CN116243675A - 一种血凝仪清洗液生产异常监控方法 - Google Patents
一种血凝仪清洗液生产异常监控方法 Download PDFInfo
- Publication number
- CN116243675A CN116243675A CN202310504472.XA CN202310504472A CN116243675A CN 116243675 A CN116243675 A CN 116243675A CN 202310504472 A CN202310504472 A CN 202310504472A CN 116243675 A CN116243675 A CN 116243675A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- production process
- production
- unit
- 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 210
- 238000004140 cleaning Methods 0.000 title claims abstract description 120
- 230000005856 abnormality Effects 0.000 title claims abstract description 110
- 239000007788 liquid Substances 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims abstract description 179
- 230000035931 haemagglutination Effects 0.000 claims abstract description 51
- 238000010224 classification analysis Methods 0.000 claims abstract description 12
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000013480 data collection Methods 0.000 claims abstract description 6
- 230000001105 regulatory effect Effects 0.000 claims abstract description 5
- 239000012530 fluid Substances 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 29
- 238000002955 isolation Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 16
- 238000003745 diagnosis Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 13
- 230000023555 blood coagulation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种血凝仪清洗液生产异常监控方法，解决的问题是血凝仪清洗液生产异常监控，首先通过安装分布式多通道传感器模块实时采集血凝仪清洗液生产过程参数数据，然后通过数据收集与分析模块中通过分类分析单元进行实时分析，根据历史生产数据及数据异常程度设置异常双阈值，生产过程异常时通过调节模块对血凝仪清洗液生产过程进行调节，调节无效则通过报警模块自动发出报警信号，最后将异常发生的时间、原因、处理措施信息记录在系统异常循环日志中。本发明能够实现血凝仪清洗液生产过程中的异常检测与处理，并对非正常状态下的主要运行参数进行报警显示和记录，智能化、自动化程度高。
Description
技术领域
本发明涉及监视技术领域，具体来说，涉及一种血凝仪清洗液生产异常监控方法。
背景技术
血凝仪是一种用于检测患者血液凝固状态的医疗仪器。在血凝仪的使用过程中，需要定期进行清洗，以确保仪器的准确性和稳定性，需要做到清洗后不影响后续测试。血凝仪清洗液的生产过程中，如有任何异常，都可能导致清洗液性能不稳定，从而影响血凝仪的使用效果。在血凝仪清洗液生产过程可能会由于温度过高或过低，流量过大或果效和密封性能不佳等问题，导致产品掺杂杂质，影响最终得到血凝仪清洗液的纯度。血凝仪清洗液生产过程中也容易有其他异常现象，比如生产过程中生产人员异常、工位流转异常、生产设备异常、人员操作异常等多种异常现象。在血凝仪清洗液生产过程中，如何提高血凝仪清洗液生产异常监控能力对于提高对血凝仪清洗液生产工作效率至关重要。
当前，对血凝仪清洗液的生产过程中制品的监控大多以人力抽检为主，这种方式虽然也能够提高血凝仪清洗液生产异常监控能力，但是智能化程度低，自动化监控能力低下，容易降低生产效率。
因此如何提高血凝仪清洗液生产异常的自动化、智能化监控成为亟待解决的问题。
发明内容
针对上述技术的不足，本发明公开一种血凝仪清洗液生产异常监控方法，能够实现血凝仪清洗液生产过程中的异常检测与处理，通过杂波隔离单元滤除无用数据信息提取生产过程中的异常数据，提高数据处理速度；根据历史生产数据及数据异常程度设置异常双阈值，提高生产异常判断的准确性；通过调节模块对生产过程异常情况及时进行调整，提高异常情况处理的时效性；将异常发生的时间、原因、处理措施信息记录在系统异常循环日志中，找出生产过程中的瓶颈问题，从而进行有针对性的改进和优化，智能性、准确性高。
本发明采用以下技术方案：
一种血凝仪清洗液生产异常监控方法，包括以下步骤：
步骤一、采集监控数据信息，通过安装分布式多通道传感器模块实时采集血凝仪清洗液生产过程中的温度、压力和流量参数数据；所述分布式多通道传感器模块至少包括流量传感器、温度计、压力计和360°网络摄像监控装置；
步骤二、收集和分析监控数据信息，将采集到的参数数据输入到数据收集与分析模块中通过分类分析单元进行实时提取频率异常数据点及噪点，并通过杂波隔离单元滤除生产过程中的噪声数据，以提高数据处理速度；
数据收集与分析模块包括信息获取单元、聚类分析单元、数据转换单元、杂波隔离单元、数据异常诊断单元和数据交互单元，其中，所述信息获取模块用于收集分布式多通道传感器模块采集的血凝仪清洗液生产过程参数，所述分类分析单元用于将血凝仪清洗液生产过程数据按照类别型和数值型性质进行相异性度量分析，所述数据转换单元用于将处理过的数据信号转化为模拟量，所述数据异常诊断单元用于提取血凝仪清洗液生产过程参数模拟量频率异常数据点及噪点，所述杂波隔离单元用于滤除血凝仪清洗液生产过程参数拟量中的异常噪点，所述数据交互单元用于将处理过的数字信号传输至下一层；
所述信息获取单元的输出端与所述分类分析单元的输入端连接，所述分类分析单元的输出端与所述数据转换单元的输入端连接，所述数据转换单元的输出端与所述数据异常诊断单元的输入端连接，所述数据异常诊断单元的输出端与所述杂波隔离单元的输入端连接，所述杂波隔离单元的输出端与所述数据交互单元的输入端连接，所述数据交互单元外接无线网络接口；
步骤三、设置异常监控数据阈值，异常生产信息计算模块计算异常数据点的异常程度，并根据历史生产数据设置数据异常程度双阈值，以提高生产异常判断的准确性，当异常数据点的异常程度超过高阈值或低于低阈值时，判断为生产过程出现异常；
步骤四、生产异常监控调节与报警，当监测到生产过程异常时，系统通过异常反馈电路启动调节模块对生产过程异常情况进行调节，所述调节模块包括整合单元、控制单元和预见单元，所述整合单元用于整合对比血凝仪清洗液生产过程数据，确定生产调节位置点和调节幅度，使生产过程调节至最优生产状态，所述控制单元根据整合的最优生产状态控制调节血凝仪清洗液生产过程，所述预见单元用于对生产过程调节结果进行预见，所述整合单元的输出端与所述控制单元的输入端连接，所述控制单元的输出端与所述预见单元的输入端连接，所述预见单元外设通讯接口，当预见单元预见生产过程调节无效则立即通过报警模块发出报警信号，通知生产人员检测生产异常情况并采取相应措施进行处理，以提高异常情况处理的时效性；
步骤五、异常监控信息记录与备份，通过异常循环日志记录血凝仪清洗液生产过程异常发生的时间、原因和处理措施信息，并对关键数据进行备份，以保证关键数据的安全性。
作为本发明进一步的技术方案，所述流量传感器、温度计和压力计通过独立的以太网接口、中央处理器和信号调理电路实现血凝仪清洗液生产过程多点多参数的并行采集，所述分布式多通道传感器模块通过无线通信GPRS服务通道与远端服务器握手连接，建立数据服务中心至监测站点的传输命令、数据通道，实现远程在线同步监测。
作为本发明进一步的技术方案，所述分类分析单元的工作方法包括以下步骤：
步骤1、将血凝仪清洗液生产过程数据按照类别型和数值型性质进行聚类；
步骤2、对类别型性质的数据进行数据相异度量；
所采集到的血凝仪清洗液生产过程数据样本中包含m个类别型性质的数据，以及n个数据项，衡量类别型性质数据的相异性公式为：
在公式（1）中，Di为类别型性质数据的相异值，m为类别型性质数据的个数，n为数据项的个数，
为类别型性质数据特征值，/>
为数值型性质数据特征值；
步骤3、对数值型性质的数据进行数据相异度量；
对于采集的血凝仪清洗液生产过程数据样本中数值型性质数据，采用小波分析方法对转换的血凝仪清洗液生产过程数据信号进行量化处理，实现对数据之间的相异衡量，数值型属性数据相异度量公式为：
在公式（2）中，Dj表示的是数值型性质数据的相异值，n-m为数值型性质数据的个数。
作为本发明进一步的技术方案，数据异常诊断单元将类别型性质的数据、数值型性质的数据、类别型性质数据的相异值和数值型性质数据的相异值输入物联网，物联网按照时间序列提取血凝仪清洗液生产过程参数模拟量频率异常数据点及噪点，并对异常数据点及异常噪点进行标记。
作为本发明进一步的技术方案，所述杂波隔离单元采用干扰置零法剔除掉血凝仪清洗液生产过程数据异常噪点，所述干扰置零法按照时间顺序对异常噪点数据传输通道进行置零处理，实现数据杂波隔离。
作为本发明进一步的技术方案，
所述异常数据点通过异常生产信息计算模块计算异常程度，异常数据点的异常程度输出公式为：
在公式（3）中，
为异常数据点的异常程度，/>
为血凝仪清洗液生产过程异常情况数据，r表示血凝仪清洗液生产异常情况，n为数据项的个数，/>
为血凝仪清洗液生产过程正常情况数据，b表示血凝仪清洗液生产正常过程，p为整体异常的系数；
异常数据点异常程度的低阈值和高阈值的输出函数公式为：
在公式（4）中，
表示异常数据点异常程度的低阈值，/>
表示异常数据点异常程度的高阈值，s为历史生产数据的组数，t为历史生产数据，/>
为历史生产数据异常数据点的异常程度，/>
为历史生产数据异常数据点的最大异常程度，/>
为历史生产数据异常数据点的最小异常程度。
作为本发明进一步的技术方案，所述整合单元对血凝仪清洗液生产过程数据进行整合分析，输出函数公式为：
在公式（5）中，H为血凝仪清洗液生产过程数据整合分析参数，
为类别型性质数据，/>
为数值型性质数据，/>
为辅助参数；
所述预见单元根据异常程度和血凝仪清洗液生产过程数据整合分析参数对调整结果异常程度进行预见，输出函数公式为：
在公式（6）中，
为调节后血凝仪清洗液生产过程异常程度预见值，/>
为调整前异常数据点的异常程度，/>
为整合异常数据点的异常程度，所述调节后血凝仪清洗液生产过程异常程度预见值超过高阈值或低于低阈值，则调节无效。
作为本发明进一步的技术方案，所述异常循环日志将异常发生的时间、原因、处理措施信息填充记录至相同大小的单独日志，以便于后期分析时查阅，所有日志段都填充完毕，则覆盖填充早期日志段，实现记录信息的定期删除，以增加有效信息储存空间。
本发明区别于现有技术积极有益效果在于：
本发明公开一种血凝仪清洗液生产异常监控方法，能够实现血凝仪清洗液生产过程中的异常检测与处理，通过杂波隔离单元滤除无用数据信息提取生产过程中的异常数据，提高数据处理速度；根据历史生产数据及数据异常程度设置异常双阈值，提高生产异常判断的准确性；通过调节模块对生产过程异常情况及时进行调整，提高异常情况处理的时效性；将异常发生的时间、原因、处理措施信息记录在系统异常循环日志中，找出生产过程中的瓶颈问题，从而进行有针对性的改进和优化，智能性、准确性高。
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，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地介绍，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性的前提下，还根据这些附图获得其他的附图，其中：
图1为本发明一种血凝仪清洗液生产异常监控方法的整体流程架构原理图；
图2为本发明一种血凝仪清洗液生产异常监控方法的分布式多通道传感器模块架构原理图；
图3为本发明一种血凝仪清洗液生产异常监控方法的分布式多通道传感器模块电路原理示意图；
图4为本发一种血凝仪清洗液生产异常监控方法中杂波隔离模块的电路原理示意图。
图5为本发一种血凝仪清洗液生产异常监控方法中数据收集与分析模块。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
一种血凝仪清洗液生产异常监控方法，包括以下步骤：
步骤一、采集监控数据信息，通过安装分布式多通道传感器模块实时采集血凝仪清洗液生产过程中的温度、压力和流量参数数据；所述分布式多通道传感器模块至少包括流量传感器、温度计、压力计和360°网络摄像监控装置；
步骤二、收集和分析监控数据信息，将采集到的参数数据输入到数据收集与分析模块中通过分类分析单元进行实时提取频率异常数据点及噪点，并通过杂波隔离单元滤除生产过程中的噪声数据，以提高数据处理速度；
数据收集与分析模块包括信息获取单元、聚类分析单元、数据转换单元、杂波隔离单元、数据异常诊断单元和数据交互单元，其中，所述信息获取模块用于收集分布式多通道传感器模块采集的血凝仪清洗液生产过程参数，所述分类分析单元用于将血凝仪清洗液生产过程数据按照类别型和数值型性质进行相异性度量分析，所述数据转换单元用于将处理过的数据信号转化为模拟量，所述数据异常诊断单元用于提取血凝仪清洗液生产过程参数模拟量频率异常数据点及噪点，所述杂波隔离单元用于滤除血凝仪清洗液生产过程参数拟量中的异常噪点，所述数据交互单元用于将处理过的数字信号传输至下一层；
所述信息获取单元的输出端与所述分类分析单元的输入端连接，所述分类分析单元的输出端与所述数据转换单元的输入端连接，所述数据转换单元的输出端与所述数据异常诊断单元的输入端连接，所述数据异常诊断单元的输出端与所述杂波隔离单元的输入端连接，所述杂波隔离单元的输出端与所述数据交互单元的输入端连接，所述数据交互单元外接无线网络接口；
步骤三、设置异常监控数据阈值，异常生产信息计算模块计算异常数据点的异常程度，并根据历史生产数据设置数据异常程度双阈值，以提高生产异常判断的准确性，当异常数据点的异常程度超过高阈值或低于低阈值时，判断为生产过程出现异常；
步骤四、生产异常监控调节与报警，当监测到生产过程异常时，系统通过异常反馈电路启动调节模块对生产过程异常情况进行调节，所述调节模块包括整合单元、控制单元和预见单元，所述整合单元用于整合对比血凝仪清洗液生产过程数据，确定生产调节位置点和调节幅度，使生产过程调节至最优生产状态，所述控制单元根据整合的最优生产状态控制调节血凝仪清洗液生产过程，所述预见单元用于对生产过程调节结果进行预见，所述整合单元的输出端与所述控制单元的输入端连接，所述控制单元的输出端与所述预见单元的输入端连接，所述预见单元外设通讯接口，当预见单元预见生产过程调节无效则立即通过报警模块发出报警信号，通知生产人员检测生产异常情况并采取相应措施进行处理，以提高异常情况处理的时效性；
步骤五、异常监控信息记录与备份，通过异常循环日志记录血凝仪清洗液生产过程异常发生的时间、原因和处理措施信息，并对关键数据进行备份，以保证关键数据的安全性。
在具体实施例中，一种血凝仪清洗液生产异常监控方法包括：
在血凝仪清洗液生产线上安装温度传感器、压力传感器、流量传感器等监测设备，实时监测生产过程中的各种参数；
将采集到的参数数据输入到数据收集与分析模块中，对数据进行实时分析。如温度传感器监测到生产过程中的温度突然上升或下降，数据分析模块会判断当前生产过程是否出现异常；
根据历史生产数据，设定温度、压力、流量等参数的异常阈值。例如，设定温度的正常范围为24℃±2℃，当实时监测到的温度超过27℃或低于21℃时，判断为生产过程出现异常；
当监测到生产过程中的异常时，系统自动发出报警信号，通知生产人员进行处理。生产人员收到报警信号后，应立即检查生产过程中的异常，对异常原因进行分析并采取相应措施进行处理，如调整生产参数、更换故障设备等；
将异常发生的时间、原因、处理措施等信息记录在系统中，便于后期分析与改进。通过不断分析历史异常事件，可以找出生产过程中的瓶颈问题，从而进行有针对性的改进和优化。
在上述实施例中，所述流量传感器、温度计和压力计通过独立的以太网接口、中央处理器和信号调理电路实现血凝仪清洗液生产过程多点多参数的并行采集，所述分布式多通道传感器模块通过无线通信GPRS服务通道与远端服务器握手连接，建立数据服务中心至监测站点的传输命令、数据通道，实现远程在线同步监测。
在具体实施例中，实现多通道同步采集目前常用多路转换器结合单A/D转换及通道独立A/D两种方式，采用基于模拟多路复用器的时分复用方案，实现单ADC多路信号同步采集，系统优势在于以FPGA为核心，通过处理单元分析通道信号频谱范围设定最优采样率，进而控制A/D及模拟多路开关转换次序,克服了传统多通道单一采样率轮转切换方式下对高频信号采样失真的问题，单ADC多通道采集系统虽然具有成本低、功耗小等优势，但同步性能较差。
在上述实施例中，所述分类分析单元的工作方法包括以下步骤：
步骤1、将血凝仪清洗液生产过程数据按照类别型和数值型性质进行聚类；
步骤2、对类别型性质的数据进行数据相异度量；
所采集到的血凝仪清洗液生产过程数据样本中包含m个类别型性质的数据，以及n个数据项，衡量类别型性质数据的相异性公式为：
在公式（1）中，Di为类别型性质数据的相异值，类别型性质数据的类别为温度、压力、流量和工位位置等，类别型性质数据的相异值一般为非负数且不大于1，相异值越大相异性越强，m为类别型性质数据的个数，类别型性质数据的个数一般为20~100，n为数据项的个数，
为类别型性质数据特征值，/>
为数值型性质数据特征值，类别型性质和数值型性质数据特征值在-1至1之间；
步骤3、对数值型性质的数据进行数据相异度量；
对于采集的血凝仪清洗液生产过程数据样本中数值型性质数据，采用小波分析方法对转换的血凝仪清洗液生产过程数据信号进行量化处理，实现对数据之间的相异衡量，数值型属性数据相异度量公式为：
在公式（2）中，Dj表示的是数值型性质数据的相异值，n-m为数值型性质数据的个数，衡量数值型性质数据和类别型性质数据的相异性就是对性质不相匹配的数值进行确定，从表1可以看出确定以后的数值越小，则参数相似性就越高，异常量越少。
表1类别型和数值型性质数据相异值统计
在具体实施例中，首先对异常频率的节点和异常噪点进行特殊标记，在排序上利用时间顺序对上述干扰节点进行处理，最后将这些不合理节点进行提取，通过误差修正的方法来剔除掉干扰节点。能够清除该方法下的监控状况。
识别过程中根据性质对不同的节点进行归类处理，并通过概率密度函数来计算干扰节点的分布概率，干扰节点的分布概率为：
式（3）中，FV表示干扰节点分布概率；λ表示物联网分布结构属性中的结构系数，以k来代表干扰节点中的样本散布。设k1，k2，…，kn是一组干扰节点样本，则物联网分布一阶原点矩的期望值为：
式（4）中，以CV为干扰节点序列分布数据值，A表示物联网收到的通信节点的延时时间，并通过匹配滤波筛选掉干扰节点，筛选掉的干扰节点MV为：
式（5）中，MV为筛选掉的干扰节点，N表示过滤标准系数，通过上述过程将新的物联网接入下的干扰节点全部去除之后，就可以进行最优通信节点的选取。在上述实施例中，所述杂波隔离单元采用干扰置零法剔除掉血凝仪清洗液生产过程数据异常噪点，所述干扰置零法按照时间顺序对异常噪点数据传输通道进行置零处理，实现数据杂波隔离。
在上述实施例中，数据异常诊断单元将类别型性质的数据、数值型性质的数据、类别型性质数据的相异值和数值型性质数据的相异值输入物联网，物联网按照时间序列提取血凝仪清洗液生产过程参数模拟量频率异常数据点及噪点，并对异常数据点及异常噪点进行标记。
在上述实施例中，所述杂波隔离单元采用干扰置零法剔除掉血凝仪清洗液生产过程数据异常噪点，所述干扰置零法按照时间顺序对异常噪点数据传输通道进行置零处理，实现数据杂波隔离。
在具体实施例中，最优节点的选取可以通过Bayes公式来获取多个节点的概率属性，利用概率属性可过滤掉部分非有效通信节点。Bayes公式为：
式（6）中，ω(dj)表示通信节点的先验概率。相同条件之下的概率与节点在一个物联网的基准下稳定方面有相同的特性，加入时间序列排布的干扰因素，就可以过滤掉部分的滞后节点再进行极值处理：
式（7）中，B(dj)表示最优通信节点，Bj表示选取第j个位置上的通信节点。最终上述的极值求取结果就是最终得到的最优通信节点，解决了物联网接入数据冗余、杂乱的情况，提高了数据通信效率。
在上述实施例中，所述异常数据点通过异常生产信息计算模块计算异常程度，异常数据点的异常程度输出公式为：
在公式（8）中，
为异常数据点的异常程度，异常数据点的异常包括温度异常、压力异常、流量异常和工位异常等，/>
为血凝仪清洗液生产过程异常数据，异常程度为0时，则血凝仪清洗液生产过程异常数据和正常数据相同，r表示血凝仪清洗液生产异常情况，n为数据项的个数，/>
为血凝仪清洗液生产过程正常数据，b表示血凝仪清洗液生产正常过程，p为整体异常的系数，整体异常系数不变；异常程度等级如下表2所示，异常程度数值越大，异常等级越高，生产异常程度越大。
表2 异常程度等级统计
Ⅰ级异常：提醒级，血凝仪清洗液生产过程异常有发生可能，可提前防范，此时异常程度；
Ⅱ级异常：轻微级，血凝仪清洗液生产过程异常发生，可通过调节解决，不会造成材料浪费；
Ⅲ级异常：事故级，血凝仪清洗液生产过程异常发生须及时补救；
异常数据点异常程度的低阈值和高阈值的输出函数公式为：
在公式（9）中，
表示异常数据点异常程度的低阈值，低阈值用于限制血凝仪清洗液生产过程数据正常的最低限度，血凝仪清洗液生产过程为温度、压力、流量和工位等，/>
表示异常数据点异常程度的高阈值，高阈值用于限制血凝仪清洗液生产过程数据正常的最高限度，s为历史生产数据的组数，t为历史生产数据，/>
为历史生产数据异常数据点的异常程度，/>
为历史生产数据异常数据点的最大异常程度，/>
为历史生产数据异常数据点的最小异常程度，采用的历史生产数据及其异常程度如下表3所示。
表3历史生产数据及其异常程度
在具体实施例中，智能数据监控系统围绕数据中心，通过智能终端和各种传输接口进行信息交互。当监控系统发现问题和电流超出阈值时，故障信号在调度中心的调度下对安全防护设备发出命令，继电保护、开关跳闸，同时触发报警系统，显示屏直接显示故障位置和原因，数据中心经过微机采样算法计算出具体数值即事件分辨率：测控装置，≤1ms；站控层，≤2ms。系统可生成事故追忆表，可以实现重演及显示、打印方式输出。系统能够同时存放5个事故追忆表。经过综合服务器发出具体调试指令后，系统进行复位重调，监控系统继续监测数据，使调度中心传出的数据符合IEC61850标准，整个过程监控系统保持运行，当设备排除故障之后，系统正常运行，一个故障周期完成。
可以看出整个数据流向都是双向的，故障数据从调度中心传出，安全防护措施处于待定状态，然后数据传输接口接收数据，在数据总线分布着运行监视设备、操作控制设备、分析报警设备、运行管理设备和辅助设备。这些设备分布在数据总线和接口处能够随时切断电源，而且这些地方也是故障高发地。采集到的数据通过表4表示出来，能够清晰看出生产过程规律。
表4生产过程数据表
在上述实施例中，所述整合单元对血凝仪清洗液生产过程数据进行整合分析，输出函数公式为：
在公式（10）中，H为血凝仪清洗液生产过程数据整合分析参数，将参数按照类别型性质数据和数值型性质数据聚类整合分析，
为类别型性质数据，/>
为数值型性质数据，/>
为辅助参数；
所述预见单元根据异常程度和血凝仪清洗液生产过程数据整合分析参数对调整结果异常程度进行预见，输出函数公式为：
在公式（11）中，
为调节后血凝仪清洗液生产过程异常程度预见值，/>
为调整前异常数据点的异常程度，/>
为整合异常数据点的异常程度，所述调节后血凝仪清洗液生产过程异常程度预见值超过高阈值或低于低阈值，则调节无效。
在具体实施例中，异常信息处理方案是指对于监测对象产生的异常信息进行分析、识别、处理和反馈的一系列操作。异常信息处理方案需要考虑监测对象的特点、异常信息的类型、处理方式、反馈方式等因素，选取合适的技术和算法，以实现对异常信息的快速响应和处理。
（1）异常信息分析与识别：在异常信息处理方案中，需要对监测数据进行分析和识别，以确定是否存在异常信息。异常信息分析和识别的方式包括统计学方法、机器学习方法、模型预测方法等。在异常信息分析和识别时，需要考虑异常信息的类型和特点，确定相应的识别方法。
（2）异常信息处理方式：在异常信息处理方案中，需要对识别出的异常信息进行处理。异常信息处理方式包括警报、自动控制、人工干预等。在异常信息处理时，需要考虑异常信息的严重程度、处理的优先级、处理的方式等，以实现对异常信息的快速响应和处理。
（3）异常信息反馈方式：在异常信息处理方案中，需要将处理结果反馈给相关人员。异常信息反馈方式包括声音、文字、图像等。在异常信息反馈时，需要考虑反馈的准确性和及时性，以帮助相关人员快速了解异常信息的处理结果。
（4）系统管理和维护：在异常信息处理方案中，需要进行系统管理和维护，以保证系统的稳定、可靠和高效运行。系统管理包括系统设置、权限管理、用户管理等，系统维护包括硬件维护、软件更新、数据备份等。在系统管理和维护方面，需要制定相应的管理和维护方案，并配备专业的技术人员进行维护和管理。
（5）异常信息处理效果评估与改进：在异常信息处理方案中，需要对异常信息处理的效果进行评估和改进。评估的方式包括实地观察、数据分析、用户反馈等，改进的方式包括算法优化、系统升级、技术培训等。通过评估和改进，可以不断提高异常信息处理的准确性和效率。
在上述实施例中，所述异常循环日志将异常发生的时间、原因、处理措施信息填充记录至相同大小的单独日志，以便于后期分析时查阅，所有日志段都填充完毕，则覆盖填充早期日志段，实现记录信息的定期删除，以增加有效信息储存空间。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变；例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围；因此，本发明的范围仅由所附权利要求书限定。
Claims (8)
1.一种血凝仪清洗液生产异常监控方法，其特征在于：包括以下步骤：
步骤一、采集监控数据信息，通过安装分布式多通道传感器模块实时采集血凝仪清洗液生产过程中的温度、压力和流量参数数据；所述分布式多通道传感器模块至少包括流量传感器、温度计、压力计和360°网络摄像监控装置；
步骤二、收集和分析监控数据信息，将采集到的参数数据输入到数据收集与分析模块中通过分类分析单元进行实时提取频率异常数据点及噪点，并通过杂波隔离单元滤除生产过程中的噪声数据，以提高数据处理速度；
数据收集与分析模块包括信息获取单元、聚类分析单元、数据转换单元、杂波隔离单元、数据异常诊断单元和数据交互单元，其中，所述信息获取模块用于收集分布式多通道传感器模块采集的血凝仪清洗液生产过程参数，所述分类分析单元用于将血凝仪清洗液生产过程数据按照类别型和数值型性质进行相异性度量分析，所述数据转换单元用于将处理过的数据信号转化为模拟量，所述数据异常诊断单元用于提取血凝仪清洗液生产过程参数模拟量频率异常数据点及噪点，所述杂波隔离单元用于滤除血凝仪清洗液生产过程参数拟量中的异常噪点，所述数据交互单元用于将处理过的数字信号传输至下一层；
所述信息获取单元的输出端与所述分类分析单元的输入端连接，所述分类分析单元的输出端与所述数据转换单元的输入端连接，所述数据转换单元的输出端与所述数据异常诊断单元的输入端连接，所述数据异常诊断单元的输出端与所述杂波隔离单元的输入端连接，所述杂波隔离单元的输出端与所述数据交互单元的输入端连接，所述数据交互单元外接无线网络接口；
步骤三、设置异常监控数据阈值，异常生产信息计算模块计算异常数据点的异常程度，并根据历史生产数据设置数据异常程度双阈值，以提高生产异常判断的准确性，当异常数据点的异常程度超过高阈值或低于低阈值时，判断为生产过程出现异常；
步骤四、生产异常监控调节与报警，当监测到生产过程异常时，系统通过异常反馈电路启动调节模块对生产过程异常情况进行调节，所述调节模块包括整合单元、控制单元和预见单元，所述整合单元用于整合对比血凝仪清洗液生产过程数据，确定生产调节位置点和调节幅度，使生产过程调节至最优生产状态，所述控制单元根据整合的最优生产状态控制调节血凝仪清洗液生产过程，所述预见单元用于对生产过程调节结果进行预见，所述整合单元的输出端与所述控制单元的输入端连接，所述控制单元的输出端与所述预见单元的输入端连接，所述预见单元外设通讯接口，当预见单元预见生产过程调节无效则立即通过报警模块发出报警信号，通知生产人员检测生产异常情况并采取相应措施进行处理，以提高异常情况处理的时效性；
步骤五、异常监控信息记录与备份，通过异常循环日志记录血凝仪清洗液生产过程异常发生的时间、原因和处理措施信息，并对关键数据进行备份，以保证关键数据的安全性。
2.根据权利要求1所述的一种血凝仪清洗液生产异常监控方法，其特征在于：所述流量传感器、温度计和压力计通过独立的以太网接口、中央处理器和信号调理电路实现血凝仪清洗液生产过程的多点多参数并行采集，所述分布式多通道传感器模块通过无线通信GPRS服务通道与远端服务器握手连接，建立数据服务中心至监测站点的传输命令、数据通道，实现远程在线同步监测。
3.根据权利要求1所述的一种血凝仪清洗液生产异常监控方法，其特征在于：所述聚类分析单元的工作方法包括以下步骤：
步骤1、将血凝仪清洗液生产过程数据按照类别型和数值型性质进行聚类；
步骤2、对类别型性质的数据进行数据相异度量；
所采集到的血凝仪清洗液生产过程数据样本中包含m个类别型性质的数据，以及n个数据项，衡量类别型性质数据的相异性公式为：
在公式（1）中，Di为类别型性质数据的相异值，m为类别型性质数据的个数，n为数据项的个数，
为类别型性质数据特征值，/>
为数值型性质数据特征值；
步骤3、对数值型性质的数据进行数据相异度量；
对于采集的血凝仪清洗液生产过程数据样本中数值型性质数据，采用小波分析方法对转换的血凝仪清洗液生产过程数据信号进行量化处理，实现对数据之间的相异衡量，数值型属性数据相异度量公式为：
在公式（2）中，Dj表示的是数值型性质数据的相异值，n-m为数值型性质数据的个数。
4.根据权利要求3所述的一种血凝仪清洗液生产异常监控方法，其特征在于：数据异常诊断单元将类别型性质的数据、数值型性质的数据、类别型性质数据的相异值和数值型性质数据的相异值输入物联网，物联网按照时间序列提取血凝仪清洗液生产过程参数模拟量频率异常数据点及噪点，并对异常数据点及异常噪点进行标记。
5.根据权利要求1所述的一种血凝仪清洗液生产异常监控方法，其特征在于：所述杂波隔离单元采用干扰置零法剔除掉血凝仪清洗液生产过程数据异常噪点，所述干扰置零法按照时间顺序对异常噪点数据传输通道进行置零处理，实现数据杂波隔离。
6.根据权利要求1所述的一种血凝仪清洗液生产异常监控方法，其特征在于：所述异常数据点通过异常生产信息计算模块计算异常程度，异常数据点的异常程度输出公式为：
在公式（3）中，
为异常数据点的异常程度，/>
为血凝仪清洗液生产过程异常情况数据，r表示血凝仪清洗液生产异常情况，n为数据项的个数，/>
为血凝仪清洗液生产过程正常情况数据，b表示血凝仪清洗液生产正常过程，p为整体异常的系数；
异常数据点异常程度的低阈值和高阈值的输出函数公式为：
在公式（4）中，
表示异常数据点异常程度的低阈值，/>
表示异常数据点异常程度的高阈值，s为历史生产数据的组数，t为历史生产数据，/>
为历史生产数据异常数据点的异常程度，/>
为历史生产数据异常数据点的最大异常程度，/>
为历史生产数据异常数据点的最小异常程度。
7.根据权利要求1所述的一种血凝仪清洗液生产异常监控方法，其特征在于：所述整合单元对血凝仪清洗液生产过程数据进行整合分析，输出函数公式为：
在公式（5）中，H为血凝仪清洗液生产过程数据整合分析参数，
为类别型性质数据，/>
为数值型性质数据，/>
为辅助参数；
所述预见单元根据异常程度和血凝仪清洗液生产过程数据整合分析参数对调整结果异常程度进行预见，输出函数公式为：
在公式（6）中，
为调节后血凝仪清洗液生产过程异常程度预见值，/>
为调整前异常数据点的异常程度，/>
为整合异常数据点的异常程度，所述调节后血凝仪清洗液生产过程异常程度预见值超过高阈值或低于低阈值，则调节无效。
8.根据权利要求1所述的一种血凝仪清洗液生产异常监控方法，其特征在于：所述异常循环日志将异常发生的时间、原因、异常点、处理措施信息填充记录至相同大小的单独日志，以便于后期分析时查阅，所有日志段都填充完毕，则覆盖填充早期日志段，实现记录信息的定期删除，以增加有效信息储存空间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310504472.XA CN116243675B (zh) | 2023-05-08 | 2023-05-08 | 一种血凝仪清洗液生产异常监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310504472.XA CN116243675B (zh) | 2023-05-08 | 2023-05-08 | 一种血凝仪清洗液生产异常监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116243675A true CN116243675A (zh) | 2023-06-09 |
| CN116243675B CN116243675B (zh) | 2023-07-21 |
Family
ID=86631638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310504472.XA Active CN116243675B (zh) | 2023-05-08 | 2023-05-08 | 一种血凝仪清洗液生产异常监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116243675B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117850375A (zh) * | 2024-03-05 | 2024-04-09 | 青岛天一红旗软控科技有限公司 | 一种生产线的多维度监测系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104793137A (zh) * | 2015-03-10 | 2015-07-22 | 南京工程学院 | 一种基于电机运动特征值的异常负载类型判别方法 |
| CN111199018A (zh) * | 2019-12-27 | 2020-05-26 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质及电子设备 |
| US20200379868A1 (en) * | 2019-05-31 | 2020-12-03 | Gurucul Solutions, Llc | Anomaly detection using deep learning models |
| 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 |
| CN114048870A (zh) * | 2021-11-04 | 2022-02-15 | 佳源科技股份有限公司 | 一种基于日志特征智能挖掘的电力系统异常监测方法 |
| CN114116397A (zh) * | 2021-11-29 | 2022-03-01 | 深圳壹账通智能科技有限公司 | 一种监控指标的预警归因方法、装置、设备及存储介质 |
| CN114781467A (zh) * | 2022-06-22 | 2022-07-22 | 济南嘉宏科技有限责任公司 | 一种基于振动相似度的故障检测方法及装置 |
| CN115979532A (zh) * | 2023-01-05 | 2023-04-18 | 山东大学 | 一种基于分级监测的加氢站氢气泄漏定位方法及系统 |
-
2023
- 2023-05-08 CN CN202310504472.XA patent/CN116243675B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104793137A (zh) * | 2015-03-10 | 2015-07-22 | 南京工程学院 | 一种基于电机运动特征值的异常负载类型判别方法 |
| US20200379868A1 (en) * | 2019-05-31 | 2020-12-03 | Gurucul Solutions, Llc | Anomaly detection using deep learning models |
| CN111199018A (zh) * | 2019-12-27 | 2020-05-26 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质及电子设备 |
| 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 |
| CN114048870A (zh) * | 2021-11-04 | 2022-02-15 | 佳源科技股份有限公司 | 一种基于日志特征智能挖掘的电力系统异常监测方法 |
| CN114116397A (zh) * | 2021-11-29 | 2022-03-01 | 深圳壹账通智能科技有限公司 | 一种监控指标的预警归因方法、装置、设备及存储介质 |
| CN114781467A (zh) * | 2022-06-22 | 2022-07-22 | 济南嘉宏科技有限责任公司 | 一种基于振动相似度的故障检测方法及装置 |
| CN115979532A (zh) * | 2023-01-05 | 2023-04-18 | 山东大学 | 一种基于分级监测的加氢站氢气泄漏定位方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 郑海林;胡勤友;杨春;陈金海;梅强;: "上海外高桥港区停泊船聚类分析与异常检测", 地球信息科学学报, no. 05 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117850375A (zh) * | 2024-03-05 | 2024-04-09 | 青岛天一红旗软控科技有限公司 | 一种生产线的多维度监测系统 |
| CN117850375B (zh) * | 2024-03-05 | 2024-06-04 | 青岛天一红旗软控科技有限公司 | 一种生产线的多维度监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116243675B (zh) | 2023-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113255795B (zh) | 一种基于多指标集群分析的设备状态监测方法 | |
| CN116243675B (zh) | 一种血凝仪清洗液生产异常监控方法 | |
| CN112925279A (zh) | 一种基于mes系统的故障综合分析系统 | |
| CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
| CN110647093B (zh) | 一种基于大数据分析的电力系统智能监控系统及监控方法 | |
| CN111046582A (zh) | 一种核电站柴油发电机组线圈温度预警方法及系统 | |
| CN112615436A (zh) | 一种变电站综自装置健康诊断及监视系统和方法 | |
| WO2024077983A1 (zh) | 一种提升评估模型预警提前性和准确性的方法 | |
| CN113221435A (zh) | 传感器的筛选方法及装置、传感器数据重构方法及系统 | |
| CN117078017A (zh) | 一种用于电力电网设备监控智能化决策分析系统 | |
| CN117761444B (zh) | 一种电涌保护器的寿命监测方法及系统 | |
| CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测系统及方法 | |
| CN116315173A (zh) | 基于新能源汽车的电池温度采样系统 | |
| CN109115271B (zh) | 一种数控机床远程监测系统 | |
| CN115858303A (zh) | 一种基于Zabbix的服务器性能监控方法及系统 | |
| CN115159285A (zh) | 电梯状态监测方法及电梯状态监测装置 | |
| US20020173936A1 (en) | Method and apparatus for managing process transitions | |
| CN117556359A (zh) | 配电设备健康状态评估系统及方法 | |
| CN117607780A (zh) | 一种电能计量装置异常分析系统及其分析方法 | |
| CN116050716B (zh) | 基于互联网的智慧园区管理控制平台 | |
| CN117215258A (zh) | 一种基于Flink的数控机床实时状态监控系统及方法 | |
| CN111931969A (zh) | 一种基于时序分析的合并单元设备状态预测方法 | |
| CN114662058B (zh) | 无线站点监测方法及装置 | |
| CN115356970A (zh) | 一种基于实时数据和运维数据的动环监控系统及方法 | |
| KR102359985B1 (ko) | 데이터 수집 시스템 및 방법 |
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 |