CN116719309A - 饲料生产控制系统的异常报警方法及系统 - Google Patents
饲料生产控制系统的异常报警方法及系统 Download PDFInfo
- Publication number
- CN116719309A CN116719309A CN202310989284.0A CN202310989284A CN116719309A CN 116719309 A CN116719309 A CN 116719309A CN 202310989284 A CN202310989284 A CN 202310989284A CN 116719309 A CN116719309 A CN 116719309A
- Authority
- CN
- China
- Prior art keywords
- order knowledge
- vector
- low
- description vector
- knowledge description
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000005856 abnormality Effects 0.000 title description 26
- 239000013598 vector Substances 0.000 claims abstract description 664
- 230000003993 interaction Effects 0.000 claims abstract description 127
- 230000002159 abnormal effect Effects 0.000 claims abstract description 72
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000006243 chemical reaction Methods 0.000 claims description 79
- 230000002776 aggregation Effects 0.000 claims description 63
- 238000004220 aggregation Methods 0.000 claims description 63
- 230000009467 reduction Effects 0.000 claims description 55
- 238000003860 storage Methods 0.000 claims description 18
- 230000007547 defect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid 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
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种饲料生产控制系统的异常报警方法及系统,不仅对故障描述矢量序列以及第一低阶知识描述向量进行跨域交互,以扩展饲料异常生产控制数据的领域表达能力,生成显著性低阶知识描述向量,还可以对第二低阶知识描述向量以及第一高阶知识描述向量进行领域内的交互融合,以扩展第一高阶知识描述向量,生成显著性高阶知识描述向量;依据跨域交互以及领域内交互,可以结合多领域描述向量进行故障点预测,提高饲料异常生产控制数据的故障预测精准度。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种饲料生产控制系统的异常报警方法及系统。
背景技术
伴随着智慧工厂和工业自动化控制技术的迭代,各种饲料生产线通过各种先进的人工智能技术和工业物联网控制技术进行饲料生产线的自动控制,从而减少大量工人的参与,极大提高饲料生产效率。然而,饲料生产线的自动化控制也可能伴随着各种异常故障,需要及时判断故障点并进行异常报警,如故障现象、故障位置和/或故障原因等,以便于采取对应的解决方案进行故障排查,从而保证饲料生产线的正常运行。然而,在相关技术中,如何结合多特征领域的维度以提高饲料异常生产控制数据的故障预测精准度,是当前所属领域亟待解决的技术问题。
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饲料生产控制系统的异常报警方法及系统。
依据本申请实施例的一个方面,提供了一种饲料生产控制系统的异常报警方法,包括:
获取饲料生产故障点序列中每个饲料生产故障点分别对应的故障描述矢量,获取饲料异常生产控制数据对应的第一低阶知识描述向量,以及所述饲料异常生产控制数据对应的第一高阶知识描述向量,其中,低阶知识描述向量用于表征所述饲料异常生产控制数据对应的饲料生产线的生产缺陷提取特征,高阶知识描述向量用于表征所述饲料异常生产控制数据对应的饲料生产线的生产线所处环境的环境提取特征;
对故障描述矢量序列以及所述第一低阶知识描述向量进行交互,生成第二低阶知识描述向量,对所述第二低阶知识描述向量进行显著性特征聚焦,生成显著性低阶知识描述向量;所述故障描述矢量序列是依据所述每个饲料生产故障点分别对应的故障描述矢量所生成的;
对所述第二低阶知识描述向量以及所述第一高阶知识描述向量进行交互,生成显著性高阶知识描述向量;
基于所述故障描述矢量序列、所述显著性高阶知识描述向量以及所述显著性低阶知识描述向量,在所述饲料生产故障点序列中确定所述饲料异常生产控制数据的目标饲料生产故障点,并基于所述目标饲料生产故障点进行异常报警。
在第一方面的一种可能的实施方式中,所述对故障描述矢量序列以及所述第一低阶知识描述向量进行交互,生成第二低阶知识描述向量,包括:
获取饲料生产故障预测网络,将所述故障描述矢量序列以及所述第一低阶知识描述向量分别加载到所述饲料生产故障预测网络;所述饲料生产故障预测网络包括特征交互单元,所述特征交互单元包括跨域共享显著性交互子单元以及聚合子单元,所述跨域共享显著性交互子单元用于跨饲料生产故障点的内容描述维度对饲料异常生产控制数据的内容描述维度进行共享显著性向量的跨域交互处理,所述共享显著性向量用于表示交叉注意力向量;
依据所述跨域共享显著性交互子单元,对所述故障描述矢量序列以及所述第一低阶知识描述向量进行交互,生成与所述故障描述矢量序列所对应的故障交互向量阵列;
将所述故障交互向量阵列以及所述第一低阶知识描述向量分别加载到所述聚合子单元;
在所述聚合子单元中,基于所述故障交互向量阵列对所述第一低阶知识描述向量进行权重系数聚合,生成所述第二低阶知识描述向量。
在第一方面的一种可能的实施方式中,所述跨域共享显著性交互子单元包括多层感知器模块、标量融合模块、降维模块以及第一规则化转换模块;
所述依据所述跨域共享显著性交互子单元,对所述故障描述矢量序列以及所述第一低阶知识描述向量进行交互,生成与所述故障描述矢量序列所对应的故障交互向量阵列,包括:
依据所述多层感知器模块,对所述第一低阶知识描述向量进行非线性转换,生成候选低阶知识描述向量;
将所述候选低阶知识描述向量以及所述故障描述矢量序列分别加载到所述标量融合模块;
依据所述标量融合模块,对所述候选低阶知识描述向量以及所述故障描述矢量序列进行标量融合,生成待降维故障交互向量阵列,其中,所述标量融合用于表示计算所述候选低阶知识描述向量以及所述故障描述矢量序列相应元素的乘积之和;
依据所述降维模块,对所述待降维故障交互向量阵列进行降维处理,生成候选故障交互向量阵列;
依据所述第一规则化转换模块,对所述候选故障交互向量阵列进行规则化转换,生成与所述故障描述矢量序列所对应的所述故障交互向量阵列。
在第一方面的一种可能的实施方式中,所述聚合子单元包括多层感知器模块、显著性指标模块、第二规则化转换模块以及权重系数聚合模块;
所述在所述聚合子单元中,基于所述故障交互向量阵列对所述第一低阶知识描述向量进行权重系数聚合,生成所述第二低阶知识描述向量,包括:
依据所述多层感知器模块,对所述第一低阶知识描述向量进行非线性转换,生成候选低阶知识描述向量;
依据所述显著性指标模块,对所述故障交互向量阵列以及所述故障描述矢量序列进行向量相乘,生成针对所述候选低阶知识描述向量的候选显著性指标;
将所述候选显著性指标加载到所述第二规则化转换模块,依据所述第二规则化转换模块,对所述候选显著性指标进行规则化转换,生成针对所述候选低阶知识描述向量的目标显著性指标;
将所述目标显著性指标以及所述候选低阶知识描述向量分别加载到所述权重系数聚合模块;在所述权重系数聚合模块中,依据所述目标显著性指标对所述候选低阶知识描述向量进行权重系数聚合,生成所述第二低阶知识描述向量。
在第一方面的一种可能的实施方式中,所述特征交互单元还包括跨域显著性特征聚焦模块,所述跨域显著性特征聚焦模块包括第一多层感知器模块、第二多层感知器模块、第三多层感知器模块以及跨域显著性特征聚焦子模块,其中,所述跨域显著性特征聚焦子模块用于跨饲料生产故障点的内容描述维度对饲料异常生产控制数据的内容描述维度进行显著性向量的跨域交互处理;
所述对所述第二低阶知识描述向量进行显著性特征聚焦,生成显著性低阶知识描述向量,包括:
依据所述第一多层感知器模块对所述第二低阶知识描述向量进行非线性转换,生成第一候选低阶知识描述向量;
依据所述第二多层感知器模块对所述第二低阶知识描述向量进行非线性转换,生成第二候选低阶知识描述向量;
依据所述第三多层感知器模块对所述第二低阶知识描述向量进行非线性转换,生成待聚焦低阶知识描述向量;
在所述跨域显著性特征聚焦子模块中,依据所述第一候选低阶知识描述向量以及所述第二候选低阶知识描述向量,对所述待聚焦低阶知识描述向量进行显著性特征聚焦,生成所述显著性低阶知识描述向量。
譬如,在第一方面的一种可能的实施方式中,所述跨域显著性特征聚焦子模块包括第一反转处理节点、第一加权节点、第一降维节点、第三规则化转换模块以及低阶显著性特征聚焦节点;
所述在所述跨域显著性特征聚焦子模块中,依据所述第一候选低阶知识描述向量以及所述第二候选低阶知识描述向量,对所述待聚焦低阶知识描述向量进行显著性特征聚焦,生成所述显著性低阶知识描述向量,包括:
依据所述第一反转处理节点,对所述第二候选低阶知识描述向量进行反转,生成所述第二候选低阶知识描述向量对应的反转低阶知识描述向量;
将所述反转低阶知识描述向量以及所述第一候选低阶知识描述向量分别加载到所述第一加权节点;
依据所述第一加权节点,对所述第一候选低阶知识描述向量以及所述反转低阶知识描述向量进行向量相乘,生成针对所述待聚焦低阶知识描述向量的第一待降维聚焦显著性指标;
将所述第一待降维聚焦显著性指标加载到所述第一降维节点,依据所述第一降维节点,对所述第一待降维聚焦显著性指标进行显著性指标降维,生成第一候选显著性指标;
将所述第一候选显著性指标加载到所述第三规则化转换模块,依据所述第三规则化转换模块,对所述第一候选显著性指标进行规则化转换,生成第一显著性特征聚焦系数;
将所述第一显著性特征聚焦系数以及所述待聚焦低阶知识描述向量分别加载到所述低阶显著性特征聚焦节点;
在所述低阶显著性特征聚焦节点中,依据所述第一显著性特征聚焦系数对所述待聚焦低阶知识描述向量进行显著性特征聚焦,生成所述显著性低阶知识描述向量。
在第一方面的一种可能的实施方式中,所述饲料生产故障预测网络还包括域内融合单元,所述域内融合单元包括域内显著性特征聚焦子单元、域内共享显著性交互子单元以及交互子单元; 所述对所述第二低阶知识描述向量以及所述第一高阶知识描述向量进行交互,生成显著性高阶知识描述向量,包括:
依据所述域内显著性特征聚焦子单元,对所述第一高阶知识描述向量进行显著性特征聚焦,生成第一高阶知识描述聚焦向量;
依据所述域内共享显著性交互子单元,对所述第一高阶知识描述向量以及所述第二低阶知识描述向量进行交互,生成第二高阶知识描述聚焦向量;
将所述第一高阶知识描述聚焦向量以及所述第二高阶知识描述聚焦向量分别加载到所述交互子单元;
依据所述交互子单元,对所述第一高阶知识描述聚焦向量以及所述第二高阶知识描述聚焦向量进行交互,生成所述显著性高阶知识描述向量。
譬如,在第一方面的一种可能的实施方式中,所述域内显著性特征聚焦子单元包括第四多层感知器模块、第五多层感知器模块、第六多层感知器模块以及域内显著性特征聚焦模块;
所述依据所述域内显著性特征聚焦子单元,对所述第一高阶知识描述向量进行显著性特征聚焦,生成第一高阶知识描述聚焦向量,包括:
依据所述第四多层感知器模块对所述第一高阶知识描述向量进行非线性转换,生成第一观测高阶知识描述向量;
依据所述第五多层感知器模块对所述第一高阶知识描述向量进行非线性转换,生成第二观测高阶知识描述向量;
依据所述第六多层感知器模块对所述第一高阶知识描述向量进行非线性转换,生成待聚焦高阶知识描述向量;
将所述第一观测高阶知识描述向量、所述第二观测高阶知识描述向量以及所述待聚焦高阶知识描述向量分别加载到所述域内显著性特征聚焦模块;
在所述域内显著性特征聚焦模块中,依据所述第一观测高阶知识描述向量以及所述第二观测高阶知识描述向量,对所述待聚焦高阶知识描述向量进行显著性特征聚焦,生成所述第一高阶知识描述聚焦向量。
譬如,在第一方面的一种可能的实施方式中,所述域内显著性特征聚焦模块包括第二反转处理节点、第二加权节点、第二降维节点、第四规则化转换模块以及第一高阶显著性特征聚焦节点;
所述在所述域内显著性特征聚焦模块中,依据所述第一观测高阶知识描述向量以及所述第二观测高阶知识描述向量,对所述待聚焦高阶知识描述向量进行显著性特征聚焦,生成所述第一高阶知识描述聚焦向量,包括:
依据所述第二反转处理节点,对所述第二观测高阶知识描述向量进行反转,生成所述第二观测高阶知识描述向量对应的反转高阶知识描述聚焦向量;
依据所述第二加权节点,对所述第一观测高阶知识描述向量以及所述反转高阶知识描述聚焦向量进行向量相乘,生成针对所述待聚焦高阶知识描述向量的第二待降维聚焦显著性指标;
依据所述第二降维节点,对所述第二待降维聚焦显著性指标进行显著性指标降维,生成第二候选显著性指标;
依据所述第四规则化转换模块,对所述第二候选显著性指标进行规则化转换,生成第二显著性特征聚焦系数;
在所述第一高阶显著性特征聚焦节点中,依据所述第二显著性特征聚焦系数,对所述待聚焦高阶知识描述向量进行显著性特征聚焦,生成所述第一高阶知识描述聚焦向量。
譬如,在第一方面的一种可能的实施方式中,所述域内共享显著性交互子单元包括第四多层感知器模块、第二多层感知器模块、第三多层感知器模块以及域内共享显著性交互模块;
所述依据所述域内共享显著性交互子单元,对所述第一高阶知识描述向量以及所述第二低阶知识描述向量进行交互,生成第二高阶知识描述聚焦向量,包括:
依据所述第四多层感知器模块对所述第一高阶知识描述向量进行非线性转换,生成第一观测高阶知识描述向量;
依据所述第二多层感知器模块对所述第二低阶知识描述向量进行非线性转换,生成第二候选低阶知识描述向量;
依据所述第三多层感知器模块对所述第二低阶知识描述向量进行非线性转换,生成待聚焦低阶知识描述向量;
将所述第一观测高阶知识描述向量、所述第二候选低阶知识描述向量以及所述待聚焦低阶知识描述向量分别加载到所述域内共享显著性交互模块;
在所述域内共享显著性交互模块中,依据所述第一观测高阶知识描述向量以及所述第二候选低阶知识描述向量,对所述待聚焦低阶知识描述向量进行显著性特征聚焦,生成所述第二高阶知识描述聚焦向量。
譬如,在第一方面的一种可能的实施方式中,所述域内共享显著性交互模块包括第一反转处理节点、第三加权节点、第三降维节点、第五规则化转换模块以及第二高阶显著性特征聚焦节点;
所述在所述域内共享显著性交互模块中,依据所述第一观测高阶知识描述向量以及所述第二候选低阶知识描述向量,对所述待聚焦低阶知识描述向量进行显著性特征聚焦,生成所述第二高阶知识描述聚焦向量,包括:
依据所述第一反转处理节点,对所述第二候选低阶知识描述向量进行反转,生成所述第二候选低阶知识描述向量对应的反转低阶知识描述向量; 将所述反转低阶知识描述向量以及所述第一观测高阶知识描述向量分别加载到所述第三加权节点;
依据所述第三加权节点,对所述第一观测高阶知识描述向量以及所述反转低阶知识描述向量进行向量相乘,生成针对所述待聚焦低阶知识描述向量的第三待降维聚焦显著性指标;
依据所述第三降维节点,对所述第三待降维聚焦显著性指标进行显著性指标降维,生成第三候选显著性指标;
依据所述第五规则化转换模块,对所述第三候选显著性指标进行规则化转换,生成第三显著性特征聚焦系数;
在所述第二高阶显著性特征聚焦节点中,依据所述第三显著性特征聚焦系数,对所述待聚焦低阶知识描述向量进行显著性特征聚焦,生成所述第二高阶知识描述聚焦向量。
在第一方面的一种可能的实施方式中,所述饲料生产故障预测网络还包括故障点聚焦单元,所述故障点聚焦单元包括跨域权重聚合单元、第一全连接输出单元以及第二全连接输出单元;
所述基于所述故障描述矢量序列、所述显著性高阶知识描述向量以及所述显著性低阶知识描述向量,在所述饲料生产故障点序列中确定所述饲料异常生产控制数据的目标饲料生产故障点,包括:
在所述跨域权重聚合单元中,依据所述故障描述矢量序列对所述显著性高阶知识描述向量进行权重系数聚合,生成故障加权高阶知识描述向量;
将所述故障加权高阶知识描述向量加载到所述第一全连接输出单元,依据所述第一全连接输出单元,生成所述故障加权高阶知识描述向量对应的第一故障点预测数据;
将所述显著性低阶知识描述向量加载到所述第二全连接输出单元,依据所述第二全连接输出单元,生成所述显著性低阶知识描述向量对应的第二故障点预测数据;
对所述第一故障点预测数据以及所述第二故障点预测数据进行融合,生成目标故障点预测数据;
基于所述目标故障点预测数据在所述饲料生产故障点序列中确定所述饲料异常生产控制数据的所述目标饲料生产故障点。
譬如,在第一方面的一种可能的实施方式中,所述故障描述矢量序列包括多个故障描述矢量;所述多个故障描述矢量包括故障描述矢量Kx以及故障描述矢量Ky,x与y均为正整数,且x不大于所述多个故障描述矢量对应的矢量数量,y不大于所述多个故障描述矢量对应的矢量数量;所述跨域权重聚合单元包括故障匹配模块、第七多层感知器模块以及高阶知识聚合模块;
所述在所述跨域权重聚合单元中,依据所述故障描述矢量序列对所述显著性高阶知识描述向量进行权重系数聚合,生成故障加权高阶知识描述向量,包括:
依据所述故障匹配模块,获取所述故障描述矢量Kx以及所述故障描述矢量Ky之间的矢量距离,依据获取到的矢量距离生成故障匹配序列;
依据所述第七多层感知器模块,对所述显著性高阶知识描述向量进行非线性转换,生成待聚合知识描述向量;
将所述故障匹配序列以及所述待聚合知识描述向量分别加载到所述高阶知识聚合模块;
在所述高阶知识聚合模块中,依据所述故障匹配序列对所述待聚合知识描述向量进行权重系数聚合,生成所述故障加权高阶知识描述向量。
在第一方面的一种可能的实施方式中,所述获取饲料生产故障点序列中每个饲料生产故障点分别对应的故障描述矢量,获取饲料异常生产控制数据对应的第一低阶知识描述向量,以及所述饲料异常生产控制数据对应的第一高阶知识描述向量,包括
获取模板数据序列;所述模板数据序列中的每个模板饲料异常生产控制数据标注有饲料生产故障点;
基于所述每个模板饲料异常生产控制数据分别标注的饲料生产故障点,生成饲料生产故障点序列;
获取故障矢量编码器,基于所述故障矢量编码器获取所述饲料生产故障点序列中的每个饲料生产故障点分别对应的故障描述矢量;
获取所述饲料异常生产控制数据,对所述饲料异常生产控制数据进行低阶数据提取,获取M个子饲料异常生产控制数据,获取所述M个子饲料异常生产控制数据分别对应的第一低阶知识描述向量;M为正整数,所述M个子饲料异常生产控制数据分别对应的数据大小均相同,且所述M个子饲料异常生产控制数据分别对应的数据大小均不大于所述饲料异常生产控制数据对应的数据大小;
获取条件随机场网络,基于所述条件随机场网络获取所述饲料异常生产控制数据对应的所述第一高阶知识描述向量。
依据本申请实施例的一个方面,提供了一种饲料生产控制系统的异常报警系统,所述饲料生产控制系统的异常报警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前述任意一种可能的实施方式中的饲料生产控制系统的异常报警方法。
依据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述方面的各种可选实现方式中提供的方法。
在本申请的一些实施例所提供的技术方案中,通过获取故障描述矢量、第一低阶知识描述向量以及第一高阶知识描述向量,可以对故障描述矢量序列(饲料生产故障点属于故障描述)以及第一低阶知识描述向量进行跨域交互,即依据故障描述矢量序列对第一低阶知识描述向量实现多维度共享显著性聚焦,由此获得第二低阶知识描述向量;接着对第二低阶知识描述向量进行显著性特征聚焦,生成显著性低阶知识描述向量;接着对第二低阶知识描述向量以及第一高阶知识描述向量进行交互,即依据第二低阶知识描述向量对第一高阶知识描述向量实现领域内域内共享显著性交互,由此获得显著性高阶知识描述向量;接着结合多领域描述向量(包括故障描述矢量序列、显著性高阶知识描述向量以及显著性低阶知识描述向量),可以在饲料生产故障点序列中确定饲料异常生产控制数据的目标饲料生产故障点。采用以上方案,本申请不仅对故障描述矢量序列以及第一低阶知识描述向量进行跨域交互,以扩展饲料异常生产控制数据的领域表达能力,生成显著性低阶知识描述向量,还可以对第二低阶知识描述向量以及第一高阶知识描述向量进行领域内的交互融合,以扩展第一高阶知识描述向量,生成显著性高阶知识描述向量;依据跨域交互以及领域内交互,可以结合多领域描述向量进行故障点预测,提高饲料异常生产控制数据的故障预测精准度。
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饲料生产控制系统的异常报警方法的流程示意图;
图2为本申请实施例提供的用于实现上述的饲料生产控制系统的异常报警方法的饲料生产控制系统的异常报警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。
图1是本申请一种实施例提供的饲料生产控制系统的异常报警方法的流程示意图,下面对该饲料生产控制系统的异常报警方法进行详细介绍。
Step101,获取饲料生产故障点序列中每个饲料生产故障点分别对应的故障描述矢量,获取饲料异常生产控制数据对应的第一低阶知识描述向量,以及饲料异常生产控制数据对应的第一高阶知识描述向量。
一种可替代的实施方式中,获取模板数据序列;模板数据序列中的每个模板饲料异常生产控制数据标注有饲料生产故障点;基于每个模板饲料异常生产控制数据分别标注的饲料生产故障点,生成饲料生产故障点序列;获取故障矢量编码器,基于故障矢量编码器获取饲料生产故障点序列中的每个饲料生产故障点分别对应的故障描述矢量;获取饲料异常生产控制数据,对饲料异常生产控制数据进行低阶数据提取,获取M个子饲料异常生产控制数据,获取M个子饲料异常生产控制数据分别对应的第一低阶知识描述向量;M为正整数,M个子饲料异常生产控制数据分别对应的数据大小均相同,且M个子饲料异常生产控制数据分别对应的数据大小均不大于饲料异常生产控制数据对应的数据大小;获取条件随机场网络,基于条件随机场网络获取饲料异常生产控制数据对应的第一高阶知识描述向量。
本实施例中,饲料异常生产控制数据可以是指饲料生产线控制过程中触发异常指标的控制数据日志。饲料生产故障点可以是指饲料生产线控制过程中存在的故障根因,例如可以是指饲料生产线控制过程中的某个控制组件,某个控制流程,某个生产线位置等。
领域是指数据的描述内容类别,例如在本申请实施例中可以包括故障点内容领域与饲料异常生产控制数据内容领域,例如可以获取模板数据序列La,模板数据序列La可以包括多个模板饲料异常生产控制数据,如模板饲料异常生产控制数据L1a、模板饲料异常生产控制数据L2a、模板饲料异常生产控制数据L3a。模板数据序列La中的每个模板饲料异常生产控制数据标注有饲料生产故障点,模板饲料异常生产控制数据L1a标注有饲料生产故障点1(故障点1)以及饲料生产故障点2(故障点2),模板饲料异常生产控制数据L2a标注有饲料生产故障点1以及饲料生产故障点3(故障点3),模板饲料异常生产控制数据L3a标注有饲料生产故障点2。基于每个模板饲料异常生产控制数据分别标注的饲料生产故障点,生成饲料生产故障点序列Lx。
本申请实施例中,低阶知识描述向量用于表征所述饲料异常生产控制数据对应的饲料生产线的生产缺陷提取特征(外观缺陷特征,划痕缺陷特征,尺寸缺陷特征,角度缺陷特征),高阶知识描述向量用于表征所述饲料异常生产控制数据对应的饲料生产线的生产线所处环境的环境提取特征(如生产线运行参数,以及环境温度、湿度等特征)。
Step102,对故障描述矢量序列以及第一低阶知识描述向量进行交互,生成第二低阶知识描述向量,对第二低阶知识描述向量进行显著性特征聚焦,生成显著性低阶知识描述向量;故障描述矢量序列是依据每个饲料生产故障点分别对应的故障描述矢量所生成的。
一种可替代的实施方式中,可以获取训练完成的饲料生产故障预测网络,该饲料生产故障预测网络主要包括特征交互单元,域内融合单元以及故障点聚焦单元。
本申请实施例可以先通过特征交互单元,对第一低阶知识描述向量进行显著性特征聚焦。例如,特征交互单元可以包括跨域共享显著性交互子单元、聚合子单元以及跨域显著性特征聚焦模块,可以将故障描述矢量序列Ld以及第一低阶知识描述向量Ma分别加载到跨域共享显著性交互子单元,假设饲料生产故障点序列中共3个饲料生产故障点,如故障点1、故障点2以及故障点3,故故障描述矢量序列Ld包括故障点1对应的故障描述矢量P1d、故障点2对应的故障描述矢量P2d以及故障点3对应的故障描述矢量P3d。
通过跨域共享显著性交互子单元,可以对故障描述矢量序列Ld以及第一低阶知识描述向量Ma进行交互(如特征融合),生成与故障描述矢量序列Ld相关联的故障交互向量阵列Vy,上述过程可以理解为跨域共享显著性交互过程,即故障内容领域(故障描述矢量序列Ld)与饲料异常生产控制数据领域(第一低阶知识描述向量Ma)的融合过程。接着可以将故障交互向量阵列Vy以及第一低阶知识描述向量Ma分别加载到聚合子单元,在聚合子单元中,通过故障交互向量阵列Vy以及故障描述矢量序列Ld,提取针对第一低阶知识描述向量Ma的权重,基于提取到的权重系数对第一低阶知识描述向量Ma进行权重系数聚合,该过程可以扩展第一低阶知识描述向量Ma中共现饲料生产故障点的响应,生成第二低阶知识描述向量M1a。接着将第二低阶知识描述向量M1a加载到跨域显著性特征聚焦模块,通过增强第二低阶知识描述向量M1a的饲料异常生产控制数据表征能力,生成显著性低阶知识描述向量M2a。
Step103,对第二低阶知识描述向量以及第一高阶知识描述向量进行交互,生成显著性高阶知识描述向量。
一种可替代的实施方式中,在获取到第二低阶知识描述向量以及第一高阶知识描述向量后,可以在域内融合单元中,通过第二低阶知识描述向量,对第一高阶知识描述向量进行域内融合。例如,域内融合单元可以包括域内显著性特征聚焦子单元、域内共享显著性交互子单元以及交互子单元Tx;可以将第一高阶知识描述向量Wa加载到域内显著性特征聚焦子单元,对第一高阶知识描述向量Wa进行显著性特征聚焦(自注意力增强),生成第一高阶知识描述聚焦向量G1a;将第二低阶知识描述向量M1a以及第一高阶知识描述向量Wa分别加载到域内共享显著性交互子单元,利用第二低阶知识描述向量M1a(为显著性特征聚焦后的第一低阶知识描述向量),对第一高阶知识描述向量Wa进行领域内的共享显著性交互,生成第二高阶知识描述聚焦向量G2a,由此利用显著性特征聚焦后的第二低阶知识描述向量与第一高阶知识描述向量Wa进行融合,故可以扩展第一高阶知识描述向量Wa;最后将第一高阶知识描述聚焦向量G1a(显著性特征聚焦后的高阶知识描述聚焦向量),以及第二高阶知识描述聚焦向量G2a(域内共享显著性交互后的高阶知识描述聚焦向量)分别加载到交互子单元Tx,通过交互子单元Tx,对第一高阶知识描述聚焦向量G1a以及第二高阶知识描述聚焦向量G2a进行交互,生成显著性高阶知识描述向量W3a。
Step104,基于故障描述矢量序列、显著性高阶知识描述向量以及显著性低阶知识描述向量,在饲料生产故障点序列中确定饲料异常生产控制数据的目标饲料生产故障点,并基于所述目标饲料生产故障点进行异常报警。
一种可替代的实施方式中,故障点聚焦单元包括跨域权重聚合单元、第一全连接输出单元以及第二全连接输出单元;将故障描述矢量序列以及显著性高阶知识描述向量分别加载到跨域权重聚合单元;在跨域权重聚合单元中,依据故障描述矢量序列对显著性高阶知识描述向量进行权重系数聚合,生成故障加权高阶知识描述向量;将故障加权高阶知识描述向量加载到第一全连接输出单元,依据第一全连接输出单元,生成故障加权高阶知识描述向量对应的第一故障点预测数据;将显著性低阶知识描述向量加载到第二全连接输出单元,通过第二全连接输出单元,生成显著性低阶知识描述向量对应的第二故障点预测数据;对第一故障点预测数据以及第二故障点预测数据进行融合,生成目标故障点预测数据;基于目标故障点预测数据在饲料生产故障点序列中确定饲料异常生产控制数据的目标饲料生产故障点。
其中,故障描述矢量序列包括多个故障描述矢量;多个故障描述矢量包括故障描述矢量Kx以及故障描述矢量Ky,x与y均为正整数,且x不大于多个故障描述矢量对应的矢量数量,y不大于多个故障描述矢量对应的矢量数量;跨域权重聚合单元包括故障匹配模块、第七多层感知器模块以及高阶知识聚合模块;依据故障描述矢量序列对显著性高阶知识描述向量进行权重系数聚合,生成故障加权高阶知识描述向量的具体过程可以包括:通过故障匹配模块,获取故障描述矢量Kx以及故障描述矢量Ky之间的矢量距离,依据获取到的矢量距离生成故障匹配序列;通过第七多层感知器模块,对显著性高阶知识描述向量进行非线性转换,生成待聚合知识描述向量;将故障匹配序列以及待聚合知识描述向量分别加载到高阶知识聚合模块;在高阶知识聚合模块中,依据故障匹配序列对待聚合知识描述向量进行权重系数聚合,生成故障加权高阶知识描述向量。
基于以上步骤,通过特征交互单元增强第一低阶知识描述向量,再通过域内融合单元增强第一高阶知识描述向量,循环Y轮后,将故障描述矢量序列、增强后的第二低阶知识描述向量(即显著性低阶知识描述向量)和增强后的高阶知识描述聚焦向量(即显著性高阶知识描述向量),分别加载到故障点聚焦单元,在故障点聚焦单元中,利用故障内容领域信息中的故障点相关性对显著性高阶知识描述向量进行加权增强。
其中,假设故障点聚焦单元可以包括跨域权重聚合单元Hd、第一全连接输出单元以及第二全连接输出单元;将故障描述矢量序列Ld以及显著性高阶知识描述向量W3a分别加载到跨域权重聚合单元Hd,该跨域权重聚合单元Hd可以包括故障匹配模块、第七多层感知器模块以及高阶知识聚合模块。
通过故障匹配模块,获取故障描述矢量序列Ld中每两个故障描述矢量之间的矢量距离(可以包括故障描述矢量本身的矢量距离,即为1),例如,可以获取故障描述矢量P1d以及故障描述矢量P2d之间的矢量距离,故障描述矢量P1d以及故障描述矢量P3d之间的矢量距离,以及故障描述矢量P1d以及故障描述矢量P1d之间的矢量距离,其余故障描述矢量亦如此,可以获得Y*Y的故障匹配序列Sa,Y等于饲料生产故障点序列中的饲料生产故障点的矢量数量。
通过第七多层感知器模块,对显著性高阶知识描述向量W3a进行非线性转换,将其特征维度转换成与故障匹配序列Sa相同的内容描述维度,生成待聚合知识描述向量Ux;在此基础上,可以将故障匹配序列Sa以及待聚合知识描述向量Ux分别加载到高阶知识聚合模块Uy,在高阶知识聚合模块Uy中,依据故障匹配序列Sa对待聚合知识描述向量Ux进行权重系数聚合,即利用故障描述矢量之间的相关性对待聚合知识描述向量进行加权增强,生成故障加权高阶知识描述向量Uy。
一种可替代的实施方式中,可以将故障加权高阶知识描述向量Uy加载到第一全连接输出单元,依据第一全连接输出单元,得到故障加权高阶知识描述向量Uy对应的第一故障点预测数据U1e,该第一故障点预测数据U1e可以是一个Y维的置信度特征;此外,可以将显著性低阶知识描述向量M2a加载到第二全连接输出单元,通过第二全连接输出单元,生成显著性低阶知识描述向量M2a对应的第二故障点预测数据U2e,该第二故障点预测数据U2e可以是一个Y维的置信度特征;由此,对第一故障点预测数据U1e以及第二故障点预测数据U2e进行融合,生成目标故障点预测数据U3e。
下面介绍本申请进一步的方法实施例。
Step201,获取饲料生产故障点序列中每个饲料生产故障点分别对应的故障描述矢量,获取饲料异常生产控制数据对应的第一低阶知识描述向量,以及饲料异常生产控制数据对应的第一高阶知识描述向量。
Step202,获取饲料生产故障预测网络,将故障描述矢量序列以及第一低阶知识描述向量分别加载到饲料生产故障预测网络;饲料生产故障预测网络包括特征交互单元,特征交互单元包括跨域共享显著性交互子单元以及聚合子单元。
一种可替代的实施方式中,饲料生产故障预测网络可包括第一低阶知识描述向量与故障描述矢量序列之间的特征交互单元、第二低阶知识描述向量与第一高阶知识描述向量之间的域内融合单元、显著性高阶知识描述向量与故障描述矢量序列之间的故障点聚焦单元。例如,特征交互单元是将故障内容领域信息与饲料异常生产控制数据领域中的第一低阶知识描述向量进行融合,从而对第一低阶知识描述向量进行显著性特征聚焦;域内融合单元是利用显著性特征聚焦后的第二低阶知识描述向量与第一高阶知识描述向量进行融合,从而对第一高阶知识描述向量进行显著性特征聚焦;故障点聚焦单元是利用故障内容领域信息中的故障点相关性对显著性高阶知识描述向量进行显著性特征聚焦。
Step203,通过跨域共享显著性交互子单元,对故障描述矢量序列以及第一低阶知识描述向量进行交互,生成与故障描述矢量序列所对应的故障交互向量阵列。
一种可替代的实施方式中,跨域共享显著性交互子单元包括多层感知器模块、标量融合模块、降维模块以及第一规则化转换模块;通过多层感知器模块,对第一低阶知识描述向量进行非线性转换,生成候选低阶知识描述向量;将候选低阶知识描述向量以及故障描述矢量序列分别加载到标量融合模块;通过标量融合模块,对候选低阶知识描述向量以及故障描述矢量序列进行标量融合,生成待降维故障交互向量阵列;将待降维故障交互向量阵列加载到降维模块,通过降维模块,对待降维故障交互向量阵列进行降维处理,生成候选故障交互向量阵列;将候选故障交互向量阵列加载到第一规则化转换模块,依据第一规则化转换模块,对候选故障交互向量阵列进行规则化转换,生成与故障描述矢量序列所对应的故障交互向量阵列。
在跨域共享显著性交互子单元中,通过共享显著性(交叉注意力),对故障描述矢量序列以及第一低阶知识描述向量进行交互,生成故障交互向量阵列。
Step204,将故障交互向量阵列以及第一低阶知识描述向量分别加载到聚合子单元;在聚合子单元中,基于故障交互向量阵列对第一低阶知识描述向量进行权重系数聚合,生成第二低阶知识描述向量。
一种可替代的实施方式中,聚合子单元包括多层感知器模块、显著性指标模块、第二规则化转换模块以及权重系数聚合模块;通过多层感知器模块,对第一低阶知识描述向量进行非线性转换,生成候选低阶知识描述向量;通过显著性指标模块,对故障交互向量阵列以及故障描述矢量序列进行向量相乘,生成针对候选低阶知识描述向量的候选显著性指标;将候选显著性指标加载到第二规则化转换模块,通过第二规则化转换模块,对候选显著性指标进行规则化转换,生成针对候选低阶知识描述向量的目标显著性指标;将目标显著性指标以及候选低阶知识描述向量分别加载到权重系数聚合模块;在权重系数聚合模块中,依据目标显著性指标对候选低阶知识描述向量进行权重系数聚合,生成第二低阶知识描述向量。
Step205,将第二低阶知识描述向量加载到第一多层感知器模块,依据第一多层感知器模块对第二低阶知识描述向量进行非线性转换,生成第一候选低阶知识描述向量;将第二低阶知识描述向量加载到第二多层感知器模块,通过第二多层感知器模块对第二低阶知识描述向量进行非线性转换,生成第二候选低阶知识描述向量;将第二低阶知识描述向量加载到第三多层感知器模块,通过第三多层感知器模块对第二低阶知识描述向量进行非线性转换,生成待聚焦低阶知识描述向量。
一种可替代的实施方式中,特征交互单元还包括跨域显著性特征聚焦模块,跨域显著性特征聚焦模块包括第一多层感知器模块、第二多层感知器模块、第三多层感知器模块以及跨域显著性特征聚焦子模块。
Step206,将第一候选低阶知识描述向量、第二候选低阶知识描述向量以及待聚焦低阶知识描述向量分别加载到跨域显著性特征聚焦子模块;在跨域显著性特征聚焦子模块中,依据第一候选低阶知识描述向量以及第二候选低阶知识描述向量,对待聚焦低阶知识描述向量进行显著性特征聚焦,生成显著性低阶知识描述向量。
一种可替代的实施方式中,跨域显著性特征聚焦子模块包括第一反转处理节点、第一加权节点、第一降维节点、第三规则化转换模块以及低阶显著性特征聚焦节点;依据第一反转处理节点,对第二候选低阶知识描述向量进行反转,生成第二候选低阶知识描述向量对应的反转低阶知识描述向量;将反转低阶知识描述向量以及第一候选低阶知识描述向量分别加载到第一加权节点;依据第一加权节点,对第一候选低阶知识描述向量以及反转低阶知识描述向量进行向量相乘,生成针对待聚焦低阶知识描述向量的第一待降维聚焦显著性指标;将第一待降维聚焦显著性指标加载到第一降维节点,依据第一降维节点,对第一待降维聚焦显著性指标进行显著性指标降维,生成第一候选显著性指标;将第一候选显著性指标加载到第三规则化转换模块,通过第三规则化转换模块,对第一候选显著性指标进行规则化转换,生成第一显著性特征聚焦系数;将第一显著性特征聚焦系数以及待聚焦低阶知识描述向量分别加载到低阶显著性特征聚焦节点;在低阶显著性特征聚焦节点中,依据第一显著性特征聚焦系数对待聚焦低阶知识描述向量进行显著性特征聚焦,生成显著性低阶知识描述向量。
Step207,将第一高阶知识描述向量加载到域内显著性特征聚焦子单元,通过域内显著性特征聚焦子单元,对第一高阶知识描述向量进行显著性特征聚焦,生成第一高阶知识描述聚焦向量。
一种可替代的实施方式中,域内显著性特征聚焦子单元包括第四多层感知器模块、第五多层感知器模块、第六多层感知器模块以及域内显著性特征聚焦模块;通过第四多层感知器模块对第一高阶知识描述向量进行非线性转换,生成第一观测高阶知识描述向量;通过第五多层感知器模块对第一高阶知识描述向量进行非线性转换,生成第二观测高阶知识描述向量;通过第六多层感知器模块对第一高阶知识描述向量进行非线性转换,生成待聚焦高阶知识描述向量;将第一观测高阶知识描述向量、第二观测高阶知识描述向量以及待聚焦高阶知识描述向量分别加载到域内显著性特征聚焦模块;在域内显著性特征聚焦模块中,依据第一观测高阶知识描述向量以及第二观测高阶知识描述向量,对待聚焦高阶知识描述向量进行显著性特征聚焦,生成第一高阶知识描述聚焦向量。
其中,域内显著性特征聚焦模块包括第二反转处理节点、第二加权节点、第二降维节点、第四规则化转换模块以及第一高阶显著性特征聚焦节点;在域内显著性特征聚焦模块中,生成第一高阶知识描述聚焦向量的具体过程可以包括:通过第二反转处理节点,对第二观测高阶知识描述向量进行反转,生成第二观测高阶知识描述向量对应的反转高阶知识描述聚焦向量;将反转高阶知识描述聚焦向量以及第一观测高阶知识描述向量分别加载到第二加权节点;通过第二加权节点,对第一观测高阶知识描述向量以及反转高阶知识描述聚焦向量进行向量相乘,生成针对待聚焦高阶知识描述向量的第二待降维聚焦显著性指标;将第二待降维聚焦显著性指标加载到第二降维节点,通过第二降维节点,对第二待降维聚焦显著性指标进行显著性指标降维,生成第二候选显著性指标;将第二候选显著性指标加载到第四规则化转换模块,通过第四规则化转换模块,对第二候选显著性指标进行规则化转换,生成第二显著性特征聚焦系数;将第二显著性特征聚焦系数以及待聚焦高阶知识描述向量分别加载到第一高阶显著性特征聚焦节点;在第一高阶显著性特征聚焦节点中,依据第二显著性特征聚焦系数,对待聚焦高阶知识描述向量进行显著性特征聚焦,生成第一高阶知识描述聚焦向量。
其中,第四多层感知器模块、第五多层感知器模块、第六多层感知器模块为并列关系,均用于对第二低阶知识描述向量进行非线性转换。
Step208,将第一高阶知识描述向量以及第二低阶知识描述向量分别加载到域内共享显著性交互子单元;通过域内共享显著性交互子单元,对第一高阶知识描述向量以及第二低阶知识描述向量进行交互,生成第二高阶知识描述聚焦向量。
一种可替代的实施方式中,域内共享显著性交互子单元包括第四多层感知器模块、第二多层感知器模块、第三多层感知器模块以及域内共享显著性交互模块;通过第四多层感知器模块对第一高阶知识描述向量进行非线性转换,生成第一观测高阶知识描述向量;通过第二多层感知器模块对第二低阶知识描述向量进行非线性转换,生成第二候选低阶知识描述向量;通过第三多层感知器模块对第二低阶知识描述向量进行非线性转换,生成待聚焦低阶知识描述向量;将第一观测高阶知识描述向量、第二候选低阶知识描述向量以及待聚焦低阶知识描述向量分别加载到域内共享显著性交互模块;在域内共享显著性交互模块中,依据第一观测高阶知识描述向量以及第二候选低阶知识描述向量,对待聚焦低阶知识描述向量进行显著性特征聚焦,生成第二高阶知识描述聚焦向量。
其中,域内共享显著性交互模块包括第一反转处理节点、第三加权节点、第三降维节点、第五规则化转换模块以及第二高阶显著性特征聚焦节点;在域内共享显著性交互模块中,生成第二高阶知识描述聚焦向量的具体过程可以包括:依据第一反转处理节点,对第二候选低阶知识描述向量进行反转,生成第二候选低阶知识描述向量对应的反转低阶知识描述向量;将反转低阶知识描述向量以及第一观测高阶知识描述向量分别加载到第三加权节点;通过第三加权节点,对第一观测高阶知识描述向量以及反转低阶知识描述向量进行向量相乘,生成针对待聚焦低阶知识描述向量的第三待降维聚焦显著性指标;将第三待降维聚焦显著性指标加载到第三降维节点,通过第三降维节点,对第三待降维聚焦显著性指标进行显著性指标降维,生成第三候选显著性指标;将第三候选显著性指标加载到第五规则化转换模块,通过第五规则化转换模块,对第三候选显著性指标进行规则化转换,生成第三显著性特征聚焦系数;将第三显著性特征聚焦系数以及待聚焦低阶知识描述向量分别加载到第二高阶显著性特征聚焦节点;在第二高阶显著性特征聚焦节点中,依据第三显著性特征聚焦系数,对待聚焦低阶知识描述向量进行显著性特征聚焦,生成第二高阶知识描述聚焦向量。
Step209,将第一高阶知识描述聚焦向量以及第二高阶知识描述聚焦向量分别加载到交互子单元;通过交互子单元,对第一高阶知识描述聚焦向量以及第二高阶知识描述聚焦向量进行交互,生成显著性高阶知识描述向量。
一种可替代的实施方式中,将显著性特征聚焦后的高阶知识描述聚焦向量(即第一高阶知识描述聚焦向量),和域内共享显著性交互后的高阶知识描述聚焦向量(即第二高阶知识描述聚焦向量)通过加和的形式融合,生成最后增强后的高阶知识描述聚焦向量,即显著性高阶知识描述向量。
Step210,基于故障描述矢量序列、显著性高阶知识描述向量以及显著性低阶知识描述向量,在饲料生产故障点序列中确定饲料异常生产控制数据的目标饲料生产故障点。
基于以上步骤,不仅对故障描述矢量序列以及第一低阶知识描述向量进行跨域交互,以扩展饲料异常生产控制数据的领域表达能力,生成显著性低阶知识描述向量,还可以对第二低阶知识描述向量以及第一高阶知识描述向量进行领域内的交互融合,以扩展第一高阶知识描述向量,生成显著性高阶知识描述向量;依据跨域交互以及领域内交互,可以结合多领域描述向量进行故障点预测,提高饲料异常生产控制数据的故障预测精准度。
图2示出了本申请实施例提供的用于实现上述的饲料生产控制系统的异常报警方法的饲料生产控制系统的异常报警系统100的硬件结构意图,如图2所示,饲料生产控制系统的异常报警系统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。
一种可替代的实施例中,饲料生产控制系统的异常报警系统100可以是单个服务器,也可以是服务器组。所述服务器组可以是集中式的,也可以是分布式的(例如,饲料生产控制系统的异常报警系统100可以是分布式的系统)。一种可替代的实施例中,饲料生产控制系统的异常报警系统100可以是本地的,也可以是远程的。例如,饲料生产控制系统的异常报警系统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,饲料生产控制系统的异常报警系统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。一种可替代的实施例中,饲料生产控制系统的异常报警系统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。一种可替代的实施例中,机器可读存储介质120可以存储从外部终端获取的数据。一种可替代的实施例中,机器可读存储介质120可以储存饲料生产控制系统的异常报警系统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。一种可替代的实施例中,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。
在具体实现过程中,多个处理器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饲料生产控制系统的异常报警方法,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饲料生产控制系统的异常报警系统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,实现如上饲料生产控制系统的异常报警方法。
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。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 (10)
1.一种饲料生产控制系统的异常报警方法,其特征在于,所述方法包括:
获取饲料生产故障点序列中每个饲料生产故障点分别对应的故障描述矢量,获取饲料异常生产控制数据对应的第一低阶知识描述向量,以及所述饲料异常生产控制数据对应的第一高阶知识描述向量,其中,低阶知识描述向量用于表征所述饲料异常生产控制数据对应的饲料生产线的生产缺陷提取特征,高阶知识描述向量用于表征所述饲料异常生产控制数据对应的饲料生产线的生产线所处环境的环境提取特征;
对故障描述矢量序列以及所述第一低阶知识描述向量进行交互,生成第二低阶知识描述向量,对所述第二低阶知识描述向量进行显著性特征聚焦,生成显著性低阶知识描述向量;所述故障描述矢量序列是依据所述每个饲料生产故障点分别对应的故障描述矢量所生成的;
对所述第二低阶知识描述向量以及所述第一高阶知识描述向量进行交互,生成显著性高阶知识描述向量;
基于所述故障描述矢量序列、所述显著性高阶知识描述向量以及所述显著性低阶知识描述向量,在所述饲料生产故障点序列中确定所述饲料异常生产控制数据的目标饲料生产故障点,并基于所述目标饲料生产故障点进行异常报警。
2.根据权利要求1所述的饲料生产控制系统的异常报警方法,其特征在于,所述对故障描述矢量序列以及所述第一低阶知识描述向量进行交互,生成第二低阶知识描述向量,包括: 获取饲料生产故障预测网络,将所述故障描述矢量序列以及所述第一低阶知识描述向量分别加载到所述饲料生产故障预测网络;所述饲料生产故障预测网络包括特征交互单元,所述特征交互单元包括跨域共享显著性交互子单元以及聚合子单元,所述跨域共享显著性交互子单元用于跨饲料生产故障点的内容描述维度对饲料异常生产控制数据的内容描述维度进行共享显著性向量的跨域交互处理;
依据所述跨域共享显著性交互子单元,对所述故障描述矢量序列以及所述第一低阶知识描述向量进行交互,生成与所述故障描述矢量序列所对应的故障交互向量阵列;
将所述故障交互向量阵列以及所述第一低阶知识描述向量分别加载到所述聚合子单元;
在所述聚合子单元中,基于所述故障交互向量阵列对所述第一低阶知识描述向量进行权重系数聚合,生成所述第二低阶知识描述向量。
3.根据权利要求2所述的饲料生产控制系统的异常报警方法,其特征在于,所述跨域共享显著性交互子单元包括多层感知器模块、标量融合模块、降维模块以及第一规则化转换模块;
所述依据所述跨域共享显著性交互子单元,对所述故障描述矢量序列以及所述第一低阶知识描述向量进行交互,生成与所述故障描述矢量序列所对应的故障交互向量阵列,包括:
依据所述多层感知器模块,对所述第一低阶知识描述向量进行非线性转换,生成候选低阶知识描述向量;
将所述候选低阶知识描述向量以及所述故障描述矢量序列分别加载到所述标量融合模块;
依据所述标量融合模块,对所述候选低阶知识描述向量以及所述故障描述矢量序列进行标量融合,生成待降维故障交互向量阵列,其中,所述标量融合用于表示计算所述候选低阶知识描述向量以及所述故障描述矢量序列相应元素的乘积之和;
依据所述降维模块,对所述待降维故障交互向量阵列进行降维处理,生成候选故障交互向量阵列;
依据所述第一规则化转换模块,对所述候选故障交互向量阵列进行规则化转换,生成与所述故障描述矢量序列所对应的所述故障交互向量阵列。
4.根据权利要求2所述的饲料生产控制系统的异常报警方法,其特征在于,所述聚合子单元包括多层感知器模块、显著性指标模块、第二规则化转换模块以及权重系数聚合模块;
所述在所述聚合子单元中,基于所述故障交互向量阵列对所述第一低阶知识描述向量进行权重系数聚合,生成所述第二低阶知识描述向量,包括:
依据所述多层感知器模块,对所述第一低阶知识描述向量进行非线性转换,生成候选低阶知识描述向量;
依据所述显著性指标模块,对所述故障交互向量阵列以及所述故障描述矢量序列进行向量相乘,生成针对所述候选低阶知识描述向量的候选显著性指标;
将所述候选显著性指标加载到所述第二规则化转换模块,依据所述第二规则化转换模块,对所述候选显著性指标进行规则化转换,生成针对所述候选低阶知识描述向量的目标显著性指标;
将所述目标显著性指标以及所述候选低阶知识描述向量分别加载到所述权重系数聚合模块; 在所述权重系数聚合模块中,依据所述目标显著性指标对所述候选低阶知识描述向量进行权重系数聚合,生成所述第二低阶知识描述向量。
5.根据权利要求2所述的饲料生产控制系统的异常报警方法,其特征在于,所述特征交互单元还包括跨域显著性特征聚焦模块,所述跨域显著性特征聚焦模块包括第一多层感知器模块、第二多层感知器模块、第三多层感知器模块以及跨域显著性特征聚焦子模块,其中,所述跨域显著性特征聚焦子模块用于跨饲料生产故障点的内容描述维度对饲料异常生产控制数据的内容描述维度进行显著性向量的跨域交互处理;
所述对所述第二低阶知识描述向量进行显著性特征聚焦,生成显著性低阶知识描述向量,包括:
依据所述第一多层感知器模块对所述第二低阶知识描述向量进行非线性转换,生成第一候选低阶知识描述向量;
依据所述第二多层感知器模块对所述第二低阶知识描述向量进行非线性转换,生成第二候选低阶知识描述向量;
依据所述第三多层感知器模块对所述第二低阶知识描述向量进行非线性转换,生成待聚焦低阶知识描述向量;
在所述跨域显著性特征聚焦子模块中,依据所述第一候选低阶知识描述向量以及所述第二候选低阶知识描述向量,对所述待聚焦低阶知识描述向量进行显著性特征聚焦,生成所述显著性低阶知识描述向量。
6.根据权利要求5所述的饲料生产控制系统的异常报警方法,其特征在于,所述跨域显著性特征聚焦子模块包括第一反转处理节点、第一加权节点、第一降维节点、第三规则化转换模块以及低阶显著性特征聚焦节点;
所述在所述跨域显著性特征聚焦子模块中,依据所述第一候选低阶知识描述向量以及所述第二候选低阶知识描述向量,对所述待聚焦低阶知识描述向量进行显著性特征聚焦,生成所述显著性低阶知识描述向量,包括:
依据所述第一反转处理节点,对所述第二候选低阶知识描述向量进行反转,生成所述第二候选低阶知识描述向量对应的反转低阶知识描述向量;
将所述反转低阶知识描述向量以及所述第一候选低阶知识描述向量分别加载到所述第一加权节点;
依据所述第一加权节点,对所述第一候选低阶知识描述向量以及所述反转低阶知识描述向量进行向量相乘,生成针对所述待聚焦低阶知识描述向量的第一待降维聚焦显著性指标;
将所述第一待降维聚焦显著性指标加载到所述第一降维节点,依据所述第一降维节点,对所述第一待降维聚焦显著性指标进行显著性指标降维,生成第一候选显著性指标;
将所述第一候选显著性指标加载到所述第三规则化转换模块,依据所述第三规则化转换模块,对所述第一候选显著性指标进行规则化转换,生成第一显著性特征聚焦系数;
将所述第一显著性特征聚焦系数以及所述待聚焦低阶知识描述向量分别加载到所述低阶显著性特征聚焦节点;
在所述低阶显著性特征聚焦节点中,依据所述第一显著性特征聚焦系数对所述待聚焦低阶知识描述向量进行显著性特征聚焦,生成所述显著性低阶知识描述向量。
7.根据权利要求2所述的饲料生产控制系统的异常报警方法,其特征在于,所述饲料生产故障预测网络还包括域内融合单元,所述域内融合单元包括域内显著性特征聚焦子单元、域内共享显著性交互子单元以及交互子单元; 所述对所述第二低阶知识描述向量以及所述第一高阶知识描述向量进行交互,生成显著性高阶知识描述向量,包括:
依据所述域内显著性特征聚焦子单元,对所述第一高阶知识描述向量进行显著性特征聚焦,生成第一高阶知识描述聚焦向量;
依据所述域内共享显著性交互子单元,对所述第一高阶知识描述向量以及所述第二低阶知识描述向量进行交互,生成第二高阶知识描述聚焦向量;
将所述第一高阶知识描述聚焦向量以及所述第二高阶知识描述聚焦向量分别加载到所述交互子单元;
依据所述交互子单元,对所述第一高阶知识描述聚焦向量以及所述第二高阶知识描述聚焦向量进行交互,生成所述显著性高阶知识描述向量。
8.根据权利要求2所述的饲料生产控制系统的异常报警方法,其特征在于,所述饲料生产故障预测网络还包括故障点聚焦单元,所述故障点聚焦单元包括跨域权重聚合单元、第一全连接输出单元以及第二全连接输出单元;
所述基于所述故障描述矢量序列、所述显著性高阶知识描述向量以及所述显著性低阶知识描述向量,在所述饲料生产故障点序列中确定所述饲料异常生产控制数据的目标饲料生产故障点,包括:
在所述跨域权重聚合单元中,依据所述故障描述矢量序列对所述显著性高阶知识描述向量进行权重系数聚合,生成故障加权高阶知识描述向量;
将所述故障加权高阶知识描述向量加载到所述第一全连接输出单元,依据所述第一全连接输出单元,生成所述故障加权高阶知识描述向量对应的第一故障点预测数据;
将所述显著性低阶知识描述向量加载到所述第二全连接输出单元,依据所述第二全连接输出单元,生成所述显著性低阶知识描述向量对应的第二故障点预测数据;
对所述第一故障点预测数据以及所述第二故障点预测数据进行融合,生成目标故障点预测数据;
基于所述目标故障点预测数据在所述饲料生产故障点序列中确定所述饲料异常生产控制数据的所述目标饲料生产故障点。
9.根据权利要求1所述的饲料生产控制系统的异常报警方法,其特征在于,所述获取饲料生产故障点序列中每个饲料生产故障点分别对应的故障描述矢量,获取饲料异常生产控制数据对应的第一低阶知识描述向量,以及所述饲料异常生产控制数据对应的第一高阶知识描述向量,包括
获取模板数据序列;所述模板数据序列中的每个模板饲料异常生产控制数据标注有饲料生产故障点;
基于所述每个模板饲料异常生产控制数据分别标注的饲料生产故障点,生成饲料生产故障点序列;
获取故障矢量编码器,基于所述故障矢量编码器获取所述饲料生产故障点序列中的每个饲料生产故障点分别对应的故障描述矢量;
获取所述饲料异常生产控制数据,对所述饲料异常生产控制数据进行低阶数据提取,获取M个子饲料异常生产控制数据,获取所述M个子饲料异常生产控制数据分别对应的第一低阶知识描述向量;M为正整数,所述M个子饲料异常生产控制数据分别对应的数据大小均相同,且所述M个子饲料异常生产控制数据分别对应的数据大小均不大于所述饲料异常生产控制数据对应的数据大小;
获取条件随机场网络,基于所述条件随机场网络获取所述饲料异常生产控制数据对应的所述第一高阶知识描述向量。
10.一种饲料生产控制系统的异常报警系统,其特征在于,所述饲料生产控制系统的异常报警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1-8中任意一项所述的饲料生产控制系统的异常报警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310989284.0A CN116719309B (zh) | 2023-08-08 | 2023-08-08 | 饲料生产控制系统的异常报警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310989284.0A CN116719309B (zh) | 2023-08-08 | 2023-08-08 | 饲料生产控制系统的异常报警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116719309A true CN116719309A (zh) | 2023-09-08 |
CN116719309B CN116719309B (zh) | 2023-10-27 |
Family
ID=87868309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310989284.0A Active CN116719309B (zh) | 2023-08-08 | 2023-08-08 | 饲料生产控制系统的异常报警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116719309B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117037073A (zh) * | 2023-09-12 | 2023-11-10 | 天津君萌科技有限公司 | 基于人工智能可视化的对象定位方法及可视化监控系统 |
CN117249860A (zh) * | 2023-09-15 | 2023-12-19 | 湖北楚大智能装备股份有限公司 | 窑头料仓配料智能化监测方法及系统 |
CN118321140A (zh) * | 2024-06-12 | 2024-07-12 | 江苏开启牧业有限公司 | 一种饲料生产智能控制系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443353A (zh) * | 2019-07-16 | 2019-11-12 | 天津大学 | 一种基于短连接的挖掘特征之间隐含关系的神经网络 |
CN111652064A (zh) * | 2020-04-30 | 2020-09-11 | 平安科技(深圳)有限公司 | 人脸图像生成方法、电子装置及可读存储介质 |
CN111861583A (zh) * | 2020-07-31 | 2020-10-30 | 成都新潮传媒集团有限公司 | 一种广告点击率的预测方法、装置及计算机可读存储介质 |
CN115857461A (zh) * | 2023-03-02 | 2023-03-28 | 东莞正大康地饲料有限公司 | 小猪预混合饲料生产在线监控方法及系统 |
US20230103833A1 (en) * | 2021-09-27 | 2023-04-06 | Unitedhealth Group Incorporated | Predictive anomaly detection using defined interaction level anomaly scores |
CN116188524A (zh) * | 2022-12-09 | 2023-05-30 | 安徽工程大学 | 一种采用显著性捕获交互的目标跟踪方法及系统 |
-
2023
- 2023-08-08 CN CN202310989284.0A patent/CN116719309B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443353A (zh) * | 2019-07-16 | 2019-11-12 | 天津大学 | 一种基于短连接的挖掘特征之间隐含关系的神经网络 |
CN111652064A (zh) * | 2020-04-30 | 2020-09-11 | 平安科技(深圳)有限公司 | 人脸图像生成方法、电子装置及可读存储介质 |
CN111861583A (zh) * | 2020-07-31 | 2020-10-30 | 成都新潮传媒集团有限公司 | 一种广告点击率的预测方法、装置及计算机可读存储介质 |
US20230103833A1 (en) * | 2021-09-27 | 2023-04-06 | Unitedhealth Group Incorporated | Predictive anomaly detection using defined interaction level anomaly scores |
CN116188524A (zh) * | 2022-12-09 | 2023-05-30 | 安徽工程大学 | 一种采用显著性捕获交互的目标跟踪方法及系统 |
CN115857461A (zh) * | 2023-03-02 | 2023-03-28 | 东莞正大康地饲料有限公司 | 小猪预混合饲料生产在线监控方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117037073A (zh) * | 2023-09-12 | 2023-11-10 | 天津君萌科技有限公司 | 基于人工智能可视化的对象定位方法及可视化监控系统 |
CN117037073B (zh) * | 2023-09-12 | 2024-05-28 | 湖北亿立能科技股份有限公司 | 基于人工智能可视化的对象定位方法及可视化监控系统 |
CN117249860A (zh) * | 2023-09-15 | 2023-12-19 | 湖北楚大智能装备股份有限公司 | 窑头料仓配料智能化监测方法及系统 |
CN118321140A (zh) * | 2024-06-12 | 2024-07-12 | 江苏开启牧业有限公司 | 一种饲料生产智能控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116719309B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116719309B (zh) | 饲料生产控制系统的异常报警方法及系统 | |
JP2022105263A (ja) | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 | |
CN112052404B (zh) | 多源异构关系网络的群体发现方法、系统、设备及介质 | |
CN112541525A (zh) | 一种点云数据处理方法和装置 | |
CN111898247A (zh) | 滑坡位移预测方法、设备及存储介质 | |
CN112817785A (zh) | 一种微服务系统的异常检测方法及装置 | |
CN111935140A (zh) | 异常报文识别方法及装置 | |
CN111027591B (zh) | 一种面向大规模集群系统的节点故障预测方法 | |
CN114925270B (zh) | 一种会话推荐方法和模型 | |
CN114363212B (zh) | 一种设备检测方法、装置、设备和存储介质 | |
CN114662006A (zh) | 端云协同推荐系统、方法以及电子设备 | |
CN114138231A (zh) | 执行矩阵乘法运算的方法、电路及soc | |
CN113158904B (zh) | 一种基于双掩膜模板更新的孪生网络目标跟踪方法及装置 | |
CN116627773B (zh) | 产销差统计平台系统的异常分析方法及系统 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
CN117057772A (zh) | 一种设备故障检测维修实时跟踪展示方法及系统 | |
CN116049567A (zh) | 一种基于协同过滤对故障巡检的推荐方法及系统 | |
CN113052509B (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN113822454B (zh) | 切片投诉处理资源的预估方法及装置 | |
CN112446171B (zh) | 电力系统暂态稳定监测方法、装置、终端设备及存储介质 | |
CN113781156B (zh) | 恶意订单的识别方法、模型的训练方法、设备及存储介质 | |
CN118157211B (zh) | 静态变频装置参数预测方法、装置和计算机设备 | |
CN113435113B (zh) | 一种电力系统暂态稳定评估方法及装置 | |
CN116798521B (zh) | 免疫细胞培养控制系统的异常监测方法及系统 | |
CN117061330A (zh) | 根因定位模型训练方法、根因定位方法及装置 |
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 |