CN116933210B - 基于多维传感器的食品加工灌装设备监测方法及系统 - Google Patents

基于多维传感器的食品加工灌装设备监测方法及系统 Download PDF

Info

Publication number
CN116933210B
CN116933210B CN202311188062.5A CN202311188062A CN116933210B CN 116933210 B CN116933210 B CN 116933210B CN 202311188062 A CN202311188062 A CN 202311188062A CN 116933210 B CN116933210 B CN 116933210B
Authority
CN
China
Prior art keywords
filling area
filling
deviation
coefficient
data
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
Application number
CN202311188062.5A
Other languages
English (en)
Other versions
CN116933210A (zh
Inventor
毛苏
丁子函
杨宸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Heweimei Food Co ltd
Original Assignee
Shandong Heweimei Food Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Heweimei Food Co ltd filed Critical Shandong Heweimei Food Co ltd
Priority to CN202311188062.5A priority Critical patent/CN116933210B/zh
Publication of CN116933210A publication Critical patent/CN116933210A/zh
Application granted granted Critical
Publication of CN116933210B publication Critical patent/CN116933210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理技术领域，提出了基于多维传感器的食品加工灌装设备监测方法及系统，包括：获取食品加工灌装设备的监测数据，利用监测数据构建灌装区域监测矩阵；根据灌装区域监测矩阵获取灌装区域的内在偏差系数；根据灌装区域监测矩阵获取灌装区域的外观吻合系数；根据灌装区域的内在偏差系数和外观吻合系数获取综合质量偏差指数；根据综合质量偏差指数获取综合偏差相似度；根据综合质量偏差指数获取灌装异常风险指数；根据灌装异常风险指数和综合偏差相似度获取灌装区域异常置信系数；根据灌装区域异常置信系数完成对灌装设备监测。本发明通过构建灌装区域异常置信系数对灌装设备监测参数进行修正，提高对灌装设备监测的精度。

Description

基于多维传感器的食品加工灌装设备监测方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及基于多维传感器的食品加工灌装设备监测方法及系统。
背景技术
食品加工设备的种类十分丰富，是将食品原材料加工成成品或半成品的所有食品产品机械设备的总称，同时食品加工设备的正常运行是食品安全的重要保障。然而在众多食品加工设备中也存在诸多问题，例如饮料食品加工中为了降低生产成本，灌装设备常与搅拌设备共同使用，在使用过程中可能出现搅拌不均匀、灌装堵塞等异常问题，这些问题都会导致饮料食品质量不统一，致使饮料口感、品质下降，损害品牌声誉。
随着机械自动化的发展，如今通常采用机器视觉技术对食品设备的加工进行监测，例如采用相机对加工后的饮料进行拍摄，根据图像数据分析食品的加工质量。但是食品加工灌装设备工作的环境复杂，进行图像数据采集时存在较多噪声干扰，致使拍摄得到的图像质量较差，因此采用机器视觉的方式对食品加工灌装设备进行监测存在较大误差，进而导致对食品加工灌装设备异常的监测精度较低。
发明内容
本发明提供基于多维传感器的食品加工灌装设备监测方法及系统，以解决食品加工灌装设备监测偏差较大的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例基于多维传感器的食品加工灌装设备监测方法，该方法包括以下步骤：
获取食品加工灌装设备的监测数据，利用监测数据构建灌装区域的监测矩阵；
根据灌装区域的监测矩阵获取灌装区域的内在偏差系数；根据灌装区域的监测矩阵获取灌装区域的外观吻合系数；根据灌装区域的内在偏差系数和外观吻合系数计算灌装区域的综合质量偏差指数；将灌装区域所有时刻的综合质量偏差指数按时间升序顺序组成的序列作为灌装区域的综合质量偏差指数序列；根据灌装区域的综合质量偏差指数序列计算灌装区域的第一偏差系数和第二偏差系数；根据灌装区域的第一偏差系数和第二偏差系数计算灌装区域的偏差相似度；根据灌装区域的偏差相似度计算灌装区域的综合偏差相似度；
根据预设阈值获取灌装区域的相对异常值，利用灌装区域的相对异常值获取灌装区域异常序列；根据灌装区域异常序列计算灌装区域的灌装异常风险指数；根据灌装区域的灌装异常风险指数和综合偏差相似度计算灌装区域的灌装异常置信系数；
采用孤立森林算法对灌装区域的监测数据进行处理，利用灌装区域的灌装异常置信系数对处理结果进行修正。
优选的，所述根据灌装区域的监测矩阵获取灌装区域的内在偏差系数的方法为：
将灌装区域的监测矩阵中的每列数据作为灌装区域的每个时刻监测数据，将灌装区域的每个时刻监测数据中的重量数据与标准重量数据的差值作为灌装区域的第一差异系数；将灌装区域的每个时刻监测数据中的液面高度数据与标准液面高度数据的差值作为灌装区域的第二差异系数；将所述灌装区域的第一差异系数与第二差异系数的乘积作为灌装区域的内在偏差系数。
优选的，所述根据灌装区域的监测矩阵获取灌装区域的外观吻合系数的方法为：
式中，表示第/>个灌装区域的第/>个采集时刻的第k个色度数据，SC表示饮料食品的标准色度数据，/>表示灌装区域每个时刻采集监测数据的数量，/>表示第/>个灌装区域的第/>个采集时刻的灌装区域的外观吻合系数。
优选的，所述根据灌装区域的内在偏差系数和外观吻合系数计算灌装区域的综合质量偏差指数的方法为：
将所述灌装区域的内在偏差系数与外观吻合系数的比值作为灌装区域的质量偏差指数，将所述灌装区域的质量偏差指数的归一化结果作为灌装区域的综合质量偏差指数。
优选的，所述根据灌装区域的综合质量偏差指数序列计算第一偏差系数和第二偏差系数的方法为：
对于任意一个灌装区域，将灌装区域与其余每个灌装区域的综合质量偏差指数序列之间的欧氏距离作为灌装区域的第一偏差系数；将灌装区域与其余每个灌装区域的综合质量偏差指数序列之间的皮尔逊相关系数作为灌装区域的第二偏差系数。
优选的，所述根据灌装区域的第一偏差系数和第二偏差系数计算灌装区域的偏差相似度的方法为：
式中，表示第/>个和第/>个灌装区域之间的偏差相似度；/>表示第/>个和第/>个灌装区域之间的第一偏差系数，/>表示第/>个和第/>个灌装区域之间的第二偏差系数，/>表示权重因子，/>表示调节参数。
优选的，所述根据预设阈值获取灌装区域的相对异常值，利用灌装区域的相对异常值获取灌装区域异常序列的方法为：
将所述灌装区域的综合质量偏差指数序列中的数据与预设阈值进行比较，将所述灌装区域的综合质量偏差指数序列中小于等于预设阈值的数据更新为0，将所述灌装区域的综合质量偏差指数序列中大于预设阈值的数据与预设阈值的差值作为所述灌装区域的综合质量偏差指数序列中大于预设阈值的数据的更新结果，将更新后灌装区域的综合质量偏差指数序列中大于0的数据按从小到大的顺序排序组成的序列作为灌装区域异常序列。
优选的，所述根据灌装区域异常序列计算灌装区域的灌装异常风险指数的方法为：
式中，表示第/>个灌装区域的灌装异常风险指数，/>表示序列/>的信息熵，/>表示灌装区域异常序列中数据的数量，/>表示灌装区域异常序列中第/>个数据；/>表示第/>个灌装区域的综合质量偏差指数序列中数据的数量，/>表示调节参数。
优选的，所述根据灌装区域的灌装异常风险指数和综合偏差相似度计算灌装区域的灌装异常置信系数的方法为：
将所述灌装区域的灌装异常风险指数作为分子，将所述灌装区域的综合偏差相似度与预设调节参数的和作为分母，将分子与分母的比值作为所述灌装区域的灌装异常置信系数。
第二方面，本发明实施例还提供了基于多维传感器的食品加工灌装设备监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项方法的步骤。
本发明的有益效果是：通过多维传感器获得饮料食品实际的重量数据、液面高度数据和色度数据，根据采集的数据计算每个灌装区域每个采集时刻的综合质量偏差指数；进一步分析每个灌装区域与其他灌装区域性能的差异，根据每个灌装区域的综合质量偏差指数获取灌装区域的灌装异常置信系数。采用孤立森林算法对采集的数据进行处理，获取每个灌装区域的异常得分，基于灌装区域的灌装异常置信系数对每个灌装区域的异常得分进行修正，其有益效果在于考虑不同灌装区域之间存在的差异对处理结果的进行修正，提高对食品加工灌装设备监测数据处理结果的准确性，进而提高对食品加工灌装设备监测的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于多维传感器的食品加工灌装设备监测方法的流程示意图；
图2为本发明一个实施例所提供的基于多维传感器的食品加工灌装设备监测系统的监测流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本发明一个实施例提供的基于多维传感器的食品加工灌装设备监测方法流程图，该方法包括以下步骤：
步骤S001，获取食品加工设备的监测数据，利用监测数据构建灌装区域监测矩阵。
本实例中的食品是具有果粒、果肉等固体颗粒的饮料，其在食品界占据着相当大的市场份额，该种类的饮料食品往往在静置状态下易形成分层，导致灌装时饮料不均匀，若采用液体、果粒分开灌装，会产生较高的生产成本。因此为了减少生产成本，同时保证每瓶饮料中的固体颗粒分布和含量都较为一致，提高口感和生产效率，通常采用搅拌-灌装一体食品加工设备。饮料搅拌-灌装一体食品加工设备是食品饮料行业中常见的设备之一，搅拌混合可以将饮料液体进行均匀混合，灌装可以将饮料液体自动灌装到透明瓶子等容器中。
在搅拌-灌装一体食品加工设备运行过程中可能会出现故障，搅拌-灌装一体食品加工设备共有个灌装区域，每个灌装区域均有一个多维传感器，多维传感器是由一个压力传感器、一个超声波传感器和/>个色度传感器,共/>个传感器组成，分别对灌装后饮料的重量、液面高度和LAB色度进行测量，同时为了测量的准确性，色度传感器应均匀分布设置。在每次完成灌装时，采集一次数据，共采集/>次数据。每个传感器采集的数据序列长度/>，具体采集数据序列的长度实施者可自行定义，本实施例中/>。
由于上述数据序列采集的过程中可能存在缺失等情况，采用均值插值对数据进行填充，对填充处理后的数据进行归一化处理，均值插值的具体计算过程为公知技术，不再赘述。根据每个灌装区域采集的数据构建监测矩阵，具体监测矩阵如下：
其中，为第/>个灌装区域的所有传感器的监测矩阵，/>为第/>个灌装区域的第/>维传感器的第/>时刻的数据归一化结果，其中第/>维传感器数据是该灌装区域饮料的重量数据，第/>维传感器数据是该灌装区域饮料的液面高度数据，第/>到/>维数据是该灌装区域饮料的色度数据。根据上述方法可得每个灌装区域的监测矩阵，分别记为/>。
至此，获取了每个灌装区域的监测矩阵。
步骤S002，根据灌装区域监测矩阵获取内在偏差系数和外观吻合系数，根据内在偏差系数和外观吻合系数计算综合质量偏差指数。
若搅拌-灌装食品加工设备存在搅拌不均匀、灌装口堵塞等原因，都可能导致加工后的饮料食品内部固体颗粒含量不均匀，即部分饮料中含有较多或较少的固体颗粒。若饮料的重量与标准重量相差较小，但是含有较多固体颗粒的部分可能会使液面升高，同时由于固体颗粒含量不同导致饮料浓度与标准浓度不一致，从外观上的表现即是色度与标准色度相差较大，因此可以从液面高度方面、饮料重量和饮料的色度方面综合分析饮料食品的颗粒含量情况。
基于上述分析，对每个灌装区域每个采集时刻采集的数据进行分析，计算灌装区域的饮料食品内在偏差系数，以第1灌装区域第1个采集时刻的监测数据为例，具体计算公式如下：
式中，表示第/>个灌装区域的第/>个采集时刻的饮料食品内在偏差系数；/>表示第/>个灌装区域的第/>个采集时刻的饮料食品重量数据，SW表示饮料食品标准重量数据；表示第/>个灌装区域的第/>个采集时刻的饮料食品高度，SH表示饮料食品标准液面高度数据；/>表示调节参数，大小取经验值/>；/>为第一差异系数，/>为第二差异系数。
进一步的，计算灌装区域的饮料食品外观吻合系数，具体计算公式如下：
式中，表示第/>个灌装区域的第/>个采集时刻的第k个色度数据，SC表示饮料食品的标准色度数据，/>表示灌装区域每个时刻采集监测数据的数量，/>表示第/>个灌装区域的第/>个采集时刻的灌装区域的饮料食品外观吻合系数。
进一步的，根据灌装区域的饮料食品内在偏差系数和饮料食品外观吻合系数计算灌装区域的饮料食品综合质量偏差指数，具体计算公式如下：
式中，表示第/>个灌装区域的第/>个采集时刻的饮料食品的综合质量偏差指数；表示第/>个灌装区域的第/>个采集时刻的饮料食品内在偏差系数，/>表示第/>个灌装区域的第/>个采集时刻的饮料食品外观吻合系数，/>为质量偏差指数，/>表示归一化函数。
具体的，在第个灌装区域的第/>个采集时刻的的实际重量数据/>、液面高度数据与食品加工标准相差越大，即/>和/>的值越大，得到的内在偏差系数/>越大；/>表示在第/>个灌装区域的第/>个采集时刻采集的饮料色度数据的均值，可以综合反映该饮料食品的实际色度，其值与标准色度SC相差越大，即/>的值越大，说明该饮料外观属性与标准相差越大，得到的外观吻合系数/>越小；而该饮料食品的内在偏差系数/>越大，外观吻合系数/>越小，此时该饮料食品的综合质量偏差指数/>越大，表示饮料食品越可能是次品，食品加工灌装设备出现异常状态的可能性越大。
至此，获取了每个灌装区域的每个时刻的综合质量偏差指数。
步骤S003，根据灌装区域的综合质量偏差指数计算综合偏差相似度和灌装异常风险指数，根据综合偏差相似度和灌装异常风险指数计算灌装区域的异常置信系数。
将每个灌装区域的个采集时刻的综合质量偏差指数按照时间升序的顺序组成的序列作为每个灌装区域的综合质量偏差指数序列，例如第/>个灌装区域的综合质量偏差指数序列为/>。
在搅拌-灌装食品加工设备中共有N个灌装区域，一般情况下正常灌装区域之间的综合质量偏差指数D相差较小，两区域之间监测数据也较为相似，据此可以分析灌装区域之间性能的偏差。第个灌装区域综合质量偏差指数序列为/>，第/>个灌装区域综合质量偏差指数序列为/>，计算/>、/>两个序列之间的欧氏距离作为第/>个和第/>个灌装区域之间的第一偏差系数/>，具体计算公式如下：
式中，表示第/>个和第/>个灌装区域之间的第一偏差系数；/>表示第/>个灌装区域的第/>个采集时刻的综合质量偏差指数，/>表示第/>个灌装区域的第/>个采集时刻的综合质量偏差指数，/>表示第/>个和第/>个灌装区域的综合质量偏差指数序列中数据的数量。
进一步的，计算第个灌装区域和第/>个灌装区域的综合质量偏差指数序列的皮尔逊相关系数作为第/>个和第/>个灌装区域之间的第二偏差系数/>，/>反映两个灌装区域之间灌装性能的相关性，通过/>判断两个灌装区域之间的性能的相似度；/>的值越大表示两个灌装区域之间灌装性能的相关性越强，即两个灌装区域的灌装性能越相似，皮尔逊相关系数的计算过程为公知技术，不再进行赘述。
根据第个灌装区域和第/>个灌装区域之间的欧氏距离/>和皮尔逊相关系数/>计算的偏差相似度，利用偏差相似度计算第/>个灌装区域的综合偏差相似度，具体计算公式如下：
式中，表示第/>个和第/>个灌装区域之间的偏差相似度；/>表示第/>个和第/>个灌装区域之间的第一偏差系数，/>表示第/>个和第/>个灌装区域之间的第二偏差系数；/>表示调节参数，大小取经验值1；/>表示权重因子，大小取经验值/>；/>表示灌装区域的数量；/>表示第/>个灌装区域的综合偏差相似度。
若灌装区域之间的灌装性能差异越小，则计算得到的越小，计算得到的/>的值越大；同时得到的/>的值越大，计算得到的/>的值越小，即/>的值越大；得到的偏差相似度/>的值越大，表示第/>个灌装区域和第/>个灌装区域的灌装性能相近。进一步的，若第/>个灌装区域发生灌装异常，则第/>个灌装区域与其它灌装区域之间的偏差相似度越小，即/>的值越小，/>综合偏差相似度/>越小，表示第/>个灌装区域与其他区域的差异较大、相似度较低，属于异常区域的可能性越大。
正常的灌装区域的灌装性能较为稳定，即每个采集时刻的灌装饮料食品的重量数据、液面高度数据和色度数据较稳定。但是在实际生产中，由于设备的精度、性能、温度和湿度等环境因素存在一定的差异，食品加工灌装设备灌装区域之间允许存在一定的误差，即综合质量偏差指数(/>取经验值/>)时，说明该综合质量偏差指数/>在允许误差之内，属于合格食品，综合质量偏差指数/>时，说明该综合质量偏差指数/>误差较大，可能属于次品。根据误差阈值/>获取灌装区域异常序列，具体实施方式如下：
式中，表示综合质量偏差指数/>的相对差异值，/>表示综合质量偏差指数，/>表示误差阈值。将第/>个灌装区域的综合质量偏差指数序列按照上述方式进行更新，将更新的第/>个灌装区域的综合质量偏差指数序列中大于0的数据按从小到大的顺序排序组成的序列作为第/>个灌装区域的灌装区域异常序列/>。
根据第个灌装区域的灌装区域异常序列计算第i个灌装区域的灌装异常风险指数，具体计算过程如下：
式中，表示第/>个灌装区域的灌装异常风险指数，/>表示序列/>的信息熵，/>表示灌装区域异常序列中数据的数量，/>表示灌装区域异常序列中第/>个数据；/>表示第/>个灌装区域的综合质量偏差指数序列中数据的数量，/>表示调节参数，大小取经验值1。
若第个灌装区域的综合质量偏差指数序列中大于误差阈值的数据越多，即灌装区域异常序列中数据数量越多且越离散，则计算得到的/>的值越大，同时/>的值越大，得到的/>的值越大；灌装区域异常序列中数据数值越大，表示灌装区域发生灌装异常的偏差越大，即/>的值越大，根据灌装区域异常序列得到的/>的值越大；计算得到的灌装区域的灌装异常风险指数/>的值越大，表示第/>个灌装区域灌装性能越不稳定，异常风险越高，越有可能是异常灌装区域。
进一步的，根据第个灌装区域的综合偏差相似度/>和灌装异常风险指数/>计算第/>个灌装区域的异常置信系数/>，具体计算公式如下：
式中，表示第/>个灌装区域的灌装异常风险指数，/>表示第/>个灌装区域的综合偏差相似度，/>表示调节参数，大小取经验值/>。若第/>个灌装区域的监测数据越偏离标准数据，正常数据占比越少，则第/>个灌装区域的灌装异常风险指数/>的值越大，即/>与/>呈正比；同时第/>个灌装区域性能与其它灌装区域之间的差异较大、相似度较低，则第/>个灌装区域的综合偏差相似度/>的值越小，即/>与/>呈反比；得到的第/>个灌装区域的异常置信系数的值越大，表示第/>个灌装区域是异常灌装区域的可能性越大。
至此，获取了每个灌装区域的异常置信系数。
步骤S004，根据灌装区域的异常置信系数对食品加工设备的监测参数进行修正。
利用所有灌装区域的采集数据训练本实施例中的孤立森林，将每个灌装区域作为一个样本，将每个灌装区域监测矩阵内的数据作为每个样本的维度数据，孤立森林中孤立树的数量设置为，每次抽取样本数为/>，利用训练好的孤立森林获取每个灌装区域的异常得分，异常得分越接近于/>，灌装区域的异常程度越高，孤立森林算法为公知技术，具体实现过程不再赘述。
根据每个灌装区域的异常置信系数对每个灌装区域的异常得分进行修正，具体计算公式如下：
式中，表示修正后的灌装区域异常得分，/>表示灌装区域的异常置信系数，/>表示根据孤立森林算法获取的灌装区域的异常得分，/>表示归一化函数。若灌装区域的异常置信系数/>越大，则得到的修正后的灌装区域异常得分/>越高，表示食品加工灌装设备中该灌装区域的异常情况越严重，将修正后的灌装区域异常得分/>作为每个灌装区域的监测参数。设置灌装设备异常预警阈值为0.7，实施者可根据实际情况设置异常预警阈值。
如图2所示，将采集的数据经过处理器处理后得到每个灌装区域的监测参数，将每个灌装区域的监测参数输入到食品加工灌装设备监测系统中，食品加工灌装设备监测系统将反馈的每个灌装区域的监测参数与异常预警阈值进行比较，对监测参数大于预警阈值的灌装区域进行异常预警，及时对异常预警的灌装区域进行设备维修。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.基于多维传感器的食品加工灌装设备监测方法，其特征在于，该方法包括以下步骤：
获取食品加工灌装设备的监测数据，利用监测数据构建灌装区域的监测矩阵；
根据灌装区域的监测矩阵获取灌装区域的内在偏差系数；根据灌装区域的监测矩阵获取灌装区域的外观吻合系数；根据灌装区域的内在偏差系数和外观吻合系数计算灌装区域的综合质量偏差指数；将灌装区域所有时刻的综合质量偏差指数按时间升序顺序组成的序列作为灌装区域的综合质量偏差指数序列；根据灌装区域的综合质量偏差指数序列计算灌装区域的第一偏差系数和第二偏差系数；根据灌装区域的第一偏差系数和第二偏差系数计算灌装区域的偏差相似度；根据灌装区域的偏差相似度计算灌装区域的综合偏差相似度；
根据预设阈值获取灌装区域的相对异常值，利用灌装区域的相对异常值获取灌装区域异常序列；根据灌装区域异常序列计算灌装区域的灌装异常风险指数；根据灌装区域的灌装异常风险指数和综合偏差相似度计算灌装区域的灌装异常置信系数；
采用孤立森林算法对灌装区域的监测数据进行处理，利用灌装区域的灌装异常置信系数对处理结果进行修正，基于修正结果判断是否进行预警；
所述根据灌装区域的监测矩阵获取灌装区域的内在偏差系数的方法为：
将灌装区域的监测矩阵中的每列数据作为灌装区域的每个时刻监测数据，将灌装区域的每个时刻监测数据中的重量数据与标准重量数据的差值作为灌装区域的第一差异系数；将灌装区域的每个时刻监测数据中的液面高度数据与标准液面高度数据的差值作为灌装区域的第二差异系数；将所述灌装区域的第一差异系数与第二差异系数的乘积作为灌装区域的内在偏差系数；
所述根据灌装区域的监测矩阵获取灌装区域的外观吻合系数的方法为：
式中，表示第/>个灌装区域的第/>个采集时刻的第k个色度数据，SC表示饮料食品的标准色度数据，/>表示灌装区域每个时刻采集监测数据的数量，/>表示第/>个灌装区域的第个采集时刻的灌装区域的外观吻合系数；
所述根据灌装区域的内在偏差系数和外观吻合系数计算灌装区域的综合质量偏差指数的方法为：
将所述灌装区域的内在偏差系数与外观吻合系数的比值作为灌装区域的质量偏差指数，将所述灌装区域的质量偏差指数的归一化结果作为灌装区域的综合质量偏差指数；
所述根据灌装区域的综合质量偏差指数序列计算第一偏差系数和第二偏差系数的方法为：
对于任意一个灌装区域，将灌装区域与其余每个灌装区域的综合质量偏差指数序列之间的欧氏距离作为灌装区域的第一偏差系数；将灌装区域与其余每个灌装区域的综合质量偏差指数序列之间的皮尔逊相关系数作为灌装区域的第二偏差系数；
所述根据灌装区域的第一偏差系数和第二偏差系数计算灌装区域的偏差相似度的方法为：
式中，表示第/>个和第/>个灌装区域之间的偏差相似度；/>表示第/>个和第/>个灌装区域之间的第一偏差系数，/>表示第/>个和第/>个灌装区域之间的第二偏差系数，/>表示权重因子，表示调节参数；
所述根据预设阈值获取灌装区域的相对异常值，利用灌装区域的相对异常值获取灌装区域异常序列的方法为：
将所述灌装区域的综合质量偏差指数序列中的数据与预设阈值进行比较，将所述灌装区域的综合质量偏差指数序列中小于等于预设阈值的数据更新为，将所述灌装区域的综合质量偏差指数序列中大于预设阈值的数据与预设阈值的差值作为所述灌装区域的综合质量偏差指数序列中大于预设阈值的数据的更新结果，将更新后灌装区域的综合质量偏差指数序列中大于/>的数据按从小到大的顺序排序组成的序列作为灌装区域异常序列；
所述根据灌装区域异常序列计算灌装区域的灌装异常风险指数的方法为：
式中，表示第/>个灌装区域的灌装异常风险指数，/>表示计算序列/>的信息熵，/>表示灌装区域异常序列中数据的数量，/>表示灌装区域异常序列中第/>个数据；/>表示第/>个灌装区域的综合质量偏差指数序列中数据的数量，/>表示调节参数；
所述根据灌装区域的灌装异常风险指数和综合偏差相似度计算灌装区域的灌装异常置信系数的方法为：
将所述灌装区域的灌装异常风险指数作为分子，将所述灌装区域的综合偏差相似度与预设调节参数的和作为分母，将分子与分母的比值作为所述灌装区域的灌装异常置信系数。
2.基于多维传感器的食品加工灌装设备监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1方法的步骤。
CN202311188062.5A 2023-09-15 2023-09-15 基于多维传感器的食品加工灌装设备监测方法及系统 Active CN116933210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311188062.5A CN116933210B (zh) 2023-09-15 2023-09-15 基于多维传感器的食品加工灌装设备监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311188062.5A CN116933210B (zh) 2023-09-15 2023-09-15 基于多维传感器的食品加工灌装设备监测方法及系统

Publications (2)

Publication Number Publication Date
CN116933210A CN116933210A (zh) 2023-10-24
CN116933210B true CN116933210B (zh) 2023-11-24

Family

ID=88388158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311188062.5A Active CN116933210B (zh) 2023-09-15 2023-09-15 基于多维传感器的食品加工灌装设备监测方法及系统

Country Status (1)

Country Link
CN (1) CN116933210B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113265B (zh) * 2023-10-25 2024-03-08 山东鹤来香食品有限公司 一种食品加工设备智能监测管理方法及系统
CN117992895B (zh) * 2024-04-03 2024-06-07 西安寰宇管道工程技术有限公司 一种基于大数据的油气管道区域风险监测方法及系统
CN118278824B (zh) * 2024-05-31 2024-09-13 辰光(天津)制药有限公司 一种抛射剂充装设备用充装质量监测方法及系统
CN118297485B (zh) * 2024-06-06 2024-09-10 厦门辉腾盛节能材料有限公司 基于数字化的高强度防滑涂料生产监控方法与系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021143337A1 (zh) * 2020-01-17 2021-07-22 深圳前海微众银行股份有限公司 数据处理方法、装置、设备及计算机可读存储介质
CN114897109A (zh) * 2022-07-14 2022-08-12 山东鑫亚装备制造有限公司 一种割草机异常监测预警方法
CN115496644A (zh) * 2022-11-18 2022-12-20 山东超华环保智能装备有限公司 基于数据识别的固体废弃物处理设备监测方法
CN115829422A (zh) * 2023-02-21 2023-03-21 创银科技(南通)有限公司 基于大数据的工业设备运行异常状态识别方法
CN116662767A (zh) * 2023-08-01 2023-08-29 陕西中科绿能能源研究院有限公司 基于多传感器的蒸发冷却机组系统温度数据智能采集方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021143337A1 (zh) * 2020-01-17 2021-07-22 深圳前海微众银行股份有限公司 数据处理方法、装置、设备及计算机可读存储介质
CN114897109A (zh) * 2022-07-14 2022-08-12 山东鑫亚装备制造有限公司 一种割草机异常监测预警方法
CN115496644A (zh) * 2022-11-18 2022-12-20 山东超华环保智能装备有限公司 基于数据识别的固体废弃物处理设备监测方法
CN115829422A (zh) * 2023-02-21 2023-03-21 创银科技(南通)有限公司 基于大数据的工业设备运行异常状态识别方法
CN116662767A (zh) * 2023-08-01 2023-08-29 陕西中科绿能能源研究院有限公司 基于多传感器的蒸发冷却机组系统温度数据智能采集方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵臣啸 ; 薛惠锋 ; 王磊 ; 万毅 ; .基于孤立森林算法的取用水量异常数据检测方法.中国水利水电科学研究院学报.2020,(第01期),全文. *

Also Published As

Publication number Publication date
CN116933210A (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN116933210B (zh) 基于多维传感器的食品加工灌装设备监测方法及系统
CN110945593A (zh) 用于预测生物反应器中的过程的产出和对生物反应器中的过程建模的方法
CN111307751B (zh) 茶叶近红外光谱分析中谱图基线校正方法、系统、检测方法
US8501493B2 (en) Method for measuring fiber digestibility
CN115630877B (zh) 一种用于透明质酸钠生产的质量检测方法及系统
EP3640946A1 (en) Multivariate approach for biological cell selection
CN117609929B (zh) 基于大数据的工业生产线故障在线诊断方法及系统
CN117788196B (zh) 一种基于智能估算模型的作物成熟度评价系统
CN117351292A (zh) 一种基于物联网的烟草生产设施管理方法及系统
CN116297249A (zh) 一种青贮玉米饲料品质分级方法、装置及存储介质
CN106226264A (zh) 青蒿金银花醇沉过程在线实时放行标准建立方法与放行方法及应用
CN115436508A (zh) 一种基于水果原料指标预测果汁品质的方法
CN116665805A (zh) 一种基于数字孪生的白酒发酵预测和反馈干预系统
EP2769342A1 (en) Principles and software application to ensure compliance of manufactured nutritional food products to their specifications
CN115826546B (zh) 基于生产线反应釜的参数调整方法、系统和可读存储介质
CN111308027B (zh) 生食品质的确定方法、装置、系统和计算机可读存储介质
Paquet et al. Modeling of pH and acidity for industrial cheese production
CN115777767B (zh) 一种食用菌的保存方法和系统
CN114063587B (zh) 一种基于机器视觉的蛋糕无菌生产控制方法及系统
Hongyang et al. Detection of browning of fresh‐cut potato chips based on machine vision and electronic nose
CN113642251B (zh) 一种建筑陶瓷喷雾制粉质量的数据分析预测方法及系统
CN114722888A (zh) 一种基于Wasserstein距离的早期故障检测方法
CN113310928A (zh) 保质期内和过期高温灭菌牛奶的快速鉴定方法
CN117706967B (zh) 一种洗米自动化设备智能监测控制系统
CN118466426A (zh) 基于人工智能的酒酿馒头生产过程优化控制方法

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