CN116663725A - 一种用于工业互联网的工艺流程智能预测优化方法及系统 - Google Patents
一种用于工业互联网的工艺流程智能预测优化方法及系统 Download PDFInfo
- Publication number
- CN116663725A CN116663725A CN202310625318.8A CN202310625318A CN116663725A CN 116663725 A CN116663725 A CN 116663725A CN 202310625318 A CN202310625318 A CN 202310625318A CN 116663725 A CN116663725 A CN 116663725A
- Authority
- CN
- China
- Prior art keywords
- process flow
- data
- node
- layer
- optimized
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 196
- 230000008569 process Effects 0.000 title claims abstract description 158
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 28
- 238000004519 manufacturing process Methods 0.000 claims description 62
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000005236 sound signal Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 239000002994 raw material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06Q10/0633—Workflow analysis
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于工业互联网的工艺流程智能预测优化方法及系统,方法包括:收集各个工艺流程节点的关联数据,以关联数据为基础在工业互联网下建立各个工艺流程节点之间的关联网络;提取节点运行数据和优化识别信息;去除节点运行数据中的冗杂数据并进行时间统一;利用特征抽取模型对预处理后的数据进行特征提取,并通过预设规则为优化识别信息添加观测标签;将提取后的特征向量以及添加观测标签后的优化识别信息作为输入,通过构建的智能预测模型进行分类预测,根据分类预测的结果将工艺流程节点分为正常工艺流程节点和待优化工艺流程节点;通过对应的优化手段对待优化工艺流程节点进行优化,实现整合性的工艺流程自动优化。
Description
技术领域
本发明属于工业智能优化技术领域,具体涉及一种用于工业互联网的工艺流程智能预测优化方法及系统。
背景技术
工业互联网下各个工艺流程节点的正常运行对于工业领域的企业来说是非常重要的,及早发现工艺流程节点存在的问题并且进行合理解决和优化,可以减少企业的经济损失。
生产过程中的各个工艺流程节点相互配合通过工业互联网从而形成完整的自动化生产线,但是,在现有的工业互联网在生产过程中还存在以下问题:
1、由于各个工艺流程节点中节点设备的数据不同从而相互独立,形成数据孤岛,导致总控端无法有效快速的对下层的工艺流程节点进行数据互通以及控制;
2、在目前的工业互联网下的自动化控制中没有对各个工艺流程节点进行智能分析,从而无法对各个工艺流程节点的运行状态进行实时观测和筛选,进而无法及时判断其中是否存在需要维护和优化的工艺流程节点,不能及时发现工艺流程节点存在的问题,难以实现工艺流程智能优化。
发明内容
针对上述现有技术的不足,本申请提供一种用于工业互联网的工艺流程智能预测优化方法及系统。
第一方面本申请提出了一种用于工业互联网的工艺流程智能预测优化方法,包括以下步骤:
收集各个工艺流程节点的关联数据,以所述关联数据为基础在工业互联网下建立各个工艺流程节点之间的关联网络;
提取关联网络下各个工艺流程节点的节点运行数据和优化识别信息;
去除所述节点运行数据中的冗杂数据并进行时间统一;
利用特征抽取模型对预处理后的数据进行特征提取,并通过预设规则为所述优化识别信息添加观测标签;
将提取后的特征向量以及添加观测标签后的优化识别信息作为输入,通过构建的智能预测模型进行分类预测,根据分类预测的结果将所述工艺流程节点分为正常工艺流程节点和待优化工艺流程节点;
通过对应的优化手段对所述待优化工艺流程节点进行优化,实现整合性的工艺流程自动优化。
在一些实施例的一些可选的实现方式中,所述收集各个工艺流程节点的关联数据,以所述关联数据为基础在工业互联网下建立各个工艺流程节点之间的关联网络,包括:
收集各个工艺流程节点的关联数据,并将所述关联数据录入预先建立的数据库,生成关联参数和路由路径;
利用所述关联参数和路由路径设定路由表以及连接规则,并通过规则编译将路由表以及连接规则形成规则编译文件;
对规则编译文件进行解析,获取各个工艺流程节点对应的IP信息和端口信息,结合路由表以及连接规则生成规则配置文件;
基于所述规则配置文件对关联网络进行初始化。
在一些实施例的一些可选的实现方式中,所述提取关联网络下各个工艺流程节点的节点运行数据和优化识别信息,包括:
提取的各个工艺流程节点中的节点运行数据包括生产过程数据和生产结果数据;
提取的各个工艺流程节点中的优化识别信息包括,生产过程中正常的温度、压力、振动和音频信号,异常的温度、压力、振动和音频信号,生产结果中的正常运行记录和异常运行记录。
在一些实施例的一些可选的实现方式中,所述去除所述节点运行数据中的冗杂数据并进行时间统一,包括:
去除所述生产过程数据和生产结果数据中的文字描述类信息;
将所述生产过程数据和生产结果数据中的时间间隔进行统一。
在一些实施例的一些可选的实现方式中,进行特征提取前还需完成数据预处理,所述数据预处理包括:
筛选出生产过程数据和生产结果数据中的缺失值或异常值,对所述缺失值进行插补,对所述异常值进行删除或用插补法进行补充。
在一些实施例的一些可选的实现方式中,所述利用特征抽取模型对预处理后的数据进行特征提取,包括:
构建特征抽取模型,所述特征抽取模型包括输入层、第一卷积层、第一归一化层、第一池化层、第二卷积层、第二归一化层、第二池化层、第一全连接层和第二全连接层;
所述输入层的输出端通过信息传递通道与所述第一卷积层的输入端连接;所述第一卷积层的输出端通过信息传递通道与所述第一归一化层的输入端连接;所述第一归一化层的输出端通过信息传递通道与所述第一池化层的输入端连接;所述第一池化层的输出端通过信息传递通道与所述第二卷积层的输入端连接;所述第二卷积层的输出端通过信息传递通道与所述第二归一化层的输入端连接;所述第二归一化层的输出端通过信息传递通道与所述第二池化层的输入端连接;所述第二池化层的输出端通过信息传递通道与所述第一全连接层的输入端连接;所述第一全连接层的输出端通过信息传递通道与所述第二全连接层的输入端连接;
将预处理后的生产过程数据和生产结果数据作为输入传输到输入层,最终通过所述第一全连接层和所述第二全连接层进行特征提取后得到特征变量。
在一些实施例的一些可选的实现方式中,所述并通过预设规则为所述优化识别信息添加观测标签,包括:
将生产过程中正常的温度、压力、振动和音频信号添加正常观测标签;
将异常的温度、压力、振动和音频信号添加异常观测标签;
将生产结果中的正常运行记录添加正常观测标签;
将生产结果中的异常运行记录添加异常观测标签。
在一些实施例的一些可选的实现方式中,所述将提取后的特征向量以及添加观测标签后的优化识别信息作为输入,包括:
构建无向图;
其中,V={1,2,...,n}表示节点集,E ={(i,j)|若节点i和节点j有连边}表示边集;
将提取后的特征向量以及添加观测标签后的优化识别信息作为无向图的节点集V上的输入数据集进行表示:
其中,n=|V|表示无向图上的节点总数;
表示无向图第i个节点上的特征向量的观测;
表示无向图第i个节点上的层级,用one-hot向量表示:如果工艺流程节点属于待优化工艺流程节点类别,则/>,否则/>;
i表示工艺流程节点总数,j表示工艺流程节点类别数, p表示特征向量维度数,c表示观测标签数量,表示无向图上有正常观测标签的工艺流程节点构成的集合,/>表示无向图上有异常观测标签的工艺流程节点构成的集合。
在一些实施例的一些可选的实现方式中,所述通过构建的智能预测模型进行分类预测,根据分类预测的结果将所述工艺流程节点分为正常工艺流程节点和待优化工艺流程节点,包括:
步骤1:构造无向图上归一化的拉普拉斯矩阵;
步骤2:对所述拉普拉斯矩阵进行谱分解;
步骤3;构造带有图卷积运算的 NNBernNet 的智能预测模型:
步骤4;根据数据集和智能预测模型构造分类预测的交叉熵损失函数;
步骤5:对所述智能预测模型进行优化,得到最终的智能分类预测模型;
步骤6;将数据集输入到最终的智能分类预测模型进行智能分类,预测到无向图中i∈yU上有异常标签观测值的工艺流程节点,以及无向图中i∈yL上有正常标签观测值的工艺流程节点,从而判断出待优化工艺流程节点。
第二方面本申请提出一种用于工业互联网的工艺流程智能预测优化系统,包括关联网络建立模块、数据提取模块、数据调整模块、特征处理模块、智能预测模块和整合优化模块;
所述关联网络建立模块,用于收集各个工艺流程节点的关联数据,以所述关联数据为基础在工业互联网下建立各个工艺流程节点之间的关联网络;
所述数据提取模块,用于提取关联网络下各个工艺流程节点的节点运行数据和优化识别信息;
所述数据调整模块,用于去除所述节点运行数据中的冗杂数据并进行时间统一;
所述特征处理模块,用于利用特征抽取模型对预处理后的数据进行特征提取,并通过预设规则为所述优化识别信息添加观测标签;
所述智能预测模块,用于将提取后的特征向量以及添加观测标签后的优化识别信息作为输入,通过构建的智能预测模型进行分类预测,根据分类预测的结果将所述工艺流程节点分为正常工艺流程节点和待优化工艺流程节点;
所述整合优化模块,用于通过对应的优化手段对所述待优化工艺流程节点进行优化,实现整合性的工艺流程自动优化。
第三方面,本申请提出了一种计算机装置,计算机装置包括:
处理器,处理器用于执行存储器中存储的计算机程序时实现上述任一方法的步骤。
第四方面,本申请提出了一种计算机可读存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一方法的步骤示例性地,计算机程序可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机设备中的执行过程。
本发明的有益效果:
针对自动化工业的工艺流程节点,建立各个节点之间相互作用的关联网络,打破数据孤岛,快速地对下层的工艺流程节点进行数据互通以及控制,进而利用神经网络技术实现对工艺流程节点的特征提取和智能分类,对各个工艺流程节点的运行状态进行实时观测和筛选,根据特征分类判断出需要维护和优化的工艺流程节点,实现整合性的工艺流程智能优化。
附图说明
图1为本发明的总体流程图。
图2为本发明的系统原理框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制;相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
第一方面本申请提出了一种用于工业互联网的工艺流程智能预测优化方法,如图1所示,包括步骤S100-S600:
S100:收集各个工艺流程节点的关联数据,以所述关联数据为基础在工业互联网下建立各个工艺流程节点之间的关联网络;
在一些实施例的一些可选的实现方式中,所述收集各个工艺流程节点的关联数据,以所述关联数据为基础在工业互联网下建立各个工艺流程节点之间的关联网络,包括:
收集各个工艺流程节点的关联数据,并将所述关联数据录入预先建立的数据库,生成关联参数和路由路径;
利用所述关联参数和路由路径设定路由表以及连接规则,并通过规则编译将路由表以及连接规则形成规则编译文件;
其中,设置采集服务器端,与数据库连接,用于获取关联参数和路由路径,在采集服务器端内设置规则编译模块和文件配置模块,通过规则编译模块获取的关联参数和路由路径设定的路由表以及连接规则,并将规则编译模块存放至测试服务器端内指定的路径内,形成规则编译文件。
对规则编译文件进行解析,获取各个工艺流程节点对应的IP信息和端口信息,结合路由表以及连接规则生成规则配置文件;
进一步的,通过文件配置模块读取规则编译文件,对规则编译文件进行解析,获取各个工艺流程节点对应的IP信息以及端口信息,结合路由表以及连接规则生成规则配置文件;
基于所述规则配置文件对关联网络进行初始化。
调取规则配置文件并进行初始化,初始化完毕后等待接收采集服务器端返回的建立关联网络所采用的关联参数,并检测各个工艺流程节点所使用的网络频段信息,依据网络频段判断各个工艺流程节点的位置信息,为同一工业互联网下的工艺流程节点发送关联标识进行关联,完成关联网络的构建。
S200:提取关联网络下各个工艺流程节点的节点运行数据和优化识别信息;
在一些实施例的一些可选的实现方式中,所述提取关联网络下各个工艺流程节点的节点运行数据和优化识别信息,包括:
提取的各个工艺流程节点中的节点运行数据包括生产过程数据和生产结果数据;
提取的各个工艺流程节点中的优化识别信息包括,生产过程中正常的温度、压力、振动和音频信号,异常的温度、压力、振动和音频信号,生产结果中的正常运行记录和异常运行记录。
以食品工业为例:生产过程数据包括原料上料的分析室记录数据、原料车间检测室记录数据、生产过程中导出的DCS数据;原料上料的分析室记录数据包括物料称重数据;原料车间检测室记录数据包括物料的浓度及含量数据;DCS数据包括食品生产各个过程的相应参数;生产结果数据包括对于食品产量、品质程度和消耗占比等数据;
进一步的,优化识别信息是指在各类工业自动化流程中,各个工艺流程节点的设备中可能影响到生产效率的因素,其可以是传感器的反馈信号、也可以是设备的运行日志或者运行记录,在本方案中具体为温度、压力、振动、音频信号和运行记录。
基于此,优化识别信息分别为生产过程中正常的温度、压力、振动和音频信号,生产过程中异常的温度、压力、振动和音频信号,生产结果中的正常运行记录和异常运行记录。
S300:去除所述节点运行数据中的冗杂数据并进行时间统一;
在一些实施例的一些可选的实现方式中,所述去除所述节点运行数据中的冗杂数据并进行时间统一,包括:
去除所述生产过程数据和生产结果数据中的文字描述类信息;
将所述生产过程数据和生产结果数据中的时间间隔进行统一。
具体的,对采集到的生产过程数据和生产结果数据进行筛查,将无法应用到建模过程中的文字描述类信息剔除。以及将数据记录的时间间隔统一;
在一些实施例的一些可选的实现方式中,行特征提取前还需完成数据预处理,所述数据预处理包括:
筛选出数据清洗后的生产过程数据和生产结果数据中的缺失值或异常值,对所述缺失值进行插补,对所述异常值进行删除或用插补法进行补充。
进一步的,时间间隔大于基准间隔的,通过插补法补充数据;时间间隔小于基准间隔的,通过平均值的方法提取数据。所述的数据格式及时间的统一步骤,以大多数数据所显示的时间间隔作为基准,对于手动记录数据实现时间自动划分。
其中,对于缺失值采用线性插值法,按照如下公式计算缺失值:
其中(x0,y0) ,(x1,y1)代表数据中的已知点,x表示缺失值对应的时间点,y表示该时间点的补充值,对所述缺失值进行插补,对所述异常值进行删除或用插补法进行补充,本实施例中,对于异常值的筛选剔除采用箱型图法。
S400:利用特征抽取模型对预处理后的数据进行特征提取,并通过预设规则为所述优化识别信息添加观测标签;
在一些实施例的一些可选的实现方式中,所述利用特征抽取模型对预处理后的数据进行特征提取,包括:
构建特征抽取模型,所述特征抽取模型包括输入层、第一卷积层、第一归一化层、第一池化层、第二卷积层、第二归一化层、第二池化层、第一全连接层和第二全连接层;
所述输入层的输出端通过信息传递通道与所述第一卷积层的输入端连接;所述第一卷积层的输出端通过信息传递通道与所述第一归一化层的输入端连接;所述第一归一化层的输出端通过信息传递通道与所述第一池化层的输入端连接;所述第一池化层的输出端通过信息传递通道与所述第二卷积层的输入端连接;所述第二卷积层的输出端通过信息传递通道与所述第二归一化层的输入端连接;所述第二归一化层的输出端通过信息传递通道与所述第二池化层的输入端连接;所述第二池化层的输出端通过信息传递通道与所述第一全连接层的输入端连接;所述第一全连接层的输出端通过信息传递通道与所述第二全连接层的输入端连接;
将预处理后的生产过程数据和生产结果数据作为输入传输到输入层,最终通过所述第一全连接层和所述第二全连接层进行特征提取后得到特征变量。
其中,卷积层的卷积核个数分别为15、42个,全连接层神经元数目分别
为133、83个,输入层的输入数据是预处理后的生产过程数据和生产结果数据。第一卷积层由步长为1,15个尺寸为3×3的卷积核组成,无激活函数。第一归一化层由15个通道组成,每个通道的尺寸为3×3,载有ReLU函数。池化层由15个尺寸为2×2的池化核组成,无激活函数。第二卷积层由步长为1,42个尺寸为7×7的卷积核组成,无激活函数。第二归一化层由42个通道组成,每个通道的尺寸为7×7,载有ReLU函数。第二池化层由42个尺寸为2×2的池化核组成,无激活函数。第一全连接层由133个节点组成,载有ReLU函数。第二全连接层由83个节点组成,载有ReLU函数。
采用时频变换方法将生产过程数据和生产结果数据转换为二维时频特征图,用作输入层的输入数据。输入层的数据样本经第一卷积层进行特征提取后,第一卷积层输出的特征图被传递至第一归一化层进行特征标准化,进而被传递至第一池化层进行特征压缩和信息过滤。第一池化层压缩和过滤后的输出数据经第二卷积层进行特征提取后,第二卷积层输出的特征图被传递至第二归一化层进行特征标准化,进而被传递至第二池化层进行特征压缩和信息过滤。第二池化层压缩和过滤后的输出数据经展平处理后被传递至第一全连接层进行特征提取,经第一全连接层特征提取后的输出数据被传递至第二全连接层进行特征提取,最后由第二全连接层输出得到特征变量。
S500:将提取后的特征向量以及添加观测标签后的优化识别信息作为输入,通过构建的智能预测模型进行分类预测,根据分类预测的结果将所述工艺流程节点分为正常工艺流程节点和待优化工艺流程节点;
在一些实施例的一些可选的实现方式中,所述并通过预设规则为所述优化识别信息添加观测标签,包括:
将生产过程中正常的温度、压力、振动和音频信号添加正常观测标签;
将异常的温度、压力、振动和音频信号添加异常观测标签;
将生产结果中的正常运行记录添加正常观测标签;
将生产结果中的异常运行记录添加异常观测标签。
在一些实施例的一些可选的实现方式中,所述将提取后的特征向量以及添加观测标签后的优化识别信息作为输入,包括:
构建无向图;
其中,V={1,2,...,n}表示节点集,E ={(i,j)|若节点i和节点j有连边}表示边集;
将提取后的特征向量以及添加观测标签后的优化识别信息作为无向图的节点集V上的输入数据集进行表示:
其中,n=|V|表示无向图上的节点总数;表示无向图第i个节点上的特征向量的观测;
表示无向图第i个节点上的层级,用one-hot向量表示:如果工艺流程节点属于待优化工艺流程节点类别,则/>,否则;
i表示工艺流程节点总数,j表示工艺流程节点类别数(包括正常工艺流程节点和待优化工艺流程节点,即j表示类别的维度), p表示特征向量维度数,c表示观测标签数量,表示无向图上有正常观测标签的工艺流程节点构成的集合,/>表示无向图上有异常观测标签的工艺流程节点构成的集合。
在一些实施例的一些可选的实现方式中,所述通过构建的智能预测模型进行分类预测,根据分类预测的结果将所述工艺流程节点分为正常工艺流程节点和待优化工艺流程节点,包括:
步骤1:构造无向图上归一化的拉普拉斯矩阵;
其中,I表示单位矩阵,D表示无向图的度矩阵,其是一个对角矩阵,第i个对角元的值等于和节点i连边的个数,A表示无向图的邻接矩阵,其第ij个元素定义为:若,则/>,若/>,则/>;
步骤2:对所述拉普拉斯矩阵进行谱分解;
其中,表示L的n个特征根;
表示L的n个特征根为对角元的对角矩阵;
表示对应的n个特征向量;
表示对应的n个特征向量组成的矩阵;
步骤3;构造带有图卷积运算的 NNBernNet 的智能预测模型:
其中,表示第i个节点上的特征向量的观测;
表示第i个节点上的输出向量,用于预测该节点的层级;softmax表示向量的softmax变换;/>表示K阶的伯恩斯坦多项式;/>表示待估计的卷积核参数,/>表示带有q=64个隐藏单元的隐藏层的多层感知器。
其中,向量的softmax变换为:
的定义如下:/>
是p×q的从输入层到隐藏层的特征变换未知参数矩阵;
是qxc的隐藏层到输出层的特征变换未知参数矩阵;
表示非线性激活函数;
步骤4;根据数据集和智能预测模型构造分类预测的交叉熵损失函数;
其中,由智能预测模型进行计算。
步骤5:对所述智能预测模型进行优化,得到最终的智能分类预测模型;
根据所述损失函数,使用优化算法(本实施例采用Adam 优化算法)训练智能预测模型中卷积核参数和线性特征变换层的参数/>和/>;
采用深度学习框架(本实施例采用深度学习框架 PyTorch)进行训练,得到参数估计和线性特征变换层的参数矩阵估计/>和/>;
根据参数估计和参数矩阵估计得到最终的智能分类预测模型:
其中,。
步骤6;将数据集输入到最终的智能分类预测模型进行智能分类,预测到无向图中i∈yU上有异常标签观测值的工艺流程节点,以及无向图中i∈yL上有正常标签观测值的工艺流程节点,从而判断出待优化工艺流程节点。
根据以上的智能分类预测模型,可以预测到无向图中i∈yU上有异常标签观测值的工艺流程节点,以及无向图中i∈yL上有正常标签观测值的工艺流程节点,从而判断出待优化工艺流程节点。
S600:通过对应的优化手段对所述待优化工艺流程节点进行优化,实现整合性的工艺流程自动优化。
第二方面本申请提出一种用于工业互联网的工艺流程智能预测优化系统,如图2所示:包括关联网络建立模块、数据提取模块、数据调整模块、特征处理模块、智能预测模块和整合优化模块;
所述关联网络建立模块,用于收集各个工艺流程节点的关联数据,以所述关联数据为基础在工业互联网下建立各个工艺流程节点之间的关联网络;
所述数据提取模块,用于提取关联网络下各个工艺流程节点的节点运行数据和优化识别信息;
所述数据调整模块,用于去除所述节点运行数据中的冗杂数据并进行时间统一;
所述特征处理模块,用于利用特征抽取模型对预处理后的数据进行特征提取,并通过预设规则为所述优化识别信息添加观测标签;
所述智能预测模块,用于将提取后的特征向量以及添加观测标签后的优化识别信息作为输入,通过构建的智能预测模型进行分类预测,根据分类预测的结果将所述工艺流程节点分为正常工艺流程节点和待优化工艺流程节点;
所述整合优化模块,用于通过对应的优化手段对所述待优化工艺流程节点进行优化,实现整合性的工艺流程自动优化。
第三方面,本申请提出了一种计算机装置,计算机装置包括:
处理器,处理器用于执行存储器中存储的计算机程序时实现上述任一方法的步骤。
第四方面,本申请提出了一种计算机可读存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一方法的步骤示例性地,计算机程序可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机设备中的执行过程。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备可以包括但不仅限于处理器和存储器。本领域技术人员可以理解,计算机设备可以包括更多或更少的部件,或者组合某些部件,或者不同的部件,例如,计算机设备还可以包括输入输出设备、网络接入设备、总线等。
处理器可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、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。
存储器可以是计算机设备的内部存储单元,例如,计算机设备的硬盘或内存。存储器也可以是计算机设备的外部存储设备,例如,计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,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,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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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存在,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,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上仅是本发明优选的实施方式,需指出的是,对于本领域技术人员在不脱离本技术方案的前提下,作出的若干变形和改进的技术方案应同样视为落入本权利要求书要求保护的范围。
Claims (10)
1.一种用于工业互联网的工艺流程智能预测优化方法,其特征在于:包括以下步骤:
收集各个工艺流程节点的关联数据,以所述关联数据为基础在工业互联网下建立各个工艺流程节点之间的关联网络;
提取关联网络下各个工艺流程节点的节点运行数据和优化识别信息;
去除所述节点运行数据中的冗杂数据并进行时间统一;
利用特征抽取模型对预处理后的数据进行特征提取,并通过预设规则为所述优化识别信息添加观测标签;
将提取后的特征向量以及添加观测标签后的优化识别信息作为输入,通过构建的智能预测模型进行分类预测,根据分类预测的结果将所述工艺流程节点分为正常工艺流程节点和待优化工艺流程节点;
通过对应的优化手段对所述待优化工艺流程节点进行优化,实现整合性的工艺流程自动优化。
2.根据权利要求1所述的方法,其特征在于:所述收集各个工艺流程节点的关联数据,以所述关联数据为基础在工业互联网下建立各个工艺流程节点之间的关联网络,包括:
收集各个工艺流程节点的关联数据,并将所述关联数据录入预先建立的数据库,生成关联参数和路由路径;
利用所述关联参数和路由路径设定路由表以及连接规则,并通过规则编译将路由表以及连接规则形成规则编译文件;
对规则编译文件进行解析,获取各个工艺流程节点对应的IP信息和端口信息,结合路由表以及连接规则生成规则配置文件;
基于所述规则配置文件对关联网络进行初始化。
3.根据权利要求2所述的方法,其特征在于:所述提取关联网络下各个工艺流程节点的节点运行数据和优化识别信息,包括:
提取的各个工艺流程节点中的节点运行数据包括生产过程数据和生产结果数据;
提取的各个工艺流程节点中的优化识别信息包括生产过程中正常的温度、压力、振动和音频信号,异常的温度、压力、振动和音频信号,生产结果中的正常运行记录和异常运行记录。
4.根据权利要求3所述的方法,其特征在于:所述去除所述节点运行数据中的冗杂数据并进行时间统一,包括:
去除所述生产过程数据和生产结果数据中的文字描述类信息;
将所述生产过程数据和生产结果数据中的时间间隔进行统一。
5.根据权利要求4所述的方法,其特征在于:进行特征提取前还需完成数据预处理,所述数据预处理包括:
筛选出生产过程数据和生产结果数据中的缺失值或异常值,对所述缺失值进行插补,对所述异常值进行删除或用插补法进行补充。
6.根据权利要求5所述的方法,其特征在于:所述利用特征抽取模型对预处理后的数据进行特征提取,包括:
构建特征抽取模型,所述特征抽取模型包括输入层、第一卷积层、第一归一化层、第一池化层、第二卷积层、第二归一化层、第二池化层、第一全连接层和第二全连接层;
所述输入层的输出端通过信息传递通道与所述第一卷积层的输入端连接;所述第一卷积层的输出端通过信息传递通道与所述第一归一化层的输入端连接;所述第一归一化层的输出端通过信息传递通道与所述第一池化层的输入端连接;所述第一池化层的输出端通过信息传递通道与所述第二卷积层的输入端连接;所述第二卷积层的输出端通过信息传递通道与所述第二归一化层的输入端连接;所述第二归一化层的输出端通过信息传递通道与所述第二池化层的输入端连接;所述第二池化层的输出端通过信息传递通道与所述第一全连接层的输入端连接;所述第一全连接层的输出端通过信息传递通道与所述第二全连接层的输入端连接;
将预处理后的生产过程数据和生产结果数据作为输入传输到输入层,最终通过所述第一全连接层和所述第二全连接层进行特征提取后得到特征变量。
7.根据权利要求6所述的方法,其特征在于:所述并通过预设规则为所述优化识别信息添加观测标签,包括:
将生产过程中正常的温度、压力、振动和音频信号添加正常观测标签;
将异常的温度、压力、振动和音频信号添加异常观测标签;
将生产结果中的正常运行记录添加正常观测标签;
将生产结果中的异常运行记录添加异常观测标签。
8.根据权利要求7所述的方法,其特征在于:所述将提取后的特征向量以及添加观测标签后的优化识别信息作为输入,包括:
构建无向图;
其中,V={1,2,...,n}表示节点集,E ={(i,j)|若节点i和节点j有连边}表示边集;
将提取后的特征向量以及添加观测标签后的优化识别信息作为无向图的节点集V上的输入数据集进行表示:
其中,n=|V|表示无向图上的节点总数;
表示无向图第i个节点上的特征向量的观测;
表示无向图第i个节点上的层级,用one-hot向量表示:如果工艺流程节点属于待优化工艺流程节点类别,则/>,否则/>;
i表示工艺流程节点总数,j表示工艺流程节点类别数, p表示特征向量维度数,c表示观测标签数量,表示无向图上有正常观测标签的工艺流程节点构成的集合,/>表示无向图上有异常观测标签的工艺流程节点构成的集合。
9.根据权利要求8所述的方法,其特征在于:所述通过构建的智能预测模型进行分类预测,根据分类预测的结果将所述工艺流程节点分为正常工艺流程节点和待优化工艺流程节点,包括:
步骤1:构造无向图上归一化的拉普拉斯矩阵;
步骤2:对所述拉普拉斯矩阵进行谱分解;
步骤3;构造带有图卷积运算的 NNBernNet 的智能预测模型:
步骤4;根据数据集和智能预测模型构造分类预测的交叉熵损失函数;
步骤5:对所述智能预测模型进行优化,得到最终的智能分类预测模型;
步骤6;将数据集输入到最终的智能分类预测模型进行智能分类,预测到无向图中i∈yU上有异常标签观测值的工艺流程节点,以及无向图中i∈yL上有正常标签观测值的工艺流程节点,从而判断出待优化工艺流程节点。
10.一种用于工业互联网的工艺流程智能预测优化系统,其特征在于:包括关联网络建立模块、数据提取模块、数据调整模块、特征处理模块、智能预测模块和整合优化模块;
所述关联网络建立模块,用于收集各个工艺流程节点的关联数据,以所述关联数据为基础在工业互联网下建立各个工艺流程节点之间的关联网络;
所述数据提取模块,用于提取关联网络下各个工艺流程节点的节点运行数据和优化识别信息;
所述数据调整模块,用于去除所述节点运行数据中的冗杂数据并进行时间统一;
所述特征处理模块,用于利用特征抽取模型对预处理后的数据进行特征提取,并通过预设规则为所述优化识别信息添加观测标签;
所述智能预测模块,用于将提取后的特征向量以及添加观测标签后的优化识别信息作为输入,通过构建的智能预测模型进行分类预测,根据分类预测的结果将所述工艺流程节点分为正常工艺流程节点和待优化工艺流程节点;
所述整合优化模块,用于通过对应的优化手段对所述待优化工艺流程节点进行优化,实现整合性的工艺流程自动优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310625318.8A CN116663725A (zh) | 2023-05-30 | 2023-05-30 | 一种用于工业互联网的工艺流程智能预测优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310625318.8A CN116663725A (zh) | 2023-05-30 | 2023-05-30 | 一种用于工业互联网的工艺流程智能预测优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116663725A true CN116663725A (zh) | 2023-08-29 |
Family
ID=87718488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310625318.8A Pending CN116663725A (zh) | 2023-05-30 | 2023-05-30 | 一种用于工业互联网的工艺流程智能预测优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116663725A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109361562A (zh) * | 2018-10-31 | 2019-02-19 | 广东电网有限责任公司信息中心 | 一种基于关联网络设备接入的自动化测试方法 |
US20190324432A1 (en) * | 2017-08-02 | 2019-10-24 | Strong Force Iot Portfolio 2016, Llc | Data monitoring systems and methods to update input channel routing in response to an alarm state |
CN110472695A (zh) * | 2019-08-22 | 2019-11-19 | 李世鹏 | 一种工业生产过程的异常工况检测和分类方法 |
CN110879971A (zh) * | 2019-10-23 | 2020-03-13 | 上海宝信软件股份有限公司 | 工业生产设备运行异常情况预测方法及系统 |
CN114139578A (zh) * | 2021-11-23 | 2022-03-04 | 江苏大学 | 用于液压柱塞泵智能故障诊断的深度归一化卷积神经网络模型 |
CN114519405A (zh) * | 2022-04-21 | 2022-05-20 | 科大天工智能装备技术(天津)有限公司 | 一种流程工业多传感器数据协同分析方法和系统 |
US11367002B1 (en) * | 2021-01-06 | 2022-06-21 | Guangdong University Of Technology | Method for constructing and training decentralized migration diagram neural network model for production process |
CN115659269A (zh) * | 2022-08-25 | 2023-01-31 | 浙江工业大学 | 一种融合多图神经网络的工业系统异常数据流检测与诊断方法 |
CN115878902A (zh) * | 2023-02-16 | 2023-03-31 | 北京同方凌讯科技有限公司 | 基于神经网络模型的融媒体平台自动信息关键主题提取系统 |
-
2023
- 2023-05-30 CN CN202310625318.8A patent/CN116663725A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190324432A1 (en) * | 2017-08-02 | 2019-10-24 | Strong Force Iot Portfolio 2016, Llc | Data monitoring systems and methods to update input channel routing in response to an alarm state |
CN109361562A (zh) * | 2018-10-31 | 2019-02-19 | 广东电网有限责任公司信息中心 | 一种基于关联网络设备接入的自动化测试方法 |
CN110472695A (zh) * | 2019-08-22 | 2019-11-19 | 李世鹏 | 一种工业生产过程的异常工况检测和分类方法 |
CN110879971A (zh) * | 2019-10-23 | 2020-03-13 | 上海宝信软件股份有限公司 | 工业生产设备运行异常情况预测方法及系统 |
US11367002B1 (en) * | 2021-01-06 | 2022-06-21 | Guangdong University Of Technology | Method for constructing and training decentralized migration diagram neural network model for production process |
CN114139578A (zh) * | 2021-11-23 | 2022-03-04 | 江苏大学 | 用于液压柱塞泵智能故障诊断的深度归一化卷积神经网络模型 |
CN114519405A (zh) * | 2022-04-21 | 2022-05-20 | 科大天工智能装备技术(天津)有限公司 | 一种流程工业多传感器数据协同分析方法和系统 |
CN115659269A (zh) * | 2022-08-25 | 2023-01-31 | 浙江工业大学 | 一种融合多图神经网络的工业系统异常数据流检测与诊断方法 |
CN115878902A (zh) * | 2023-02-16 | 2023-03-31 | 北京同方凌讯科技有限公司 | 基于神经网络模型的融媒体平台自动信息关键主题提取系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109048492B (zh) | 基于卷积神经网络的刀具磨损状态检测方法、装置及设备 | |
US20180260726A1 (en) | Analysis apparatus, analysis method, and non-transitory computer readable medium | |
CN110910982A (zh) | 自编码模型训练方法、装置、设备及存储介质 | |
Bisheh et al. | A layer-by-layer quality monitoring framework for 3D printing | |
Rahaman et al. | Data-mining techniques for image-based plant phenotypic traits identification and classification | |
CN110059765B (zh) | 一种矿物智能识别分类系统与方法 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN111652167A (zh) | 一种染色体核型图像智能评价方法及系统 | |
JP7164028B2 (ja) | 学習システム、データ生成装置、データ生成方法、及びデータ生成プログラム | |
CN110942825A (zh) | 基于卷积神经网络和循环神经网络结合的心电诊断方法 | |
CN107801090A (zh) | 利用音频信息检测异常视频文件的方法、装置及计算设备 | |
CN111696092A (zh) | 一种基于特征对比的缺陷检测方法及系统、存储介质 | |
CN114120974A (zh) | 一种基于深度学习的风机叶片故障诊断方法 | |
Gastaldo et al. | Machine learning solutions for objective visual quality assessment | |
CN113221282A (zh) | 基于贝叶斯残差卷积网络的航空发动机寿命预测方法 | |
CN111695730A (zh) | 基于arima及rnn的立磨振动预测方法及装置 | |
CN117078232B (zh) | 一种基于大数据的加工设备故障预防系统及方法 | |
CN116663725A (zh) | 一种用于工业互联网的工艺流程智能预测优化方法及系统 | |
KR102366787B1 (ko) | 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템 | |
CN114115152A (zh) | 基于嵌入式和深度学习的制造边缘实时事件洞察方法 | |
CN113962335A (zh) | 一种可灵活配置的数据全过程处理方法 | |
CN112990333A (zh) | 一种基于深度学习的天气多分类识别方法 | |
CN113269786A (zh) | 基于深度学习和引导滤波的装配体图像分割方法及设备 | |
CN112001421A (zh) | 一种工业控制回路状态识别方法 | |
CN111612302A (zh) | 一种集团级数据管理方法和设备 |
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 |