CN116433107A - 一种管材产品质量诊断系统 - Google Patents

一种管材产品质量诊断系统 Download PDF

Info

Publication number
CN116433107A
CN116433107A CN202310616032.3A CN202310616032A CN116433107A CN 116433107 A CN116433107 A CN 116433107A CN 202310616032 A CN202310616032 A CN 202310616032A CN 116433107 A CN116433107 A CN 116433107A
Authority
CN
China
Prior art keywords
training
pipe
data
quality
loss value
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
Application number
CN202310616032.3A
Other languages
English (en)
Other versions
CN116433107B (zh
Inventor
张泽
王己玮
黄彦
邓玉峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Duolian Industry Ltd
Original Assignee
Sichuan Duolian Industry Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Duolian Industry Ltd filed Critical Sichuan Duolian Industry Ltd
Priority to CN202310616032.3A priority Critical patent/CN116433107B/zh
Publication of CN116433107A publication Critical patent/CN116433107A/zh
Application granted granted Critical
Publication of CN116433107B publication Critical patent/CN116433107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种管材产品质量诊断系统，属于人工智能检测技术领域，本发明通过将质量诊断过程中的管材数据和对应标签构建为训练集，采用训练集训练质量诊断模型，使得质量诊断模型能够实现对管材的质量等级的预测，在本发明中，综合了各种类型的管材数据，根据各种类型的管材数据在质量诊断模型中的表达情况，得到管材的质量等级，不同的管材数据，管材的质量等级不同，从而实现对管材产品质量进行精细化诊断。

Description

一种管材产品质量诊断系统
技术领域
本发明涉及人工智能检测技术领域，具体涉及一种管材产品质量诊断系统。
背景技术
在管材生产后，需对管材进行实验，从而得到管材的各项指标，例如：拉伸强度、断裂伸长率、拉伸弹性模量和弯曲强度等，依次判断出这些指标是否达到标定指标，从而综合得到该管材的质量是否达标。
现有管材产品质量诊断系统仅能粗略判断出管材的各项指标是否达到标定指标，从而确定出该管材是否达到合格水平，其无法实现对管材产品质量精细化诊断，造成无法对管材质量情况进行细分。
发明内容
针对现有技术中的上述不足，本发明提供的一种管材产品质量诊断系统解决了现有管材产品质量诊断系统无法实现对管材产品质量精细化诊断的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种管材产品质量诊断系统，包括：数据采集单元、训练集构建单元、模型训练单元和质量诊断单元；
所述数据采集单元用于采集管材在质量诊断过程中的管材数据；所述训练集构建单元用于将多组管材数据和标签构建为训练集；所述模型训练单元用于采用训练集训练质量诊断模型，得到训练完成的质量诊断模型；所述质量诊断单元用于采用训练完成的质量诊断模型处理待诊断的管材数据，得到管材的质量等级。
进一步地，管材数据的类型包括：拉伸强度、断裂伸长率、拉伸弹性模量和弯曲强度。
进一步地，所述质量诊断模型为：
Figure SMS_1
，
Figure SMS_2
，
Figure SMS_3
，
其中，
Figure SMS_12
为质量诊断模型的输出，/>
Figure SMS_6
为输入质量诊断模型的第/>
Figure SMS_8
种类型的管材数据，
Figure SMS_15
为第/>
Figure SMS_17
种类型的管材数据的最小值，/>
Figure SMS_21
为第/>
Figure SMS_24
种类型的管材数据的最大值，/>
Figure SMS_14
为第/>
Figure SMS_19
种类型的管材数据的权重，/>
Figure SMS_4
为第/>
Figure SMS_9
种类型的管材数据的偏置，/>
Figure SMS_20
为第/>
Figure SMS_22
种类型的管材数据归一化值，/>
Figure SMS_23
为第/>
Figure SMS_25
种类型的管材数据的门限，/>
Figure SMS_7
为管材数据的类型，/>
Figure SMS_11
为自然对数，/>
Figure SMS_16
为中间变量，/>
Figure SMS_18
为/>
Figure SMS_5
种管材数据/>
Figure SMS_10
小于门限/>
Figure SMS_13
的数量。
上述进一步地方案的有益效果为：本发明中先对每种类型的管材数据进行归一化处理，从而得到归一化数据，并对每种类型的管材数据设置了门限，从而根据每种类型的管材数据与门限的差值，去衡量管材的质量等级，管材数据大于门限，则该种类型的管材数据达到了最基本的要求，在衡量管材的质量等级时起积极作用，若管材数据小于门限，则该种类型的管材数据没有达到最基本的要求，在衡量管材的质量等级时起消极作用，并通过权重和偏置为每种类型管材数据赋予不同的重要性，本发明中还计算出
Figure SMS_26
种管材数据/>
Figure SMS_27
小于门限/>
Figure SMS_28
的数量，将/>
Figure SMS_29
作为比例系数，降低不合格管材的质量等级。
进一步地，所述模型训练单元包括：数据输入模块、第一阈值比较模块、第一参数调节模块、第二阈值比较模块和第二参数调节模块；
所述数据输入模块用于将训练集中管材数据输入到质量诊断模型中，计算损失值；
所述第一阈值比较模块用于判断损失值是否低于第一阈值，若是，则进入第二阈值比较模块，若否，则进入第一参数调节模块；
所述第一参数调节模块用于根据损失值，对质量诊断模型中权重和偏置进行第一阶段调整后，回到数据输入模块；
所述第二阈值比较模块用于判断损失值是否低于第二阈值，若是，则质量诊断模型训练完成，若否，则进入第二参数调节模块；
所述第二参数调节模块用于根据损失值，对质量诊断模型中权重和偏置进行第二阶段调整，并将训练集中管材数据输入到质量诊断模型，计算损失值，回到第二阈值比较模块。
上述进一步地方案的有益效果为：本发明中采用分阶段训练质量诊断模型的方式，实现对质量诊断模型的快速精确训练，在第一阶段时，设定第一阈值，在本发明中，第一阈值大于第二阈值，在第一阶段实现参数的快速粗调，在第二阶段实现参数的精细化调节，使得输出逼近标签，提高模型预测精度。
进一步地，所述损失值的计算公式为：
Figure SMS_30
，
其中，
Figure SMS_31
为第/>
Figure SMS_34
次训练的损失值，/>
Figure SMS_37
为记录的训练次数，/>
Figure SMS_32
为记录的训练次数的小标，/>
Figure SMS_35
为实际训练次数的小标，/>
Figure SMS_38
为第/>
Figure SMS_40
次训练的质量诊断模型的输出，/>
Figure SMS_33
为第
Figure SMS_36
次训练的标签，| |为取整运算，/>
Figure SMS_39
为对数运算。
上述进一步地方案的有益效果为：在本发明中将
Figure SMS_41
+1次训练作为计算损失值的基础，使得输出与标签相差越大时，损失值越大，输出与标签相差越小时，损失值越小，同时还采用/>
Figure SMS_42
来进一步的增加损失值的变化，/>
Figure SMS_43
在两者距离较近时，接近于1，在两者距离较远时，大于1，距离越大，/>
Figure SMS_44
值越大。
进一步地，在第一阶段调整时，调整权重的公式为：
Figure SMS_45
，
其中，
Figure SMS_46
为第/>
Figure SMS_50
次训练的权重，/>
Figure SMS_52
为第/>
Figure SMS_48
次训练的权重，/>
Figure SMS_49
为自然对数，/>
Figure SMS_51
为第/>
Figure SMS_53
次训练的损失值，/>
Figure SMS_47
为偏导运算。
进一步地，在第一阶段调整时，调整偏置的公式为：
Figure SMS_54
，
其中，
Figure SMS_57
为第/>
Figure SMS_59
次训练的权重，/>
Figure SMS_61
为第/>
Figure SMS_55
次训练的权重，/>
Figure SMS_58
为自然对数，/>
Figure SMS_60
为第
Figure SMS_62
次训练的损失值，/>
Figure SMS_56
为偏导运算。
上述进一步地方案的有益效果为：在第一阶段时，本发明选择使得权重和偏置下降较快的公式，同时采用损失值的平方，从而进一步加快权重和偏置的下降程度，使得质量诊断模型中权重和偏置快速下降，缩短质量诊断模型的输出满足第一阈值的时间。
进一步地，在第二阶段调整时，调整权重的公式为：
Figure SMS_63
，
其中，
Figure SMS_65
为第/>
Figure SMS_68
次训练的权重，/>
Figure SMS_70
为第/>
Figure SMS_66
次训练的权重，/>
Figure SMS_67
为自然对数，/>
Figure SMS_69
为第/>
Figure SMS_71
次训练的损失值，/>
Figure SMS_64
为偏导运算。
进一步地，在第二阶段调整时，调整偏置的公式为：
Figure SMS_72
，
其中，
Figure SMS_75
为第/>
Figure SMS_77
次训练的权重，/>
Figure SMS_79
为第/>
Figure SMS_73
次训练的权重，/>
Figure SMS_76
为自然对数，/>
Figure SMS_78
为第
Figure SMS_80
次训练的损失值，/>
Figure SMS_74
为偏导运算。
上述进一步地方案的有益效果为：在第二阶段时，本发明采用使得权重和偏置能够缓慢下降的公式，使其慢慢变化，调整质量诊断模型中权重和偏置，找到使得质量诊断模型输出逼近标签的最优参数，提升质量诊断模型的预测精度。
综上，本发明的有益效果为：本发明通过将质量诊断过程中的管材数据和对应标签构建为训练集，采用训练集训练质量诊断模型，使得质量诊断模型能够实现对管材的质量等级的预测，在本发明中，综合了各种类型的管材数据，根据各种类型的管材数据在质量诊断模型中的表达情况，得到管材的质量等级，不同的管材数据，管材的质量等级不同，从而实现对管材产品质量进行精细化诊断。
附图说明
图1为一种管材产品质量诊断系统的系统框图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种管材产品质量诊断系统，包括：数据采集单元、训练集构建单元、模型训练单元和质量诊断单元；
所述数据采集单元用于采集管材在质量诊断过程中的管材数据；所述训练集构建单元用于将多组管材数据和标签构建为训练集；所述模型训练单元用于采用训练集训练质量诊断模型，得到训练完成的质量诊断模型；所述质量诊断单元用于采用训练完成的质量诊断模型处理待诊断的管材数据，得到管材的质量等级。
在本实施例中，管材数据可通过管材的质检过程得到。
管材数据的类型包括：拉伸强度、断裂伸长率、拉伸弹性模量和弯曲强度。
所述质量诊断模型为：
Figure SMS_81
，
Figure SMS_82
，
Figure SMS_83
，
其中，
Figure SMS_91
为质量诊断模型的输出，/>
Figure SMS_85
为输入质量诊断模型的第/>
Figure SMS_89
种类型的管材数据，
Figure SMS_94
为第/>
Figure SMS_97
种类型的管材数据的最小值，/>
Figure SMS_101
为第/>
Figure SMS_103
种类型的管材数据的最大值，/>
Figure SMS_95
为第/>
Figure SMS_98
种类型的管材数据的权重，/>
Figure SMS_84
为第/>
Figure SMS_90
种类型的管材数据的偏置，/>
Figure SMS_96
为第/>
Figure SMS_100
种类型的管材数据归一化值，/>
Figure SMS_102
为第/>
Figure SMS_105
种类型的管材数据的门限，/>
Figure SMS_87
为管材数据的类型，/>
Figure SMS_93
为自然对数，/>
Figure SMS_99
为中间变量，/>
Figure SMS_104
为/>
Figure SMS_86
种管材数据/>
Figure SMS_88
小于门限/>
Figure SMS_92
的数量。
本发明中先对每种类型的管材数据进行归一化处理，从而得到归一化数据，并对每种类型的管材数据设置了门限，从而根据每种类型的管材数据与门限的差值，去衡量管材的质量等级，管材数据大于门限，则该种类型的管材数据达到了最基本的要求，在衡量管材的质量等级时起积极作用，若管材数据小于门限，则该种类型的管材数据没有达到最基本的要求，在衡量管材的质量等级时起消极作用，并通过权重和偏置为每种类型管材数据赋予不同的重要性，本发明中还计算出
Figure SMS_106
种管材数据/>
Figure SMS_107
小于门限/>
Figure SMS_108
的数量，将
Figure SMS_109
作为比例系数，降低不合格管材的质量等级。
所述模型训练单元包括：数据输入模块、第一阈值比较模块、第一参数调节模块、第二阈值比较模块和第二参数调节模块；
所述数据输入模块用于将训练集中管材数据输入到质量诊断模型中，计算损失值；
所述第一阈值比较模块用于判断损失值是否低于第一阈值，若是，则进入第二阈值比较模块，若否，则进入第一参数调节模块；
所述第一参数调节模块用于根据损失值，对质量诊断模型中权重和偏置进行第一阶段调整后，回到数据输入模块；
所述第二阈值比较模块用于判断损失值是否低于第二阈值，若是，则质量诊断模型训练完成，若否，则进入第二参数调节模块；
所述第二参数调节模块用于根据损失值，对质量诊断模型中权重和偏置进行第二阶段调整，并将训练集中管材数据输入到质量诊断模型，计算损失值，回到第二阈值比较模块。
本发明中采用分阶段训练质量诊断模型的方式，实现对质量诊断模型的快速精确训练，在第一阶段时，设定第一阈值，在本发明中，第一阈值大于第二阈值，在第一阶段实现参数的快速粗调，在第二阶段实现参数的精细化调节，使得输出逼近标签，提高模型预测精度。
所述损失值的计算公式为：
Figure SMS_110
，
其中，
Figure SMS_111
为第/>
Figure SMS_114
次训练的损失值，/>
Figure SMS_119
为记录的训练次数，/>
Figure SMS_112
为记录的训练次数的小标，/>
Figure SMS_115
为实际训练次数的小标，/>
Figure SMS_118
为第/>
Figure SMS_120
次训练的质量诊断模型的输出，/>
Figure SMS_113
为第
Figure SMS_116
次训练的标签，| |为取整运算，/>
Figure SMS_117
为对数运算。
在本发明中将
Figure SMS_121
+1次训练作为计算损失值的基础，使得输出与标签相差越大时，损失值越大，输出与标签相差越小时，损失值越小，同时还采用/>
Figure SMS_122
来进一步的增加损失值的变化，/>
Figure SMS_123
在两者距离较近时，接近于1，在两者距离较远时，大于1，距离越大，/>
Figure SMS_124
值越大。
在第一阶段调整时，调整权重的公式为：
Figure SMS_125
，
其中，
Figure SMS_127
为第/>
Figure SMS_130
次训练的权重，/>
Figure SMS_132
为第/>
Figure SMS_126
次训练的权重，/>
Figure SMS_129
为自然对数，/>
Figure SMS_131
为第/>
Figure SMS_133
次训练的损失值，/>
Figure SMS_128
为偏导运算。
在第一阶段调整时，调整偏置的公式为：
Figure SMS_134
，
其中，
Figure SMS_135
为第/>
Figure SMS_138
次训练的权重，/>
Figure SMS_140
为第/>
Figure SMS_136
次训练的权重，/>
Figure SMS_139
为自然对数，/>
Figure SMS_141
为第
Figure SMS_142
次训练的损失值，/>
Figure SMS_137
为偏导运算。
在第一阶段时，本发明选择使得权重和偏置下降较快的公式，同时采用损失值的平方，从而进一步加快权重和偏置的下降程度，使得质量诊断模型中权重和偏置快速下降，缩短质量诊断模型的输出满足第一阈值的时间。
在第二阶段调整时，调整权重的公式为：
Figure SMS_143
，
其中，
Figure SMS_145
为第/>
Figure SMS_147
次训练的权重，/>
Figure SMS_149
为第/>
Figure SMS_146
次训练的权重，/>
Figure SMS_148
为自然对数，/>
Figure SMS_150
为第/>
Figure SMS_151
次训练的损失值，/>
Figure SMS_144
为偏导运算。
在第二阶段调整时，调整偏置的公式为：
Figure SMS_152
，
其中，
Figure SMS_154
为第/>
Figure SMS_157
次训练的权重，/>
Figure SMS_159
为第/>
Figure SMS_155
次训练的权重，/>
Figure SMS_156
为自然对数，/>
Figure SMS_158
为第
Figure SMS_160
次训练的损失值，/>
Figure SMS_153
为偏导运算。
在第二阶段时，本发明采用使得权重和偏置能够缓慢下降的公式，使其慢慢变化，调整质量诊断模型中权重和偏置，找到使得质量诊断模型输出逼近标签的最优参数，提升质量诊断模型的预测精度。
本发明通过将质量诊断过程中的管材数据和对应标签构建为训练集，采用训练集训练质量诊断模型，使得质量诊断模型能够实现对管材的质量等级的预测，在本发明中，综合了各种类型的管材数据，根据各种类型的管材数据在质量诊断模型中的表达情况，得到管材的质量等级，不同的管材数据，管材的质量等级不同，从而实现对管材产品质量进行精细化诊断。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种管材产品质量诊断系统，其特征在于，包括：数据采集单元、训练集构建单元、模型训练单元和质量诊断单元；
所述数据采集单元用于采集管材在质量诊断过程中的管材数据；所述训练集构建单元用于将多组管材数据和标签构建为训练集；所述模型训练单元用于采用训练集训练质量诊断模型，得到训练完成的质量诊断模型；所述质量诊断单元用于采用训练完成的质量诊断模型处理待诊断的管材数据，得到管材的质量等级。
2.根据权利要求1所述的管材产品质量诊断系统，其特征在于，所述管材数据的类型包括：拉伸强度、断裂伸长率、拉伸弹性模量和弯曲强度。
3.根据权利要求1所述的管材产品质量诊断系统，其特征在于，所述质量诊断模型为：
Figure QLYQS_1
，
Figure QLYQS_2
，
Figure QLYQS_3
，
其中，
Figure QLYQS_22
为质量诊断模型的输出，/>
Figure QLYQS_15
为输入质量诊断模型的第/>
Figure QLYQS_19
种类型的管材数据，
Figure QLYQS_21
为第/>
Figure QLYQS_24
种类型的管材数据的最小值，/>
Figure QLYQS_23
为第/>
Figure QLYQS_25
种类型的管材数据的最大值，/>
Figure QLYQS_9
为第/>
Figure QLYQS_12
种类型的管材数据的权重，/>
Figure QLYQS_4
为第/>
Figure QLYQS_6
种类型的管材数据的偏置，/>
Figure QLYQS_14
为第/>
Figure QLYQS_18
种类型的管材数据归一化值，/>
Figure QLYQS_16
为第/>
Figure QLYQS_20
种类型的管材数据的门限，/>
Figure QLYQS_7
为管材数据的类型，/>
Figure QLYQS_17
为自然对数，/>
Figure QLYQS_8
为中间变量，/>
Figure QLYQS_11
为/>
Figure QLYQS_5
种管材数据/>
Figure QLYQS_10
小于门限/>
Figure QLYQS_13
的数量。
4.根据权利要求3所述的管材产品质量诊断系统，其特征在于，所述模型训练单元包括：数据输入模块、第一阈值比较模块、第一参数调节模块、第二阈值比较模块和第二参数调节模块；
所述数据输入模块用于将训练集中管材数据输入到质量诊断模型中，计算损失值；
所述第一阈值比较模块用于判断损失值是否低于第一阈值，若是，则进入第二阈值比较模块，若否，则进入第一参数调节模块；
所述第一参数调节模块用于根据损失值，对质量诊断模型中权重和偏置进行第一阶段调整后，回到数据输入模块；
所述第二阈值比较模块用于判断损失值是否低于第二阈值，若是，则质量诊断模型训练完成，若否，则进入第二参数调节模块；
所述第二参数调节模块用于根据损失值，对质量诊断模型中权重和偏置进行第二阶段调整，并将训练集中管材数据输入到质量诊断模型，计算损失值，回到第二阈值比较模块。
5.根据权利要求4所述的管材产品质量诊断系统，其特征在于，所述损失值的计算公式为：
Figure QLYQS_26
，
其中，
Figure QLYQS_27
为第/>
Figure QLYQS_31
次训练的损失值，/>
Figure QLYQS_34
为记录的训练次数，/>
Figure QLYQS_29
为记录的训练次数的小标，/>
Figure QLYQS_30
为实际训练次数的小标，/>
Figure QLYQS_33
为第/>
Figure QLYQS_36
次训练的质量诊断模型的输出，/>
Figure QLYQS_28
为第/>
Figure QLYQS_32
次训练的标签，| |为取整运算，/>
Figure QLYQS_35
为对数运算。
6.根据权利要求5所述的管材产品质量诊断系统，其特征在于，在第一阶段调整时，调整权重的公式为：
Figure QLYQS_37
，
其中，
Figure QLYQS_38
为第/>
Figure QLYQS_41
次训练的权重，/>
Figure QLYQS_44
为第/>
Figure QLYQS_40
次训练的权重，/>
Figure QLYQS_42
为自然对数，/>
Figure QLYQS_43
为第/>
Figure QLYQS_45
次训练的损失值，/>
Figure QLYQS_39
为偏导运算。
7.根据权利要求5所述的管材产品质量诊断系统，其特征在于，在第一阶段调整时，调整偏置的公式为：
Figure QLYQS_46
，
其中，
Figure QLYQS_48
为第/>
Figure QLYQS_51
次训练的权重，/>
Figure QLYQS_52
为第/>
Figure QLYQS_49
次训练的权重，/>
Figure QLYQS_50
为自然对数，/>
Figure QLYQS_53
为第/>
Figure QLYQS_54
次训练的损失值，/>
Figure QLYQS_47
为偏导运算。
8.根据权利要求5所述的管材产品质量诊断系统，其特征在于，在第二阶段调整时，调整权重的公式为：
Figure QLYQS_55
，
其中，
Figure QLYQS_56
为第/>
Figure QLYQS_59
次训练的权重，/>
Figure QLYQS_61
为第/>
Figure QLYQS_57
次训练的权重，/>
Figure QLYQS_60
为自然对数，/>为第/>
Figure QLYQS_63
次训练的损失值，/>
Figure QLYQS_58
为偏导运算。
9.根据权利要求5所述的管材产品质量诊断系统，其特征在于，在第二阶段调整时，调整偏置的公式为：
Figure QLYQS_64
，
其中，
Figure QLYQS_65
为第/>
Figure QLYQS_68
次训练的权重，/>
Figure QLYQS_71
为第/>
Figure QLYQS_66
次训练的权重，/>
Figure QLYQS_69
为自然对数，/>
Figure QLYQS_70
为第/>
Figure QLYQS_72
次训练的损失值，/>
Figure QLYQS_67
为偏导运算。
CN202310616032.3A 2023-05-29 2023-05-29 一种管材产品质量诊断系统 Active CN116433107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310616032.3A CN116433107B (zh) 2023-05-29 2023-05-29 一种管材产品质量诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310616032.3A CN116433107B (zh) 2023-05-29 2023-05-29 一种管材产品质量诊断系统

Publications (2)

Publication Number Publication Date
CN116433107A true CN116433107A (zh) 2023-07-14
CN116433107B CN116433107B (zh) 2023-08-15

Family

ID=87079938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310616032.3A Active CN116433107B (zh) 2023-05-29 2023-05-29 一种管材产品质量诊断系统

Country Status (1)

Country Link
CN (1) CN116433107B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5655857A (en) * 1979-10-15 1981-05-16 Sharp Corp Diagnosing device for quality of hair
IL119573A0 (en) * 1995-11-20 1997-02-18 Gen Electric Modulating X-ray tube current in a CT system
CN108444708A (zh) * 2018-04-16 2018-08-24 长安大学 基于卷积神经网络的滚动轴承智能诊断模型的建立方法
CN108956145A (zh) * 2018-07-17 2018-12-07 中国科学院沈阳自动化研究所 基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法
CN109253985A (zh) * 2018-11-28 2019-01-22 东北林业大学 基于神经网络的近红外光谱识别古筝面板用木材等级的方法
CN112488104A (zh) * 2020-11-30 2021-03-12 华为技术有限公司 深度及置信度估计系统
CN113112067A (zh) * 2021-04-12 2021-07-13 长沙理工大学 一种tfri权重计算模型的建立方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5655857A (en) * 1979-10-15 1981-05-16 Sharp Corp Diagnosing device for quality of hair
IL119573A0 (en) * 1995-11-20 1997-02-18 Gen Electric Modulating X-ray tube current in a CT system
CN108444708A (zh) * 2018-04-16 2018-08-24 长安大学 基于卷积神经网络的滚动轴承智能诊断模型的建立方法
CN108956145A (zh) * 2018-07-17 2018-12-07 中国科学院沈阳自动化研究所 基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法
CN109253985A (zh) * 2018-11-28 2019-01-22 东北林业大学 基于神经网络的近红外光谱识别古筝面板用木材等级的方法
CN112488104A (zh) * 2020-11-30 2021-03-12 华为技术有限公司 深度及置信度估计系统
CN113112067A (zh) * 2021-04-12 2021-07-13 长沙理工大学 一种tfri权重计算模型的建立方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHEN-WAN WANG 等: "An assessment model of water pipe condition using Bayesian inference", 《JOURNAL OF ZHEJIANG UNIVERSITY-SCIENCE A》, pages 495 - 504 *
傅一钦: "深水柔性立管系统的安全评估和完整性管理研究", 《中国博士学位论文全文数据库》, no. 2, pages 019 - 99 *

Also Published As

Publication number Publication date
CN116433107B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN111369070B (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
CN102090705B (zh) 一种提高烘丝工序过程能力的方法
CN117195137B (zh) 基于数据分析的转子压铸误差检测系统
CN110309608B (zh) 一种针对时滞不确定信息的高炉铁水硅含量预报方法
CN116400126B (zh) 一种具有数据处理系统的低压电力箱
CN106600037B (zh) 一种基于主成分分析的多参量辅助负荷预测方法
CN103399281A (zh) 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法
CN109636110A (zh) 一种获取继电保护装置运行状态的方法及装置
CN116433107B (zh) 一种管材产品质量诊断系统
CN103279030B (zh) 基于贝叶斯框架的动态软测量建模方法及装置
CN113858566B (zh) 一种基于机器学习的注塑机能耗预测方法及系统
CN110851897A (zh) 一种多因素关联下的渡槽应力应变预测方法
CN110851784A (zh) 一种现场运行电能表的预警方法
CN110993100A (zh) 一种青少年儿童近视预测系统的缺失值填补方法及使用该方法的系统
CN108204997A (zh) 常一线油闪点在线软测量方法
CN106203535A (zh) 一种高炉炼铁过程中高炉操作炉型的分类方法
CN117553840A (zh) 一种基于智能化管理的仪表及其系统
CN116167659B (zh) 一种碳市场碳排放数据质量评价方法
CN112528566A (zh) 基于AdaBoost训练模型的空气质量数据实时校准方法及系统
CN111982299A (zh) 一种星载微波辐射计数据质量动态评分方法及系统
CN116957534A (zh) 一种预测智能电表更换数量的方法
CN107437112A (zh) 一种基于改进多尺度核函数的混合rvm模型预测方法
US9771880B2 (en) Real-time vehicle data acquisition and analysis
CN113408076A (zh) 基于支持向量机模型的小样本机械剩余寿命预测方法
CN112632785A (zh) 一种改进非参数核密度估计光伏出力建模方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant