异常追溯操作数据对应的有向关系网络数据和故障热力图,示例性地,可以通过特征提取模型前向运算得到各异常追溯操作数据对应的有向关系网络数据和故障热力图。其中,各故障热力图表示各异常追溯操作数据中各操作行为在设定故障区间内的目标数量个故障标签的热力值;每个故障标签表示设定故障区间内的不同的故障子区间。各异常追溯操作数据中各操作行为在对应的故障标签的热力值在0与1之间。
步骤S104,基于各异常追溯操作数据对应的故障热力图,确定各异常追溯操作数据中各操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值。
对于各异常追溯操作数据中的各操作行为而言,虽然各操作行为对应多个不同的故障子区间,每个故障子区间对应一个故障标签,故障标签决定了目标故障渗透值和目标故障渗透热力值,进而决定了数字孪生生成。但各操作行为对应的所有故障标签并不是都对控制场景的故障预测起到作用。因此,可以基于各异常追溯操作数据对应的故障热力图,选择出与控制场景的故障预测起到作用的各异常追溯操作数据中各操作行为对应的多个目标故障标签,并确定每个目标故障标签的目标故障渗透值和目标故障渗透热力值。
步骤S106,基于各异常追溯操作数据中各操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值、以及各异常追溯操作数据对应的有向关系网络数据,生成控制场景对应的数字孪生场景特征。
步骤S108,基于对应的数字孪生场景特征,经过特征提取模型前向运算得到目标故障特征向量,并对目标故障特征向量进行预测,生成对控制场景中的控制成员模块的故障预测信息。
以将控制场景的数字孪生场景特征输入特征提取模型,以通过特征提取模型前向运算得到目标故障特征向量,并解码目标故障特征向量得到故障预测结果。
基于以上步骤,通过获取控制场景的各异常追溯操作数据,采用特征提取模型提取各异常追溯操作数据对应的有向关系网络数据和故障热力图,基于各异常追溯操作数据对应的故障热力图,确定各异常追溯操作数据中各操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值,并基于各异常追溯操作数据中各操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值、以及各异常追溯操作数据对应的有向关系网络数据,生成控制场景对应的数字孪生场景特征;进而基于对应的数字孪生场景特征,经过特征提取模型前向运算得到目标故障特征向量,并对目标故障特征向量进行预测,生成对控制场景中的控制成员模块的故障预测信息。由此,在进行控制场景的故障预测时,结合了各异常追溯操作数据中各操作行为在对应的目标故障标签的目标故障渗透值,也即结合了故障渗透信息,从而在基于控制场景对应的数字孪生场景特征进行故障预测时,可以提高故障预测精度。
一种示例性的设计思路中,基于各异常追溯操作数据对应的故障热力图,确定各异常追溯操作数据中各操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值,包括以下步骤:
步骤S202,获取依据对各异常追溯操作数据对应的故障热力图中各操作行为在设定故障区间内的目标数量个故障标签的热力值基于从大到小的顺序排列后,生成的各异常追溯操作数据中各操作行为对应的多个目标故障标签。
一种示例性的设计思路中,对各异常追溯操作数据对应的故障热力图中各操作行为在设定故障区间内的目标数量个故障标签的热力值基于从大到小的顺序排列后,可以将排序靠前的n个热力值对应的故障标签确定为各异常追溯操作数据中各操作行为对应的多个目标故障标签。
步骤S204,基于各异常追溯操作数据中各操作行为对应的多个目标故障标签,确定各异常追溯操作数据中各操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值。
基于以上步骤,通过获取依据对各异常追溯操作数据对应的故障热力图中各操作行为在对应的故障标签的热力值进行次序整理后,生成的各异常追溯操作数据中各操作行为对应的多个目标故障标签,进而基于各异常追溯操作数据中各操作行为对应的多个目标故障标签,确定各异常追溯操作数据中各操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值。这样,在进行控制场景的故障预测时,考虑到了各异常追溯操作数据中各操作行为在对应的目标故障标签的目标故障渗透值,也即考虑到了故障触发时的故障渗透信息,由此提高故障预测精度。
一种示例性的设计思路中,获取依据对各异常追溯操作数据对应的故障热力图中各操作行为在对应的目标数量个故障标签的热力值基于从大到小的顺序排列后,生成的各异常追溯操作数据中各操作行为对应的多个目标故障标签,包括以下步骤:
步骤S302,获取依据对各异常追溯操作数据对应的故障热力图中各操作行为在设定故障区间内的目标数量个故障标签的热力值基于从大到小的顺序排列后,生成排序前N的故障标签,并将前N的故障标签确定为各异常追溯操作数据中各操作行为对应的第一估计故障标签。
例如,异常追溯操作数据中的某一操作行为包括10个故障标签,故障标签1对应的热力值为0.08,故障标签2对应的热力值为0.03,故障标签3对应的热力值为0.1,故障标签4对应的热力值为0.02,故障标签5对应的热力值为0.3,故障标签6对应的热力值为0.27,故障标签7对应的热力值为0.12,故障标签8对应的热力值为0.02,故障标签9对应的热力值为0.04,故障标签10对应的热力值为0.02。将上述故障标签对应的热力值进行次序整理后,热力值大于设定热力值的多个故障标签分别为故障标签1、故障标签3、故障标签5、故障标签6以及故障标签7。因此,故障标签1、故障标签3、故障标签5、故障标签6以及故障标签7为该异常追溯操作数据中的某一操作行为对应的第一估计故障标签。
步骤S304,获取依据对各异常追溯操作数据对应的故障热力图中各操作行为在设定故障区间内的目标数量个故障标签的热力值基于从大到小的顺序排列后,生成的热力值最大的各异常追溯操作数据中各操作行为对应的第一选定故障标签。
值得说明的是,对各异常追溯操作数据对应的故障热力图中各操作行为在设定故障区间内的目标数量个故障标签的热力值进行次序整理后,可以将其中最大热力值对应的故障标签确定为各异常追溯操作数据中各操作行为对应的第一选定故障标签,第一选定故障标签的数量为一个。
步骤S306,基于各异常追溯操作数据中各操作行为对应的第一选定故障标签,生成各异常追溯操作数据中各操作行为对应的第二估计故障标签。
一种示例性的设计思路中,各异常追溯操作数据中各操作行为对应的第一选定故障标签为最大热力值对应的故障标签,可以将最大热力值所处排序后位置的前临近或后临近的前N的故障标签确定为各异常追溯操作数据中各操作行为对应的第二估计故障标签。
步骤S308,基于各异常追溯操作数据中各操作行为对应的第一估计故障标签和各操作行为对应的第二估计故障标签,生成各异常追溯操作数据中各操作行为对应的多个目标故障标签。
一种示例性的设计思路中,基于各异常追溯操作数据中各操作行为对应的第一估计故障标签和各操作行为对应的第二估计故障标签,可以将第一估计故障标签和第二估计故障标签中重复的故障标签确定为各异常追溯操作数据中各操作行为对应的目标故障标签。
一种示例性的设计思路中,基于各异常追溯操作数据中各操作行为对应的第一选定故障标签,生成各异常追溯操作数据中各操作行为对应的第二估计故障标签,包括以下步骤:
步骤S402,基于各异常追溯操作数据中各操作行为对应的第一选定故障标签,确定各操作行为中与第一选定故障标签前相邻的目标数量的故障标签为各异常追溯操作数据中各操作行为对应的第二选定故障标签。
步骤S404,基于各异常追溯操作数据中各操作行为对应的第一选定故障标签,确定各操作行为中与第一选定故障标签后相邻的目标数量的故障标签为各异常追溯操作数据中各操作行为对应的第三选定故障标签。
步骤S406,确定第二选定故障标签和第三选定故障标签为各异常追溯操作数据中各操作行为对应的第二估计故障标签。
示例性地,异常追溯操作数据中的某一操作行为包括10个故障标签,故障标签1对应的热力值为0.08,故障标签2对应的热力值为0.03,故障标签3对应的热力值为0.1,故障标签4对应的热力值为0.02,故障标签5对应的热力值为0.3,故障标签6对应的热力值为0.27,故障标签7对应的热力值为0.12,故障标签8对应的热力值为0.02,故障标签9对应的热力值为0.04,故障标签10对应的热力值为0.02。将上述故障标签对应的热力值进行次序整理后,最大热力值对应的故障标签为故障标签5,与故障标签5前临近的2个故障标签分别为故障标签4和故障标签3,与故障标签5后临近的2个故障标签分别为故障标签6和故障标签7。因此,故障标签3、故障标签4、故障标签5、故障标签6以及故障标签7为该异常追溯操作数据中的某一操作行为对应的第二估计故障标签。
一种示例性的设计思路中,基于各异常追溯操作数据中各操作行为对应的第一估计故障标签和各操作行为对应的第二估计故障标签,生成各异常追溯操作数据中各操作行为对应的多个目标故障标签,包括以下步骤:
步骤S502,获取依据对第一估计故障标签和第二估计故障标签进行重复标签清洗后,生成的第三估计故障标签。
步骤S504,确定第三估计故障标签为各异常追溯操作数据中各操作行为对应的多个目标故障标签。
其中,第三估计故障标签的数目n∈[p,2p-1]。例如,异常追溯操作数据中的某一操作行为包括10个故障标签,故障标签1对应的故障渗透热力值为0.08,故障标签2对应的故障渗透热力值为0.03,故障标签3对应的故障渗透热力值为0.1,故障标签4对应的故障渗透热力值为0.02,故障标签5对应的故障渗透热力值为0.3,故障标签6对应的故障渗透热力值为0.27,故障标签7对应的故障渗透热力值为0.12,故障标签8对应的故障渗透热力值为0.02,故障标签9对应的故障渗透热力值为0.04,故障标签10对应的故障渗透热力值为0.02。
将上述故障标签对应的故障渗透热力值进行次序整理后,故障渗透热力值靠前的5个故障标签分别为故障标签1、故障标签3、故障标签5、故障标签6以及故障标签7,则故障标签1、故障标签3、故障标签5、故障标签6以及故障标签7为该异常追溯操作数据中的某一操作行为对应的第一估计故障标签。
将上述故障标签对应的故障渗透热力值进行次序整理后,最大故障渗透热力值对应的故障标签为故障标签5,与故障标签5前临近的2个故障标签分别为故障标签4和故障标签3,与故障标签5后临近的2个故障标签分别为故障标签6和故障标签7,则故障标签3、故障标签4、故障标签5、故障标签6以及故障标签7为该异常追溯操作数据中的某一操作行为对应的第二估计故障标签。
进一步地,将故障标签1、故障标签3、故障标签5、故障标签6以及故障标签7,与故障标签3、故障标签4、故障标签5、故障标签6以及故障标签7进行重复标签清洗后得到的故障标签分别为故障标签1、故障标签3、故障标签4、故障标签5、故障标签6以及故障标签7,则故障标签1、故障标签3、故障标签4、故障标签5、故障标签6以及故障标签7为该异常追溯操作数据中的某一操作行为对应的多个目标故障标签。
一种示例性的设计思路中,基于各异常追溯操作数据中各操作行为对应的多个目标故障标签,确定各异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值,包括以下步骤:
步骤S602,基于各异常追溯操作数据中各操作行为对应的多个目标故障标签,在每个目标故障标签对应的故障子区间内生成游走跨度值,并将对应的游走跨度值确定为各目标故障标签的目标故障渗透值。
步骤S604,基于各异常追溯操作数据中各操作行为对应的多个目标故障标签,确定每个目标故障标签对应的引用热力节点,并将每个目标故障标签对应的引用热力节点的故障渗透热力值确定为各目标故障标签的目标故障渗透热力值。
一种示例性的设计思路中,基于各异常追溯操作数据中各操作行为在对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值、以及各异常追溯操作数据对应的有向关系网络数据,生成控制场景对应的数字孪生场景特征,包括以下步骤:
步骤S702,基于各异常追溯操作数据中各操作行为对应的多个目标故障标签的目标故障渗透值和各异常追溯操作数据对应的有向关系网络数据中各操作行为对应的行为位置,生成各异常追溯操作数据中各操作行为对应的多个第一追溯位置。
示例性地,可以将各异常追溯操作数据中各操作行为对应的目标故障标签的目标故障渗透值作为第一追溯位置中的z值,将各异常追溯操作数据对应的有向关系网络数据中各操作行为对应的行为位置作为第一追溯位置中的x值和y值,从而可以得到各异常追溯操作数据中各操作行为对应的第一追溯位置。
步骤S704,基于内参矩阵和各异常追溯操作数据中各操作行为对应的多个第一追溯位置,生成各异常追溯操作数据中各操作行为对应的多个第二追溯位置;第二追溯位置为数字孪生场景位置。
其中,基于内参矩阵,可以将各异常追溯操作数据中各操作行为对应的多个第一追溯位置映射到数字孪生空间中,从而得到各异常追溯操作数据中各操作行为对应的第二追溯位置。
步骤S706,基于各异常追溯操作数据中各操作行为对应的多个第二追溯位置和外参矩阵,生成各异常追溯操作数据中各操作行为对应的多个数字孪生场景位置。
其中,基于外参矩阵,可以将各异常追溯操作数据中各操作行为对应的多个第二追溯位置计算出映射到数字孪生空间的坐标系中,从而得到各异常追溯操作数据中各操作行为对应的数字孪生场景位置。
步骤S708,基于各异常追溯操作数据中各操作行为对应的多个数字孪生场景位置、各异常追溯操作数据中各操作行为对应的多个目标故障标签的目标故障渗透热力值和各异常追溯操作数据对应的有向关系网络数据,生成控制场景对应的数字孪生场景特征。
其中,多个数字孪生场景位置和多个目标故障渗透热力值一一对应。一种示例性的设计思路中,可以基于各异常追溯操作数据对应的有向关系网络数据、各异常追溯操作数据中各操作行为对应的多个目标故障标签的目标故障渗透热力值,生成各异常追溯操作数据中各操作行为对应的操作变量,进而基于各异常追溯操作数据中各操作行为对应的操作变量和各异常追溯操作数据中各操作行为对应的数字孪生场景位置,生成控制场景对应的数字孪生场景特征。
基于以上步骤,通过基于各异常追溯操作数据中各操作行为对应的多个目标故障标签的目标故障渗透值和各异常追溯操作数据对应的有向关系网络数据中各操作行为对应的行为位置,生成各异常追溯操作数据中各操作行为对应的多个第一追溯位置,并基于内参矩阵和各异常追溯操作数据中各操作行为对应的多个第一追溯位置,生成各异常追溯操作数据中各操作行为对应的多个第二追溯位置,第二追溯位置为数字孪生场景位置;并基于各异常追溯操作数据中各操作行为对应的多个第二追溯位置和外参矩阵,生成各异常追溯操作数据中各操作行为对应的多个数字孪生场景位置,进而基于各异常追溯操作数据中各操作行为对应的多个数字孪生场景位置、各异常追溯操作数据中各操作行为在对应的多个目标故障标签的目标故障渗透热力值和各异常追溯操作数据对应的有向关系网络数据,生成控制场景对应的数字孪生场景特征。这样,在进行控制场景的故障预测时,考虑到了各异常追溯操作数据中各操作行为在对应的目标故障渗透范围的目标故障渗透值,也即结合了故障触发时的故障渗透信息,从而在依据数字孪生场景特征进行故障预测时,可以提高故障预测精度。
一种示例性的设计思路中,基于各异常追溯操作数据中各操作行为对应的多个数字孪生场景位置、各异常追溯操作数据中各操作行为对应的多个目标故障标签的目标故障渗透热力值和各异常追溯操作数据对应的有向关系网络数据,生成控制场景对应的数字孪生场景特征,包括以下步骤:
步骤S802,获取各异常追溯操作数据对应的有向关系网络数据中各操作行为在对应的行为位置的第一操作变量。
步骤S804,基于各异常追溯操作数据对应的有向关系网络数据中各操作行为在对应的行为位置的第一操作变量、以及各异常追溯操作数据中各操作行为对应的多个目标故障标签的目标故障渗透热力值,生成各异常追溯操作数据中各操作行为对应的多个第二操作变量。
示例性地,将各异常追溯操作数据对应的有向关系网络数据中各操作行为在对应的行为位置的第一操作变量,分别与各异常追溯操作数据中各操作行为在对应的多个目标故障标签的目标故障渗透热力值进行加权,可以得到各异常追溯操作数据中各操作行为对应的多个第二操作变量。例如,第一操作变量为C维,各操作行为在对应的多个目标故障标签的目标故障渗透热力值的数量为n个,则得到n个第二操作变量,第二操作变量与第一操作变量的维度相同。
步骤S806,基于异常追溯操作数据中各操作行为对应的多个数字孪生场景位置和多个第二操作变量,获取各异常追溯操作数据中的各操作行为的各第二操作变量对应的数字孪生场景位置。
多个数字孪生场景位置由多个目标故障渗透值计算得到,数字孪生场景位置和目标故障渗透值一一对应,多个第二操作变量由多个目标故障渗透热力值计算得到,第二操作变量和目标故障渗透热力值一一对应。而多个目标故障渗透热力值和多个目标故障渗透值均是由多个目标故障标签得到,因此,目标故障渗透热力值和目标故障渗透值也是一一对应,由此多个第二操作变量与多个数字孪生场景位置也是一一对应。
步骤S808,将各异常追溯操作数据中各操作行为对应的各第二操作变量依据各第二操作变量对应的数字孪生场景位置进行数字孪生生成,生成控制场景对应的数字孪生场景特征。
基于以上步骤,本实施例通过获取各异常追溯操作数据对应的有向关系网络数据中各操作行为对应的行为位置的第一操作变量,并基于各异常追溯操作数据对应的有向关系网络数据中各操作行为对应的行为位置的第一操作变量、以及各异常追溯操作数据中各操作行为在对应的多个目标故障标签的目标故障渗透热力值,生成各异常追溯操作数据中各操作行为对应的多个第二操作变量;并基于异常追溯操作数据中的各操作行为对应的多个数字孪生场景位置和多个第二操作变量,获取各异常追溯操作数据中的各操作行为的各第二操作变量对应的数字孪生场景位置;并将各异常追溯操作数据中的各操作行为的各第二操作变量依据各第二操作变量对应的数字孪生场景位置进行数字孪生生成,生成控制场景对应的数字孪生场景特征。由此,通过基于对应的数字孪生场景特征,经过特征提取模型前向运算得到目标故障特征向量,并对目标故障特征向量进行预测,生成对控制场景中的控制成员模块的故障预测信息,从而将异常追溯操作数据和目标故障标签的故障渗透信息结合,可以提高故障预测精度。
譬如,一种示例性的设计思路中,获取所述丙烯酸共聚乳液生产控制系统所管理的丙烯酸共聚乳液生产线的原始工况状态特征序列,并根据所述原始工况状态特征序列确定所述丙烯酸共聚乳液生产线的异常事件的步骤通过异常生产定位估计模型实现;该异常生产定位估计模型为一种AI神经网络模型,通过该AI神经网络模型,可以实现以上实施例的方法步骤。
一些示例性的设计思路中,异常生产定位估计模型包括:特征编码器、特征区分决策单元、工况状态特征估计单元和异常生产定位估计单元。其中,特征编码器,用于对加载的原始工况状态特征序列进行编码,生成序列编码特征;原始工况状态特征序列中包括所述一个或多个直接型工况状态特征;特征区分决策单元,用于依据非监督区分方法,对加载的原始工况状态特征序列中的类内特征序列和类间特征序列进行区分;工况状态特征估计单元,用于依据序列编码特征对丙烯酸共聚乳液生产线的间接型工况状态特征进行迭代估计,生成丙烯酸共聚乳液生产线的工况状态特征序列;异常生产定位估计单元,用于依据工况状态特征序列,确定丙烯酸共聚乳液生产线的异常生产定位估计数据。
接下来上述异常生产定位估计模型的训练步骤进行阐述,具体可以包括以下步骤A301至步骤A308:
步骤A301,获取异常生产定位训练数据,并将异常生产定位训练数据加载到异常生产定位估计模型中;异常生产定位训练数据包括非置乱训练数据集合和置乱训练数据集合。
一些示例性的设计思路中,步骤A301中获取异常生产定位训练数据的过程中:首先,从设定生产控制数据库中获取工况状态特征与异常事件组成的标准训练数据集合;标准训练数据集合中包括一个或多个非置乱训练数据集合;然后,从标准训练数据集合中,配置一个或多个非置乱训练数据集合对应的置乱训练数据集合;最后,将非置乱训练数据集合与置乱训练数据集合,确定为异常生产定位训练数据中的异常生产定位训练数据。
本实施例中,非置乱训练数据集合是指未进行置乱处理的原始训练数据集合。可以从标准训练数据集合中任意确定一个非置乱训练数据集合进行置乱处理,置乱处理是指将非置乱训练数据集合中的工况状态特征在非置乱训练数据集合中的位置打乱,构成一个新具有不同集合位置的置乱训练数据集合。例如,假设非置乱训练数据集合中包括A1,A2,A3,A4,A5五个工况状态特征,则非置乱训练数据集合可以表示为【A1,A2,A3,A4,A5】,在进行置乱处理后,生成的置乱训练数据集合可以表示是【A4,A1,A5,A2,A3】。
任意一对非置乱训练数据集合和置乱训练数据集合中的工况状态特征数量和工况状态特征类型完全相同,所不同的只是每个工况状态特征在非置乱训练数据集合和置乱训练数据集合中所在的位置不同。这里的位置是指在相应集合中的前后顺序。
由于标准训练数据集合是由工况状态特征和对应的异常事件组成的集合,即非置乱训练数据集合和置乱训练数据集合中均不仅包括工况状态特征,还包括异常事件,在实施时,非置乱训练数据集合和置乱训练数据集合中异常事件在集合中的位置可以为固定位置,即置乱处理只是对非置乱训练数据集合中的工况状态特征的位置进行打乱,并不改变异常事件所在的位置。
可以依据标准训练数据集合中的多个非置乱训练数据集合,生成多对非置乱训练数据集合和置乱训练数据集合构成的集合组合,并将多对集合对确定为异常生产定位训练数据,从而依据构建的异常生产定位训练数据对异常生产定位估计模型进行训练。
步骤A302,通过异常生产定位估计模型的特征区分决策单元,确定非置乱训练数据集合在不同随机失活屏蔽模态(掩码模式)下的屏蔽数据集合(掩码序列)。
一些示例性的设计思路中,步骤A302可以通过以下步骤A3021至步骤A3022实现:
步骤A3021,依据特征编码器的随机失活屏蔽机制,确定不同的两种屏蔽策略;不同的两种屏蔽策略包括第一随机失活屏蔽模态和第二随机失活屏蔽模态。
步骤A3022,在第一随机失活屏蔽模态和第二随机失活屏蔽模态下,对非置乱训练数据集合进行集合屏蔽特征计算,生成非置乱训练数据集合在第一随机失活屏蔽模态下的屏蔽数据集合和在第二随机失活屏蔽模态下的屏蔽数据集合。
步骤A303,通过异常生产定位估计模型的特征编码器对非置乱训练数据集合和置乱训练数据集合进行编码,生成非置乱列编码特征和置乱序列编码特征;以及,对屏蔽数据集合进行编码,生成屏蔽数据序列编码特征。
一些示例性的设计思路中,步骤A303可以通过以下步骤A3031实现:
步骤A3031,通过异常生产定位估计模型的特征编码器,对第一随机失活屏蔽模态下的屏蔽数据集合和置乱训练数据集合进行编码,生成非置乱列编码特征和置乱序列编码特征;以及,对第二随机失活屏蔽模态下的屏蔽数据集合进行编码,生成屏蔽数据序列编码特征。
步骤A304,依据非置乱列编码特征、置乱序列编码特征和屏蔽数据序列编码特征,确定异常生产定位估计模型的区别代价信息。
一些示例性的设计思路中,步骤A304可以通过以下方式实现:采用预置的第一比较代价函数,确定非置乱列编码特征与屏蔽数据序列编码特征之间的第一区别代价值。并且,采用预置的第二比较代价函数,确定非置乱列编码特征与置乱序列编码特征之间的第二区别代价值。
在实施时,可以将非置乱列编码特征与屏蔽数据序列编码特征加载到第一比较代价函数中,通过第一比较代价函数,计算非置乱列编码特征与屏蔽数据序列编码特征之间的区别代价值,生成第一区别代价值。可以将非置乱列编码特征与置乱序列编码特征加载到第二比较代价函数中,通过第二比较代价函数,计算非置乱列编码特征与置乱序列编码特征之间的区别代价值,生成第二区别代价值。其中,第一区别代价值和第二区别代价值构成异常生产定位估计模型的区别代价信息。
步骤A305,通过异常生产定位估计模型的工况状态特征估计单元,依据非置乱列编码特征确定参考估计工况状态特征。
这里,工况状态特征估计单元用于对加载的非置乱列编码特征进行处理后,输出参考估计工况状态特征。参考估计工况状态特征是在本轮工况状态特征估计任务中,估计生成的与加载的异常生产定位训练数据对应的估计工况状态特征。
步骤A306,通过异常生产定位估计模型的异常生产定位估计单元,依据非置乱列编码特征确定参考异常生产节点数据。
这里,异常生产定位估计单元用于对加载的非置乱列编码特征进行处理后,输出参考异常生产节点数据。参考异常生产节点数据是依据加载的异常生产定位训练数据和估计的间接型工况状态特征,估计生成的样本丙烯酸共聚乳液生产线的异常事件。
步骤A307,将参考估计工况状态特征和参考异常生产节点数据加载到模型代价计算函数中,通过模型代价计算函数分别输出工况状态特征估计单元的第一模型代价计算信息和异常生产定位估计单元的第二模型代价计算信息。
一些示例性的设计思路中,步骤A307可以通过以下步骤A3071至步骤A3072实现:
步骤A3071,通过模型代价计算函数中的第一MSE平方损失函数,依据参考估计工况状态特征和非置乱训练数据集合中的异常事件标注数据,确定工况状态特征估计单元的第一模型代价计算信息。
一些示例性的设计思路中,可以将参考估计工况状态特征和非置乱训练数据集合中的异常事件标注数据加载到第一MSE平方损失函数中,通过第一MSE平方损失函数,计算参考估计工况状态特征和非置乱训练数据集合中的异常事件标注数据之间的损失函数值,生成工况状态特征估计单元的第一模型代价计算信息。
步骤A3072,通过模型代价计算函数中的第二MSE平方损失函数,依据参考异常生产节点数据和异常生产定位训练数据中的异常事件标注数据,确定异常生产定位估计单元的第二模型代价计算信息。
一些示例性的设计思路中,可以将参考异常生产节点数据和异常生产定位训练数据中的异常事件标注数据加载到第二MSE平方损失函数中,通过第二MSE平方损失函数,计算参考异常生产节点数据和异常生产定位训练数据中的异常事件标注数据之间的损失函数值,生成异常生产定位估计单元的第二模型代价计算信息。
一些示例性的设计思路中,以上实施例还可以包括以下步骤A3073和步骤A3074:
步骤A3073,对第一模型代价计算信息和第二模型代价计算信息进行加权计算,生成目标模型代价计算信息。
步骤A3074,利用梯度下降算法,依据目标模型代价计算信息,对异常生产定位估计模型进行权重参数迭代更新,生成满足模型收敛条件的异常生产定位估计模型。
通过梯度下降方法,能够优化异常生产定位估计模型的目标模型代价计算信息,从而对异常生产定位估计模型进行准确的训练。
步骤A308,依据区别代价信息、第一模型代价计算信息和第二模型代价计算信息,对异常生产定位估计模型进行权重参数迭代更新,生成满足模型收敛条件的异常生产定位估计模型。
可以依据区别代价信息对特征编码器和特征区分决策单元中的权重参数进行更新;可以依据第一模型代价计算信息对工况状态特征估计单元中的权重参数进行更新;可以依据第二模型代价计算信息对异常生产定位估计单元中的权重参数进行更新。
一些示例性的设计思路中,在对异常生产定位估计模型进行训练之后,还可以对满足模型收敛条件的异常生产定位估计模型进行进一步优化。针对上述满足模型收敛条件的异常生产定位估计模型,还可以包括以下步骤A401至步骤A404:
步骤A401,采用满足模型收敛条件的异常生产定位估计模型采集工况状态特征序列。
这里,采用满足模型收敛条件的异常生产定位估计模型采集工况状态特征序列可以是通过想异常生产定位估计模型中输入一个或多个直接型工况状态特征之后进行间接型工况状态特征的估计,生成多个间接型工况状态特征,进而得到由直接型工况状态特征与间接型工况状态特征构成的工况状态特征序列。
步骤A402,依据工况状态特征序列,确定异常生产定位估计模型的模型参数层的代价矢量特征。
本实施例可以通过预置的梯度损失函数,对工况状态特征序列对应的序列编码特征进行损失计算,生成异常生产定位估计模型的模型参数层的代价矢量特征。
步骤A403,基于预置更新参数,对代价矢量特征进行更新,以得到更新后的模型参数层。
预置更新参数可以为一个预先设置的参数,预设微调参数可以基于异常生产定位估计模型的训练条件等来确定。
步骤A404,采用更新后的模型参数层所对应的异常生产定位估计模型,再次采集工况状态特征序列,并依据再次采集得到的工况状态特征序列对异常生产定位估计模型的模型参数层进行更新,直至异常生产定位估计模型在进行异常生产定位估计时能够获得预置的估计支持度为止。
图2示出了本申请实施例提供的用于实现上述的丙烯酸共聚乳液生产控制系统的优化方法的丙烯酸共聚乳液生产控制系统的优化系统100的硬件结构意图,如图2所示,丙烯酸共聚乳液生产控制系统的优化系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
一种示例性的设计思路中,丙烯酸共聚乳液生产控制系统的优化系统100可以是单个丙烯酸共聚乳液生产控制系统的优化系统,也可以是丙烯酸共聚乳液生产控制系统的优化系统组。所述丙烯酸共聚乳液生产控制系统的优化系统组可以是集中式的,也可以是分布式的(例如,丙烯酸共聚乳液生产控制系统的优化系统100可以是分布式的系统)。一种示例性的设计思路中,丙烯酸共聚乳液生产控制系统的优化系统100可以是本地的,也可以是远程的。例如,丙烯酸共聚乳液生产控制系统的优化系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如,丙烯酸共聚乳液生产控制系统的优化系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。一种示例性的设计思路中,丙烯酸共聚乳液生产控制系统的优化系统100可以在云平台上实施。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。一种示例性的设计思路中,机器可读存储介质120可以存储从外部终端获取的数据。一种示例性的设计思路中,机器可读存储介质120可以储存丙烯酸共聚乳液生产控制系统的优化系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。一种示例性的设计思路中,机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括主动随机存取存储器(DRAM)、双倍数据速率同步主动随机存取存储器(DDR SDRAM)、被动随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。一种示例性的设计思路中,机器可读存储介质120可以在云平台上实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云,多层云等,或其任意组合。
在具体实现过程中,至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令,使得处理器110可以执行如上方法实施例的丙烯酸共聚乳液生产控制系统的优化方法,处理器110、机器可读存储介质120以及通信单元140通过总线130连接,处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述丙烯酸共聚乳液生产控制系统的优化系统100执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
此外,本申请实施例还提供一种可读存储介质,所述可读存储介质中预设有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如上丙烯酸共聚乳液生产控制系统的优化方法。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。
Claims (7)
1.一种丙烯酸共聚乳液生产控制系统的优化方法,其特征在于,所述方法包括:
获取丙烯酸共聚乳液生产控制系统所管理的丙烯酸共聚乳液生产线的原始工况状态特征序列,并基于所述原始工况状态特征序列确定所述丙烯酸共聚乳液生产线的异常事件,将所述异常事件以及所述异常事件关联的关联事件所对应的生产控制模块添加到待优化控制模块序列中,并获取所述待优化控制模块序列中各个待优化控制模块的控制场景的各异常追溯操作数据;
对所述各个待优化控制模块的控制场景的各异常追溯操作数据进行故障预测,生成对所述控制场景中的控制成员模块的故障预测信息;
根据所述故障预测信息对对应的所述待优化控制模块进行优化;
所述对所述各个待优化控制模块的控制场景的各异常追溯操作数据进行故障预测,生成对所述控制场景中的控制成员模块的故障预测信息的步骤,包括:
采用特征提取模型提取每个异常追溯操作数据对应的有向关系网络数据和故障热力图;其中,每个故障热力图表示每个异常追溯操作数据中各操作行为在设定故障区间内的目标数量个故障标签的热力值;每个故障标签表示所述设定故障区间内的不同的故障子区间;
基于每个异常追溯操作数据对应的故障热力图,确定每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值;
基于每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值、以及每个异常追溯操作数据对应的有向关系网络数据,生成所述控制场景对应的数字孪生场景特征;
基于对应的所述数字孪生场景特征,经过特征提取模型前向运算得到目标故障特征向量,并对所述目标故障特征向量进行预测,生成对所述控制场景中的控制成员模块的故障预测信息;
所述基于每个异常追溯操作数据对应的故障热力图,确定每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值,包括:
获取依据对每个异常追溯操作数据对应的故障热力图中各操作行为在设定故障区间内的目标数量个故障标签的热力值进行次序整理后,生成的每个异常追溯操作数据中每个操作行为对应的多个目标故障标签;
基于每个异常追溯操作数据中每个操作行为对应的多个目标故障标签,确定每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值;
所述获取依据对每个异常追溯操作数据对应的故障热力图中各操作行为在设定故障区间内的目标数量个故障标签的热力值进行次序整理后,生成的每个异常追溯操作数据中每个操作行为对应的多个目标故障标签,包括:
获取依据对每个异常追溯操作数据对应的故障热力图中各操作行为在设定故障区间内的目标数量个故障标签的热力值基于从大到小的顺序排列后,生成的热力值排序前N的故障标签,并将所述前N的故障标签确定为每个异常追溯操作数据中每个操作行为对应的第一估计故障标签;
获取依据对每个异常追溯操作数据对应的故障热力图中各操作行为在设定故障区间内的目标数量个故障标签的热力值基于从大到小的顺序排列后,生成的热力值最大的每个异常追溯操作数据中每个操作行为对应的第一选定故障标签;
基于每个异常追溯操作数据中每个操作行为对应的第一选定故障标签,生成每个异常追溯操作数据中每个操作行为对应的第二估计故障标签;
基于每个异常追溯操作数据中每个操作行为对应的第一估计故障标签和每个操作行为对应的第二估计故障标签,生成每个异常追溯操作数据中每个操作行为对应的多个目标故障标签。
2.根据权利要求1所述的丙烯酸共聚乳液生产控制系统的优化方法,其特征在于,所述基于每个异常追溯操作数据中每个操作行为对应的第一选定故障标签,生成每个异常追溯操作数据中每个操作行为对应的第二估计故障标签,包括:
基于每个异常追溯操作数据中每个操作行为对应的第一选定故障标签,确定每个操作行为中与所述第一选定故障标签前相邻的目标数量的故障标签为每个异常追溯操作数据中每个操作行为对应的第二选定故障标签;
基于每个异常追溯操作数据中每个操作行为对应的第一选定故障标签,确定每个操作行为中与所述第一选定故障标签后相邻的目标数量的故障标签为每个异常追溯操作数据中每个操作行为对应的第三选定故障标签;
确定所述第二选定故障标签和所述第三选定故障标签为每个异常追溯操作数据中每个操作行为对应的第二估计故障标签。
3.根据权利要求1所述的丙烯酸共聚乳液生产控制系统的优化方法,其特征在于,所述基于每个异常追溯操作数据中每个操作行为对应的第一估计故障标签和每个操作行为对应的第二估计故障标签,生成每个异常追溯操作数据中每个操作行为对应的多个目标故障标签,包括:
获取依据对所述第一估计故障标签和所述第二估计故障标签进行重复标签清洗后,生成的第三估计故障标签;
确定所述第三估计故障标签为每个异常追溯操作数据中每个操作行为对应的多个目标故障标签。
4.根据权利要求1所述的丙烯酸共聚乳液生产控制系统的优化方法,其特征在于,所述基于每个异常追溯操作数据中每个操作行为对应的多个目标故障标签,确定每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值,包括:
基于每个异常追溯操作数据中每个操作行为对应的多个目标故障标签,在每个目标故障标签对应的故障子区间内生成游走跨度值,并将对应的所述游走跨度值确定为每个目标故障标签的目标故障渗透值;
基于每个异常追溯操作数据中每个操作行为对应的多个目标故障标签,确定每个目标故障标签对应的引用热力节点,并将所述每个目标故障标签对应的引用热力节点的故障渗透热力值确定为每个目标故障标签的目标故障渗透热力值。
5.根据权利要求1所述的丙烯酸共聚乳液生产控制系统的优化方法,其特征在于,所述基于每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透值和目标故障渗透热力值、以及每个异常追溯操作数据对应的有向关系网络数据,生成所述控制场景对应的数字孪生场景特征,包括:
基于每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透值和每个异常追溯操作数据对应的有向关系网络数据中每个操作行为对应的行为位置,生成每个异常追溯操作数据中每个操作行为对应的多个第一追溯位置;
基于内参矩阵和每个异常追溯操作数据中每个操作行为对应的所述多个第一追溯位置,生成每个异常追溯操作数据中每个操作行为对应的多个第二追溯位置;所述第二追溯位置为数字孪生场景位置;
基于每个异常追溯操作数据中每个操作行为对应的所述多个第二追溯位置和外参矩阵,生成每个异常追溯操作数据中每个操作行为对应的多个数字孪生场景位置;
基于每个异常追溯操作数据中每个操作行为对应的多个数字孪生场景位置、每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透热力值和每个异常追溯操作数据对应的有向关系网络数据,生成所述控制场景对应的数字孪生场景特征。
6.根据权利要求5所述的丙烯酸共聚乳液生产控制系统的优化方法,其特征在于,所述基于每个异常追溯操作数据中每个操作行为对应的多个数字孪生场景位置、每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透热力值和每个异常追溯操作数据对应的有向关系网络数据,生成所述控制场景对应的数字孪生场景特征,包括:
获取每个异常追溯操作数据对应的有向关系网络数据中每个操作行为在对应的行为位置的第一操作变量;
基于每个异常追溯操作数据对应的有向关系网络数据中每个操作行为在对应的行为位置的第一操作变量、以及每个异常追溯操作数据中每个操作行为对应的多个目标故障标签的目标故障渗透热力值,生成每个异常追溯操作数据中每个操作行为对应的多个第二操作变量;其中,所述多个第二操作变量为多个所述目标故障渗透热力值对所述第一操作变量分别加权得到;
基于每个异常追溯操作数据中每个操作行为对应的多个数字孪生场景位置和多个第二操作变量,获取每个异常追溯操作数据中每个操作行为的各第二操作变量对应的数字孪生场景位置;
将每个异常追溯操作数据中每个操作行为的各第二操作变量依据所述各第二操作变量对应的数字孪生场景位置进行数字孪生生成,生成所述控制场景对应的数字孪生场景特征;其中,当数字孪生生成的所述数字孪生场景位置相同时,将对应的所述第二操作变量进行融合。
7.一种丙烯酸共聚乳液生产控制系统的优化系统,其特征在于,所述丙烯酸共聚乳液生产控制系统的优化系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现权利要求1-6中任意一项所述的丙烯酸共聚乳液生产控制系统的优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310531743.0A CN116236993B (zh) | 2023-05-12 | 2023-05-12 | 丙烯酸共聚乳液生产控制系统的优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310531743.0A CN116236993B (zh) | 2023-05-12 | 2023-05-12 | 丙烯酸共聚乳液生产控制系统的优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116236993A CN116236993A (zh) | 2023-06-09 |
CN116236993B true CN116236993B (zh) | 2023-08-08 |
Family
ID=86633482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310531743.0A Active CN116236993B (zh) | 2023-05-12 | 2023-05-12 | 丙烯酸共聚乳液生产控制系统的优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116236993B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116755403B (zh) * | 2023-06-13 | 2024-03-26 | 英利新能源(宁夏)有限公司 | 基于光伏组件生产控制系统的数据采集方法及系统 |
CN116561669B (zh) * | 2023-07-12 | 2023-09-05 | 南通二进制软件科技有限公司 | 一种应用于生产管理的数据分类识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111159893A (zh) * | 2019-12-30 | 2020-05-15 | 北京理工大学 | 一种基于数字孪生的故障复现及预测系统 |
WO2020233221A1 (zh) * | 2019-05-22 | 2020-11-26 | 北京京东尚科信息技术有限公司 | 热力分析方法、装置和系统 |
CN113609210A (zh) * | 2021-08-23 | 2021-11-05 | 广州梦源信息科技有限公司 | 基于人工智能的大数据可视化处理方法及可视化服务系统 |
CN114781476A (zh) * | 2022-03-08 | 2022-07-22 | 国网山东省电力公司营销服务中心(计量中心) | 一种量测设备故障分析系统和方法 |
CN115454781A (zh) * | 2022-10-08 | 2022-12-09 | 杭银消费金融股份有限公司 | 基于企业架构系统的数据可视化展现方法及系统 |
CN115576293A (zh) * | 2022-12-08 | 2023-01-06 | 台昌树脂(佛山)有限公司 | 基于数据监控的压敏胶在线生产分析方法及系统 |
CN115600891A (zh) * | 2022-12-16 | 2023-01-13 | 台昌树脂(佛山)有限公司(Cn) | 应用于水性丙烯酸树脂生产监测的大数据分析方法及系统 |
CN115854355A (zh) * | 2022-08-01 | 2023-03-28 | 浙江大学 | 一种蓄热式热力氧化炉的故障预测与诊断系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023524250A (ja) * | 2020-04-28 | 2023-06-09 | ストロング フォース ティーピー ポートフォリオ 2022,エルエルシー | 輸送システムのデジタルツインシステムおよび方法 |
US11703246B2 (en) * | 2020-07-30 | 2023-07-18 | Johnson Controls Tyco IP Holdings LLP | Building HVAC system with fault-adaptive model predictive control |
-
2023
- 2023-05-12 CN CN202310531743.0A patent/CN116236993B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020233221A1 (zh) * | 2019-05-22 | 2020-11-26 | 北京京东尚科信息技术有限公司 | 热力分析方法、装置和系统 |
CN111159893A (zh) * | 2019-12-30 | 2020-05-15 | 北京理工大学 | 一种基于数字孪生的故障复现及预测系统 |
CN113609210A (zh) * | 2021-08-23 | 2021-11-05 | 广州梦源信息科技有限公司 | 基于人工智能的大数据可视化处理方法及可视化服务系统 |
CN114781476A (zh) * | 2022-03-08 | 2022-07-22 | 国网山东省电力公司营销服务中心(计量中心) | 一种量测设备故障分析系统和方法 |
CN115854355A (zh) * | 2022-08-01 | 2023-03-28 | 浙江大学 | 一种蓄热式热力氧化炉的故障预测与诊断系统及方法 |
CN115454781A (zh) * | 2022-10-08 | 2022-12-09 | 杭银消费金融股份有限公司 | 基于企业架构系统的数据可视化展现方法及系统 |
CN115576293A (zh) * | 2022-12-08 | 2023-01-06 | 台昌树脂(佛山)有限公司 | 基于数据监控的压敏胶在线生产分析方法及系统 |
CN115600891A (zh) * | 2022-12-16 | 2023-01-13 | 台昌树脂(佛山)有限公司(Cn) | 应用于水性丙烯酸树脂生产监测的大数据分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116236993A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116236993B (zh) | 丙烯酸共聚乳液生产控制系统的优化方法及系统 | |
Kim et al. | Genetic algorithm to improve SVM based network intrusion detection system | |
CN108400895B (zh) | 一种基于遗传算法改进的bp神经网络安全态势评估算法 | |
Levitin | Optimal defense strategy against intentional attacks | |
KR102291869B1 (ko) | 비정상 트래픽 패턴의 탐지 방법 및 장치 | |
CN110889111A (zh) | 一种基于深度置信网络的电网虚拟数据注入攻击的检测方法 | |
US20160283840A1 (en) | Compositional prototypes for scalable neurosynaptic networks | |
Song et al. | Intrusion detection based on hybrid classifiers for smart grid | |
Chakrabarty et al. | Anomaly based intrusion detection system using genetic algorithm and K-centroid clustering | |
CN105550578A (zh) | 一种基于特征选择和决策树的网络异常分类规则提取方法 | |
CN116882303B (zh) | 一种激光电源的寿命预测方法、系统及存储介质 | |
CN114666204A (zh) | 一种基于因果强化学习的故障根因定位方法及系统 | |
CN110868312A (zh) | 一种基于遗传算法优化的工业行为异常检测方法 | |
CN116996272A (zh) | 一种基于改进的麻雀搜索算法的网络安全态势预测方法 | |
Dong et al. | Multi‐task learning method for classification of multiple power quality disturbances | |
CN117278313A (zh) | 一种计算机网络结构优化的安全检测方法及系统 | |
CN116541222A (zh) | 一种硬盘状态数据生成方法、系统、设备及介质 | |
CN114201199B (zh) | 基于信息安全大数据的防护升级方法及信息安全系统 | |
Zhang et al. | SeqA-ITD: User behavior sequence augmentation for insider threat detection at multiple time granularities | |
CN110796237B (zh) | 一种深度神经网络对抗攻击的检测方法及装置 | |
Sun et al. | Anomaly detection for CPS via memory-augmented reconstruction and time series prediction | |
Tokarev et al. | Detection of anomalies in the information networks of industrial automation systems based on artificial immune detectors | |
CN113098886B (zh) | 基于人工智能的防护运行服务配置方法及区块链系统 | |
Yang et al. | On Tolerating Variations and Faults in Memristor Crossbar Based Neural Network Accelerators by Network Expansion and Weight Zeroing | |
CN117811843B (zh) | 基于大数据分析和自主学习的网络入侵检测方法及系统 |
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 |