CN117369426A - 基于热熔胶生产控制系统的状态监控方法及系统 - Google Patents
基于热熔胶生产控制系统的状态监控方法及系统 Download PDFInfo
- Publication number
- CN117369426A CN117369426A CN202311680877.5A CN202311680877A CN117369426A CN 117369426 A CN117369426 A CN 117369426A CN 202311680877 A CN202311680877 A CN 202311680877A CN 117369426 A CN117369426 A CN 117369426A
- Authority
- CN
- China
- Prior art keywords
- abnormal state
- confidence
- production
- migration control
- category
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 290
- 239000004831 Hot glue Substances 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 533
- 238000013508 migration Methods 0.000 claims abstract description 192
- 230000005012 migration Effects 0.000 claims abstract description 192
- 230000006399 behavior Effects 0.000 claims abstract description 155
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000009471 action Effects 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012512 characterization method Methods 0.000 claims description 18
- 230000005484 gravity Effects 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 47
- 239000013598 vector Substances 0.000 description 21
- 230000008569 process Effects 0.000 description 11
- 239000002994 raw material Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect 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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本申请实施例提供一种基于热熔胶生产控制系统的状态监控方法及系统,涉及智能制造技术领域。通过确定每一网络优化阶段调用的范例热熔胶生产控制数据的热熔胶生产控制特征集合,并通过初始化权重参数的异常状态预测网络确定基础异常状态特征,由此基于基础异常状态特征,确定与生产迁移控制行为对应的目标异常状态类别,即置信度最大的异常状态类别。对于目标异常状态类别为未知的生产迁移控制行为,更新其在基础异常状态特征中的初始异常状态类别的特征,以降低其为每个异常状态类别的置信度,从而确定每一网络优化阶段对应的训练误差参数后对异常状态预测网络进行优化。由此,提高异常状态预测网络对未知异常的识别能力。
Description
技术领域
本申请涉及智能制造技术领域,具体而言,涉及一种基于热熔胶生产控制系统的状态监控方法及系统。
背景技术
热熔胶是广泛应用于各种工业领域的一种粘合材料,其生产过程涉及多个复杂的迁移控制行为,如温度控制、压力控制、流量控制等。这些控制行为可能会受到各种因素的影响,导致生产过程中出现异常状态,从而影响生产质量和效率。
传统的热熔胶生产控制系统通常采用经验规则或者基于物理模型的方法进行优化,但这些方法往往难以应对生产过程中的复杂情况,特别是在面临未知的异常状态时,可能无法做出准确的预测和有效的调整。
此外,尽管神经网络已经被证明是一种强大的预测和优化工具,但如何将其有效地应用于热熔胶生产控制系统仍然存在挑战。例如,相关技术中异常状态预测网络对未知异常类别的识别能力较弱。
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热熔胶生产控制系统的状态监控方法及系统。
第一方面,本申请提供一种基于热熔胶生产控制系统的状态监控方法,应用于智能生产监控系统,所述方法包括:
确定每一网络优化阶段调用的热熔胶生产控制系统的范例热熔胶生产控制数据的热熔胶生产控制特征集合,所述热熔胶生产控制特征集合包括第一数量个热熔胶生产控制特征,所述第一数量个热熔胶生产控制特征中的每个热熔胶生产控制特征反映所述范例热熔胶生产控制数据中的第一数量个生产迁移控制行为中的一个;
基于所述热熔胶生产控制特征集合,通过初始化权重参数的异常状态预测网络确定特征表征形式为第一数量乘以第二数量的基础异常状态特征,所述基础异常状态特征中的每个特征表征形式为1乘以第二数量的特征反映一个生产迁移控制行为的初始异常状态类别为设定的第二数量个异常状态类别中的每个异常状态类别的置信度,所述第二数量个异常状态类别包括第二数量-1个先验异常状态类别和未知异常状态类别;
基于所述基础异常状态特征,确定与所述第一数量个生产迁移控制行为对应的第一数量个目标异常状态类别,每个生产迁移控制行为对应的目标异常状态类别是所述第二数量个异常状态类别中置信度最大的异常状态类别;
针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,更新后的所述基础异常状态特征为目标异常状态特征; 基于所述目标异常状态特征,确定所述每一网络优化阶段对应的训练误差参数,在所述每一网络优化阶段对应的训练误差参数不符合设定的网络优化终止要求时,对初始化权重参数的异常状态预测网络中的网络功能层权值进行更新。
在第一方面的一种可能的实施方式中,所述针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,包括:
针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,基于该生产迁移控制行为为所述未知异常状态类别的置信度更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,降低后该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,与更新前该生产迁移控制行为为所述未知异常状态类别的置信度成负向关系。
在第一方面的一种可能的实施方式中,所述针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,包括:
针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,基于第一数量个目标异常状态类别中未知异常状态类别的比重更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,降低后该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,与所述比重成正向关系。
在第一方面的一种可能的实施方式中,所述针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,包括:
针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,基于该生产迁移控制行为为所述未知异常状态类别的置信度和所述未知异常状态类别的比重更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,降低后该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,与更新前该生产迁移控制行为为所述未知异常状态类别的置信度成负向关系、且与所述比重成正向关系。
在第一方面的一种可能的实施方式中,所述针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,包括:
在所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为为P个生产迁移控制行为时,更新所述基础异常状态特征中反映所述P个生产迁移控制行为中的M个生产迁移控制行为的初始异常状态类别的、M个特征表征形式为1乘以第二数量的特征,以降低所述M个生产迁移控制行为的初始异常状态类别为M乘以第二数量个异常状态类别中每个异常状态类别的置信度,P为不小于1、且不大于第一数量的正整数,M为不小于1、且不大于P的正整数。
在第一方面的一种可能的实施方式中,所述基于该生产迁移控制行为为所述未知异常状态类别的置信度和所述未知异常状态类别的比重更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,包括:
在所述第一数量个目标异常状态类别中的P个目标异常状态类别为所述未知异常状态类别时,利用下述操作将所述P个目标异常状态类别中的第x个目标异常状态类别对应的特征表征形式为1乘以第二数量的特征中的第二数量个置信度降低,并得到第二数量个降低后的置信度:
将所述第二数量个降低后的置信度中的第y个降低后的置信度输出为等于所述第x个目标异常状态类别对应的特征表征形式为1乘以第二数量的特征中的第y个置信度、(1-所述第x个目标异常状态类别对应的特征表征形式为1乘以第二数量的特征中的未知异常状态类别对应的置信度)以及所述比重三者之间的融合参数,所述第y个置信度为第x个特征表征形式为1乘以第二数量的特征中的第y个初始置信度,y为不小于1、且不大于第二数量的正整数。
在第一方面的一种可能的实施方式中,所述方法还包括:
在所述基础异常状态特征中确定第一置信度序列中不小于第一门限值的置信度的第一统计量以及第二置信度序列中不小于第二门限值的置信度的第二统计量,所述第一置信度序列包括从所述第一数量个生产迁移控制行为中的每个生产迁移控制行为中预测的结果是所述未知异常状态类别的置信度,所述第二置信度序列包括从所述第一数量个生产迁移控制行为中的每个生产迁移控制行为中预测的结果是所述第二数量-1个先验异常状态类别中的一个类别描述词的置信度;
基于所述第一统计量和所述第二统计量,更新所述基础异常状态特征中反映P个生产迁移控制行为中的M个生产迁移控制行为的初始异常状态类别的、M个特征表征形式为1乘以第二数量的特征,以降低所述M个生产迁移控制行为的初始异常状态类别为M乘以第二数量个异常状态类别中每个异常状态类别的置信度,所述P个生产迁移控制行为为所述第一数量个目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,P为不小于1、且不大于第一数量的正整数,M为不小于1、且不大于P的正整数,生成特征表征形式为第一数量乘以第二数量的所述目标异常状态特征;
其中,所述基于所述第一统计量和所述第二统计量,更新所述基础异常状态特征中反映P个生产迁移控制行为中的M个生产迁移控制行为的初始异常状态类别的、M个特征表征形式为1乘以第二数量的特征,包括:
利用下述操作将所述M个特征表征形式为1乘以第二数量的特征中的第m个特征表征形式为1乘以第二数量的特征中的置信度降低,生成第二数量个降低后的置信度,m为不小于1、且不大M的正整数:
将所述第二数量个降低后的置信度中的第y个降低后的置信度输出为等于第y个置信度、(1-所述第m个特征表征形式为1乘以第二数量的特征中的未知异常状态类别对应的置信度)以及第一参数三者之间的融合参数,所述第一参数是将所述第二统计量除以第二参数的参数值,所述第二参数是所述第一统计量与所述第二统计量的相加统计量,所述第y个置信度为所述第m个特征表征形式为1乘以第二数量的特征中的第y个初始置信度,y为不小于1、且不大于第二数量的正整数。
在第一方面的一种可能的实施方式中,所述确定每一网络优化阶段调用的范例热熔胶生产控制数据的热熔胶生产控制特征集合:
对所述范例热熔胶生产控制数据的基础表征特征进行编码,生成第一数量个编码矩阵,所述基础表征特征的特征表征形式为R乘以T,每个所述编码矩阵的特征表征形式为i乘以j,i,j,R和T为不小于2的正整数;
对所述第一数量个编码矩阵进行递归传递处理,生成第一数量个递归特征矩阵,每个所述递归特征矩阵的特征表征形式为i乘以j,所述热熔胶生产控制特征集合包括所述第一数量个递归特征矩阵。
在第一方面的一种可能的实施方式中,所述基于所述目标异常状态特征,确定所述每一网络优化阶段对应的训练误差参数,包括:
在所述范例热熔胶生产控制数据中匹配目标类别描述词集合时,确定N种类别描述词集合簇,所述目标类别描述词集合包括依据设定次序整理的Z个类别描述词,N和Z为不小于2的正整数,每一类别描述词集合簇包括第一数量个参考异常状态类别,所述第一数量个参考异常状态类别包括依据所述设定次序整理的所述Z个类别描述词以及所述未知异常状态类别,所述未知异常状态类别在不同的类别描述词集合簇中映射的节点不同,Z小于第一数量;
在所述目标异常状态特征中确定与所述N种类别描述词集合簇对应的N个置信度序列,所述N个置信度序列中的每个置信度序列包括第一数量个置信度,所述每个置信度序列中的第一数量个置信度与所述N种类别描述词集合簇中的一种类别描述词集合簇中涵盖的第一数量个参考异常状态类别一一对应;
对所述N个置信度序列中的每个置信度序列中的第一数量个置信度进行乘积运算,生成N个运算结果,并对所述N个运算结果进行加权计算,生成目标置信度参数;
基于所述目标置信度参数,确定所述每一网络优化阶段对应的训练误差参数。
第二方面,本申请实施例还提供一种智能生产监控系统,所述智能生产监控系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有计算机程序,所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于热熔胶生产控制系统的状态监控方法。
采用以上任意方面的技术方案,通过确定每一网络优化阶段调用的范例热熔胶生产控制数据的热熔胶生产控制特征集合,并通过初始化权重参数的异常状态预测网络确定基础异常状态特征,由此基于基础异常状态特征,确定与生产迁移控制行为对应的目标异常状态类别,即置信度最大的异常状态类别。对于目标异常状态类别为未知的生产迁移控制行为,更新其在基础异常状态特征中的初始异常状态类别的特征,以降低其为每个异常状态类别的置信度,从而确定每一网络优化阶段对应的训练误差参数后对异常状态预测网络进行优化。由此,可以通过优化后的异常状态预测网络更准确地预测生产迁移控制行为可能出现的异常状态,并且针对目标异常状态类别为未知的生产迁移控制行为,通过更新其在基础异常状态特征中的初始异常状态类别的特征,降低其为每个异常状态类别的置信度,提高异常状态预测网络对未知异常的识别能力,使得预测结果更加准确。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的基于热熔胶生产控制系统的状态监控方法的流程示意图;
图2为本申请实施例提供的用于实现上述的基于热熔胶生产控制系统的状态监控方法的智能生产监控系统的功能结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围时,本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
参见图1所示,本申请提供一种基于热熔胶生产控制系统的状态监控方法,包括以下步骤。
步骤S110,确定每一网络优化阶段调用的热熔胶生产控制系统的范例热熔胶生产控制数据的热熔胶生产控制特征集合。
本实施例中,所述热熔胶生产控制特征集合包括第一数量个热熔胶生产控制特征,所述第一数量个热熔胶生产控制特征中的每个热熔胶生产控制特征反映所述范例热熔胶生产控制数据中的第一数量个生产迁移控制行为中的一个。
例如,在每一阶段的网络优化中,首先可以收集热熔胶生产控制系统的范例热熔胶生产控制数据。其中,范例热熔胶生产控制数据可以用于作为训练样本用于后续异常状态预测网络的训练过程。
范例热熔胶生产控制数据可以包括第一数量个生产迁移控制行为,一个生产迁移控制行为可能包含一系列的操作步骤,比如调整温度、压力、速度等多个参数,或者执行更复杂的流程,比如启动或停止某个设备,打开或关闭某个阀门等。这些操作可以视为该生产迁移控制行为的组成部分。
假设有一个生产迁移控制行为,它包括以下步骤:
1. 将加热器的温度从100度提升到150度
2. 启动混合器
3. 将原料A的供应量增加10%
4. 将原料B的供应量减少5%
5. 将挤压机的速度从10m/s降低到8m/s
6. 关闭冷却系统
7. ……
每一个步骤都可以被编码成一个特征,例如通过数值或者独热编码(one-hotencoding)。所有的特征可以组合成一个特征向量,形成一个"热熔胶生产控制特征集合"。例如,可能被编码成以下的特征向量:
[150,1,0.1,-0.05,8,0,……]
在这个特征向量中,第一个数字150表示加热器的温度,1表示混合器的状态(1表示启动,0表示关闭),0.1表示原料A的供应量变化,-0.05表示原料B的供应量变化,8表示挤压机的速度,0表示冷却系统的状态(1表示开启,0表示关闭),等等。
通过这种方式,可以将复杂的生产迁移控制行为转化成数值形式的特征集合,然后用于训练神经网络模型。
步骤S120,基于所述热熔胶生产控制特征集合,通过初始化权重参数的异常状态预测网络确定特征表征形式为第一数量乘以第二数量的基础异常状态特征。
本实施例中,所述基础异常状态特征中的每个特征表征形式为1乘以第二数量的特征反映一个生产迁移控制行为的初始异常状态类别为设定的第二数量个异常状态类别中的每个异常状态类别的置信度,所述第二数量个异常状态类别包括第二数量-1个先验异常状态类别和未知异常状态类别。
例如,通过一个初始化权重参数的异常状态预测网络来处理这些热熔胶生产控制特征集合,生成一个更高层次的表示,即基础异常状态特征。每个基础异常状态特征反映了一个生产迁移控制行为的初始异常状态类别的置信度。异常状态类别包括先验定义好的若干种异常状态类别以及一种未知异常状态类别。
示例性的,在之前的例子中,这个生产迁移控制行为包括了多个步骤,比如调整温度、启动混合器、改变原料供应量等等。每个步骤被编码成一个特征,所有的特征组合起来形成一个特征向量。
接下来,将这个热熔胶生产控制特征集合输入到一个已经初始化权重参数的异常状态预测网络中。这个异常状态预测网络可以是任何能够处理这种类型数据的神经网络模型,从而可以预测可能会发生的异常状态类别。例如,可能的异常状态类别可以包括系统硬件故障、系统性能下降、模块运行异常等等,以及一种未知异常状态。由此,异常状态预测网络会输出一个新的特征向量,也即基础异常状态特征。该基础异常状态特征的每个元素都反映了对应的异常状态类别的置信度。例如,如果有四种已知的异常状态和一种未知异常,那么异常状态预测网络可能会输出一个1×5维的特征向量,例如[0.1, 0.2, 0.3, 0.1,0.3],每一位对应一种异常状态类别的置信度。
步骤S130,基于所述基础异常状态特征,确定与所述第一数量个生产迁移控制行为对应的第一数量个目标异常状态类别,每个生产迁移控制行为对应的目标异常状态类别是所述第二数量个异常状态类别中置信度最大的异常状态类别。
例如,可以检测每个生产迁移控制行为对应的异常状态置信度,将置信度最大的异常状态类别作为该生产迁移控制行为的目标异常状态类别。
步骤S140,针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,更新后的所述基础异常状态特征为目标异常状态特征。
例如,如果某个生产迁移控制行为的目标异常状态类别是未知异常状态类别,可以可以在基础异常状态特征中对应这个异常状态类别的初始异常状态类别进行更新。具体来说,就是降低它对所有已知异常状态类别的置信度,从而可以增强异常状态预测网络对新出现的、未知的异常情况的适应性和预测能力,因为这些已知的异常状态类别都不符合当前的观察结果(即未知异常)。更新后的基础异常状态特征被称为目标异常状态特征。
步骤S150,基于所述目标异常状态特征,确定所述每一网络优化阶段对应的训练误差参数,在所述每一网络优化阶段对应的训练误差参数不符合设定的网络优化终止要求时,对初始化权重参数的异常状态预测网络中的网络功能层权值进行更新。
在此基础上,根据上述过程确定的目标异常状态特征,可以计算出每一网络优化阶段的训练误差参数。如果这个训练误差参数还没有达到设定的网络优化终止要求(例如,小于设定值,或者不再继续下降),那么就需要对异常状态预测网络中的权重进行更新,以改进异常状态预测网络的预测能力。这个过程可能涉及到梯度下降或者其它优化算法,目的是调整异常状态预测网络的权值,使得异常状态预测网络的输出更接近目标异常状态特征。
总的来说,这个过程就是在发现未知异常类别时,通过调整异常状态预测网络的参数,提高异常状态预测网络对未知异常的识别能力。
基于以上步骤,通过确定每一网络优化阶段调用的范例热熔胶生产控制数据的热熔胶生产控制特征集合,并通过初始化权重参数的异常状态预测网络确定基础异常状态特征,由此基于基础异常状态特征,确定与生产迁移控制行为对应的目标异常状态类别,即置信度最大的异常状态类别。对于目标异常状态类别为未知的生产迁移控制行为,更新其在基础异常状态特征中的初始异常状态类别的特征,以降低其为每个异常状态类别的置信度,从而确定每一网络优化阶段对应的训练误差参数后对异常状态预测网络进行优化。由此,可以通过优化后的异常状态预测网络更准确地预测生产迁移控制行为可能出现的异常状态,并且针对目标异常状态类别为未知的生产迁移控制行为,通过更新其在基础异常状态特征中的初始异常状态类别的特征,降低其为每个异常状态类别的置信度,提高异常状态预测网络对未知异常的识别能力,使得预测结果更加准确。
在一种可能的实施方式中,步骤S140可以包括:
针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,基于该生产迁移控制行为为所述未知异常状态类别的置信度更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,降低后该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,与更新前该生产迁移控制行为为所述未知异常状态类别的置信度成负向关系。
例如,假设基础异常状态特征向量为[0.1, 0.2, 0.3, 0.1, 0.3],表示每种已知异常状态类别(四种)和未知异常状态类别(一种)的置信度。
然后,检测到实际上发生了一种未知的异常状态。也就是说,目标异常状态类别为未知异常状态类别。
在这种情况下,需要更新基础异常状态特征。具体来说,需要降低该生产迁移控制行为对应的所有已知异常状态类别的置信度。因为已经知道这些已知的异常状态类别都不符合当前的观察结果(即未知异常状态类别)。比如可以将所有已知异常状态类别的置信度都减半,得到新的特征向量,例如[0.05, 0.1, 0.15, 0.05, 0.65]。这个更新后的特征向量就是的目标异常状态特征。这样,所有已知异常状态类别的置信度都被降低了,而未知异常状态类别的置信度被提高了,也就是说它们之间呈现出了负相关的关系。
在一种可能的实施方式中,步骤S140还可以包括:
针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,基于第一数量个目标异常状态类别中未知异常状态类别的比重更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,降低后该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,与所述比重成正向关系。
仍旧以基础异常状态特征向量为[0.1, 0.2, 0.3, 0.1, 0.3]为例,表示每种已知异常状态类别(四种)和未知异常状态类别(一种)的置信度。
接下来,假设发现实际发生的是未知异常状态类别,即目标异常状态类别为未知异常状态类别。并且,在所有目标异常状态类别中,未知异常状态类别占的比重为50%。在这种情况下,需要更新基础异常状态特征,具体来说,是降低该生产迁移控制行为对应的所有已知异常状态类别的置信度,并根据未知异常状态类别在所有目标异常状态类别中的比重来进行更新。比如可以将所有已知异常状态的置信度都减少50%,得到新的特征向量,例如[0.05, 0.1, 0.15, 0.05, 0.65]。这个更新后的特征向量就是的目标异常状态特征。
也即,所有已知异常状态类别的置信度被降低了,而未知异常状态类别的置信度被提高了,而且提高的幅度和未知异常状态类别在所有目标异常状态类别中的比重是正相关的。
在一种可能的实施方式中,步骤S140还可以包括:
针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,基于该生产迁移控制行为为所述未知异常状态类别的置信度和所述未知异常状态类别的比重更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,降低后该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,与更新前该生产迁移控制行为为所述未知异常状态类别的置信度成负向关系、且与所述比重成正向关系。
本实施例和之前的实施例类似,只是更新基础异常状态特征时考虑了更多的因素,包括生产迁移控制行为为未知异常状态类别的置信度和未知异常状态类别的比重。还是用之前的具体场景来解释。
首先,假设有同样的一系列生产迁移控制行为,并且异常状态预测网络输出的基础异常状态特征向量仍然是[0.1, 0.2, 0.3, 0.1, 0.3]。这里最后一个值0.3表示该生产迁移控制行为为未知异常状态类别的置信度。
现在,发现实际发生的是未知异常状态,即目标异常状态类别为未知异常状态类别。并且,在所有目标异常状态类别中,未知异常状态类别的比重为50%。
在更新基础异常状态特征时,需要根据这两个因素来进行。首先,根据该生产迁移控制行为为未知异常状态类别的置信度(0.3),可以将所有已知异常状态类别的置信度减少30%,例如[0.07, 0.14, 0.21, 0.07, 0.51]。然后,再根据未知异常状态类别的比重(50%),进一步将所有已知异常状态类别的置信度减少50%,例如[0.035, 0.07, 0.105,0.035, 0.755]。
最后,所有已知异常状态类别的置信度被降低了,而未知异常状态类别的置信度被提高了。并且,降低的幅度和该生产迁移控制行为为未知异常状态类别的原始置信度(更新前的置信度)成负向关系,提高的幅度和未知异常状态类别在所有目标异常状态类别中的比重成正向关系。
在一种可能的实施方式中,步骤S140还可以包括:
在所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为为P个生产迁移控制行为时,更新所述基础异常状态特征中反映所述P个生产迁移控制行为中的M个生产迁移控制行为的初始异常状态类别的、M个特征表征形式为1乘以第二数量的特征,以降低所述M个生产迁移控制行为的初始异常状态类别为M乘以第二数量个异常状态类别中每个异常状态类别的置信度,P为不小于1、且不大于第一数量的正整数,M为不小于1、且不大于P的正整数。
本实施例和之前的实施例类似,但现在考虑了多个生产迁移控制行为,并对其中一部分进行了特殊处理。依然可以使用生产线故障检测系统作为具体场景。
假设有P=5个生产迁移控制行为(例如机器A到机器E的五个连续步骤),并且异常状态预测网络输出的基础异常状态特征向量为:[0.1, 0.2, 0.3, 0.1, 0.3]、[0.2, 0.1,0.4, 0.1, 0.2]、[0.1, 0.3, 0.2, 0.1, 0.3]、[0.2, 0.2, 0.3, 0.1, 0.2]和 [0.1,0.2, 0.2, 0.2, 0.3]。这里每个特征向量的最后一个值表示该生产迁移控制行为为未知异常状态类别的置信度。
现在,发现实际发生的是未知异常状态类别,即目标异常状态类别为未知异常状态类别。然而,只对前M=3个生产迁移控制行为进行更新。
在更新基础异常状态特征时,根据这三个生产迁移控制行为的初始异常状态类别的置信度,降低对应的已知异常状态类别的置信度。例如,根据第一个生产迁移控制行为为未知异常状态类别的置信度(0.3),可以将其余的异常状态类别的置信度减少30%,得到新的特征向量[0.07, 0.14, 0.21, 0.07, 0.51]。同样地,也会对第二和第三个生产迁移控制行为进行类似的操作。
这样,对于M个生产迁移控制行为,降低了每个生产迁移控制行为初始异常状态类别在所有异常状态类别中的置信度,使其反映出未知异常状态的发生可能性。而对于剩下的P-M个生产迁移控制行为,并没有改变它们的基础异常状态特征,即保持原样。
通过这种方式,能够更准确地检测和处理未知的异常状态,提高生产线的稳定性和效率。
在一种可能的实施方式中,在前述基于该生产迁移控制行为为所述未知异常状态类别的置信度和所述未知异常状态类别的比重更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征的过程中,可以在所述第一数量个目标异常状态类别中的P个目标异常状态类别为所述未知异常状态类别时,利用下述操作将所述P个目标异常状态类别中的第x个目标异常状态类别对应的特征表征形式为1乘以第二数量的特征中的第二数量个置信度降低,并得到第二数量个降低后的置信度。然后,将所述第二数量个降低后的置信度中的第y个降低后的置信度输出为等于所述第x个目标异常状态类别对应的特征表征形式为1乘以第二数量的特征中的第y个置信度、(1-所述第x个目标异常状态类别对应的特征表征形式为1乘以第二数量的特征中的未知异常状态类别对应的置信度)以及所述比重三者之间的融合参数,所述第y个置信度为第x个特征表征形式为1乘以第二数量的特征中的第y个初始置信度,y为不小于1、且不大于第二数量的正整数。
例如,现在考虑的是P个目标异常状态类别中的第x个目标异常状态类别,并将这个目标异常状态类别对应的特征表征形式为1乘以第二数量的特征中的第二数量个置信度降低。下面通过一个具体场景来解释。
假设有P=3个目标异常状态类别被认为是未知异常状态类别(例如,机器A、B和C的操作异常)。异常状态预测网络输出的基础异常状态特征向量可能分别是:[0.1, 0.2,0.3, 0.1, 0.3]、[0.2, 0.1, 0.4, 0.1, 0.2]和 [0.1, 0.3, 0.2, 0.1, 0.3]。每个特征向量的最后一个值表示该生产迁移控制行为为未知异常状态类别的置信度。
当发现实际发生的是未知异常状态类别时,会根据这三个生产迁移控制行为的初始异常状态类别的置信度,降低其余已知异常状态类别的置信度。例如,根据第一个生产迁移控制行为(机器A)为未知异常状态类别的置信度(0.3),可以将其余的异常状态类别的置信度减少30%,得到新的特征向量[0.07, 0.14, 0.21, 0.07, 0.51]。同样地,也会对第二和第三个生产迁移控制行为进行类似的操作。
然后,对于每一个降低后的置信度(例如,0.07、0.14、0.21和0.07),会输出一个融合参数,该融合参数等于这个降低后的置信度、1减去未知异常状态类别对应的初始置信度(即,1-0.3=0.7)以及未知异常状态类别在所有目标异常状态类别中的比重(假设是50%)之间的某种组合。具体的组合方式取决于实际的应用场景和需求。
通过这种方式,能够更准确地反映出未知异常状态的发生可能性,从而更好地处理和预防生产线上的问题。
在一种可能的实施方式中,本实施例还可以在所述基础异常状态特征中确定第一置信度序列中不小于第一门限值的置信度的第一统计量以及第二置信度序列中不小于第二门限值的置信度的第二统计量,所述第一置信度序列包括从所述第一数量个生产迁移控制行为中的每个生产迁移控制行为中预测的结果是所述未知异常状态类别的置信度,所述第二置信度序列包括从所述第一数量个生产迁移控制行为中的每个生产迁移控制行为中预测的结果是所述第二数量-1个先验异常状态类别中的一个类别描述词的置信度。
然后,基于所述第一统计量和所述第二统计量,更新所述基础异常状态特征中反映P个生产迁移控制行为中的M个生产迁移控制行为的初始异常状态类别的、M个特征表征形式为1乘以第二数量的特征,以降低所述M个生产迁移控制行为的初始异常状态类别为M乘以第二数量个异常状态类别中每个异常状态类别的置信度,所述P个生产迁移控制行为为所述第一数量个目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,P为不小于1、且不大于第一数量的正整数,M为不小于1、且不大于P的正整数,生成特征表征形式为第一数量乘以第二数量的所述目标异常状态特征。
本实施例在之前实施例的基础上增加了统计分析,用于更精确地更新异常状态特征。假设有P=5个生产迁移控制行为(例如机器A到机器E的五个连续步骤),并且异常状态预测网络输出的基础异常状态特征向量仍然是:[0.1,0.2,0.3,0.1,0.3]、[0.2,0.1,0.4,0.1,0.2]、[0.1,0.3,0.2,0.1,0.3]、[0.2,0.2,0.3,0.1,0.2]和[0.1,0.2,0.2,0.2,0.3]。这里每个特征向量的最后一个值表示该生产迁移控制行为为未知异常状态类别的置信度。
现在,如果实际发生的是未知异常状态类别,即目标异常状态类别为未知异常状态类别。那么,可以先从这5个生产迁移控制行为中提取所有未知异常状态类别的置信度,形成第一置信度序列。同样,也会提取出所有已知异常状态类别的置信度,形成第二置信度序列。
也即,第一置信度序列可以表示为:
[0.3,0.2,0.3,0.2,0.3]
第二置信度序列可以表示为:
[[0.1,0.2,0.3,0.1],
[0.2,0.1,0.4,0.1],
[0.1,0.3,0.2,0.1],
[0.2,0.2,0.3,0.1],
[0.1,0.2,0.2,0.2]]
然后,可以确定第一置信度序列中不小于第一门限值的置信度的第一统计量以及第二置信度序列中不小于第二门限值的置信度的第二统计量,
在此基础过程中,可以根据实际需求和定义的阈值,确定第一门限值和第二门限值。例如,如果第一门限值是0.25,第二门限值是0.2,那么可以按照以下步骤计算相应的统计量:
对于第一置信度序列:
第一门限值为0.25。
第一置信度序列为[0.3,0.2,0.3,0.2,0.3]。
计算第一统计量:遍历第一置信度序列,统计大于或等于0.25的置信度的数量。根据给定的序列,有3个置信度大于或等于0.25,因此第一统计量为3。
对于第二置信度序列:
第二门限值为0.2。
第二置信度序列为[[0.1,0.2,0.3,0.1],[0.2,0.1,0.4,0.1],[0.1,0.3,0.2,0.1],[0.2,0.2,0.3,0.1],[0.1,0.2,0.2,0.2]]。
计算第二统计量:遍历第二置信度序列,统计大于或等于0.2的置信度的数量。根据给定的序列,每个子序列中有至少一个置信度大于或等于0.2,因此第二统计量为5。
因此,当第一门限值为0.25,第二门限值为0.2时,第一统计量为3,第二统计量为5。
由此,给定以下参数和变量:
第一统计量:3
第二统计量:5
P=5(生产迁移控制行为的数量)
M=2(要更新初始异常状态类别的生产迁移控制行为数量)
现在,将根据上述描述生成特征表征形式为第一数量乘以第二数量的目标异常状态特征。这意味着将使用第一统计量和第二统计量来更新部分生产迁移控制行为的初始异常状态类别,并生成一个新的目标异常状态特征。
假设基础异常状态特征如下:
[0.1,0.2,0.3,0.1,0.3]
[0.2,0.1,0.4,0.1,0.2]
[0.1,0.3,0.2,0.1,0.3]
[0.2,0.2,0.3,0.1,0.2]
[0.1,0.2,0.2,0.2,0.3]
需要更新其中的2个生产迁移控制行为的初始异常状态类别。
假设选择前两个生产迁移控制行为进行更新(M=2)。然后,使用第二统计量(5)降低这两个生产迁移控制行为的初始异常状态类别为第二统计量(5)个异常状态类别中每个异常状态类别的置信度。
更新后的异常状态特征如下:
[0.1,0.2,0.3,0.1,0.3](未更新,仍为原始值)
[0.2,0.1,0.4,0.1,0.2](未更新,仍为原始值)
[0.1,0.3,0.2,0.1,0.3](降低初始异常状态类别为第二统计量(5)个异常状态类别中每个异常状态类别的置信度)
[0.2,0.2,0.3,0.1,0.2](降低初始异常状态类别为第二统计量(5)个异常状态类别中每个异常状态类别的置信度)
[0.1,0.2,0.2,0.2,0.3](未更新,仍为原始值)
更新后的目标异常状态特征是以第一数量(P=5)乘以第二数量(M=2)的形式。在这个例子中,它将是一个5x2的矩阵。上面描述的更新过程将更具体地反映在已更新的行为所对应的异常状态类别的置信度上。
其中,在基于所述第一统计量和所述第二统计量,更新所述基础异常状态特征中反映P个生产迁移控制行为中的M个生产迁移控制行为的初始异常状态类别的、M个特征表征形式为1乘以第二数量的特征的过程中,可以利用下述操作将所述M个特征表征形式为1乘以第二数量的特征中的第m个特征表征形式为1乘以第二数量的特征中的置信度降低,生成第二数量个降低后的置信度,m为不小于1、且不大M的正整数:
将所述第二数量个降低后的置信度中的第y个降低后的置信度输出为等于第y个置信度、(1-所述第m个特征表征形式为1乘以第二数量的特征中的未知异常状态类别对应的置信度)以及第一参数三者之间的融合参数,所述第一参数是将所述第二统计量除以第二参数的参数值,所述第二参数是所述第一统计量与所述第二统计量的相加统计量,所述第y个置信度为所述第m个特征表征形式为1乘以第二数量的特征中的第y个初始置信度,y为不小于1、且不大于第二数量的正整数。
例如,给定以下参数和变量:
第一统计量:3
第二统计量:5
P=5(生产迁移控制行为的数量)
M=2(要更新初始异常状态类别的生产迁移控制行为数量)
现在,将根据上述描述生成特征表征形式为1乘以第二数量的目标异常状态特征,并说明如何通过融合参数降低特征中的置信度。
假设基础异常状态特征如下:
[0.1,0.2,0.3,0.1,0.3]
[0.2,0.1,0.4,0.1,0.2]
[0.1,0.3,0.2,0.1,0.3]
[0.2,0.2,0.3,0.1,0.2]
[0.1,0.2,0.2,0.2,0.3]
需要更新其中的2个生产迁移控制行为的初始异常状态类别,并生成特征表征形式为1乘以第二数量(1x5)的目标异常状态特征。
此外,每个特征表征形式为1乘以第二数量的特征中的置信度可以通过融合参数进行降低。该融合参数由第一统计量、第二统计量以及未知异常状态类别对应的置信度决定。
假设要降低第2个特征表征形式为1乘以第二数量的特征中的置信度。在这种情况下,m=2。
融合参数可以通过以下公式计算:
融合参数=第二统计量/(第一统计量+第二统计量)
假设融合参数为0.5。
现在来说明如何降低特征中的置信度:
对于特征表征形式为1乘以第二数量的特征中的第2个特征(即m=2):
初始置信度为[0.2,0.1,0.4,0.1,0.2]。
未知异常状态类别对应的置信度为第二个置信度,即0.1。
使用融合参数和上述公式,计算降低后的置信度:降低后的置信度=第二个置信度×(1-未知异常状态类别对应的置信度)×融合参数=0.1×(1-0.1)×0.5=0.045
因此,第2个特征表征形式为1乘以第二数量的特征中的置信度将被降低为0.045。
对于其它特征,其置信度保持不变。
更新后的目标异常状态特征如下:
[0.1,0.2,0.3,0.1,0.3]
[0.2,0.045,0.4,0.1,0.2]
[0.1,0.3,0.2,0.1,0.3]
[0.2,0.2,0.3,0.1,0.2]
[0.1,0.2,0.2,0.2,0.3]
在这个例子中,选择第二个特征进行降低,并使用融合参数对其进行调整。通过计算得到的降低后的置信度为0.045。
在一种可能的实施方式中,所述步骤S110可以包括:
步骤S111,对所述范例热熔胶生产控制数据的基础表征特征进行编码,生成第一数量个编码矩阵,所述基础表征特征的特征表征形式为R乘以T,每个所述编码矩阵的特征表征形式为i乘以j,i,j,R和T为不小于2的正整数。
例如,首先,将范例热熔胶生产控制数据中的每个生产迁移控制行为分解为一系列操作步骤。对于每个操作步骤,定义相应的特征。例如,温度、压力、速度等参数或设备状态(启动/关闭)。将每个操作步骤转换为数值形式的特征表示,可以使用数值编码或独热编码。
然后,可以定义编码矩阵的大小,可以采用R乘以T的形式,其中R和T是不小于2的正整数,代表矩阵的行数和列数。将每个操作步骤的特征序列应用于相应的编码矩阵,将其转换为对应的编码矩阵形式。每个编码矩阵代表一组操作步骤的特征,可以理解为在给定网络优化阶段中的一个时间窗口内的控制信息。
步骤S112,对所述第一数量个编码矩阵进行递归传递处理,生成第一数量个递归特征矩阵,每个所述递归特征矩阵的特征表征形式为i乘以j,所述热熔胶生产控制特征集合包括所述第一数量个递归特征矩阵。
例如,对每个生成的编码矩阵进行递归传递处理,以提取更深层次的特征表示。递归处理可以采用多种方法,例如应用卷积神经网络或循环神经网络,对特征矩阵进行进一步的变换和抽取。这样可以捕捉到更高级别、更抽象的特征模式,有助于更好地理解热熔胶生产控制数据中的复杂关系和动态变化。
在递归传递处理后,针对每个编码矩阵生成相应的递归特征矩阵。每个递归特征矩阵的形式为i乘以j,其中i和j是不小于2的正整数,代表矩阵的行数和列数。递归特征矩阵可以看作是经过多次迭代传递处理后得到的更高级别的特征表示。
最终的热熔胶生产控制特征集合由第一数量个递归特征矩阵组成。这些递归特征矩阵代表了范例热熔胶生产控制数据经过编码和递归传递处理后的特征表示形式。可以使用这些特征集合进行网络优化阶段的训练、分析或其他操作,例如异常状态预测、优化参数选择等。
通过以上步骤,将复杂的热熔胶生产控制数据转换为特征集合的形式,以便在机器学习或数据分析任务中进行处理。这样可以更详细地描述和分析热熔胶生产过程中的控制行为,从而支持网络优化和改进的决策与推
在一种可能的实施方式中,步骤S150可以包括:
步骤S151,在所述范例热熔胶生产控制数据中匹配目标类别描述词集合时,确定N种类别描述词集合簇,所述目标类别描述词集合包括依据设定次序整理的Z个类别描述词,N和Z为不小于2的正整数,每一类别描述词集合簇包括第一数量个参考异常状态类别,所述第一数量个参考异常状态类别包括依据所述设定次序整理的所述Z个类别描述词以及所述未知异常状态类别,所述未知异常状态类别在不同的类别描述词集合簇中映射的节点不同,Z小于第一数量。
步骤S152,在所述目标异常状态特征中确定与所述N种类别描述词集合簇对应的N个置信度序列,所述N个置信度序列中的每个置信度序列包括第一数量个置信度,所述每个置信度序列中的第一数量个置信度与所述N种类别描述词集合簇中的一种类别描述词集合簇中涵盖的第一数量个参考异常状态类别一一对应。
步骤S153,对所述N个置信度序列中的每个置信度序列中的第一数量个置信度进行乘积运算,生成N个运算结果,并对所述N个运算结果进行加权计算,生成目标置信度参数。
步骤S154,基于所述目标置信度参数,确定所述每一网络优化阶段对应的训练误差参数。
例如,假设有3种(N=3)已知的异常状态类别,分别用"A","B","C"三个类别描述词表示。这三个描述词构成了的目标类别描述词集合,假设它们的设定次序为"A","B","C"。然后,可以根据这三个描述词,确定出3种类别描述词集合簇,每个类别描述词集合簇包括2个(Z=2,Z小于第一数量,即总的类别数3)参考异常状态类别和一个未知异常状态类别。例如,第一个簇可能包括"A","B"和未知异常状态类别,第二个簇可能包括"B","C"和未知异常状态类别,第三个簇可能包括"C","A"和未知异常状态类别。
每个置信度序列包括从所有生产迁移控制行为中提取的对应异常状态类别的置信度。例如,对于第一个簇,可能有一个置信度序列如[0.1,0.2,0.3],表示在每个生产迁移控制行为中预测结果为"A","B"和未知异常状态类别的置信度。
对于上面的置信度序列,可能计算出乘积为0.006,并且可能根据某种策略(比如基于历史数据的分析结果)为这个乘积赋予一个权重,从而得到目标置信度参数。
训练误差参数可以帮助量化异常状态预测网络的预测结果与实际结果之间的差距。通过调整这个参数,可以更好地优化异常状态预测网络的性能。
假设假设有N个目标置信度参数,分别为d1,d2,...,dN,表示每个网络优化阶段的目标置信度。有权重系数v1,v2,...,vN用于加权计算。那么每一网络优化阶段对应的训练误差参数的计算公式可以为:
训练误差参数 = (v1 * d1) + (v2 * d2) + ... + (vN * dN)
这个计算公式将每个目标置信度参数与对应的权重系数相乘,并将所有结果相加得到每一网络优化阶段对应的训练误差参数。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的智能生产监控系统100。
对于一个实施例,图2示出了智能生产监控系统100,该智能生产监控系统100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中,智能生产监控系统100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中,智能生产监控系统100可包括具有指令114的多个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为智能生产监控系统100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DKAM。一些可替代的实施方式中,存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例,控制模块104可包括多个输入/输出控制器,以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为智能生产监控系统100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可结合网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为智能生产监控系统100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为智能生产监控系统100提供接口以依据多个网络通信,智能生产监控系统100可依据多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信,例如接入依据通信标准的无线网络,如WxFx、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如,存储器控制器模块)的逻辑封装在一起。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成系统级封装。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上以形成片上系统。
在各个实施例中,智能生产监控系统100可以但不限于是:台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,智能生产监控系统100可具有更多或更少的组件和/或不同的架构。例如,一些可替代的实施方式中,智能生产监控系统100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于热熔胶生产控制系统的状态监控方法,其特征在于,应用于智能生产监控系统,所述方法包括:
确定每一网络优化阶段调用的热熔胶生产控制系统的范例热熔胶生产控制数据的热熔胶生产控制特征集合,所述热熔胶生产控制特征集合包括第一数量个热熔胶生产控制特征,所述第一数量个热熔胶生产控制特征中的每个热熔胶生产控制特征反映所述范例热熔胶生产控制数据中的第一数量个生产迁移控制行为中的一个;
基于所述热熔胶生产控制特征集合,通过初始化权重参数的异常状态预测网络确定特征表征形式为第一数量乘以第二数量的基础异常状态特征,所述基础异常状态特征中的每个特征表征形式为1乘以第二数量的特征反映一个生产迁移控制行为的初始异常状态类别为设定的第二数量个异常状态类别中的每个异常状态类别的置信度,所述第二数量个异常状态类别包括第二数量-1个先验异常状态类别和未知异常状态类别;
基于所述基础异常状态特征,确定与所述第一数量个生产迁移控制行为对应的第一数量个目标异常状态类别,每个生产迁移控制行为对应的目标异常状态类别是所述第二数量个异常状态类别中置信度最大的异常状态类别;
针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,更新后的所述基础异常状态特征为目标异常状态特征;
基于所述目标异常状态特征,确定所述每一网络优化阶段对应的训练误差参数,在所述每一网络优化阶段对应的训练误差参数不符合设定的网络优化终止要求时,对初始化权重参数的异常状态预测网络中的网络功能层权值进行更新。
2.根据权利要求1所述的基于热熔胶生产控制系统的状态监控方法,其特征在于,所述针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,包括:
针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,基于该生产迁移控制行为为所述未知异常状态类别的置信度更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,降低后该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,与更新前该生产迁移控制行为为所述未知异常状态类别的置信度成负向关系。
3.根据权利要求1所述的基于热熔胶生产控制系统的状态监控方法,其特征在于,所述针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,包括:
针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,基于第一数量个目标异常状态类别中未知异常状态类别的比重更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,降低后该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,与所述比重成正向关系。
4.根据权利要求1所述的基于热熔胶生产控制系统的状态监控方法,其特征在于,所述针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,包括:
针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,基于该生产迁移控制行为为所述未知异常状态类别的置信度和所述未知异常状态类别的比重更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,以降低该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,降低后该生产迁移控制行为的初始异常状态类别为所述第二数量个异常状态类别中每个异常状态类别的置信度,与更新前该生产迁移控制行为为所述未知异常状态类别的置信度成负向关系、且与所述比重成正向关系。
5.根据权利要求1所述的基于热熔胶生产控制系统的状态监控方法,其特征在于,所述针对所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,包括:
在所述目标异常状态类别为所述未知异常状态类别的生产迁移控制行为为P个生产迁移控制行为时,更新所述基础异常状态特征中反映所述P个生产迁移控制行为中的M个生产迁移控制行为的初始异常状态类别的、M个特征表征形式为1乘以第二数量的特征,以降低所述M个生产迁移控制行为的初始异常状态类别为M乘以第二数量个异常状态类别中每个异常状态类别的置信度,P为不小于1、且不大于第一数量的正整数,M为不小于1、且不大于P的正整数。
6.根据权利要求4所述的基于热熔胶生产控制系统的状态监控方法,其特征在于,所述基于该生产迁移控制行为为所述未知异常状态类别的置信度和所述未知异常状态类别的比重更新所述基础异常状态特征中反映该生产迁移控制行为的初始异常状态类别的、特征表征形式为1乘以第二数量的特征,包括:
在所述第一数量个目标异常状态类别中的P个目标异常状态类别为所述未知异常状态类别时,利用下述操作将所述P个目标异常状态类别中的第x个目标异常状态类别对应的特征表征形式为1乘以第二数量的特征中的第二数量个置信度降低,并得到第二数量个降低后的置信度:
将所述第二数量个降低后的置信度中的第y个降低后的置信度输出为等于所述第x个目标异常状态类别对应的特征表征形式为1乘以第二数量的特征中的第y个置信度、(1-所述第x个目标异常状态类别对应的特征表征形式为1乘以第二数量的特征中的未知异常状态类别对应的置信度)以及所述比重三者之间的融合参数,所述第y个置信度为第x个特征表征形式为1乘以第二数量的特征中的第y个初始置信度,y为不小于1、且不大于第二数量的正整数。
7.根据权利要求1所述的基于热熔胶生产控制系统的状态监控方法,其特征在于,所述方法还包括:
在所述基础异常状态特征中确定第一置信度序列中不小于第一门限值的置信度的第一统计量以及第二置信度序列中不小于第二门限值的置信度的第二统计量,所述第一置信度序列包括从所述第一数量个生产迁移控制行为中的每个生产迁移控制行为中预测的结果是所述未知异常状态类别的置信度,所述第二置信度序列包括从所述第一数量个生产迁移控制行为中的每个生产迁移控制行为中预测的结果是所述第二数量-1个先验异常状态类别中的一个类别描述词的置信度;
基于所述第一统计量和所述第二统计量,更新所述基础异常状态特征中反映P个生产迁移控制行为中的M个生产迁移控制行为的初始异常状态类别的、M个特征表征形式为1乘以第二数量的特征,以降低所述M个生产迁移控制行为的初始异常状态类别为M乘以第二数量个异常状态类别中每个异常状态类别的置信度,所述P个生产迁移控制行为为所述第一数量个目标异常状态类别为所述未知异常状态类别的生产迁移控制行为,P为不小于1、且不大于第一数量的正整数,M为不小于1、且不大于P的正整数,生成特征表征形式为第一数量乘以第二数量的所述目标异常状态特征;
其中,所述基于所述第一统计量和所述第二统计量,更新所述基础异常状态特征中反映P个生产迁移控制行为中的M个生产迁移控制行为的初始异常状态类别的、M个特征表征形式为1乘以第二数量的特征,包括:
利用下述操作将所述M个特征表征形式为1乘以第二数量的特征中的第m个特征表征形式为1乘以第二数量的特征中的置信度降低,生成第二数量个降低后的置信度,m为不小于1、且不大M的正整数:
将所述第二数量个降低后的置信度中的第y个降低后的置信度输出为等于第y个置信度、(1-所述第m个特征表征形式为1乘以第二数量的特征中的未知异常状态类别对应的置信度)以及第一参数三者之间的融合参数,所述第一参数是将所述第二统计量除以第二参数的参数值,所述第二参数是所述第一统计量与所述第二统计量的相加统计量,所述第y个置信度为所述第m个特征表征形式为1乘以第二数量的特征中的第y个初始置信度,y为不小于1、且不大于第二数量的正整数。
8.根据权利要求1至7中任一项所述的基于热熔胶生产控制系统的状态监控方法,其特征在于,所述确定每一网络优化阶段调用的范例热熔胶生产控制数据的热熔胶生产控制特征集合:
对所述范例热熔胶生产控制数据的基础表征特征进行编码,生成第一数量个编码矩阵,所述基础表征特征的特征表征形式为R乘以T,每个所述编码矩阵的特征表征形式为i乘以j,i,j,R和T为不小于2的正整数;
对所述第一数量个编码矩阵进行递归传递处理,生成第一数量个递归特征矩阵,每个所述递归特征矩阵的特征表征形式为i乘以j,所述热熔胶生产控制特征集合包括所述第一数量个递归特征矩阵。
9.根据权利要求1至7中任一项所述的基于热熔胶生产控制系统的状态监控方法,其特征在于,所述基于所述目标异常状态特征,确定所述每一网络优化阶段对应的训练误差参数,包括:
在所述范例热熔胶生产控制数据中匹配目标类别描述词集合时,确定N种类别描述词集合簇,所述目标类别描述词集合包括依据设定次序整理的Z个类别描述词,N和Z为不小于2的正整数,每一类别描述词集合簇包括第一数量个参考异常状态类别,所述第一数量个参考异常状态类别包括依据所述设定次序整理的所述Z个类别描述词以及所述未知异常状态类别,所述未知异常状态类别在不同的类别描述词集合簇中映射的节点不同,Z小于第一数量;
在所述目标异常状态特征中确定与所述N种类别描述词集合簇对应的N个置信度序列,所述N个置信度序列中的每个置信度序列包括第一数量个置信度,所述每个置信度序列中的第一数量个置信度与所述N种类别描述词集合簇中的一种类别描述词集合簇中涵盖的第一数量个参考异常状态类别一一对应;
对所述N个置信度序列中的每个置信度序列中的第一数量个置信度进行乘积运算,生成N个运算结果,并对所述N个运算结果进行加权计算,生成目标置信度参数;
基于所述目标置信度参数,确定所述每一网络优化阶段对应的训练误差参数。
10.一种智能生产监控系统,其特征在于,所述智能生产监控系统包括处理器和机器可读存储介质,该机器可读存储介质中存储有机器可执行指令,该机器可执行指令由该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热熔胶生产控制系统的状态监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311680877.5A CN117369426B (zh) | 2023-12-08 | 2023-12-08 | 基于热熔胶生产控制系统的状态监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311680877.5A CN117369426B (zh) | 2023-12-08 | 2023-12-08 | 基于热熔胶生产控制系统的状态监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117369426A true CN117369426A (zh) | 2024-01-09 |
CN117369426B CN117369426B (zh) | 2024-03-01 |
Family
ID=89389679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311680877.5A Active CN117369426B (zh) | 2023-12-08 | 2023-12-08 | 基于热熔胶生产控制系统的状态监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117369426B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105204449A (zh) * | 2014-06-13 | 2015-12-30 | 广东兴发铝业有限公司 | 铝型材挤压机实时能耗监测及能耗异常检测系统 |
CN105759696A (zh) * | 2016-04-22 | 2016-07-13 | 广东格兰仕集团有限公司 | 一种生产设备稳定性的智能传感器监测系统 |
CN210138625U (zh) * | 2019-04-30 | 2020-03-13 | 嘉兴赛涛办公用品股份有限公司 | 一种热熔封套全自动热熔胶生产设备 |
CN115562197A (zh) * | 2022-09-29 | 2023-01-03 | 绍兴凌科智能技术有限公司 | 一种基于数字孪生技术的智能工业生产监控系统 |
CN116430831A (zh) * | 2023-04-26 | 2023-07-14 | 宁夏五谷丰生物科技发展有限公司 | 应用于食用油生产控制系统的数据异常监控方法及系统 |
CN116430817A (zh) * | 2023-04-26 | 2023-07-14 | 同心县启胜新能源科技有限公司 | 应用于光伏组件生产系统的数据采集处理方法及系统 |
CN116594364A (zh) * | 2023-06-13 | 2023-08-15 | 宁夏迎福食品科技有限公司 | 基于预制菜生产控制系统的优化方法及系统 |
US20230325640A1 (en) * | 2022-04-07 | 2023-10-12 | Zf Friedrichshafen Ag | Artificial intelligence-based anomaly detection and prediction |
CN116931534A (zh) * | 2023-09-19 | 2023-10-24 | 深圳市俱进纸品包装有限公司 | 基于物联网的刺绣产品生产控制方法及系统 |
CN117056688A (zh) * | 2023-08-16 | 2023-11-14 | 黑龙江黑格新材料科技有限公司 | 一种基于数据分析的新材料生产数据管理系统及方法 |
CN117171576A (zh) * | 2023-11-01 | 2023-12-05 | 博纯材料股份有限公司 | 应用于材料提纯系统的异常监控方法及系统 |
-
2023
- 2023-12-08 CN CN202311680877.5A patent/CN117369426B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105204449A (zh) * | 2014-06-13 | 2015-12-30 | 广东兴发铝业有限公司 | 铝型材挤压机实时能耗监测及能耗异常检测系统 |
CN105759696A (zh) * | 2016-04-22 | 2016-07-13 | 广东格兰仕集团有限公司 | 一种生产设备稳定性的智能传感器监测系统 |
CN210138625U (zh) * | 2019-04-30 | 2020-03-13 | 嘉兴赛涛办公用品股份有限公司 | 一种热熔封套全自动热熔胶生产设备 |
US20230325640A1 (en) * | 2022-04-07 | 2023-10-12 | Zf Friedrichshafen Ag | Artificial intelligence-based anomaly detection and prediction |
CN115562197A (zh) * | 2022-09-29 | 2023-01-03 | 绍兴凌科智能技术有限公司 | 一种基于数字孪生技术的智能工业生产监控系统 |
CN116430831A (zh) * | 2023-04-26 | 2023-07-14 | 宁夏五谷丰生物科技发展有限公司 | 应用于食用油生产控制系统的数据异常监控方法及系统 |
CN116430817A (zh) * | 2023-04-26 | 2023-07-14 | 同心县启胜新能源科技有限公司 | 应用于光伏组件生产系统的数据采集处理方法及系统 |
CN116594364A (zh) * | 2023-06-13 | 2023-08-15 | 宁夏迎福食品科技有限公司 | 基于预制菜生产控制系统的优化方法及系统 |
CN117056688A (zh) * | 2023-08-16 | 2023-11-14 | 黑龙江黑格新材料科技有限公司 | 一种基于数据分析的新材料生产数据管理系统及方法 |
CN116931534A (zh) * | 2023-09-19 | 2023-10-24 | 深圳市俱进纸品包装有限公司 | 基于物联网的刺绣产品生产控制方法及系统 |
CN117171576A (zh) * | 2023-11-01 | 2023-12-05 | 博纯材料股份有限公司 | 应用于材料提纯系统的异常监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117369426B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7146954B2 (ja) | データ処理方法、装置、コンピュータデバイス、及び記憶媒体 | |
CN112085186A (zh) | 一种神经网络的量化参数确定方法及相关产品 | |
CN111638958A (zh) | 云主机负载处理方法、装置、控制设备及存储介质 | |
KR20210064445A (ko) | 반도체 공정 시뮬레이션 시스템 및 그것의 시뮬레이션 방법 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN114861172B (zh) | 一种基于政务服务系统的数据处理方法及系统 | |
CN117131457B (zh) | 基于ai模型的电力大数据采集处理方法及系统 | |
CN115658671B (zh) | 基于深度学习的集装箱港口装卸设备故障数据补全方法 | |
WO2024139313A1 (zh) | 多工况工业系统自适应稀疏辨识和控制方法、系统和设备 | |
CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
EP4343616A1 (en) | Image classification method, model training method, device, storage medium, and computer program | |
CN112580798A (zh) | 基于多输入多输出ResNet的设备智能预警方法 | |
CN117369426B (zh) | 基于热熔胶生产控制系统的状态监控方法及系统 | |
CN117556331B (zh) | 基于ai增强的空压机维护决策方法及系统 | |
CN114781532A (zh) | 机器学习模型的评估方法、装置、计算机设备及介质 | |
CN114186097A (zh) | 用于训练模型的方法和装置 | |
CN116956197B (zh) | 基于深度学习的能源设施故障预测方法、装置及电子设备 | |
US20240086770A1 (en) | Sensor measurement anomaly detection | |
CN117575685A (zh) | 数据分析预警系统及方法 | |
Pan et al. | An inferential modeling method using enumerative PLS based nonnegative garrote regression | |
CN116738169A (zh) | 一种数据降维的计算机参数异常预测方法及系统 | |
CN113808727B (zh) | 设备监控方法、装置、计算机设备和可读存储介质 | |
US20230056595A1 (en) | Method and device for predicting process anomalies | |
US20200257977A1 (en) | System and a method to achieve time-aware approximated inference | |
KR20230028995A (ko) | 결함 예측 방법 및 장치 |
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 |