CN116541436A - 用于连铸生产线的相关性查询方法及装置、介质、终端 - Google Patents
用于连铸生产线的相关性查询方法及装置、介质、终端 Download PDFInfo
- Publication number
- CN116541436A CN116541436A CN202310395626.6A CN202310395626A CN116541436A CN 116541436 A CN116541436 A CN 116541436A CN 202310395626 A CN202310395626 A CN 202310395626A CN 116541436 A CN116541436 A CN 116541436A
- Authority
- CN
- China
- Prior art keywords
- quality
- nodes
- parameters
- correlation
- continuous casting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 226
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 68
- 238000009749 continuous casting Methods 0.000 title claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 177
- 238000010219 correlation analysis Methods 0.000 claims abstract description 90
- 238000004590 computer program Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 16
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 14
- 238000005204 segregation Methods 0.000 description 12
- 239000007788 liquid Substances 0.000 description 9
- 238000005266 casting Methods 0.000 description 8
- 239000007921 spray Substances 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 229910052786 argon Inorganic materials 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000004907 flux Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 229910000831 Steel Inorganic materials 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005336 cracking Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000004512 die casting Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于连铸生产线的相关性查询方法及装置、介质、终端,方法包括:接收用户输入的查询触发指令;响应于查询触发指令,获取连铸生产线的历史生产数据;根据查询触发指令中包含的期望值,设置预先训练的图模型的惩罚参数,期望值用于表征用户期望的稀疏程度;将历史生产数据输入至图模型,以得到相关性分析图,相关性分析图包括多个节点以及节点之间的边,其中,节点对应工艺参数或质量参数,边具有权重值,权重值用于指示边连接的节点所对应的参数之间的相关程度。本申请的方案能够满足用户在不同情况下对于连铸生产参数相关性挖掘的不同需求。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种用于连铸生产线的相关性查询方法及装置、介质、终端。
背景技术
钢铁产业作为国民经济的基础原材料产业,在经济发展中具有重要地位。在钢铁厂生产各类钢铁产品过程中,使钢水凝固成型有两种方法:传统的模铸法和连续铸钢(Continuous Steel Casting)法。与传统方法相比,连铸技术具有大幅提高金属收得率和铸坯质量,节约能源等显著优势。
随着控制技术的发展,连铸生产线的自动化程度越来越高,控制过程越来越复杂,连铸生产线涉及的工艺相关的参数和质量相关的参数的数量非常多,挖掘这些参数之间的相关性对于连铸生产过程中进行质量溯源、质量优化等具有重要意义。
发明内容
本申请实施例的技术目的在于提供一种用于连铸生产线的相关性查询方法及装置、介质、终端,能够满足用户在不同情况下对于相关性挖掘的不同需求。
有鉴于此,本申请实施例提供一种用于连铸生产线的相关性查询方法,所述方法包括:接收用户输入的查询触发指令;响应于所述查询触发指令,获取所述连铸生产线的历史生产数据,所述历史生产数据包括多种工艺参数和/或多种质量参数在多个历史时刻的取值;根据所述查询触发指令中包含的期望值,设置预先训练的图模型的惩罚参数,所述期望值用于表征用户期望的稀疏程度;将所述历史生产数据输入至所述图模型,以得到相关性分析图,所述相关性分析图包括多个节点以及节点之间的边,其中,所述节点对应工艺参数或质量参数,所述边具有权重值,所述权重值用于指示所述边连接的节点所对应的参数之间的相关程度。
可选的,根据所述查询触发指令中包含的期望值,设置预先训练的图模型的惩罚参数包括:若所述期望值处于预先设置的第一默认值和第二默认值之间,则在第一惩罚参数值和第二惩罚参数值之间搜索所述期望值匹配的惩罚参数值,其中,所述第一默认值用于表征所述图模型采用所述第一惩罚参数值时所述相关性分析图的稀疏程度,所述第二默认值用于表征所述图模型采用所述第二惩罚参数值时所述相关性分析图的稀疏程度;基于所述期望值匹配的惩罚参数值,设置所述图模型的惩罚参数。
可选的,所述多个节点包括多个工艺节点,所述工艺节点和所述工艺参数一一对应,连接两个所述工艺节点的边记为第一边,所述方法还包括:针对每个工艺节点,计算该工艺节点连接的各条第一边的权重之和,记为该工艺节点对应的工艺参数的第一影响力;向用户输出所述多个工艺参数的第一影响力。
可选的,所述多个节点还包括多个质量节点,所述质量节点和所述质量参数一一对应,连接所述工艺节点和所述质量节点的边记为第二边,所述方法还包括:针对每个工艺节点,计算该工艺节点连接的各条第二边的权重之和,记为该工艺节点对应的工艺参数的第二影响力;向用户输出所述多个工艺参数的第二影响力。
可选的,所述方法还包括:接收用户输出的选择隐藏指令,所述选择隐藏指令包括隐藏类型,所述隐藏类型用于指示用户期望隐藏的边的类型;响应于所述选择隐藏指令,基于所述隐藏类型隐藏所述相关性分析图中的边。
可选的,所述方法还包括:针对所述多个质量节点中的第一质量节点,在所述相关性分析图中搜索所述第一质量节点和各个第一质量工艺节点之间的最短路径,其中,所述第一质量工艺节点为与所述第一质量节点具有连接关系的工艺节点,所述连接关系包括直接连接关系和间接连接关系,所述路径的长度为所述路径上各条边的权重值的乘积;向用户输出所述各个第一质量工艺节点对所述第一质量节点的影响力,所述影响力为所述最短路径上各条边的权重值的乘积。
可选的,将所述历史生产数据输入至所述图模型之前,所述方法还包括:计算每种工艺参数在多个历史时刻的取值的均值和标准差;对于每个取值,若该取值偏离所述均值超过预设倍数的标准差,则剔除该取值。
本申请实施例还提供一种用于连铸生产线的相关性查询装置,所述装置包括:指令接收模块,用于接收用户输入的查询触发指令;数据获取模块,用于响应于所述查询触发指令,获取所述连铸生产线的历史生产数据,所述历史生产数据包括多种工艺参数和/或多种质量参数在多个历史时刻的取值;参数设置模块,用于根据所述查询触发指令中包含的期望值,设置预先训练的图模型的惩罚参数,所述期望值用于表征用户期望的稀疏程度;图生成模块,用于将所述历史生产数据输入至所述图模型,以得到相关性分析图,所述相关性分析图包括多个节点以及节点之间的边,其中,所述节点对应工艺参数或质量参数,所述边具有权重值,所述权重值用于指示所述边连接的节点所对应的参数之间的相关程度。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器运行时,执行上述的用于连铸生产线的相关性查询方法的步骤。
本申请实施例还提供一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行上述的用于连铸生产线的相关性查询方法的步骤。
与现有技术相比,本申请实施例的技术方案具有以下有益效果:
本申请实施例提供一种用于连铸生产线的相关性查询方法,在本申请实施例的方案中,用户输入查询触发指令,查询触发指令包含用于表征用户期望的稀疏程度,响应于查询触发指令,获取连铸生产线的历史生产数据,并根据期望值设置图模型的惩罚参数,然后将历史生产数据输入至图模型得到相关性分析图,相关性分析图包括多个节点以及节点之间的边,其中,节点对应工艺参数或质量参数,边具有权重值,权重值用于指示边连接的节点所对应的参数之间的相关程度。
上述方案中,根据用户输入的期望值设置图模型的惩罚参数,也即,将图模型惩罚参数的设置权限开放给用户,由用户设定图模型的惩罚参数,使得生成的相关性分析图满足用户在不同情况下对于相关性挖掘的不同需求。
进一步,本申请实施例的方案考虑到,如果用户不具备图模型的相关知识,用户无法清楚地知晓惩罚参数的取值和图稀疏程度之间的具体关系,用户直接设置惩罚参数可能无法获得期望的稀疏程度,有可能需要多次的尝试才能获得期望的相关性分析图。为此,本申请实施例的方案中,用户输入期望值,然后查找与期望值相匹配的惩罚参数值,也即,惩罚参数的具体取值对于用户而言是不可见的,有利于快速地获得用户期望的相关性分析图,便于用户的使用。
附图说明
图1是本申请实施例中一种用于连铸生产线的相关性查询方法的流程示意图;
图2是本申请实施例中第一种相关性分析图的示意图;
图3是本申请实施例中第二种相关性分析图的示意图;
图4是本申请实施例中第三种相关性分析图的示意图;
图5是本申请实施例中第四种相关性分析图的示意图;
图6是本申请实施例中另一种用于连铸生产线的相关性查询方法的流程示意图;
图7是本申请实施例中一种用于连铸生产线的相关性查询装置的结构示意图。
具体实施方式
如背景技术所述,挖掘连铸生产线涉及的工艺相关的参数和质量相关的参数之间的相关性具有重要研究意义。
本申请实施例的方案考虑到,在不同场景下用户对于相关性挖掘的需求很可能是不同的。具体而言,在一些场景下,用户期望进行全局性的相关性挖掘。例如,用户期望获得连铸生产线上全部工艺参数和质量参数之间的相关性信息,以对连铸生产线上涉及的各项工艺等具有全面的了解和分析。在另一些场景下,用户期望获取连铸生产线上强相关的工艺参数和质量参数之间的相关性信息,以针对性地对连铸生产线上的某个工艺参数进行改进和分析。
有鉴于此,本申请实施例提供一种用于连铸生产线的相关性查询方法,在本申请实施例的方案中,用户输入查询触发指令,查询触发指令包含用于表征用户期望的稀疏程度,响应于查询触发指令,获取连铸生产线的历史生产数据,并根据期望值设置图模型的惩罚参数,然后将历史生产数据输入至图模型得到相关性分析图,相关性分析图包括多个节点以及节点之间的边,其中,节点对应工艺参数或质量参数,边具有权重值,权重值用于指示边连接的节点所对应的参数之间的相关程度。
上述方案中,根据用户输入的期望值设置图模型的惩罚参数,也即,将图模型惩罚参数的设置权限开放给用户,由用户设定图模型的惩罚参数,使得生成的相关性分析图满足用户在不同情况下对于相关性挖掘的不同需求。
本申请实施例中生成的相关性分析图可以用于连铸生产线的工艺参数控制,例如在设置工艺参数时,可以根据已经设置的工艺参数以及该相关性分析图进行相关的其他工艺参数的自动设置,或者对已经设置的各个参数进行校验。本申请实施例中生成的相关性分析图也可用于质量排查,例如在排查质量参数时,可以根据异常的质量参数以及该相关分析图,对相关的其他质量参数进行自动排查。
为使本申请的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本申请的具体实施例做详细的说明。
参照图1,图1是本申请实施例中一种用于连铸生产线的相关性查询方法的流程示意图。图1示出的方法可以由终端执行,所述终端可以是各种具有数据处理能力的设备,例如,可以是手机、计算机、平板电脑、物联网设备、服务器等,但并不限于此。图1示出的方法可以包括如下步骤:
步骤S11:接收用户输入的查询触发指令;
步骤S12:响应于所述查询触发指令,获取所述连铸生产线的历史生产数据,所述历史生产数据包括多种工艺参数和/或多种质量参数在多个历史时刻的取值;
步骤S13:根据所述查询触发指令中包含的期望值,设置预先训练的图模型的惩罚参数,所述期望值用于表征用户期望的稀疏程度;
步骤S14:将所述历史生产数据输入至所述图模型,以得到相关性分析图,所述相关性分析图包括多个节点以及节点之间的边,其中,所述节点对应工艺参数或质量参数,所述边具有权重值,所述权重值用于指示所述边连接的节点所对应的参数之间的相关程度。
在步骤S11中,终端可以接收用户输入的查询触发指令。具体的,用户可以在具有相关性查询需求时发出查询触发指令。其中,查询触发指令可以包括期望值,期望值可以用于表征用户期望的稀疏程度。关于期望值和稀疏程度的更多内容请参照下文的具体描述。
示例性的,查询触发指令还可以包括用户标识,用户标识可以用于唯一地标识用户。本申请实施例中的用户可以是工艺工程师,也可以是其他人员,本实施例并不限制。
在步骤S12中,响应于查询触发指令,可以从数据库中获取连铸生产线的历史生产数据。示例性的,响应于查询触发指令,可以获取上一炉次的历史生产数据。或者,响应于查询触发指令,可以获取最近N个炉次的历史生产数据,N为正整数。
具体的,历史生产数据可以包括多种工艺参数在多个历史时刻的取值,和/或,历史生产数据还可以包括多种质量参数在多个历史时刻的取值。其中,工艺参数可以是指连铸生产线上采用的工艺参数。例如,工艺参数可以包括:氩气量、铸造速度、拉速、结晶器液位、热流密度、喷淋水量等。质量参数可以是指对连铸坯的质量进行描述的参数。例如,质量参数可以包括:中心偏析、角裂、纵裂、边部偏析等。
示例性的,所述历史生产数据可以包括N个样本集合,例如,1个样本集合可以对应1个炉次。其中,每个样本集合可以包括D个工艺参数集合和K个质量参数集合,第n个样本中第d个工艺参数值可以表示为xn,d,第n个样本中第k个质量参数值可以表示为yn,k,d为工艺参数种类的索引,k为质量参数种类的索引,n为样本集合的索引。
可选的,在生成相关性分析图之前,可以先对历史生产数据进行预处理。
示例性的,可以对工艺参数值进行异常检测,并剔除异常的工艺参数值。具体的,可以计算每种工艺参数在多个历史时刻的取值的均值和标准差。对于每个工艺参数的取值,若该取值偏离均值超过预设倍数(例如3倍)的标准差,则可以将该取值视为异常值,因此,可以剔除该取值。此外,还可以对剔除异常值之后的工艺参数值进行归一化处理。
又示例性的,对于分类类型的质量参数数据,可以将其转换为数值类型,以得到质量参数值。例如,质量参数的原始数据为中心偏析、无中心偏析,转换后的质量参数值为1、0。
在步骤S13中,可以根据查询触发指令中所包含的期望值,设置图模型的惩罚参数。
具体而言,终端可以预先部署有图模型,所述图模型可以是经过预先训练得到的模型,图模型可以是指能够基于输入数据生成图的模型,所述图是一种包含节点(node)和边(edge)的数据结构。本申请实施例的方案中,图模型所生成的图可以是无向图。由此,所述图模型可以是指生成无向图的模型。例如,所述图模型可以是最小绝对收缩和选择算子(Least absolute shrinkage and selection operator,简称LASSO)模型。
此外,本申请实施例中的图模型可以配置有可调节的惩罚参数,所述惩罚参数也可以被称为“惩罚项”。为便于描述,下文将惩罚参数记为ρ。
本申请实施例的方案中,惩罚参数ρ的取值不同,生成的图的稀疏程度不同,也即,惩罚参数的取值决定了图的稀疏程度。具体的,ρ越大,生成的图越稀疏,ρ越小,生成的图越稠密。
在本申请的一实施例中,用户直接设置期望的惩罚参数值。
具体的,查询触发指令所包含的期望值可以是惩罚参数值。也即,查询触发指令可以包括ρ,例如,ρ=1。在这种情况下,S13中,可以直接将查询触发指令所包含的期望值设置为图模型的惩罚参数。
作为一种可能的实现方式,可以向用户提供多个可选的惩罚参数值,用户可以从多个可选的惩罚参数值中选择一个作为期望值,也即,查询触发指令包含用户选择的惩罚参数值。
示例性的,可以向用户输出第一惩罚参数值和第二惩罚参数值以供用户选择。其中,第一惩罚参数值可以小于第二惩罚参数值。例如,第一惩罚参数值可以为1,第一惩罚参数值可以为100。
其中,第一惩罚参数值可以是惩罚参数的取值范围的最小值,第二惩罚参数值可以是惩罚参数的取值范围的最大值。采用第二惩罚参数值时,能够挖掘出参数之间的强相关关系,采用第一惩罚参数值时,能够挖掘出所有参数之间的整体相关关系。
在本申请的另一实施例中,用户设置期望的稀疏程度。
具体的,期望值可以是用户期望的稀疏程度的取值。示例性的,期望值可以是表示稀疏程度的百分数。也即,在这种场景下,期望值并不是惩罚参数值,而是描述稀疏程度的百分数等。例如,所述期望值可以为20%,说明用户期望生成的图中显示有20%的边。
在这种情况下,在步骤S13之前,可以先确定查询触发指令中的期望值匹配的惩罚参数值,然后将期望值匹配的惩罚参数值设置为图模型的惩罚参数。其中,期望值匹配的惩罚参数值可以是指采用所述匹配的惩罚参数值时图的稀疏程度为所述期望值。
在具体实施中,若用户输入的期望值处于预先设置的第一默认值和第二默认值之间,则可以在第一惩罚参数值和第二惩罚参数值之间搜索所述期望值匹配的惩罚参数。其中,第一默认值用于表征图模型采用第一惩罚参数值时所述相关性分析图的稀疏程度,第二默认值用于表征图模型采用第二惩罚参值时相关性分析图的稀疏程度。也即,第一惩罚参数值是第一默认值匹配的惩罚参数值,第二惩罚参数值是第二默认值匹配的惩罚参数值,第一默认值、第二默认值、第一惩罚参数值和第二惩罚参数值均可以是预先设置的。例如,第一惩罚参数值可以为1,第一默认值为90%,第二惩罚参数值可以为10,第二默认值为1%。
示例性的,可以采用二分法,在第一惩罚参数值和第二惩罚参数值之间搜索所述期望值匹配的惩罚参数。在其他实施例中,也可以采用其他的搜索算法在第一惩罚参数值和第二惩罚参数值之间搜索期望值匹配的惩罚参数。
进一步地,可以将搜索到的惩罚参数值设置为图模型的惩罚参数。例如,期望值可以为20%,通过搜索得到匹配的ρ=80,则可以将ρ设置为8。
若用户输入的期望值未处于预设设置的第一默认值和第二默认值之间,则可以提醒用户重新输入。
考虑到如果用户不具备图模型的相关知识,用户无法清楚地知晓惩罚参数的取值和稀疏程度之间的具体关系,用户直接设置惩罚参数可能无法获得期望的稀疏程度,有可能需要多次的尝试才能获得期望的相关性分析图。为此,本申请实施例的方案中,用户可以输入期望的稀疏程度,然后查找与期望的稀疏程度相匹配的惩罚参数值,也即,惩罚参数的具体取值对于用户而言是不可见的,有利于快速地获得用户期望的相关性分析图,便于用户的使用。
在步骤S14中,惩罚参数设置完成之后,可以将步骤S12中获得的历史生产数据输入至图模型中,得到图模型输出的相关性分析图。
具体而言,相关性分析图可以包括多个节点以及节点之间的边,其中,1个节点对应1种工艺参数或者1种质量参数,所述边具有权重值,所述权重值用于指示所述边连接的两个节点所对应的参数之间的相关程度。例如,权重值越大,相关程度越高。
更具体地,多个节点可以包括多个工艺节点和/或多个质量节点,其中,工艺节点和工艺参数一一对应,质量节点和质量参数一一对应。
作为一种具体方式,相关性分析图可以仅包括工艺节点。工艺节点之间的边可用于指示工艺参数之间的相关程度。由此,相关性分析图能够帮助用户挖掘并分析工艺参数之间的关系。
参照图2和图3,图2是本申请实施例中第一种相关性分析图的示意图,图3是本申请实施例中第二种相关性分析图的示意图。图2和图3示出的相关性分析图中仅包括多个工艺节点,未包括质量节点。其中,图2示出的相关性分析图的稀疏程度小于图3示出的相关性分析图的稀疏程度。也即,图2示出的相关性分析图比图3示出的相关性分析图更稠密。
图2和图3示出的工艺参数包括:铸造速度、热流密度、结晶器液位、喷淋水量、氩气量、拉速。更具体地,惩罚参数ρ=1时,生成图2所示的相关性分析图。惩罚参数ρ=10时,生成的图3所示的相关性分析图。
非限制性的,惩罚参数ρ=1时生成的相关性分析图可视为整体工艺参数相似性分析种类图,惩罚参数ρ=10时生成的相关性分析图可视为最大工艺参数相似性计算分析图。
本申请实施例的方案中,随着惩罚参数的取值越大,生成的相关性分析图越稀疏,相关性分析图中边所表征的相关性越高,从而能够挖掘出相关性较高的工艺参数对。也即,如果两种工艺参数之间的相关性较弱,则惩罚参数的取值较大时,这两种工艺参数对应的节点之间没有边。
此外,惩罚参数的取值较大时,有机会得到子图。在连铸业务场景中,子图可以帮助工艺工程师更方便地挑选出相关性较高的一系列工艺参数来重点研究。例如图3中的相关性分析图包括第一子图和第二子图,第一子图包括氩气量和拉速两种工艺参数对应的节点,第二子图包括铸造速度、热流密度、结晶器液位和喷淋水量对应的节点。
在另一具体实施方式中,相关性分析图可以包括工艺节点和质量节点。
参照图4和图5,图4是本申请实施例中第三种相关性分析图的示意图,图5是本申请实施例中第四种相关性分析图的示意图。图4和图5示出的相关性分析图中既包括多个工艺节点,又包括多个质量节点。其中,图4示出的相关性分析图的稀疏程度小于图5示出的相关性分析图的稀疏程度。
具体的,除了图2和图3中的工艺参数外,图4和图5所示的相关性分析图还包括多个质量节点,所述多个质量节点对应的质量参数分别为:中心偏析、角裂、纵裂、边部偏析。
图4和图5示出的相关性分析图中,工艺节点和工艺节点之间边的权重值可以表征工艺参数之间的相关程度,工艺节点和质量节点之间边的权重值可以表征工艺参数和质量参数之间的相关程度,质量节点和质量节点之间边的权重值可以表征质量参数之间的相关程度。
上述的相关性分析图能够帮助用户挖掘并分析出工艺参数的改进方案来降低质量异常出现频率。如图5所示,中心偏析和角裂之间的相关程度较高,这两种质量参数又都和结晶器液面相关,影响到结晶器液面的工艺参数包括铸造速度、热流密度、喷淋水量。工艺工程师基于这些相关性信息,在设置工艺参数时兼顾各个相关的质量参数或工艺参数,从而能够更优地对参数进行设置优化,避免因满足某一种质量参数的需求而引起另一种质量参数的异常。
更具体地,惩罚参数ρ=1时,可以生成图4所示的相关性分析图。惩罚参数ρ=10时,可以生成的图5所示的相关性分析图。非限制性的,惩罚参数ρ=1时生成的相关性分析图可视为结合质量参数相关的工艺参数相关性生成学习图;惩罚参数ρ=10时生成的相关性分析图可视为最大质量参数相关的工艺参数相关性生成学习图。
如图5所示,当惩罚参数的取值较大时,可以获得多个子图。图5示出的相关性分析图可以包括第三子图和第四子图,第三子图包括边部偏析、氩气量、拉速和纵裂对应的节点,第四子图包括:铸造速度、热流密度、结晶器液位、喷淋水量、中心偏析和角裂对应的节点。
需要说明的是,相关性分析图中所包含的节点可以取决于输入的历史生产数据中包含的参数的种类。
还需要说明的是,在其他实施例中,相关性分析图也可以通过逆协方差矩阵来表示,逆协方差矩阵可以是M×M的矩阵,M为上述节点的数量。例如,M=D+K。其中,矩阵中的非零元素可以表示两个节点之间的边,矩阵中的零元素可以表示两个节点之间没有边。
进一步地,本申请实施例的方案中,还可以向用户输出相关性分析图。示例性的,所述终端可以具有显示模块,通过显示模块向用户显示生成的相关性分析图。
由上,本申请实施例的方案中,根据用户输入的期望值设置图模型的惩罚参数,也即,将图模型惩罚参数的设置权限开放给用户,由用户设定图模型的惩罚参数,根据用户的不同设定实现图的缩放和精简,使得生成的相关性分析图满足用户在不同情况下对于相关性挖掘的不同需求。
参照图6,图6是本申请实施例中另一种用于连铸生产线的相关性查询方法的流程示意图。图6示出的方法可以包括如下步骤:
步骤S61:获取相关性分析图,所述相关性分析图可以包括多个工艺节点;
步骤S62:计算一个或多个工艺节点的影响力;
步骤S63:向用户输出一个或多个工艺节点的影响力。
在步骤S61中,获取连铸生产线的相关性分析图,相关性分析图可以至少包括多个工艺节点,连接两个工艺节点的边记为第一边。
此外,相关性分析图还可以包括多个质量节点,连接质量节点和工艺节点的边记为第二边。此外,相关性分析图还可以第三边,所述第三边为连接两个质量节点的边。
关于步骤S61的更多内容可以参照上文的具体描述,在此不再赘述。
在步骤S62中,可以根据相关性分析图,计算一个或多个工艺节点的影响力。所述影响力可以是指工艺节点对应的工艺参数对其他工艺参数或质量参数的影响能力,所述影响能力可以理解为工艺参数取值的变化对其他工艺参数或质量参数的取值所带来的变化。
需要说明的是,本实施例中工艺节点的影响力也可以称之为工艺节点对应的工艺参数的影响力。
作为一种具体实施方式,可以计算每个工艺节点的第一影响力,所述第一影响力用于表征该工艺节点对应的工艺参数对其他工艺参数的影响能力。
示例性的,针对每个工艺节点,可以计算该工艺节点连接的各条第一边的权重之和,并将计算得到的各条第一边的权重之和记为该工艺节点对应的第一影响力,由此,可以得到每个工艺参数的第一影响力。其中,对于某个工艺参数而言,第一影响力越大,该工艺参数与其他工艺参数的关联性越大,在实际生产中,该工艺参数值的变化对其他工艺参数的影响也越大。
进一步地,在步骤S63中,可以向用户输出各个工艺参数的第一影响力。示例性的,可以以表格的形式向用户输出各个工艺参数的第一影响力,在所述表格中,各个工艺参数可以按照第一影响力从大到小的顺序排列。
参见表3,表3是以图3示出的相关性分析图为例,获得的多个工艺参数的第一影响力。
表3
工艺参数 | 第一影响力 |
铸造速度 | 1.51 |
氩气量 | 0.7 |
拉速 | 0.7 |
喷淋水量 | 0.56 |
热流密度 | 0.48 |
结晶器液位 | 0.47 |
继续参照图6,作为另一种具体实施方式,可以计算每个工艺节点的第二影响力,所述第二影响力用于表征该工艺节点对应的工艺参数对其他质量参数的影响能力。
示例性的,针对每个工艺节点,可以计算该工艺节点连接的各条第二边的权重之和,并将计算得到的各条第二边的权重之和作为该工艺节点对应的工艺参数的第二影响力。由此,可以得到每个工艺参数的第二影响力。其中,对于某个工艺参数而言,第二影响力越大,该工艺参数对质量参数的影响越大,也即,对连铸产品质量的影响越大。
进一步地,在步骤S63中,可以向用户输出各个工艺参数的第二影响力。示例性的,可以以表格的形式向用户输出各个工艺参数的第二影响力,在所述表格中,各个工艺参数可以按照第二影响力从大到小的顺序排列。
作为又一种具体实施方式,还可以针针对某种质量参数,可以计算一个或多个工艺参数对该种质量参数的影响力。
具体而言,可以在所述多个质量节点中确定第一质量节点,所述第一质量节点可以是多个质量节点中任意一个节点,例如,可以依次将各个质量节点作为第一质量节点。或者,也可以由用户指定第一质量节点,也即,第一质量节点是由用户选择的质量节点。
进一步地,针对第一质量节点,可以在相关性分析图中搜索所述第一质量节点和各个第一质量工艺节点之间的最短路径。
其中,第一质量工艺节点是指与第一质量节点具有连接关系的工艺节点。所述连接关系包括直接连接关系和间接连接关系。
更具体的,第一质量工艺节点可以直接与第一质量节点连接,或者,第一质量工艺节点可以间接与第一质量节点连接。第一质量工艺节点直接与第一质量节点连接可以是指该工艺节点和第一质量节点之间的路径不包括其他工艺节点和质量节点。第一质量工艺节点间接与第一质量节点连接可以是指该工艺节点和第一质量节点之间的路径包括其他工艺节点,但不包括质量节点。
以图4示出的相关性分析图为例,假设第一质量节点为“中心偏析”节点,第一质量工艺节点可以是“结晶器液位”节点、“喷淋水量”节点、“氩气量”节点等。其中,“结晶器液位”节点和“中心偏析”节点直接连接,“喷淋水量”节点、“氩气量”节点分别和“中心偏析”节点间接连接。
继续参照图6,在具体实施中,可以采用深度遍历的方法搜索确定第一质量节点和每个质量工艺节点之间的最短路径。
进一步地,对于每个第一质量工艺节点,计算该第一质量工艺节点和第一质量节点之间的最短路径的长度,然后将最短路径的长度作为该第一质量工艺节点对第一质量节点的影响力。其中,最短路径的长度是指所述最短路径上各条边的权重值的乘积。由此,可以得到各个第一质量工艺节点对第一质量节点的影响力。
进一步地,可以向用户输出各个第一质量工艺节点对第一质量节点的影响力,以使得用户获知各个第一质量工艺节点对应的工艺参数对该第一质量节点对应的质量参数的影响能力。需要说明的是,与第二影响力表征的工艺参数的全局质量参数的影响力不同,上述最短路径表征的影响力为工艺参数对某一种质量参数的影响力。
由上,图6示出的方案中,基于相关性分析图计算一种或多种工艺参数的影响力,能够满足不同场景下用户针对工艺参数不同的分析需求。在具体实施中,可以由用户选择计算的影响力类型。
需要说明的是,在计算第一影响力和第二影响力时,仅基于直接连接的节点进行计算,并不关注间接连接的节点。
此外,本申请实施例的方案中,用户还可以发出选择隐藏指令,相应的,终端可以接收用户发出的选择隐藏指令。其中,隐藏指令可以包括隐藏类型,隐藏类型用于指示用户期望隐藏的边的类型。
例如,用户希望查询工艺参数和工艺参数之间的相关性,则隐藏类型可以包括第二边和第三边。又例如,用户希望查询工艺参数和质量参数之间的相关性,则隐藏类型可以包括第一边和第三边。
进一步地,响应于选择隐藏指令,可以隐藏相关性分析图中隐藏类型所指示类型的边。由此,可以更加便于用户对工艺参数的分析,在相关性分析图中突出用户期望的信息,有利于优化用户的使用体验。
可以理解的是,在具体实施中,上述方法可以采用软件程序的方式实现,该软件程序运行于芯片或芯片模组内部集成的处理器中;或者,该方法可以采用硬件或者软硬结合的方式来实现,例如用专用的芯片或芯片模组来实现,或者,用专用的芯片或芯片模组结合软件程序来实现。
参照图7,图7是本申请实施例中一种用于连铸生产线的相关性查询装置的结构示意图。如图7所示,图7示出的装置可以包括:
指令接收模块71,用于接收用户输入的查询触发指令;
数据获取模块72,用于响应于所述查询触发指令,获取所述连铸生产线的历史生产数据,所述历史生产数据包括多种工艺参数和/或多种质量参数在多个历史时刻的取值;
参数设置模块73,用于根据所述查询触发指令中包含的期望值,设置预先训练的图模型的惩罚参数,所述期望值用于表征用户期望的稀疏程度;
图生成模块74,用于将所述历史生产数据输入至所述图模型,以得到相关性分析图,所述相关性分析图包括多个节点以及节点之间的边,其中,所述节点对应工艺参数或质量参数,所述边具有权重值,所述权重值用于指示所述边连接的节点所对应的参数之间的相关程度。
关于本申请实施例中的用于连铸生产线的相关性查询装置的工作原理、工作方法和有益效果等更多内容,可以参照上文关于用于连铸生产线的相关性查询方法的相关描述,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器运行时,执行上述的用于连铸生产线的相关性查询方法的步骤。所述存储介质可以包括ROM、RAM、磁盘或光盘等。所述存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。
本申请实施例还提供一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行上述的用于连铸生产线的相关性查询方法的步骤。所述终端包括但不限于手机、计算机、平板电脑等终端设备。
应理解,本申请实施例中,所述处理器可以为中央处理单元(central processingunit,简称CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor,简称DSP)、专用集成电路(application specific integrated circuit,简称ASIC)、现成可编程门阵列(field programmable gate array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,简称ROM)、可编程只读存储器(programmable ROM,简称PROM)、可擦除可编程只读存储器(erasable PROM,简称EPROM)、电可擦除可编程只读存储器(electricallyEPROM,简称EEPROM)或闪存。易失性存储器可以是随机存取存储器(random accessmemory,简称RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random access memory,简称RAM)可用,例如静态随机存取存储器(staticRAM,简称SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronousDRAM,简称SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,简称DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,简称ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,简称SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,简称DR RAM)
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机程序可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机程序可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法、装置和系统,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的;例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式;例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理包括,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。例如,对于应用于或集成于芯片的各个装置、产品,其包含的各个模块/单元可以都采用电路等硬件的方式实现,或者,至少部分模块/单元可以采用软件程序的方式实现,该软件程序运行于芯片内部集成的处理器,剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现;对于应用于或集成于芯片模组的各个装置、产品,其包含的各个模块/单元可以都采用电路等硬件的方式实现,不同的模块/单元可以位于芯片模组的同一组件(例如芯片、电路模块等)或者不同组件中,或者,至少部分模块/单元可以采用软件程序的方式实现,该软件程序运行于芯片模组内部集成的处理器,剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现;对于应用于或集成于终端的各个装置、产品,其包含的各个模块/单元可以都采用电路等硬件的方式实现,不同的模块/单元可以位于终端内同一组件(例如,芯片、电路模块等)或者不同组件中,或者,至少部分模块/单元可以采用软件程序的方式实现,该软件程序运行于终端内部集成的处理器,剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,表示前后关联对象是一种“或”的关系。
本申请实施例中出现的“多个”是指两个或两个以上。本申请实施例中出现的第一、第二等描述,仅作示意与区分描述对象之用,没有次序之分,也不表示本申请实施例中对设备个数的特别限定,不能构成对本申请实施例的任何限制。
虽然本申请披露如上,但本申请并非限定于此。任何本领域技术人员,在不脱离本申请的精神和范围内,均可作各种更动与修改,因此本申请的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种用于连铸生产线的相关性查询方法,其特征在于,所述方法包括:
接收用户输入的查询触发指令;
响应于所述查询触发指令,获取所述连铸生产线的历史生产数据,所述历史生产数据包括多种工艺参数和/或多种质量参数在多个历史时刻的取值;根据所述查询触发指令中包含的期望值,设置预先训练的图模型的惩罚参数,所述期望值用于表征用户期望的稀疏程度;
将所述历史生产数据输入至所述图模型,以得到相关性分析图,所述相关性分析图包括多个节点以及节点之间的边,其中,所述节点对应工艺参数或质量参数,所述边具有权重值,所述权重值用于指示所述边连接的节点所对应的参数之间的相关程度。
2.根据权利要求1所述的用于连铸生产线的相关性查询方法,其特征在于,根据所述查询触发指令中包含的期望值,设置预先训练的图模型的惩罚参数包括:
若所述期望值处于预先设置的第一默认值和第二默认值之间,则在第一惩罚参数值和第二惩罚参数值之间搜索所述期望值匹配的惩罚参数值,其中,所述第一默认值用于表征所述图模型采用所述第一惩罚参数值时所述相关性分析图的稀疏程度,所述第二默认值用于表征所述图模型采用所述第二惩罚参数值时所述相关性分析图的稀疏程度;
基于所述期望值匹配的惩罚参数值,设置所述图模型的惩罚参数。
3.根据权利要求1所述的用于连铸生产线的相关性查询方法,其特征在于,所述多个节点包括多个工艺节点,所述工艺节点和所述工艺参数一一对应,连接两个所述工艺节点的边记为第一边,所述方法还包括:
针对每个工艺节点,计算该工艺节点连接的各条第一边的权重之和,记为该工艺节点对应的工艺参数的第一影响力;
向用户输出所述多个工艺参数的第一影响力。
4.根据权利要求3所述的用于连铸生产线的相关性查询方法,其特征在于,所述多个节点还包括多个质量节点,所述质量节点和所述质量参数一一对应,连接所述工艺节点和所述质量节点的边记为第二边,所述方法还包括:针对每个工艺节点,计算该工艺节点连接的各条第二边的权重之和,记为该工艺节点对应的工艺参数的第二影响力;
向用户输出所述多个工艺参数的第二影响力。
5.根据权利要求4所述的用于连铸生产线的相关性查询方法,其特征在于,所述方法还包括:
接收用户输出的选择隐藏指令,所述选择隐藏指令包括隐藏类型,所述隐藏类型用于指示用户期望隐藏的边的类型;
响应于所述选择隐藏指令,基于所述隐藏类型隐藏所述相关性分析图中的边。
6.根据权利要求4所述的用于连铸生产线的相关性查询方法,其特征在于,所述方法还包括:
针对所述多个质量节点中的第一质量节点,在所述相关性分析图中搜索所述第一质量节点和各个第一质量工艺节点之间的最短路径,其中,所述第一质量工艺节点为与所述第一质量节点具有连接关系的工艺节点,所述连接关系包括直接连接关系和间接连接关系,所述路径的长度为所述路径上各条边的权重值的乘积;
向用户输出所述各个第一质量工艺节点对所述第一质量节点的影响力,所述影响力为所述最短路径上各条边的权重值的乘积。
7.根据权利要求1所述的用于连铸生产线的相关性查询方法,其特征在于,将所述历史生产数据输入至所述图模型之前,所述方法还包括:
计算每种工艺参数在多个历史时刻的取值的均值和标准差;
对于每个取值,若该取值偏离所述均值超过预设倍数的标准差,则剔除该取值。
8.一种用于连铸生产线的相关性查询装置,其特征在于,所述装置包括:
指令接收模块,用于接收用户输入的查询触发指令;
数据获取模块,用于响应于所述查询触发指令,获取所述连铸生产线的历史生产数据,所述历史生产数据包括多种工艺参数和/或多种质量参数在多个历史时刻的取值;
参数设置模块,用于根据所述查询触发指令中包含的期望值,设置预先训练的图模型的惩罚参数,所述期望值用于表征用户期望的稀疏程度;
图生成模块,用于将所述历史生产数据输入至所述图模型,以得到相关性分析图,所述相关性分析图包括多个节点以及节点之间的边,其中,所述节点对应工艺参数或质量参数,所述边具有权重值,所述权重值用于指示所述边连接的节点所对应的参数之间的相关程度。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时,执行权利要求1至7中任一项所述的用于连铸生产线的相关性查询方法的步骤。
10.一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时执行权利要求1至7中任一项所述的用于连铸生产线的相关性查询方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395626.6A CN116541436B (zh) | 2023-04-13 | 2023-04-13 | 用于连铸生产线的相关性查询方法及装置、介质、终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395626.6A CN116541436B (zh) | 2023-04-13 | 2023-04-13 | 用于连铸生产线的相关性查询方法及装置、介质、终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116541436A true CN116541436A (zh) | 2023-08-04 |
CN116541436B CN116541436B (zh) | 2024-02-27 |
Family
ID=87453308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310395626.6A Active CN116541436B (zh) | 2023-04-13 | 2023-04-13 | 用于连铸生产线的相关性查询方法及装置、介质、终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116541436B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080097941A1 (en) * | 2006-10-19 | 2008-04-24 | Shivani Agarwal | Learning algorithm for ranking on graph data |
US20180322958A1 (en) * | 2017-05-04 | 2018-11-08 | Efthymios Kalafatis | Machine learning, natural language processing and network analysis-guided discovery related to medical research |
US20190087534A1 (en) * | 2017-09-21 | 2019-03-21 | The Penn State Research Foundation | Systems, methods, and processor-readable media for detecting disease causal variants |
US20190188212A1 (en) * | 2016-07-27 | 2019-06-20 | Anomalee Inc. | Prioritized detection and classification of clusters of anomalous samples on high-dimensional continuous and mixed discrete/continuous feature spaces |
WO2020133549A1 (en) * | 2018-12-29 | 2020-07-02 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligent systems and methods for semantic-based search |
US20210182294A1 (en) * | 2019-12-17 | 2021-06-17 | Atlassian Pty Ltd | Relevance tuning for online search |
US11151480B1 (en) * | 2020-06-22 | 2021-10-19 | Sas Institute Inc. | Hyperparameter tuning system results viewer |
US20210374499A1 (en) * | 2020-05-26 | 2021-12-02 | International Business Machines Corporation | Iterative deep graph learning for graph neural networks |
CN113792110A (zh) * | 2021-08-03 | 2021-12-14 | 浙大城市学院 | 一种基于社交物联网的设备信任值评估方法 |
CN114326620A (zh) * | 2021-12-25 | 2022-04-12 | 北京国控天成科技有限公司 | 一种全流程自动控制方法、装置及电子设备 |
US11410076B1 (en) * | 2018-09-07 | 2022-08-09 | Twitter, Inc. | Decentralized multi-task machine learned parameters |
US20220327124A1 (en) * | 2021-04-12 | 2022-10-13 | Capital One Services, Llc | Machine learning for locating information in knowledge graphs |
CN115345434A (zh) * | 2022-07-15 | 2022-11-15 | 华院计算技术(上海)股份有限公司 | 改进的面向连铸质量判定模型的动态数据挖掘方法及装置 |
CN115456460A (zh) * | 2022-09-30 | 2022-12-09 | 昆明理工大学 | 一种制丝松散回潮工艺的多质量指标输出预测方法、系统 |
US20220405158A1 (en) * | 2021-06-22 | 2022-12-22 | International Business Machines Corporation | Non-linear causal modeling from diverse data sources |
CN115685314A (zh) * | 2021-07-23 | 2023-02-03 | 中国石油天然气股份有限公司 | 一种地震储层物性参数预测方法及装置 |
-
2023
- 2023-04-13 CN CN202310395626.6A patent/CN116541436B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080097941A1 (en) * | 2006-10-19 | 2008-04-24 | Shivani Agarwal | Learning algorithm for ranking on graph data |
US20190188212A1 (en) * | 2016-07-27 | 2019-06-20 | Anomalee Inc. | Prioritized detection and classification of clusters of anomalous samples on high-dimensional continuous and mixed discrete/continuous feature spaces |
US20180322958A1 (en) * | 2017-05-04 | 2018-11-08 | Efthymios Kalafatis | Machine learning, natural language processing and network analysis-guided discovery related to medical research |
US20190087534A1 (en) * | 2017-09-21 | 2019-03-21 | The Penn State Research Foundation | Systems, methods, and processor-readable media for detecting disease causal variants |
US11410076B1 (en) * | 2018-09-07 | 2022-08-09 | Twitter, Inc. | Decentralized multi-task machine learned parameters |
WO2020133549A1 (en) * | 2018-12-29 | 2020-07-02 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligent systems and methods for semantic-based search |
US20210182294A1 (en) * | 2019-12-17 | 2021-06-17 | Atlassian Pty Ltd | Relevance tuning for online search |
US20210374499A1 (en) * | 2020-05-26 | 2021-12-02 | International Business Machines Corporation | Iterative deep graph learning for graph neural networks |
US11151480B1 (en) * | 2020-06-22 | 2021-10-19 | Sas Institute Inc. | Hyperparameter tuning system results viewer |
US20220327124A1 (en) * | 2021-04-12 | 2022-10-13 | Capital One Services, Llc | Machine learning for locating information in knowledge graphs |
US20220405158A1 (en) * | 2021-06-22 | 2022-12-22 | International Business Machines Corporation | Non-linear causal modeling from diverse data sources |
CN115685314A (zh) * | 2021-07-23 | 2023-02-03 | 中国石油天然气股份有限公司 | 一种地震储层物性参数预测方法及装置 |
CN113792110A (zh) * | 2021-08-03 | 2021-12-14 | 浙大城市学院 | 一种基于社交物联网的设备信任值评估方法 |
CN114326620A (zh) * | 2021-12-25 | 2022-04-12 | 北京国控天成科技有限公司 | 一种全流程自动控制方法、装置及电子设备 |
CN115345434A (zh) * | 2022-07-15 | 2022-11-15 | 华院计算技术(上海)股份有限公司 | 改进的面向连铸质量判定模型的动态数据挖掘方法及装置 |
CN115456460A (zh) * | 2022-09-30 | 2022-12-09 | 昆明理工大学 | 一种制丝松散回潮工艺的多质量指标输出预测方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116541436B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109032829B (zh) | 数据异常检测方法、装置、计算机设备及存储介质 | |
US20200374589A1 (en) | User feature generation method and apparatus, device, and computer-readable storage medium | |
CN105335519B (zh) | 模型生成方法及装置、推荐方法及装置 | |
WO2021184571A1 (zh) | 动态表单生成方法、装置、计算机设备和存储介质 | |
CN112889042A (zh) | 机器学习中超参数的识别与应用 | |
CN109992601B (zh) | 待办事项信息的推送方法、装置和计算机设备 | |
CN112036085B (zh) | 一种轧钢燃耗参数推荐方法、系统、介质及终端 | |
WO2019029281A1 (zh) | 碰撞校核数据的处理方法、装置、电子设备及存储介质 | |
US10915586B2 (en) | Search engine for identifying analogies | |
CN115146607B (zh) | 评论信息情感偏好识别模型训练方法、识别方法及设备 | |
CN111931848B (zh) | 数据的特征提取方法、装置、计算机设备及存储介质 | |
CN109447412A (zh) | 构建企业关系图谱的方法、装置、计算机设备和存储介质 | |
CN106649714B (zh) | 针对数据不均匀及数据稀疏的topN推荐系统及方法 | |
CN116541436B (zh) | 用于连铸生产线的相关性查询方法及装置、介质、终端 | |
US20190004872A1 (en) | Application program interface mashup generation | |
WO2020048247A1 (zh) | 结算数据处理方法、装置、计算机设备和存储介质 | |
CN116523039B (zh) | 连铸知识图谱的生成方法及装置、存储介质、终端 | |
CN108986786B (zh) | 语音交互设备评级方法、系统、计算机设备和存储介质 | |
CN110968835A (zh) | 一种近似分位数计算方法及装置 | |
KR102491688B1 (ko) | 금융투자상품의 방향성 예측 모델링 방식을 결정하기 위한 전자 장치의 제어 방법 | |
CN113685162B (zh) | 压裂参数的确定方法、装置、设备及存储介质 | |
CN109783508B (zh) | 数据查询方法、装置、计算机设备和存储介质 | |
CN114036267A (zh) | 对话方法及系统 | |
CN106126818B (zh) | 一种自适应的在线产生子群参数的方法 | |
TWI769419B (zh) | 用於輿情分析的系統和方法 |
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 |