CN117171696B - 一种基于物联网的传感器生产监测方法及系统 - Google Patents
一种基于物联网的传感器生产监测方法及系统 Download PDFInfo
- Publication number
- CN117171696B CN117171696B CN202311455359.3A CN202311455359A CN117171696B CN 117171696 B CN117171696 B CN 117171696B CN 202311455359 A CN202311455359 A CN 202311455359A CN 117171696 B CN117171696 B CN 117171696B
- Authority
- CN
- China
- Prior art keywords
- signal section
- learning sample
- network
- feature array
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 154
- 238000010606 normalization Methods 0.000 claims abstract description 145
- 230000006870 function Effects 0.000 claims description 98
- 238000004458 analytical method Methods 0.000 claims description 86
- 238000012360 testing method Methods 0.000 claims description 80
- 230000002159 abnormal effect Effects 0.000 claims description 64
- 238000004873 anchoring Methods 0.000 claims description 50
- 238000013507 mapping Methods 0.000 claims description 47
- 238000009826 distribution Methods 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 11
- 238000010183 spectrum analysis Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000003860 storage Methods 0.000 description 17
- 230000010354 integration Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 230000007246 mechanism Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000010365 information processing Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012812 general test Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请提供一种基于物联网的传感器生产监测方法及系统，其不是基于孤立的信号区段检测传感器的运行状态，是依据时序的第一信号区段和第二信号区段中检测传感器的运行状态演变，考虑了数据整体，增加了状态检测的精确性。同时，它将第一信号区段加载至第一神经网络，生成第一特征数组，以及将第二信号区段加载至第二神经网络，生成第二特征数组，而第一神经网络和第二神经网络包括一致的网络架构和网络内部配置变量，同样的网络架构和网络内部配置变量确保了第一特征数组和第二特征数组可以如实表征第一信号区段和第二信号区段的已有特性，将如此获得的第一特征数组和第二特征数组加载至归一决策网络，可以获得精确的状态演变识别结果。
Description
技术领域
本申请涉及电数据处理领域，具体而言，涉及一种基于物联网的传感器生产监测方法及系统。
背景技术
传感器是一种可以将物理量转化为电信号的设备，用于检测、测量和监控各种物理参数。传感器广泛应用于工业生产、医疗健康、环境监测、交通运输等领域。在传感器生产线中，对传感器进行测试是确保传感器质量和性能的重要步骤。在传感器测试中，传感器测试产生的数据量庞大，需要对数据进行分析和挖掘以得出有用的结论，数据分析与挖掘技术包括统计分析、机器学习、人工智能等方法，可以从海量数据中挖掘出隐藏的关系和规律，为传感器的设计和优化提供支持，例如分析识别信号表征的传感器运行状态的变化，其中，如何保障测试分析的准确性是需要考虑的技术问题。
发明内容
本发明的目的在于提供一种基于物联网的传感器生产监测方法及系统。
本申请实施例的技术方案是这样实现的：
第一方面，本申请实施例提供了一种基于物联网的传感器生产监测方法，应用于监测终端，所述监测终端与测试设备连接，更需所述方法包括：
响应于传感器测试分析指令，获取传感器生产测试阶段对于目标传感器进行测试得到的传感器输出信号；
获取所述传感器输出信号中的第一信号区段和第二信号区段，所述第一信号区段和第二信号区段源于相同的阶段测试信号，且所述第一信号区段在所述第二信号区段之前；
将所述第一信号区段加载至第一神经网络，生成第一特征数组，以及将所述第二信号区段加载至第二神经网络，生成第二特征数组，其中，所述第一神经网络和第二神经网络包括一致的网络架构和网络内部配置变量；
将所述第一特征数组和所述第二特征数组加载至归一决策网络，由所述归一决策网络对所述第一信号区段到所述第二信号区段的状态演变进行归一映射，得到状态演变识别结果。
作为一种实施方式，所述第一信号区段到所述第二信号区段的状态演变包括传感器工作状态之间的过渡，所述传感器工作状态包括异常状态和正常状态；所述第一神经网络、所述第二神经网络和所述归一决策网络事先通过如下步骤协同调试：
建立第一学习样例库，所述第一学习样例库中的第一学习样例包括第一学习样例信号区段和第二学习样例信号区段，所述第一学习样例包括第一学习样例注释信息用以指示所述第一学习样例信号区段到所述第二学习样例信号区段传感器工作状态之间的过渡；
将所述第一学习样例信号区段加载至所述第一神经网络，生成第一学习样例特征数组，以及将所述第二学习样例信号区段加载至所述第二神经网络，生成第二学习样例特征数组；
将所述第一学习样例特征数组和所述第二学习样例特征数组加载至所述归一决策网络；
通过所述归一决策网络的归一映射结果与所述第一学习样例注释信息的差异，生成第一损失函数，以及依据所述第一损失函数优化所述第一神经网络、所述第二神经网络和所述归一决策网络的网络内部配置变量。
作为一种实施方式，在将所述第一特征数组和所述第二特征数组加载至归一决策网络，由所述归一决策网络对所述第一信号区段到所述第二信号区段的状态演变进行归一映射之后，所述方法还包括：
若识别到的状态演变为过渡到异常状态，获取所述第二信号区段的曲线特征；
将所述曲线特征加载至异常信息嵌入网络，得到所述第二信号区段的异常嵌入特征；
将所述曲线特征和所述异常嵌入特征加载至异常识别网络，得到所述第二信号区段的异常类型。
作为一种实施方式，所述第一信号区段到所述第二信号区段的状态演变包括所述第一信号区段的异常类型和所述第二信号区段的异常类型；所述第一神经网络、所述第二神经网络和所述归一决策网络事先通过如下步骤协同调试：
建立第二学习样例库，所述第二学习样例库中的第二学习样例包括第三学习样例信号区段和第四学习样例信号区段，所述第二学习样例包括第二学习样例注释信息用以指示所述第三学习样例信号区段的异常类型和所述第四学习样例信号区段的异常类型；
将所述第三学习样例信号区段加载至所述第一神经网络，生成第三学习样例特征数组，以及将所述第四学习样例信号区段加载至所述第二神经网络，生成第四学习样例特征数组；
将所述第三学习样例特征数组和所述第四学习样例特征数组加载至所述归一决策网络；
通过所述归一决策网络的归一映射结果与所述第二学习样例注释信息的差异，生成第二损失函数，以及依据所述第二损失函数优化所述第一神经网络、所述第二神经网络和所述归一决策网络的网络内部配置变量。
作为一种实施方式，在将所述第一特征数组和所述第二特征数组加载至归一决策网络之后，所述方法还包括：
将所述第一特征数组和所述第二特征数组加载至一致性分析网络，通过所述一致性分析网络分析所述第一信号区段的产生条件和第二信号区段的产生条件是不是一致；其中，所述第一神经网络、所述第二神经网络、所述归一决策网络和所述一致性分析网络事先通过如下步骤协同调试：
建立第三学习样例库，所述第三学习样例库中的第三学习样例包括第五学习样例信号区段和第六学习样例信号区段，所述第三学习样例包括第三学习样例注释信息和第四学习样例注释信息，所述第三学习样例注释信息用于指示所述第五学习样例信号区段到所述第六学习样例信号区段的状态演变，所述第四学习样例注释信息用于指示所述第五学习样例信号区段的产生条件和所述第六学习样例信号区段的产生条件是不是一致；
将所述第五学习样例信号区段加载至所述第一神经网络，生成第五学习样例特征数组，以及将所述第六学习样例信号区段加载至所述第二神经网络，生成第六学习样例特征数组；
将所述第五学习样例特征数组和所述第六学习样例特征数组加载至所述归一决策网络，以及将所述第五学习样例特征数组和所述第六学习样例特征数组加载至所述一致性分析网络；
通过所述归一决策网络的归一映射结果与所述第三学习样例注释信息的差异、所述一致性分析网络的分析结果与所述第四学习样例注释信息的差异，生成第三损失函数，以及依据所述第三损失函数优化所述第一神经网络、所述第二神经网络、所述归一决策网络和所述一致性分析网络的网络内部配置变量。
作为一种实施方式，所述通过所述归一决策网络的归一映射结果与所述第三学习样例注释信息的差异、所述一致性分析网络的分析结果与所述第四学习样例注释信息的差异，生成第三损失函数，包括：
通过所述归一决策网络的归一映射结果与所述第三学习样例注释信息的差异，生成第一子损失函数；
通过所述一致性分析网络的分析结果与所述第四学习样例注释信息的差异，生成第二子损失函数；
通过所述第一子损失函数与所述第二子损失函数，生成所述第三损失函数。
作为一种实施方式，所述通过所述归一决策网络的归一映射结果与所述第三学习样例注释信息的差异，生成第一子损失函数，包括：
对于所述第三学习样例库中的第三学习样例，生成第一锚定结果，其中，所述第一锚定结果为第一数值时表示所述归一决策网络的归一映射结果与所述第三学习样例注释信息相同，所述第一锚定结果为第二数值时表示所述归一决策网络的归一映射结果与所述第三学习样例注释信息不同；
获取所述归一决策网络对所述归一映射结果的第一推理置信度；
通过所述第一锚定结果和所述第一推理置信度，生成所述第一子损失函数；
所述通过所述一致性分析网络的分析结果与所述第四学习样例注释信息的差异，生成第二子损失函数，包括：
对于所述第三学习样例库中的第三学习样例，生成第二锚定结果，其中，所述第二锚定结果为第一数值时表示所述一致性分析网络的分析结果与所述第四学习样例注释信息相同，所述第二锚定结果为第二数值时表示所述一致性分析网络的分析结果与所述第四学习样例注释信息不同；
获取所述一致性分析网络对所述分析结果的第二推理置信度；
通过所述第二锚定结果和所述第二推理置信度，生成所述第二子损失函数。
作为一种实施方式，所述获取第一信号区段和第二信号区段，包括：
对所述第一信号区段和所述第二信号区段所在的阶段测试信号进行频谱分析，得到频率分布区间；
在所述频率分布区间中确定第一子频率分布区间和第二子频率分布区间，所述第一子频率分布区间在所述第二子频率分布区间之前；
基于所述第一子频率分布区间中频率段的显著性系数，在所述第一子频率分布区间中确定第一频率段，基于所述第二子频率分布区间中频率段的显著性系数，在所述第二子频率分布区间中确定第二频率段；
在所述阶段测试信号中获取所述第一频率段对应的信号区段作为第一信号区段，获取所述第二频率段对应的信号区段作为第二信号区段。
作为一种实施方式，在将所述第一信号区段加载至第一神经网络，生成第一特征数组，以及将所述第二信号区段加载至第二神经网络，生成第二特征数组之后，所述方法还包括：
在所述第一信号区段中提取第一异常特征数组集合，在所述第二信号区段中提取第二异常特征数组集合；
将所述第一异常特征数组集合融合到所述第一特征数组，将所述第二异常特征数组集合融合到所述第二特征数组；
将所述第一特征数组和所述第二特征数组加载至归一决策网络之前，所述方法还包括：
获取第三信号区段，所述第三信号区段与所述第二信号区段源于相同的阶段测试信号，且在所述第二信号区段之后；
将所述第三信号区段加载至第三神经网络，生成第三特征数组，其中，所述第三神经网络与所述第二神经网络包括一致的网络架构和网络内部配置变量；
所述将所述第一特征数组和所述第二特征数组加载至归一决策网络，由所述归一决策网络对所述第一信号区段到所述第二信号区段的状态演变进行归一映射，包括：
将所述第一特征数组、所述第二特征数组和所述第三特征数组加载至归一决策网络，由所述归一决策网络对所述第一信号区段到所述第二信号区段的状态演变进行归一映射，并对所述第二信号区段到所述第三信号区段的状态演变进行归一映射。
第二方面，本申请提供一种传感器生产监测系统，包括监测终端和与所述监测终端连接的测试设备，所述监测终端包括存储器和处理器，所述存储器存储有可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以上所述的方法。
本申请的有益效果至少包括：
本申请实施例不是基于孤立的信号区段检测传感器的运行状态，是依据时序的第一信号区段和第二信号区段中检测传感器的运行状态演变，考虑了数据整体，增加了状态检测的精确性。同时，它将第一信号区段加载至第一神经网络，生成第一特征数组，以及将第二信号区段加载至第二神经网络，生成第二特征数组，而第一神经网络和第二神经网络包括一致的网络架构和网络内部配置变量，同样的网络架构和网络内部配置变量确保了第一特征数组和第二特征数组可以如实表征第一信号区段和第二信号区段的已有特性，将如此获得的第一特征数组和第二特征数组加载至归一决策网络，可以获得精确的状态演变识别结果。
在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1是本申请实施例提供的传感器生产监测系统的组成示意图。
图2是本申请实施例提供的一种基于物联网的传感器生产监测方法的流程图。
图3是本申请实施例提供的监测装置的功能模块架构示意图。
图4是本申请实施例提供的一种监测终端的组成示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”等类似术语，仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
本申请实施例提供的基于物联网的传感器生产监测方法可以由监测终端执行，其中监测终端可以是笔记本电脑，平板电脑，台式计算机，移动设备(例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备)等各种类型的终端，也可以实施为服务器。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
图1是本申请实施例提供的传感器生产监测系统的示意图。本申请实施例提供的传感器生产监测系统10中包括多个测试设备100、网络200和监测终端300，多个测试设备100和监测终端300之间通过网络200实现通信连接。监测终端300用于执行本申请实施例提供的方法。具体地，本申请实施例提供了一种基于物联网的传感器生产监测方法，该方法应用于监测终端300，如图2所示，该方法包括：
步骤S110，响应于传感器测试分析指令，获取传感器生产测试阶段对于目标传感器进行测试得到的传感器输出信号。
步骤S120，获取传感器输出信号中的第一信号区段和第二信号区段。
步骤S130，将第一信号区段加载至第一神经网络，生成第一特征数组，以及将第二信号区段加载至第二神经网络，生成第二特征数组。
步骤S140，将第一特征数组和第二特征数组加载至归一决策网络，由归一决策网络对第一信号区段到第二信号区段的状态演变进行归一映射，得到状态演变识别结果。
在S110中，目标传感器的类型可以为需要进行测试的任意类型的传感器，如陶瓷压力传感器、光电传感器、温度传感器等，进行测试的方式可以是通用的测试方式，如响应时间测试、线性度测试、灵敏度测试、稳定性和漂移测试、噪声测试、跨越测试、防护等级测试等，在不同的测试环境下（如不同的温度、湿度、振动环境等）对传感器施加不同的测试应力，如压力，并采集传感器在对应的测试环境和测试外力下输出的传感器信号，这些传感器信号根据实际情况，例如可以是电压、电流、位移、力等，根据数据的类型，输出信号的种类可以不同，例如对于电压电流，对应的信号为模拟信号。通过物联网将获取的信号发送到监测终端进行后续分析。
在S120中，获取第一信号区段和第二信号区段，其中，第一信号区段和第二信号区段源于相同的阶段测试信号，且第一信号区段在第二信号区段之前。阶段测试信号为采集的一段波形，记录了目标传感器随时间不断变化的波形信号。信号区段是在阶段测试信号中选取的区段，阶段测试信号例如是依周期采集的阶段测试信号，对应周期内获取的信号即阶段测试信号。第一信号区段和第二信号区段可以连续或者间断，具体不做限定。
由于传感器的频率域信号由一个个频段组成，在频率域上，信号可以被分解为不同频率的成分，每个频率成分对应一个频段，在一个实施方式中，可以按频率段来划分第一信号区段和第二信号区段。将阶段测试信号利用频谱分析转化成频率分布区间。对频率分布区间进行频率分段处理，得到频率分布区间中的频率段。将频率分布区间中在前的频率段对应的信号确定为第一信号区段，将频率分布区间中在后的频率段对应的信号作为第二信号区段。
在另一种实施方式中，可以基于注意力机制获取第一信号区段和第二信号区段。因为一个阶段信号中，并非每一个信号区段都是重点区段，换言之，不同的信号区段的重要性不一样。本申请实施例基于注意力机制获取各个信号区段的显著性系数（又叫聚焦系数，即各个信号区段对应的重要性权重信息），以及依据显著性系数确定将哪一信号区段对应的信号确定为第一信号区段或第二信号区段。如此可以增加第一信号区段和第二信号区段的质量，增加状态演变识别的精确性。
基于此，步骤S120具体包括：获取对第一信号区段和第二信号区段所在的阶段测试信号进行频谱分析，得到频率分布区间；在频率分布区间中确定第一子频率分布区间和第二子频率分布区间，第一子频率分布区间在第二子频率分布区间之前；基于第一子频率分布区间中频率段的显著性系数，在第一子频率分布区间中确定第一频率段，基于第二子频率分布区间中频率段的显著性系数，在第二子频率分布区间中确定第二频率段；在阶段测试信号中获取第一频率段对应的信号区段作为第一信号区段，获取第二频率段对应的信号区段作为第二信号区段。
频谱分析的方式例如采用傅里叶变换、小波变换等常见的频谱分析方法进行，将时间域信号转换为频率域信号的最常见方法，从FFT的结果中确定信号的频率分布情况以及在不同频率上的能量分布情况，由于其是现有技术，此处不做赘述。
第一子频率分布区间中包括多个频率段，每个频率段对于目标传感器的状态演变的判断时，参考的重要性不一样。对于目标传感器的状态演变重要性高的频率段，基于注意力机制分配更大的显著性系数，对目标传感器的状态演变重要性低的频率段，基于注意力机制分配更小的显著性系数。
将第一子频率分布区间的各频率段、第二子频率分布区间的各频率段加载至注意力机制对应的模型之前，需要先将频率分布区间的各频率段进行向量化，具体可以依据独热编码的方式将第一子频率分布区间和第二子频率分布区间的每个频率段向量化。输入注意力机制后，基于注意力机制为其中的各个频率段分配对应的权重，也就是显著性系数。将第一子频率分布区间和第二子频率分布区间中显著性系数最大的频率段分别作为第一频率段和第二频率段，获得第一频率段和第二频率段后，在阶段测试信号中确定出第一频率段对应的信号区段，作为第一信号区段，以及在阶段测试信号中截取出第二频率段对应的信号区段，作为第二信号区段。将子频率分布区间的各频率段向量化，基于注意力机制得到各向量的显著性系数，通过显著性系数确定第一信号区段和第二信号区段，显著性系数大的频率段更重要，更具备代表性，如此增加状态演变识别的精确性。
然后，在步骤S130中，将第一信号区段加载至第一神经网络，生成第一特征数组，以及将第二信号区段加载至第二神经网络，生成第二特征数组。第一神经网络和第二神经网络包括一致的网络架构和网络内部配置变量。
第一神经网络用于将第一信号区段转换成第一特征数组，第一特征数组可以是一个一维数组，即向量，第一神经网络可以为卷积神经网络，第二神经网络用于将第二信号区段转换成第二特征数组，第二特征数组可以是一个一维数组，即向量，第二神经网络可以为卷积神经网络。基于第一神经网络和第二神经网络生成第一特征数组和第二特征数组可作为归一决策网络的输入，归一决策网络本质为一个分类器，例如全连接网络，得到状态演变归一映射结果。本申请提高的状态演变是指传感器在测试时的运行状态的变化，运行状态可以为正常状态和异常状态，异常状态可以进一步细分为对应的异常类型，例如传感器信号偏移异常、非线性异常（输出信号与输入量之间的关系不符合线性规律）、饱和异常（输入量超过传感器的量程上限或下限时，传感器输出信号无法正常表征输入量的变化）、破坏性异常（受到超过其承载能力的负载、应力或环境条件时发生损坏或失效）等。
第一神经网络和第二神经网络包括一致的网络架构和网络内部配置变量，相同的网络架构（即基本的组成结构，例如包含的卷积层的层数，连接的功能层的类型和数量，如线性整流和标准化结构的类型和数量）和网络内部配置变量（例如权重、偏置、学习率等参数或超参）使得第一特征数组和第二特征数组可以体现第一信号区段和第二信号区段的特性。例如，第一信号区段和第二信号区段包括类似的异常类型，通过包括相同网络架构和网络内部配置变量的第一神经网络和第二神经网络，得到距离接近的第一特征数组和第二特征数组，这样，归一决策网络可以得到状态演变不大的归一映射结果。
然后，在步骤S140中，将第一特征数组和第二特征数组加载至归一决策网络，通过归一决策网络对第一信号区段到第二信号区段的状态演变进行归一映射。状态演变可以包含两种情况，一是传感器工作状态的变化，传感器工作状态包括异常状态和正常状态，传感器工作状态的变化例如是从异常状态演变为正常状态，或者从正常状态演变为异常状态；二是具体的状态变化，比如异常状态1演变到异常状态2。
对于归一决策网络，前面提到其可以为一个全连接网络，其包含的网络节点数量对应状态演变对应的类型数量，网络节点又称为分类节点。在状态演变为传感器工作状态的演变时，候选的状态演变类型包括正常状态到异常状态、异常状态到正常状态、正常状态到正常状态，那么，全连接的节点数为3个。在状态演变为具体的状态演变时，候选的状态演变类型的数量为N个，第一信号区段的状态类型包括m个，第二信号区段的状态类型包括m个，第一信号区段到第二信号区段的状态演变类型包括m×m个，则全连接网络的节点数量为m×m。
在具体实现过程中，每一分类节点对应一个状态演变类型。每个分类节点获取第一特征数组和第二特征数组作为输入，与自带的滤波矩阵进行滤波计算，滤波的结果中包含分类节点对应的状态演变类型的置信度。多个分类节点中输出置信度最大的分类节点对应的状态演变类型即确定的状态演变类型。
此外，归一决策网络还可以增加整合网络，用于将第一特征数组和第二特征数组进行组合（拼接），得到新的数组，并加载至各分类节点。上一实施例中，第一特征数组和第二特征数组均需同时加载至多个分类节点，而经过整合后，第一特征数组和第二特征数组仅需加载到整合网络一次，由整合网络组合后，输出至各个分类节点，增加数据的传输效率，减少网络运算开销。
基于步骤S110~S140，本申请实施例并非基于孤立的信号区段检测传感器的运行状态，是依据时序的第一信号区段和第二信号区段中检测传感器的运行状态演变，考虑了数据整体，增加了状态检测的精确性。此外，本申请实施例将第一信号区段加载至第一神经网络，生成第一特征数组，以及将第二信号区段加载至第二神经网络，生成第二特征数组，第一神经网络和第二神经网络包括一致的网络架构和网络内部配置变量，同样的网络架构和网络内部配置变量使得第一特征数组和第二特征数组可以完整体现第一信号区段和第二信号区段的特性，将获得的第一特征数组和第二特征数组加载至归一决策网络，可以获得精确的状态演变识别结果。
对于传感器工作状态变化的检测，呈上所言，本申请实施例中的状态演变识别包含两种情况，具体参照上述相关内容。
对于第一种情况，第一信号区段到第二信号区段的状态演变包括传感器工作状态之间的过渡，传感器工作状态包括异常状态和正常状态。过渡又称为变迁，表示从一种传感器工作状态变为另一传感器工作状态。过渡前的传感器工作状态与过渡后的传感器工作状态可以一致或不一致。此时，第一神经网络、第二神经网络和归一决策网络可以事先通过如下步骤协同调试：
步骤S11，建立第一学习样例库。
步骤S12，将第一学习样例信号区段加载至第一神经网络，生成第一学习样例特征数组，以及将第二学习样例信号区段加载至第二神经网络，生成第二学习样例特征数组。
步骤S13，将第一学习样例特征数组和第二学习样例特征数组加载至归一决策网络。
步骤S14，通过归一决策网络的归一映射结果与第一学习样例注释信息的差异，生成第一损失函数，以及依据第一损失函数优化第一神经网络、第二神经网络和归一决策网络的网络内部配置变量。
具体地，步骤S11的第一学习样例库包括多个第一学习样例，即训练用的样本。第一学习样例库中的每个第一学习样例包括第一学习样例信号区段和第二学习样例信号区段，第一学习样例信号区段是在阶段测试信号中选取的靠前的信号区段，第二学习样例信号区段是在同一阶段测试信号中选取的靠后的信号区段。第一学习样例信号区段和第二学习样例信号区段与步骤S120的第一信号区段和第二信号区段的概念一致。本申请预先为第一学习样例库中的第一学习样例赋予注释信息，以指示第一学习样例信号区段到第二学习样例信号区段传感器工作状态之间的过渡，注释信息可以为人工注释的标签。
然后，在步骤S12将每个第一学习样例的第一学习样例信号区段加载至第一神经网络，生成第一学习样例特征数组，以及将第二学习样例信号区段加载至第二神经网络，生成第二学习样例特征数组。第一神经网络和第二神经网络即步骤S130中的第一神经网络和第二神经网络，包括相同的网络架构和网络内部配置变量。步骤S12的过程与步骤S130的原理相同。
然后，在步骤S13将第一学习样例特征数组和第二学习样例特征数组加载至归一决策网络。该过程和步骤S140原理相同。
之后，在步骤S14通过归一决策网络的归一映射结果与第一学习样例注释信息的差异，生成第一损失函数，以及依据第一损失函数优化第一神经网络、第二神经网络和归一决策网络的网络内部配置变量。
作为一种实施方式，可以基于第一锚定结果和第一推理置信度来生成第一损失函数。第一锚定结果为表征归一决策网络的归一映射结果与第一学习样例注释信息的差异的值，若归一映射结果与第一学习样例注释信息相同，第一锚定结果可以为第一数值，若归一映射结果与第一学习样例注释信息不同，第一锚定结果可以是第二数值，第一数值和第二数值不做限定，通常设置第二数值大于第一数值。第一推理置信度即归一决策网络中与归一映射结果对应的分类节点输出的置信度。
作为一种实施方式，生成的第一损失函数可以为：
L=-∑cmlogTm
其中，求和的对象为第一学习样例库中第一学习样例的全部数量，cm为第m个第一学习样例的第一锚定结果；Tm为第m个第一学习样例的第一推理置信度。
基于第一锚定结果和第一推理置信度生成第一损失函数的可以让第一损失函数不仅保证归一映射结果与第一学习样例注释信息是不是一致，还将分类无误时，归一决策网络的分类节点输出的第一推理置信度产生的影响纳入考量。第一损失函数的生成更准确，那么获得的网络效果更佳。
生成出第一损失函数后，可以通过第一损失函数优化第一神经网络、第二神经网络和归一决策网络的网络内部配置变量。例如，设置第一参考值，如果第一损失函数小于第一参考值，则调试截止。如果第一损失函数不小于第一参考值，则优化第一神经网络、第二神经网络和归一决策网络的网络内部配置变量，在第一损失函数小于第一参考值时截止。调试过程中，第一神经网络和第二神经网络的网络内部配置变量需同频优化，确保第一神经网络和第二神经网络的网络内部配置变量相同。
步骤S11~S14通过将第一神经网络、第二神经网络和归一决策网络协同调试，第一神经网络、第二神经网络和归一决策网络中的网络内部配置变量可以彼此牵涉，增加调试得到的网络对状态演变的识别精确性。
因为以上实施例仅识别传感器工作状态的变化，即异常状态和正常状态之间的过渡，不能识别目标传感器的具体异常类型，若需要获取目标传感器的具体异常类型，作为一种实施方式，方法还包括：若识别到的状态演变为过渡到异常状态，获取第二信号区段的曲线特征；将曲线特征加载至异常信息嵌入网络，得到第二信号区段的异常嵌入特征；将曲线特征和异常嵌入特征加载至异常识别网络，得到第二信号区段的异常类型。
其中，曲线特征是第二信号区段构成的曲线图形的特征信息，如经过关键点识别得到的曲线特征向量，将曲线特征加载至异常信息嵌入网络（可以为循环神经网络），得到第二信号区段的异常嵌入特征。异常嵌入特征可以表征第二信号区段的异常语义特征，其中包含各个曲线段的上下文语义。然后，通过曲线特征和异常嵌入特征，基于异常识别网络得到第二信号区段的具体异常类型。该异常识别网络包括第三注意力机制和长短时记忆网络。通过异常嵌入特征、和曲线特征中的每个频率段特征，第三注意力机制生成每个频率段的显著性系数。通过异常嵌入特征和每一频率段的显著性系数，长短时记忆网络获得第二信号区段的异常类型。
对于第二种情况，第一信号区段到第二信号区段的状态演变包括第一信号区段的异常类型和第二信号区段的异常类型。此时，第一神经网络、第二神经网络和归一决策网络事先通过如下步骤协同调试：
步骤S21，建立第二学习样例库；
步骤S22，将第三学习样例信号区段加载至第一神经网络，生成第三学习样例特征数组，以及将第四学习样例信号区段加载至第二神经网络，生成第四学习样例特征数组；
步骤S23，将第三学习样例特征数组和第四学习样例特征数组加载至归一决策网络；
步骤S24，通过归一决策网络的归一映射结果与第二学习样例注释信息的差异，生成第二损失函数，以及依据第二损失函数优化第一神经网络、第二神经网络和归一决策网络的网络内部配置变量。
具体地，步骤S21中，第二学习样例库中包括多个第二学习样例，每个第二学习样例包括第三学习样例信号区段和第四学习样例信号区段。第二学习样例包括第二学习样例注释信息用以指示第三学习样例信号区段的异常类型和第四学习样例信号区段的异常类型。
第二学习样例库和步骤S11中的第一学习样例库同理，第三学习样例信号区段和第四学习样例信号区段和步骤S11中的第一学习样例信号区段和第二学习样例信号区段同理。
步骤S22中的第三学习样例特征数组和第四学习样例特征数组与步骤S12中的第一学习样例特征数组和第二学习样例特征数组类似。将第三学习样例信号区段加载至第一神经网络，生成第三学习样例特征数组，以及将第四学习样例信号区段加载至第二神经网络，生成第四学习样例特征数组的过程，与步骤S12中的将第一学习样例信号区段加载至第一神经网络，生成第一学习样例特征数组，以及将第二学习样例信号区段加载至第二神经网络，生成第二学习样例特征数组的过程相同。
步骤S23中的将第三学习样例特征数组和第四学习样例特征数组加载至归一决策网络，与步骤S13中的将第一学习样例特征数组和第二学习样例特征数组加载至归一决策网络相同。
步骤S24和步骤S14同理。与步骤S14不同的点在于，第一锚定结果为指示归一决策网络的归一映射结果与第二学习样例注释信息的差异结果的值，归一决策网络的归一映射结果与第二学习样例注释信息相同，代表归一决策网络推理得到的第一信号区段的异常类型与第二学习样例注释信息中的第一信号区段的异常类型相同，归一决策网络推理得到的第二信号区段的异常类型与第二学习样例注释信息中的第二信号区段的异常类型相同。
第二损失函数的生成可以参考第一损失函数的生成过程，生成第二损失函数后，基于步骤S14一样的原理，通过第二损失函数优化第一神经网络、第二神经网络和归一决策网络的网络内部配置变量。
在一种实施方案中，除了将同一测试条件（相同的温度、湿度等条件）的前后产生的不同信号区段作为学习样例，还可以将不同测试条件产生的信号区段作为用于区别识别的学习样例，一起调试第一神经网络、第二神经网络、归一决策网络等。相同的测试条件的信号区段可以视为领域自适应中的一个域（Domain）。不同测试条件的信号区段对应不同的Domain，对归一决策网络的调试包括自适应调试。
具体地，加入一致性分析网络对以上学习样例是同一测试条件产生的还是不同测试条件产生的进行分析。归一决策网络基于学习样例中，前后的信号区段得到状态演变的归一映射结果包含误差。一致性分析网络分析学习样例中，前后信号区段的产生条件是不是一致，分析也有误差。联合归一决策网络的误差和一致性分析网络的误差一起调试第一神经网络、第二神经网络、归一决策网络和一致性分析网络，既能增加归一决策网络分类的精度，也可以增加一致性分析网络分析的精度。一致性分析网络获取第一特征数组和第二特征数组作为输入，得到第一信号区段的产生条件和第二信号区段的产生条件是不是一致的分析结果。
一致性分析网络具体可以包括比较单元、第一动态贝叶斯网络和第二动态贝叶斯网络。第一动态贝叶斯网络获取第一特征数组作为输入，将第一特征数组与预先确定的各种测试条件的信号特征数组样例进行对比。如果有匹配的，将信号特征数组样例对应的测试条件作为确定到的测试条件。第一动态贝叶斯网络获取第二特征数组作为输入，将第二特征数组与预先确定的各种测试条件的信号特征数组样例进行对比。如有匹配，将该信号特征数组样例对应的测试条件作为确定到的测试条件。比较单元将第一动态贝叶斯网络确定到的测试条件与第二动态贝叶斯网络确定到的测试条件进行对比，若相同，则确定第一信号区段的产生条件和第二信号区段的产生条件一致，可以输出结果Y；否则代表不一致，第一信号区段的产生条件和第二信号区段的产生条件不同，可以输出结果N。
作为一种实施方式，第一神经网络、第二神经网络、归一决策网络和一致性分析网络事先通过如下步骤协同调试：
步骤S31，建立第三学习样例库。
步骤S32，将第五学习样例信号区段加载至第一神经网络，生成第五学习样例特征数组，以及将第六学习样例信号区段加载至第二神经网络，生成第六学习样例特征数组。
步骤S33，将第五学习样例特征数组和第六学习样例特征数组加载至归一决策网络，以及将第五学习样例特征数组和第六学习样例特征数组加载至一致性分析网络。
步骤S34，通过归一决策网络的归一映射结果与第三学习样例注释信息的差异、一致性分析网络的分析结果与第四学习样例注释信息的差异，生成第三损失函数，以及依据第三损失函数优化第一神经网络、第二神经网络、归一决策网络和一致性分析网络的网络内部配置变量。
具体地，步骤S31的第三学习样例库包括多个第三学习样例，每个第三学习样例包括第五学习样例信号区段和第六学习样例信号区段，第五学习样例信号区段和第六学习样例信号区段例如为在相同阶段测试信号中获取的两个信号区段，第五学习样例信号区段在第六学习样例信号区段之前。具体可以参考步骤S11中的第一学习样例包括第一学习样例信号区段和第二学习样例信号区段、步骤S21中的第二学习样例包括第三学习样例信号区段和第四学习样例信号区段的介绍。与步骤S11和步骤S21不同之处在于，第五学习样例信号区段和第六学习样例信号区段可以为不同测试条件的信号区段。
每个第三学习样例包括第三学习样例注释信息和第四学习样例注释信息。第三学习样例注释信息是用于指示第五学习样例信号区段到第六学习样例信号区段的状态演变的注释信息，用于在步骤S34中评估归一决策网络的分类差异。第四学习样例注释信息为指示第五学习样例信号区段的产生条件和第六学习样例信号区段的产生条件是不是一致的注释信息，用于在步骤S34中评估一致性分析网络的分析差异。
步骤S32中，将第五学习样例信号区段加载至第一神经网络，生成第五学习样例特征数组，以及将第六学习样例信号区段加载至第二神经网络，生成第六学习样例特征数组，可以参考步骤S12中将第一学习样例信号区段加载至第一神经网络，生成第一学习样例特征数组，以及将第二学习样例信号区段加载至第二神经网络，生成第二学习样例特征数组的过程。
步骤S33中，将第五学习样例特征数组和第六学习样例特征数组加载至归一决策网络，可以参考步骤S13中将第一学习样例特征数组和第二学习样例特征数组加载至归一决策网络的过程。区别在于，步骤S33还将第五学习样例特征数组和第六学习样例特征数组加载至一致性分析网络，归一决策网络需基于第五学习样例特征数组和第六学习样例特征数组产生状态演变归一映射结果，一致性分析网络需要基于第五学习样例特征数组和第六学习样例特征数组确定第一学习样例信号区段的测试条件和第二学习样例信号区段的测试条件是不是一致。
归一决策网络产生状态演变归一映射结果时会产生分类的损失，一致性分析网络在确定测试条件是不是一致时会有分类的损失，本申请实施例在步骤S34中，通过将分类的损失和确定损失一起纳入损失，调试得到的归一决策网络和一致性分析网络的泛化能力更高，增加了状态演变分类的精度。例如，通过归一决策网络的归一映射结果与第三学习样例注释信息的差异、一致性分析网络的分析结果与第四学习样例注释信息的差异，生成第三损失函数，以及依据第三损失函数优化第一神经网络、第二神经网络、归一决策网络和一致性分析网络的网络内部配置变量。
作为一种实施方式，生成第三损失函数具体可以包括：
步骤S41，通过归一决策网络的归一映射结果与第三学习样例注释信息的差异，生成第一子损失函数。
步骤S42，通过一致性分析网络的分析结果与第四学习样例注释信息的差异，生成第二子损失函数。
步骤S43、通过第一子损失函数与第二子损失函数，生成第三损失函数。
具体地，第一子损失函数是表征归一决策网络的分类的损失的函数，代表了归一决策网络的归一映射结果与第三学习样例注释信息的差异结果，第二子损失函数是表征一致性分析网络的确定损失的函数，表征一致性分析网络的确定结果与第四学习样例注释信息的差异结果，第三损失函数为联合表征归一决策网络的分类的损失和一致性分析网络的确定损失的函数。
作为一种实施方式，步骤S41包括：对于第三学习样例库中的第三学习样例，生成第一锚定结果，其中，第一锚定结果为第一数值时表示归一决策网络的归一映射结果与第三学习样例注释信息相同，第一锚定结果为第二数值时表示归一决策网络的归一映射结果与第三学习样例注释信息不同；获取归一决策网络对归一映射结果的第一推理置信度；通过第一锚定结果和第一推理置信度，生成第一子损失函数。
第一锚定结果与步骤S14中生成第一损失函数涉及的第一锚定结果同理，不同之处在于，步骤S14中生成第一损失函数时，第一锚定结果代表归一决策网络的归一映射结果与第一学习样例注释信息是不是一致，此处的第一锚定结果代表归一决策网络的归一映射结果与第三学习样例注释信息是不是一致。
此处第一推理置信度和步骤S14生成第一损失函数的过程中的第一推理置信度亦同理。此处通过第一锚定结果和第一推理置信度，生成第一子损失函数，和步骤S14中生成第一损失函数中生成第一损失函数的过程亦一致。
然后，在步骤S42中，通过一致性分析网络的分析结果与第四学习样例注释信息的差异，生成第二子损失函数。作为一种实施方式，步骤S42包括：对于第三学习样例库中的第三学习样例，生成第二锚定结果，第二锚定结果为第一数值时表示一致性分析网络的分析结果与第四学习样例注释信息相同，第二锚定结果为第二数值时表示一致性分析网络的分析结果与第四学习样例注释信息不同；获取一致性分析网络对分析结果的第二推理置信度；通过第二锚定结果和第二推理置信度，生成第二子损失函数。
第二锚定结果是表征一致性分析网络的确定结果和第三学习样例注释信息的差异结果的数值，若确定结果和第三学习样例注释信息相同，比如确定结果是第一信号区段的产生条件和第二信号区段的产生条件相同，第三学习样例注释信息也指示第一信号区段的产生条件和第二信号区段的产生条件相同，第二锚定结果可以是第一数值，若确定结果与第三学习样例注释信息不同，第二锚定结果可以是第二数值，第二数值大于第一数值，因为确定结果和第三学习样例注释信息不同时，确定损失比确定结果与第三学习样例注释信息相同时的确定损失更大。
第二推理置信度即上述的比较单元输出的第一信号区段与第二信号区段相同的置信度。第一动态贝叶斯网络或第二动态贝叶斯网络向比较单元输出的不是唯一结果，每一结果对应一推理置信度。比较单元基于第一动态贝叶斯网络和第二动态贝叶斯网络分别输出的多个结果和推理置信度，得到第一信号区段与第二信号区段是不是一致，以及一致的置信度。
通过第二锚定结果和第二推理置信度，生成第二子损失函数，与通过第一锚定结果和第一推理置信度，生成第一子损失函数同理，此处不再赘述。
之后在步骤S43中，通过第一子损失函数与第二子损失函数，生成第三损失函数。作为一种实施方式，可以让第三损失函数和第一子损失函数与第二子损失函数的和相等。或者，在另一种实施方式中，可以让第三损失函数等于第一子损失函数与第二子损失函数的加权求和结果。
通过第三损失函数优化第一神经网络、第二神经网络、归一决策网络和一致性分析网络的网络内部配置变量与步骤S14中通过第一损失函数优化第一神经网络、第二神经网络和归一决策网络的网络内部配置变量的方法同理，此处不再赘述。
步骤S41~S43对于归一决策网络分类的误差生成第一子损失函数，对于一致性分析网络确定的误差生成第二子损失函数，以及依据第一子损失函数与第二子损失函数，生成第三损失函数。如此生成的第三损失函数综合表征状态演变的分类的损失和测试条件是不是一致的确定损失，使得调试得到的归一决策网络的分类精度更高。步骤S31~S34联合状态演变分类的差异和测试条件是不是一致的确定损失协同调试第一神经网络、第二神经网络、归一决策网络和一致性分析网络，测试条件是不是一致的确定结果和状态识别结果间产生对抗，增加归一决策网络在不同条件精确检测状态演变类型的能力，增加了状态演变分类精度。
以上实施例基于第一信号区段变换为的第一特征数组和第二信号区段变换为的第二特征数组进行状态演变分类，第一特征数组表征第一信号区段自身，第二特征数组表征第二信号区段自身。作为一种实施方式，可以基于第一信号区段和第二信号区段中获取的状态特征信息对第一特征数组和第二特征数组进行强化，强化后的第一特征数组和第二特征数组可以帮助提高状态演变的识别精度。
具体地，步骤S130后，方法还可以包括以下步骤：
步骤S131，在第一信号区段中提取第一异常特征数组集合，在第二信号区段中提取第二异常特征数组集合。
步骤S132，将第一异常特征数组集合融合到第一特征数组，将第二异常特征数组集合融合到第二特征数组。
状态特征信息是信号区段中获取的与运行状态关联的特征，例如幅度、频率、相位、上升下降时间、噪声等。第一异常特征数组集合是在第一信号区段中获取的多个状态特征信息依次连接得到的具有先后顺序的集合。第二异常特征数组集合是指在第二信号区段中获取的多个状态特征信息依次连接得到的具有先后顺序的集合。在步骤S132中，将第一异常特征数组集合融合到第一特征数组，将第二异常特征数组集合融合到第二特征数组，融合到第一特征数组或第二特征数组的位置例如是在第一特征数组或第二特征数组的两端。
作为一种实施方式，在步骤S140之前，本申请实施例提供的基于物联网的传感器生产监测方法还可以包括：获取第三信号区段，第三信号区段与第二信号区段源于相同的阶段测试信号，且在第二信号区段之后；将第三信号区段加载至第三神经网络，生成第三特征数组，其中，第三神经网络与第二神经网络包括一致的网络架构和网络内部配置变量。
步骤S140具体可以包括：将第一特征数组、第二特征数组和第三特征数组加载至归一决策网络，由归一决策网络对第一信号区段到第二信号区段的状态演变进行归一映射，并对第二信号区段到第三信号区段的状态演变进行归一映射。
第三信号区段为第二信号区段之后的另一信号区段，第一信号区段、第二信号区段和第三信号区段来源于相同的阶段测试信号，第一信号区段早于第二信号区段早于第三信号区段，基于S120中获取第一信号区段和第二信号区段同理的方式获取第三信号区段。以及依据和步骤S130将第一信号区段加载至第一神经网络得到第一特征数组、将第二信号区段加载至第二神经网络得到第二特征数组同理的方式，将第三信号区段加载至第三神经网络，生成第三特征数组。第一神经网络、第二神经网络和第三神经网络包括一致的网络架构和网络内部配置变量。
归一决策网络可以沿用前述的整合网络+分类节点的结构，整合网络包括两个整合网络，一个整合网络用于第一特征数组和第二特征数组的整合，以进行第一信号区段到第二信号区段的状态演变分类，另一个整合网络用于第二特征数组和第三特征数组的整合，以进行第二信号区段到第三信号区段的状态演变分类。
如果一个整合网络获取到第一神经网络的第一特征数组和第二神经网络的第二特征数组，将第一特征数组和第二特征数组整合，加载到与该整合网络对应的多个分类节点，通过多个分类节点确定第一信号区段到第二信号区段的状态演变分类。如果第二个整合网络获取到第二神经网络的第二特征数组和第三神经网络的第三特征数组，将第二特征数组和第三特征数组整合，加载到与另一个整合网络对应的多个分类节点，通过多个分类节点确定第二信号区段到第三信号区段的状态演变分类。
基于上述实施例，本申请实施例提供一种监测装置，图3是本申请实施例提供的一种监测装置350，如图3所示，所述装置340包括：
信号获取模块351，用于响应于传感器测试分析指令，获取传感器生产测试阶段对于目标传感器进行测试得到的传感器输出信号；
区段获取模块352，用于获取所述传感器输出信号中的第一信号区段和第二信号区段，所述第一信号区段和第二信号区段源于相同的阶段测试信号，且所述第一信号区段在所述第二信号区段之前；
特征挖掘模块353，用于将所述第一信号区段加载至第一神经网络，生成第一特征数组，以及将所述第二信号区段加载至第二神经网络，生成第二特征数组，其中，所述第一神经网络和第二神经网络包括一致的网络架构和网络内部配置变量；
状态识别模块354，用于将所述第一特征数组和所述第二特征数组加载至归一决策网络，由所述归一决策网络对所述第一信号区段到所述第二信号区段的状态演变进行归一映射，得到状态演变识别结果。
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
若本申请技术方案涉及个人或私密信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求，同时在法律法规的范围内收集。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式、处理的个人信息种类等信息。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述方法，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，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该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监测终端(可以是个人计算机、服务器、或者网络设备等)执行本申请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：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
本申请实施例提供一种监测终端，包括存储器和处理器，所述存储器存储有可在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方法。
本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法。所述计算机可读存储介质可以是瞬时性的，也可以是非瞬时性的。
本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序被计算机读取并执行时，实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software DevelopmentKit，SDK)等等。
需要说明的是，图4是本申请实施例提供的一种监测终端300的硬件实体示意图，如图4所示，该监测终端300的硬件实体包括：处理器310、通信接口320和存储器330，其中：处理器310通常控制监测终端300的总体操作。通信接口320可以使监测终端通过网络与其他终端或服务器通信。存储器330配置为存储由处理器310可执行的指令和应用，还可以缓存待处理器310以及监测终端300中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(RandomAccess Memory，RAM)实现。处理器310、通信接口320和存储器330之间可以通过总线340进行数据传输。这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
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，在本申请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(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请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，本申请的技术方案本质上或者说对相关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监测终端(可以是个人计算机、服务器、或者网络设备等)执行本申请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、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (7)
1.一种基于物联网的传感器生产监测方法，其特征在于，应用于监测终端，所述监测终端与测试设备连接，所述方法包括：
响应于传感器测试分析指令，获取传感器生产测试阶段对于目标传感器进行测试得到的传感器输出信号；
获取所述传感器输出信号中的第一信号区段和第二信号区段，所述第一信号区段和第二信号区段源于相同的阶段测试信号，且所述第一信号区段在所述第二信号区段之前；
将所述第一信号区段加载至第一神经网络，生成第一特征数组，以及将所述第二信号区段加载至第二神经网络，生成第二特征数组，其中，所述第一神经网络和第二神经网络包括一致的网络架构和网络内部配置变量；
将所述第一特征数组和所述第二特征数组加载至归一决策网络，由所述归一决策网络对所述第一信号区段到所述第二信号区段的状态演变进行归一映射，得到状态演变识别结果；
其中，所述第一信号区段到所述第二信号区段的状态演变包括传感器工作状态之间的过渡，所述传感器工作状态包括异常状态和正常状态；所述第一神经网络、所述第二神经网络和所述归一决策网络事先通过如下步骤协同调试：建立第一学习样例库，所述第一学习样例库中的第一学习样例包括第一学习样例信号区段和第二学习样例信号区段，所述第一学习样例包括第一学习样例注释信息用以指示所述第一学习样例信号区段到所述第二学习样例信号区段传感器工作状态之间的过渡；将所述第一学习样例信号区段加载至所述第一神经网络，生成第一学习样例特征数组，以及将所述第二学习样例信号区段加载至所述第二神经网络，生成第二学习样例特征数组；将所述第一学习样例特征数组和所述第二学习样例特征数组加载至所述归一决策网络；通过所述归一决策网络的归一映射结果与所述第一学习样例注释信息的差异，生成第一损失函数，以及依据所述第一损失函数优化所述第一神经网络、所述第二神经网络和所述归一决策网络的网络内部配置变量；其中，在将所述第一特征数组和所述第二特征数组加载至归一决策网络，由所述归一决策网络对所述第一信号区段到所述第二信号区段的状态演变进行归一映射之后，所述方法还包括：若识别到的状态演变为过渡到异常状态，获取所述第二信号区段的曲线特征；将所述曲线特征加载至异常信息嵌入网络，得到所述第二信号区段的异常嵌入特征；将所述曲线特征和所述异常嵌入特征加载至异常识别网络，得到所述第二信号区段的异常类型；
或者，所述第一信号区段到所述第二信号区段的状态演变包括所述第一信号区段的异常类型和所述第二信号区段的异常类型；所述第一神经网络、所述第二神经网络和所述归一决策网络事先通过如下步骤协同调试：建立第二学习样例库，所述第二学习样例库中的第二学习样例包括第三学习样例信号区段和第四学习样例信号区段，所述第二学习样例包括第二学习样例注释信息用以指示所述第三学习样例信号区段的异常类型和所述第四学习样例信号区段的异常类型；将所述第三学习样例信号区段加载至所述第一神经网络，生成第三学习样例特征数组，以及将所述第四学习样例信号区段加载至所述第二神经网络，生成第四学习样例特征数组；将所述第三学习样例特征数组和所述第四学习样例特征数组加载至所述归一决策网络；通过所述归一决策网络的归一映射结果与所述第二学习样例注释信息的差异，生成第二损失函数，以及依据所述第二损失函数优化所述第一神经网络、所述第二神经网络和所述归一决策网络的网络内部配置变量。
2.如权利要求1所述的方法，其特征在于，在将所述第一特征数组和所述第二特征数组加载至归一决策网络之后，所述方法还包括：
将所述第一特征数组和所述第二特征数组加载至一致性分析网络，通过所述一致性分析网络分析所述第一信号区段的产生条件和第二信号区段的产生条件是不是一致；其中，所述第一神经网络、所述第二神经网络、所述归一决策网络和所述一致性分析网络事先通过如下步骤协同调试：
建立第三学习样例库，所述第三学习样例库中的第三学习样例包括第五学习样例信号区段和第六学习样例信号区段，所述第三学习样例包括第三学习样例注释信息和第四学习样例注释信息，所述第三学习样例注释信息用于指示所述第五学习样例信号区段到所述第六学习样例信号区段的状态演变，所述第四学习样例注释信息用于指示所述第五学习样例信号区段的产生条件和所述第六学习样例信号区段的产生条件是不是一致；
将所述第五学习样例信号区段加载至所述第一神经网络，生成第五学习样例特征数组，以及将所述第六学习样例信号区段加载至所述第二神经网络，生成第六学习样例特征数组；
将所述第五学习样例特征数组和所述第六学习样例特征数组加载至所述归一决策网络，以及将所述第五学习样例特征数组和所述第六学习样例特征数组加载至所述一致性分析网络；
通过所述归一决策网络的归一映射结果与所述第三学习样例注释信息的差异、所述一致性分析网络的分析结果与所述第四学习样例注释信息的差异，生成第三损失函数，以及依据所述第三损失函数优化所述第一神经网络、所述第二神经网络、所述归一决策网络和所述一致性分析网络的网络内部配置变量。
3.如权利要求2所述的方法，其特征在于，所述通过所述归一决策网络的归一映射结果与所述第三学习样例注释信息的差异、所述一致性分析网络的分析结果与所述第四学习样例注释信息的差异，生成第三损失函数，包括：
通过所述归一决策网络的归一映射结果与所述第三学习样例注释信息的差异，生成第一子损失函数；
通过所述一致性分析网络的分析结果与所述第四学习样例注释信息的差异，生成第二子损失函数；
通过所述第一子损失函数与所述第二子损失函数，生成所述第三损失函数。
4.如权利要求3所述的方法，其特征在于，所述通过所述归一决策网络的归一映射结果与所述第三学习样例注释信息的差异，生成第一子损失函数，包括：
对于所述第三学习样例库中的第三学习样例，生成第一锚定结果，其中，所述第一锚定结果为第一数值时表示所述归一决策网络的归一映射结果与所述第三学习样例注释信息相同，所述第一锚定结果为第二数值时表示所述归一决策网络的归一映射结果与所述第三学习样例注释信息不同；
获取所述归一决策网络对所述归一映射结果的第一推理置信度；
通过所述第一锚定结果和所述第一推理置信度，生成所述第一子损失函数；
所述通过所述一致性分析网络的分析结果与所述第四学习样例注释信息的差异，生成第二子损失函数，包括：
对于所述第三学习样例库中的第三学习样例，生成第二锚定结果，其中，所述第二锚定结果为第一数值时表示所述一致性分析网络的分析结果与所述第四学习样例注释信息相同，所述第二锚定结果为第二数值时表示所述一致性分析网络的分析结果与所述第四学习样例注释信息不同；
获取所述一致性分析网络对所述分析结果的第二推理置信度；
通过所述第二锚定结果和所述第二推理置信度，生成所述第二子损失函数。
5.如权利要求1所述的方法，其特征在于，获取第一信号区段和第二信号区段，包括：
对所述第一信号区段和所述第二信号区段所在的阶段测试信号进行频谱分析，得到频率分布区间；
在所述频率分布区间中确定第一子频率分布区间和第二子频率分布区间，所述第一子频率分布区间在所述第二子频率分布区间之前；
基于所述第一子频率分布区间中频率段的显著性系数，在所述第一子频率分布区间中确定第一频率段，基于所述第二子频率分布区间中频率段的显著性系数，在所述第二子频率分布区间中确定第二频率段；
在所述阶段测试信号中获取所述第一频率段对应的信号区段作为第一信号区段，获取所述第二频率段对应的信号区段作为第二信号区段。
6.如权利要求1所述的方法，其特征在于，在将所述第一信号区段加载至第一神经网络，生成第一特征数组，以及将所述第二信号区段加载至第二神经网络，生成第二特征数组之后，所述方法还包括：
在所述第一信号区段中提取第一异常特征数组集合，在所述第二信号区段中提取第二异常特征数组集合；
将所述第一异常特征数组集合融合到所述第一特征数组，将所述第二异常特征数组集合融合到所述第二特征数组；
将所述第一特征数组和所述第二特征数组加载至归一决策网络之前，所述方法还包括：
获取第三信号区段，所述第三信号区段与所述第二信号区段源于相同的阶段测试信号，且在所述第二信号区段之后；
将所述第三信号区段加载至第三神经网络，生成第三特征数组，其中，所述第三神经网络与所述第二神经网络包括一致的网络架构和网络内部配置变量；
所述将所述第一特征数组和所述第二特征数组加载至归一决策网络，由所述归一决策网络对所述第一信号区段到所述第二信号区段的状态演变进行归一映射，包括：
将所述第一特征数组、所述第二特征数组和所述第三特征数组加载至归一决策网络，由所述归一决策网络对所述第一信号区段到所述第二信号区段的状态演变进行归一映射，并对所述第二信号区段到所述第三信号区段的状态演变进行归一映射。
7.一种传感器生产监测系统，其特征在于，包括监测终端和与所述监测终端连接的测试设备，所述监测终端包括存储器和处理器，所述存储器存储有可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如权利要求1~6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311455359.3A CN117171696B (zh) | 2023-11-03 | 2023-11-03 | 一种基于物联网的传感器生产监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311455359.3A CN117171696B (zh) | 2023-11-03 | 2023-11-03 | 一种基于物联网的传感器生产监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117171696A CN117171696A (zh) | 2023-12-05 |
| CN117171696B true CN117171696B (zh) | 2024-02-23 |
Family
ID=88941740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311455359.3A Active CN117171696B (zh) | 2023-11-03 | 2023-11-03 | 一种基于物联网的传感器生产监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117171696B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117421643B (zh) * | 2023-12-18 | 2024-02-23 | 贵州省环境工程评估中心 | 基于人工智能的生态环境遥感数据分析方法及系统 |
| CN117435901B (zh) * | 2023-12-19 | 2024-03-08 | 深圳市博控科技有限公司 | 一种工业互联网数据获取方法、系统、终端及储存介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461055A (zh) * | 2020-04-14 | 2020-07-28 | 上海异工同智信息科技有限公司 | 一种识别待监测信号状态的方法、装置和电子设备 |
| CN112364975A (zh) * | 2020-10-14 | 2021-02-12 | 山东大学 | 基于图神经网络的终端运行状态预测方法及系统 |
| CN113919540A (zh) * | 2021-08-04 | 2022-01-11 | 鹏城实验室 | 一种生产过程运行状态的监测方法及相关设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102014000276A1 (de) * | 2014-01-09 | 2015-07-09 | Fresenius Medical Care Deutschland Gmbh | Monitoringsystem und -verfahren für fluidführendes Produktionssystem |
-
2023
- 2023-11-03 CN CN202311455359.3A patent/CN117171696B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461055A (zh) * | 2020-04-14 | 2020-07-28 | 上海异工同智信息科技有限公司 | 一种识别待监测信号状态的方法、装置和电子设备 |
| CN112364975A (zh) * | 2020-10-14 | 2021-02-12 | 山东大学 | 基于图神经网络的终端运行状态预测方法及系统 |
| CN113919540A (zh) * | 2021-08-04 | 2022-01-11 | 鹏城实验室 | 一种生产过程运行状态的监测方法及相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117171696A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117171696B (zh) | 一种基于物联网的传感器生产监测方法及系统 | |
| CN111858242A (zh) | 一种系统日志异常检测方法、装置及电子设备和存储介质 | |
| CN116453438A (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
| CN116148656B (zh) | 一种便携式模拟断路器故障检测方法 | |
| CN110674360A (zh) | 一种用于数据关联图谱的构建和数据的溯源方法和系统 | |
| CN111860447A (zh) | 一种准确识别随机相移卫星遥测时序数据模式的方法 | |
| CN117421643B (zh) | 基于人工智能的生态环境遥感数据分析方法及系统 | |
| CN117434429B (zh) | 芯片的稳定性测试方法及相关装置 | |
| US20210397973A1 (en) | Storage medium, optimum solution acquisition method, and optimum solution acquisition apparatus | |
| CN116167336B (zh) | 基于云计算的传感器数据加工方法、云服务器及介质 | |
| CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
| CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
| CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
| CN115631448B (zh) | 一种音视频质检处理方法及系统 | |
| CN117609781B (zh) | 文本评估模型的训练方法、文本评估方法及装置 | |
| Li et al. | Knowledge discovery and anomaly identification for low correlation industry data | |
| CN116486178B (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
| CN116384370A (zh) | 一种用于在线业务会话交互的大数据安全分析方法及系统 | |
| CN115410007A (zh) | 一种基于集成算法的多算法融合图像比对方法和系统 | |
| CN117952411A (zh) | 基于知识图谱的风险预测方法、装置、设备及存储介质 | |
| Marali et al. | Vulnerability Classification Based on Fine-Tuned BERT and Deep Neural Network Approaches | |
| CN115600131A (zh) | 基于图形化测试平台的自动测试系统 | |
| CN115204540A (zh) | 服务质量检测方法及装置 | |
| CN117496598A (zh) | 活体攻击检测模型的训练方法、活体攻击检测方法及装置 | |
| CN117056768A (zh) | 物联网大数据分析方法及服务器 |
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 |