CN117289685B - 一种基于人工智能的生产线故障预测与自愈方法及系统 - Google Patents
一种基于人工智能的生产线故障预测与自愈方法及系统 Download PDFInfo
- Publication number
- CN117289685B CN117289685B CN202311585384.3A CN202311585384A CN117289685B CN 117289685 B CN117289685 B CN 117289685B CN 202311585384 A CN202311585384 A CN 202311585384A CN 117289685 B CN117289685 B CN 117289685B
- Authority
- CN
- China
- Prior art keywords
- fault
- fault data
- data
- test
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 123
- 238000012549 training Methods 0.000 claims abstract description 114
- 238000013528 artificial neural network Methods 0.000 claims abstract description 87
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims description 36
- 239000002245 particle Substances 0.000 claims description 36
- 238000012937 correction Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 claims 1
- 238000003860 storage Methods 0.000 description 15
- 230000001276 controlling effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000003610 charcoal Substances 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的生产线故障预测与自愈方法及系统。本发明提供了一种基于人工智能的生产线故障预测与自愈方法及系统，包括：获取测试产品数据以及测试故障数据；获取测试故障数据的特征向量；基于测试故障数据的特征向量构建神经网络训练模型；获取迭代计算结果，并根据迭代计算结果获取预测故障数据；反馈预测故障数据至神经网络训练模型，当神经网络训练模型满足预设条件时停止训练，并根据神经网络训练模型生成故障检测模型；获取实际产品数据，将实际产品数据导入故障检测模型，根据故障检测模型输出结果，确定实际故障数据；基于实际故障数据，控制生产线中，生产设备的工作时间。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的生产线故障预测与自愈方法及系统。
背景技术
生产线上具有多个工位对零件进行同种加工，例如烤碳机，具有多个对碳进行烘烤的工序。当一个烘烤工位上的设备出现问题时，产品的最终形态会发生变化。但是由于设备特殊性，如封闭式的烘烤生产线，无法对生产线内部进行检测，因此如何对封闭式生产线中的故障进行预测以及故障的解决是一个亟待解决的问题。
发明内容
本发明实施例提供一种基于人工智能的生产线故障预测与自愈方法及系统，以改善上述问题。
本发明实施例第一方面提出了一种基于人工智能的生产线故障预测与自愈方法，应用于一种生产线，包括：
获取测试产品数据以及测试故障数据，其中，所述测试产品数据包括平均颗粒大小、平均分布密度以及光泽度，所述测试故障数据包括的故障持续时间；
获取测试故障数据的特征向量，其中所述测试故障数据的特征向量具有三个维度，每一个所述维度分别对应所述平均颗粒大小、所述平均分布密度以及所述光泽度；
基于所述测试故障数据的特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述平均颗粒大小、所述平均分布密度、所述光泽度与所述测试故障数据进行迭代计算；
获取所述迭代计算结果，并根据所述迭代计算结果获取预测故障数据；
反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型；
获取实际产品数据，将所述实际产品数据导入所述故障检测模型，根据所述故障检测模型输出结果，确定所述实际故障数据；
基于所述实际故障数据，控制所述生产线中，生产设备的工作时间。
结合第一方面，在另外一些实施方式中，基于所述实际故障数据，控制所述生产线中，生产设备的工作时间，包括：
确定所述故障点，其中，每一个所述故障点具有一个所述对应设备，多个所述生产设备组成所述生产线；
根据所述实际故障数据确定所述故障持续时间数值；
基于所述故障持续时间，控制与所述故障点对应的所述生产设备相邻的所述生产设备的所述工作时间。
结合第一方面，在另外一些实施方式中，所述确定所述故障点，其中，每一个所述故障点具有一个所述对应设备，多个所述生产设备组成所述生产线，包括：
获取测试产品数据以及测试故障数据，其中，所述测试故障数据还包括故障点位置信息，所述故障点位置信息包括生产线初始位置至所述故障点的距离；
基于所述测试故障数据的特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述平均颗粒大小、所述平均分布密度、所述光泽度与所述测试故障数据进行迭代计算；
获取所述迭代计算结果，并根据所述迭代计算结果获取预测故障数据，其中，所述故障数据包括预测故障位置；
反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型；
获取实际产品数据，将所述实际产品数据导入所述故障检测模型，根据所述故障检测模型输出结果，确定所述实际故障点为所述故障点。
结合第一方面，在另外一些实施方式中，所述获取测试故障数据的特征向量，其中所述测试故障数据的特征向量具有三个维度，每一个所述维度分别对应所述平均颗粒大小、所述平均分布密度以及所述光泽度，包括：
对所所述平均颗粒大小、所述平均分布密度以及所述光泽度进行预处理并连接，以使三个所述维度构成所述测试故障数据的特征向量。
结合第一方面，在另外一些实施方式中，所述对所述平均颗粒大小、所述平均分布密度以及所述光泽度进行预处理，包括：
对每个所述维度进行数据清洗；
对每个所述维度进行归一化处理，以使每个所述维度均位于[0,1]的范围内。
结合第一方面，在另外一些实施方式中，所述反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型，包括：
多次反馈所述预测故障数据至所述神经网络训练模型，并获取多个所述预测故障数据；
将多个所述预测故障数据与所述测试故障数据相比对，根据比对结果获取修正值，当所述修正值小于预设值时，停止对所述神经网络训练模型的训练过程。
结合第一方面，在另外一些实施方式中，所述将多个所述预测故障数据与所述测试故障数据相比对，根据比对结果获取修正值，当所述修正值小于预设值时，停止对所述神经网络训练模型的训练过程，包括：
将所述预测故障数据与所述测试故障数据相比对，若所述预测故障数据的值大于所述测试故障数据的值，则所述修正值、所述测试故障数据的值与所述预测故障数据的值之间满足：
Q=（c1-c2）c2;
其中，所述修正值为Q，所述预测故障数据的值为c1,所述测试故障数据的值为c2。
结合第一方面，在另外一些实施方式中，所述将多个所述预测故障数据与所述测试故障数据相比对，根据比对结果获取修正值，当所述修正值小于预设值时，停止对所述神经网络训练模型的训练过程，还包括：
将所述预测故障数据与所述测试故障数据相比对，若所述预测故障数据的值小于所述测试故障数据的值，则所述修正值、所述测试故障数据的值与所述预测故障数据的值之间满足：
Q=（c2-c1）c2;
其中，所述修正值为Q，所述预测故障数据的值为c1,所述测试故障数据的值为c2。
本发明第二方面提出了一种基于人工智能的生产线故障预测与自愈系统，所述系统包括：
第一获取模块，所述第一获取模块用于获取测试产品数据以及测试故障数据，其中，所述测试产品数据包括平均颗粒大小、平均分布密度以及光泽度，所述测试故障数据包括的故障持续时间；
第二获取模块，所述第二获取模块用于获取测试故障数据的特征向量，其中所述测试故障数据的特征向量具有三个维度，每一个所述维度分别对应所述平均颗粒大小、所述平均分布密度以及所述光泽度；
第一构建模块，所述第一构建模块用于基于所述测试故障数据的特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述平均颗粒大小、所述平均分布密度、所述光泽度与所述测试故障数据进行迭代计算；
第三获取模块，所述第三获取模块用于获取所述迭代计算结果，并根据所述迭代计算结果获取预测故障数据；
第一反馈模块，所述第一反馈模块用于反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型；
第四获取模块，所述第四获取模块用于获取实际产品数据，将所述实际产品数据导入所述故障检测模型，根据所述故障检测模型输出结果，确定所述实际故障数据；
第一控制模块，所述第一控制模块用于基于所述实际故障数据，控制所述生产线中，生产设备的工作时间。
本发明实施例第三方面提出一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现本发明实施例第一方面提出方法步骤。
本发明实施例第四方面提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例第一方面提出方法。
本发明实施例包括以下优点：本发明提出的一种基于人工智能的生产线故障预测与自愈方法，首先，获取测试产品数据以及测试故障数据；获取测试故障数据的特征向量，其中测试故障数据的特征向量具有三个维度，每一个维度分别对应平均颗粒大小、平均分布密度以及光泽度，然后，基于测试故障数据的特征向量构建神经网络训练模型，然后，获取迭代计算结果，并根据迭代计算结果获取预测故障数据，然后，反馈预测故障数据至神经网络训练模型，当神经网络训练模型满足预设条件时停止训练，并根据神经网络训练模型生成故障检测模型，然后，获取实际产品数据，将实际产品数据导入故障检测模型，根据故障检测模型输出结果，确定实际故障数据，最后，基于实际故障数据，控制生产线中，生产设备的工作时间。本发明提出的一种基于人工智能的生产线故障预测与自愈方法，通过人工智能的方式，仅通过产品的状态即可对生产线中发生故障的情况进行识别，并根据识别结果调节生产线的生产过程，无需对生产线每一个步骤进行监控。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中提出的一种基于人工智能的生产线故障预测与自愈方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例提出了一种基于人工智能的生产线故障预测与自愈方法，应用于一种生产线，在本实施例中以制炭机生产线为例，在另外一些实施例中也可以是如面包机等，在此不做限定。请参阅图1，方法包括以下步骤：
S101:获取测试产品数据以及测试故障数据，其中，所述测试产品数据包括平均颗粒大小、平均分布密度以及光泽度，所述测试故障数据包括的故障持续时间。
可以理解的，在本实施例方式中，生产线测试产品数据中的平均颗粒大小、平均分布密度和光泽度是评估产品外观和性能的重要指标。在本实施方式中，以烤碳机产品碳粒的外观参数作为基本的检测参数来判断烤碳机中的生产问题。
S102:获取测试故障数据的特征向量，其中所述测试故障数据的特征向量具有三个维度，每一个所述维度分别对应所述平均颗粒大小、所述平均分布密度以及所述光泽度。
具体的，作为一种实施方式，步骤S102包括以下步骤：
对所所述平均颗粒大小、所述平均分布密度以及所述光泽度进行预处理并连接，以使三个所述维度构成所述测试故障数据的特征向量。
可以理解的，对所所述平均颗粒大小、所述平均分布密度以及所述光泽度进行预处理并连接，以使三个所述维度构成所述测试故障数据的特征向量，可以包括以下步骤：
S201:对每个所述维度进行数据清洗。
具体的，数据清洗可以包括检查数据是否完整，具体的，可以通过检查数据中是否存在缺失值或异常值。如果存在，需要对缺失值进行填充或删除，对异常值进行修正或删除。在另外一些实施方式中，也可以包括对数据格式或重复性的检测，具体数据清洗的内容在此不做限定。
S202:对每个所述维度进行归一化处理，以使每个所述维度均位于[0,1]的范围内。
可以理解的，对每个维度进行归一化处理，可以使不同维度的数据具有可比性，避免不同尺度的数据对模型训练的影响不同。具体的，设x为某个维度的原始数据，xmin和xmax分别为该维度的最小值和最大值，则该维度的归一化后的值为：
y = (x - xmin) / (xmax - xmin)
其中，y为归一化后的值，取值范围为[0,1]。该方法可以保留数据的相对大小关系，同时使得数据具有可比性。
可以理解的，在本步骤中，设平均颗粒大小、平均分布密度和光泽度分别为y1、x2和x3，则测试故障数据的特征向量为：[y1, x2, x3]。该特征向量包含了三个维度的信息，可以作为神经网络训练模型的输入特征，进行模型训练和预测。
具体的，在连接的过程中，将三个维度的数据按照相同的时间戳进行对应。即将平均颗粒大小、平均分布密度和光泽度的数据按照采样时间对齐，确保每个维度的数据对应的时间相同。将对应的三个维度的数据组合成一个特征向量。即将平均颗粒大小、平均分布密度和光泽度三个维度的数据按照一定的顺序组合成一个特征向量。该特征向量用于作为测试故障数据的表示。
S103:基于所述测试故障数据的特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述平均颗粒大小、所述平均分布密度、所述光泽度与所述测试故障数据进行迭代计算。
可以理解的，具体的，可以采用深度学习中常用的全连接神经网络训练模型，该模型可以通过多层神经元的计算，将输入特征与输出值之间的非线性关系进行建模。
具体地，设特征向量为x=[y1, x2, x3]，其中y1、x2和x3分别表示归一化后的平均颗粒大小、平均分布密度和光泽度，设神经网络训练模型为f(x;θ)，其中θ表示模型参数，使得模型输出值f(x;θ)能够接近测试故障数据的真实值y。则神经网络训练模型的训练过程可以通过最小化损失函数来实现，即：
L(θ) = 1/N * Σ(f(x_i;θ) - y_i)^2
其中，N表示训练样本数量，xi和yi分别表示第i个样本的输入特征和输出值。该损失函数可以衡量模型预测值与真实值之间的误差，通过反向传播算法和梯度下降等优化算法，可以更新模型参数θ，从而提高模型的准确性。
S104:获取所述迭代计算结果，并根据所述迭代计算结果获取预测故障数据。
可以理解的，在神经网络训练模型训练完成后，可以使用该模型对新的预测故障数据进行预测。具体地，对于一个新的测试产品数据，得到特征向量x=[x1, x2, x3]。然后，将该特征向量输入到已经训练好的神经网络训练模型中，进行迭代计算，得到模型预测的预测故障数据f(x;θ)。
具体地，通过前向传播算法，神经网络训练模型将特征向量x作为输入，逐层计算得到最终输出值f(x;θ)。在计算过程中，每个神经元都采用激活函数对输入值进行非线性变换，以增强模型的表达能力。最终输出值f(x;θ)通常采用线性激活函数，以保证预测结果的连续性。根据神经网络训练模型的预测结果，可以确定新的预测故障数据。
S105:反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型。
具体的，步骤S105包括以下步骤：
S105-1:多次反馈所述预测故障数据至所述神经网络训练模型，并获取多个所述预测故障数据。
S105-2:将多个所述预测故障数据与所述测试故障数据相比对，根据比对结果获取修正值，当所述修正值小于预设值时，停止对所述神经网络训练模型的训练过程。
可以理解的，将所述预测故障数据与所述测试故障数据相比对，若所述预测故障数据的值大于所述测试故障数据的值，则所述修正值、所述测试故障数据的值与所述预测故障数据的值之间满足：
Q=（c1-c2）c2;
其中，所述修正值为Q，所述预测故障数据的值为c1,所述测试故障数据的值为c2。
与之相反的，若所述预测故障数据的值小于所述测试故障数据的值，则所述修正值、所述测试故障数据的值与所述预测故障数据的值之间满足：
Q=（c2-c1）c2;
其中，所述修正值为Q，所述预测故障数据的值为c1,所述测试故障数据的值为c2。
可以理解的，当误差值小于预设值时，停止对神经网络训练模型的训练过程。这是因为当误差值小于一定阈值时，模型已经足够准确地对数据进行预测，继续训练模型的效果不大，而且可能会导致过拟合等问题。
S106:获取实际产品数据，将所述实际产品数据导入所述故障检测模型，根据所述故障检测模型输出结果，确定所述实际故障数据。
可以理解的，通过将实际产品数据导入已经训练好的故障检测模型，可以得到实际故障数据。
S107:基于所述实际故障数据，控制所述生产线中，生产设备的工作时间。
可以理解的，作为一种实施方式，步骤S107包括以下步骤：
S107-1:确定所述故障点，其中，每一个所述故障点具有一个所述对应设备，多个所述生产设备组成所述生产线。
S107-2：根据所述实际故障数据确定所述故障持续时间数值。
S107-3：基于所述故障持续时间，控制与所述故障点对应的所述生产设备相邻的所述生产设备的所述工作时间。
可以理解的，对于制炭机生产线，通过延长相邻的生产设备的烘烤时间，可以一定程度上改善由于单个烘烤设备发生故障造成的影响，使总的烘烤时间不变，当然，对于另外一些生产线来说，对生产线问题的改善方式也不同，在此不做限定。
具体的，在本实施方式中，确定故障点位置的方式可以按照以下步骤进行；
获取测试产品数据以及测试故障数据，其中，所述测试故障数据还包括故障点位置信息，所述故障点位置信息包括生产线初始位置至所述故障点的距离；
基于所述测试故障数据的特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述平均颗粒大小、所述平均分布密度、所述光泽度与所述测试故障数据进行迭代计算；
获取所述迭代计算结果，并根据所述迭代计算结果获取预测故障数据，其中，所述故障数据包括预测故障位置；
反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型；
获取实际产品数据，将所述实际产品数据导入所述故障检测模型，根据所述故障检测模型输出结果，确定所述实际故障点为所述故障点。
可以理解的，确定故障点的方式也可以通过产品最终的外观形态来进行判断，在本实力中也可以采用人工智能的方式，即将上述方法中故障持续时间数据替换为故障位置数据，具体神经网络训练的过程与上述步骤相同，在此不做赘述。
本发明提出的一种基于人工智能的生产线故障预测与自愈方法，首先，获取测试产品数据以及测试故障数据；获取测试故障数据的特征向量，其中测试故障数据的特征向量具有三个维度，每一个维度分别对应平均颗粒大小、平均分布密度以及光泽度，然后，基于测试故障数据的特征向量构建神经网络训练模型，然后，获取迭代计算结果，并根据迭代计算结果获取预测故障数据，然后，反馈预测故障数据至神经网络训练模型，当神经网络训练模型满足预设条件时停止训练，并根据神经网络训练模型生成故障检测模型，然后，获取实际产品数据，将实际产品数据导入故障检测模型，根据故障检测模型输出结果，确定实际故障数据，最后，基于实际故障数据，控制生产线中，生产设备的工作时间。本发明提出的一种基于人工智能的生产线故障预测与自愈方法，通过人工智能的方式，仅通过产品的状态即可对生产线中发生故障的情况进行识别，并根据识别结果调节生产线的生产过程，无需对生产线每一个步骤进行监控。
基于同一发明构思，本申请实施例还提出了一种基于人工智能的生产线故障预测与自愈系统，包括：
第一获取模块，所述第一获取模块用于获取测试产品数据以及测试故障数据，其中，所述测试产品数据包括平均颗粒大小、平均分布密度以及光泽度，所述测试故障数据包括的故障持续时间；
第二获取模块，所述第二获取模块用于获取测试故障数据的特征向量，其中所述测试故障数据的特征向量具有三个维度，每一个所述维度分别对应所述平均颗粒大小、所述平均分布密度以及所述光泽度；
第一构建模块，所述第一构建模块用于基于所述测试故障数据的特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述平均颗粒大小、所述平均分布密度、所述光泽度与所述测试故障数据进行迭代计算；
第三获取模块，所述第三获取模块用于获取所述迭代计算结果，并根据所述迭代计算结果获取预测故障数据；
第一反馈模块，所述第一反馈模块用于反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型；
第四获取模块，所述第四获取模块用于获取实际产品数据，将所述实际产品数据导入所述故障检测模型，根据所述故障检测模型输出结果，确定所述实际故障数据；
第一控制模块，所述第一控制模块用于基于所述实际故障数据，控制所述生产线中，生产设备的工作时间。
本发明提出的一种基于人工智能的生产线故障预测与自愈系统，首先，获取测试产品数据以及测试故障数据；获取测试故障数据的特征向量，其中测试故障数据的特征向量具有三个维度，每一个维度分别对应平均颗粒大小、平均分布密度以及光泽度，然后，基于测试故障数据的特征向量构建神经网络训练模型，然后，获取迭代计算结果，并根据迭代计算结果获取预测故障数据，然后，反馈预测故障数据至神经网络训练模型，当神经网络训练模型满足预设条件时停止训练，并根据神经网络训练模型生成故障检测模型，然后，获取实际产品数据，将实际产品数据导入故障检测模型，根据故障检测模型输出结果，确定实际故障数据，最后，基于实际故障数据，控制生产线中，生产设备的工作时间。本发明提出的一种基于人工智能的生产线故障预测与自愈系统，通过人工智能的方式，仅通过产品的状态即可对生产线中发生故障的情况进行识别，并根据识别结果调节生产线的生产过程，无需对生产线每一个步骤进行监控。
基于同一发明构思，本申请的实施例还提出了一种电子设备，电子设备包括：
至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请实施例的基于人工智能的生产线故障预测与自愈方法。
此外，为实现上述目的，本申请的实施例还提出了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现本申请实施例的基于人工智能的生产线故障预测与自愈方法。
下面对电子设备的各个构成部件进行具体的介绍：
其中，处理器是电子设备的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器是一个或多个中央处理器（central processing unit，CPU），也可以是特定集成电路（application specific integrated circuit，ASIC），或者是被配置成实施本发明实施例的一个或多个集成电路，例如：一个或多个微处理器（digital signalprocessor，DSP），或，一个或者多个现场可编程门阵列（field programmable gate array，FPGA）。
可选地，处理器可以通过运行或执行存储在存储器内的软件程序，以及调用存储在存储器内的数据，执行电子设备的各种功能。
其中，所述存储器用于存储执行本发明方案的软件程序，并由处理器来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。
可选地，存储器可以是只读存储器（read-only memory，ROM）或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器（random access memory，RAM）或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器（electrically erasable programmable read-only memory，EEPROM）、只读光盘（compactdisc read-only memory，CD-ROM）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以和处理器集成在一起，也可以独立存在，并通过电子设备的接口电路与处理器耦合，本发明实施例对此不作具体限定。
收发器，用于与网络设备通信，或者与终端设备通信。
可选地，收发器可以包括接收器和发送器。其中，接收器用于实现接收功能，发送器用
可选地，收发器可以和处理器集成在一起，也可以独立存在，并通过路由器的接口电路与处理器耦合，本发明实施例对此不作具体限定。
此外，电子设备的技术效果可以参考上述方法实施例所述的数据传输方法的技术效果，此处不再赘述。
应理解，在本发明实施例中的处理器可以是中央处理单元（central processingunit，CPU），该处理器还可以是其他通用处理器、数字信号处理器（digital signalprocessor，DSP）、专用集成电路（application specific integrated circuit，ASIC）、现成可编程门阵列（field programmable gate array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本发明实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read-only memory，ROM）、可编程只读存储器（programmable ROM，PROM）、可擦除可编程只读存储器（erasable PROM，EPROM）、电可擦除可编程只读存储器（electrically EPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（random access memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器（random accessmemory，RAM）可用，例如静态随机存取存储器（static RAM，SRAM）、动态随机存取存储器（DRAM）、同步动态随机存取存储器（synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（double data rate SDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（direct rambus RAM，DR RAM）。
上述实施例，可以全部或部分地通过软件、硬件（如电路）、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a,b,或c中的至少一项（个），可以表示：a, b, c, a-b, a-c, b-c, 或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本发明的各种实施例中，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，而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。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）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于人工智能的生产线故障预测与自愈方法，应用于一种生产线，其特征在于，包括：
获取测试产品数据以及测试故障数据，其中，所述测试产品数据包括平均颗粒大小、平均分布密度以及光泽度，所述测试故障数据包括的故障持续时间；
获取测试故障数据的特征向量，其中所述测试故障数据的特征向量具有三个维度，每一个所述维度分别对应所述平均颗粒大小、所述平均分布密度以及所述光泽度；
对所述平均颗粒大小、所述平均分布密度以及所述光泽度进行预处理并连接，以使三个所述维度构成所述测试故障数据的特征向量；
基于所述测试故障数据的特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述平均颗粒大小、所述平均分布密度、所述光泽度与所述测试故障数据进行迭代计算；
获取迭代计算结果，并根据所述迭代计算结果获取预测故障数据；
反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型；
获取实际产品数据，将所述实际产品数据导入所述故障检测模型，根据所述故障检测模型输出结果，确定实际故障数据；
确定故障点，其中，每一个所述故障点具有一个对应生产设备，多个所述生产设备组成所述生产线；
获取测试产品数据以及测试故障数据，其中，所述测试故障数据还包括故障点位置信息，所述故障点位置信息包括生产线初始位置至所述故障点的距离；
基于所述测试故障数据的特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述平均颗粒大小、所述平均分布密度、所述光泽度与所述测试故障数据进行迭代计算；
获取所述迭代计算结果，并根据所述迭代计算结果获取预测故障数据，其中，所述故障数据包括预测故障位置；
反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型；
获取实际产品数据，将所述实际产品数据导入所述故障检测模型，根据所述故障检测模型输出结果，确定实际故障点为所述故障点；
根据所述实际故障数据确定所述故障持续时间数值；
基于所述故障持续时间，控制与所述故障点对应的所述生产设备相邻的所述生产设备的工作时间延长。
2.根据权利要求1所述的一种基于人工智能的生产线故障预测与自愈方法，其特征在于，所述对所述平均颗粒大小、所述平均分布密度以及所述光泽度进行预处理并连接，包括：
对每个所述维度进行数据清洗；
对每个所述维度进行归一化处理，以使每个所述维度均位于[0,1]的范围内。
3.根据权利要求2所述的一种基于人工智能的生产线故障预测与自愈方法，其特征在于，所述反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型，包括：
多次反馈所述预测故障数据至所述神经网络训练模型，并获取多个所述预测故障数据；
将多个所述预测故障数据与所述测试故障数据相比对，根据比对结果获取修正值，当所述修正值小于预设值时，停止对所述神经网络训练模型的训练过程。
4.根据权利要求3所述的一种基于人工智能的生产线故障预测与自愈方法，其特征在于，所述将多个所述预测故障数据与所述测试故障数据相比对，根据比对结果获取修正值，当所述修正值小于预设值时，停止对所述神经网络训练模型的训练过程，包括：
将所述预测故障数据与所述测试故障数据相比对，若所述预测故障数据的值大于所述测试故障数据的值，则所述修正值、所述测试故障数据的值与所述预测故障数据的值之间满足：
Q=（c1-c2）c2;
其中，所述修正值为Q，所述预测故障数据的值为c1,所述测试故障数据的值为c2。
5.根据权利要求4所述的一种基于人工智能的生产线故障预测与自愈方法，其特征在于，所述将多个所述预测故障数据与所述测试故障数据相比对，根据比对结果获取修正值，当所述修正值小于预设值时，停止对所述神经网络训练模型的训练过程，还包括：
将所述预测故障数据与所述测试故障数据相比对，若所述预测故障数据的值小于所述测试故障数据的值，则所述修正值、所述测试故障数据的值与所述预测故障数据的值之间满足：
Q=（c2-c1）c2;
其中，所述修正值为Q，所述预测故障数据的值为c1,所述测试故障数据的值为c2。
6.一种基于人工智能的生产线故障预测与自愈系统，其特征在于，用于实现如权利要求1-5任一项所述的方法，所述系统包括：
第一获取模块，所述第一获取模块用于获取测试产品数据以及测试故障数据，其中，所述测试产品数据包括平均颗粒大小、平均分布密度以及光泽度，所述测试故障数据包括的故障持续时间；
第二获取模块，所述第二获取模块用于获取测试故障数据的特征向量，其中所述测试故障数据的特征向量具有三个维度，每一个所述维度分别对应所述平均颗粒大小、所述平均分布密度以及所述光泽度；
第一构建模块，所述第一构建模块用于基于所述测试故障数据的特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述平均颗粒大小、所述平均分布密度、所述光泽度与所述测试故障数据进行迭代计算；
第三获取模块，所述第三获取模块用于获取迭代计算结果，并根据所述迭代计算结果获取预测故障数据；
第一反馈模块，所述第一反馈模块用于反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型；
第四获取模块，所述第四获取模块用于获取实际产品数据，将所述实际产品数据导入所述故障检测模型，根据所述故障检测模型输出结果，确定实际故障数据；
第一控制模块，所述第一控制模块用于基于所述实际故障数据，控制所述生产线中，生产设备的工作时间。
7.一种电子设备，其特征在于，包括：
处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311585384.3A CN117289685B (zh) | 2023-11-27 | 2023-11-27 | 一种基于人工智能的生产线故障预测与自愈方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311585384.3A CN117289685B (zh) | 2023-11-27 | 2023-11-27 | 一种基于人工智能的生产线故障预测与自愈方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117289685A CN117289685A (zh) | 2023-12-26 |
| CN117289685B true CN117289685B (zh) | 2024-02-02 |
Family
ID=89252174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311585384.3A Active CN117289685B (zh) | 2023-11-27 | 2023-11-27 | 一种基于人工智能的生产线故障预测与自愈方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117289685B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5557546A (en) * | 1993-03-26 | 1996-09-17 | Hitachi Building Systems Engineering & Service Co. Ltd. | Data acquisition system for the analysis of elevator trouble |
| CN109034413A (zh) * | 2018-07-11 | 2018-12-18 | 广东人励智能工程有限公司 | 基于神经网络模型的智能制造设备故障预测方法及系统 |
| CN112149301A (zh) * | 2020-09-23 | 2020-12-29 | 创新奇智(上海)科技有限公司 | 模型训练方法、故障预测方法、装置及电子设备 |
| CN113379123A (zh) * | 2021-06-09 | 2021-09-10 | 中德（珠海）人工智能研究院有限公司 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
| CN115129019A (zh) * | 2022-08-31 | 2022-09-30 | 合肥中科迪宏自动化有限公司 | 生产线故障分析模型的训练方法及生产线故障分析方法 |
| CN115378844A (zh) * | 2022-07-11 | 2022-11-22 | 天翼云科技有限公司 | 一种网络链路的故障检测方法及装置 |
| CN115526215A (zh) * | 2022-11-24 | 2022-12-27 | 光微半导体(吉林)有限公司 | 一种胶泵故障诊断维护分析优化方法及系统 |
| CN115796407A (zh) * | 2023-02-13 | 2023-03-14 | 中建科技集团有限公司 | 一种生产线故障预测方法及相关设备 |
| CN116300796A (zh) * | 2023-01-18 | 2023-06-23 | 清华大学 | 无人设备故障诊断方法、装置、设备、存储介质和产品 |
| CN116381164A (zh) * | 2023-05-31 | 2023-07-04 | 广州香安化工有限公司 | 一种基于神经网络的燃气臭味剂浓度测量方法及装置 |
| CN116663419A (zh) * | 2023-06-05 | 2023-08-29 | 长春工业大学 | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120150334A1 (en) * | 2010-12-10 | 2012-06-14 | L'air Liquide Societe Anonyme Pour L'etude Et L'exploitation Des Procedes Georges Claude | Integrated Fault Detection And Analysis Tool |
-
2023
- 2023-11-27 CN CN202311585384.3A patent/CN117289685B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5557546A (en) * | 1993-03-26 | 1996-09-17 | Hitachi Building Systems Engineering & Service Co. Ltd. | Data acquisition system for the analysis of elevator trouble |
| CN109034413A (zh) * | 2018-07-11 | 2018-12-18 | 广东人励智能工程有限公司 | 基于神经网络模型的智能制造设备故障预测方法及系统 |
| CN112149301A (zh) * | 2020-09-23 | 2020-12-29 | 创新奇智(上海)科技有限公司 | 模型训练方法、故障预测方法、装置及电子设备 |
| CN113379123A (zh) * | 2021-06-09 | 2021-09-10 | 中德（珠海）人工智能研究院有限公司 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
| CN115378844A (zh) * | 2022-07-11 | 2022-11-22 | 天翼云科技有限公司 | 一种网络链路的故障检测方法及装置 |
| CN115129019A (zh) * | 2022-08-31 | 2022-09-30 | 合肥中科迪宏自动化有限公司 | 生产线故障分析模型的训练方法及生产线故障分析方法 |
| CN115526215A (zh) * | 2022-11-24 | 2022-12-27 | 光微半导体(吉林)有限公司 | 一种胶泵故障诊断维护分析优化方法及系统 |
| CN116300796A (zh) * | 2023-01-18 | 2023-06-23 | 清华大学 | 无人设备故障诊断方法、装置、设备、存储介质和产品 |
| CN115796407A (zh) * | 2023-02-13 | 2023-03-14 | 中建科技集团有限公司 | 一种生产线故障预测方法及相关设备 |
| CN116381164A (zh) * | 2023-05-31 | 2023-07-04 | 广州香安化工有限公司 | 一种基于神经网络的燃气臭味剂浓度测量方法及装置 |
| CN116663419A (zh) * | 2023-06-05 | 2023-08-29 | 长春工业大学 | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 典型软件的故障仿真和预测方法;葛志;常青;江山;柯文俊;杜泽峰;;计算机应用研究(第S1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117289685A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11921566B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
| Malhotra et al. | Long short term memory networks for anomaly detection in time series. | |
| Surya | Risk analysis model that uses machine learning to predict the likelihood of a fire occurring at a given property | |
| US10670648B2 (en) | Systems and methods for determining whether a circuit is operating properly | |
| US20170235626A1 (en) | Anomaly Fusion on Temporal Casualty Graphs | |
| US20200150601A1 (en) | Solution for controlling a target system | |
| KR102320706B1 (ko) | 설비 모니터링 시스템의 모델 임계값 설정 방법 | |
| US20220172069A1 (en) | Method For Updating Model Of Facility Monitoring System | |
| CN112699946B (zh) | 一种针对传感监测数据的异常检测方法、装置及相关设备 | |
| JP6730340B2 (ja) | 因果推定装置、因果推定方法、及びプログラム | |
| Blesa et al. | Robust identification and fault diagnosis based on uncertain multiple input–multiple output linear parameter varying parity equations and zonotopes | |
| CN113887845A (zh) | 极端事件预测方法、装置、设备、介质和计算机程序产品 | |
| Li et al. | Reliability modeling of a series system with correlated or dependent component degradation processes | |
| CN114547145B (zh) | 一种时序数据异常检测方法、系统、存储介质及设备 | |
| CN116381164B (zh) | 一种基于神经网络的燃气臭味剂浓度测量方法及装置 | |
| CN117216481A (zh) | 一种用于电器的远程监控方法及系统 | |
| CN117289685B (zh) | 一种基于人工智能的生产线故障预测与自愈方法及系统 | |
| López-Martín et al. | Support vector regression for predicting the productivity of higher education graduate students from individually developed software projects | |
| CN107896232A (zh) | 一种ip地址评估方法及装置 | |
| US20230021965A1 (en) | Methods and systems for assessing printed circuit boards | |
| KR102320707B1 (ko) | 설비 모니터링 시스템의 설비 고장 분류 방법 | |
| Roj | Estimation of the artificial neural network uncertainty used for measurand reconstruction in a sampling transducer | |
| KR20190015415A (ko) | 동적 시스템에 의한 시스템 상태의 모델-기반 결정 | |
| CN114363004A (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
| CN113011748A (zh) | 推荐效果的评估方法、装置、电子设备及可读存储介质 |
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 |