CN116955737B - 一种用于明胶生产过程中异常特征检索方法 - Google Patents
一种用于明胶生产过程中异常特征检索方法 Download PDFInfo
- Publication number
- CN116955737B CN116955737B CN202311203221.4A CN202311203221A CN116955737B CN 116955737 B CN116955737 B CN 116955737B CN 202311203221 A CN202311203221 A CN 202311203221A CN 116955737 B CN116955737 B CN 116955737B
- Authority
- CN
- China
- Prior art keywords
- gelatin
- physical
- value
- index
- determining
- 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
- 108010010803 Gelatin Proteins 0.000 title claims abstract description 126
- 239000008273 gelatin Substances 0.000 title claims abstract description 126
- 229920000159 gelatin Polymers 0.000 title claims abstract description 126
- 235000019322 gelatine Nutrition 0.000 title claims abstract description 126
- 235000011852 gelatine desserts Nutrition 0.000 title claims abstract description 126
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 53
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005856 abnormality Effects 0.000 claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 239000000499 gel Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004587 chromatography analysis Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001962 electrophoresis Methods 0.000 description 3
- 241000287196 Asthenes Species 0.000 description 2
- 102000008186 Collagen Human genes 0.000 description 2
- 108010035532 Collagen Proteins 0.000 description 2
- 229910019142 PO4 Inorganic materials 0.000 description 2
- 229920001436 collagen Polymers 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007062 hydrolysis Effects 0.000 description 2
- 238000006460 hydrolysis reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 2
- 239000010452 phosphate Substances 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000416 hydrocolloid Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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—Systems or methods specially adapted for 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Library & Information Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种用于明胶生产过程中异常特征检索方法，涉及电数学数字处理技术领域，该方法包括：获取明胶生产过程的各个物理特征的历史指标值、待检测指标值；基于历史指标值确定各个物理特征对明胶质量的直接影响度；确定目标物理特征与关联物理特征之间的间接影响度；获取关联物理特征第一局部离群因子和目标物理特征的第二局部离群因子；计算目标物理特征的待检测指标值的异常特征值；基于异常特征值计算明胶的异常指数；将异常指数与阈值比较，基于比较结果确定明胶是否存在异常物理特征。如此基于明胶生产过程中各个物理特征及其关联性，通过物理特征的待测指标值来检索明胶质量获得准确的异常特征检索结果，提高了明胶质量检测的准确性。
Description
技术领域
本发明涉及电数学数字处理技术领域，尤其涉及一种用于明胶生产过程中异常特征检索方法。
背景技术
在明胶生产过程中，需要对多种物理特征进行监控，从而基于物理特征监控结果判断明胶的生产质量。常见的物理特征有透明度、凝胶强度、pH值、凝胶时间、蛋白质含量、温度、溶解度、氧化程度、磷酸盐含量等。当前常见的检测方法包括色谱分析、电泳法、异常检测等。色谱分析是一种定性、定量分析法，可检测特殊化学成分，电泳法利用电场作用于明胶，使其在电场中移动，根据移动的距离和速度等信息计算出凝胶强度和分子量等物理特性，但色谱分析和电泳法均需要复杂的仪器和专业的操作技巧，成本较高。使用局部异常因子（Local outlier factor，LOF）等异常检测算法对待检索物理特征的往期数据和当前数据进行异常检测，该方法可自适应不同密度的数据分布情况对物理特征的指标值数据进行异常检测。
工业明胶生产过程中需要监测的物理特征较较多，且不同物理特征之间也存在复杂的联系，LOF异常检测算法对多维数据的处理效果相对较差。如果采用分别对每个物理特征进行异常检测的方式来规避多维数据的处理缺点，则可能会出现相互关联的多个非明显异常指标值被识别为非异常数据的情况，使异常检测的结果不够准确。
发明内容
本发明提供一种用于明胶生产过程中异常特征检索方法，旨在提高明胶生产过程中异常特征检索的准确性。
为实现上述目的，本发明提供一种用于明胶生产过程中异常特征检索方法，所述方法包括：
获取明胶生产过程的各个物理特征的历史指标值以及待检测指标值；
基于所述历史指标值确定各个物理特征对明胶质量的直接影响度；
筛选目标物理特征的关联物理特征，并确定所述目标物理特征与各个关联物理特征之间的间接影响度；
通过LOF异常检测算法获取所述关联物理特征的待检测指标值的第一局部离群因子和所述目标物理特征的待检测指标值的第二局部离群因子；
基于所述直接影响度、间接影响度、所述第一局部离群因子、所述第二局部离群因子计算所述目标物理特征的待检测指标值的异常特征值；
基于所述异常特征值计算所述目标物理特征对应批次明胶的异常指数；
将所述异常指数与阈值比较，若所述异常指数大于或等于阈值，则确定对应批次明胶存在异常物理特征。
可选地，所述基于所述历史指标值确定各个物理特征对明胶质量的直接影响度包括：
基于历史指标值获取各个物理特征对明胶质量的质量关联度；
基于所述历史指标值中的正常历史指标值确定各个物理特征对明胶质量的影响稳定性；
基于所述质量关联度和所述影响稳定性确定各个物理特征对明胶质量的直接影响度。
可选地，所述基于所述历史指标值中的正常历史指标值确定各个物理特征对明胶质量的影响稳定性包括：
计算各个物理特征对应的正常历史指标值的正常指标值均值；
获取各个正常历史指标值与对应的正常指标值均值的差值绝对值；
基于物理特征的个数、所述差值绝对值确定对应物理特征对明胶质量的影响稳定性。
可选地，所述筛选目标物理特征的关联物理特征，并确定所述目标物理特征和各个关联物理特征的间接影响度包括：
基于历史指标值获取目标物理特征与其它物理特征之间的特征关联度，将特征关联度大于预设值的物理特征确定为所述目标物理特征的关联物理特征；
获取所述目标物理特征的待检测指标值和各个关联物理特征的关联指标值的局部可达密度，并计算所述局部可达密度的局部可达密度均值；
基于所述局部可达密度和所述局部可达密度均值确定所述目标物理特征和各个关联物理特征的间接影响度。
可选地，所述获取所述目标物理特征的待检测指标值和各个关联物理特征的关联指标值的局部可达密度包括：
将所述目标物理特征的所述待检测指标值与所述各个关联物理特征中的一个关联物理特征的指标值记为一组坐标数据，获得多组坐标数据；
将所述坐标数据标记在平面直角坐标系中，获得位于平面直角坐标系中的多个数据点；
通过LOF异常检测算法确定各个数据点的局部可达密度。
可选地，通过LOF异常检测算法确定各个数据点的局部可达密度包括：
确定各个数据点的k-距离，基于所述k-距离确定各个数据点的k-距离邻域；
根据所述k-距离邻域计算各个数据点的可达距离；
基于所述可达距离、k-距离邻域计算各个数据点的局部可达密度。
可选地，所述基于所述直接影响度、间接影响度、所述第一局部离群因子、所述第二局部离群因子计算所述目标物理特征的待检测指标值的异常特征值包括：
基于所述间接影响度、所述第一局部离群因子、所述第二局部离群因子确定所述目标物理特征的影响校准系数；
将所述影响校准系数与所述直接影响度的乘积归一化，将归一化结果确定为所述目标物理特征的待检测指标值的异常特征值。
可选地，所述基于所述异常特征值计算所述目标物理特征对应批次明胶的异常指数包括：
分别获取各个物理特征作为目标物理特征的异常特征值；
将各个异常特征值的和确定为对应批次明胶的异常指数。
相比现有技术，本发明提出的一种用于明胶生产过程中异常特征检索方法，获取明胶生产过程的各个物理特征的历史指标值以及待检测指标值；基于所述历史指标值确定各个物理特征对明胶质量的直接影响度；筛选目标物理特征的关联物理特征，并确定所述目标物理特征与各个关联物理特征之间的间接影响度；通过LOF异常检测算法获取所述关联物理特征的待检测指标值的第一局部离群因子和所述目标物理特征的待检测指标值的第二局部离群因子；基于所述直接影响度、间接影响度、所述第一局部离群因子、所述第二局部离群因子计算所述目标物理特征的待检测指标值的异常特征值；基于所述异常特征值计算所述目标物理特征对应批次明胶的异常指数；将所述异常指数与阈值比较，若所述异常指数大于或等于阈值，则确定对应批次明胶存在异常物理特征。如此基于明胶生产过程中各个物理特征及其关联性，通过物理特征的待测指标值来检索明胶质量获得准确的异常特征检索结果，提高了明胶质量检测的准确性。
附图说明
图1是本发明用于明胶生产过程中异常特征检索方法一实施例的流程示意图；
图2是本发明用于明胶生产过程中异常特征检索方法一实施例的细化流程示意图；
图3是本发明用于明胶生产过程中异常特征检索方法一实施例的又一细化流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参照图1，图1是本发明用于明胶生产过程中异常特征检索方法第一实施例的流程示意图。
如图1所示，本发明第一实施例提出一种用于明胶生产过程中异常特征检索方法，所述方法包括：
步骤S101，获取明胶生产过程的各个物理特征的历史指标值以及待检测指标值；
明胶是一种大分子的亲水胶体，是胶原部分水解后的产物。按其性能和用途可分为照相明胶、食用明胶和工业明胶。明胶是经胶原适度水解和热变性得到的产物，明胶的生产方法主要有碱法、酸法、酶法等。在明胶的生产过程需要对相关的物理特征进行监测，以保证明胶成品的质量。
本实施例中，明胶生产过程的物理特征主要包括：透明度、凝胶强度、pH、凝胶时间、蛋白质含量、温度、溶解度、氧化程度、磷酸盐含量。各个物理特征在不同的生产阶段对应不同的值，本实施例将物理特征的值标记为指标值，例如物理特征pH的指标值可以是5.8、6.5、7.0等。
本实施例从历史记录中获取各个物理特征的历史指标值，其中，历史指标值包括正常历史指标值和异常历史指标值，其中正常历史指标值是指最终生产出的明胶符合质量管理要求，异常历史指标值对应的明胶不符合质量管理要求，也即异常历史指标值是不合格明胶的物体特征的值。
获取生产中的明胶中间体或者生产完成但是未进行质检的明胶成品的物理特征及其指标值，将需要被检索的物理特征的指标值标记为待检测指标值。
将同一个物理特征的指标值归为一组数据，将其中物理特征表示为，其中，，/>表示待检索的物理特征的个数。
步骤S102，基于所述历史指标值确定各个物理特征对明胶质量的直接影响度；
可以理解地，由于各个物理特征的对生产过程的影响程度不同，对明胶质量的影响也不同，基于此本实施例将各个物理特征对明胶质量的影响程度量化。
参照图2，图2是本发明用于明胶生产过程中异常特征检索方法一实施例的细化流程示意图，如图2所示，所述步骤S102包括：
步骤S1021，基于历史指标值获取各个物理特征对明胶质量的质量关联度；
本实施例通过灰色关联度分析（Grey Relation Analysis, GRA）来确定质量关联度。可以在一个灰色系统中，衡量某个项目受其他的因素影响的相对强弱。两个系统之间的因素（物理特征与明胶质量），随时间或不同对象而变化的关联性大小的量度，称为关联度。物理特征与明胶质量变化即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，根据因素之间发展趋势的相似相异程度，为衡量因素间关联程度提供了量化的度量。
本实施例基于各个物理特征的历史指标值，及其对应的明胶质量进行灰色关联度分析，获得各个物理特征与明胶质量直接的质量关联度。灰色关联度分析方法为公知技术，本实施例将明胶质量作为母序列，将各个物理特征作为子序列，对各个序列的数据进行预处理后，根据关联度的计算公式获得质量关联度。为了便于比较，将最终的质量关联度归一化至0-1区间。
步骤S1022，基于所述历史指标值中的正常历史指标值确定各个物理特征对明胶质量的影响稳定性；
每个物理特征对生产完成的明胶的质量影响有所区别，影响程度的稳定性也有所区别，当某个物理特征的影响程度的稳定性较低，即该物理特征对应的指标值波动性较大时，需要降低该物理特征对明胶的质量评估值的影响程度。因此，需要进一步确定各个物理特征对明胶质量的影响稳定性。
由于异常指标值对稳定性评价有干扰，仅用正常历史指标值进行计算。具体地，计算各个物理特征对应的正常历史指标值的正常指标值均值；获取各个物理特征下的正常历史指标值及其个数，将正常历史指标值之和与个数的比值确定为正常指标值均值；
获取各个正常历史指标值与对应的正常指标值均值的差值绝对值；
基于物理特征的个数、所述差值绝对值确定对应物理特征对明胶质量的影响稳定性。
将物理特征对明胶质量的影响稳定性表示为/>，则：
其中，表示物理特征的正常历史指标值的正常指标值均值，/>为物理特征的正常历史指标值中第/>个值，其中，/>；/>为物理特征/>包括的正常历史指标值的数量。/>的物理意义同/>，由于/>的计算公式中涉及两次求和，为了清晰的表示求和对象故分别用/>、v表示。
当物理特征对应的正常历史指标值的分布越为接近、波动越小，则该物理特征对应的影响稳定性越大，即该物理特征值对明胶生产完成后的质量影响越大。
步骤S1023，基于所述质量关联度和所述影响稳定性确定各个物理特征对明胶质量的直接影响度。
将物理特征的对明胶质量的直接影响度表示为/>，则：
其中，为物理特征/>对明胶质量的质量关联度，/>为物理特征/>对明胶质量的影响稳定性。
当物理特征对明胶质量的关联度和影响稳定性/>越大时，其对应的直接影响度/>越大，即该物理特征值对明胶质量影响越大。直接影响度的根据该物理特征的正常历史指标值与明胶质量直接获取质量影响程度。
本实施例依次获取每个物理特征对明胶质量的直接影响度。
步骤S103，筛选目标物理特征的关联物理特征，并确定所述目标物理特征与各个关联物理特征/>之间的间接影响度/>；
本实施例将当前检索的物理特征确定为目标物理特征，所述目标物理特征是所述物料特征中的一个。为方便理解与描述，本实施例以物理特征为目标物理特征进行技术方案的介绍。
参照图3，图3是本发明用于明胶生产过程中异常特征检索方法一实施例的又一细化流程示意图，如图3所示，步骤S103包括：
步骤S1031，基于历史指标值获取目标物理特征与其它物理特征之间的特征关联度，将特征关联度大于预设值的物理特征确定为所述目标物理特征的关联物理特征；
本实施例通过灰色关联度分析来确定特征关联度，将目标物理特征的历史指标值作为母序列，将其它物理特征的历史指标值作为子序列，根据灰色关联度分析发来确定特征关联度。其中，其它物理特征是指各个物理特征中目标物理特征之外的物理特征。
可以理解地，目标物理特征与其它物理特征之间的特征关联度是大小不同的，特征关联度越大，则二者的联系越相关。本实施例预先设置关联度的预设值，当特征关联度大于预设值/>，则认为对应的物理特征是目标物理特征的管理物理特征，将目标物理特征的关联物理特征表示为/>。
步骤S1032，获取所述目标物理特征的待检测指标值和各个关联物理特征的关联指标值的局部可达密度，并计算所述局部可达密度的局部可达密度均值；
局部可达密度的获取方式如下：
将所述目标物理特征的所述待检测指标值与所述各个关联物理特征中的一个关联物理特征的指标值记为一组坐标数据，获得多组坐标数据；将所述坐标数据标记在平面直角坐标系中，获得位于平面直角坐标系中的多个数据点；通过LOF异常检测算法确定各个数据点的局部可达密度。
将各个数据点表示在平面直角坐标系后，基于LOF异常检测算法确定局部可达密度。该算法通过给每个数据点都分配一个依赖于邻域密度的离群因子LOF，LOF异常检测算法进而判断该数据点是否为离群点以及离群程度，可以比较精确的量化每个数据点的异常程度。
具体地，确定各个数据点的k-距离，基于所述k-距离确定各个数据点的k-距离邻域；其中，k-距离可以是汉明距离、欧式距离或马氏距离。本实施例可以将欧式距离确定为k-距离。将数据点P的k-距离表示为，则：
其中，表示数据点P与数据点O之间的k-距离。
给定数据点P的k-距离，数据点P的k-距离邻域包含与数据点P的距离不大于k-距离的每个对象数据点Q，这些对象数据点Q称为P的k个近邻，简化表示为。以数据点P为圆心，以k邻近距离/>为半径画圆，这个圆以内的范围就是k-距离邻域，公式如下：
根据所述k-距离邻域计算各个数据点的可达距离；
可达距离的定义跟K-邻近距离是相关的，给定参数k时，数据点P 到数据点O的可达距离为数据点O的k-邻近距离和数据点P与数据点O之间的直接距离的最大值。
基于所述可达距离、k-距离邻域计算各个数据点的局部可达密度。
数据点P的局部可达密度是基于数据点P的最近邻的平均可达距离的倒数，距离越大，密度越小。简单理解就是这个点的K个邻居到这个点的距离的平均值，将局部可达密度表示为，则：
其中，表示数据点P与数据点O的可达距离。
步骤S1033，基于所述局部可达密度和所述局部可达密度均值确定所述目标物理特征和各个关联物理特征/>的间接影响度/>；
将目标物理特征和各个关联物理特征/>的间接影响度表示为/>，则：
其中，kh为局部可达密度，；/>为目标物理特征/>和关联物理特征/>的组数，/>为局部可达密度均值。
当目标物理特征和关联物理特征/>之间的影响程度越大时，则对目标物理特征的各个关联物理特征的指标值之间的间接影响度越大，则需要对物理特征/>的直接影响度进行校正的程度越大。
步骤S104，通过LOF异常检测算法获取所述待测指标值对应物理特征的多个待检测指标值的第一局部离群因子和所述待检测指标值的第二局部离群因子。
以表示待计算离群因子的待测指标值，/>表示待测指标值τ对应的第二局部离群因子；获取待测指标值/>对应的物理特征，每个物理特征又对应多个待测指标值，/>表示待测指标值τ对应的物理特征获取的多个待测指标值的第一局部离群因子。比如待测指标值/>为温度，温度对应的物理特征为溶解度，溶解度包含多个待检测指标值，如温度、pH值、离子强度等。/>为温度对应的第二局部离群因子，/>为温度、pH值、离子强度等对应的局部离群因子。
本实施例基于LOF异常检测算法的公知技术确定所述第一局部离群因子和第二局部离群因子/>，此处不再赘述具体步骤。
步骤S105，基于所述直接影响度、间接影响度/>、所述第一局部离群因子、所述第二局部离群因子计算所述目标物理特征的待检测指标值的异常特征值/>；
基于所述间接影响度、所述第一局部离群因子、所述第二局部离群因子确定所述目标物理特征的影响校准系数；
将所述影响校准系数与所述直接影响度的乘积归一化，将归一化结果确定为所述目标物理特征的待检测指标值的异常特征值。
将所述目标物理特征的待检测指标值的异常特征值表示为：
其中，关联物理特征的待检测指标值的第一局部离群因子；/>为目标物理特征的待检测指标值的第二局部离群因子；/>为各个物理特征对明胶质量的直接影响度；为目标物理特征/>和各个关联物理特征/>的间接影响度；/>为归一化函数，作用为取括号内的归一化值。/>表示待检测指标值。
其中，是各个关联物理特征对目标物理特征的影响校准系数；/>为该待检测指标值及其对应的目标物理特征对该生产批次明胶的明胶质量的影响因子；这些待检测指标值对应生产批次明胶的异常指数/>是这些待检测指标值对应的生产批次明胶出现异常的特征的异常程度评价值。
当该待检测指标值对应的直接影响度越大时，其对应的异常特征值越大；当除该待检测指标值对应的物理特征之外的其他各特征因子对该待检测指标值对应的物理特征的影响越大时，对当该待检测指标值对应的直接影响度的校正程度越大，则这些待检测指标值对应生产批次明胶的异常指数与这些待检测指标值对应的直接影响度差异越大。
步骤S106，基于所述异常特征值计算所述目标物理特征对应批次明胶的异常指数；
具体地，分别获取各个物理特征作为目标物理特征的异常特征值；依次将各个物理特征作为目标物理特征，确定目标物理特征的异常特征值/>；
将各个异常特征值的和确定为对应批次明胶的异常指数。将异常指数表示为m，则有：
表示待检测指标值，/>为物理特征的个数。
步骤S107，将所述异常指数与阈值比较，若所述异常指数大于或等于阈值，则确定对应批次明胶存在异常物理特征。
分别取正常历史指标值中的各个值，将正常历史指标值作为待检测指标值，获取各个正常历史指标值对应生产批次明胶的异常指数m。取各正常历史指标值对应的各生产批次明胶的异常指数m的最大值作为判断上述待检测指标值对应生产批次明胶的异常指数是否对应出现异常特征的明胶的阈值。
当这些待检测指标值对应生产批次的明胶的异常指数大于或等于阈值时，则认为该批次明胶在生产过程中生产参数出现了异常物理特征；当这些待检测指标值对应生产批次的明胶的异常指数小于阈值/>时，认为这些待检测指标值对应生产批次明胶的在生产过程中各个物体特征均在正常范围内。如此，获得了明胶生产过程中准确的异常特征检索结果。
本实施例基于上述方案，获取明胶生产过程的各个物理特征的历史指标值以及待检测指标值；基于所述历史指标值确定各个物理特征对明胶质量的直接影响度；筛选目标物理特征的关联物理特征，并确定所述目标物理特征与各个关联物理特征之间的间接影响度；通过LOF异常检测算法获取所述关联物理特征的待检测指标值的第一局部离群因子和所述目标物理特征的待检测指标值的第二局部离群因子；基于所述直接影响度、间接影响度、所述第一局部离群因子、所述第二局部离群因子计算所述目标物理特征的待检测指标值的异常特征值；基于所述异常特征值计算所述目标物理特征对应批次明胶的异常指数；将所述异常指数与阈值比较，若所述异常指数大于或等于阈值，则确定对应批次明胶存在异常物理特征。如此基于明胶生产过程中各个物理特征及其关联性，通过物理特征的待测指标值来检索明胶质量获得准确的异常特征检索结果，提高了明胶质量检测的准确性。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种用于明胶生产过程中异常特征检索方法，其特征在于，所述方法包括：
获取明胶生产过程的各个物理特征的历史指标值以及待检测指标值；
基于所述历史指标值确定各个物理特征对明胶质量的直接影响度；
筛选目标物理特征的关联物理特征，并确定所述目标物理特征与各个关联物理特征之间的间接影响度；
通过LOF异常检测算法获取所述待检测指标值对应物理特征的多个待测指标值的第一局部离群因子和所述待检测指标值的第二局部离群因子；
基于所述直接影响度、间接影响度、所述第一局部离群因子、所述第二局部离群因子计算所述目标物理特征的待检测指标值的异常特征值；
基于所述异常特征值计算所述目标物理特征对应批次明胶的异常指数；
将所述异常指数与阈值比较，若所述异常指数大于或等于阈值，则确定对应批次明胶存在异常物理特征；
所述基于所述历史指标值确定各个物理特征对明胶质量的直接影响度包括：
基于历史指标值获取各个物理特征对明胶质量的质量关联度；
基于所述历史指标值中的正常历史指标值确定各个物理特征对明胶质量的影响稳定性；
基于所述质量关联度和所述影响稳定性确定各个物理特征对明胶质量的直接影响度；
所述筛选目标物理特征的关联物理特征，并确定所述目标物理特征和各个关联物理特征的间接影响度包括：
基于历史指标值获取目标物理特征与其它物理特征之间的特征关联度，将特征关联度大于预设值的物理特征确定为所述目标物理特征的关联物理特征；
获取所述目标物理特征的待检测指标值和各个关联物理特征的关联指标值的局部可达密度，并计算所述局部可达密度的局部可达密度均值；
基于所述局部可达密度和所述局部可达密度均值确定所述目标物理特征和各个关联物理特征的间接影响度；
所述基于所述直接影响度、间接影响度、所述第一局部离群因子、所述第二局部离群因子计算所述目标物理特征的待检测指标值的异常特征值包括：
基于所述间接影响度、所述第一局部离群因子、所述第二局部离群因子确定所述目标物理特征的影响校准系数；
将所述影响校准系数与所述直接影响度的乘积归一化，将归一化结果确定为所述目标物理特征的待检测指标值的异常特征值。
2.根据权利要求1所述的用于明胶生产过程中异常特征检索方法，其特征在于，所述基于所述历史指标值中的正常历史指标值确定各个物理特征对明胶质量的影响稳定性包括：
计算各个物理特征对应的正常历史指标值的正常指标值均值；
获取各个正常历史指标值与对应的正常指标值均值的差值绝对值；
基于物理特征的个数、所述差值绝对值确定对应物理特征对明胶质量的影响稳定性。
3.根据权利要求1所述的用于明胶生产过程中异常特征检索方法，其特征在于，所述获取所述目标物理特征的待检测指标值和各个关联物理特征的关联指标值的局部可达密度包括：
将所述目标物理特征的所述待检测指标值与所述各个关联物理特征中的一个关联物理特征的指标值记为一组坐标数据，获得多组坐标数据；
将所述坐标数据标记在平面直角坐标系中，获得位于平面直角坐标系中的多个数据点；
通过LOF异常检测算法确定各个数据点的局部可达密度。
4.根据权利要求3所述的用于明胶生产过程中异常特征检索方法，其特征在于，通过LOF异常检测算法确定各个数据点的局部可达密度包括：
确定各个数据点的k-距离，基于所述k-距离确定各个数据点的k-距离邻域；
根据所述k-距离邻域计算各个数据点的可达距离；
基于所述可达距离、k-距离邻域计算各个数据点的局部可达密度。
5.根据权利要求1所述的用于明胶生产过程中异常特征检索方法，其特征在于，所述基于所述异常特征值计算所述目标物理特征对应批次明胶的异常指数包括：
分别获取各个物理特征作为目标物理特征的异常特征值；
将各个异常特征值的和确定为对应批次明胶的异常指数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311203221.4A CN116955737B (zh) | 2023-09-19 | 2023-09-19 | 一种用于明胶生产过程中异常特征检索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311203221.4A CN116955737B (zh) | 2023-09-19 | 2023-09-19 | 一种用于明胶生产过程中异常特征检索方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116955737A CN116955737A (zh) | 2023-10-27 |
| CN116955737B true CN116955737B (zh) | 2023-11-28 |
Family
ID=88449469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311203221.4A Active CN116955737B (zh) | 2023-09-19 | 2023-09-19 | 一种用于明胶生产过程中异常特征检索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116955737B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298407A (zh) * | 2019-07-03 | 2019-10-01 | 广东工业大学 | 一种异常数据检测的方法、系统及设备 |
| CN111398538A (zh) * | 2020-06-08 | 2020-07-10 | 江西汇仁药业股份有限公司 | 中药综合品质评价方法 |
| CN113515512A (zh) * | 2021-06-22 | 2021-10-19 | 国网辽宁省电力有限公司鞍山供电公司 | 一种工业互联网平台数据的质量治理及提升方法 |
| CN114153888A (zh) * | 2020-09-08 | 2022-03-08 | 大连理工大学 | 一种时间序列数据的异常值检测方法和装置 |
| CN114493037A (zh) * | 2022-02-16 | 2022-05-13 | 北京京能能源技术研究有限责任公司 | 一种水平衡自动测试预测方法和系统 |
| CN115496408A (zh) * | 2022-10-20 | 2022-12-20 | 赛轮集团股份有限公司 | 产品质量控制方法、装置、存储介质及电子设备 |
| CN116611017A (zh) * | 2023-07-17 | 2023-08-18 | 山东一然环保科技有限公司 | 一种低氮燃烧加热炉的氮氧化物排放检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102016119110A1 (de) * | 2016-04-08 | 2017-10-12 | Windmöller & Hölscher Kg | Verfahren zur Bewertung mindestens eines industriellen Prozesses |
-
2023
- 2023-09-19 CN CN202311203221.4A patent/CN116955737B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298407A (zh) * | 2019-07-03 | 2019-10-01 | 广东工业大学 | 一种异常数据检测的方法、系统及设备 |
| CN111398538A (zh) * | 2020-06-08 | 2020-07-10 | 江西汇仁药业股份有限公司 | 中药综合品质评价方法 |
| CN114153888A (zh) * | 2020-09-08 | 2022-03-08 | 大连理工大学 | 一种时间序列数据的异常值检测方法和装置 |
| CN113515512A (zh) * | 2021-06-22 | 2021-10-19 | 国网辽宁省电力有限公司鞍山供电公司 | 一种工业互联网平台数据的质量治理及提升方法 |
| CN114493037A (zh) * | 2022-02-16 | 2022-05-13 | 北京京能能源技术研究有限责任公司 | 一种水平衡自动测试预测方法和系统 |
| CN115496408A (zh) * | 2022-10-20 | 2022-12-20 | 赛轮集团股份有限公司 | 产品质量控制方法、装置、存储介质及电子设备 |
| CN116611017A (zh) * | 2023-07-17 | 2023-08-18 | 山东一然环保科技有限公司 | 一种低氮燃烧加热炉的氮氧化物排放检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116955737A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hsu et al. | Multiple time-series convolutional neural network for fault detection and diagnosis and empirical study in semiconductor manufacturing | |
| US6507669B1 (en) | Method of selecting clusters of items using a fuzzy histogram analysis | |
| CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
| CN107682319A (zh) | 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法 | |
| CN108667684B (zh) | 一种基于局部向量点积密度的数据流异常检测方法 | |
| CN110716500B (zh) | 用于确定温度敏感区间分段建模点的方法与系统 | |
| CN113298162A (zh) | 一种基于K-means算法的桥梁健康监测方法及系统 | |
| CN113591948A (zh) | 一种缺陷模式识别方法、装置、电子设备和存储介质 | |
| CN115018315A (zh) | 一种供热异常的检测方法、装置、电子设备及存储介质 | |
| CN113536066A (zh) | 一种数据异常检测算法确定方法、装置及计算机设备 | |
| CN117196353A (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
| KR20220067897A (ko) | IoT를 기반으로 하는 이상 탐지 방법 및 그 장치 | |
| CN116628616A (zh) | 一种大功率充电能源的数据处理方法及系统 | |
| CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
| CN113703506B (zh) | 一种建筑材料生产车间环境控制调节方法及系统 | |
| CN117454096B (zh) | 一种电机生产质量检测方法及系统 | |
| Zhao et al. | Defect detection of 3D printing surface based on geometric local domain features | |
| CN116955737B (zh) | 一种用于明胶生产过程中异常特征检索方法 | |
| CN114387332A (zh) | 一种管道测厚方法及装置 | |
| Wei et al. | Feature Extraction and Retrieval of Ecommerce Product Images Based on Image Processing. | |
| CN113515450A (zh) | 一种环境异常检测方法和系统 | |
| CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
| CN115905990A (zh) | 一种基于密度聚集算法的变压器油温异常监测方法 | |
| CN115628776A (zh) | 一种供水管网异常数据检测方法 | |
| CN114972194A (zh) | 一种从不一致标签中检测缺陷的方法 |
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 |