CN116797053B - 基于神经网络的化工生产数据分析方法、系统和介质 - Google Patents
基于神经网络的化工生产数据分析方法、系统和介质 Download PDFInfo
- Publication number
- CN116797053B CN116797053B CN202311079146.5A CN202311079146A CN116797053B CN 116797053 B CN116797053 B CN 116797053B CN 202311079146 A CN202311079146 A CN 202311079146A CN 116797053 B CN116797053 B CN 116797053B
- Authority
- CN
- China
- Prior art keywords
- data
- sampling
- neural network
- verification
- offset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012824 chemical production Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000007405 data analysis Methods 0.000 title claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 209
- 238000012795 verification Methods 0.000 claims abstract description 146
- 238000003062 neural network model Methods 0.000 claims abstract description 92
- 238000012360 testing method Methods 0.000 claims abstract description 87
- 238000012544 monitoring process Methods 0.000 claims abstract description 77
- 238000004519 manufacturing process Methods 0.000 claims abstract description 44
- 239000007788 liquid Substances 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 14
- 238000000926 separation method Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 abstract description 8
- 238000012952 Resampling Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 14
- 239000000470 constituent Substances 0.000 description 6
- 239000000463 material Substances 0.000 description 3
- 108010001267 Protein Subunits Proteins 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003908 quality control method 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
Abstract
本发明公开的一种基于神经网络的化工生产数据分析方法、系统和介质，其中方法包括：获取化工生产车间的监测数据；基于所述监测数据输入至预设的神经网络模型中得到模型输出，基于所述模型输出得到取样数据以及验证参数；基于取样数据输出给用户端，并获取用户端反馈的检验数据；基于所述检验数据与所述验证参数进行相关偏移性验证以判断当前取样是否成功，其中，若偏移结果中偏移有效占比大于或者等于预设比例内，则表明当前取样成功。本发明可以在化工生产过程中利用神经网络模型对生产过程进行全程监测，输出最佳取样时间和取样剂量帮助生产人员对化工产品的生产阶段进行监测分析，以基于自动化保障化工产品高效生产。
Description
技术领域
本发明涉及化工生产和神经网络模型技术领域，更具体的，涉及一种基于神经网络的化工生产数据分析方法、系统和介质。
背景技术
如今，对于化工生产而言，越来越强调精细化生产，对工厂的生产流程提出了高要求，从而适应如今告诉变化的市场竞争，对于生产的物料、设备应用以及质量控制等多方面需要精细化控制。
因此，在化工生产过程中，特别是产品测试阶段，需要进行取样以对产品质量和产品工序进行把控以保障成品完成度，目前取样基本靠人工经验值来决定，因此会造就人为影响误差大，从而会影响产品最终的加工效率以及成品效果。
发明内容
本发明的目的是提供一种基于神经网络的化工生产数据分析方法、系统和介质，可以在化工生产过程中利用神经网络模型对生产过程进行全程监测，输出最佳取样时间和取样剂量帮助生产人员对化工产品的生产阶段进行监测分析，以基于自动化保障化工产品高效生产。
本发明第一方面提供了一种基于神经网络的化工生产数据分析方法，包括以下步骤：
获取化工生产车间的监测数据；
基于所述监测数据输入至预设的神经网络模型中进行测试得到模型输出，基于所述模型输出得到取样数据以及验证参数，其中，所述取样数据至少包括取样时间、取样类型以及取样剂量；
基于所述取样数据输出给用户端，并获取用户端反馈的检验数据；
基于所述检验数据与所述验证参数进行相关偏移性验证以判断当前取样是否成功，其中，所述基于所述检验数据与所述验证参数进行相关偏移性验证，具体包括：计算检验数据中各元素与所述验证参数的偏移程度值；基于不同的所述偏移程度值结合各自元素对应的预设范围进行比较得到不同元素的偏移结果，其中，所述偏移结果包括偏移有效或者偏移无效；统计所述偏移结果中所述偏移有效的目标占比，基于所述目标占比与所述预设比例进行比较，其中，若所述目标占比大于或者等于预设比例，则表明当前取样成功，若目标占比小于所述预设比例，则表明当前取样不成功。
本方案中，所述获取化工生产车间的监测数据，具体包括：
基于设置在所述化工生产车间的传感器组采集生产数据，所述传感器组包括温度传感器、压力传感器、液位传感器、流量传感器以及PH值传感器；
基于采集到的所述生产数据进行数据预处理后得到融合数据，其中，预处理方式至少包括数据偏离校正以及误差数据筛除；
基于所述融合数据进行数据属性分离以获取不同传感器对应的监测数据，其中，所述监测数据包括温度数据、压力数据、液位数据、流量数据以及PH值。
本方案中，所述基于所述监测数据输入至预设的神经网络模型中进行测试得到模型输出，具体包括：
基于所述监测数据输入到所述神经网络模型中进行测试，利用神经网络模型中的取样模型单元进行模型测试得到所述取样数据；
基于所述监测数据输入到所述神经网络模型中，利用神经网络模型中的验证模型单元进行模型测试得到验证参数；
基于所述取样数据以及所述验证参数进行数据组合得到所述模型输出。
本方案中，所述方法还包括：基于所述监测数据输入到所述神经网络模型中进行测试，利用神经网络模型中的告警模型单元进行模型测试得到告警数据，并基于所述告警数据作为其中一种组成元素添加至所述模型输出中。
本方案中，所述基于所述取样数据输出给所述用户端，并获取用户端反馈的检验数据，具体包括：
基于预设的显示装置将所述取样时间、所述取样类型以及所述取样剂量进行可视化显示，显示方式包括图表显示；
获取用户在显示装置上反馈的输入参数得到所述检验数据，其中，所述输入参数包括手动键入参数和/或自动提取参数。
本方案中，所述基于所述检验数据与所述验证参数进行相关偏移性验证，具体包括：
计算检验数据中各元素与所述验证参数的偏移程度值；
基于不同的偏移程度值结合各自元素的对应的预设范围进行比较得到不同元素的偏移结果，所述偏移结果包括偏移有效或者偏移无效；
统计所述偏移结果中所述偏移有效的目标占比，基于所述目标占比与所述预设比例比较，其中，若所述目标占比大于或者等于预设比例内，则表明当前取样成功，若目标占比小于所述预设比例，则表明当前取样不成功。
本发明第二方面还提供一种基于神经网络的化工生产数据分析系统，包括存储器和处理器，所述存储器中包括基于神经网络的化工生产数据分析方法程序，所述基于神经网络的化工生产数据分析方法程序被所述处理器执行时实现如下步骤：
获取化工生产车间的监测数据；
基于所述监测数据输入至预设的神经网络模型中进行测试得到模型输出，基于所述模型输出得到取样数据以及验证参数，其中，所述取样数据至少包括取样时间、取样类型以及取样剂量；
基于所述取样数据输出给用户端，并获取用户端反馈的检验数据；
基于所述检验数据与所述验证参数进行相关偏移性验证以判断当前取样是否成功，其中，所述基于所述检验数据与所述验证参数进行相关偏移性验证，具体包括：计算检验数据中各元素与所述验证参数的偏移程度值；基于不同的所述偏移程度值结合各自元素对应的预设范围进行比较得到不同元素的偏移结果，其中，所述偏移结果包括偏移有效或者偏移无效；统计所述偏移结果中所述偏移有效的目标占比，基于所述目标占比与所述预设比例进行比较，其中，若所述目标占比大于或者等于预设比例，则表明当前取样成功，若目标占比小于所述预设比例，则表明当前取样不成功。
本方案中，所述获取化工生产车间的监测数据，具体包括：
基于设置在所述化工生产车间的传感器组采集生产数据，所述传感器组包括温度传感器、压力传感器、液位传感器、流量传感器以及PH值传感器；
基于采集到的所述生产数据进行数据预处理后得到融合数据，其中，预处理方式至少包括数据偏离校正以及误差数据筛除；
基于所述融合数据进行数据属性分离以获取不同传感器对应的监测数据，其中，所述监测数据包括温度数据、压力数据、液位数据、流量数据以及PH值。
本方案中，所述基于所述监测数据输入至预设的神经网络模型中进行测试得到模型输出，具体包括：
基于所述监测数据输入到所述神经网络模型中进行测试，利用神经网络模型中的取样模型单元进行模型测试得到所述取样数据；
基于所述监测数据输入到所述神经网络模型中，利用神经网络模型中的验证模型单元进行模型测试得到验证参数；
基于所述取样数据以及所述验证参数进行数据组合得到所述模型输出。
本方案中，所述方法还包括：基于所述监测数据输入到所述神经网络模型中进行测试，利用神经网络模型中的告警模型单元进行模型测试得到告警数据，并基于所述告警数据作为其中一种组成元素添加至所述模型输出中。
本方案中，所述基于所述取样数据输出给所述用户端，并获取用户端反馈的检验数据，具体包括：
基于预设的显示装置将所述取样时间、所述取样类型以及所述取样剂量进行可视化显示，显示方式包括图表显示；
获取用户在显示装置上反馈的输入参数得到所述检验数据，其中，所述输入参数包括手动键入参数和/或自动提取参数。
本方案中，所述基于所述检验数据与所述验证参数进行相关偏移性验证，具体包括：
计算检验数据中各元素与所述验证参数的偏移程度值；
基于不同的偏移程度值结合各自元素的对应的预设范围进行比较得到不同元素的偏移结果，所述偏移结果包括偏移有效或者偏移无效；
统计所述偏移结果中所述偏移有效的目标占比，基于所述目标占比与所述预设比例比较，其中，若所述目标占比大于或者等于预设比例内，则表明当前取样成功，若目标占比小于所述预设比例，则表明当前取样不成功。本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于神经网络的化工生产数据分析方法程序，所述基于神经网络的化工生产数据分析方法程序被处理器执行时，实现如上述任一项所述的一种基于神经网络的化工生产数据分析方法的步骤。
本发明公开的一种基于神经网络的化工生产数据分析方法、系统和介质，可以在化工生产过程中利用神经网络模型对生产过程进行全程监测，输出最佳取样时间和取样剂量帮助生产人员对化工产品的生产阶段进行监测分析，以基于自动化保障化工产品高效生产。
附图说明
图1示出了本发明一种基于神经网络的化工生产数据分析方法的流程图；
图2示出了本发明一种基于神经网络的化工生产数据分析系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本申请一种基于神经网络的化工生产数据分析方法的流程图。
如图1所示，本申请公开了一种基于神经网络的化工生产数据分析方法，包括以下步骤：
S102，获取化工生产车间的监测数据；
S104，基于所述监测数据输入至预设的神经网络模型中进行测试得到模型输出，基于所述模型输出得到取样数据以及验证参数，其中，所述取样数据至少包括取样时间、取样类型以及取样剂量；
S106，基于所述取样数据输出给用户端，并获取用户端反馈的检验数据；
S108，基于所述检验数据与所述验证参数进行相关偏移性验证以判断当前取样是否成功，其中，所述基于所述检验数据与所述验证参数进行相关偏移性验证，具体包括：计算检验数据中各元素与所述验证参数的偏移程度值；基于不同的所述偏移程度值结合各自元素对应的预设范围进行比较得到不同元素的偏移结果，其中，所述偏移结果包括偏移有效或者偏移无效；统计所述偏移结果中所述偏移有效的目标占比，基于所述目标占比与所述预设比例进行比较，其中，若所述目标占比大于或者等于预设比例，则表明当前取样成功，若目标占比小于所述预设比例，则表明当前取样不成功。
需要说明的是，于本实施例中，在对化工生产数据进行分析时，首先要获取化工生产车间的监测数据，包括基于传感器组采集生产数据来得到对应的监测数据，而后将监测数据输入至神经网络模型中得到模型训练测试后的模型输出，其中，神经网络模型包括了多个子模型单元，例如取样模型单元、验证模型单元以及告警模型单元，不同的模型单元对应输出不同的数据，因此可以基于模型输出得到取样数据、验证参数以及告警数据，相应地，所述取样数据则至少包括有取样时间、取样类型以及取样剂量，而验证参数则对应包括每种传感数据的最佳验证指标，告警数据则表明当前传感数据存在超限的情况，其中，取样数据需要反馈给用户端，以供用户进行取样参考，从而基于用户端反馈的检验数据与验证参数进行相关偏移性验证以判断是否取样成功，而告警数据中一旦出现传感数据超限的情况，同样会提醒用户，以避免危险情况发生。
根据本发明实施例，所述获取化工生产车间的监测数据，具体包括：
基于设置在所述化工生产车间的传感器组采集生产数据，所述传感器组包括温度传感器、压力传感器、液位传感器、流量传感器以及PH值传感器；
基于采集到的所述生产数据进行数据预处理后得到融合数据，其中，预处理方式至少包括数据偏离校正以及误差数据筛除；
基于所述融合数据进行数据属性分离以获取不同传感器对应的监测数据，其中，所述监测数据包括温度数据、压力数据、液位数据、流量数据以及PH值。
需要说明的是，于本实施例中，采集生产数据可以利用传感器组进行采集，其中，所述传感器组包括温度传感器、压力传感器、液位传感器、流量传感器以及PH值传感器，相应地，由于现场作业时，传感器组采集到的生产数据会通过总线传输，因此在对数据属性分离得到监测数据前，需要对生产数据作预处理以校正数据偏离以及筛选误差数据，从而保障采集的数据的准确性和可用性，而后经过数据预处理后的融合数据，进行数据属性分离以获取不同传感器对应的监测数据，属性分离具体可以基于不同传感器属性因子进行区分，分离后的监测数据则具体包括有温度数据、压力数据、液位数据、流量数据以及PH值，从而可以基于这些监测数据进行后续的神经网络模型测试。
根据本发明实施例，所述基于所述监测数据输入至预设的神经网络模型中进行测试得到模型输出，具体包括：
基于所述监测数据输入到所述神经网络模型中进行测试，利用神经网络模型中的取样模型单元进行模型测试得到所述取样数据；
基于所述监测数据输入到所述神经网络模型中，利用神经网络模型中的验证模型单元进行模型测试得到验证参数；
基于所述取样数据以及所述验证参数进行数据组合得到所述模型输出。
需要说明的是，于本实施例中，所述神经网络模型中包括有取样模型单元、验证模型单元，相应地，监测数据进入到神经网络模型中后，会被送入到不同的模型单元中进行测试，其中，基于所述监测数据输入到所述神经网络模型中，可以利用神经网络模型中的取样模型单元进行模型测试得到所述取样数据，以及利用神经网络模型中的验证模型单元进行模型测试得到验证参数，从而基于取样数据以及所述验证参数作为组成元素进行数据组合得到所述模型输出。
根据本发明实施例，所述方法还包括：基于所述监测数据输入到所述神经网络模型中进行测试，利用神经网络模型中的告警模型单元进行模型测试得到告警数据，并基于所述告警数据作为其中一种组成元素添加至所述模型输出中。
需要说明的是，上述实施例中说明了神经网络模型中包括有取样模型单元以及验证模型单元，模型输出的元素中包括有取样数据以及验证参数，而于本实施例中，具体说明了神经网络模型中还包括有告警模型单元，可对监测数据进行实时告警识别测试，以识别得到告警数据，相应地，基于所述告警数据作为其中一种组成元素添加至所述模型输出中，至此，本实施例中提出的神经网络模型则包括有三个子单元、分别是取样模型单元、验证模型单元以及告警模型单元，相应地，模型输出也包括有三种元素，分别是取样数据、验证参数以及告警数据。
根据本发明实施例，所述基于所述取样数据输出给所述用户端，并获取用户端反馈的检验数据，具体包括：
基于预设的显示装置将所述取样时间、所述取样类型以及所述取样剂量进行可视化显示，显示方式包括图表显示；
获取用户在显示装置上反馈的输入参数得到所述检验数据，其中，所述输入参数包括手动键入参数和/或自动提取参数。
需要说明的是，于本实施例中，模型输出中的取样数据和告警数据需要输出给用户端，而验证参数则留用验证时使用，其中，在基于取样数据输出时，可以基于预设的显示装置（例如触控显示屏）进行显示，具体地，将所述取样时间、所述取样类型以及所述取样剂量进行可视化显示，显示方式可以包括图表显示，或者文档显示，同时也可以获取用户在显示装置上反馈的输入参数得到所述检验数据，其中，输入参数包括手动键入参数，此场景下，用户可以直接在触控显示屏上手动键入信息，此外，输入参数还包括自动提取参数，此场景下，需要数据输入一端设备与显示装置通信连接，以传输所述输入参数。
根据本发明实施例，所述基于所述检验数据与所述验证参数进行相关偏移性验证，具体包括：
计算检验数据中各元素与所述验证参数的偏移程度值；
基于不同的偏移程度值结合各自元素的对应的预设范围进行比较得到不同元素的偏移结果，所述偏移结果包括偏移有效或者偏移无效；
统计所述偏移结果中所述偏移有效的目标占比，基于所述目标占比与所述预设比例比较，其中，若所述目标占比大于或者等于预设比例内，则表明当前取样成功，若目标占比小于所述预设比例，则表明当前取样不成功。
需要说明的是，上述实施例中说明取样数据需要输出给用户端，从而获取用户端反馈的检验数据，而验证参数则留存用于验证，因此于本实施例中，可以计算检验数据中各元素与所述验证参数的偏移程度值，其中，不同的元素对应的预设范围不同，因此，各元素的偏移程度值结合对应的预设范围可以得到对应的偏移结果，相应地，偏移结果包括偏移有效或者偏移无效，其中，若元素的偏移程度值位于对应的预设范围内，则表明偏移有效，若元素的偏移程度值位于对应的预设范围外，则表明偏移无效，而后统计所述偏移结果中所述偏移有效的目标占比，基于所述目标占比与所述预设比例比较，其中，若所述目标占比大于或者等于预设比例内，则表明当前取样成功，若目标占比小于所述预设比例，则表明当前取样不成功。
值得一提的是，所述方法还包括：
若取样成功，则提取取样成功的检验数据结合对应的数据库进行存储；
若取样不成功，则基于所述神经网络模型进行再次取样得到备用取样数据，基于所述备用取样数据输出给用户端，并获取用户端反馈的再次验证数据。
需要说明的是，于本实施例中，若取样成功，则表明用户基于取样数据取样的实际生产数据，在对应阶段检验到的各元素的准确度是可信，因此，可以对检验数据进行存储，存储时，需要针对性地保存到相应生产工序对应的数据库中，以便于以后用作神经网络模型中的取样模型单元的迭代使用，而对于取样不成功的场景而言，则表明当前取样的实际生产数据检验的结果存在不可信偏差，此时，需要重新进行取样，基于神经网络模型输出备用取样数据以及备用验证参数，基于备用取样数据输出给用户端后，需要将再次验证数据和对应阶段的备用验证参数进行相关偏移性验证，以识别取样是否成功。
值得一提的是，所述方法还包括：
统计再次取样的目标数量值；
基于所述目标数量值与预设限值做比较，其中，
若所述目标数据量值小于所述预设限值，则允许再次取样；
若所述目标数据量大于或者等于所述预设限值，则不允许再次取样，并输出取样失败提醒。
需要说明的是，于本实施例中，可以多次进行取样，但存在预设限值，例如“5”次，当再次取样超过或者等于“5”次时，表明当前的化工生产工序或者物料可能存在问题，此时，再次取样依然无法取样成功，因此不允许再次取样，并输出取样失败提醒，其中，取样失败提醒的信息数据包中具体包括了确定的目标占比以及偏移有效数据量和偏移无效数据量，从而帮助用户判断具体是哪个环节出现了问题。
值得一提的是，所述神经网络模型中的取样模型单元的训练方法为：
获取历史数据的取样数据与验证数据；
将所述历史数据的取样数据与验证预处理，得到训练样本集；
将所述训练样本集输入至初始化的神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到具备取样模型单元的神经网络模型。
需要说明的是，神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本申请的神经网络模型中的取样模型单元可以通过历史数据中的取样数据与验证数据作为输入进行训练，当然，在进行神经网络模型训练时，不仅要通过历史数据中的取样数据与验证数据进行训练，还需要结合确定的取样结果进行训练，通过大量试验数据与真实数据比对，得到的结果也会更加准确，进而使得神经网络模型中的取样模型单元的输出结果更加准确。优选地，所述准确率阈值一般设置为“95%”，相应地，神经网络模型中的验证模型单元和/或告警模型单元的训练过程类似，在此不做赘述。
图2示出了本发明一种基于神经网络的化工生产数据分析系统的框图。
如图2所示，本发明公开了一种基于神经网络的化工生产数据分析系统，包括存储器和处理器，所述存储器中包括基于神经网络的化工生产数据分析方法程序，所述基于神经网络的化工生产数据分析方法程序被所述处理器执行时实现如下步骤：
获取化工生产车间的监测数据；
基于所述监测数据输入至预设的神经网络模型中进行测试得到模型输出，基于所述模型输出得到取样数据以及验证参数，其中，所述取样数据至少包括取样时间、取样类型以及取样剂量；
基于所述取样数据输出给用户端，并获取用户端反馈的检验数据；
基于所述检验数据与所述验证参数进行相关偏移性验证以判断当前取样是否成功，其中，所述基于所述检验数据与所述验证参数进行相关偏移性验证，具体包括：计算检验数据中各元素与所述验证参数的偏移程度值；基于不同的所述偏移程度值结合各自元素对应的预设范围进行比较得到不同元素的偏移结果，其中，所述偏移结果包括偏移有效或者偏移无效；统计所述偏移结果中所述偏移有效的目标占比，基于所述目标占比与所述预设比例进行比较，其中，若所述目标占比大于或者等于预设比例，则表明当前取样成功，若目标占比小于所述预设比例，则表明当前取样不成功。
需要说明的是，于本实施例中，在对化工生产数据进行分析时，首先要获取化工生产车间的监测数据，包括基于传感器组采集生产数据来得到对应的监测数据，而后将监测数据输入至神经网络模型中得到模型训练测试后的模型输出，其中，神经网络模型包括了多个子模型单元，例如取样模型单元、验证模型单元以及告警模型单元，不同的模型单元对应输出不同的数据，因此可以基于模型输出得到取样数据、验证参数以及告警数据，相应地，所述取样数据则至少包括有取样时间、取样类型以及取样剂量，而验证参数则对应包括每种传感数据的最佳验证指标，告警数据则表明当前传感数据存在超限的情况，其中，取样数据需要反馈给用户端，以供用户进行取样参考，从而基于用户端反馈的检验数据与验证参数进行相关偏移性验证以判断是否取样成功，而告警数据中一旦出现传感数据超限的情况，同样会提醒用户，以避免危险情况发生。
根据本发明实施例，所述获取化工生产车间的监测数据，具体包括：
基于设置在所述化工生产车间的传感器组采集生产数据，所述传感器组包括温度传感器、压力传感器、液位传感器、流量传感器以及PH值传感器；
基于采集到的所述生产数据进行数据预处理后得到融合数据，其中，预处理方式至少包括数据偏离校正以及误差数据筛除；
基于所述融合数据进行数据属性分离以获取不同传感器对应的监测数据，其中，所述监测数据包括温度数据、压力数据、液位数据、流量数据以及PH值。
需要说明的是，于本实施例中，采集生产数据可以利用传感器组进行采集，其中，所述传感器组包括温度传感器、压力传感器、液位传感器、流量传感器以及PH值传感器，相应地，由于现场作业时，传感器组采集到的生产数据会通过总线传输，因此在对数据属性分离得到监测数据前，需要对生产数据作预处理以校正数据偏离以及筛选误差数据，从而保障采集的数据的准确性和可用性，而后经过数据预处理后的融合数据，进行数据属性分离以获取不同传感器对应的监测数据，属性分离具体可以基于不同传感器属性因子进行区分，分离后的监测数据则具体包括有温度数据、压力数据、液位数据、流量数据以及PH值，从而可以基于这些监测数据进行后续的神经网络模型测试。
根据本发明实施例，所述基于所述监测数据输入至预设的神经网络模型中进行测试得到模型输出，具体包括：
基于所述监测数据输入到所述神经网络模型中进行测试，利用神经网络模型中的取样模型单元进行模型测试得到所述取样数据；
基于所述监测数据输入到所述神经网络模型中，利用神经网络模型中的验证模型单元进行模型测试得到验证参数；
基于所述取样数据以及所述验证参数进行数据组合得到所述模型输出。
需要说明的是，于本实施例中，所述神经网络模型中包括有取样模型单元、验证模型单元，相应地，监测数据进入到神经网络模型中后，会被送入到不同的模型单元中进行测试，其中，基于所述监测数据输入到所述神经网络模型中，可以利用神经网络模型中的取样模型单元进行模型测试得到所述取样数据，以及利用神经网络模型中的验证模型单元进行模型测试得到验证参数，从而基于取样数据以及所述验证参数作为组成元素进行数据组合得到所述模型输出。
根据本发明实施例，所述方法还包括：基于所述监测数据输入到所述神经网络模型中进行测试，利用神经网络模型中的告警模型单元进行模型测试得到告警数据，并基于所述告警数据作为其中一种组成元素添加至所述模型输出中。
需要说明的是，上述实施例中说明了神经网络模型中包括有取样模型单元以及验证模型单元，模型输出的元素中包括有取样数据以及验证参数，而于本实施例中，具体说明了神经网络模型中还包括有告警模型单元，可对监测数据进行实时告警识别测试，以识别得到告警数据，相应地，基于所述告警数据作为其中一种组成元素添加至所述模型输出中，至此，本实施例中提出的神经网络模型则包括有三个子单元、分别是取样模型单元、验证模型单元以及告警模型单元，相应地，模型输出也包括有三种元素，分别是取样数据、验证参数以及告警数据。
根据本发明实施例，所述基于所述取样数据输出给所述用户端，并获取用户端反馈的检验数据，具体包括：
基于预设的显示装置将所述取样时间、所述取样类型以及所述取样剂量进行可视化显示，显示方式包括图表显示；
获取用户在显示装置上反馈的输入参数得到所述检验数据，其中，所述输入参数包括手动键入参数和/或自动提取参数。
需要说明的是，于本实施例中，模型输出中的取样数据和告警数据需要输出给用户端，而验证参数则留用验证时使用，其中，在基于取样数据输出时，可以基于预设的显示装置（例如触控显示屏）进行显示，具体地，将所述取样时间、所述取样类型以及所述取样剂量进行可视化显示，显示方式可以包括图表显示，或者文档显示，同时也可以获取用户在显示装置上反馈的输入参数得到所述检验数据，其中，输入参数包括手动键入参数，此场景下，用户可以直接在触控显示屏上手动键入信息，此外，输入参数还包括自动提取参数，此场景下，需要数据输入一端设备与显示装置通信连接，以传输所述输入参数。
根据本发明实施例，所述基于所述检验数据与所述验证参数进行相关偏移性验证，具体包括：
计算检验数据中各元素与所述验证参数的偏移程度值；
基于不同的偏移程度值结合各自元素的对应的预设范围进行比较得到不同元素的偏移结果，所述偏移结果包括偏移有效或者偏移无效；
统计所述偏移结果中所述偏移有效的目标占比，基于所述目标占比与所述预设比例比较，其中，若所述目标占比大于或者等于预设比例内，则表明当前取样成功，若目标占比小于所述预设比例，则表明当前取样不成功。
需要说明的是，上述实施例中说明取样数据需要输出给用户端，从而获取用户端反馈的检验数据，而验证参数则留存用于验证，因此于本实施例中，可以计算检验数据中各元素与所述验证参数的偏移程度值，其中，不同的元素对应的预设范围不同，因此，各元素的偏移程度值结合对应的预设范围可以得到对应的偏移结果，相应地，偏移结果包括偏移有效或者偏移无效，其中，若元素的偏移程度值位于对应的预设范围内，则表明偏移有效，若元素的偏移程度值位于对应的预设范围外，则表明偏移无效，而后统计所述偏移结果中所述偏移有效的目标占比，基于所述目标占比与所述预设比例比较，其中，若所述目标占比大于或者等于预设比例内，则表明当前取样成功，若目标占比小于所述预设比例，则表明当前取样不成功。
值得一提的是，所述方法还包括：
若取样成功，则提取取样成功的检验数据结合对应的数据库进行存储；
若取样不成功，则基于所述神经网络模型进行再次取样得到备用取样数据，基于所述备用取样数据输出给用户端，并获取用户端反馈的再次验证数据。
需要说明的是，于本实施例中，若取样成功，则表明用户基于取样数据取样的实际生产数据，在对应阶段检验到的各元素的准确度是可信，因此，可以对检验数据进行存储，存储时，需要针对性地保存到相应生产工序对应的数据库中，以便于以后用作神经网络模型中的取样模型单元的迭代使用，而对于取样不成功的场景而言，则表明当前取样的实际生产数据检验的结果存在不可信偏差，此时，需要重新进行取样，基于神经网络模型输出备用取样数据以及备用验证参数，基于备用取样数据输出给用户端后，需要将再次验证数据和对应阶段的备用验证参数进行相关偏移性验证，以识别取样是否成功。
值得一提的是，所述方法还包括：
统计再次取样的目标数量值；
基于所述目标数量值与预设限值做比较，其中，
若所述目标数据量值小于所述预设限值，则允许再次取样；
若所述目标数据量大于或者等于所述预设限值，则不允许再次取样，并输出取样失败提醒。
需要说明的是，于本实施例中，可以多次进行取样，但存在预设限值，例如“5”次，当再次取样超过或者等于“5”次时，表明当前的化工生产工序或者物料可能存在问题，此时，再次取样依然无法取样成功，因此不允许再次取样，并输出取样失败提醒，其中，取样失败提醒的信息数据包中具体包括了确定的目标占比以及偏移有效数据量和偏移无效数据量，从而帮助用户判断具体是哪个环节出现了问题。
值得一提的是，所述神经网络模型中的取样模型单元的训练方法为：
获取历史数据的取样数据与验证数据；
将所述历史数据的取样数据与验证预处理，得到训练样本集；
将所述训练样本集输入至初始化的神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到具备取样模型单元的神经网络模型。
需要说明的是，神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本申请的神经网络模型中的取样模型单元可以通过历史数据中的取样数据与验证数据作为输入进行训练，当然，在进行神经网络模型训练时，不仅要通过历史数据中的取样数据与验证数据进行训练，还需要结合确定的取样结果进行训练，通过大量试验数据与真实数据比对，得到的结果也会更加准确，进而使得神经网络模型中的取样模型单元的输出结果更加准确。优选地，所述准确率阈值一般设置为“95%”，相应地，神经网络模型中的验证模型单元和/或告警模型单元的训练过程类似，在此不做赘述。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于神经网络的化工生产数据分析方法程序，所述基于神经网络的化工生产数据分析方法程序被处理器执行时，实现如上述任一项所述的一种基于神经网络的化工生产数据分析方法的步骤。
本发明公开的一种基于神经网络的化工生产数据分析方法、系统和介质，可以在化工生产过程中利用神经网络模型对生产过程进行全程监测，输出最佳取样时间和取样剂量帮助生产人员对化工产品的生产阶段进行监测分析，以基于自动化保障化工产品高效生产。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (9)
1.一种基于神经网络的化工生产数据分析方法，其特征在于，包括以下步骤：
获取化工生产车间的监测数据；
将所述监测数据输入至预设的神经网络模型中进行测试得到模型输出，基于所述模型输出得到取样数据以及验证参数，其中，所述取样数据至少包括取样时间、取样类型以及取样剂量；
将所述取样数据输出给用户端，并获取用户端反馈的检验数据；
基于所述检验数据与所述验证参数进行相关偏移性验证以判断当前取样是否成功，其中，所述基于所述检验数据与所述验证参数进行相关偏移性验证，具体包括：计算检验数据中各元素与所述验证参数的偏移程度值；将不同的所述偏移程度值结合各自元素对应的预设范围进行比较得到不同元素的偏移结果，其中，所述偏移结果包括偏移有效或者偏移无效；统计所述偏移结果中所述偏移有效的目标占比，将所述目标占比与预设比例进行比较，其中，若所述目标占比大于或者等于预设比例，则表明当前取样成功，若目标占比小于所述预设比例，则表明当前取样不成功。
2.根据权利要求1所述的一种基于神经网络的化工生产数据分析方法，其特征在于，所述获取化工生产车间的监测数据，具体包括：
基于设置在所述化工生产车间的传感器组采集生产数据，所述传感器组包括温度传感器、压力传感器、液位传感器、流量传感器以及PH值传感器；
将采集到的所述生产数据进行数据预处理后得到融合数据，其中，预处理方式至少包括数据偏离校正以及误差数据筛除；
将所述融合数据进行数据属性分离以获取不同传感器对应的监测数据，其中，所述监测数据包括温度数据、压力数据、液位数据、流量数据以及PH值。
3.根据权利要求2所述的一种基于神经网络的化工生产数据分析方法，其特征在于，所述将所述监测数据输入至预设的神经网络模型中进行测试得到模型输出，具体包括：
将所述监测数据输入到所述神经网络模型中进行测试，利用神经网络模型中的取样模型单元进行模型测试得到所述取样数据；
将所述监测数据输入到所述神经网络模型中，利用神经网络模型中的验证模型单元进行模型测试得到验证参数；
基于所述取样数据以及所述验证参数进行数据组合得到所述模型输出。
4.根据权利要求3所述的一种基于神经网络的化工生产数据分析方法，其特征在于，所述方法还包括：将所述监测数据输入到所述神经网络模型中进行测试，利用神经网络模型中的告警模型单元进行模型测试得到告警数据，并将所述告警数据添加至所述模型输出中。
5.根据权利要求3所述的一种基于神经网络的化工生产数据分析方法，其特征在于，所述将所述取样数据输出给所述用户端，并获取用户端反馈的检验数据，具体包括：
基于预设的显示装置将所述取样时间、所述取样类型以及所述取样剂量进行可视化显示，显示方式包括图表显示；
获取用户在显示装置上反馈的输入参数得到所述检验数据，其中，所述输入参数包括手动键入参数和/或自动提取参数。
6.一种基于神经网络的化工生产数据分析系统，其特征在于，包括存储器和处理器，所述存储器中包括基于神经网络的化工生产数据分析方法程序，所述基于神经网络的化工生产数据分析方法程序被所述处理器执行时实现如下步骤：
获取化工生产车间的监测数据；
将所述监测数据输入至预设的神经网络模型中进行测试得到模型输出，基于所述模型输出得到取样数据以及验证参数，其中，所述取样数据至少包括取样时间、取样类型以及取样剂量；
将所述取样数据输出给用户端，并获取用户端反馈的检验数据；
基于所述检验数据与所述验证参数进行相关偏移性验证以判断当前取样是否成功，其中，所述基于所述检验数据与所述验证参数进行相关偏移性验证，具体包括：计算检验数据中各元素与所述验证参数的偏移程度值；将不同的所述偏移程度值结合各自元素对应的预设范围进行比较得到不同元素的偏移结果，其中，所述偏移结果包括偏移有效或者偏移无效；统计所述偏移结果中所述偏移有效的目标占比，将所述目标占比与预设比例进行比较，其中，若所述目标占比大于或者等于预设比例，则表明当前取样成功，若目标占比小于所述预设比例，则表明当前取样不成功。
7.根据权利要求6所述的一种基于神经网络的化工生产数据分析系统，其特征在于，所述获取化工生产车间的监测数据，具体包括：
基于设置在所述化工生产车间的传感器组采集生产数据，所述传感器组包括温度传感器、压力传感器、液位传感器、流量传感器以及PH值传感器；
将采集到的所述生产数据进行数据预处理后得到融合数据，其中，预处理方式至少包括数据偏离校正以及误差数据筛除；
将所述融合数据进行数据属性分离以获取不同传感器对应的监测数据，其中，所述监测数据包括温度数据、压力数据、液位数据、流量数据以及PH值。
8.根据权利要求7所述的一种基于神经网络的化工生产数据分析系统，其特征在于，所述将所述监测数据输入至预设的神经网络模型中进行测试得到模型输出，具体包括：
将所述监测数据输入到所述神经网络模型中进行测试，利用神经网络模型中的取样模型单元进行模型测试得到所述取样数据；
将所述监测数据输入到所述神经网络模型中，利用神经网络模型中的验证模型单元进行模型测试得到验证参数；
基于所述取样数据以及所述验证参数进行数据组合得到所述模型输出。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种基于神经网络的化工生产数据分析方法程序，所述基于神经网络的化工生产数据分析方法程序被处理器执行时，实现如权利要求1至5中任一项所述的一种基于神经网络的化工生产数据分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311079146.5A CN116797053B (zh) | 2023-08-25 | 2023-08-25 | 基于神经网络的化工生产数据分析方法、系统和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311079146.5A CN116797053B (zh) | 2023-08-25 | 2023-08-25 | 基于神经网络的化工生产数据分析方法、系统和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116797053A CN116797053A (zh) | 2023-09-22 |
| CN116797053B true CN116797053B (zh) | 2023-11-10 |
Family
ID=88048323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311079146.5A Active CN116797053B (zh) | 2023-08-25 | 2023-08-25 | 基于神经网络的化工生产数据分析方法、系统和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116797053B (zh) |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740965A (zh) * | 2019-01-22 | 2019-05-10 | 北京市天元网络技术股份有限公司 | 一种工程验证分析方法及装置 |
| CN111046670A (zh) * | 2019-12-09 | 2020-04-21 | 大连理工大学 | 基于毒品案件法律文书的实体及关系联合抽取方法 |
| CN111194354A (zh) * | 2017-08-09 | 2020-05-22 | 福瑞公司 | 用于对食品项目应用聚集式取样的方法和设备 |
| CN111340221A (zh) * | 2020-02-25 | 2020-06-26 | 北京百度网讯科技有限公司 | 神经网络结构的采样方法和装置 |
| CN111723899A (zh) * | 2020-06-01 | 2020-09-29 | 集美大学 | 基于神经网络的江蓠原料液料比预测方法及装置 |
| CN111882454A (zh) * | 2020-07-24 | 2020-11-03 | 岭东核电有限公司 | 一种核电站重量监测系统及方法 |
| JP2020181256A (ja) * | 2019-04-23 | 2020-11-05 | Kddi株式会社 | 複数のセンサの時系列の計測値群における欠損値を補完するプログラム、装置及び方法 |
| CN113610160A (zh) * | 2021-08-09 | 2021-11-05 | 广州市稳建工程检测有限公司 | 一种基于神经网络的钢筋检测分类方法、系统及存储介质 |
| CN215727140U (zh) * | 2021-06-23 | 2022-02-01 | 华能上海石洞口发电有限责任公司 | 一种新型cems烟气多点取样装置 |
| CN114118137A (zh) * | 2021-10-15 | 2022-03-01 | 国网河北省电力有限公司营销服务中心 | 电力计量生产设备监测方法、装置、终端及存储介质 |
| CN114202743A (zh) * | 2021-09-10 | 2022-03-18 | 湘潭大学 | 自动驾驶场景下基于改进faster-RCNN的小目标检测方法 |
| CN114202262A (zh) * | 2022-02-21 | 2022-03-18 | 德州联合拓普复合材料科技有限公司 | 基于神经网络的预浸料工艺改进方法、系统和存储介质 |
| CN114399080A (zh) * | 2021-12-14 | 2022-04-26 | 卫星化学股份有限公司 | 一种丙烯酸酯生产设备的智能控制方法及系统 |
| CN114577988A (zh) * | 2022-03-01 | 2022-06-03 | 无锡维邦工业设备成套技术有限公司 | 一种纯蒸汽取样方法及系统 |
| CN114663143A (zh) * | 2022-03-21 | 2022-06-24 | 平安健康保险股份有限公司 | 基于差分干预响应模型的干预用户筛选方法及装置 |
| CN114841270A (zh) * | 2019-09-10 | 2022-08-02 | 福建榕基软件股份有限公司 | 商品抽样模型的构建方法及计算机可读存储介质 |
| CN114897771A (zh) * | 2022-03-31 | 2022-08-12 | 广东工业大学 | 一种基于神经网络的印制电路板孔加工质量预测方法 |
| CN115184352A (zh) * | 2022-07-08 | 2022-10-14 | 重庆亿森动力环境科技有限公司 | 基于bp神经网络的水质监测方法 |
| CN115201608A (zh) * | 2022-07-26 | 2022-10-18 | 广东粤电靖海发电有限公司 | 一种基于神经网络的电厂设备运行参数监测方法 |
| CN115578015A (zh) * | 2022-12-07 | 2023-01-06 | 华南理工大学 | 基于物联网的污水处理全过程监管方法、系统及存储介质 |
| CN115685949A (zh) * | 2022-12-29 | 2023-02-03 | 深圳市信润富联数字科技有限公司 | 调整离散机加工生产过程中数据采样频率的方法及装置 |
| CN116258082A (zh) * | 2023-03-29 | 2023-06-13 | 哈尔滨工程大学 | 一种基于rbf神经网络的工质热力性质计算方法及系统 |
| CN116450907A (zh) * | 2023-06-09 | 2023-07-18 | 深圳普菲特信息科技股份有限公司 | 工艺路线可视化设置方法、系统和可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114661574A (zh) * | 2020-12-23 | 2022-06-24 | 北京百度网讯科技有限公司 | 样本偏差数据的获取方法、装置和电子设备 |
| CN114997380A (zh) * | 2021-03-02 | 2022-09-02 | 阿里巴巴新加坡控股有限公司 | 采样器以及用于图神经网络模型执行的装置 |
-
2023
- 2023-08-25 CN CN202311079146.5A patent/CN116797053B/zh active Active
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111194354A (zh) * | 2017-08-09 | 2020-05-22 | 福瑞公司 | 用于对食品项目应用聚集式取样的方法和设备 |
| CN109740965A (zh) * | 2019-01-22 | 2019-05-10 | 北京市天元网络技术股份有限公司 | 一种工程验证分析方法及装置 |
| JP2020181256A (ja) * | 2019-04-23 | 2020-11-05 | Kddi株式会社 | 複数のセンサの時系列の計測値群における欠損値を補完するプログラム、装置及び方法 |
| CN114841270A (zh) * | 2019-09-10 | 2022-08-02 | 福建榕基软件股份有限公司 | 商品抽样模型的构建方法及计算机可读存储介质 |
| CN111046670A (zh) * | 2019-12-09 | 2020-04-21 | 大连理工大学 | 基于毒品案件法律文书的实体及关系联合抽取方法 |
| CN111340221A (zh) * | 2020-02-25 | 2020-06-26 | 北京百度网讯科技有限公司 | 神经网络结构的采样方法和装置 |
| CN111723899A (zh) * | 2020-06-01 | 2020-09-29 | 集美大学 | 基于神经网络的江蓠原料液料比预测方法及装置 |
| CN111882454A (zh) * | 2020-07-24 | 2020-11-03 | 岭东核电有限公司 | 一种核电站重量监测系统及方法 |
| CN215727140U (zh) * | 2021-06-23 | 2022-02-01 | 华能上海石洞口发电有限责任公司 | 一种新型cems烟气多点取样装置 |
| CN113610160A (zh) * | 2021-08-09 | 2021-11-05 | 广州市稳建工程检测有限公司 | 一种基于神经网络的钢筋检测分类方法、系统及存储介质 |
| CN114202743A (zh) * | 2021-09-10 | 2022-03-18 | 湘潭大学 | 自动驾驶场景下基于改进faster-RCNN的小目标检测方法 |
| CN114118137A (zh) * | 2021-10-15 | 2022-03-01 | 国网河北省电力有限公司营销服务中心 | 电力计量生产设备监测方法、装置、终端及存储介质 |
| CN114399080A (zh) * | 2021-12-14 | 2022-04-26 | 卫星化学股份有限公司 | 一种丙烯酸酯生产设备的智能控制方法及系统 |
| CN114202262A (zh) * | 2022-02-21 | 2022-03-18 | 德州联合拓普复合材料科技有限公司 | 基于神经网络的预浸料工艺改进方法、系统和存储介质 |
| CN114577988A (zh) * | 2022-03-01 | 2022-06-03 | 无锡维邦工业设备成套技术有限公司 | 一种纯蒸汽取样方法及系统 |
| CN114663143A (zh) * | 2022-03-21 | 2022-06-24 | 平安健康保险股份有限公司 | 基于差分干预响应模型的干预用户筛选方法及装置 |
| CN114897771A (zh) * | 2022-03-31 | 2022-08-12 | 广东工业大学 | 一种基于神经网络的印制电路板孔加工质量预测方法 |
| CN115184352A (zh) * | 2022-07-08 | 2022-10-14 | 重庆亿森动力环境科技有限公司 | 基于bp神经网络的水质监测方法 |
| CN115201608A (zh) * | 2022-07-26 | 2022-10-18 | 广东粤电靖海发电有限公司 | 一种基于神经网络的电厂设备运行参数监测方法 |
| CN115578015A (zh) * | 2022-12-07 | 2023-01-06 | 华南理工大学 | 基于物联网的污水处理全过程监管方法、系统及存储介质 |
| CN115685949A (zh) * | 2022-12-29 | 2023-02-03 | 深圳市信润富联数字科技有限公司 | 调整离散机加工生产过程中数据采样频率的方法及装置 |
| CN116258082A (zh) * | 2023-03-29 | 2023-06-13 | 哈尔滨工程大学 | 一种基于rbf神经网络的工质热力性质计算方法及系统 |
| CN116450907A (zh) * | 2023-06-09 | 2023-07-18 | 深圳普菲特信息科技股份有限公司 | 工艺路线可视化设置方法、系统和可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 智能控制在矿料自动取样系统中的研究与应用;吴晓峰;吴召明;;仪表技术(第10期);第37-40页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116797053A (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114049565B (zh) | 基于遥感影像和dem数据的地质灾害判识方法和装置 | |
| CN111766253A (zh) | 锡膏印刷品质检测方法、数据处理装置及计算机存储介质 | |
| CN112857669A (zh) | 压力传感器的故障检测方法、装置、设备及存储介质 | |
| CN111435364B (zh) | 电子病历质检方法和装置 | |
| CN116797053B (zh) | 基于神经网络的化工生产数据分析方法、系统和介质 | |
| CN108196058A (zh) | 血糖仪质控检测方法及系统 | |
| CN107247871B (zh) | 项目检测时间核查预警方法及装置 | |
| CN117395176A (zh) | 一种网络故障识别方法、装置、设备及存储介质 | |
| CN116189896A (zh) | 一种基于云端的糖尿病健康数据预警方法及系统 | |
| CN111474293B (zh) | 一种青枯病菌溶液测定方法及测定系统 | |
| CN106599573A (zh) | 基于电子信息技术的诊断类医疗器械自动校验系统及方法 | |
| CN114471170B (zh) | 一种基于物联网的陶瓷膜自动加药清洗系统及方法 | |
| CN113848313B (zh) | 校准分析物传感组件的传感数据的方法与系统 | |
| CN113610160B (zh) | 一种基于神经网络的钢筋检测分类方法、系统及存储介质 | |
| CN115618151A (zh) | 一种基于机器学习的web前端监控方法、系统、装置及介质 | |
| CN114169903A (zh) | 一种可融合无损检测技术的中药材数字化质控追溯方法 | |
| CN109961205A (zh) | 工程设计数据处理方法及装置 | |
| CN112754457A (zh) | 体脂健康状态获取方法、装置和系统 | |
| CN113239075A (zh) | 一种施工数据自检方法及系统 | |
| WO2017063598A1 (zh) | 采集光信息的云端处理方法 | |
| CN117132174B (zh) | 一种应用于工业流水线质量检测的模型训练方法与系统 | |
| CN111474294B (zh) | 一种青枯病菌溶液滴定系统 | |
| CN117150065B (zh) | 一种图像信息的采集方法及系统 | |
| CN116502957B (zh) | 产品生产质量监控方法、系统和可读存储介质 | |
| CN111474155B (zh) | 一种青枯病菌溶液导流装置 |
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 |