CN116430831B - 应用于食用油生产控制系统的数据异常监控方法及系统 - Google Patents
应用于食用油生产控制系统的数据异常监控方法及系统 Download PDFInfo
- Publication number
- CN116430831B CN116430831B CN202310459094.8A CN202310459094A CN116430831B CN 116430831 B CN116430831 B CN 116430831B CN 202310459094 A CN202310459094 A CN 202310459094A CN 116430831 B CN116430831 B CN 116430831B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- control data
- production
- control
- control operation
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 502
- 239000008157 edible vegetable oil Substances 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 230000000694 effects Effects 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 483
- 230000001427 coherent effect Effects 0.000 claims description 56
- 230000005856 abnormality Effects 0.000 claims description 52
- 239000013598 vector Substances 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 32
- 238000005070 sampling Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 239000013068 control sample Substances 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 14
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000013145 classification model Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 235000015112 vegetable and seed oil Nutrition 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 239000000944 linseed oil Substances 0.000 description 2
- 235000021388 linseed oil Nutrition 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 239000008158 vegetable oil Substances 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 235000006484 Paeonia officinalis Nutrition 0.000 description 1
- 244000170916 Paeonia officinalis Species 0.000 description 1
- 235000019482 Palm oil Nutrition 0.000 description 1
- 235000019483 Peanut oil Nutrition 0.000 description 1
- 235000019484 Rapeseed oil Nutrition 0.000 description 1
- 235000019498 Walnut oil Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000010775 animal oil Substances 0.000 description 1
- 239000010495 camellia oil Substances 0.000 description 1
- 235000005687 corn oil Nutrition 0.000 description 1
- 239000002285 corn oil Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000008169 grapeseed oil Substances 0.000 description 1
- 239000010460 hemp oil Substances 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 235000019198 oils Nutrition 0.000 description 1
- 239000004006 olive oil Substances 0.000 description 1
- 235000008390 olive oil Nutrition 0.000 description 1
- 239000002540 palm oil Substances 0.000 description 1
- 239000000312 peanut oil Substances 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000008159 sesame oil Substances 0.000 description 1
- 235000011803 sesame oil Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000003549 soybean oil Substances 0.000 description 1
- 235000012424 soybean oil Nutrition 0.000 description 1
- 235000020238 sunflower seed Nutrition 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000008170 walnut oil Substances 0.000 description 1
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- 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
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本申请实施例提供一种应用于食用油生产控制系统的数据异常监控方法及系统，可以从食用油生产控制数据中确定针对指定生产活动的异常控制数据，且通过对异常控制数据中的联贯异常控制操作进行分裂输出、提取每个成员异常控制操作的关注生产节点控制数据等处理，可以依据关注生产节点控制数据估计出每个成员异常控制操作对应的异常控制类别，由此实现针对联贯异常控制操作的异常控制分类，因此，可以提高对异常控制类别的估计可靠性，此外，还可以基于联贯异常控制操作对应的异常属性自动生成指定生产活动关联的食用油生产阶段信息，无需手动进行上传配置，可以提高食用油生产阶段信息的配置速度。
Description
技术领域
本申请实施例涉及生产控制运维技术领域，具体而言，涉及一种应用于食用油生产控制系统的数据异常监控方法及系统。
背景技术
食用油是指在制作食品过程中使用的，动物或者植物油脂。常温下为液态。由于原料来源、加工工艺以及品质等原因，常见的食用油多为植物油脂，包括菜籽油、花生油、火麻油、玉米油、橄榄油、山茶油、棕榈油、葵花子油、大豆油、芝麻油、亚麻籽油（胡麻油）、葡萄籽油、核桃油、牡丹籽油等等。食用油在生产的过程中多采用流水线生产，其灌装、上盖和封箱均通过食用油生产控制系统控制各个机械化设备自动操作，然而在食用油生产控制过程中可能会存在异常控制数据，需要快速分析出其具体存在的异常控制操作的异常控制分类，以便于后续运维维护处理，然而相关技术对异常控制类别的估计预测多采用简单的特征匹配，其估计精度较低，此外相关技术中还需要运维人员根据异常预测结果进行食用油生产阶段信息的手动上传配置，增加了人员成本，并且配置速度较慢，无法满足实际需求。
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应用于食用油生产控制系统的数据异常监控方法及系统。
第一方面，本申请实施例实施例提供一种应用于食用油生产控制系统的数据异常监控方法，应用于应用于食用油生产控制系统的数据异常监控系统，所述方法包括：
获取所述食用油生产控制系统的食用油生产控制数据中针对指定生产活动的异常控制数据；
如果所述异常控制数据包括联贯异常控制操作，则确定所述联贯异常控制操作中的连通控制信息，基于所述连通控制信息对所述联贯异常控制操作进行分裂输出，生成多个成员异常控制操作；
分别在每个成员异常控制操作中对所述指定生产活动的关注生产节点进行追溯，生成所述每个成员异常控制操作分别对应的关注生产节点控制数据，基于所述关注生产节点控制数据估计所述联贯异常控制操作对应的第一异常属性；所述第一异常属性用于在所述指定生产活动关联的食用油生产阶段信息中标注所述每个成员异常控制操作分别对应的异常控制类别。
在第一方面的一种可能的实施方式中，所述获取所述食用油生产控制系统的食用油生产控制数据中针对指定生产活动的异常控制数据，包括：
对包含指定生产活动的食用油生产控制数据进行采样，生成第一单位生产控制数据集合；
将所述第一单位生产控制数据集合加载到编码模型，生成所述第一单位生产控制数据集合对应的编码表征向量；
将所述编码表征向量加载到异常控制决策模型，生成所述第一单位生产控制数据集合对应的异常定位向量；所述异常定位向量包括所述第一单位生产控制数据集合中的异常状态周期对应的数据定位向量；
基于所述异常定位向量中的所述异常状态周期对应的数据定位向量，从所述第一单位生产控制数据集合中提取针对所述异常状态周期的异常控制数据。
在第一方面的一种可能的实施方式中，所述联贯异常控制操作为联贯异常调度控制操作；所述确定所述联贯异常控制操作中的连通控制信息，基于所述连通控制信息对所述联贯异常控制操作进行分裂输出，生成多个成员异常控制操作，包括：
确定所述联贯异常调度控制操作中的每个单位生产控制数据分别对应的调度模态；所述调度模态是指所述指定生产活动在设备调度控制流程中的模态；
基于所述调度模态，将所述联贯异常调度控制操作划分为多个前向单位生产控制数据集合和至少三个后向单位生产控制数据集合；
将目标后向单位生产控制数据集合的后向连通时间点确定为连通控制信息，基于所述连通控制信息对所述联贯异常调度控制操作进行分裂输出，生成多个成员异常调度控制操作；所述目标后向单位生产控制数据集合包括所述至少三个后向单位生产控制数据集合中除第一个后向单位生产控制数据集合和最后一个后向单位生产控制数据集合外的单位生产控制数据集合。
在第一方面的一种可能的实施方式中，所述调度模态包括前向调度模态和后向调度模态；所述联贯异常调度控制操作包括单位生产控制数据Kx，x为正整数，且x小于所述联贯异常调度控制操作中的单位生产控制数据的总数量；
所述基于所述调度模态，将所述联贯异常调度控制操作划分为多个前向单位生产控制数据集合和至少三个后向单位生产控制数据集合，包括：
从所述联贯异常调度控制操作中获取联贯的单位生产控制数据Kx至单位生产控制数据Kx+g；g为正整数，且x+g小于或等于所述联贯异常调度控制操作中的单位生产控制数据的总数量；
若联贯的单位生产控制数据Kx至单位生产控制数据Kx+g-1对应的调度模态均为前向调度模态，且所述单位生产控制数据Kx+g和单位生产控制数据Kx-1分别对应的调度模态均为后向调度模态，且所述联贯的单位生产控制数据Kx至单位生产控制数据Kx+g-1对应的单位生产控制数据数量大于第一门限值，则将所述联贯的单位生产控制数据Kx至单位生产控制数据Kx+g-1确定为前向单位生产控制数据集合；所述联贯异常调度控制操作中所存在的前向单位生产控制数据集合的数量为多个；
将所述联贯异常调度控制操作中除了多个前向单位生产控制数据集合外的单位生产控制数据集合，确定为至少三个后向单位生产控制数据集合。
在第一方面的一种可能的实施方式中，所述联贯异常控制操作为联贯异常调度控制操作，所述每个成员异常控制操作均为成员异常调度控制操作；所述第一异常属性还包括异常影响参数和异常重复次数；所述方法还包括：
分别对每个成员异常调度控制操作进行采样，生成多个第二单位生产控制数据集合；
将所述多个第二单位生产控制数据集合加载到异常特征表达模型，依据所述异常特征表达模型输出所述联贯异常调度控制操作对应的所述异常影响参数以及所述异常重复次数；
则所述分别在每个成员异常控制操作中对所述指定生产活动的关注生产节点进行追溯，生成所述每个成员异常控制操作分别对应的关注生产节点控制数据，基于所述关注生产节点控制数据估计所述联贯异常控制操作对应的第一异常属性，包括：
分别在每个成员异常调度控制操作中对所述指定生产活动的关注生产节点进行追溯，生成所述每个成员异常调度控制操作分别对应的关注生产节点控制数据，基于所述关注生产节点控制数据估计所述每个成员异常调度控制操作分别对应的异常控制类别；
基于所述异常影响参数、所述异常重复次数以及所述异常控制类别生成所述联贯异常调度控制操作对应的第一异常属性。
在第一方面的一种可能的实施方式中，所述多个第二单位生产控制数据集合包括第二单位生产控制数据集合F；所述异常特征表达模型包括r个嵌入单元，r为正整数；所述将所述多个第二单位生产控制数据集合加载到异常特征表达模型，依据所述异常特征表达模型输出所述联贯异常调度控制操作对应的所述异常影响参数以及所述异常重复次数，包括：
将所述第二单位生产控制数据集合F拆分为r个子集合，依据所述r个嵌入单元分别对所述r个子集合进行特征嵌入处理，生成r个嵌入特征向量；
分别对所述r个嵌入特征向量进行时域卷积处理，生成r个时域卷积异常特征；
依据所述异常特征表达模型中的全连接单元对所述r个时域卷积异常特征进行融合，生成目标异常融合特征，依据所述异常特征表达模型中的预测单元输出所述目标异常融合特征对应的成员异常影响参数以及成员异常重复次数；
当获得所述多个第二单位生产控制数据集合中每个第二单位生产控制数据集合分别对应的成员异常影响参数以及成员异常重复次数时，基于所述每个第二单位生产控制数据集合分别对应的成员异常影响参数以及成员异常重复次数，生成所述联贯异常调度控制操作对应的异常影响参数以及异常重复次数。
在第一方面的一种可能的实施方式中，所述方法还包括：
对联贯异常调度控制样本操作进行标注，在标注后的联贯异常调度控制样本操作中均匀提取X个单位生产控制数据，在所述X个单位生产控制数据中提取联贯的M个单位生产控制数据作为模型学习数据集合，输入基础异常特征表达模型，依据所述基础异常特征表达模型输出所述联贯异常调度控制样本操作对应的估计异常影响参数以及估计异常重复次数；M等于所述基础异常特征表达模型对应的模型最大加载量；
基于所述估计异常影响参数生成第一学习代价值，基于所述估计异常重复次数生成第二学习代价值，基于所述第一学习代价值和所述第二学习代价值生成目标学习代价值，依据所述目标学习代价值对所述基础异常特征表达模型进行迭代权重参数更新，生成异常特征表达模型。
在第一方面的一种可能的实施方式中，所述关注生产节点控制数据的数据数量为多个；所述多个成员异常控制操作包括成员异常控制操作D；
所述分别在每个成员异常控制操作中对所述指定生产活动的关注生产节点进行追溯，生成所述每个成员异常控制操作分别对应的关注生产节点控制数据，基于所述关注生产节点控制数据估计所述联贯异常控制操作对应的第一异常属性，包括：
在所述成员异常控制操作D中对所述指定生产活动的关注生产节点进行追溯，生成所述成员异常控制操作D对应的多个关注生产节点控制数据；
估计所述多个关注生产节点控制数据中每个关注生产节点控制数据分别对应的异常控制类别估计置信度，对估计得到的多个异常控制类别估计置信度进行均值计算，生成异常控制类别估计平均置信度，基于所述异常控制类别估计平均置信度估计所述成员异常控制操作D对应的异常控制类别；
当获得所述多个成员异常控制操作中每个成员异常控制操作分别对应的异常控制类别时，基于所述每个成员异常控制操作分别对应的异常控制类别生成所述联贯异常控制操作对应的第一异常属性；
所述多个关注生产节点控制数据包括整体关注生产节点控制数据、部分关注生产节点控制数据、融合关注生产节点控制数据、整体变化关注生产节点控制数据以及部分变化关注生产节点控制数据；
所述在所述成员异常控制操作D中对所述指定生产活动的关注生产节点进行追溯，生成所述成员异常控制操作D对应的多个关注生产节点控制数据，包括：
在所述成员异常控制操作D中对所述指定生产活动的关注生产节点进行追溯，生成所述关注生产节点的整体控制数据，作为所述成员异常控制操作D对应的整体关注生产节点控制数据；
基于所述整体关注生产节点控制数据得到所述关注生产节点的部分控制数据，作为所述成员异常控制操作D对应的部分关注生产节点控制数据； 将所述整体关注生产节点控制数据中目标关注生产节点对应的整体控制数据与所述部分关注生产节点控制数据中除目标关注生产节点外的关注生产节点对应的部分控制数据进行融合，生成所述成员异常控制操作D对应的融合关注生产节点控制数据；
将所述整体关注生产节点控制数据在所述成员异常控制操作D中的每关联两个单位生产控制数据之间的数据变化，作为所述成员异常控制操作D对应的整体变化关注生产节点控制数据；
将所述部分关注生产节点控制数据在所述成员异常控制操作D中的每关联两个单位生产控制数据之间的数据变化，作为所述成员异常控制操作D对应的部分变化关注生产节点控制数据。
在第一方面的一种可能的实施方式中，所述方法还包括：
如果所述异常控制数据包括非联贯异常调度控制操作，则对所述非联贯异常调度控制操作进行采样，生成第四单位生产控制数据集合，将所述第四单位生产控制数据集合加载到异常特征表达模型，生成所述非联贯异常调度控制操作对应的异常影响参数以及异常重复次数；
在所述非联贯异常调度控制操作中对所述指定生产活动的关注生产节点进行追溯，生成所述非联贯异常调度控制操作对应的关注生产节点控制数据，基于所述关注生产节点控制数据估计所述非联贯异常调度控制操作对应的异常控制类别；
将所述非联贯异常调度控制操作对应的异常影响参数、异常重复次数以及异常控制类别确定为所述非联贯异常调度控制操作对应的第三异常属性；所述第三异常属性用于在所述指定生产活动关联的食用油生产阶段信息中标注所述非联贯异常调度控制操作对应的异常影响参数、异常重复次数以及异常控制类别。
第二方面，本申请实施例实施例还提供一种应用于食用油生产控制系统的数据异常监控系统，所述应用于食用油生产控制系统的数据异常监控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应用于食用油生产控制系统的数据异常监控方法。
呈上所述的任意一方面，可以从食用油生产控制数据中确定针对指定生产活动的异常控制数据，且通过对异常控制数据中的联贯异常控制操作进行分裂输出、提取每个成员异常控制操作的关注生产节点控制数据等处理，可以依据关注生产节点控制数据估计出每个成员异常控制操作对应的异常控制类别，由此实现针对联贯异常控制操作的异常控制分类，因此，可以提高对异常控制类别的估计可靠性，此外，还可以基于联贯异常控制操作对应的异常属性自动生成指定生产活动关联的食用油生产阶段信息，无需手动进行上传配置，可以提高食用油生产阶段信息的配置速度。
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应用于食用油生产控制系统的数据异常监控方法的流程示意图；
图2为本申请实施例提供的用于实现上述的应用于食用油生产控制系统的数据异常监控方法的应用于食用油生产控制系统的数据异常监控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。
下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本申请一种实施例提供的应用于食用油生产控制系统的数据异常监控方法的流程示意图，下面对该应用于食用油生产控制系统的数据异常监控方法进行详细介绍。
step101，获取所述食用油生产控制系统的食用油生产控制数据中针对指定生产活动的异常控制数据；
示例性地，对于食用油生产控制系统而言，可以实时上传食用油生产控制数据，食用油生产控制数据可以用于表示食用油生产过程中的各种控制数据，如设备控制数据、软件控制数据等。
在此基础上，可以对对包含指定生产活动的食用油生产控制数据进行采样，生成第一单位生产控制数据集合A10d，假设采样后可以得到99个单位生产控制数据，例如，对食用油生产控制数据进行采样后可以得到第一单位生产控制数据A101d、第一单位生产控制数据A102d、…、第一单位生产控制数据A198d以及第一单位生产控制数据A199d，将第一单位生产控制数据A101d、第一单位生产控制数据A102d、…、第一单位生产控制数A198d以及第一单位生产控制数据A199d按照时域排列信息组成第一单位生产控制数据集合A10d。。
然后，可以将第一单位生产控制数据集合A10d输入编码模型B101e进行特征嵌入处理，生产第一单位生产控制数据集合A10d对应的编码表征向量B10f，将编码表征向量B10f输入异常控制决策模型30g，生成异常状态周期对应的数据定位向量，将每个异常状态周期对应的数据定位向量按定位顺序进行排列组合即可得到第一单位生产控制数据集合A10d对应的异常定位向量B10h，例如，异常定位向量B10h可以包括定位时序点t1、定位时序点t2、定位时序点t3、…、定位时序点tj共j个定位时序点，j为正整数，相邻两个定位时序点组成一对数据定位向量，即一对数据定位向量包括开始定位时序点和结束定位时序点，例如定位时序点t1-定位时序点t2、定位时序点t3-定位时序点t4。进一步，基于异常定位向量B10h，可以从第一单位生产控制数据集合A10d中提取出针对异常状态周期的异常控制数据30x，假设j等于20，则可以获取10个异常控制数据，包括异常控制数据301x、异常控制数据302x、…、异常控制数据310x，分别将异常控制数据301x、异常控制数据302x、…、异常控制数据310x各自对应的单位生产控制数据输入神经网络模型进行分类，可以得到每个异常控制数据对应的数据类型。
step102，若异常控制数据包括联贯异常控制操作，则确定联贯异常控制操作中的连通控制信息，基于连通控制信息对联贯异常控制操作进行分裂输出，生成多个成员异常控制操作；
示例性地，可以识别异常控制数据中是否包括联贯异常控制操作，若异常控制数据中存在联贯异常控制操作，需要对该联贯异常控制操作进行分裂输出，其中，联贯异常控制操作可以为联贯异常调度控制操作。本实施例可以首先对联贯异常调度控制操作中的每个单位生产控制数据对应的调度模态进行识别，其中，调度模态是指指定生产活动在设备调度控制流程中的模态，则可以基于每个单位生产控制数据对应的调度模态，将联贯异常调度控制操作划分为多个前向单位生产控制数据集合和至少三个后向单位生产控制数据集合，进而可以将目标后向单位生产控制数据集合的后向连通时间点确定为连通控制信息，基于连通控制信息对联贯异常调度控制操作进行分裂输出，最终可以得到多个成员异常调度控制操作，其中，目标后向单位生产控制数据集合包括至少三个后向单位生产控制数据集合中除第一个后向单位生产控制数据集合和最后一个后向单位生产控制数据集合外的单位生产控制数据集合。
假设异常控制数据30x中的一个异常控制数据303x为联贯异常调度控制操作，且联贯异常调度控制操作A203x共包括16个单位生产控制数据，具体为单位生产控制数据K1、单位生产控制数据K2、单位生产控制数据K3、…、单位生产控制数据K15以及单位生产控制数据K16。需要说明的是，在联贯异常调度控制操作中具体可以包括两种调度模态，分别为前向调度模态和后向调度模态，前向调度模态是指指定生产活动位于空中的模态，后向调度模态则指指定生产活动位于地面的模态，例如单位生产控制数据K1对应的调度模态为后向调度模态。则当获取单位生产控制数据K1-单位生产控制数据K16各自对应的调度模态后，可以将联贯异常调度控制操作A203x划分为3个后向单位生产控制数据集合和2个前向单位生产控制数据集合，单位生产控制数据K1为后向单位生产控制数据集合1，单位生产控制数据K2-单位生产控制数据K5为前向单位生产控制数据集合1，单位生产控制数据K6-单位生产控制数据K12为后向单位生产控制数据集合2，单位生产控制数据K13-单位生产控制数据K15为前向单位生产控制数据集合2，单位生产控制数据K16为后向单位生产控制数据集合3，则除去后向单位生产控制数据集合1和后向单位生产控制数据集合3后只剩下后向单位生产控制数据集合2可以作为目标后向单位生产控制数据集合，选取后向单位生产控制数据集合2的后向连通时间点，即单位生产控制数据K9对应的时序特征点t’，作为连通控制信息，进而可以基于连通控制信息t’，将联贯异常调度控制操作A203x拆分为成员异常调度控制操作A2031x以及成员异常调度控制操作A2032x，其中，成员异常调度控制操作A2031x包括单位生产控制数据K1-单位生产控制数据K9，成员异常调度控制操作A2032x包括单位生产控制数据K10-单位生产控制数据K16。对异常控制数据30x中的其它联贯异常调度控制操作的拆分过程与对联贯异常调度控制操作A203x的拆分过程一致，若其它联贯异常调度控制操作中包括三个以上的后向单位生产控制数据集合，则目标后向单位生产控制数据集合的数量为两个或两个以上，故最终可以得到三个或三个以上的成员异常调度控制操作，此处不再进行赘述。
其中，若联贯异常调度控制操作包括单位生产控制数据Kx，x为正整数，且x小于该联贯异常调度控制操作中的单位生产控制数据的总数量，则将联贯异常调度控制操作划分为多个前向单位生产控制数据集合和至少三个后向单位生产控制数据集合的具体过程可以为：从该联贯异常调度控制操作中获取联贯的单位生产控制数据Kx至单位生产控制数据Kx+g，g为正整数，且x+g小于或等于该联贯异常调度控制操作中的单位生产控制数据的总数量，若联贯的单位生产控制数据Kx至单位生产控制数据Kx+g-1对应的调度模态均为前向调度模态，且单位生产控制数据Kx+g和单位生产控制数据Kx-1分别对应的调度模态均为后向调度模态，且联贯的单位生产控制数据Kx至单位生产控制数据Kx+g-1对应的单位生产控制数据数量大于或等于第一门限值，则将联贯的单位生产控制数据Kx至单位生产控制数据Kx+g-1确定为前向单位生产控制数据集合，上述联贯异常调度控制操作中所存在的前向单位生产控制数据集合的数量为多个，进而可以将该联贯异常调度控制操作中除了多个前向单位生产控制数据集合外的单位生产控制数据集合，确定为至少三个后向单位生产控制数据集合。
示例性地，对于联贯异常调度控制操作A203x，可以识别到单位生产控制数据K1对应的调度模态为后向调度模态，单位生产控制数据K2、单位生产控制数据K3、单位生产控制数据K4以及单位生产控制数据K5对应的调度模态均为前向调度模态，单位生产控制数据K6对应的调度模态为后向调度模态，易知从单位生产控制数据K2到单位生产控制数据K5总共包括4个单位生产控制数据，若第一门限值小于4，例如第一门限值为3时，则可以将单位生产控制数据K2-单位生产控制数据K5确定为前向单位生产控制数据集合，对其它前向单位生产控制数据集合的判定与上述过程一致，在联贯异常调度控制操作A203x中除去前向单位生产控制数据集合后的单位生产控制数据则组成后向单位生产控制数据集合。例如，可以先识别出每两个相关联的后向调度模态的单位生产控制数据，若这两个单位生产控制数据之间的中间单位生产控制数据均为前向调度模态，且中间单位生产控制数据的数量大于或等于第一门限值，则可以认为这两个单位生产控制数据之间的中间单位生产控制数据可以组成前向单位生产控制数据集合，若中间单位生产控制数据的数量小于第一门限值，则认为这两个单位生产控制数据之间的中间单位生产控制数据可以组成后向单位生产控制数据集合。
step103，分别在每个成员异常控制操作中对指定生产活动的关注生产节点进行追溯，生成每个成员异常控制操作分别对应的关注生产节点控制数据，基于关注生产节点控制数据估计联贯异常控制操作对应的第一异常属性；第一异常属性用于在指定生产活动关联的食用油生产阶段信息中标注每个成员异常控制操作分别对应的异常控制类别。
基于以上步骤，示例性地，可以在每个成员异常控制操作中对指定生产活动的关注生产节点进行追溯，从而得到每个成员异常调度控制操作分别对应的关注生产节点控制数据，基于关注生产节点控制数据可以识别出每个成员异常调度控制操作分别对应的异常控制类别，进而可以基于异常控制类别生成联贯异常调度控制操作对应的第一异常属性，第一异常属性用于在指定生产活动关联的食用油生产阶段信息中标注每个成员异常控制操作分别对应的异常控制类别。此外，通过异常特征表达模型可以得到每个成员异常控制操作对应的异常影响参数和异常重复次数，具体过程可以参见下述step201-step202。
上述关注生产节点控制数据的数据数量为多个，假设多个成员异常控制操作包括成员异常控制操作D，在分类模型中执行的具体步骤可以包括：
step1031，在成员异常控制操作D中对指定生产活动的关注生产节点进行追溯，生成成员异常控制操作D对应的多个关注生产节点控制数据；
其中，多个关注生产节点控制数据可以包括整体关注生产节点控制数据、部分关注生产节点控制数据、融合关注生产节点控制数据、整体变化关注生产节点控制数据以及部分变化关注生产节点控制数据。服务器可以在成员异常控制操作D中对指定生产活动的关注生产节点进行追溯，生成关注生产节点的整体控制数据，作为成员异常控制操作D对应的整体关注生产节点控制数据。
进一步，基于整体关注生产节点控制数据可以得到关注生产节点的部分控制数据，即各关注生产节点相对于其父节点的部分控制数据，作为成员异常控制操作D对应的部分关注生产节点控制数据。
此外，还可以将整体关注生产节点控制数据在成员异常控制操作D中的每关联两个单位生产控制数据之间的数据变化(即整体关注生产节点控制数据在时序上相对前一控制数据的数据变化)，作为成员异常控制操作D对应的整体变化关注生产节点控制数据。需要说明的是，对于成员异常控制操作D中的第一个单位生产控制数据，不存在上一个单位生产控制数据的情况，因此可以将第一个单位生产控制数据中的全部关注生产节点对应的数据变化都默认为空。同理，可以将部分关注生产节点控制数据在成员异常控制操作D中的每关联两个单位生产控制数据之间的数据变化(即部分关注生产节点控制数据在时序上相对前一控制数据的数据变化)，作为成员异常控制操作D对应的部分变化关注生产节点控制数据。
step1032，估计多个关注生产节点控制数据中每个关注生产节点控制数据分别对应的异常控制类别估计置信度，对估计得到的多个异常控制类别估计置信度进行均值计算，生成异常控制类别估计平均置信度，基于异常控制类别估计平均置信度估计成员异常控制操作D对应的异常控制类别；
示例性地，将step1032中得到的整体关注生产节点控制数据、部分关注生产节点控制数据、融合关注生产节点控制数据、整体变化关注生产节点控制数据以及部分变化关注生产节点控制数据输入图网络，图网络可以输出分别对应的异常控制类别估计置信度，对得到的异常控制类别估计置信度进行均值计算，由此可以生产异常控制类别估计平均置信度，其中，异常控制类别估计平均置信度可以是一个向量，该向量中的每一个数据分别对应一种异常控制类别的估计置信度，则取异常控制类别估计平均置信度中最大的数据所对应的异常控制类别作为成员异常控制操作D对应的异常控制类别。
step1033，当获得多个成员异常控制操作中每个成员异常控制操作分别对应的异常控制类别时，基于每个成员异常控制操作分别对应的异常控制类别生成联贯异常控制操作对应的第一异常属性。
示例性地，对联贯异常控制操作中的其它成员异常控制操作的执行方案，与上述step1031-step1032中对成员异常控制操作D的执行方案一致，此处不再说明。当获得多个成员异常控制操作中每个成员异常控制操作分别对应的异常控制类别时，可以将每个成员异常控制操作分别对应的异常控制类别依次排列组合，生成联贯异常控制操作对应的第一异常属性。后续可以基于数据定位向量的时域排列信息，将所有联贯异常控制操作对应的第一异常属性分别展现到一起，组成指定生产活动关联的食用油生产阶段信息，最终可以将食用油生产阶段信息存储。
对于一些实施例中，以上方法还可以进一步包括如下step201-step205，且step201-step205为step103的一个具体实施例，具体可以包括如下步骤：
step201，分别对每个成员异常调度控制操作进行采样，生成多个第二单位生产控制数据集合；
示例性地，联贯异常控制操作为联贯异常调度控制操作，每个成员异常控制操作均为成员异常调度控制操作，参照前述示例，在获得成员异常调度控制操作A2031x和成员异常调度控制操作A2032x后，对成员异常调度控制操作A2031x进行采样后可以得到第二单位生产控制数据集合A10j，则对成员异常调度控制操作A2032x也进行采样后，可以得到各成员异常调度控制操作分别对应的第二单位生产控制数据集合。
step202，将多个第二单位生产控制数据集合加载到异常特征表达模型，通过异常特征表达模型输出联贯异常调度控制操作对应的异常影响参数以及异常重复次数；
示例性地，假设多个第二单位生产控制数据集合包括第二单位生产控制数据集合F，则可以将第二单位生产控制数据集合F拆分为r个子集合，通过异常特征表达模型中的r个嵌入单元分别对r个子集合进行特征嵌入处理，可以得到r个嵌入特征向量。并且，通过将传统的均值计算换成了时域卷积处理处理，即分别对r个嵌入特征向量进行两次时域卷积处理，可以得到r个时域卷积异常特征，此时时域卷积异常特征对应的维度与嵌入特征向量对应的维度是不相同的。再次，可以通过异常特征表达模型中的全连接单元对r个时域卷积异常特征进行融合，可以得到目标异常融合特征，再通过异常特征表达模型中的预测单元可以输出目标异常融合特征对应的成员异常影响参数以及成员异常重复次数。当获得多个第二单位生产控制数据集合中每个第二单位生产控制数据集合分别对应的成员异常影响参数以及成员异常重复次数时，将每个第二单位生产控制数据集合分别对应的成员异常影响参数进行融合，可以生成联贯异常调度控制操作对应的异常影响参数，同时将每个第二单位生产控制数据集合分别对应的成员异常重复次数也进行融合，可以生成联贯异常调度控制操作对应的异常重复次数X1，或者，可以按时域排列信息将每个第二单位生产控制数据集合对应的成员异常重复次数进行排列组合，此时联贯异常调度控制操作对应的异常重复次数可以理解为包含有每个成员异常重复次数的集合H2，后续可以将异常重复次数X1以及集合H2同时加载到食用油生产阶段信息中。
示例性地，可以将对成员异常调度控制操作A2031x进行采样后得到的第二单位生产控制数据集合A10j输入异常特征表达模型30k，可以得到成员异常调度控制操作A2031x对应的异常影响参数30r(此时为成员异常影响参数)以及异常重复次数30g(此时为成员异常重复次数)，对成员异常调度控制操作A2032x的执行方案一致，最终也可得到成员异常调度控制操作A2032x对应的异常影响参数30p、异常重复次数30q，此处不再描述，则将异常影响参数30r与异常影响参数30p融合可以得到联贯异常调度控制操作A203x对应的总异常影响参数，将异常重复次数30g与异常重复次数30q融合，生产，联贯异常调度控制操作A203x对应的总异常重复次数。
异常特征表达模型还可以对重复异常控制操作进行分类，获得重复异常控制操作对应的异常控制类别以及异常影响参数，具体过程可参见下述step306。
step203，分别在每个成员异常调度控制操作中对指定生产活动的关注生产节点进行追溯，生成每个成员异常调度控制操作分别对应的关注生产节点控制数据，基于关注生产节点控制数据估计每个成员异常调度控制操作分别对应的异常控制类别；
示例性地，将成员异常调度控制操作A2031x输入分类模型30l可以得到对应的异常控制类别30o，将成员异常调度控制操作A2032x输入分类模型30l可以得到对应的异常控制类别30r，最后将异常控制类别30o和异常控制类别30r按时序排列即可得到联贯异常调度控制操作A203x对应的所有异常控制类别。实际执行方案可以参见step103，此处不再描述。
step204，基于异常影响参数、异常重复次数以及异常控制类别生成联贯异常调度控制操作对应的第一异常属性。
示例性地，将获得的异常影响参数、异常重复次数以及异常控制类别排列，即可得到联贯异常调度控制操作对应的第一异常属性，例如，由step202得到的总异常影响参数和总异常重复次数以及由step203得到的所有异常控制类别可以组成联贯异常调度控制操作A203x对应的第一异常属性，生成其它联贯异常调度控制操作对应的第一异常属性的过程与上述过程一致。
此外，在应用异常特征表达模型之前，需要先对对基础异常特征表达模型进行迭代权重参数更新，才能得到可以部署使用的异常特征表达模型。具体，首先需要对异常调度控制样本操作进行标注，可以标注出异常调度控制样本操作中的异常控制类别以及异常影响参数，在标注后的异常调度控制样本操作中均匀提取X个单位生产控制数，进而在X个单位生产控制数据中随机提取联贯的M个单位生产控制数据作为模型学习数据集合，组成训练样本数据和测试样本数据，其中，由于每个嵌入单元加载的单位生产控制数据数必须是固定值，因此M等于基础异常特征表达模型对应的模型最大加载量，且M与X的大小接近。进一步，可以通过基础异常特征表达模型输出异常调度控制样本操作对应的估计异常影响参数以及估计异常重复次数，进而可以基于估计异常影响参数与真实异常影响参数之间的差距生成第一学习代价值，基于估计异常重复次数与真实异常重复次数之间的差距生成第二学习代价值，基于得到的第一学习代价值和第二学习代价值可以生成目标学习代价值(例如可以对第一学习代价值和第二学习代价值求和)，通过目标学习代价值对基础异常特征表达模型进行迭代权重参数更新，可以得到一个满足模型收敛条件的异常特征表达模型。
下面提供本申请进一步的一种实施例，可以包括以下步骤：
step301，对包含指定生产活动的食用油生产控制数据进行采样，生成第一单位生产控制数据集合；
step302，将第一单位生产控制数据集合加载到编码模型，生成第一单位生产控制数据集合对应的编码表征向量；
step303，将编码表征向量加载到时序异常控制决策模型，生成异常状态周期对应的时间集合；
step304，将异常控制数据输入编码模型，生成异常控制数据对应的事件类型；
step305，将联贯异常调度控制操作拆分为若干个成员异常调度控制操作；
step306，对非联贯异常调度控制操作、成员异常调度控制操作以及重复异常控制操作进行采样，将得到的单位生产控制数据送入异常特征表达模型，获得详细的异常控制类别、异常重复次数以及置信度；
示例性地，对step304中得到的重复异常控制操作进行采样，可以得到第三单位生产控制数据集合，将第三单位生产控制数据集合加载到异常特征表达模型，可以通过异常特征表达模型中的嵌入单元同时识别该重复异常控制操作对应的异常控制类别以及进行置信度估计，进而将异常控制类别以及估计的置信度作为该重复异常控制操作对应的第二异常属性。
示例性地，对step304中得到的非联贯异常调度控制操作进行采样，可以得到第四单位生产控制数据集合，将第四单位生产控制数据集合加载到异常特征表达模型，可以得到非联贯异常调度控制操作对应的置信度(即异常影响参数)以及异常重复次数，具体过程与对成员异常调度控制操作的识别过程一致，此处不再描述。
step307，将非联贯异常调度控制操作以及成员异常调度控制操作送入关键生产节点估计模型，对每个单位生产控制数据检测关键生产节点集；
step308，将关键生产节点集信息输入图网络，进一步判断异常调度控制操作的详细异常控制类别；
此时，可以将每个成员异常调度控制操作对应的异常重复次数、置信度以及详细异常控制类别进行汇总，生成联贯异常调度控制操作对应的第一异常属性，将非联贯异常调度控制操作对应的异常重复次数、置信度以及详细异常控制类别作为非联贯异常调度控制操作对应的第三异常属性。
step309，输出关键控制数据段，并基于对应的异常属性生成待存储数据。
图2示出了本申请实施例提供的用于实现上述的应用于食用油生产控制系统的数据异常监控方法的应用于食用油生产控制系统的数据异常监控系统100的硬件结构意图，如图2所示，应用于食用油生产控制系统的数据异常监控系统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，应用于食用油生产控制系统的数据异常监控系统100可以是单个应用于食用油生产控制系统的数据异常监控系统，也可以是应用于食用油生产控制系统的数据异常监控系统组。所述应用于食用油生产控制系统的数据异常监控系统组可以是集中式的，也可以是分布式的(例如，应用于食用油生产控制系统的数据异常监控系统100可以是分布式的系统)。一种示例性的设计思路中，应用于食用油生产控制系统的数据异常监控系统100可以是本地的，也可以是远程的。例如，应用于食用油生产控制系统的数据异常监控系统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，应用于食用油生产控制系统的数据异常监控系统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，应用于食用油生产控制系统的数据异常监控系统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可以储存应用于食用油生产控制系统的数据异常监控系统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应用于食用油生产控制系统的数据异常监控方法，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应用于食用油生产控制系统的数据异常监控系统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，实现如上应用于食用油生产控制系统的数据异常监控方法。
应当理解的是，以上描述仅出于说明的目的，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以结合本申请的描述，做出多种修改和变化。然而，这些修改和变化不会背离本申请的范围。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明公开仅作为示例，并不构成对本申请的限制。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
此外，本领域的普通技术人员可以理解，本申请的各方面可以结合多个具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改良。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本申请公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以结合连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以结合任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质等或其任意组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写，包括面向主体编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，主动编程语言如Python、Ruby和Groovy，或其它编程语言等。该程序编码可以完全在计算机上运行、或作为独立的软件包在计算机上运行、或部分在计算机上运行部分在远程计算机运行、或完全在远程计算机或系统上运行。在后种情况下，远程计算机可以结合任何网络形式与计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如结合因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中结合各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有匹配本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以结合硬件设备实现，但是也可以只结合软件的解决方案得以实现，如在现有的系统或移动设备上安装所描述的系统。
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 (8)
1.一种应用于食用油生产控制系统的数据异常监控方法，其特征在于，通过应用于食用油生产控制系统的数据异常监控系统实现，所述方法包括：
获取所述食用油生产控制系统的食用油生产控制数据中针对指定生产活动的异常控制数据；
如果所述异常控制数据包括联贯异常控制操作，则确定所述联贯异常控制操作中的连通控制信息，基于所述连通控制信息对所述联贯异常控制操作进行分裂输出，生成多个成员异常控制操作；
分别在每个成员异常控制操作中对所述指定生产活动的关注生产节点进行追溯，生成所述每个成员异常控制操作分别对应的关注生产节点控制数据，基于所述关注生产节点控制数据估计所述联贯异常控制操作对应的第一异常属性；所述第一异常属性用于在所述指定生产活动关联的食用油生产阶段信息中标注所述每个成员异常控制操作分别对应的异常控制类别；
所述联贯异常控制操作为联贯异常调度控制操作；所述确定所述联贯异常控制操作中的连通控制信息，基于所述连通控制信息对所述联贯异常控制操作进行分裂输出，生成多个成员异常控制操作，包括：
确定所述联贯异常调度控制操作中的每个单位生产控制数据分别对应的调度模态；所述调度模态是指所述指定生产活动在设备调度控制流程中的模态；
基于所述调度模态，将所述联贯异常调度控制操作划分为多个前向单位生产控制数据集合和至少三个后向单位生产控制数据集合；
将目标后向单位生产控制数据集合的后向连通时间点确定为连通控制信息，基于所述连通控制信息对所述联贯异常调度控制操作进行分裂输出，生成多个成员异常调度控制操作；所述目标后向单位生产控制数据集合包括所述至少三个后向单位生产控制数据集合中除第一个后向单位生产控制数据集合和最后一个后向单位生产控制数据集合外的单位生产控制数据集合；
所述联贯异常控制操作为联贯异常调度控制操作，所述每个成员异常控制操作均为成员异常调度控制操作；所述第一异常属性还包括异常影响参数和异常重复次数；所述方法还包括：
分别对每个成员异常调度控制操作进行采样，生成多个第二单位生产控制数据集合；
将所述多个第二单位生产控制数据集合加载到异常特征表达模型，依据所述异常特征表达模型输出所述联贯异常调度控制操作对应的所述异常影响参数以及所述异常重复次数；
则所述分别在每个成员异常控制操作中对所述指定生产活动的关注生产节点进行追溯，生成所述每个成员异常控制操作分别对应的关注生产节点控制数据，基于所述关注生产节点控制数据估计所述联贯异常控制操作对应的第一异常属性，包括：
分别在每个成员异常调度控制操作中对所述指定生产活动的关注生产节点进行追溯，生成所述每个成员异常调度控制操作分别对应的关注生产节点控制数据，基于所述关注生产节点控制数据估计所述每个成员异常调度控制操作分别对应的异常控制类别；
基于所述异常影响参数、所述异常重复次数以及所述异常控制类别生成所述联贯异常调度控制操作对应的第一异常属性。
2.根据权利要求1所述的应用于食用油生产控制系统的数据异常监控方法，其特征在于，所述获取所述食用油生产控制系统的食用油生产控制数据中针对指定生产活动的异常控制数据，包括：
对包含指定生产活动的食用油生产控制数据进行采样，生成第一单位生产控制数据集合；
将所述第一单位生产控制数据集合加载到编码模型，生成所述第一单位生产控制数据集合对应的编码表征向量；
将所述编码表征向量加载到异常控制决策模型，生成所述第一单位生产控制数据集合对应的异常定位向量；所述异常定位向量包括所述第一单位生产控制数据集合中的异常状态周期对应的数据定位向量；
基于所述异常定位向量中的所述异常状态周期对应的数据定位向量，从所述第一单位生产控制数据集合中提取针对所述异常状态周期的异常控制数据。
3.根据权利要求1所述的应用于食用油生产控制系统的数据异常监控方法，其特征在于，所述调度模态包括前向调度模态和后向调度模态；所述联贯异常调度控制操作包括单位生产控制数据Kx，x为正整数，且x小于所述联贯异常调度控制操作中的单位生产控制数据的总数量；
所述基于所述调度模态，将所述联贯异常调度控制操作划分为多个前向单位生产控制数据集合和至少三个后向单位生产控制数据集合，包括：
从所述联贯异常调度控制操作中获取联贯的单位生产控制数据Kx至单位生产控制数据Kx+g；g为正整数，且x+g小于或等于所述联贯异常调度控制操作中的单位生产控制数据的总数量；
若联贯的单位生产控制数据Kx至单位生产控制数据Kx+g-1对应的调度模态均为前向调度模态，且所述单位生产控制数据Kx+g和单位生产控制数据Kx-1分别对应的调度模态均为后向调度模态，且所述联贯的单位生产控制数据Kx至单位生产控制数据Kx+g-1对应的单位生产控制数据数量大于第一门限值，则将所述联贯的单位生产控制数据Kx至单位生产控制数据Kx+g-1确定为前向单位生产控制数据集合；所述联贯异常调度控制操作中所存在的前向单位生产控制数据集合的数量为多个；
将所述联贯异常调度控制操作中除了多个前向单位生产控制数据集合外的单位生产控制数据集合，确定为至少三个后向单位生产控制数据集合。
4.根据权利要求3所述的应用于食用油生产控制系统的数据异常监控方法，其特征在于，所述多个第二单位生产控制数据集合包括第二单位生产控制数据集合F；所述异常特征表达模型包括r个嵌入单元，r为正整数；所述将所述多个第二单位生产控制数据集合加载到异常特征表达模型，依据所述异常特征表达模型输出所述联贯异常调度控制操作对应的所述异常影响参数以及所述异常重复次数，包括：
将所述第二单位生产控制数据集合F拆分为r个子集合，依据所述r个嵌入单元分别对所述r个子集合进行特征嵌入处理，生成r个嵌入特征向量；
分别对所述r个嵌入特征向量进行时域卷积处理，生成r个时域卷积异常特征；
依据所述异常特征表达模型中的全连接单元对所述r个时域卷积异常特征进行融合，生成目标异常融合特征，依据所述异常特征表达模型中的预测单元输出所述目标异常融合特征对应的成员异常影响参数以及成员异常重复次数；
当获得所述多个第二单位生产控制数据集合中每个第二单位生产控制数据集合分别对应的成员异常影响参数以及成员异常重复次数时，基于所述每个第二单位生产控制数据集合分别对应的成员异常影响参数以及成员异常重复次数，生成所述联贯异常调度控制操作对应的异常影响参数以及异常重复次数。
5.根据权利要求1所述的应用于食用油生产控制系统的数据异常监控方法，其特征在于，所述方法还包括：
对联贯异常调度控制样本操作进行标注，在标注后的联贯异常调度控制样本操作中均匀提取X个单位生产控制数据，在所述X个单位生产控制数据中提取联贯的M个单位生产控制数据作为模型学习数据集合，输入基础异常特征表达模型，依据所述基础异常特征表达模型输出所述联贯异常调度控制样本操作对应的估计异常影响参数以及估计异常重复次数；M等于所述基础异常特征表达模型对应的模型最大加载量；
基于所述估计异常影响参数生成第一学习代价值，基于所述估计异常重复次数生成第二学习代价值，基于所述第一学习代价值和所述第二学习代价值生成目标学习代价值，依据所述目标学习代价值对所述基础异常特征表达模型进行迭代权重参数更新，生成异常特征表达模型。
6.根据权利要求1所述的应用于食用油生产控制系统的数据异常监控方法，其特征在于，所述关注生产节点控制数据的数据数量为多个；所述多个成员异常控制操作包括成员异常控制操作D；
所述分别在每个成员异常控制操作中对所述指定生产活动的关注生产节点进行追溯，生成所述每个成员异常控制操作分别对应的关注生产节点控制数据，基于所述关注生产节点控制数据估计所述联贯异常控制操作对应的第一异常属性，包括：
在所述成员异常控制操作D中对所述指定生产活动的关注生产节点进行追溯，生成所述成员异常控制操作D对应的多个关注生产节点控制数据；
估计所述多个关注生产节点控制数据中每个关注生产节点控制数据分别对应的异常控制类别估计置信度，对估计得到的多个异常控制类别估计置信度进行均值计算，生成异常控制类别估计平均置信度，基于所述异常控制类别估计平均置信度估计所述成员异常控制操作D对应的异常控制类别；
当获得所述多个成员异常控制操作中每个成员异常控制操作分别对应的异常控制类别时，基于所述每个成员异常控制操作分别对应的异常控制类别生成所述联贯异常控制操作对应的第一异常属性；
所述多个关注生产节点控制数据包括整体关注生产节点控制数据、部分关注生产节点控制数据、融合关注生产节点控制数据、整体变化关注生产节点控制数据以及部分变化关注生产节点控制数据；
所述在所述成员异常控制操作D中对所述指定生产活动的关注生产节点进行追溯，生成所述成员异常控制操作D对应的多个关注生产节点控制数据，包括：
在所述成员异常控制操作D中对所述指定生产活动的关注生产节点进行追溯，生成所述关注生产节点的整体控制数据，作为所述成员异常控制操作D对应的整体关注生产节点控制数据；
基于所述整体关注生产节点控制数据得到所述关注生产节点的部分控制数据，作为所述成员异常控制操作D对应的部分关注生产节点控制数据； 将所述整体关注生产节点控制数据中目标关注生产节点对应的整体控制数据与所述部分关注生产节点控制数据中除目标关注生产节点外的关注生产节点对应的部分控制数据进行融合，生成所述成员异常控制操作D对应的融合关注生产节点控制数据；
将所述整体关注生产节点控制数据在所述成员异常控制操作D中的每关联两个单位生产控制数据之间的数据变化，作为所述成员异常控制操作D对应的整体变化关注生产节点控制数据；
将所述部分关注生产节点控制数据在所述成员异常控制操作D中的每关联两个单位生产控制数据之间的数据变化，作为所述成员异常控制操作D对应的部分变化关注生产节点控制数据。
7.根据权利要求1-6任一项所述的应用于食用油生产控制系统的数据异常监控方法，其特征在于，所述方法还包括：
如果所述异常控制数据包括非联贯异常调度控制操作，则对所述非联贯异常调度控制操作进行采样，生成第四单位生产控制数据集合，将所述第四单位生产控制数据集合加载到异常特征表达模型，生成所述非联贯异常调度控制操作对应的异常影响参数以及异常重复次数；
在所述非联贯异常调度控制操作中对所述指定生产活动的关注生产节点进行追溯，生成所述非联贯异常调度控制操作对应的关注生产节点控制数据，基于所述关注生产节点控制数据估计所述非联贯异常调度控制操作对应的异常控制类别；
将所述非联贯异常调度控制操作对应的异常影响参数、异常重复次数以及异常控制类别确定为所述非联贯异常调度控制操作对应的第三异常属性；所述第三异常属性用于在所述指定生产活动关联的食用油生产阶段信息中标注所述非联贯异常调度控制操作对应的异常影响参数、异常重复次数以及异常控制类别。
8.一种应用于食用油生产控制系统的数据异常监控系统，其特征在于，所述应用于食用油生产控制系统的数据异常监控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1-7中任意一项的应用于食用油生产控制系统的数据异常监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310459094.8A CN116430831B (zh) | 2023-04-26 | 2023-04-26 | 应用于食用油生产控制系统的数据异常监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310459094.8A CN116430831B (zh) | 2023-04-26 | 2023-04-26 | 应用于食用油生产控制系统的数据异常监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116430831A CN116430831A (zh) | 2023-07-14 |
| CN116430831B true CN116430831B (zh) | 2023-10-31 |
Family
ID=87088933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310459094.8A Active CN116430831B (zh) | 2023-04-26 | 2023-04-26 | 应用于食用油生产控制系统的数据异常监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116430831B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117369426B (zh) * | 2023-12-08 | 2024-03-01 | 台昌树脂(佛山)有限公司 | 基于热熔胶生产控制系统的状态监控方法及系统 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10149215A (ja) * | 1996-11-18 | 1998-06-02 | Hitachi Ltd | 設備の異常監視装置、及びその異常監視方法 |
| JP2011170774A (ja) * | 2010-02-22 | 2011-09-01 | Nippon Telegr & Teleph Corp <Ntt> | 決定木生成装置、決定木生成方法、及びプログラム |
| CN105718857A (zh) * | 2016-01-13 | 2016-06-29 | 兴唐通信科技有限公司 | 一种人体异常行为检测方法及系统 |
| CA2995864A1 (en) * | 2017-03-09 | 2018-09-09 | General Electric Company | Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid |
| US10146609B1 (en) * | 2016-07-08 | 2018-12-04 | Splunk Inc. | Configuration of continuous anomaly detection service |
| WO2019077656A1 (ja) * | 2017-10-16 | 2019-04-25 | 富士通株式会社 | 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム |
| JP2019204407A (ja) * | 2018-05-25 | 2019-11-28 | エンカレッジ・テクノロジ株式会社 | 異常操作検知装置、異常操作検知方法、およびプログラム |
| CN111931172A (zh) * | 2020-08-13 | 2020-11-13 | 中国工商银行股份有限公司 | 一种金融系统业务流程异常预警方法及装置 |
| WO2020248291A1 (en) * | 2019-06-11 | 2020-12-17 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for anomaly detection |
| US10929258B1 (en) * | 2017-12-21 | 2021-02-23 | Innovative Defense Technologies, LLC | Method and system for model-based event-driven anomalous behavior detection |
| CN112905619A (zh) * | 2020-10-10 | 2021-06-04 | 陈夏焱 | 基于人工智能和大数据的异常标签分类方法及系统 |
| WO2021197350A1 (zh) * | 2020-04-01 | 2021-10-07 | 深圳点链科技有限公司 | 基于区块链的质量追溯系统、方法及计算机可读存储介质 |
| US11197645B1 (en) * | 2020-09-04 | 2021-12-14 | Kaohsiung Chang Gung Memorial Hospital | System and method of throat abnormal object recognition |
| CN114120043A (zh) * | 2021-12-07 | 2022-03-01 | 西安石油大学 | 一种基于生产动态数据和示功图检测异常抽油井的方法 |
| CN114324368A (zh) * | 2022-03-10 | 2022-04-12 | 广东祥利科技有限公司 | 基于机械视觉检测的改性塑料生产检测方法及系统 |
| CN115327295A (zh) * | 2022-07-29 | 2022-11-11 | 云南电网有限责任公司怒江供电局 | 一种配电网故障定位方法及系统 |
| CN115565101A (zh) * | 2022-09-15 | 2023-01-03 | 中国安全生产科学研究院 | 一种生产安全异常识别方法、装置、电子设备及存储介质 |
| CN115729796A (zh) * | 2022-12-23 | 2023-03-03 | 许伟 | 基于人工智能的异常操作分析方法及大数据应用系统 |
| CN115993807A (zh) * | 2023-03-23 | 2023-04-21 | 日照鲁光电子科技有限公司 | 一种碳化硅的生产监测优化控制方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831442A (zh) * | 2011-06-13 | 2012-12-19 | 索尼公司 | 异常行为检测设备和方法及生成该检测设备的设备和方法 |
-
2023
- 2023-04-26 CN CN202310459094.8A patent/CN116430831B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10149215A (ja) * | 1996-11-18 | 1998-06-02 | Hitachi Ltd | 設備の異常監視装置、及びその異常監視方法 |
| JP2011170774A (ja) * | 2010-02-22 | 2011-09-01 | Nippon Telegr & Teleph Corp <Ntt> | 決定木生成装置、決定木生成方法、及びプログラム |
| CN105718857A (zh) * | 2016-01-13 | 2016-06-29 | 兴唐通信科技有限公司 | 一种人体异常行为检测方法及系统 |
| US10146609B1 (en) * | 2016-07-08 | 2018-12-04 | Splunk Inc. | Configuration of continuous anomaly detection service |
| CA2995864A1 (en) * | 2017-03-09 | 2018-09-09 | General Electric Company | Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid |
| WO2019077656A1 (ja) * | 2017-10-16 | 2019-04-25 | 富士通株式会社 | 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム |
| US10929258B1 (en) * | 2017-12-21 | 2021-02-23 | Innovative Defense Technologies, LLC | Method and system for model-based event-driven anomalous behavior detection |
| JP2019204407A (ja) * | 2018-05-25 | 2019-11-28 | エンカレッジ・テクノロジ株式会社 | 異常操作検知装置、異常操作検知方法、およびプログラム |
| WO2020248291A1 (en) * | 2019-06-11 | 2020-12-17 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for anomaly detection |
| WO2021197350A1 (zh) * | 2020-04-01 | 2021-10-07 | 深圳点链科技有限公司 | 基于区块链的质量追溯系统、方法及计算机可读存储介质 |
| CN111931172A (zh) * | 2020-08-13 | 2020-11-13 | 中国工商银行股份有限公司 | 一种金融系统业务流程异常预警方法及装置 |
| US11197645B1 (en) * | 2020-09-04 | 2021-12-14 | Kaohsiung Chang Gung Memorial Hospital | System and method of throat abnormal object recognition |
| CN112905619A (zh) * | 2020-10-10 | 2021-06-04 | 陈夏焱 | 基于人工智能和大数据的异常标签分类方法及系统 |
| CN114120043A (zh) * | 2021-12-07 | 2022-03-01 | 西安石油大学 | 一种基于生产动态数据和示功图检测异常抽油井的方法 |
| CN114324368A (zh) * | 2022-03-10 | 2022-04-12 | 广东祥利科技有限公司 | 基于机械视觉检测的改性塑料生产检测方法及系统 |
| CN115327295A (zh) * | 2022-07-29 | 2022-11-11 | 云南电网有限责任公司怒江供电局 | 一种配电网故障定位方法及系统 |
| CN115565101A (zh) * | 2022-09-15 | 2023-01-03 | 中国安全生产科学研究院 | 一种生产安全异常识别方法、装置、电子设备及存储介质 |
| CN115729796A (zh) * | 2022-12-23 | 2023-03-03 | 许伟 | 基于人工智能的异常操作分析方法及大数据应用系统 |
| CN115993807A (zh) * | 2023-03-23 | 2023-04-21 | 日照鲁光电子科技有限公司 | 一种碳化硅的生产监测优化控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116430831A (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI698807B (zh) | 以類別為基礎修剪之人工類神經網路 | |
| CN116430831B (zh) | 应用于食用油生产控制系统的数据异常监控方法及系统 | |
| CN109583594B (zh) | 深度学习训练方法、装置、设备及可读存储介质 | |
| CN112346941A (zh) | 一种故障诊断方法及装置 | |
| US11893364B2 (en) | Accelerating application modernization | |
| US10771994B2 (en) | Method and test system for mobile network testing as well as a network testing system | |
| CN109976998B (zh) | 一种软件缺陷预测方法、装置和电子设备 | |
| CN109360028A (zh) | 用于推送信息的方法和装置 | |
| CN111258881B (zh) | 一种用于工作流程测试的智能测试系统 | |
| US9983965B1 (en) | Method and system for implementing virtual users for automated test and retest procedures | |
| CN117369521B (zh) | 用于无人机决策的行为树模型路径生成方法、装置及设备 | |
| CN115931359B (zh) | 一种涡轮泵轴承故障诊断方法及装置 | |
| CN106575870A (zh) | 用于确定用于发电系统的参数设置的系统、方法和设备及有形计算机可读介质 | |
| CN115983377A (zh) | 基于图神经网络的自动学习方法、装置、计算设备及介质 | |
| CN113759968B (zh) | 一种基于无人机的电网巡线规划方法及系统 | |
| CN113254836B (zh) | 一种智能育儿知识点信息推送方法、系统及云平台 | |
| Yang et al. | A situation-centric approach to identifying new user intentions using the mtl method | |
| CN113139332A (zh) | 一种自动化模型构建方法、装置及设备 | |
| CN116594838B (zh) | 多模态数据预训练方法及系统 | |
| US20230086626A1 (en) | System and method for detection of anomalies in test and measurement results of a device under test (dut) | |
| CN110895508B (zh) | 生成遍历测试路径的方法及装置 | |
| CN112989603B (zh) | 一种工作流的调整方法和装置 | |
| CN110134108B (zh) | 一种代码缺陷测试方法和装置 | |
| CN115080445B (zh) | 一种游戏测试管理方法及其系统 | |
| Veerakumar et al. | Dynamic Incremental Learning for real-time disturbance event classification |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240606 Address after: 433000 Building 1, North Side of Sany Baguo Road, Sanfutan Town, Xiantao City, Hubei Province Patentee after: HUBEI CHU FU OIL Ltd. Country or region after: China Address before: 751300 Poverty Alleviation Industrial Park, Tongxin County, Wuzhong City, Ningxia Patentee before: NINGXIA WUGUFENG BIOTECHNOLOGY DEVELOPMENT Co.,Ltd. Country or region before: China |