CN117171576B - 应用于材料提纯系统的异常监控方法及系统 - Google Patents
应用于材料提纯系统的异常监控方法及系统 Download PDFInfo
- Publication number
- CN117171576B CN117171576B CN202311438112.0A CN202311438112A CN117171576B CN 117171576 B CN117171576 B CN 117171576B CN 202311438112 A CN202311438112 A CN 202311438112A CN 117171576 B CN117171576 B CN 117171576B
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- network
- offline
- abnormality diagnosis
- anomaly
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 78
- 239000000463 material Substances 0.000 title claims abstract description 66
- 238000000746 purification Methods 0.000 title claims abstract description 65
- 230000005856 abnormality Effects 0.000 title claims description 324
- 238000003745 diagnosis Methods 0.000 claims abstract description 638
- 238000013528 artificial neural network Methods 0.000 claims abstract description 142
- 230000002159 abnormal effect Effects 0.000 claims abstract description 100
- 238000012549 training Methods 0.000 claims abstract description 100
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000003860 storage Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000010438 heat treatment Methods 0.000 description 6
- 239000002346 layers by function Substances 0.000 description 6
- 239000000126 substance Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004233 Indanthrene blue RS Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000004106 carminic acid Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000001752 chlorophylls and chlorophyllins Substances 0.000 description 1
- 239000011365 complex material Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- -1 pharmaceutical Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004173 sunset yellow FCF Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及材料提纯系统的异常监控技术领域,涉及一种应用于材料提纯系统的异常监控方法及系统。本申请通过将系统运行事件和异常诊断数据整合为样例学习序列,提供给目标候选神经网络以获取第二异常诊断数据,能够从多元化的数据源中学习,提高了其对异常情况的识别准确性;通过优化目标候选神经网络的网络权值信息,生成离线异常诊断网络及其对应的网络训练信息,利用机器学习算法进行自我优化,提升了异常监控系统的智能化水平;当离线异常诊断网络满足网络收敛要求时,基于异常诊断离线节点的网络训练信息序列对云端异常诊断网络的网络权值信息进行优化,实现了分布式计算和集中优化的结合,提高了网络优化效率。
Description
技术领域
本申请涉及材料提纯系统的异常监控技术领域,具体而言,涉及一种应用于材料提纯系统的异常监控方法及系统。
背景技术
材料提纯系统在许多工业生产过程中都有着重要应用,如化工、制药、石油等领域。由于材料提纯系统的复杂性和重要性,对其运行状态进行实时监控和异常检测是非常必要的。传统的监控方式主要依赖人工观察和经验判断,不仅效率低下,而且容易出错。
近年来,随着神经网络和云计算技术的快速发展,利用这些先进技术进行异常监控成为可能。为此,迫切需要一种新型的异常监控方法,该方法能够有效地处理和分析来自多个系统运行事件的数据,同时能够自动优化神经网络参数,提高异常诊断的准确性和效率。
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应用于材料提纯系统的异常监控方法及系统。
依据本申请实施例的一个方面,提供了一种应用于材料提纯系统的异常监控方法,包括:
利用数据监控系统采集材料提纯系统的M个系统运行事件;
向云服务神经网络系统上传所述M个系统运行事件,以使所述云服务神经网络系统依据所述M个系统运行事件,调用云端异常诊断网络获取M个第一异常诊断数据;
基于所述M个系统运行事件以及所述云服务神经网络系统下发的所述M个第一异常诊断数据,生成样例学习序列,所述样例学习序列包括M批样例学习特征,每批样例学习特征包括系统运行事件以及所述系统运行事件的第一异常诊断数据;
依据所述M个系统运行事件,利用目标候选神经网络获取M个第二异常诊断数据;
基于所述M个第二异常诊断数据以及所述样例学习序列,对所述目标候选神经网络的网络权值信息进行优化,生成离线异常诊断网络以及所述离线异常诊断网络所对应的网络训练信息;
如果所述离线异常诊断网络符合网络收敛要求,则向所述云服务神经网络系统发送所述网络训练信息,以使所述云服务神经网络系统基于出自一个或多个异常诊断离线节点的网络训练信息序列,对所述云端异常诊断网络的网络权值信息进行优化,所述网络训练信息序列包括所述网络训练信息,其中,所述云端异常诊断网络和所述离线异常诊断网络用于对任意输入的目标系统运行事件进行异常监控。
在第一方面的一种可能的实施方式中,所述方法还包括:
向所述云服务神经网络系统发送网络协同优化指令,以使所述云服务神经网络系统基于所述网络协同优化指令,确定应用于目标异常诊断离线节点的样例系统运行事件序列;
获取所述云服务神经网络系统下发的基础样本数据序列,所述基础样本数据序列包括G组基础样例系统运行事件,每组基础样例系统运行事件包括系统运行事件以及所述系统运行事件的异常标签数据;
依据所述基础样本数据序列所包括的G个系统运行事件,利用基础异常诊断网络获取G个基础异常诊断数据,每个基础异常诊断数据包括系统运行事件的异常诊断标签以及标签置信度;
基于所述G个基础异常诊断数据以及所述基础样本数据序列,对所述基础异常诊断网络的网络权值信息进行优化,生成所述目标候选神经网络。
在第一方面的一种可能的实施方式中,所述利用数据监控系统采集材料提纯系统的M个系统运行事件之前,所述方法还包括:
获取目标异常诊断离线节点所关联的材料提纯工况参数,所述材料提纯工况参数包括操作温度以及设备振动中的至少一项;
如果所述材料提纯工况参数所包括的操作温度不在预定温度范围之内,则响应于针对所述数据监控系统的第一优化活动,对所述数据监控系统的第一配置信息进行更新,所述第一配置信息包括采样率、数据精确度以及容错度中的至少一项;
如果所述材料提纯工况参数所包括的设备振动不小于设定振动阈值,则响应于针对所述数据监控系统的第二优化活动,对所述数据监控系统的第二配置信息进行更新,所述第二配置信息包括处理速率、数据精确度以及噪声抑制中的至少一项。
在第一方面的一种可能的实施方式中,所述基于所述M个第二异常诊断数据以及所述样例学习序列,对所述目标候选神经网络的网络权值信息进行优化,生成离线异常诊断网络以及所述离线异常诊断网络所对应的网络训练信息之后,所述方法还包括:
向所述云服务神经网络系统发送通过所述数据监控系统采集的X个系统运行事件,以使所述云服务神经网络系统依据所述X个系统运行事件,利用所述云端异常诊断网络获取X个第三异常诊断数据,所述X为不小于1的整数;
获取所述云服务神经网络系统下发的所述X个第三异常诊断数据; 依据所述X个系统运行事件,利用所述离线异常诊断网络获取X个第四异常诊断数据;
基于所述X个第三异常诊断数据,对所述X个第四异常诊断数据进行测试,生成所述X个系统运行事件的异常诊断有效度;
如果所述异常诊断有效度不小于预设有效度,则确定所述离线异常诊断网络符合所述网络收敛要求。
在第一方面的一种可能的实施方式中,所述基于所述M个第二异常诊断数据以及所述样例学习序列,对所述目标候选神经网络的网络权值信息进行优化,生成离线异常诊断网络以及所述离线异常诊断网络所对应的网络训练信息之后,所述方法还包括:
向所述云服务神经网络系统发送通过所述数据监控系统采集的X个系统运行事件,以使所述云服务神经网络系统依据所述X个系统运行事件,利用所述云端异常诊断网络获取X个第三异常诊断数据,所述X为不小于1的整数;
获取所述云服务神经网络系统下发的所述X个第三异常诊断数据;
依据所述X个系统运行事件,利用所述离线异常诊断网络获取X个第四异常诊断数据;
基于所述X个第三异常诊断数据,对所述X个第四异常诊断数据进行测试,生成针对所述X个系统运行事件的异常诊断有效度; 如果所述异常诊断有效度不小于预设有效度,则向Y个异常诊断离线节点下发所述网络训练信息,以使所述Y个异常诊断离线节点分别基于所述网络训练信息,对候选神经网络的网络权值信息进行优化,生成Y个异常诊断网络,所述Y个异常诊断离线节点与目标异常诊断离线节点具有相关性,所述Y为不小于1的整数;
获取所述Y个异常诊断离线节点中的每个异常诊断离线节点所对应的异常诊断离线节点权重,所述异常诊断离线节点权重为基于异常诊断网络的异常诊断数据以及所述云端异常诊断网络的异常诊断数据确定的;
基于所述每个异常诊断离线节点所对应的异常诊断离线节点权重,确定全局诊断权重;
如果所述全局诊断权重不小于预设权重值,则确定所述离线异常诊断网络符合所述网络收敛要求;
其中,所述基于所述每个异常诊断离线节点所对应的异常诊断离线节点权重,确定全局诊断权重,包括:
对所述Y个异常诊断离线节点的异常诊断离线节点权重进行相加,生成异常诊断离线节点总权重,并基于所述异常诊断离线节点总权重与Y值之间的比值,生成所述全局诊断权重;
或者,获取所述Y个异常诊断离线节点中的每个异常诊断离线节点所对应的影响因子序列,所述影响因子序列包括异常诊断离线节点硬件因子、异常诊断离线节点网络因子以及异常诊断离线节点优先级因子中的至少一项;
针对所述Y个异常诊断离线节点中的每个异常诊断离线节点,采用异常诊断离线节点的影响因子序列,对所述异常诊断离线节点的异常诊断离线节点权重进行融合,生成所述异常诊断离线节点的异常诊断离线节点加权权重;
基于所述Y个异常诊断离线节点中的每个异常诊断离线节点所对应的异常诊断离线节点加权权重,确定所述全局诊断权重。
在第一方面的一种可能的实施方式中,所述向Y个异常诊断离线节点下发所述网络训练信息之前,所述方法还包括:
如果所述目标异常诊断离线节点与一个或多个异常诊断离线节点处于相同的网络映射区域内,则确定所述一个或多个异常诊断离线节点与所述目标异常诊断离线节点具有相关性,并将所述一个或多个异常诊断离线节点作为所述Y个异常诊断离线节点;
或者,如果所述目标异常诊断离线节点与一个或多个异常诊断离线节点设置有相同的任务联动元素,则确定所述一个或多个异常诊断离线节点与所述目标异常诊断离线节点具有相关性,并将所述一个或多个异常诊断离线节点作为所述Y个异常诊断离线节点;
或者,如果所述目标异常诊断离线节点与一个或多个异常诊断离线节点关联到相同的数据中心,则确定所述一个或多个异常诊断离线节点与所述目标异常诊断离线节点具有相关性,并将所述一个或多个异常诊断离线节点作为所述Y个异常诊断离线节点。
在第一方面的一种可能的实施方式中,所述确定所述离线异常诊断网络符合所述网络收敛要求之后,所述方法还包括:
获取参考系统运行事件;
依据所述参考系统运行事件,利用所述离线异常诊断网络获取第五异常诊断数据;
获取出自所述Y个异常诊断离线节点的Y个第六异常诊断数据,每个第六异常诊断数据为异常诊断离线节点依据所述参考系统运行事件,利用异常诊断网络获取到的;
如果基于所述第五异常诊断数据以及所述Y个第六异常诊断数据,确定已处于网络收敛状态,则执行相应异常诊断任务。
在第一方面的一种可能的实施方式中,所述方法还包括:
如果所述离线异常诊断网络不符合所述网络收敛要求,则向Y个异常诊断离线节点中的异常诊断离线节点下发神经网络更新指令,以使所述异常诊断离线节点基于所述神经网络更新指令,对候选神经网络的网络权值信息进行优化,生成异常诊断网络,所述Y个异常诊断离线节点与目标异常诊断离线节点具有相关性;
获取所述异常诊断离线节点上传的网络训练信息;
采用所述异常诊断离线节点上传的网络训练信息,对所述目标候选神经网络的网络权值信息进行优化;
其中,所述基于所述M个第二异常诊断数据以及所述样例学习序列,对所述目标候选神经网络的网络权值信息进行优化,生成离线异常诊断网络以及所述离线异常诊断网络所对应的网络训练信息之后,所述方法还包括:
在所述离线异常诊断网络符合所述网络收敛要求时,利用所述数据监控系统采集目标系统运行事件;
依据所述目标系统运行事件,利用所述离线异常诊断网络获取目标异常诊断数据,所述目标异常诊断数据包括目标异常诊断标签以及目标标签置信度;
如果所述目标异常诊断数据中的所述目标标签置信度不小于预设置信度,则确定所述目标系统运行事件属于所述目标异常诊断标签;
如果所述目标异常诊断数据中的所述目标标签置信度小于所述预设置信度,则向所述云服务神经网络系统发送所述目标系统运行事件,以使所述云服务神经网络系统依据所述目标系统运行事件,利用所述云端异常诊断网络获取异常诊断标签;
获取所述云服务神经网络系统下发的所述异常诊断标签。
依据本申请实施例的一个方面,提供了一种应用于材料提纯系统的异常监控方法,所述方法包括:
接收目标异常诊断离线节点上传的M个系统运行事件,所述M个系统运行事件为所述目标异常诊断离线节点通过数据监控系统采集的,所述M为不小于1的整数;
依据所述M个系统运行事件,调用云端异常诊断网络获取M个第一异常诊断数据;
向所述目标异常诊断离线节点上传所述M个第一异常诊断数据,以使所述目标异常诊断离线节点基于所述M个系统运行事件以及所述M个第一异常诊断数据生成样例学习序列,依据所述M个系统运行事件,利用目标候选神经网络获取M个第二异常诊断数据,基于所述M个第二异常诊断数据以及所述样例学习序列,对所述目标候选神经网络的网络权值信息进行优化,生成离线异常诊断网络以及所述离线异常诊断网络所对应的网络训练信息,所述样例学习序列包括M批样例学习特征,每批样例学习特征包括系统运行事件以及所述系统运行事件的第一异常诊断数据;
如果所述离线异常诊断网络符合网络收敛要求,则获取所述目标异常诊断离线节点上传的所述网络训练信息;
在获得出自一个或多个异常诊断离线节点的网络训练信息序列时,对所述云端异常诊断网络的网络权值信息进行优化,所述网络训练信息序列包括所述网络训练信息;
其中,所述在获得出自一个或多个异常诊断离线节点的网络训练信息序列时,对所述云端异常诊断网络的网络权值信息进行优化,包括:
获取出自所述一个或多个异常诊断离线节点的网络训练信息序列; 基于每个异常诊断离线节点所对应的全局诊断权重,对所述网络训练信息序列进行融合,生成融合后的网络训练信息序列;
采用所述融合后的网络训练信息序列,对所述云端异常诊断网络的网络权值信息进行优化;
其中,所述在获得出自一个或多个异常诊断离线节点的网络训练信息序列时,对所述云端异常诊断网络的网络权值信息进行优化,包括:
在获得出自一个或多个异常诊断离线节点的网络权值信息序列时,对所述云端异常诊断网络的网络权值信息进行优化,所述网络权值信息序列包括所述网络训练信息,所述网络训练信息为网络权值信息;
或者,在获得出自一个或多个异常诊断离线节点的变化率序列时,对所述云端异常诊断网络的网络权值信息进行优化,所述变化率序列包括所述网络训练信息,所述网络训练信息为变化率;
或者,在获得出自一个或多个异常诊断离线节点的更新功能层参数序列时,对所述云端异常诊断网络的网络权值信息进行优化,所述更新功能层参数序列包括所述网络训练信息,所述网络训练信息为更新功能层参数;
其中,所述在获得出自一个或多个异常诊断离线节点的网络训练信息序列时,对所述云端异常诊断网络的网络权值信息进行优化之后,所述方法还包括:
向一个或多个异常诊断离线节点上传所述云端异常诊断网络的网络训练信息,以使所述一个或多个异常诊断离线节点中的每个异常诊断离线节点使用所述云端异常诊断网络的网络训练信息,对异常诊断网络的网络权值信息进行优化。
依据本申请实施例的一个方面,提供了一种应用于材料提纯系统的异常监控系统,所述应用于材料提纯系统的异常监控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应用于材料提纯系统的异常监控方法。
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,通过将系统运行事件和异常诊断数据整合为样例学习序列,提供给目标候选神经网络以获取第二异常诊断数据,使得神经网络能够从多元化的数据源中学习,提高了其对异常情况的识别准确性。此外,通过优化目标候选神经网络的网络权值信息,生成离线异常诊断网络及其对应的网络训练信息,利用机器学习算法进行自我优化,提升了异常监控系统的智能化水平。当离线异常诊断网络满足网络收敛要求时,将网络训练信息发送至云服务神经网络系统,基于来自一个或多个异常诊断离线节点的网络训练信息序列,对云端异常诊断网络的网络权值信息进行优化,实现了分布式计算和集中优化的结合,提高了网络优化效率和准确性。经过优化的云端异常诊断网络可以对任意输入的目标系统运行事件进行精准的异常监控,大大提高了系统运行的稳定性和安全性,降低了因系统异常而产生的风险。
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应用于材料提纯系统的异常监控方法的流程示意图;
图2为本申请实施例提供的用于实现上述的应用于材料提纯系统的异常监控方法的应用于材料提纯系统的异常监控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应用于材料提纯系统的异常监控方法的流程示意图,下面对该应用于材料提纯系统的异常监控方法进行详细介绍。
步骤S110,利用数据监控系统采集材料提纯系统的M个系统运行事件。
例如,假设在一个材料生产线中,有一个自动化的材料提纯系统,这个材料提纯系统通过多步骤操作进行药物成分的提取和纯化。每一个步骤可能包括加热、冷却、混合、离心等一系列的操作,这些操作需要按照特定的顺序和条件进行,从而可以构成一个完整的系统运行事件。在运行过程中,数据监控系统会对这些系统运行事件进行记录和存储。
步骤S120,向云服务神经网络系统上传所述M个系统运行事件,以使所述云服务神经网络系统依据所述M个系统运行事件,调用云端异常诊断网络获取M个第一异常诊断数据。
步骤S130,基于所述M个系统运行事件以及所述云服务神经网络系统下发的所述M个第一异常诊断数据,生成样例学习序列,所述样例学习序列包括M批样例学习特征,每批样例学习特征包括系统运行事件以及所述系统运行事件的第一异常诊断数据。
例如,数据监控系统可以将收集到的M个系统运行事件编码并上传到云服务神经网络系统,云服务神经网络系统在接收到这些系统运行事件后,可以调用预先部署在云端的异常诊断神经网络模型(也即云端异常诊断网络),该云端异常诊断网络可以根据输入的系统运行事件生成M个第一异常诊断数据。这些第一异常诊断数据和原始的M个系统运行事件结合起来形成了样例学习序列。
也即,云服务神经网络系统将接收到的M个系统运行事件作为输入,通过调用已经部署在云端的异常诊断神经网络模型来产生对应的M个第一异常诊断数据。
例如,假设在材料提纯系统中,一个系统运行事件包括:加热至特定温度、保持一段时间、冷却至室温、打开阀门进行混合等一系列操作。这个系统运行事件被记录下来并上传到云服务神经网络系统。云服务神经网络系统接收到这个系统运行事件后,会把它作为输入,传入已经训练好的云端异常诊断网络,该云端异常诊断网络被设计成可以处理这类复杂事件,预测是否可能存在问题或者异常。
例如,如果在加热过程中的温度与标准操作指南中的温度有显著差距,或者保持时间过长,那么云端异常诊断网络可能就会判断这个事件是异常的,这个判断结果就是第一异常诊断数据。
也就是说,第一异常诊断数据实际上是对输入的系统运行事件进行评估和判断后得出的结果,这个结果反映了该事件是否正常,或者存在哪些可能的问题。
步骤S140,依据所述M个系统运行事件,利用目标候选神经网络获取M个第二异常诊断数据。
例如,假设在本地研发实验室里,配置了一个专门设计的目标候选神经网络,由此可以将M个系统运行事件作为输入,让目标候选神经网络进行推理,得到M个第二异常诊断数据。
步骤S150,基于所述M个第二异常诊断数据以及所述样例学习序列,对所述目标候选神经网络的网络权值信息进行优化,生成离线异常诊断网络以及所述离线异常诊断网络所对应的网络训练信息。
例如,可以使用样例学习序列和第二异常诊断数据,通过反向传播算法训练和优化目标候选神经网络。经过多轮迭代后,该目标候选神经网络的权值得到优化,生成了新的离线异常诊断网络,同时也记录了相应的网络训练信息。
步骤S160,如果所述离线异常诊断网络符合网络收敛要求,则向所述云服务神经网络系统发送所述网络训练信息,以使所述云服务神经网络系统基于出自一个或多个异常诊断离线节点的网络训练信息序列,对所述云端异常诊断网络的网络权值信息进行优化,所述网络训练信息序列包括所述网络训练信息,其中,所述云端异常诊断网络和所述离线异常诊断网络用于对任意输入的目标系统运行事件进行异常监控。
例如,可以分析新生成的离线异常诊断网络是否满足预设的性能标准,例如离线异常诊断网络的预测误差是否低于某个阈值。如果满足条件,可以将网络训练信息(包括权值、偏置等参数)发送到云服务神经网络系统,用以更新云端异常诊断网络的权值信息。
基于以上步骤,通过将系统运行事件和异常诊断数据整合为样例学习序列,提供给目标候选神经网络以获取第二异常诊断数据,使得神经网络能够从多元化的数据源中学习,提高了其对异常情况的识别准确性。此外,通过优化目标候选神经网络的网络权值信息,生成离线异常诊断网络及其对应的网络训练信息,利用机器学习算法进行自我优化,提升了异常监控系统的智能化水平。当离线异常诊断网络满足网络收敛要求时,将网络训练信息发送至云服务神经网络系统,基于来自一个或多个异常诊断离线节点的网络训练信息序列,对云端异常诊断网络的网络权值信息进行优化,实现了分布式计算和集中优化的结合,提高了网络优化效率和准确性。经过优化的云端异常诊断网络可以对任意输入的目标系统运行事件进行精准的异常监控,大大提高了系统运行的稳定性和安全性,降低了因系统异常而产生的风险。
在一种可能的实施方式中,所述方法还包括:
步骤A110,向所述云服务神经网络系统发送网络协同优化指令,以使所述云服务神经网络系统基于所述网络协同优化指令,确定应用于目标异常诊断离线节点的样例系统运行事件序列。
例如,假设在材料提纯系统的操作中,假设出现了一些新的、之前没有遇到过的系统运行事件。为了让神经网络系统更好地理解和处理这些系统运行事件,可以进行网络协同优化。例如,可以向云服务神经网络系统发送一个网络协同优化指令,云服务神经网络系统在接收到这个网络协同优化指令后,开始根据该网络协同优化指令选择适合用于目标异常诊断离线节点的样例系统运行事件序列。这个样例系统运行事件序列可能包含一些有代表性的或者较复杂的系统运行事件。
步骤A120,获取所述云服务神经网络系统下发的基础样本数据序列,所述基础样本数据序列包括G组基础样例系统运行事件,每组基础样例系统运行事件包括系统运行事件以及所述系统运行事件的异常标签数据。
例如,可以从云服务神经网络系统获取到基础样本数据序列,可以包括G组基础样例系统运行事件,每组基础样例系统运行事件都包括具体的系统运行事件和对应的异常标签数据。
具体来说,基础样例系统运行事件都包含两部分信息:一是系统运行事件,即提纯过程中的某一具体操作或一系列操作;二是与这些操作相对应的异常标签数据,这是预先由专家或其它模型给出的,标明该操作是否正常,如果不正常,异常的类型是什么。
举个实际的例子:假设在制药药品提纯过程中,一个系统运行事件可能包括将混合物加热到固定温度、保持一段时间后进行离心等一系列操作。如果在这个过程中,加热的温度超过了规定范围,那么异常标签数据就会标记为温度超标。通过从云服务神经网络系统获取了包含多组这样的基础样例系统运行事件的基础样本数据序列,然后用它来训练和优化神经网络模型。通过学习这些带有异常标签的样例,能够更好地理解何种操作是正常的,何种操作可能引发异常,以及具体的异常类型。
步骤A130,依据所述基础样本数据序列所包括的G个系统运行事件,利用基础异常诊断网络获取G个基础异常诊断数据,每个基础异常诊断数据包括系统运行事件的异常诊断标签以及标签置信度。
例如,可以通过本地服务器上的基础异常诊断神经网络模型,输入这G组基础样例系统运行事件,得到了G个基础异常诊断数据。每个基础异常诊断数据都包含一个异常诊断标签和一个标签置信度。
例如,基础样本数据序列是已经获取的用于训练和优化神经网络模型的数据集,包含了G个系统运行事件。基础异常诊断网络则是预先构建好的一个神经网络模型,被设计用来根据输入的系统运行事件产生相应的异常诊断结果。
在实际操作中,可以将基础样本数据序列中的每个系统运行事件输入到基础异常诊断网络中,基础异常诊断网络根据这些输入产生相应的输出,即基础异常诊断数据。每个基础异常诊断数据包括两部分:一是系统运行事件的异常诊断标签,即基础异常诊断网络判断该系统运行事件是否正常,如果不正常,具体是什么类型的异常;二是标签置信度,表示基础异常诊断网络对这个判断结果的置信程度,值越高,表示网络越相信自己的判断结果。
举个例子,假设在一个化学反应过程中,有一个系统运行事件是将混合物加热到100摄氏度并保持10分钟。这个系统运行事件被输入到基础异常诊断网络中,基础异常诊断网络分析这个系统运行事件后产生了一个基础异常诊断数据,判断这个系统运行事件是正常的,并给出了一个较高的置信度,比如0.95。这就意味着,基础异常诊断网络认为这个操作是正常的,并且对这个判断结果有很高的信心。
步骤A140,基于所述G个基础异常诊断数据以及所述基础样本数据序列,对所述基础异常诊断网络的网络权值信息进行优化,生成所述目标候选神经网络。
例如,可以将这些基础异常诊断数据和基础样本数据序列作为输入,通过反向传播等机器学习技术,训练并优化基础异常诊断网络。经过一系列的迭代后,该基础异常诊断网络的权值得到更新,并生成了一个新的目标候选神经网络。
在这个过程中,基础样本数据序列是作为输入的训练数据集,它包含了G个系统运行事件;而G个基础异常诊断数据则是这些事件经过基础异常诊断网络处理后得到的输出结果,每个结果包括一个异常诊断标签和一个标签置信度。
将使用这些输入和输出数据对基础异常诊断网络进行训练和优化。在训练过程中,基础异常诊断网络的权值会根据反向传播算法和梯度下降法等机器学习技术逐步调整,以减小网络输出结果与实际标签之间的差距。经过一系列的迭代后,该基础异常诊断网络的权值得到更新,生成了一个新的、优化过的神经网络,这就是目标候选神经网络。
举个例子,假设在制药提纯过程中,基础样本数据序列中有一个系统运行事件是"将混合物加热到100摄氏度并保持10分钟",而对应的基础异常诊断数据是"正常"和置信度"0.95"。在训练过程中,如果基础异常诊断网络的输出结果是"异常"和置信度"0.8",那么可以根据这个差距调整基础异常诊断网络的权值,使得基础异常诊断网络的输出结果更接近实际的标签。通过反复进行这样的优化,最终就可以得到一个新的、性能更好的目标候选神经网络。
在一种可能的实施方式中,所述利用数据监控系统采集材料提纯系统的M个系统运行事件之前,所述方法还包括:
步骤S101,获取目标异常诊断离线节点所关联的材料提纯工况参数,所述材料提纯工况参数包括操作温度以及设备振动中的至少一项。
步骤S102,如果所述材料提纯工况参数所包括的操作温度不在预定温度范围之内,则响应于针对所述数据监控系统的第一优化活动,对所述数据监控系统的第一配置信息进行更新,所述第一配置信息包括采样率、数据精确度以及容错度中的至少一项。
步骤S103,如果所述材料提纯工况参数所包括的设备振动不小于设定振动阈值,则响应于针对所述数据监控系统的第二优化活动,对所述数据监控系统的第二配置信息进行更新,所述第二配置信息包括处理速率、数据精确度以及噪声抑制中的至少一项。
例如,假设一个化学工厂正在进行材料提纯过程。通过目标异常诊断离线节点(例如一台专门的计算机或者处理器),获取当前提纯系统的工况参数,如操作温度和设备振动等信息。
如果在收集到的数据中,发现操作温度超出了预设的安全范围,这可能表示设备运行存在问题,需要调整。
在这种情况下,可能会增加数据监控系统的采样率,以便更频繁地检测并记录操作温度,这有助于它们及时发现并处理可能的问题。
另一方面,如果设备的振动超过了预设的阈值,这可能表示设备存在潜在的机械问题。在这种情况下,可能会调整数据监控系统的配置,如增加处理速度或者改进噪声抑制功能,以更准确地识别和处理设备振动问题。
在一种可能的实施方式中,步骤S150之后,所述方法还包括:
步骤S151,向所述云服务神经网络系统发送通过所述数据监控系统采集的X个系统运行事件,以使所述云服务神经网络系统依据所述X个系统运行事件,利用所述云端异常诊断网络获取X个第三异常诊断数据,所述X为不小于1的整数。
步骤S152,获取所述云服务神经网络系统下发的所述X个第三异常诊断数据。 依据所述X个系统运行事件,利用所述离线异常诊断网络获取X个第四异常诊断数据。
步骤S153,基于所述X个第三异常诊断数据,对所述X个第四异常诊断数据进行测试,生成所述X个系统运行事件的异常诊断有效度。
步骤S154,如果所述异常诊断有效度不小于预设有效度,则确定所述离线异常诊断网络符合所述网络收敛要求。
例如,在化学工厂的材料提纯过程中,使用数据监控系统采集了X个系统运行事件,比如某段时间内加热至特定温度、保持一段时间、冷却至室温、打开阀门进行混合等一系列操作等。这些系统运行事件被发送到云服务神经网络系统进行分析。
云服务神经网络系统根据收到的系统运行事件,利用已训练好的云端异常诊断网络,产生了X个第三异常诊断数据,并将这些第三异常诊断数据返回给,同时,使用本地的离线异常诊断网络对同样的X个系统运行事件进行分析,得到X个第四异常诊断数据。
接着,将从云服务神经网络系统获得的第三异常诊断数据作为标准,对本地生成的第四异常诊断数据进行测试,以此来评估离线异常诊断网络的性能。这个过程会生成X个系统运行事件的异常诊断有效度。
例如,假设有3个(即X=3)系统运行事件,每个系统运行事件都已经被云服务神经网络和离线神经网络处理过,并产生了相应的异常诊断数据。以下是这些数据:
第三异常诊断数据(来自云服务神经网络):["正常", "异常", "正常"]
第四异常诊断数据(来自离线神经网络):["正常", "正常", "异常"]
为了计算异常诊断有效度,需要比较这两组数据。在这个例子中,第一个和第三个事件的诊断结果不一致,所以只有第二个事件的诊断结果是一致的。因此,异常诊断有效度为1/3或约33.3%。
这个值表明,在这个特定样本中,离线神经网络的输出结果与云服务神经网络的输出结果一致的概率为33.3%。这可以被用来评估离线神经网络的性能,如果这个值足够高(比如超过预设的有效度),那么就可以认为离线神经网络的训练已经收敛,模型的性能达到了要求。
最后,如果所有的异常诊断有效度都不小于预设的有效度,那么就可以认为离线异常诊断网络已经训练好,并满足了收敛要求。
在一种可能的实施方式中,在步骤S150之后,所述方法还包括:
步骤B110,向所述云服务神经网络系统发送通过所述数据监控系统采集的X个系统运行事件,以使所述云服务神经网络系统依据所述X个系统运行事件,利用所述云端异常诊断网络获取X个第三异常诊断数据,所述X为不小于1的整数。
例如,在一个化学工厂中,有一个复杂的材料提纯过程正在进行。现场使用数据监控系统采集了这个过程的一系列数据,共计60个(即X=60)系统运行事件。这些系统运行事件被发送到远程的云服务神经网络系统进行分析。云服务神经网络系统接收到这些系统运行事件后,利用预先训练好的神经网络模型,对每个系统运行事件进行异常诊断,生成60个第三异常诊断数据,然后将这些第三异常诊断数据返回。
步骤B120,获取所述云服务神经网络系统下发的所述X个第三异常诊断数据。
步骤B130,依据所述X个系统运行事件,利用所述离线异常诊断网络获取X个第四异常诊断数据。
在目标异常诊断离线节点上,也运行了自身训练的离线异常诊断神经网络,对同样的60个系统运行事件进行分析,得到60个第四异常诊断数据。
步骤B140,基于所述X个第三异常诊断数据,对所述X个第四异常诊断数据进行测试,生成针对所述X个系统运行事件的异常诊断有效度。 如果所述异常诊断有效度不小于预设有效度,则向Y个异常诊断离线节点下发所述网络训练信息,以使所述Y个异常诊断离线节点分别基于所述网络训练信息,对候选神经网络的网络权值信息进行优化,生成Y个异常诊断网络,所述Y个异常诊断离线节点与目标异常诊断离线节点具有相关性,所述Y为不小于1的整数。
接着,将从云端获得的第三异常诊断数据作为标准,对本地生成的第四异常诊断数据进行测试,比如计算两者一致性的百分比,这个过程会生成60个系统运行事件的异常诊断有效度。假设预设的有效度是85%,如果实际计算出来的有效度达到了这个标准,那么就把离线异常诊断网络的训练信息(例如网络权值等)发送给其它3台(即Y=3)相关联的异常诊断离线节点。
步骤B150,获取所述Y个异常诊断离线节点中的每个异常诊断离线节点所对应的异常诊断离线节点权重,所述异常诊断离线节点权重为基于异常诊断网络的异常诊断数据以及所述云端异常诊断网络的异常诊断数据确定的。
例如,异常诊断离线节点权重可能指的是在多个诊断系统之间进行综合判断时,对每个诊断系统结果所赋予的信任程度。这通常会根据该诊断系统在过去的表现来确定。
假设有两个诊断网络:本地离线诊断网络和云端诊断网络。它们分别产生了自己的异常诊断数据。想要基于这两个诊断数据来确定每个异常诊断离线节点(在这里,一个异常诊断离线节点可以被看作是一个诊断网络)的权重。
以下是一个简化的例子来说明如何计算异常诊断离线节点权重:
假设有一段时间内的真实系统状态数据,包括正常运行和异常运行的事件。然后,使用这些数据测试两个诊断网络的表现。
在测试期间,记录每个网络正确识别异常的次数。例如,如果离线网络在100次测试中有90次正确识别了异常,那么它的准确率就是90%;如果云端网络在同样的100次测试中有95次正确识别了异常,那么它的准确率就是95%。
然后,可以用这些准确率来为每个异常诊断离线节点分配权重。最直接的方法是将每个网络的准确率视为其权重。因此,在这个例子中,离线网络的权重是0.9,云端网络的权重是0.95。
然而,直接使用准确率作为权重可能会导致权重和超过1。为了解决这个问题,可以将每个网络的准确率除以所有网络准确率的总和来归一化权重。在这个例子中,离线网络的归一化权重是0.9 / (0.9 + 0.95) = 0.486,云端网络的归一化权重是0.95 / (0.9+ 0.95) = 0.514。
通过这种方式,就得到了每个异常诊断离线节点的权重,反映了对每个异常诊断离线节点诊断结果的信任程度。这样,在未来的系统运行过程中,如果两个诊断网络产生了不同的诊断结果,可以根据它们的异常诊断离线节点权重来做出最终判断。
步骤B160,基于所述每个异常诊断离线节点所对应的异常诊断离线节点权重,确定全局诊断权重。
步骤B170,如果所述全局诊断权重不小于预设权重值,则确定所述离线异常诊断网络符合所述网络收敛要求。
本实施例中,这些相关联的Y个异常诊断离线节点接收到网络训练信息后,根据自己所处理的具体任务情况,返回各自的异常诊断离线节点权重。这个异常诊断离线节点权重是根据各自处理的任务情况,结合云端异常诊断网络的诊断数据确定的。
在收到每个异常诊断离线节点所对应的异常诊断离线节点权重后,可以进行加权平均等方式计算出一个全局诊断权重。这个全局诊断权重反映了所有相关联的异常诊断离线节点的整体性能。
最后,如果全局诊断权重达到了预设的权重值,例如0.9,那么就可以认为离线异常诊断网络已经训练好,并满足了收敛要求。
其中,步骤B160可以包括:
对所述Y个异常诊断离线节点的异常诊断离线节点权重进行相加,生成异常诊断离线节点总权重,并基于所述异常诊断离线节点总权重与Y值之间的比值,生成所述全局诊断权重。
例如,假设有四个(即Y=4)异常诊断离线节点,它们各自处理不同生产线的异常诊断任务。经过上述计算,得到了每个异常诊断离线节点的权重:0.2、0.3、0.4和0.1。
首先,将所有异常诊断离线节点的异常诊断离线节点权重相加,得到异常诊断离线节点总权重0.2 + 0.3 + 0.4 + 0.1 = 1。然后,将这个异常诊断离线节点总权重除以异常诊断离线节点数量Y,得到全局诊断权重1 / 4 = 0.25。这就是第一种确定全局诊断权重的方法。
或者,步骤B160可以包括:
获取所述Y个异常诊断离线节点中的每个异常诊断离线节点所对应的影响因子序列,所述影响因子序列包括异常诊断离线节点硬件因子、异常诊断离线节点网络因子以及异常诊断离线节点优先级因子中的至少一项。
针对所述Y个异常诊断离线节点中的每个异常诊断离线节点,采用异常诊断离线节点的影响因子序列,对所述异常诊断离线节点的异常诊断离线节点权重进行融合,生成所述异常诊断离线节点的异常诊断离线节点加权权重。
基于所述Y个异常诊断离线节点中的每个异常诊断离线节点所对应的异常诊断离线节点加权权重,确定所述全局诊断权重。
例如,在这个阶段,需要考虑更多的因素,例如异常诊断离线节点的硬件性能(如CPU速度、内存大小)、网络状态(如网络延迟、带宽)以及异常诊断离线节点的优先级(例如,某些生产线对于整个工厂的运行更为重要,因此其对应的异常诊断离线节点可能有更高的优先级)。假设将这些因素都考虑在内,并且已经为每个异常诊断离线节点分配了一个影响因子序列:[0.8, 0.7, 1]、[0.9, 0.6, 0.9]、[0.7, 0.9, 0.8]和[0.6, 0.8, 0.7]。
在这个阶段,将各个异常诊断离线节点的权重与其对应的影响因子序列相乘,然后求和,得到异常诊断离线节点加权权重。例如,对于第一个异常诊断离线节点,计算0.16+0.14 + 0.2 = 0.5。同样地,可以计算出其它异常诊断离线节点的加权权重:0.66、0.68和0.42。
最后,再次将所有异常诊断离线节点的加权权重相加,并除以异常诊断离线节点数量Y,得到全局诊断权重(0.5 + 0.66 + 0.68 + 0.42) / 4 = 0.565。这就是第二种确定全局诊断权重的方法。
总的来说,这两种方法都是用于确定整个系统的诊断能力的度量。其中,第一种方法主要基于各个异常诊断离线节点的诊断性能,而第二种方法则进一步考虑了异常诊断离线节点的硬件性能、网络状态和优先级等因素。
在一种可能的实施方式中,所述向Y个异常诊断离线节点下发所述网络训练信息之前,如果所述目标异常诊断离线节点与一个或多个异常诊断离线节点处于相同的网络映射区域内,则确定所述一个或多个异常诊断离线节点与所述目标异常诊断离线节点具有相关性,并将所述一个或多个异常诊断离线节点作为所述Y个异常诊断离线节点。
例如,假设现在有一个目标异常诊断离线节点,主要负责处理生产线A的异常诊断任务。此外,工厂中还有其它多个异常诊断离线节点,它们分别处理不同生产线的异常诊断任务。
在这种情况下,首先查看工厂的网络布局。假设发现生产线B和C的异常诊断离线节点与生产线A的异常诊断离线节点处于相同的网络映射区域(例如,都连接到同一个路由器或交换机)。因此,可以认为这三个异常诊断离线节点之间存在网络上的相关性,并将B和C生产线的异常诊断离线节点加入到Y个异常诊断离线节点的列表中。
或者,如果所述目标异常诊断离线节点与一个或多个异常诊断离线节点设置有相同的任务联动元素,则确定所述一个或多个异常诊断离线节点与所述目标异常诊断离线节点具有相关性,并将所述一个或多个异常诊断离线节点作为所述Y个异常诊断离线节点。
例如,在这种情况下,可以检测工厂的生产流程。假设发现生产线D和E的产品都需要通过生产线A进行某些处理步骤。因此,可以认为这三个生产线之间存在任务上的关联性,并将D和E生产线的异常诊断离线节点加入到Y个异常诊断离线节点的列表中。
或者,如果所述目标异常诊断离线节点与一个或多个异常诊断离线节点关联到相同的数据中心,则确定所述一个或多个异常诊断离线节点与所述目标异常诊断离线节点具有相关性,并将所述一个或多个异常诊断离线节点作为所述Y个异常诊断离线节点。
例如,在这种情况下,可以检测工厂的数据管理系统。假设发现生产线F和G的诊断数据都被发送到与生产线A相同的数据中心进行存储和分析。因此,可以认为这三个生产线之间存在数据管理上的关联性,并将F和G生产线的异常诊断离线节点加入到Y个异常诊断离线节点的列表中。
总的来说,以上实施例是为了确定与目标异常诊断离线节点有相关性的其它异常诊断离线节点,并将它们加入到Y个异常诊断离线节点的列表中。这样,在进行全局诊断权重的计算和网络训练信息的下发时,就可以考虑到这些相关异常诊断离线节点的影响,从而提高整个系统的诊断效率和准确性。
在一种可能的实施方式中,所述确定所述离线异常诊断网络符合所述网络收敛要求之后,所述方法还包括:
步骤D110,获取参考系统运行事件。
例如,继续以制造工厂的例子进行说明:
在这个步骤中,假设获得了一个参考系统运行事件,例如某个特定机器在运行过程中发生了异常停止。
步骤D120,依据所述参考系统运行事件,利用所述离线异常诊断网络获取第五异常诊断数据。
例如,在这一步中,使用目标离线异常诊断网络(负责处理生产线A的异常诊断任务)来分析这个参考系统运行事件。假设它输出的结果(即第五异常诊断数据)是“电机过热”。
步骤D130,获取出自所述Y个异常诊断离线节点的Y个第六异常诊断数据,每个第六异常诊断数据为异常诊断离线节点依据所述参考系统运行事件,利用异常诊断网络获取到的。
例如,同样地,也将这个参考系统运行事件输入到其它与目标异常诊断离线节点有关联性的异常诊断离线节点(例如上面提到的生产线B、C、D、E、F和G的异常诊断离线节点)中,获取它们的诊断结果(即第六异常诊断数据)。假设它们输出的结果分别是“电机过热”、“电机过热”、“电源故障”、“电源故障”、“电机过热”和“电源故障”。
步骤D140,如果基于所述第五异常诊断数据以及所述Y个第六异常诊断数据,确定已处于网络收敛状态,则执行相应异常诊断任务。
在这一步中,需要判断网络是否已经达到收敛状态。一种可能的方法是比较目标异常诊断离线节点和其它异常诊断离线节点的诊断结果:如果大多数异常诊断离线节点(包括目标异常诊断离线节点)的诊断结果都是一致的(例如,“电机过热”),那么就可以认为网络已经达到了收敛状态。在这种情况下,就可以开始执行相应的异常诊断任务,例如通知工厂人员检查并修复生产线A的电机。
总的来说,以上实施例都是为了在离线训练结束后,使用实际的系统运行事件来验证离线异常诊断网络的性能,以确保其能够正确地识别和处理异常事件。
在一种可能的实施方式中,如果所述离线异常诊断网络不符合所述网络收敛要求,则向Y个异常诊断离线节点中的异常诊断离线节点下发神经网络更新指令,以使所述异常诊断离线节点基于所述神经网络更新指令,对候选神经网络的网络权值信息进行优化,生成异常诊断网络,所述Y个异常诊断离线节点与目标异常诊断离线节点具有相关性。在此基础上,可以获取所述异常诊断离线节点上传的网络训练信息。采用所述异常诊断离线节点上传的网络训练信息,对所述目标候选神经网络的网络权值信息进行优化。
例如,假设在上一步中,检测到发现离线异常诊断网络不符合所述网络收敛要求(例如,目标异常诊断离线节点和其它异常诊断离线节点的诊断结果并不一致)。在这种情况下,需要对候选神经网络进行进一步的训练和优化。因此,向与目标异常诊断离线节点有关联性的其它异常诊断离线节点(即生产线B、C、D、E、F和G的异常诊断离线节点)发送神经网络更新指令。
在接收到神经网络更新指令后,各个异常诊断离线节点会开始进行新一轮的网络训练,并将训练过程中的相关信息(如新的网络权值)上传给。
接着,将收集到的网络训练信息用于优化目标异常诊断离线节点的候选神经网络。具体来说,可能会调整候选神经网络的权值,以便它能够更好地匹配其它异常诊断离线节点的诊断结果。
其中,在步骤S150之后,可以进一步在所述离线异常诊断网络符合所述网络收敛要求时,利用所述数据监控系统采集目标系统运行事件,依据所述目标系统运行事件,利用所述离线异常诊断网络获取目标异常诊断数据,所述目标异常诊断数据包括目标异常诊断标签以及目标标签置信度。
例如,假设经过上述优化后,离线异常诊断网络已经符合所述网络收敛要求。然后,使用数据监控系统采集新的目标系统运行事件,例如生产线A的机器又发生了异常停止。
接着,将这个目标系统运行事件输入到目标离线异常诊断网络中,并获取目标系统运行事件的诊断结果。假设输出的结果(即目标异常诊断数据)是“电源故障”,并且对应的置信度(即认为这个结果正确的可能性)是0.7。
如果所述目标异常诊断数据中的所述目标标签置信度不小于预设置信度,则确定所述目标系统运行事件属于所述目标异常诊断标签。
如果所述目标异常诊断数据中的所述目标标签置信度小于所述预设置信度,则向所述云服务神经网络系统发送所述目标系统运行事件,以使所述云服务神经网络系统依据所述目标系统运行事件,利用所述云端异常诊断网络获取异常诊断标签,获取所述云服务神经网络系统下发的所述异常诊断标签。
例如,假设的预设置信度阈值是0.8。由于0.7小于0.8,所以不能直接接受这个诊断结果。在这种情况下,将目标系统运行事件发送到云服务神经网络系统,希望它能提供一个更准确的诊断结果。假设云服务神经网络系统返回的结果(即异常诊断标签)是“电机过热”。由于这与目标异常诊断离线节点的结果不同,可能需要进行进一步的调查或使用其他方式来确定真正的问题。
总的来说,以上实施例是为了在离线训练结束后,对离线异常诊断网络进行进一步的优化和验证,以确保其能够正确地识别和处理异常事件。如果离线网络的性能仍然不满足要求,可以利用云服务神经网络系统来辅助诊断。
进一步地,在另一种实施例的中,还提供了一种应用于材料提纯系统的异常监控方法,所述方法包括:
步骤E110,接收目标异常诊断离线节点上传的M个系统运行事件,所述M个系统运行事件为所述目标异常诊断离线节点通过数据监控系统采集的,所述M为不小于1的整数。
步骤E120,依据所述M个系统运行事件,调用云端异常诊断网络获取M个第一异常诊断数据。
步骤E130,向所述目标异常诊断离线节点上传所述M个第一异常诊断数据,以使所述目标异常诊断离线节点基于所述M个系统运行事件以及所述M个第一异常诊断数据生成样例学习序列,依据所述M个系统运行事件,利用目标候选神经网络获取M个第二异常诊断数据,基于所述M个第二异常诊断数据以及所述样例学习序列,对所述目标候选神经网络的网络权值信息进行优化,生成离线异常诊断网络以及所述离线异常诊断网络所对应的网络训练信息,所述样例学习序列包括M批样例学习特征,每批样例学习特征包括系统运行事件以及所述系统运行事件的第一异常诊断数据。
步骤E140,如果所述离线异常诊断网络符合网络收敛要求,则获取所述目标异常诊断离线节点上传的所述网络训练信息。
步骤E150,在获得出自一个或多个异常诊断离线节点的网络训练信息序列时,对所述云端异常诊断网络的网络权值信息进行优化,所述网络训练信息序列包括所述网络训练信息。
其中,所述在获得出自一个或多个异常诊断离线节点的网络训练信息序列时,对所述云端异常诊断网络的网络权值信息进行优化,包括:
获取出自所述一个或多个异常诊断离线节点的网络训练信息序列。 基于每个异常诊断离线节点所对应的全局诊断权重,对所述网络训练信息序列进行融合,生成融合后的网络训练信息序列。
采用所述融合后的网络训练信息序列,对所述云端异常诊断网络的网络权值信息进行优化。
其中,所述在获得出自一个或多个异常诊断离线节点的网络训练信息序列时,对所述云端异常诊断网络的网络权值信息进行优化,包括:
在获得出自一个或多个异常诊断离线节点的网络权值信息序列时,对所述云端异常诊断网络的网络权值信息进行优化,所述网络权值信息序列包括所述网络训练信息,所述网络训练信息为网络权值信息。
或者,在获得出自一个或多个异常诊断离线节点的变化率序列时,对所述云端异常诊断网络的网络权值信息进行优化,所述变化率序列包括所述网络训练信息,所述网络训练信息为变化率。
或者,在获得出自一个或多个异常诊断离线节点的更新功能层参数序列时,对所述云端异常诊断网络的网络权值信息进行优化,所述更新功能层参数序列包括所述网络训练信息,所述网络训练信息为更新功能层参数。
其中,所述在获得出自一个或多个异常诊断离线节点的网络训练信息序列时,对所述云端异常诊断网络的网络权值信息进行优化之后,所述方法还包括:
向一个或多个异常诊断离线节点上传所述云端异常诊断网络的网络训练信息,以使所述一个或多个异常诊断离线节点中的每个异常诊断离线节点使用所述云端异常诊断网络的网络训练信息,对异常诊断网络的网络权值信息进行优化。
图2示出了本申请实施例提供的用于实现上述的应用于材料提纯系统的异常监控方法的应用于材料提纯系统的异常监控系统100的硬件结构意图,如图2所示,应用于材料提纯系统的异常监控系统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,应用于材料提纯系统的异常监控系统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,应用于材料提纯系统的异常监控系统100可以是分布式的系统)。一种可替代的实施例中,应用于材料提纯系统的异常监控系统100可以是本地的,也可以是远程的。例如,应用于材料提纯系统的异常监控系统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,应用于材料提纯系统的异常监控系统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,应用于材料提纯系统的异常监控系统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可以储存应用于材料提纯系统的异常监控系统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应用于材料提纯系统的异常监控方法,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应用于材料提纯系统的异常监控系统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,实现如上应用于材料提纯系统的异常监控方法。
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。
Claims (8)
1.一种应用于材料提纯系统的异常监控方法,其特征在于,所述方法包括:
利用数据监控系统采集材料提纯系统的M个系统运行事件;
向云服务神经网络系统上传所述M个系统运行事件,以使所述云服务神经网络系统依据所述M个系统运行事件,调用云端异常诊断网络获取M个第一异常诊断数据;
基于所述M个系统运行事件以及所述云服务神经网络系统下发的所述M个第一异常诊断数据,生成样例学习序列,所述样例学习序列包括M批样例学习特征,每批样例学习特征包括系统运行事件以及所述系统运行事件的第一异常诊断数据;
依据所述M个系统运行事件,利用目标候选神经网络获取M个第二异常诊断数据;
基于所述M个第二异常诊断数据以及所述样例学习序列,对所述目标候选神经网络的网络权值信息进行优化,生成离线异常诊断网络以及所述离线异常诊断网络所对应的网络训练信息;
如果所述离线异常诊断网络符合网络收敛要求,则向所述云服务神经网络系统发送所述网络训练信息,以使所述云服务神经网络系统基于出自一个或多个异常诊断离线节点的网络训练信息序列,对所述云端异常诊断网络的网络权值信息进行优化,所述网络训练信息序列包括所述网络训练信息,其中,所述云端异常诊断网络和所述离线异常诊断网络用于对任意输入的目标系统运行事件进行异常监控;
所述方法还包括:
如果所述离线异常诊断网络不符合所述网络收敛要求,则向Y个异常诊断离线节点中的异常诊断离线节点下发神经网络更新指令,以使所述异常诊断离线节点基于所述神经网络更新指令,对候选神经网络的网络权值信息进行优化,生成异常诊断网络,所述Y个异常诊断离线节点与目标异常诊断离线节点具有相关性;
获取所述异常诊断离线节点上传的网络训练信息;
采用所述异常诊断离线节点上传的网络训练信息,对所述目标候选神经网络的网络权值信息进行优化;
其中,所述基于所述M个第二异常诊断数据以及所述样例学习序列,对所述目标候选神经网络的网络权值信息进行优化,生成离线异常诊断网络以及所述离线异常诊断网络所对应的网络训练信息之后,所述方法还包括:
在所述离线异常诊断网络符合所述网络收敛要求时,利用所述数据监控系统采集目标系统运行事件;
依据所述目标系统运行事件,利用所述离线异常诊断网络获取目标异常诊断数据,所述目标异常诊断数据包括目标异常诊断标签以及目标标签置信度;
如果所述目标异常诊断数据中的所述目标标签置信度不小于预设置信度,则确定所述目标系统运行事件属于所述目标异常诊断标签;
如果所述目标异常诊断数据中的所述目标标签置信度小于所述预设置信度,则向所述云服务神经网络系统发送所述目标系统运行事件,以使所述云服务神经网络系统依据所述目标系统运行事件,利用所述云端异常诊断网络获取异常诊断标签;
获取所述云服务神经网络系统下发的所述异常诊断标签。
2.根据权利要求1所述的应用于材料提纯系统的异常监控方法,其特征在于,所述方法还包括:
向所述云服务神经网络系统发送网络协同优化指令,以使所述云服务神经网络系统基于所述网络协同优化指令,确定应用于目标异常诊断离线节点的样例系统运行事件序列;
获取所述云服务神经网络系统下发的基础样本数据序列,所述基础样本数据序列包括G组基础样例系统运行事件,每组基础样例系统运行事件包括系统运行事件以及所述系统运行事件的异常标签数据;
依据所述基础样本数据序列所包括的G个系统运行事件,利用基础异常诊断网络获取G个基础异常诊断数据,每个基础异常诊断数据包括系统运行事件的异常诊断标签以及标签置信度;
基于所述G个基础异常诊断数据以及所述基础样本数据序列,对所述基础异常诊断网络的网络权值信息进行优化,生成所述目标候选神经网络。
3.根据权利要求1所述的应用于材料提纯系统的异常监控方法,其特征在于,所述利用数据监控系统采集材料提纯系统的M个系统运行事件之前,所述方法还包括:
获取目标异常诊断离线节点所关联的材料提纯工况参数,所述材料提纯工况参数包括操作温度以及设备振动中的至少一项;
如果所述材料提纯工况参数所包括的操作温度不在预定温度范围之内,则响应于针对所述数据监控系统的第一优化活动,对所述数据监控系统的第一配置信息进行更新,所述第一配置信息包括采样率、数据精确度以及容错度中的至少一项;
如果所述材料提纯工况参数所包括的设备振动不小于设定振动阈值,则响应于针对所述数据监控系统的第二优化活动,对所述数据监控系统的第二配置信息进行更新,所述第二配置信息包括处理速率、数据精确度以及噪声抑制中的至少一项。
4.根据权利要求1所述的应用于材料提纯系统的异常监控方法,其特征在于,所述基于所述M个第二异常诊断数据以及所述样例学习序列,对所述目标候选神经网络的网络权值信息进行优化,生成离线异常诊断网络以及所述离线异常诊断网络所对应的网络训练信息之后,所述方法还包括:
向所述云服务神经网络系统发送通过所述数据监控系统采集的X个系统运行事件,以使所述云服务神经网络系统依据所述X个系统运行事件,利用所述云端异常诊断网络获取X个第三异常诊断数据,所述X为不小于1的整数;
获取所述云服务神经网络系统下发的所述X个第三异常诊断数据; 依据所述X个系统运行事件,利用所述离线异常诊断网络获取X个第四异常诊断数据;
基于所述X个第三异常诊断数据,对所述X个第四异常诊断数据进行测试,生成所述X个系统运行事件的异常诊断有效度;
如果所述异常诊断有效度不小于预设有效度,则确定所述离线异常诊断网络符合所述网络收敛要求。
5.根据权利要求1所述的应用于材料提纯系统的异常监控方法,其特征在于,所述基于所述M个第二异常诊断数据以及所述样例学习序列,对所述目标候选神经网络的网络权值信息进行优化,生成离线异常诊断网络以及所述离线异常诊断网络所对应的网络训练信息之后,所述方法还包括:
向所述云服务神经网络系统发送通过所述数据监控系统采集的X个系统运行事件,以使所述云服务神经网络系统依据所述X个系统运行事件,利用所述云端异常诊断网络获取X个第三异常诊断数据,所述X为不小于1的整数;
获取所述云服务神经网络系统下发的所述X个第三异常诊断数据;
依据所述X个系统运行事件,利用所述离线异常诊断网络获取X个第四异常诊断数据;
基于所述X个第三异常诊断数据,对所述X个第四异常诊断数据进行测试,生成针对所述X个系统运行事件的异常诊断有效度; 如果所述异常诊断有效度不小于预设有效度,则向Y个异常诊断离线节点下发所述网络训练信息,以使所述Y个异常诊断离线节点分别基于所述网络训练信息,对候选神经网络的网络权值信息进行优化,生成Y个异常诊断网络,所述Y个异常诊断离线节点与目标异常诊断离线节点具有相关性,所述Y为不小于1的整数;
获取所述Y个异常诊断离线节点中的每个异常诊断离线节点所对应的异常诊断离线节点权重,所述异常诊断离线节点权重为基于异常诊断网络的异常诊断数据以及所述云端异常诊断网络的异常诊断数据确定的;
基于所述每个异常诊断离线节点所对应的异常诊断离线节点权重,确定全局诊断权重;
如果所述全局诊断权重不小于预设权重值,则确定所述离线异常诊断网络符合所述网络收敛要求;
其中,所述基于所述每个异常诊断离线节点所对应的异常诊断离线节点权重,确定全局诊断权重,包括:
对所述Y个异常诊断离线节点的异常诊断离线节点权重进行相加,生成异常诊断离线节点总权重,并基于所述异常诊断离线节点总权重与Y值之间的比值,生成所述全局诊断权重;
或者,获取所述Y个异常诊断离线节点中的每个异常诊断离线节点所对应的影响因子序列,所述影响因子序列包括异常诊断离线节点硬件因子、异常诊断离线节点网络因子以及异常诊断离线节点优先级因子中的至少一项;
针对所述Y个异常诊断离线节点中的每个异常诊断离线节点,采用异常诊断离线节点的影响因子序列,对所述异常诊断离线节点的异常诊断离线节点权重进行融合,生成所述异常诊断离线节点的异常诊断离线节点加权权重;
基于所述Y个异常诊断离线节点中的每个异常诊断离线节点所对应的异常诊断离线节点加权权重,确定所述全局诊断权重。
6.根据权利要求5所述的应用于材料提纯系统的异常监控方法,其特征在于,所述向Y个异常诊断离线节点下发所述网络训练信息之前,所述方法还包括:
如果所述目标异常诊断离线节点与一个或多个异常诊断离线节点处于相同的网络映射区域内,则确定所述一个或多个异常诊断离线节点与所述目标异常诊断离线节点具有相关性,并将所述一个或多个异常诊断离线节点作为所述Y个异常诊断离线节点;
或者,如果所述目标异常诊断离线节点与一个或多个异常诊断离线节点设置有相同的任务联动元素,则确定所述一个或多个异常诊断离线节点与所述目标异常诊断离线节点具有相关性,并将所述一个或多个异常诊断离线节点作为所述Y个异常诊断离线节点;
或者,如果所述目标异常诊断离线节点与一个或多个异常诊断离线节点关联到相同的数据中心,则确定所述一个或多个异常诊断离线节点与所述目标异常诊断离线节点具有相关性,并将所述一个或多个异常诊断离线节点作为所述Y个异常诊断离线节点。
7.根据权利要求5所述的应用于材料提纯系统的异常监控方法,其特征在于,所述确定所述离线异常诊断网络符合所述网络收敛要求之后,所述方法还包括:
获取参考系统运行事件;
依据所述参考系统运行事件,利用所述离线异常诊断网络获取第五异常诊断数据;
获取出自所述Y个异常诊断离线节点的Y个第六异常诊断数据,每个第六异常诊断数据为异常诊断离线节点依据所述参考系统运行事件,利用异常诊断网络获取到的;
如果基于所述第五异常诊断数据以及所述Y个第六异常诊断数据,确定已处于网络收敛状态,则执行相应异常诊断任务。
8.一种应用于材料提纯系统的异常监控系统,其特征在于,所述应用于材料提纯系统的异常监控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1-7中任意一项所述的应用于材料提纯系统的异常监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311438112.0A CN117171576B (zh) | 2023-11-01 | 2023-11-01 | 应用于材料提纯系统的异常监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311438112.0A CN117171576B (zh) | 2023-11-01 | 2023-11-01 | 应用于材料提纯系统的异常监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117171576A CN117171576A (zh) | 2023-12-05 |
CN117171576B true CN117171576B (zh) | 2024-02-27 |
Family
ID=88945258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311438112.0A Active CN117171576B (zh) | 2023-11-01 | 2023-11-01 | 应用于材料提纯系统的异常监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117171576B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117369426B (zh) * | 2023-12-08 | 2024-03-01 | 台昌树脂(佛山)有限公司 | 基于热熔胶生产控制系统的状态监控方法及系统 |
CN117390501B (zh) * | 2023-12-13 | 2024-02-13 | 骊阳(广东)节能科技股份有限公司 | 基于人工智能的工业燃气发电机组系统状态监测方法 |
CN117408832B (zh) * | 2023-12-15 | 2024-04-02 | 台昌树脂(佛山)有限公司 | 应用于环保胶生产控制系统的异常分析方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109212344A (zh) * | 2018-08-13 | 2019-01-15 | 国网江苏省电力有限公司检修分公司 | 基于粒子群优化和信息融合的电抗器状态评估方法、装置及系统 |
CN111563524A (zh) * | 2020-03-18 | 2020-08-21 | 宁波送变电建设有限公司永耀科技分公司 | 一种多站融合系统运行态势异常监测和告警合并方法 |
CN113962299A (zh) * | 2021-10-15 | 2022-01-21 | 上海核工程研究设计院有限公司 | 一种核电设备智能运行监测与故障诊断通用模型 |
CN116627773A (zh) * | 2023-07-21 | 2023-08-22 | 四川发展环境科学技术研究院有限公司 | 产销差统计平台系统的异常分析方法及系统 |
CN116881737A (zh) * | 2023-09-06 | 2023-10-13 | 四川川锅环保工程有限公司 | 一种工业智慧监盘系统中的系统分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10783649B2 (en) * | 2018-09-17 | 2020-09-22 | Adobe Inc. | Aligning digital images by selectively applying pixel-adjusted-gyroscope alignment and feature-based alignment models |
-
2023
- 2023-11-01 CN CN202311438112.0A patent/CN117171576B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109212344A (zh) * | 2018-08-13 | 2019-01-15 | 国网江苏省电力有限公司检修分公司 | 基于粒子群优化和信息融合的电抗器状态评估方法、装置及系统 |
CN111563524A (zh) * | 2020-03-18 | 2020-08-21 | 宁波送变电建设有限公司永耀科技分公司 | 一种多站融合系统运行态势异常监测和告警合并方法 |
CN113962299A (zh) * | 2021-10-15 | 2022-01-21 | 上海核工程研究设计院有限公司 | 一种核电设备智能运行监测与故障诊断通用模型 |
CN116627773A (zh) * | 2023-07-21 | 2023-08-22 | 四川发展环境科学技术研究院有限公司 | 产销差统计平台系统的异常分析方法及系统 |
CN116881737A (zh) * | 2023-09-06 | 2023-10-13 | 四川川锅环保工程有限公司 | 一种工业智慧监盘系统中的系统分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117171576A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117171576B (zh) | 应用于材料提纯系统的异常监控方法及系统 | |
Yang et al. | A practical solution for HVAC prognostics: Failure mode and effects analysis in building maintenance | |
US7693982B2 (en) | Automated diagnosis and forecasting of service level objective states | |
JP2019519871A (ja) | 予測を使用してターゲットシステムを制御すること | |
WO2017154844A1 (ja) | 分析装置、分析方法および分析プログラム | |
Zimmermann et al. | Predicting subsystem failures using dependency graph complexities | |
Hu et al. | Web service recommendation based on time series forecasting and collaborative filtering | |
US10444746B2 (en) | Method for managing subsystems of a process plant using a distributed control system | |
Xie et al. | Digital twin enabled asset anomaly detection for building facility management | |
US20070203871A1 (en) | Method and apparatus for reward-based learning of improved systems management policies | |
CN116719664B (zh) | 基于微服务部署的应用和云平台跨层故障分析方法及系统 | |
CN111884859B (zh) | 一种网络故障诊断方法、装置及可读存储介质 | |
CN114461439A (zh) | 一种故障诊断方法、装置、设备及存储介质 | |
Lutska et al. | Forecasting the efficiency of the control system of the technological object on the basis of neural networks | |
CN117170980B (zh) | 一种服务器硬件异常预警方法、装置、设备及存储介质 | |
US20090161559A1 (en) | Error identification in a computer-based network | |
Pattnaik et al. | A survey on machine learning techniques used for software quality prediction | |
CN115392056A (zh) | 一种高压架空输电线路运行状态监测及预警方法及装置 | |
US11243833B2 (en) | Performance event troubleshooting system | |
US20170286611A1 (en) | System and method for using data obtained from a group of geographically dispersed magnetic resonance systems to optimize customer-specific clinical, operational and/or financial performance | |
Maranzano et al. | Framework for estimating system reliability from full system and subsystem tests with dependence on dynamic inputs | |
Bieber et al. | The impact of metrics on the choice of prognostic methodologies | |
Saralaya et al. | Cross-layer impact analysis and adaptation of hierarchical service-based applications | |
Kamri et al. | Machine Learning Approach for Smart Self-diagnosing Autonomic Computing Systems | |
Ravichandran | Study and Analysis of Effort Prediction for Software Maintenance Activity |
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 |