CN117216577B - 基于锗烷提纯系统的温度监测方法及系统 - Google Patents
基于锗烷提纯系统的温度监测方法及系统 Download PDFInfo
- Publication number
- CN117216577B CN117216577B CN202311467743.5A CN202311467743A CN117216577B CN 117216577 B CN117216577 B CN 117216577B CN 202311467743 A CN202311467743 A CN 202311467743A CN 117216577 B CN117216577 B CN 117216577B
- Authority
- CN
- China
- Prior art keywords
- sample
- time sequence
- sequence data
- temperature change
- temperature monitoring
- 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 333
- 229910000078 germane Inorganic materials 0.000 title claims abstract description 57
- 238000000746 purification Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000008859 change Effects 0.000 claims abstract description 308
- 238000012549 training Methods 0.000 claims abstract description 89
- 238000003909 pattern recognition Methods 0.000 claims abstract description 63
- 239000013598 vector Substances 0.000 claims description 101
- 238000005457 optimization Methods 0.000 claims description 71
- 239000011159 matrix material Substances 0.000 claims description 50
- 230000004927 fusion Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 16
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 73
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本申请涉及锗烷提纯系统的温度监测技术领域,涉及一种基于锗烷提纯系统的温度监测方法及系统;本申请通过自相关编码和模式估计,能有效处理时序数据,并通过优化样例属性门限值以及训练标签数据的调整,能更准确地进行模式识别;同时,通过不断优化温度变化模式识别网络,可以提高温度变化模式识别网络的稳定性和预测准确性,由此,可以更精确地识别和预测锗烷提纯系统的温度变化模式。
Description
技术领域
本申请涉及锗烷提纯系统的温度监测技术领域,具体而言,涉及一种基于锗烷提纯系统的温度监测方法及系统。
背景技术
锗烷提纯系统是一种重要的工业生产设备,其运行状态直接影响到产品的质量和生产效率。为了实现对锗烷提纯系统的高效控制,需要对其温度变化模式进行准确识别和预测。然而,由于锗烷提纯过程中受多种因素影响,温度监测数据呈现出复杂的时序特性,这给温度变化模式的识别和预测带来了较大挑战。
传统的方法通常通过统计分析或经验公式等方式对温度变化模式进行估计,但这些方法往往无法准确描述温度数据的动态变化特性,且难以处理大量的时序数据。因此,开发一种能够准确识别和预测锗烷提纯系统的温度变化模式,具有重要的实际意义。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种基于锗烷提纯系统的温度监测方法及系统。
基于本申请的一个方面,提供了一种基于锗烷提纯系统的温度监测方法,包括:
获取本轮轮询的锗烷提纯系统的样例温度监测时序数据序列;
基于上一轮轮询优化的温度变化模式识别网络提取所述样例温度监测时序数据序列中样例温度监测时序数据的温度态势矢量,对所述温度态势矢量进行自相关编码生成自相关编码向量,基于所述自相关编码向量进行模式估计生成所述样例温度监测时序数据的温度变化模式估计矩阵;
依据上一轮轮询优化的对应各个温度变化模式的样例属性门限值与所述样例温度监测时序数据的温度变化模式估计矩阵,从所述样例温度监测时序数据序列中确定对应各个温度变化模式的有效样例时序数据并调整所述有效样例时序数据的训练标签数据,基于所述有效样例时序数据的训练标签数据与温度变化模式估计矩阵,确定本轮轮询的模式估计误差参数,其中,所述样例属性门限值用于表示积极样例时序数据和消极样例时序数据分别对应的门限值;
基于所述有效样例时序数据的温度变化模式估计矩阵,对上一轮轮询优化的对应各个温度变化模式的样例属性门限值进行优化,生成本轮轮询优化的对应各个温度变化模式的样例属性门限值;
从所述样例温度监测时序数据序列中确定所述样例温度监测时序数据的匹配样例时序数据与非匹配样例时序数据,依据所述样例温度监测时序数据、所述匹配样例时序数据与所述非匹配样例时序数据的自相关编码向量,以及所述样例温度监测时序数据的自相关编码向量与相应的标注编码向量,确定本轮轮询的编码误差参数;
依据所述模式估计误差参数与所述编码误差参数,对上一轮轮询优化的温度变化模式识别网络进行训练生成本轮轮询优化的温度变化模式识别网络。
在第一方面的一种可能的实施方式中,所述依据上一轮轮询优化的对应各个温度变化模式的样例属性门限值与所述样例温度监测时序数据的温度变化模式估计矩阵,从所述样例温度监测时序数据序列中确定对应各个温度变化模式的有效样例时序数据并调整所述有效样例时序数据的训练标签数据,包括:
分别将所述各个温度变化模式中的每个温度变化模式作为目标温度变化模式;
获取上一轮轮询优化的对应所述目标温度变化模式的积极样例门限值与消极样例门限值;
当所述样例温度监测时序数据的温度变化模式估计矩阵中,对应所述目标温度变化模式的估计置信度不小于所述目标温度变化模式的积极样例门限值时,则确定所述样例温度监测时序数据为所述本轮轮询中的对应所述目标温度变化模式的有效积极样例时序数据,调整所述样例温度监测时序数据对应所述目标温度变化模式的训练标签数据为第一标签参数;
当所述样例温度监测时序数据的温度变化模式估计矩阵中,对应所述目标温度变化模式的估计置信度不大于所述目标温度变化模式的消极样例门限值时,则确定所述样例温度监测时序数据为所述本轮轮询中的对应所述目标温度变化模式的有效消极样例时序数据,调整所述样例温度监测时序数据对应所述目标温度变化模式的训练标签数据为第二标签参数。
在第一方面的一种可能的实施方式中,所述基于所述有效样例时序数据的温度变化模式估计矩阵,对上一轮轮询优化的对应各个温度变化模式的样例属性门限值进行优化,生成本轮轮询优化的对应各个温度变化模式的样例属性门限值,包括:
分别将所述各个温度变化模式中的每个温度变化模式作为目标温度变化模式;
将上一轮轮询优化的对应所述目标温度变化模式的积极样例门限值,与所述本轮轮询中的所述目标温度变化模式的有效积极样例时序数据对应所述目标温度变化模式的估计置信度的平均置信度进行融合,生成本轮轮询优化的对应所述目标温度变化模式的积极样例门限值;其中,所述上一轮轮询优化的对应所述目标温度变化模式的积极样例门限值的融合权值大于所述平均置信度的融合权值;
将上一轮轮询优化的对应所述目标温度变化模式的消极样例门限值,与所述本轮轮询中的所述目标温度变化模式的有效消极样例时序数据对应所述目标温度变化模式的估计置信度的平均置信度进行融合,生成本轮轮询优化的对应所述目标温度变化模式的消极样例门限值;其中,所述上一轮轮询优化的对应所述目标温度变化模式的消极样例门限值的融合权值大于所述平均置信度的融合权值。
在第一方面的一种可能的实施方式中,所述基于所述有效样例时序数据的训练标签数据与温度变化模式估计矩阵,确定本轮轮询的模式估计误差参数,包括:
分别将所述各个温度变化模式中的每个温度变化模式作为目标温度变化模式;
对于对应所述目标温度变化模式的每个有效样例时序数据,基于调整后的所述有效样例时序数据的训练标签数据与所述有效样例时序数据的温度变化模式估计矩阵中对应所述目标温度变化模式的估计置信度,计算所述目标温度变化模式的估计误差参数;
将对应每个温度变化模式的估计误差参数进行相加,生成本轮轮询的模式估计误差参数。
在第一方面的一种可能的实施方式中,所述样例温度监测时序数据序列包括匹配样例时序数据组合,所述匹配样例时序数据组合包括的两个样例温度监测时序数据存在特征相关性;
所述从所述样例温度监测时序数据序列中确定所述样例温度监测时序数据的匹配样例时序数据与非匹配样例时序数据,依据所述样例温度监测时序数据、所述匹配样例时序数据与所述非匹配样例时序数据的自相关编码向量,以及所述样例温度监测时序数据的自相关编码向量与相应的标注编码向量,确定本轮轮询的编码误差参数,包括:
对于所述样例温度监测时序数据序列的每个匹配样例时序数据组合,生成与所述匹配样例时序数据组合相应的训练样例集合;所述训练样例集合包括目标样例温度监测时序数据、所述目标样例温度监测时序数据的匹配样例时序数据与所述目标样例温度监测时序数据的非匹配样例时序数据;
对于每个训练样例集合,基于所述目标样例温度监测时序数据与所述匹配样例时序数据的自相关编码向量的特征距离,所述目标样例温度监测时序数据与所述非匹配样例时序数据的自相关编码向量之间的特征距离,计算第一编码误差参数;
基于所述样例温度监测时序数据序列的每个样例温度监测时序数据的自相关编码向量与相应的标注编码向量之间的特征距离,计算第二编码误差参数;
将第一编码误差参数与所述第二编码误差参数进行融合,生成本轮轮询的编码误差参数。
在第一方面的一种可能的实施方式中,所述对于所述样例温度监测时序数据序列的每个匹配样例时序数据组合,生成与所述匹配样例时序数据组合相应的训练样例集合,包括:
将所述匹配样例时序数据组合中的两个样例温度监测时序数据,作为目标样例温度监测时序数据与所述目标样例温度监测时序数据的匹配样例时序数据;
依据本轮提取的温度态势矢量,从所述样例温度监测时序数据序列中确定至少一个与所述目标样例温度监测时序数据不匹配的样例温度监测时序数据,作为所述目标样例温度监测时序数据的非匹配样例时序数据;
将所述目标样例温度监测时序数据、所述目标样例温度监测时序数据的匹配样例时序数据与所述目标样例温度监测时序数据的非匹配样例时序数据构成至少一个训练样例集合。
在第一方面的一种可能的实施方式中,所述方法还包括:
获取锗烷提纯系统的温度监测流的监测节点;
将同一监测节点的温度监测时序数据作为匹配样例时序数据,生成对应于同一监测节点的多个匹配样例时序数据组合;
所述依据本轮提取的温度态势矢量,从所述样例温度监测时序数据序列中确定至少一个与所述目标样例温度监测时序数据不匹配的样例温度监测时序数据,作为所述目标样例温度监测时序数据的非匹配样例时序数据,包括:
获取所述目标样例温度监测时序数据的本轮提取的温度态势矢量和各候选样例温度监测时序数据的本轮提取的温度态势矢量;所述候选样例温度监测时序数据是所述样例温度监测时序数据序列中除所述目标样例温度监测时序数据所属的匹配样例时序数据组合外,其它匹配样例时序数据组合的样例温度监测时序数据;
依据所述目标样例温度监测时序数据的本轮提取的温度态势矢量分别与各候选样例温度监测时序数据的本轮提取的温度态势矢量之间的偏离度,按照偏离度的升序次序,对各候选样例温度监测时序数据进行整理;
确定位于目标次序之后的候选样例温度监测时序数据,并从位于目标次序之后的候选样例温度监测时序数据中确定与所述目标样例温度监测时序数据不匹配的样例温度监测时序数据,作为所述目标样例温度监测时序数据的非匹配样例时序数据。
在第一方面的一种可能的实施方式中,所述温度变化模式识别网络包括自相关编码器和分类器;
依据所述模式估计误差参数与所述编码误差参数,对上一轮轮询优化的温度变化模式识别网络进行训练生成本轮轮询优化的温度变化模式识别网络,包括:
将所述模式估计误差参数与所述编码误差参数进行融合,生成本轮轮询的全局误差参数;
基于本轮轮询的全局误差参数,分别对上一轮轮询进行训练生成的温度变化模式识别网络中所述分类器的函数定义信息与所述自相关编码器的函数定义信息进行更新,生成本轮轮询优化的温度变化模式识别网络。
在第一方面的一种可能的实施方式中,每轮轮询为所有网络优化轮次中的其中一轮轮询,每轮轮询使用的样例温度监测时序数据序列为全局训练样本数据序列的训练样本数据子序列;
所述方法还包括:
在所述本轮轮询为第一个依据各温度变化模式的样例属性门限值确定有效样例时序数据的所有网络优化轮次中的第一轮轮询时,获取全局训练样本数据序列中各个样例温度监测时序数据的最初训练标签数据,以及完成上一批次所有网络优化轮次后各个样例温度监测时序数据的温度变化模式估计矩阵;
分别将所述各个温度变化模式中的各个温度变化模式作为目标温度变化模式;
针对每个目标温度变化模式,基于所述最初训练标签数据确定所述目标温度变化模式的积极样例时序数据与消极样例时序数据;
基于完成上一批次所有网络优化轮次后所述目标温度变化模式的积极样例时序数据的温度变化模式估计矩阵中,对应所述目标温度变化模式的估计置信度的平均置信度,重置所述本轮轮询所调用的所述目标温度变化模式的积极样例门限值;
基于完成上一批次所有网络优化轮次后所述目标温度变化模式的消极样例时序数据的温度变化模式估计矩阵中,对应所述目标温度变化模式的估计置信度的平均置信度,重置所述本轮轮询所调用的所述目标温度变化模式的消极样例门限值。
譬如,在第一方面的一种可能的实施方式中,所述方法还包括:
在符合网络收敛要求时,生成目标温度变化模式识别网络;
获取用于温度变化模式识别的目标温度监测时序数据;
通过所述目标温度变化模式识别网络,提取所述目标温度监测时序数据的温度态势矢量,对所述目标温度监测时序数据的温度态势矢量进行自相关编码生成所述目标温度监测时序数据的自相关编码向量;
对所述目标温度监测时序数据的自相关编码向量进行温度变化模式识别,获得对应的温度变化模式识别结果。
基于本申请的一个方面,提供了一种基于锗烷提纯系统的温度监测系统,所述基于锗烷提纯系统的温度监测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基于锗烷提纯系统的温度监测方法。
基于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。
在本申请所提供的技术方案中,通过获取当前轮询的样例温度监测时序数据序列,并基于上一轮轮询优化的温度变化模式识别网络提取样例温度监测时序数据的温度态势矢量,然后进行自相关编码并进行模式估计。之后,依据上一轮优化的样例属性门限值和温度变化模式估计矩阵,确定有效样例时序数据并调整其训练标签数据,从而确定本轮轮询的模式估计误差参数。接着,根据有效样例时序数据的温度变化模式估计矩阵优化样例属性门限值,并确定匹配样例和非匹配样例,以确定本轮轮询的编码误差参数。最后,根据模式估计误差参数和编码误差参数,对上一轮轮询优化的温度变化模式识别网络进行训练,生成本轮轮询优化的温度变化模式识别网络。由此,可以更精确地识别和预测锗烷提纯系统的温度变化模式。通过自相关编码和模式估计,能有效处理时序数据,并通过优化样例属性门限值以及训练标签数据的调整,能更准确地进行模式识别。同时,通过不断优化温度变化模式识别网络,可以提高温度变化模式识别网络的稳定性和预测准确性。
附图说明
为了更清楚地说明本申请的技术方案,下面将对本申请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,还可以基于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基于锗烷提纯系统的温度监测方法的流程示意图;
图2为本申请实施例提供的用于实现上述的基于锗烷提纯系统的温度监测方法的基于锗烷提纯系统的温度监测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基于本申请,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基于锗烷提纯系统的温度监测方法的流程示意图,下面对该基于锗烷提纯系统的温度监测方法进行详细介绍。
步骤S110,获取本轮轮询的锗烷提纯系统的样例温度监测时序数据序列。
例如,可以在一个特定的生产周期(例如一天),收集一组锗烷提纯系统的样例温度监测时序数据序列,这个样例温度监测时序数据序列列可以包括数小时的连续读数,比如每分钟的温度读数,由此该样例温度监测时序数据序列可以作为训练样本用于后续的网络训练。
步骤S120,基于上一轮轮询优化的温度变化模式识别网络提取所述样例温度监测时序数据序列中样例温度监测时序数据的温度态势矢量,对所述温度态势矢量进行自相关编码生成自相关编码向量,基于所述自相关编码向量进行模式估计生成所述样例温度监测时序数据的温度变化模式估计矩阵。
例如,可以使用前一轮训练和优化过的神经网络温度变化模式识别网络,从这一轮的样例温度监测时序数据序列中提取出对应的温度态势矢量。这个温度态势矢量可能包含了温度随时间变化的关键特征,例如峰值、低谷或者波动性等。
然后,将这个温度态势矢量进行自相关编码。自相关编码是一种处理时序数据的方法,可以找出数据中的重复模式或周期性变化。在这个过程中,将使用一个特定的自相关函数,将温度态势矢量转化为一个自相关编码向量。
接下来,将使用这个自相关编码向量来进行模式估计,确定出其对应的温度变化模式,结果将以一个温度变化模式估计矩阵的形式呈现,这个温度变化模式估计矩阵包含了这个温度态势矢量中识别出的所有可能的温度变化模式。
步骤S130,依据上一轮轮询优化的对应各个温度变化模式的样例属性门限值与所述样例温度监测时序数据的温度变化模式估计矩阵,从所述样例温度监测时序数据序列中确定对应各个温度变化模式的有效样例时序数据并调整所述有效样例时序数据的训练标签数据,基于所述有效样例时序数据的训练标签数据与温度变化模式估计矩阵,确定本轮轮询的模式估计误差参数,其中,所述样例属性门限值用于表示积极样例时序数据和消极样例时序数据分别对应的门限值。
本实施例中,在这个场景中,积极样例时序数据(正样本)是指属于某个特定温度变化模式的样例时序数据,而消极样例时序数据(负样本)则表示不属于该特定温度变化模式的样例时序数据。
首先,可以根据上一轮优化后的各个温度变化模式的样例属性门限值与新收集的样例温度监测时序数据,通过已经训练好的网络温度变化模式识别网络来确定有效的样例时序数据。
这些有效的样例时序数据可以包括符合某个特定温度变化模式的积极样例时序数据)和不符合这个特定温度变化模式的消极样例时序数据。
然后,调整这些有效样例时序数据的训练标签。例如,如果一个有效样例时序数据被识别为积极样例时序数据,那么它的训练标签可能会被设置为1;反之,如果一个有效样例时序数据被识别为消极样例时序数据,那么它的训练标签可能会被设置为0。
接下来,基于这些有效样例时序数据的训练标签数据以及温度变化模式估计矩阵,计算出本轮的模式估计误差参数。这个模式估计误差参数可以表达温度变化模式识别网络在识别和预测温度变化模式上的准确性。
步骤S140,基于所述有效样例时序数据的温度变化模式估计矩阵,对上一轮轮询优化的对应各个温度变化模式的样例属性门限值进行优化,生成本轮轮询优化的对应各个温度变化模式的样例属性门限值。
例如,本实施例中将根据有效样例时序数据的温度变化模式估计矩阵来调整样例属性门限值,这些新的样例属性门限值会在下一轮中用于更准确地识别积极样例和消极样例。
步骤S150,从所述样例温度监测时序数据序列中确定所述样例温度监测时序数据的匹配样例时序数据与非匹配样例时序数据,依据所述样例温度监测时序数据、所述匹配样例时序数据与所述非匹配样例时序数据的自相关编码向量,以及所述样例温度监测时序数据的自相关编码向量与相应的标注编码向量,确定本轮轮询的编码误差参数。
例如,本实施例将将进一步分析样例温度监测时序数据序列,确定哪些样例温度监测时序数据属于所述样例温度监测时序数据的匹配样例时序数据(即那些与所述样例温度监测时序数据同样符合某个特定温度变化模式的样本)和非匹配样例时序数据(即那些与所述样例温度监测时序数据不符合任何已知温度变化模式的样本)。然后,由此计算出编码误差参数,所述编码误差参数可以表征自相关编码操作的性能指标。
步骤S160,依据所述模式估计误差参数与所述编码误差参数,对上一轮轮询优化的温度变化模式识别网络进行训练生成本轮轮询优化的温度变化模式识别网络。
例如,可以利用模式估计误差参数和编码误差参数来更新神经网络温度变化模式识别网络。这个过程可能包括调整网络权重、改变网络结构或者选择新的优化算法。这样,下一轮中,所述温度变化模式识别网络可以更准确地识别和预测温度变化模式。
基于以上步骤,通过获取当前轮询的样例温度监测时序数据序列,并基于上一轮轮询优化的温度变化模式识别网络提取样例温度监测时序数据的温度态势矢量,然后进行自相关编码并进行模式估计。之后,依据上一轮优化的样例属性门限值和温度变化模式估计矩阵,确定有效样例时序数据并调整其训练标签数据,从而确定本轮轮询的模式估计误差参数。接着,根据有效样例时序数据的温度变化模式估计矩阵优化样例属性门限值,并确定匹配样例和非匹配样例,以确定本轮轮询的编码误差参数。最后,根据模式估计误差参数和编码误差参数,对上一轮轮询优化的温度变化模式识别网络进行训练,生成本轮轮询优化的温度变化模式识别网络。由此,可以更精确地识别和预测锗烷提纯系统的温度变化模式。通过自相关编码和模式估计,能有效处理时序数据,并通过优化样例属性门限值以及训练标签数据的调整,能更准确地进行模式识别。同时,通过不断优化温度变化模式识别网络,可以提高温度变化模式识别网络的稳定性和预测准确性。
在一种可能的实施方式中,步骤S130可以包括:
步骤S131,分别将所述各个温度变化模式中的每个温度变化模式作为目标温度变化模式。
步骤S132,获取上一轮轮询优化的对应所述目标温度变化模式的积极样例门限值与消极样例门限值。
步骤S133,当所述样例温度监测时序数据的温度变化模式估计矩阵中,对应所述目标温度变化模式的估计置信度不小于所述目标温度变化模式的积极样例门限值时,则确定所述样例温度监测时序数据为所述本轮轮询中的对应所述目标温度变化模式的有效积极样例时序数据,调整所述样例温度监测时序数据对应所述目标温度变化模式的训练标签数据为第一标签参数。
步骤S134,当所述样例温度监测时序数据的温度变化模式估计矩阵中,对应所述目标温度变化模式的估计置信度不大于所述目标温度变化模式的消极样例门限值时,则确定所述样例温度监测时序数据为所述本轮轮询中的对应所述目标温度变化模式的有效消极样例时序数据,调整所述样例温度监测时序数据对应所述目标温度变化模式的训练标签数据为第二标签参数。
例如,假设预先定义的温度变化模式包括模式A、模式B、模式C、模式D和模式E。可以理解,模式A、模式B、模式C、模式D和模式E可以根据实际情况进行定义,例如,在锗烷提纯系统中,温度变化模式可能是由多种因素决定的,并且可能会有很多种。这些模式主要依赖于实际操作过程和设备特性。
以下是一些可能的温度变化模式的例子:
1. 线性增长:这是一个最简单的模式,其中温度随着时间的推移线性增加。这可能是因为热量正在逐渐被添加到系统中。
2. 线性下降:与线性增长相反,温度可能随着时间线性减少,这可能是因为系统正在失去热量。
3. 指数增长或减少:在这种模式下,温度的变化速率并不是恒定的,而是随着时间的推移越来越快(指数增长)或越来越慢(指数减少)。这可能表示系统的热交换效率正在改变。
4. 周期性变化:在某些情况下,温度可能会按照一定的周期进行上升和下降,这可能表示系统正在经历一个重复的热交换过程。
5. 随机变化:温度可能会无规律地上升和下降,这可能是由于系统内部或外部环境的不稳定性引起的。
那么,首先需要逐一考虑这些温度变化模式。例如,首先将模式A作为目标温度变化模式。
接下来,会查看在上一轮轮询优化过程中,针对模式A确定的积极样例门限值和消极样例门限值。积极样例门限值和消极样例门限值可以帮助判断新收集的样例温度监测时序数据序列是否符合模式A。
例如,如果在新收集的样例温度监测时序数据序列中找到了一个样例温度监测时序数据X,样例温度监测时序数据X在温度变化模式估计矩阵中对应模式A的估计置信度大于或等于模式A的积极样例门限值,那么就可以认为这个样例温度监测时序数据X是一个有效的积极样例时序数据。然后,将样例温度监测时序数据X对应模式A的训练标签数据调整为第一标签参数(通常设置为1)。
同样地,如果在新收集的样例温度监测时序数据序列中找到了一个样例温度监测时序数据Y,样例温度监测时序数据Y在温度变化模式估计矩阵中对应模式A的估计置信度小于或等于模式A的消极样例门限值,那么就可以认为这个样例温度监测时序数据Y是一个有效的消极样例时序数据。然后,将样例温度监测时序数据Y对应模式A的训练标签数据调整为第二标签参数(通常设置为0)。
在一种可能的实施方式中,步骤S140可以包括:
步骤S141,分别将所述各个温度变化模式中的每个温度变化模式作为目标温度变化模式。
步骤S142,将上一轮轮询优化的对应所述目标温度变化模式的积极样例门限值,与所述本轮轮询中的所述目标温度变化模式的有效积极样例时序数据对应所述目标温度变化模式的估计置信度的平均置信度进行融合,生成本轮轮询优化的对应所述目标温度变化模式的积极样例门限值。其中,所述上一轮轮询优化的对应所述目标温度变化模式的积极样例门限值的融合权值大于所述平均置信度的融合权值。
步骤S143,将上一轮轮询优化的对应所述目标温度变化模式的消极样例门限值,与所述本轮轮询中的所述目标温度变化模式的有效消极样例时序数据对应所述目标温度变化模式的估计置信度的平均置信度进行融合,生成本轮轮询优化的对应所述目标温度变化模式的消极样例门限值。其中,所述上一轮轮询优化的对应所述目标温度变化模式的消极样例门限值的融合权值大于所述平均置信度的融合权值。
例如,仍旧以前述示例为例,本实施例将逐一考虑这些温度变化模式。比如说,首先将模式A作为目标温度变化模式。
接着,查看在上一轮轮询优化过程中,针对模式A确定的积极样例门限值K1。同时,还会计算出本轮轮询中所有被识别为模式A的有效积极样例时序数据的估计置信度的平均置信度K2。然后,将根据K1和K2这两个值的融合结果K1×M1+K2×M2来确定本轮轮询的模式A的积极样例门限值。具体来说,由于上一轮轮询优化的积极样例门限值的融合权值M1大于平均置信度的融合权值M2,所以在融合过程中,上一轮的积极样例门限值会占据主导地位。
类似地,接下来进一步考虑的是消极样例时序数据,可以查看在上一轮轮询优化过程中,针对模式A确定的消极样例门限值K3。同时,还会计算出本轮轮询中所有被识别为模式A的有效消极样例时序数据的估计置信度的平均置信度K4。然后,将根据K3和K4这两个值的融合结果K3×M3+K4×M4来确定本轮轮询的模式A的消极样例门限值。同样地,由于上一轮轮询优化的消极样例门限值的融合权值M3大于平均置信度的融合权值M4,所以在融合过程中,上一轮的消极样例门限值会占据主导地位。
在一种可能的实施方式中,步骤S130中,基于所述有效样例时序数据的训练标签数据与温度变化模式估计矩阵,确定本轮轮询的模式估计误差参数,包括:
步骤S135,分别将所述各个温度变化模式中的每个温度变化模式作为目标温度变化模式。
步骤S136,对于对应所述目标温度变化模式的每个有效样例时序数据,基于调整后的所述有效样例时序数据的训练标签数据与所述有效样例时序数据的温度变化模式估计矩阵中对应所述目标温度变化模式的估计置信度,计算所述目标温度变化模式的估计误差参数。
步骤S137,将对应每个温度变化模式的估计误差参数进行相加,生成本轮轮询的模式估计误差参数。
仍旧以前述示例为例,本实施例将逐一考虑这些温度变化模式。比如说,首先将模式A作为目标温度变化模式。
由此,可以查看所有被识别为模式A的有效样例时序数据。对于每个有效样例时序数据,都会查看该有效样例时序数据的训练标签数据(在之前的步骤中已经调整过)以及该有效样例时序数据在温度变化模式估计矩阵中对应模式A的估计置信度。然后,将基于训练标签数据和估计置信度来计算模式A的估计误差参数。估计误差参数可以表征模式A在有效样例时序数据中的预测准确性。
例如,估计误差参数是为了衡量温度变化模式识别网络对目标温度变化模式的预测准确性,具体的计算过程可能会依赖于具体的应用场景和温度变化模式识别网络设计,但通常可以使用以下公式作为参考:
假设有N个有效样例时序数据,其中每个有效样例时序数据i的训练标签为y_i,温度变化模式识别网络对应于目标温度变化模式的估计置信度为p_i。
那么,对于目标温度变化模式的估计误差参数可以使用下面的公式计算:
MSE = 1/N × Σ_{i=1}^N (y_i - p_i)^2
在上述公式中,y_i - p_i 是单个有效样例时序数据的误差,(y_i - p_i)^2 是该误差的平方,Σ_{i=1}^N (y_i - p_i)^2 计算的是所有样例误差平方的总和,最后除以N得到的就是目标温度变化模式的估计误差参数。
这种方法的好处是它考虑了所有有效样例时序数据,并且对于预测偏离真实值较大的样例给予了更高的惩罚(因为误差被平方了)。
接下来,会将对应所有温度变化模式(例如模式A、模式B和模式C)的估计误差参数相加,得到本轮轮询的总体模式估计误差参数,用于表达预测所有温度变化模式时的准确性何。
在一种可能的实施方式中,所述样例温度监测时序数据序列包括匹配样例时序数据组合,所述匹配样例时序数据组合包括的两个样例温度监测时序数据存在特征相关性。
步骤S150可以包括:
步骤S151,对于所述样例温度监测时序数据序列的每个匹配样例时序数据组合,生成与所述匹配样例时序数据组合相应的训练样例集合。所述训练样例集合包括目标样例温度监测时序数据、所述目标样例温度监测时序数据的匹配样例时序数据与所述目标样例温度监测时序数据的非匹配样例时序数据。
例如,在本实施例中,有一些样例温度监测时序数据在特征上存在相关性,可以将它们组合成匹配样例时序数据组合。
在这个步骤中,会为每个匹配样例时序数据组合生成一个训练样例集合。例如,假设有一个样例温度监测时序数据X,它与其它两个样例温度监测时序数据Y和Z有特征相关性,那么X、Y和Z就可以组成一个训练样例集合。
步骤S152,对于每个训练样例集合,基于所述目标样例温度监测时序数据与所述匹配样例时序数据的自相关编码向量的特征距离,所述目标样例温度监测时序数据与所述非匹配样例时序数据的自相关编码向量之间的特征距离,计算第一编码误差参数。
在这个步骤中,可以计算每个训练样例集合的第一编码误差参数。例如,对于上面的训练样例集合(X、Y和Z),首先会计算X与Y之间自相关编码向量的特征距离,然后计算X与Z之间自相关编码向量的特征距离。然后,可以基于这两个特征距离来计算第一编码误差参数。
示例性地,第一编码误差参数是用于衡量温度变化模式识别网络对于匹配样例时序数据和非匹配样例时序数据的自相关编码向量之间的特征距离的计算准确性。基本思想是,希望目标样例温度监测时序数据与匹配样例时序数据之间的特征距离尽可能小(因为它们应该具有相似的温度变化模式),而与非匹配样例时序数据之间的特征距离尽可能大(因为它们的温度变化模式应该不同)。
以下是一个可能的计算公式:
假设有N个训练样例集合,其中每个训练样例集合i的目标样例温度监测时序数据与匹配样例时序数据之间的自相关编码向量的特征距离为d_mi,目标样例温度监测时序数据与非匹配样例时序数据之间的自相关编码向量的特征距离为d_ni。
那么,第一编码误差参数可以使用下面的公式计算:
Margin Error = 1/N × Σ_{i=1}^N max(0, d_mi - d_ni + margin)
在上述公式中,max(0, d_mi - d_ni + margin) 是单个训练样例集合的误差,margin是一个超参数,通常用于调整错误的容忍度,Σ_{i=1}^N max(0, d_mi - d_ni +margin) 计算的是所有误差的总和,最后除以N得到的就是第一编码误差参数。
这个公式基于间隔最大化(maximizing margin)的原理,试图确保目标样例与非匹配样例之间的特征距离至少比目标样例温度监测时序数据与匹配样例时序数据之间的特征距离大margin。如果不满足这个条件,那么就会有一个正的误差值,否则误差为0。通过最小化这个Margin Error,可以让温度变化模式识别网络学习到更好的特征距离度量。
步骤S153,基于所述样例温度监测时序数据序列的每个样例温度监测时序数据的自相关编码向量与相应的标注编码向量之间的特征距离,计算第二编码误差参数。
例如,在这个步骤中,可以计算所有样例温度监测时序数据的第二编码误差参数。具体来说,将会比较每个样例温度监测时序数据的自相关编码向量与其相应的标注编码向量之间的特征距离,然后基于这些特征距离来计算第二编码误差参数。
示例性地,第二编码误差参数是用于衡量温度变化模式识别网络对样例温度监测时序数据的自相关编码向量和标注编码向量之间特征距离的计算准确性。
基本思想是,对于同一样例温度监测时序数据的自相关编码向量和标注编码向量,希望它们尽可能地接近。也就是说,温度变化模式识别网络生成的自相关编码向量应该与人为标注(或其他可信来源)的标注编码向量相符合。
以下是一个可能的计算公式:
假设有N个样例温度监测时序数据,其中每个样例温度监测时序数据i的自相关编码向量为v_i,对应的标注编码向量为u_i。
那么,第二编码误差参数(Mean Squared Error,MSE)可以使用下面的公式计算:
MSE2 = 1/N × Σ_{i=1}^N ||v_i - u_i||^2
在上述公式中,||v_i - u_i|| 是单个样例的自相关编码向量和标注编码向量之间的欧氏距离,||v_i - u_i||^2 是该距离的平方,Σ_{i=1}^N ||v_i - u_i||^2 计算的是所有样例温度监测时序数据的平方距离的总和,最后除以N得到的就是均方误差。
通过最小化这个MSE,可以让温度变化模式识别网络学习到生成与标注编码向量更接近的自相关编码向量。
步骤S154,将第一编码误差参数与所述第二编码误差参数进行融合,生成本轮轮询的编码误差参数。
在最后一个步骤中,将第一编码误差参数和第二编码误差参数进行融合(例如直接相加),得到本轮轮询的总体编码误差参数,用于表征自相关编码的性能。
在一种可能的实施方式中,步骤S151可以包括:
步骤S1511,将所述匹配样例时序数据组合中的两个样例温度监测时序数据,作为目标样例温度监测时序数据与所述目标样例温度监测时序数据的匹配样例时序数据。
例如,在这个步骤中,假设匹配样例时序数据组合包含两个样例温度监测时序数据X和Y。将选择样例温度监测时序数据X作为目标样例温度监测时序数据,而样例温度监测时序数据Y则被视为样例温度监测时序数据X的匹配样例时序数据。
步骤S1512,依据本轮提取的温度态势矢量,从所述样例温度监测时序数据序列中确定至少一个与所述目标样例温度监测时序数据不匹配的样例温度监测时序数据,作为所述目标样例温度监测时序数据的非匹配样例时序数据。
例如,在这个步骤中,可以确定本轮提取的温度态势矢量,然后在所有的样例温度监测时序数据序列中找到至少一个与样例温度监测时序数据X(目标样例温度监测时序数据)不匹配的样例温度监测时序数据。假设找到了这样一个样例温度监测时序数据Z,那么样例温度监测时序数据Z就会被视为样本X的非匹配样例时序数据。
步骤S1513,将所述目标样例温度监测时序数据、所述目标样例温度监测时序数据的匹配样例时序数据与所述目标样例温度监测时序数据的非匹配样例时序数据构成至少一个训练样例集合。
例如,在最后一个步骤中,将样例温度监测时序数据X、样例温度监测时序数据Y和样例温度监测时序数据Z组合起来,形成一个训练样例集合。这个训练样例集合包含了一个目标样例(样本X)、一个匹配样例(样本Y)和一个非匹配样例(样本Z)。
在一种可能的实施方式中,所述方法还包括:
步骤S101,获取锗烷提纯系统的温度监测流的监测节点。
步骤S102,将同一监测节点的温度监测时序数据作为匹配样例时序数据,生成对应于同一监测节点的多个匹配样例时序数据组合。
例如,锗烷提纯系统有多个监测节点,每个监测节点都会产生一串温度监测时序数据。
由此,在本实施例中,首先需要获取所有的监测节点。这些监测节点可能分布在不同位置,例如反应器、冷却器等。
接下来,将查看每个监测节点的温度监测时序数据。因为这些温度监测时序数据来自同一个节点,所以它们可能具有相似的特征,可以被视为匹配样例时序数据。例如,可能会发现监测节点A在早上、中午和晚上的温度数据显示出相似的模式,那么这些样例时序数据就可以被组合成一个匹配样例时序数据组合。
那么,在步骤S1512中,可以包括:
1、获取所述目标样例温度监测时序数据的本轮提取的温度态势矢量和各候选样例温度监测时序数据的本轮提取的温度态势矢量。所述候选样例温度监测时序数据是所述样例温度监测时序数据序列中除所述目标样例温度监测时序数据所属的匹配样例时序数据组合外,其它匹配样例时序数据组合的样例温度监测时序数据。
例如,在这个步骤中,首先需要确定一个目标样例温度监测时序数据。然后,会获取这个目标样例温度监测时序数据的温度态势矢量,以及所有其他候选样例温度监测时序数据的温度态势矢量。这些候选样例温度监测时序数据都是从除了目标样例温度监测时序数据所在的匹配样例时序数据组合之外的其他匹配样例时序数据组合中选择的。
2、依据所述目标样例温度监测时序数据的本轮提取的温度态势矢量分别与各候选样例温度监测时序数据的本轮提取的温度态势矢量之间的偏离度,按照偏离度的升序次序,对各候选样例温度监测时序数据进行整理。
例如,在这个步骤中,会计算目标样例温度监测时序数据的温度态势矢量与每个候选样例温度监测时序数据的温度态势矢量之间的偏离度。然后,会按照这些偏离度从小到大的顺序对所有的候选样例温度监测时序数据进行排序。
3、确定位于目标次序之后的候选样例温度监测时序数据,并从位于目标次序之后的候选样例温度监测时序数据中确定与所述目标样例温度监测时序数据不匹配的样例温度监测时序数据,作为所述目标样例温度监测时序数据的非匹配样例时序数据。
最后,会选择一个目标次序,然后在这个目标次序之后的所有候选样例温度监测时序数据中,找出一个与目标样例温度监测时序数据不匹配的样例温度监测时序数据。这个不匹配的样例温度监测时序数据将被视为目标样例的非匹配样例时序数据。
在一种可能的实施方式中,所述温度变化模式识别网络包括自相关编码器和分类器。
步骤S160可以包括:
步骤S161,将所述模式估计误差参数与所述编码误差参数进行融合,生成本轮轮询的全局误差参数。
步骤S162,基于本轮轮询的全局误差参数,分别对上一轮轮询进行训练生成的温度变化模式识别网络中所述分类器的函数定义信息与所述自相关编码器的函数定义信息进行更新,生成本轮轮询优化的温度变化模式识别网络。
以下是对这段技术内容的具体场景举例说明:
例如,在这个步骤中,首先可以将模式估计误差参数和编码误差参数进行融合。模式估计误差参数反映了温度变化模式识别网络在预测温度变化模式时的准确性,而编码误差参数则反映了自相关编码器的性能。将这所述模式估计误差参数与所述编码误差参数进行融合,可以得到一个全局误差参数,用于反映温度变化模式识别网络在整体上的性能。
接着,可以根据全局误差参数来更新温度变化模式识别网络。具体来说,将会对分类器的函数定义信息以及自相关编码器的函数定义信息进行调整。这个更新过程可能涉及到参数的调整、激活函数的修改等等。经过更新后,就得到了本轮优化过的温度变化模式识别网络。
示例性地,全局误差参数是用来衡量整体温度变化模式识别网络(包括分类器和自相关编码器)在上一轮轮询的性能。这个全局误差参数可能包括但不限于前面提到的模式估计误差参数和编码误差参数。
基于全局误差参数,可以更新温度变化模式识别网络中的分类器和自相关编码器的函数定义信息。函数定义信息可能包括各种参数,例如神经网络中的权重和偏置,或者决策树中的分裂规则等。
具体的更新过程会依赖于所使用的优化算法和模型类型。以下是一个使用梯度下降优化算法和神经网络模型的例子:
假设全局误差参数为E,分类器和自相关编码器的参数分别为θ_c和θ_e。
1. 计算全局误差关于分类器参数的梯度:∇_θc E。
2. 计算全局误差关于自相关编码器参数的梯度:∇_θe E。
3. 更新分类器的参数:θ_c = θ_c - α ∇_θc E,其中α是学习率。
4. 更新自相关编码器的参数:θ_e = θ_e - α ∇_θe E。
以上四步完成了一次参数更新,也就是一次训练迭代。在训练过程中,会不断重复这四步,直到全局误差参数降到一个满意的水平,或者达到预设的最大迭代次数。
通过这样的方式,可以根据全局误差参数来不断优化和调整模型的参数,从而使得温度变化模式识别网络在处理未来数据时能够有更好的表现。
在一种可能的实施方式中,每轮轮询为所有网络优化轮次中的其中一轮轮询,每轮轮询使用的样例温度监测时序数据序列为全局训练样本数据序列的训练样本数据子序列。
所述方法还包括:
步骤A110,在所述本轮轮询为第一个依据各温度变化模式的样例属性门限值确定有效样例时序数据的所有网络优化轮次中的第一轮轮询时,获取全局训练样本数据序列中各个样例温度监测时序数据的最初训练标签数据,以及完成上一批次所有网络优化轮次后各个样例温度监测时序数据的温度变化模式估计矩阵。
步骤A120,分别将所述各个温度变化模式中的各个温度变化模式作为目标温度变化模式。
步骤A130,针对每个目标温度变化模式,基于所述最初训练标签数据确定所述目标温度变化模式的积极样例时序数据与消极样例时序数据。
步骤A140,基于完成上一批次所有网络优化轮次后所述目标温度变化模式的积极样例时序数据的温度变化模式估计矩阵中,对应所述目标温度变化模式的估计置信度的平均置信度,重置所述本轮轮询所调用的所述目标温度变化模式的积极样例门限值。
步骤A150,基于完成上一批次所有网络优化轮次后所述目标温度变化模式的消极样例时序数据的温度变化模式估计矩阵中,对应所述目标温度变化模式的估计置信度的平均置信度,重置所述本轮轮询所调用的所述目标温度变化模式的消极样例门限值。
例如,在第一轮网络优化开始时,需要收集两类数据:一类是每个样例温度监测时序数据的最初训练标签数据;另一类是在上一批次所有网络优化结束后,每个样例温度监测时序数据的温度变化模式估计矩阵。
接下来,会选择一个温度变化模式作为目标,然后会逐一考虑所有的温度变化模式。
对于每个目标温度变化模式,需要确定两类样例温度监测时序数据:积极样例时序数据和消极样例时序数据。积极样例时序数据是指在最初的训练标签数据中被标记为该温度变化模式的样例,而消极样例时序数据则是指被标记为其他温度变化模式的样例时序数据。
接着,重新设置积极样例门限值。具体来说,可以获取在上一批次所有网络优化结束后,积极样例时序数据的温度变化模式估计矩阵中对应目标温度变化模式的估计置信度的平均值,然后将这个平均值作为新的积极样例门限值。
与上一个步骤类似,也需要重新设置消极样例门限值。该消极样例门限值会根据在上一批次所有网络优化结束后,消极样例时序数据的温度变化模式估计矩阵中对应目标温度变化模式的估计置信度的平均值来确定。
譬如,在一种可能的实施方式中,所述方法还包括:
步骤S170,在符合网络收敛要求时,生成目标温度变化模式识别网络。
步骤S180,获取用于温度变化模式识别的目标温度监测时序数据。
步骤S190,通过所述目标温度变化模式识别网络,提取所述目标温度监测时序数据的温度态势矢量,对所述目标温度监测时序数据的温度态势矢量进行自相关编码生成所述目标温度监测时序数据的自相关编码向量。
步骤S200,对所述目标温度监测时序数据的自相关编码向量进行温度变化模式识别,获得对应的温度变化模式识别结果。
例如,在进行了多轮网络优化后,温度变化模式识别网络最终会达到一个稳定状态,即网络收敛。在满足特定的收敛条件(如误差参数下降到一定程度,或者达到预设的训练轮数)后,就可以将当前的温度变化模式识别网络视为目标温度变化模式识别网络。
接下来,可以收集用于温度变化模式识别的目标温度监测时序数据,该目标温度监测时序数据可能来自锗烷提纯系统的实时监测,也可能来自历史数据集。
然后,将通过目标温度变化模式识别网络处理目标温度监测时序数据。首先,提取每个目标温度监测时序数据的温度态势矢量,然后使用自相关编码器对这些温度态势矢量进行编码,生成自相关编码向量。
最后,将对自相关编码向量进行温度变化模式识别,得到目标温度监测时序数据的温度变化模式识别结果。
图2示出了本申请实施例提供的用于实现上述的基于锗烷提纯系统的温度监测方法的基于锗烷提纯系统的温度监测系统100的硬件结构意图,如图2所示,基于锗烷提纯系统的温度监测系统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,基于锗烷提纯系统的温度监测系统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,基于锗烷提纯系统的温度监测系统100可以是分布式的系统)。一种可替代的实施例中,基于锗烷提纯系统的温度监测系统100可以是本地的,也可以是远程的。例如,基于锗烷提纯系统的温度监测系统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,基于锗烷提纯系统的温度监测系统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,基于锗烷提纯系统的温度监测系统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可以储存基于锗烷提纯系统的温度监测系统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基于锗烷提纯系统的温度监测方法,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基于锗烷提纯系统的温度监测系统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,实现如上基于锗烷提纯系统的温度监测方法。
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。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 (10)
1.一种基于锗烷提纯系统的温度监测方法,其特征在于,所述方法包括:
获取本轮轮询的锗烷提纯系统的样例温度监测时序数据序列;
基于上一轮轮询优化的温度变化模式识别网络提取所述样例温度监测时序数据序列中样例温度监测时序数据的温度态势矢量,对所述温度态势矢量进行自相关编码生成自相关编码向量,基于所述自相关编码向量进行模式估计生成所述样例温度监测时序数据的温度变化模式估计矩阵;
依据上一轮轮询优化的对应各个温度变化模式的样例属性门限值与所述样例温度监测时序数据的温度变化模式估计矩阵,从所述样例温度监测时序数据序列中确定对应各个温度变化模式的有效样例时序数据并调整所述有效样例时序数据的训练标签数据,基于所述有效样例时序数据的训练标签数据与温度变化模式估计矩阵,确定本轮轮询的模式估计误差参数,其中,所述样例属性门限值用于表示积极样例时序数据和消极样例时序数据分别对应的门限值;
基于所述有效样例时序数据的温度变化模式估计矩阵,对上一轮轮询优化的对应各个温度变化模式的样例属性门限值进行优化,生成本轮轮询优化的对应各个温度变化模式的样例属性门限值;
从所述样例温度监测时序数据序列中确定所述样例温度监测时序数据的匹配样例时序数据与非匹配样例时序数据,依据所述样例温度监测时序数据、所述匹配样例时序数据与所述非匹配样例时序数据的自相关编码向量,以及所述样例温度监测时序数据的自相关编码向量与相应的标注编码向量,确定本轮轮询的编码误差参数;
依据所述模式估计误差参数与所述编码误差参数,对上一轮轮询优化的温度变化模式识别网络进行训练生成本轮轮询优化的温度变化模式识别网络。
2.根据权利要求1所述的基于锗烷提纯系统的温度监测方法,其特征在于,所述依据上一轮轮询优化的对应各个温度变化模式的样例属性门限值与所述样例温度监测时序数据的温度变化模式估计矩阵,从所述样例温度监测时序数据序列中确定对应各个温度变化模式的有效样例时序数据并调整所述有效样例时序数据的训练标签数据,包括:
分别将所述各个温度变化模式中的每个温度变化模式作为目标温度变化模式;
获取上一轮轮询优化的对应所述目标温度变化模式的积极样例门限值与消极样例门限值;
当所述样例温度监测时序数据的温度变化模式估计矩阵中,对应所述目标温度变化模式的估计置信度不小于所述目标温度变化模式的积极样例门限值时,则确定所述样例温度监测时序数据为所述本轮轮询中的对应所述目标温度变化模式的有效积极样例时序数据,调整所述样例温度监测时序数据对应所述目标温度变化模式的训练标签数据为第一标签参数;
当所述样例温度监测时序数据的温度变化模式估计矩阵中,对应所述目标温度变化模式的估计置信度不大于所述目标温度变化模式的消极样例门限值时,则确定所述样例温度监测时序数据为所述本轮轮询中的对应所述目标温度变化模式的有效消极样例时序数据,调整所述样例温度监测时序数据对应所述目标温度变化模式的训练标签数据为第二标签参数。
3.根据权利要求2所述的基于锗烷提纯系统的温度监测方法,其特征在于,所述基于所述有效样例时序数据的温度变化模式估计矩阵,对上一轮轮询优化的对应各个温度变化模式的样例属性门限值进行优化,生成本轮轮询优化的对应各个温度变化模式的样例属性门限值,包括:
分别将所述各个温度变化模式中的每个温度变化模式作为目标温度变化模式;
将上一轮轮询优化的对应所述目标温度变化模式的积极样例门限值,与所述本轮轮询中的所述目标温度变化模式的有效积极样例时序数据对应所述目标温度变化模式的估计置信度的平均置信度进行融合,生成本轮轮询优化的对应所述目标温度变化模式的积极样例门限值;其中,所述上一轮轮询优化的对应所述目标温度变化模式的积极样例门限值的融合权值大于所述平均置信度的融合权值;
将上一轮轮询优化的对应所述目标温度变化模式的消极样例门限值,与所述本轮轮询中的所述目标温度变化模式的有效消极样例时序数据对应所述目标温度变化模式的估计置信度的平均置信度进行融合,生成本轮轮询优化的对应所述目标温度变化模式的消极样例门限值;其中,所述上一轮轮询优化的对应所述目标温度变化模式的消极样例门限值的融合权值大于所述平均置信度的融合权值。
4.根据权利要求1所述的基于锗烷提纯系统的温度监测方法,其特征在于,所述基于所述有效样例时序数据的训练标签数据与温度变化模式估计矩阵,确定本轮轮询的模式估计误差参数,包括:
分别将所述各个温度变化模式中的每个温度变化模式作为目标温度变化模式;
对于对应所述目标温度变化模式的每个有效样例时序数据,基于调整后的所述有效样例时序数据的训练标签数据与所述有效样例时序数据的温度变化模式估计矩阵中对应所述目标温度变化模式的估计置信度,计算所述目标温度变化模式的估计误差参数;
将对应每个温度变化模式的估计误差参数进行相加,生成本轮轮询的模式估计误差参数。
5.根据权利要求1所述的基于锗烷提纯系统的温度监测方法,其特征在于,所述样例温度监测时序数据序列包括匹配样例时序数据组合,所述匹配样例时序数据组合包括的两个样例温度监测时序数据存在特征相关性;
所述从所述样例温度监测时序数据序列中确定所述样例温度监测时序数据的匹配样例时序数据与非匹配样例时序数据,依据所述样例温度监测时序数据、所述匹配样例时序数据与所述非匹配样例时序数据的自相关编码向量,以及所述样例温度监测时序数据的自相关编码向量与相应的标注编码向量,确定本轮轮询的编码误差参数,包括:
对于所述样例温度监测时序数据序列的每个匹配样例时序数据组合,生成与所述匹配样例时序数据组合相应的训练样例集合;所述训练样例集合包括目标样例温度监测时序数据、所述目标样例温度监测时序数据的匹配样例时序数据与所述目标样例温度监测时序数据的非匹配样例时序数据;
对于每个训练样例集合,基于所述目标样例温度监测时序数据与所述匹配样例时序数据的自相关编码向量的特征距离,所述目标样例温度监测时序数据与所述非匹配样例时序数据的自相关编码向量之间的特征距离,计算第一编码误差参数;
基于所述样例温度监测时序数据序列的每个样例温度监测时序数据的自相关编码向量与相应的标注编码向量之间的特征距离,计算第二编码误差参数;
将第一编码误差参数与所述第二编码误差参数进行融合,生成本轮轮询的编码误差参数。
6.根据权利要求5所述的基于锗烷提纯系统的温度监测方法,其特征在于,所述对于所述样例温度监测时序数据序列的每个匹配样例时序数据组合,生成与所述匹配样例时序数据组合相应的训练样例集合,包括:
将所述匹配样例时序数据组合中的两个样例温度监测时序数据,作为目标样例温度监测时序数据与所述目标样例温度监测时序数据的匹配样例时序数据;
依据本轮提取的温度态势矢量,从所述样例温度监测时序数据序列中确定至少一个与所述目标样例温度监测时序数据不匹配的样例温度监测时序数据,作为所述目标样例温度监测时序数据的非匹配样例时序数据;
将所述目标样例温度监测时序数据、所述目标样例温度监测时序数据的匹配样例时序数据与所述目标样例温度监测时序数据的非匹配样例时序数据构成至少一个训练样例集合。
7.根据权利要求6所述的基于锗烷提纯系统的温度监测方法,其特征在于,所述方法还包括:
获取锗烷提纯系统的温度监测流的监测节点;
将同一监测节点的温度监测时序数据作为匹配样例时序数据,生成对应于同一监测节点的多个匹配样例时序数据组合;
所述依据本轮提取的温度态势矢量,从所述样例温度监测时序数据序列中确定至少一个与所述目标样例温度监测时序数据不匹配的样例温度监测时序数据,作为所述目标样例温度监测时序数据的非匹配样例时序数据,包括:
获取所述目标样例温度监测时序数据的本轮提取的温度态势矢量和各候选样例温度监测时序数据的本轮提取的温度态势矢量;所述候选样例温度监测时序数据是所述样例温度监测时序数据序列中除所述目标样例温度监测时序数据所属的匹配样例时序数据组合外,其它匹配样例时序数据组合的样例温度监测时序数据;
依据所述目标样例温度监测时序数据的本轮提取的温度态势矢量分别与各候选样例温度监测时序数据的本轮提取的温度态势矢量之间的偏离度,按照偏离度的升序次序,对各候选样例温度监测时序数据进行整理;
确定位于目标次序之后的候选样例温度监测时序数据,并从位于目标次序之后的候选样例温度监测时序数据中确定与所述目标样例温度监测时序数据不匹配的样例温度监测时序数据,作为所述目标样例温度监测时序数据的非匹配样例时序数据。
8.根据权利要求1所述的基于锗烷提纯系统的温度监测方法,其特征在于,所述温度变化模式识别网络包括自相关编码器和分类器;
依据所述模式估计误差参数与所述编码误差参数,对上一轮轮询优化的温度变化模式识别网络进行训练生成本轮轮询优化的温度变化模式识别网络,包括:
将所述模式估计误差参数与所述编码误差参数进行融合,生成本轮轮询的全局误差参数;
基于本轮轮询的全局误差参数,分别对上一轮轮询进行训练生成的温度变化模式识别网络中所述分类器的函数定义信息与所述自相关编码器的函数定义信息进行更新,生成本轮轮询优化的温度变化模式识别网络。
9.根据权利要求1所述的基于锗烷提纯系统的温度监测方法,其特征在于,每轮轮询为所有网络优化轮次中的其中一轮轮询,每轮轮询使用的样例温度监测时序数据序列为全局训练样本数据序列的训练样本数据子序列;
所述方法还包括:
在所述本轮轮询为第一个依据各温度变化模式的样例属性门限值确定有效样例时序数据的所有网络优化轮次中的第一轮轮询时,获取全局训练样本数据序列中各个样例温度监测时序数据的最初训练标签数据,以及完成上一批次所有网络优化轮次后各个样例温度监测时序数据的温度变化模式估计矩阵;
分别将所述各个温度变化模式中的各个温度变化模式作为目标温度变化模式;
针对每个目标温度变化模式,基于所述最初训练标签数据确定所述目标温度变化模式的积极样例时序数据与消极样例时序数据;
基于完成上一批次所有网络优化轮次后所述目标温度变化模式的积极样例时序数据的温度变化模式估计矩阵中,对应所述目标温度变化模式的估计置信度的平均置信度,重置所述本轮轮询所调用的所述目标温度变化模式的积极样例门限值;
基于完成上一批次所有网络优化轮次后所述目标温度变化模式的消极样例时序数据的温度变化模式估计矩阵中,对应所述目标温度变化模式的估计置信度的平均置信度,重置所述本轮轮询所调用的所述目标温度变化模式的消极样例门限值。
10.一种基于锗烷提纯系统的温度监测系统,其特征在于,所述基于锗烷提纯系统的温度监测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1-9中任意一项所述的基于锗烷提纯系统的温度监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311467743.5A CN117216577B (zh) | 2023-11-07 | 2023-11-07 | 基于锗烷提纯系统的温度监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311467743.5A CN117216577B (zh) | 2023-11-07 | 2023-11-07 | 基于锗烷提纯系统的温度监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117216577A CN117216577A (zh) | 2023-12-12 |
CN117216577B true CN117216577B (zh) | 2024-02-27 |
Family
ID=89041107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311467743.5A Active CN117216577B (zh) | 2023-11-07 | 2023-11-07 | 基于锗烷提纯系统的温度监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117216577B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205990235U (zh) * | 2016-09-06 | 2017-03-01 | 福建博纯材料有限公司 | 一种锗烷提纯系统 |
CN111825058A (zh) * | 2020-08-18 | 2020-10-27 | 博纯材料股份有限公司 | 一种基于分子筛自动活化的锗烷制备方法及装置 |
CN111977613A (zh) * | 2020-08-18 | 2020-11-24 | 博纯材料股份有限公司 | 乙锗烷收集纯化设备及其安全控制方法、装置和系统 |
CN116629120A (zh) * | 2023-05-23 | 2023-08-22 | 南京大全变压器有限公司 | 一种干式电力变压器的散热评价方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7683140B2 (en) * | 2004-05-20 | 2010-03-23 | Univation Technologies, Llc | Method for determining temperature value indicative of resin stickiness from data generated by polymerization reaction monitoring |
RU2518602C2 (ru) * | 2008-11-17 | 2014-06-10 | ВОЛТЕЙКС, ЭлЭлСи | Очистка германа |
-
2023
- 2023-11-07 CN CN202311467743.5A patent/CN117216577B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205990235U (zh) * | 2016-09-06 | 2017-03-01 | 福建博纯材料有限公司 | 一种锗烷提纯系统 |
CN111825058A (zh) * | 2020-08-18 | 2020-10-27 | 博纯材料股份有限公司 | 一种基于分子筛自动活化的锗烷制备方法及装置 |
CN111977613A (zh) * | 2020-08-18 | 2020-11-24 | 博纯材料股份有限公司 | 乙锗烷收集纯化设备及其安全控制方法、装置和系统 |
CN116629120A (zh) * | 2023-05-23 | 2023-08-22 | 南京大全变压器有限公司 | 一种干式电力变压器的散热评价方法及系统 |
Non-Patent Citations (1)
Title |
---|
先进硅基前驱体的应用研究与技术进展;常欣;万烨;赵雄;严大洲;袁振军;郭树虎;;半导体技术;20200529(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117216577A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN111783875A (zh) | 基于聚类分析的异常用户检测方法、装置、设备及介质 | |
Bagnall et al. | A run length transformation for discriminating between auto regressive time series | |
CN110708318A (zh) | 基于改进的径向基神经网络算法的网络异常流量预测方法 | |
CN114978956B (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
CN114399021A (zh) | 一种基于多尺度信息的概率风速预测方法和系统 | |
CN112734135A (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
Humala et al. | UniversalNILM: A semi-supervised energy disaggregation framework using general appliance models | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
CN115146764A (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
CN114896861A (zh) | 基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法 | |
CN117216577B (zh) | 基于锗烷提纯系统的温度监测方法及系统 | |
CN116432822A (zh) | 一种碳排放数据预测方法、系统、设备及可读存储介质 | |
CN113377630B (zh) | 一种通用的kpi异常检测框架实现方法 | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
CN112561153A (zh) | 一种基于模型集成的景区人群聚集预测方法 | |
CN117113148B (zh) | 基于时序图神经网络的风险识别方法、装置及存储介质 | |
CN116738354B (zh) | 一种电力物联网终端行为异常检测方法及系统 | |
CN117709732B (zh) | 结合气象监测数据的农业灾害报告生成方法及系统 | |
Toma et al. | A deep learning based method for heat pump dryer user classification | |
CN117874521A (zh) | 一种适用于提升树模型的变量分布稳定性判定方法 |
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 |