CN117389230B - 抗高血压中药提取液生产控制方法及系统 - Google Patents
抗高血压中药提取液生产控制方法及系统 Download PDFInfo
- Publication number
- CN117389230B CN117389230B CN202311528337.5A CN202311528337A CN117389230B CN 117389230 B CN117389230 B CN 117389230B CN 202311528337 A CN202311528337 A CN 202311528337A CN 117389230 B CN117389230 B CN 117389230B
- Authority
- CN
- China
- Prior art keywords
- data
- production
- fault
- target
- abnormal
- 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
- 230000003276 anti-hypertensive effect Effects 0.000 title claims abstract description 66
- 239000000284 extract Substances 0.000 title claims abstract description 66
- 239000003814 drug Substances 0.000 title claims abstract description 50
- 238000000195 production control method Methods 0.000 title claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 348
- 230000002159 abnormal effect Effects 0.000 claims abstract description 146
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 71
- 238000012544 monitoring process Methods 0.000 claims description 60
- 230000008569 process Effects 0.000 claims description 41
- 239000002994 raw material Substances 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 27
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 abstract description 11
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000003672 processing method Methods 0.000 abstract description 3
- 238000013024 troubleshooting Methods 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 abstract 1
- 241000411851 herbal medicine Species 0.000 description 17
- 206010020772 Hypertension Diseases 0.000 description 13
- 238000009835 boiling Methods 0.000 description 11
- 238000004821 distillation Methods 0.000 description 11
- 241000700159 Rattus Species 0.000 description 10
- 239000000463 material Substances 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 9
- 239000000047 product Substances 0.000 description 8
- 230000007423 decrease Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 6
- 241000699670 Mus sp. Species 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000001631 hypertensive effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 3
- 238000010171 animal model Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000035487 diastolic blood pressure Effects 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000035488 systolic blood pressure Effects 0.000 description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 description 2
- CTQNGGLPUBDAKN-UHFFFAOYSA-N O-Xylene Chemical compound CC1=CC=CC=C1C CTQNGGLPUBDAKN-UHFFFAOYSA-N 0.000 description 2
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000012153 distilled water Substances 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 229930195712 glutamate Natural products 0.000 description 2
- 239000012676 herbal extract Substances 0.000 description 2
- 210000004295 hippocampal neuron Anatomy 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- VZGDMQKNWNREIO-UHFFFAOYSA-N tetrachloromethane Chemical compound ClC(Cl)(Cl)Cl VZGDMQKNWNREIO-UHFFFAOYSA-N 0.000 description 2
- UCTWMZQNUQWSLP-VIFPVBQESA-N (R)-adrenaline Chemical compound CNC[C@H](O)C1=CC=C(O)C(O)=C1 UCTWMZQNUQWSLP-VIFPVBQESA-N 0.000 description 1
- 229930182837 (R)-adrenaline Natural products 0.000 description 1
- QTBSBXVTEAMEQO-UHFFFAOYSA-M Acetate Chemical compound CC([O-])=O QTBSBXVTEAMEQO-UHFFFAOYSA-M 0.000 description 1
- 208000031648 Body Weight Changes Diseases 0.000 description 1
- 206010014025 Ear swelling Diseases 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 240000001307 Myosotis scorpioides Species 0.000 description 1
- KCWZGJVSDFYRIX-YFKPBYRVSA-N N(gamma)-nitro-L-arginine methyl ester Chemical compound COC(=O)[C@@H](N)CCCN=C(N)N[N+]([O-])=O KCWZGJVSDFYRIX-YFKPBYRVSA-N 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 241001530209 Swertia Species 0.000 description 1
- 231100000215 acute (single dose) toxicity testing Toxicity 0.000 description 1
- 238000011047 acute toxicity test Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000003110 anti-inflammatory effect Effects 0.000 description 1
- 239000002220 antihypertensive agent Substances 0.000 description 1
- 229940127088 antihypertensive drug Drugs 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000004579 body weight change Effects 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 239000013043 chemical agent Substances 0.000 description 1
- 231100000132 chronic toxicity testing Toxicity 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229960005139 epinephrine Drugs 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 230000003054 hormonal effect Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 238000011616 hypertension animal model Methods 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000005228 liver tissue Anatomy 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- -1 low Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002633 protecting effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 210000002254 renal artery Anatomy 0.000 description 1
- 206010038464 renal hypertension Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011076 safety test Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001228 trophic effect Effects 0.000 description 1
- 230000008728 vascular permeability 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本申请提供一种抗高血压中药提取液生产控制方法及系统,通过获取抗高血压中药提取液在生产过程中的目标异常生产数据关联的生产线控制数据,能够深入理解生产过程中出现的问题,接着获取针对这些生产线控制数据的知识要素数据,确定参考故障路径序列,每个参考故障路径代表一种可能导致生产异常的情况,从而为故障诊断提供了多角度的视野。如果目标异常生产数据中存在Y个候选异常生产节点,将利用参考故障路径序列来确定针对目标异常生产数据的故障根因定位数据。本申请有效地结合了多源数据和先进的数据处理方法,实现了对生产异常的精确定位,大大提升了生产线的故障排查效率,从而便于进行生产控制优化,提高抗高血压中药提取液生产控制效率。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种抗高血压中药提取液生产控制方法及系统。
背景技术
延安道地中草药是一种抗血压中草药,可作为抗高血压中药组合核心成分。延安道地中草药作为一种抗高血压中药,其药液提取至关重要;抗高血压中药提取液的生产过程中,由于各种因素可能导致生产过程出现异常,例如设备故障、原材料质量问题、工艺参数设定错误等。这些异常会影响到产品质量,甚至导致生产线停工,造成巨大的经济损失。因此,及时并准确地识别出生产过程中的异常并找到其根源是保证生产效率和产品质量的关键。
目前,生产线上通常会有一套自动控制系统用于监控生产过程中的各项数据,然而,这些数据往往是庞大且复杂的,需要专业知识和大量时间去分析理解,以便找出可能存在的问题。此外,不同类型的数据之间还存在着复杂的关联性,如何有效地利用这些数据进行故障诊断是一项挑战。
另一方面,虽然现有的一些故障诊断方法可以利用机器学习或者数据挖掘技术对生产数据进行分析,但这些方法往往需要大量的标注样本进行训练,而在实际生产过程中,由于故障事件的稀有性,获取足够的故障样本往往是困难的。此外,这些方法通常无法提供清晰的故障定位路径,对于快速解决问题并优化生产过程帮助有限。
因此,如何有效地利用生产线控制数据进行异常分析和故障定位,以便于进行生产控制优化,是当前亟待解决的问题。
发明内容
有鉴于此,本申请的目的在于提供一种抗高血压中药提取液生产控制方法及系统。
依据本申请的第一方面,提供一种抗高血压中药提取液生产控制方法,应用于智慧生产服务系统,所述方法包括:
获取抗高血压中药提取液在生产过程中的目标异常生产数据关联的生产线控制数据,所述生产线控制数据包括所述目标异常生产数据;
获取针对所述生产线控制数据的知识要素数据,所述知识要素数据包括生产设备数据、生产记录数据、原材料数据以及工艺参数数据中的至少一项;
基于所述知识要素数据确定参考故障路径序列,所述参考故障路径序列包括X个参考故障路径;
如果所述目标异常生产数据中存在Y个候选异常生产节点,则基于所述参考故障路径序列,确定针对所述目标异常生产数据的故障根因定位数据,并基于所述目标异常生产数据的故障根因定位数据对所述抗高血压中药提取液的生产过程进行生产控制优化。
在第一方面的一种可能的实施方式中,所述获取抗高血压中药提取液在生产过程中的目标异常生产数据关联的生产线控制数据之前,所述方法还包括:
获取目标生产线监控数据,所述目标生产线监控数据包括Z个异常生产数据;
接收故障根因定位指令,所述故障根因定位指令携带所述目标生产线监控数据的目标监控时空域ID以及所述目标异常生产数据的节点ID;
响应所述故障根因定位指令,依据所述目标监控时空域ID以及所述节点ID,通过第一关联位图获取所述目标异常生产数据,所述第一关联位图反映监控时空域ID、节点ID与异常生产数据之间的关联位图;
所述获取抗高血压中药提取液在生产过程中的目标异常生产数据关联的生产线控制数据,包括:
如果所述Z不小于设定数值,从所述目标生产线监控数据中确定包含所述目标异常生产数据的多个连续控制数据作为所述生产线控制数据;
如果所述Z小于所述设定数值,将所述目标生产线监控数据作为所述目标异常生产数据关联的所述生产线控制数据;
所述方法还包括:
发送所述故障根因定位数据进行提醒。
在第一方面的一种可能的实施方式中,所述知识要素数据包括生产设备数据、生产记录数据、原材料数据以及工艺参数数据;
所述基于所述知识要素数据确定参考故障路径序列,包括:
基于所述生产设备数据,确定第一参考故障路径序列;
基于所述生产记录数据,确定第二参考故障路径序列;
基于所述原材料数据,确定第三参考故障路径序列;
基于所述工艺参数数据,确定第四参考故障路径序列;
对所述第一参考故障路径序列、所述第二参考故障路径序列、所述第三参考故障路径序列以及所述第四参考故障路径序列进行冗余特征清洗,生成所述参考故障路径序列。
在第一方面的一种可能的实施方式中,所述获取针对所述生产线控制数据的知识要素数据,包括:
获取所述生产线控制数据关联的目标监控时空域ID;
依据所述目标监控时空域ID,通过第二关联位图获取所述生产设备数据,所述第二关联位图反映监控时空域ID与生产设备数据之间的关联位图;
所述基于所述知识要素数据确定参考故障路径序列,包括:
基于所述生产设备数据,生成第一参考故障路径序列,所述第一参考故障路径序列包含于所述参考故障路径序列。
在第一方面的一种可能的实施方式中,所述获取针对所述生产线控制数据的知识要素数据,包括:
获取所述生产线控制数据关联的目标监控时空域ID;
获取所述生产线控制数据中每异常生产数据关联的节点ID; 依据所述目标监控时空域ID以及所述生产线控制数据中每异常生产数据关联的节点ID,通过第三关联位图获取所述生产记录数据,所述第三关联位图反映监控时空域ID、节点ID以及生产记录数据之间的关联位图;
所述基于所述知识要素数据确定参考故障路径序列,包括:
基于所述生产记录数据,生成第二参考故障路径序列,所述第二参考故障路径序列包含于所述参考故障路径序列。
在第一方面的一种可能的实施方式中,所述基于所述生产记录数据,生成第二参考故障路径序列,包括:
对所述生产记录数据进行生产记录知识点拆分,生成知识点序列;
从所述知识点序列中获取K个异常知识点链路;
针对所述K个异常知识点链路中的每个异常知识点链路,如果异常知识点链路属于故障模板链路,则将所述异常知识点链路作为所述第二参考故障路径序列中的参考故障路径;
针对所述K个异常知识点链路中的每个异常知识点链路,如果异常知识点链路属于非故障模板链路,则将所述非故障模板链路进行格式转换生成故障模板链路,并将所述故障模板链路作为所述第二参考故障路径序列中的参考故障路径。
在第一方面的一种可能的实施方式中,所述获取针对所述生产线控制数据的知识要素数据,包括:
获取所述生产线控制数据关联的目标监控时空域ID;
获取所述生产线控制数据中每异常生产数据关联的节点ID; 依据所述目标监控时空域ID以及所述生产线控制数据中每异常生产数据关联的节点ID,通过第四关联位图获取所述原材料数据,所述第四关联位图反映监控时空域ID、节点ID以及原材料数据之间的关联位图;
所述基于所述知识要素数据确定参考故障路径序列,包括:
对所述原材料数据进行生产记录知识点拆分,生成知识点序列;
从所述知识点序列中获取M个非故障模板链路;
针对所述M个非故障模板链路中的每个非故障模板链路,将非故障模板链路进行格式转换生成故障模板链路,并将所述故障模板链路作为所述第三参考故障路径序列中的参考故障路径,所述第三参考故障路径序列包含于所述参考故障路径序列。
在第一方面的一种可能的实施方式中,所述获取针对所述生产线控制数据的知识要素数据,包括:
获取所述生产线控制数据的触发节点ID以及终止节点ID; 基于所述触发节点ID以及所述终止节点ID,获取工艺参数数据;
所述基于所述知识要素数据确定参考故障路径序列,包括:
对所述工艺参数数据进行工艺参数态势解析,生成W个工艺参数态势,所述W为大于或等于1的整数;
针对所述W个工艺参数态势中的每个工艺参数态势,将工艺参数态势进行格式转换生成非故障模板链路;
针对所述W个工艺参数态势中每个工艺参数态势关联的非故障模板链路,将非故障模板链路进行格式转换生成故障模板链路,并将所述异常知识点链路作为所述第四参考故障路径序列中的参考故障路径,所述第四参考故障路径序列包含于所述参考故障路径序列。
在第一方面的一种可能的实施方式中,所述方法还包括:
依据所述目标异常生产数据,通过节点识别网络获取节点识别结果;
如果所述节点识别结果中包括Y个数据节点,则确定所述目标异常生产数据中存在所述Y个候选异常生产节点,每个数据节点对应于一个候选异常生产节点,且,所述每个数据节点对应于一组节点定位信息;
所述基于所述参考故障路径序列,确定针对所述目标异常生产数据的故障根因定位数据,包括:
依据所述Y个数据节点,通过自注意力网络获取所述Y个数据节点中每个数据节点关联的目标自注意力矢量,生成Y个目标自注意力矢量;
依据所述X个参考故障路径,通过第五关联位图获取所述X个参考故障路径中每个参考故障路径关联的参考自注意力矢量,生成X个参考自注意力矢量,所述第五关联位图反映参考故障路径以及自注意力矢量之间的关联位图;
将所述Y个目标自注意力矢量与所述X个参考自注意力矢量进行匹配度确定,并基于匹配度生成针对所述目标异常生产数据的所述故障根因定位数据。
依据本申请的第二方面,提供一种智慧生产服务系统,所述智慧生产服务系统包括处理器以及可读存储介质,所述可读存储介质存储有程序,该程序被处理器执行时实现前述的抗高血压中药提取液生产控制方法。
依据本申请的第三方面,提供提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,在监测到所述计算机可执行指令被执行时,实现前述的抗高血压中药提取液生产控制方法。
依据以上任意一个方面,本申请中,通过获取抗高血压中药提取液在生产过程中的目标异常生产数据关联的生产线控制数据,能够深入理解生产过程中出现的问题。进一步地,获取针对这些生产线控制数据的知识要素数据,包括生产设备数据、生产记录数据、原材料数据以及工艺参数数据中的至少一项,能够让全面掌握可能影响生产质量的各种因素。基于这些知识要素数据,确定参考故障路径序列,每个参考故障路径代表一种可能导致生产异常的情况,从而为故障诊断提供了多角度的视野。如果目标异常生产数据中存在Y个候选异常生产节点,将利用参考故障路径序列来确定针对目标异常生产数据的故障根因定位数据。由此,本申请有效地结合了多源数据和先进的数据处理方法,实现了对生产异常的精确定位,大大提升了生产线的故障排查效率,从而便于进行生产控制优化。
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使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,还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的抗高血压中药提取液生产控制方法的流程示意图;
图2示出了本申请实施例所提供的用于实现上述的抗高血压中药提取液生产控制方法的智慧生产服务系统的组件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。依据本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排它的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1:图1示出了本申请实施例提供的抗高血压中药提取液生产控制方法的流程示意图,应当理解,在其它实施例中,本实施例的抗高血压中药提取液生产控制方法其中部分步骤的顺序可以依据实际需要相互交换,或者其中的部分步骤也可以省略或删除。该抗高血压中药提取液生产控制方法的详细步骤介绍如下。
步骤S110,获取抗高血压中药提取液在生产过程中的目标异常生产数据关联的生产线控制数据。
本实施例中,所述生产线控制数据包括所述目标异常生产数据。
例如,日语翻译在抗高血压中药提取液在生产过程中的出现了一些异常生产数据,例如提取液的纯度低于正常值,那么可以将这个异常生产数据定义为目标异常生产数据,并从生产线控制系统中获取与这个目标异常生产数据相关的控制数据,如温度、压力、时间和流速等。
步骤S120,获取针对所述生产线控制数据的知识要素数据。
所述知识要素数据包括生产设备数据、生产记录数据、原材料数据以及工艺参数数据中的至少一项。例如,在本步骤中需要更深入地理解可能导致这个问题的各种因素。因此,开始收集与生产线控制数据相关的知识要素数据,这包括生产设备的详细信息(例如,设备的类型、规格、使用寿命等)、生产记录数据(例如,操作员的工作记录、设备的维修和保养记录等)、原材料数据(例如,原材料的来源、质量、存储条件等)以及工艺参数数据(例如,每个步骤的具体参数设置,如温度、压力、时间等)。
步骤S130,基于所述知识要素数据确定参考故障路径序列,所述参考故障路径序列包括X个参考故障路径。
例如,在确定这些知识要素数据后,开始构建参考故障路径序列。这是一种描述可能导致生产过程出现问题的具体步骤的序列。例如,一个参考故障路径可能是:原材料质量下降——提取设备性能衰退——工艺参数调整不当——提取液纯度降低。
步骤S140,如果所述目标异常生产数据中存在Y个候选异常生产节点,则基于所述参考故障路径序列,确定针对所述目标异常生产数据的故障根因定位数据,并基于所述目标异常生产数据的故障根因定位数据对所述抗高血压中药提取液的生产过程进行生产控制优化。
例如,在检查目标异常生产数据时,发现了Y个候选异常生产节点,即可能导致生产过程出现问题的节点。将这些候选异常生产节点与先前创建的参考故障路径序列进行比较,并找出最可能导致目标异常生产数据的节点,从而确定故障的根本原因。例如,如果其中一个候选异常生产节点是“提取设备性能衰退”,并且这一候选异常生产节点在多个参考故障路径中都出现,那么就可以确定这是导致提取液纯度降低的主要原因。
基于目标异常生产数据的故障根因定位数据进行生产控制优化,实际上是在找出问题源头后,对相应环节进行改进和优化,以防止同样的问题再次发生,提高生产效率和产品质量。
例如,在抗高血压中药提取液的生产过程中,发现了一个异常生产数据——提取液的纯度低于正常值。通过分析生产线控制数据,确定了候选异常生产节点为熬煮环节和蒸馏环节。接着,利用参考故障路径序列确定了故障根因可能是“熬煮环节温度过高”或者“蒸馏环节压力不稳定”。
这时,基于这些故障根因定位数据,就可以针对性地对生产过程进行优化。比如,可以调整熬煮环节的温度控制策略,或者改善蒸馏环节的压力稳定系统,以防止类似的故障再次发生。同时,还可以进一步分析是否有其他潜在的风险因素,例如检查原材料供应商的质量控制情况,或者对生产设备进行定期的维护和检查。
通过这种方式,不仅能够解决当前出现的问题,还可以预防未来可能出现的故障,从而实现生产过程的持续优化,提高产品质量,降低生产成本。
基于以上步骤,通过获取抗高血压中药提取液在生产过程中的目标异常生产数据关联的生产线控制数据,能够深入理解生产过程中出现的问题。进一步地,获取针对这些生产线控制数据的知识要素数据,包括生产设备数据、生产记录数据、原材料数据以及工艺参数数据中的至少一项,能够让全面掌握可能影响生产质量的各种因素。基于这些知识要素数据,确定参考故障路径序列,每个参考故障路径代表一种可能导致生产异常的情况,从而为故障诊断提供了多角度的视野。如果目标异常生产数据中存在Y个候选异常生产节点,将利用参考故障路径序列来确定针对目标异常生产数据的故障根因定位数据。由此,本申请有效地结合了多源数据和先进的数据处理方法,实现了对生产异常的精确定位,大大提升了生产线的故障排查效率,从而便于进行生产控制优化。
在一种可能的实施方式中,在步骤S110之前,所述方法还包括:
步骤S101,获取目标生产线监控数据,所述目标生产线监控数据包括Z个异常生产数据。
例如,可以定期检查生产线监控数据。在某个特定时间段内,如果检测到了Z个异常生产数据,这可能包括生产过程中的设备故障、原材料质量问题或工艺参数设置不当等。
步骤S102,接收故障根因定位指令,所述故障根因定位指令携带所述目标生产线监控数据的目标监控时空域ID以及所述目标异常生产数据的节点ID。
例如,在发现异常生产数据后,可以从生产部门接收到一个故障根因定位指令。该故障根因定位指令携带了目标生产线监控数据的目标监控时空域ID(例如,具体的日期和时间,以及生产线的特定位置)以及目标异常生产数据的节点ID(例如,哪个设备或工艺步骤出现了问题)。
步骤S103,响应所述故障根因定位指令,依据所述目标监控时空域ID以及所述节点ID,通过第一关联位图获取所述目标异常生产数据,所述第一关联位图反映监控时空域ID、节点ID与异常生产数据之间的关联位图。
例如,接收到故障根因定位指令后,可以通过第一关联位图,依据目标监控时空域ID和节点ID来获取目标异常生产数据。这个关联位图反映了监控时空域ID、节点ID与异常生产数据之间的关系,使得能够快速找到并确定异常生产数据。
所述获取抗高血压中药提取液在生产过程中的目标异常生产数据关联的生产线控制数据,包括:
如果所述Z不小于设定数值,从所述目标生产线监控数据中确定包含所述目标异常生产数据的多个连续控制数据作为所述生产线控制数据。
如果所述Z小于所述设定数值,将所述目标生产线监控数据作为所述目标异常生产数据关联的所述生产线控制数据。
例如,在获取了目标异常生产数据后,可以开始收集与这些数据相关的生产线控制数据。如果Z个异常生产数据不小于设定的数值,会从目标生产线监控数据中确定包含这些异常生产数据的多个连续控制数据。例如,如果设定值为10,而找到了12个异常生产数据,那么就需要找到与这12个数据相关的连续控制数据,如温度、压力、时间和流速等。如果Z个异常生产数据小于设定的数值,那么将直接使用目标生产线监控数据作为与目标异常生产数据相关的生产线控制数据。
在以上基础上,可以发送所述故障根因定位数据进行提醒。
在一种可能的实施方式中,所述知识要素数据包括生产设备数据、生产记录数据、原材料数据以及工艺参数数据。 例如,所述知识要素数据包括关于生产设备(例如,设备的类型、规格、使用寿命等)、生产记录(例如,操作员的工作记录、设备的维修和保养记录等)、原材料(例如,原材料的来源、质量、存储条件等)以及工艺参数(例如,每个步骤的具体参数设置,如温度、压力、时间等)的详细信息。
步骤S130可以包括:
步骤S131,基于所述生产设备数据,确定第一参考故障路径序列。
例如,可以根据收集到的生产设备数据确定了第一参考故障路径序列。例如,如果某台设备经常出现故障或其性能下降,那么这可能是导致产品质量问题的一个重要因素。
步骤S132,基于所述生产记录数据,确定第二参考故障路径序列。
例如,可以根据生产记录数据确定第二参考故障路径序列。例如,如果生产记录显示某些操作未按照标准操作程序执行,那么这可能是引起生产异常的原因之一。
步骤S133,基于所述原材料数据,确定第三参考故障路径序列。
例如,可以根据原材料数据确定第三参考故障路径序列。例如,如果原材料的质量不稳定或存储条件不佳,这可能影响到最终产品的质量。
步骤S134,基于所述工艺参数数据,确定第四参考故障路径序列。
例如,可以根据工艺参数数据确定第四参考故障路径序列。例如,如果温度、压力或时间设置不合适,那么这可能直接影响到产品的质量和产量。
步骤S135,对所述第一参考故障路径序列、所述第二参考故障路径序列、所述第三参考故障路径序列以及所述第四参考故障路径序列进行冗余特征清洗,生成所述参考故障路径序列。
例如,在确定了所有参考故障路径序列之后,开始进行冗余特征清洗。这意味着会去除那些在多个参考故障路径中重复出现的信息,只保留有区分度的特征。这样可以减少数据的复杂性,提高分析的效率和精确度。经过清洗后,得到了最终的参考故障路径序列,它将用于后续的故障根因分析。
在一种可能的实施方式中,步骤S120可以包括:
步骤S121,获取所述生产线控制数据关联的目标监控时空域ID。
例如,首先获取与生产线控制数据相关联的目标监控时空域ID。例如,如果在生产过程中发现了某台设备(如蒸馏器)出现异常,就会记录下这个设备出现问题时的日期和时间,以及设备在生产线上的位置,这就是目标监控时空域ID。
步骤S122,依据所述目标监控时空域ID,通过第二关联位图获取所述生产设备数据,所述第二关联位图反映监控时空域ID与生产设备数据之间的关联位图。
例如,在获得目标监控时空域ID后,可以通过第二关联位图来获取生产设备数据。这个关联位图反映了监控时空域ID与生产设备数据之间的关系,使能够快速找到并确定在指定的时间和地点出现问题的设备的详细信息,比如设备类型、规格、使用寿命等。
在此基础上,步骤S130中,可以基于所述生产设备数据,生成第一参考故障路径序列,所述第一参考故障路径序列包含于所述参考故障路径序列。例如,假设检测到该蒸馏器近期曾经进行过维修,而维修后不久就出现了生产异常。因此,可能会生成一个这样的参考故障路径:蒸馏器维修——维修后设备性能不稳定——生产参数调整不当——产品质量下降。这个参考故障路径序列就包含在最终确定的参考故障路径序列中。
在一种可能的实施方式中,步骤S120还可以包括:
步骤S123,获取所述生产线控制数据关联的目标监控时空域ID。
例如,如果在分析抗高血压中药提取液生产过程中发现了某个异常生产数据,例如蒸馏步骤的温度控制出现问题,那么可以记录下这个异常发生的时间和地点,即目标监控时空域ID。
步骤S124,获取所述生产线控制数据中每异常生产数据关联的节点ID。 依据所述目标监控时空域ID以及所述生产线控制数据中每异常生产数据关联的节点ID,通过第三关联位图获取所述生产记录数据,所述第三关联位图反映监控时空域ID、节点ID以及生产记录数据之间的关联位图。
继续上述例子,本实施例中可以搜索引发这个温度控制问题的具体设备或工艺环节,这就是节点ID。比如,可能发现是蒸馏器的温度传感器故障导致了温度控制问题,那么这个蒸馏器就是该异常生产数据关联的节点。
接着,可以利用第三关联位图,结合目标监控时空域ID和节点ID,来获取与此相关的生产记录数据。例如,可能会查看该蒸馏器在异常发生前后的操作记录、维修记录等,这些都是生产记录数据。
在此基础上,步骤S130中,可以基于所述生产记录数据,生成第二参考故障路径序列,所述第二参考故障路径序列包含于所述参考故障路径序列。例如,可以根据收集到的生产记录数据,生成第二参考故障路径序列。例如,可能发现该蒸馏器在出现温度控制问题前不久刚进行了一次维修,因此,可能会得出这样一个故障路径:蒸馏器维修——维修后温度传感器性能下降——温度控制异常——产品质量问题。这个故障路径就构成了第二参考故障路径序列,并将被包含在最终的参考故障路径序列中。
在一种可能的实施方式中,所述基于所述生产记录数据,生成第二参考故障路径序列,包括:
1、对所述生产记录数据进行生产记录知识点拆分,生成知识点序列。
2、从所述知识点序列中获取K个异常知识点链路。
3、针对所述K个异常知识点链路中的每个异常知识点链路,如果异常知识点链路属于故障模板链路,则将所述异常知识点链路作为所述第二参考故障路径序列中的参考故障路径。
4、针对所述K个异常知识点链路中的每个异常知识点链路,如果异常知识点链路属于非故障模板链路,则将所述非故障模板链路进行格式转换生成故障模板链路,并将所述故障模板链路作为所述第二参考故障路径序列中的参考故障路径。
例如,可以收集到的蒸馏器的生产记录数据进行处理。例如,可以将每一条记录分解为更小的信息单位,即知识点。例如,一条“蒸馏器在上周三维修后开始出现温度控制问题”的记录,可能会被拆分成“蒸馏器上周三进行了维修”和“维修后蒸馏器开始出现温度控制问题”两个知识点。这些知识点按照它们在时间线上的顺序排列,构成一个知识点序列。
接着,从这个知识点序列中寻找可能与生产异常相关的部分,即异常知识点链路。例如,可能发现在“蒸馏器维修”之后不久,就出现了“温度控制问题”,那么这就是一个异常知识点链路。
接着,将每个异常知识点链路与已知的故障模板进行比较。如果一个异常知识点链路与某个故障模板匹配,那么这个异常知识点链路就会被作为第二参考故障路径序列中的一条参考故障路径。
对于那些不属于任何已知故障模板的异常知识点链路,会通过某种方法(例如,基于人工智能的模式识别技术)将它们转换成新的故障模板链路,并将这些新生成的故障模板链路也包含到第二参考故障路径序列中。这样,即使面临前所未见的生产异常,也能够生成相应的参考故障路径,从而提高故障定位的准确性和效率。
在一种可能的实施方式中,步骤S120还可以包括:
步骤S125,获取所述生产线控制数据关联的目标监控时空域ID。
例如,在分析抗高血压中药提取液生产过程中,如果发现了一个异常生产数据——提取液的纯度低于正常值。记录下这个异常出现的时间和地点,即目标监控时空域ID。
步骤S126,获取所述生产线控制数据中每异常生产数据关联的节点ID。 依据所述目标监控时空域ID以及所述生产线控制数据中每异常生产数据关联的节点ID,通过第四关联位图获取所述原材料数据,所述第四关联位图反映监控时空域ID、节点ID以及原材料数据之间的关联位图。
例如,可以确定导致这个异常的具体设备或工艺环节,即节点ID。例如,通过进一步的分析,发现是在提取环节出现的问题,那么这个提取环节就是节点ID。
然后,根据目标监控时空域ID和节点ID,使用第四关联位图来获取相关的原材料数据。比如,可能会查看在该提取环节使用的原材料的种类、质量、来源等信息。
在此基础上,步骤S130中,可以对所述原材料数据进行生产记录知识点拆分,生成知识点序列,从所述知识点序列中获取M个非故障模板链路,针对所述M个非故障模板链路中的每个非故障模板链路,将非故障模板链路进行格式转换生成故障模板链路,并将所述故障模板链路作为所述第三参考故障路径序列中的参考故障路径,所述第三参考故障路径序列包含于所述参考故障路径序列。
例如,可以将收集到的原材料数据进行拆分,生成知识点序列。例如,可能会将“使用了来自供应商A的原材料”这一数据拆分成“使用了供应商A的原材料”和“供应商A的原材料质量低于标准”两个知识点。
然后,从这些知识点中找出可能与生产异常有关的部分,即非故障模板链路。例如,可能发现一个链路是:“使用了供应商A的原材料”——“原材料质量低于标准”——“提取液纯度降低”。
最后,需要将这些非故障模板链路转化为故障模板链路。比如,可能会将上述的链路转化为:“使用了质量低于标准的原材料导致提取液纯度降低”。这个新生成的故障模板链路就会被作为第三参考故障路径序列中的一条路径,最终包含在完整的参考故障路径序列中。
在一种可能的实施方式中,步骤S120还可以包括:
步骤S127,获取所述生产线控制数据的触发节点ID以及终止节点ID。 基于所述触发节点ID以及所述终止节点ID,获取工艺参数数据。
例如,在分析抗高血压中药提取液生产过程中,首先需要确定异常生产数据的起始和结束点。例如,假设检测到提取液的纯度从熬煮环节开始下降,直到蒸馏环节结束,那么这两个环节就是触发节点ID和终止节点ID。
接着,根据这两个节点ID,收集从熬煮环节到蒸馏环节之间所有相关的工艺参数数据,如温度、压力、时间等。
在此基础上,步骤S130中,可以对所述工艺参数数据进行工艺参数态势解析,生成W个工艺参数态势,所述W为大于或等于1的整数。针对所述W个工艺参数态势中的每个工艺参数态势,将工艺参数态势进行格式转换生成非故障模板链路。针对所述W个工艺参数态势中每个工艺参数态势关联的非故障模板链路,将非故障模板链路进行格式转换生成故障模板链路,并将所述异常知识点链路作为所述第四参考故障路径序列中的参考故障路径,所述第四参考故障路径序列包含于所述参考故障路径序列。
例如,可以对这些工艺参数数据进行深入分析,以理解在整个生产过程中各参数的变化趋势,即工艺参数态势。例如,可能会发现在熬煮环节,温度突然上升,而在蒸馏环节,压力出现了波动。这些都是工艺参数态势。
接下来,需要将这些工艺参数态势转化为更具可解释性的形式,即非故障模板链路。例如,“熬煮环节温度突然上升”和“蒸馏环节压力出现波动”就可以构成两个非故障模板链路。
最后,将每个非故障模板链路转化为故障模板链路,即确定其与生产异常的关系。比如,“熬煮环节温度突然上升导致提取液纯度降低”和“蒸馏环节压力波动导致提取液纯度降低”。这些新生成的故障模板链路就会被作为第四参考故障路径序列中的路径,最终包含在完整的参考故障路径序列中。
在一种可能的实施方式中,本实施例还可以依据所述目标异常生产数据,通过节点识别网络获取节点识别结果。如果所述节点识别结果中包括Y个数据节点,则确定所述目标异常生产数据中存在所述Y个候选异常生产节点,每个数据节点对应于一个候选异常生产节点,且,所述每个数据节点对应于一组节点定位信息。
例如,假设正在分析抗高血压中药提取液生产过程中的一个异常生产数据——提取液的纯度低于正常值。为了确定可能出现问题的具体环节或设备,将这个异常数据输入到一个预先训练好的节点识别网络中,该网络能够输出可能与此异常关联的节点,即节点识别结果。如果节点识别网络返回了两个可能相关的节点:熬煮环节和蒸馏环节。那么这两个环节就被视为候选异常生产节点。
步骤S140可以包括:
步骤S141,依据所述Y个数据节点,通过自注意力网络获取所述Y个数据节点中每个数据节点关联的目标自注意力矢量,生成Y个目标自注意力矢量。
例如,可以将这些候选异常生产节点输入到另一个预训练好的自注意力网络中,该网络会为每个节点生成一个目标自注意力矢量,这个矢量反映了该节点在整个生产流程中的重要性。
步骤S142,依据所述X个参考故障路径,通过第五关联位图获取所述X个参考故障路径中每个参考故障路径关联的参考自注意力矢量,生成X个参考自注意力矢量,所述第五关联位图反映参考故障路径以及自注意力矢量之间的关联位图。
例如,可以将之前确定的参考故障路径(如“熬煮环节温度过高”和“蒸馏环节压力不稳定”)输入到自注意力网络中,为每个路径生成一个参考自注意力矢量。
步骤S143,将所述Y个目标自注意力矢量与所述X个参考自注意力矢量进行匹配度确定,并基于匹配度生成针对所述目标异常生产数据的所述故障根因定位数据。
例如,可以将目标自注意力矢量和参考自注意力矢量进行比较,确定它们的匹配程度。例如,如果熬煮环节的目标自注意力矢量和“熬煮环节温度过高”这个参考故障路径的参考自注意力矢量匹配度很高,那么就可以判断这个故障的根源可能是熬煮环节的温度控制出了问题。这就是故障根因定位数据。
实施例二:经研究,延安道地中草药是一种抗血压中草药,该延安道地药材具体为北方獐牙菜,可作为抗高血压中药组合核心成分。延安道地中草药作为一种抗高血压中药,其药液提取至关重要,可作为一种抗高血压中药提取液;此外,该抗高血压中药提取液还具有以下作用:
具有保肝护肝作用:该抗高血压中药提取液能明显降低由 CCl4引起的小鼠血清ALT、AST的升高, 缓解肝组织病变, 减轻肝脏水肿;
抗炎作用:对二甲苯致小鼠耳肿胀有明显抑制作用, 对醋酸所致小鼠血管通透性增加也有一定的抑制作用, 呈一定的量效关系;
营养中枢神经作用:降低谷氨酸诱导海马神经元[Ca2+]升高, 对谷氨酸诱导的海马神经元损伤有一定的保护作用。
降血糖作用:对正常小鼠血糖无明显降低作用 , 能降低葡萄糖及肾上腺素性高血糖小鼠的血糖水平 ,改善小鼠对葡萄糖的耐受能力 ;降低四氧嘧啶致糖尿病小鼠血糖,减少动物的饮水量 。
根据该高血压中草药的性能,做了以下实验:
随机诊断为高血压但未服用任何降压药的患者共20人,男女各半,年龄35-48岁,延安道地药材30g/日水煎服,连续7日,每天早晚测量血压(P<0.05)。
延安道地药材提取液(该抗高血压中草药提取液)降压作用观察(mmhg) 组别 治疗前收缩压 治疗后收缩压 治疗前舒张压 治疗后舒张压 男 158.1±5.8135.2±3.2107.4±6.588.1±3.2 女 150.5±8.5128.2±8.4 95.1±7.6 78.4±6.5 通过上述实验,初步判断延安道地药材提取液(该抗高血压中草药提取液)具有明显的降压作用。
进一步地,对该延安道地药材提取液(该抗高血压中草药提取液)进行分离、提纯、采用UV、HPLC、IR、MS等技术手段,鉴定新化合物,如表1所示。
表1---该延安道地药材提取液(该抗高血压中草药提取液)的分子量信息表
高血压模型的建立:
肾性高血压动物模型:内径0.2mm的银夹狭窄大鼠肾动脉,4周后大鼠血压升到高峰水平。
激素性高血压动物模型:4-6周龄大鼠颈背部皮下埋植去氧皮质酮醋酸盐(DOCA)胶丸,术后给予1%NaCl溶液,4-6周后形成稳定高血压,可达180mmhg以上。
遗传性高血压大鼠:自发性高血压大鼠(SHR)、Dahl盐敏感性大鼠、米兰高血压大鼠(MHS)、新西兰高血压大鼠(GH)、LYON高血压大鼠。
化学试剂诱导高血压大鼠:L-NAME,6mg/KG/d,给予3周,可形成稳定高血压动物。
抗高血压试验研究如表2所示:
表2----抗高血压试验研究表
注:不同剂量根据需要配制不同浓度,给药体积一致;
每一只实验动物测定给药前后均测定收缩压、舒张压以及计算峰谷比、平滑指数等参数。
显然,根据上述表格2可知,该延安道地药材提取液(该抗高血压中草药提取液)具有明显的降压作用。
抗高血压试验研究如表3所示:
表3---抗高血压试验研究表
注:不同剂量根据需要配制不同浓度,给药体积一致;
每一只实验动物测定给药前后均测定收缩压、舒张压以及计算峰谷比、平滑指数等参数。
显然,根据上述表格3进一步可知,该延安道地药材提取液(该抗高血压中草药提取液)具有明显的降压作用。
安全性测试:
急性毒性试验:SPF级试验小鼠,体重18-25g,给药前禁食不禁水,取提取物使用蒸馏水配制成相应浓度,灌胃给予0.2-1.0ml,连续观察14天以上,记录实验动物对药物的反应,死亡时间,死亡数量,体重变化。所有试验动物进行解剖,记录组织、器官、质地等变化及病理学检查。
慢性毒性试验:SPF级试验大鼠,6-8周龄,给药前禁食不禁水,取提取物使用蒸馏水配制成相应浓度,设置低、中、高三个剂量组,每天灌胃给予1-2ml,连续观察6个月以上,记录实验动物对药物的反应,体重变化。所有试验动物进行解剖,记录脏气指数及病理学检查等。
显然,根据上述实验可知,该延安道地药材提取液(该抗高血压中草药提取液),该延安道地药材具体为北方獐牙菜,具有明显的抗高血压以及降压作用,可作为一种高效的抗高血压中药组合物。通过本发明所提供的抗高血压中药提取液生产控制方法,可有效提高该延安道地药材提取液(该抗高血压中草药提取液)的生产效率,实现该延安道地药材提取液(该抗高血压中草药提取液)的快速提取,从而实现该延安道地药材提取液(该抗高血压中草药提取液)的高效生产的目的。
进一步地,图2示出了一种用于实现本申请实施例所提供的方法的智慧生产服务系统100的硬件结构示意图。如图2所示,智慧生产服务系统100可以包括一个或多个处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106以及控制器108。本领域普通技术人员可以理解,图2所示的结构仅为示意,其并不对该智慧生产服务系统100的结构造成限定。例如,智慧生产服务系统100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中上述的方法实施例对应的程序指令,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种抗高血压中药提取液生产控制方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其它非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至智慧生产服务系统100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括智慧生产服务系统100的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器,其可通过基站与其它网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频模块,其用于通过无线方式与互联网进行通讯。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本申请实施例特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以依据不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本申请实施例中的各个实施例均依据递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其它实施例的不同之处。尤其,对于以上不同实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,上述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
Claims (2)
1.一种抗高血压中药提取液生产控制方法,其特征在于,所述方法包括:
获取抗高血压中药提取液在生产过程中的目标异常生产数据关联的生产线控制数据,所述生产线控制数据包括所述目标异常生产数据;
获取针对所述生产线控制数据的知识要素数据,所述知识要素数据包括生产设备数据、生产记录数据、原材料数据以及工艺参数数据中的至少一项;
基于所述知识要素数据确定参考故障路径序列,所述参考故障路径序列包括X个参考故障路径;
如果所述目标异常生产数据中存在Y个候选异常生产节点,则基于所述参考故障路径序列,确定针对所述目标异常生产数据的故障根因定位数据,并基于所述目标异常生产数据的故障根因定位数据对所述抗高血压中药提取液的生产过程进行生产控制优化;
所述获取抗高血压中药提取液在生产过程中的目标异常生产数据关联的生产线控制数据之前,所述方法还包括:
获取目标生产线监控数据,所述目标生产线监控数据包括Z个异常生产数据;
接收故障根因定位指令,所述故障根因定位指令携带所述目标生产线监控数据的目标监控时空域ID以及所述目标异常生产数据的节点ID;
响应所述故障根因定位指令,依据所述目标监控时空域ID以及所述节点ID,通过第一关联位图获取所述目标异常生产数据,所述第一关联位图反映监控时空域ID、节点ID与异常生产数据之间的关联位图;
所述获取抗高血压中药提取液在生产过程中的目标异常生产数据关联的生产线控制数据,包括:
如果所述Z不小于设定数值,从所述目标生产线监控数据中确定包含所述目标异常生产数据的多个连续控制数据作为所述生产线控制数据;
如果所述Z小于所述设定数值,将所述目标生产线监控数据作为所述目标异常生产数据关联的所述生产线控制数据;
所述方法还包括:
发送所述故障根因定位数据进行提醒;
所述知识要素数据包括生产设备数据、生产记录数据、原材料数据以及工艺参数数据;
所述基于所述知识要素数据确定参考故障路径序列,包括:
基于所述生产设备数据,确定第一参考故障路径序列;
基于所述生产记录数据,确定第二参考故障路径序列;
基于所述原材料数据,确定第三参考故障路径序列;
基于所述工艺参数数据,确定第四参考故障路径序列;
对所述第一参考故障路径序列、所述第二参考故障路径序列、所述第三参考故障路径序列以及所述第四参考故障路径序列进行冗余特征清洗,生成所述参考故障路径序列;
所述获取针对所述生产线控制数据的知识要素数据,包括:
获取所述生产线控制数据关联的目标监控时空域ID;
依据所述目标监控时空域ID,通过第二关联位图获取所述生产设备数据,所述第二关联位图反映监控时空域ID与生产设备数据之间的关联位图;
所述基于所述知识要素数据确定参考故障路径序列,包括:
基于所述生产设备数据,生成第一参考故障路径序列,所述第一参考故障路径序列包含于所述参考故障路径序列;
所述获取针对所述生产线控制数据的知识要素数据,包括:
获取所述生产线控制数据关联的目标监控时空域ID;
获取所述生产线控制数据中每异常生产数据关联的节点ID; 依据所述目标监控时空域ID以及所述生产线控制数据中每异常生产数据关联的节点ID,通过第三关联位图获取所述生产记录数据,所述第三关联位图反映监控时空域ID、节点ID以及生产记录数据之间的关联位图;
所述基于所述知识要素数据确定参考故障路径序列,包括:
基于所述生产记录数据,生成第二参考故障路径序列,所述第二参考故障路径序列包含于所述参考故障路径序列;
所述基于所述生产记录数据,生成第二参考故障路径序列,包括:
对所述生产记录数据进行生产记录知识点拆分,生成知识点序列;
从所述知识点序列中获取K个异常知识点链路;
针对所述K个异常知识点链路中的每个异常知识点链路,如果异常知识点链路属于故障模板链路,则将所述异常知识点链路作为所述第二参考故障路径序列中的参考故障路径;
针对所述K个异常知识点链路中的每个异常知识点链路,如果异常知识点链路属于非故障模板链路,则将所述非故障模板链路进行格式转换生成故障模板链路,并将所述故障模板链路作为所述第二参考故障路径序列中的参考故障路径;
所述获取针对所述生产线控制数据的知识要素数据,包括:
获取所述生产线控制数据关联的目标监控时空域ID;
获取所述生产线控制数据中每异常生产数据关联的节点ID; 依据所述目标监控时空域ID以及所述生产线控制数据中每异常生产数据关联的节点ID,通过第四关联位图获取所述原材料数据,所述第四关联位图反映监控时空域ID、节点ID以及原材料数据之间的关联位图;
所述基于所述知识要素数据确定参考故障路径序列,包括:
对所述原材料数据进行生产记录知识点拆分,生成知识点序列;
从所述知识点序列中获取M个非故障模板链路;
针对所述M个非故障模板链路中的每个非故障模板链路,将非故障模板链路进行格式转换生成故障模板链路,并将所述故障模板链路作为所述第三参考故障路径序列中的参考故障路径,所述第三参考故障路径序列包含于所述参考故障路径序列;
所述获取针对所述生产线控制数据的知识要素数据,包括:
获取所述生产线控制数据的触发节点ID以及终止节点ID; 基于所述触发节点ID以及所述终止节点ID,获取工艺参数数据;
所述基于所述知识要素数据确定参考故障路径序列,包括:
对所述工艺参数数据进行工艺参数态势解析,生成W个工艺参数态势,所述W为大于或等于1的整数;
针对所述W个工艺参数态势中的每个工艺参数态势,将工艺参数态势进行格式转换生成非故障模板链路;
针对所述W个工艺参数态势中每个工艺参数态势关联的非故障模板链路,将非故障模板链路进行格式转换生成故障模板链路,并将所述异常知识点链路作为所述第四参考故障路径序列中的参考故障路径,所述第四参考故障路径序列包含于所述参考故障路径序列;
所述方法还包括:
依据所述目标异常生产数据,通过节点识别网络获取节点识别结果;
如果所述节点识别结果中包括Y个数据节点,则确定所述目标异常生产数据中存在所述Y个候选异常生产节点,每个数据节点对应于一个候选异常生产节点,且,所述每个数据节点对应于一组节点定位信息;
所述基于所述参考故障路径序列,确定针对所述目标异常生产数据的故障根因定位数据,包括:
依据所述Y个数据节点,通过自注意力网络获取所述Y个数据节点中每个数据节点关联的目标自注意力矢量,生成Y个目标自注意力矢量;
依据所述X个参考故障路径,通过第五关联位图获取所述X个参考故障路径中每个参考故障路径关联的参考自注意力矢量,生成X个参考自注意力矢量,所述第五关联位图反映参考故障路径以及自注意力矢量之间的关联位图;
将所述Y个目标自注意力矢量与所述X个参考自注意力矢量进行匹配度确定,并基于匹配度生成针对所述目标异常生产数据的所述故障根因定位数据。
2.一种智慧生产服务系统,其特征在于,所述智慧生产服务系统包括处理器以及可读存储介质,所述可读存储介质存储有程序,该程序被处理器执行时实现权利要求1所述的抗高血压中药提取液生产控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311528337.5A CN117389230B (zh) | 2023-11-16 | 2023-11-16 | 抗高血压中药提取液生产控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311528337.5A CN117389230B (zh) | 2023-11-16 | 2023-11-16 | 抗高血压中药提取液生产控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117389230A CN117389230A (zh) | 2024-01-12 |
CN117389230B true CN117389230B (zh) | 2024-06-07 |
Family
ID=89435746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311528337.5A Active CN117389230B (zh) | 2023-11-16 | 2023-11-16 | 抗高血压中药提取液生产控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117389230B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07104839A (ja) * | 1993-08-11 | 1995-04-21 | Sony Display Device Singapore Pte Ltd | 生産設備の異常診断システム |
CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
WO2020259392A1 (zh) * | 2019-06-25 | 2020-12-30 | 深圳前海微众银行股份有限公司 | 一种异常任务的根因任务确定方法及装置 |
CN112506763A (zh) * | 2020-11-30 | 2021-03-16 | 清华大学 | 数据库系统故障根因自动定位方法和装置 |
CN112529310A (zh) * | 2020-12-16 | 2021-03-19 | 广州红帆科技有限公司 | 一种生产计划调度方法、装置、设备及存储介质 |
CN112702198A (zh) * | 2020-12-18 | 2021-04-23 | 北京达佳互联信息技术有限公司 | 异常根因定位方法、装置、电子设备及存储介质 |
CN113450125A (zh) * | 2021-07-06 | 2021-09-28 | 北京市商汤科技开发有限公司 | 可溯源生产数据的生成方法、装置、电子设备及存储介质 |
CN113672743A (zh) * | 2021-08-20 | 2021-11-19 | 北京宝兰德软件股份有限公司 | 故障判别方法、装置、电子设备、存储介质及产品 |
CN114239323A (zh) * | 2022-02-22 | 2022-03-25 | 成都数之联科技股份有限公司 | 生产异常的根因定位方法、装置、设备、介质及产品 |
CN114785666A (zh) * | 2022-06-22 | 2022-07-22 | 北京必示科技有限公司 | 一种网络故障排查方法与系统 |
WO2022237088A1 (zh) * | 2021-05-12 | 2022-11-17 | 深圳前海微众银行股份有限公司 | 根因定位方法、电子设备及存储介质 |
CN115392812A (zh) * | 2022-10-31 | 2022-11-25 | 成都飞机工业(集团)有限责任公司 | 一种异常根因定位方法、装置、设备及介质 |
CN115809183A (zh) * | 2022-11-21 | 2023-03-17 | 浪潮软件集团有限公司 | 基于知识图谱的信创终端故障发现及处置的方法 |
CN117061318A (zh) * | 2023-08-23 | 2023-11-14 | 中国银联股份有限公司 | 故障诊断方法、装置、设备、介质及产品 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114715139B (zh) * | 2020-12-18 | 2024-04-16 | 北京百度网讯科技有限公司 | 自动泊车异常数据采集方法、装置、存储介质及产品 |
-
2023
- 2023-11-16 CN CN202311528337.5A patent/CN117389230B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07104839A (ja) * | 1993-08-11 | 1995-04-21 | Sony Display Device Singapore Pte Ltd | 生産設備の異常診断システム |
CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
WO2020259392A1 (zh) * | 2019-06-25 | 2020-12-30 | 深圳前海微众银行股份有限公司 | 一种异常任务的根因任务确定方法及装置 |
CN112506763A (zh) * | 2020-11-30 | 2021-03-16 | 清华大学 | 数据库系统故障根因自动定位方法和装置 |
CN112529310A (zh) * | 2020-12-16 | 2021-03-19 | 广州红帆科技有限公司 | 一种生产计划调度方法、装置、设备及存储介质 |
CN112702198A (zh) * | 2020-12-18 | 2021-04-23 | 北京达佳互联信息技术有限公司 | 异常根因定位方法、装置、电子设备及存储介质 |
WO2022237088A1 (zh) * | 2021-05-12 | 2022-11-17 | 深圳前海微众银行股份有限公司 | 根因定位方法、电子设备及存储介质 |
CN113450125A (zh) * | 2021-07-06 | 2021-09-28 | 北京市商汤科技开发有限公司 | 可溯源生产数据的生成方法、装置、电子设备及存储介质 |
CN113672743A (zh) * | 2021-08-20 | 2021-11-19 | 北京宝兰德软件股份有限公司 | 故障判别方法、装置、电子设备、存储介质及产品 |
CN114239323A (zh) * | 2022-02-22 | 2022-03-25 | 成都数之联科技股份有限公司 | 生产异常的根因定位方法、装置、设备、介质及产品 |
CN114785666A (zh) * | 2022-06-22 | 2022-07-22 | 北京必示科技有限公司 | 一种网络故障排查方法与系统 |
CN115392812A (zh) * | 2022-10-31 | 2022-11-25 | 成都飞机工业(集团)有限责任公司 | 一种异常根因定位方法、装置、设备及介质 |
CN115809183A (zh) * | 2022-11-21 | 2023-03-17 | 浪潮软件集团有限公司 | 基于知识图谱的信创终端故障发现及处置的方法 |
CN117061318A (zh) * | 2023-08-23 | 2023-11-14 | 中国银联股份有限公司 | 故障诊断方法、装置、设备、介质及产品 |
Also Published As
Publication number | Publication date |
---|---|
CN117389230A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480066B (zh) | 代码覆盖率统计方法、装置、存储介质、处理器和终端 | |
US20130102963A1 (en) | Secure automatic configuration of equipment through replication | |
CN117389230B (zh) | 抗高血压中药提取液生产控制方法及系统 | |
CN104013384B (zh) | 眼前节断层图像特征提取方法 | |
CN110263095A (zh) | 数据备份与恢复方法、装置、计算机设备及存储介质 | |
US20090228298A1 (en) | System and method of morphology feature analysis of physiological data | |
CN110011853B (zh) | 一种面向多平台和集群的交叉故障排查方法及装置 | |
CN108447530B (zh) | 一种临床数据判定的方法、装置、设备和存储介质 | |
CN103399921A (zh) | 一种基于Oracle数据库的一致点捕获方法 | |
CN117637094A (zh) | 一种医疗护理配液数据记录及存储系统 | |
CN106021019A (zh) | 一种数据库自动恢复方法 | |
Teng et al. | Age, serum creatinine, and left ventricular ejection fraction improved the performance of the CatLet angiographic scoring system in terms of outcome predictions for patients with acute myocardial infarction: A median 4.3-year follow-up study | |
Rojas et al. | Mean glucose slope–principal component analysis classification to detect insulin infusion set failure | |
Bowers | Bilateral adrenalectomy for severe hypertension | |
US20220076356A1 (en) | Concentrate correlation system | |
Koutsonas et al. | Self-tonometry with a telemetric intraocular pressure sensor in patients with glaucoma | |
CN111667922A (zh) | 一种临床诊疗数据录入系统和方法 | |
Li | The FN400 is identical to the N400: Evidence from picture stimuli | |
Li et al. | [Retracted] Research Progress on the Molecular Mechanism of EGCG3 ″Me in the Treatment of Diabetes Based on Visual Sensor Images | |
Ganderia | The association between asthma and tuberculosis | |
US20230133327A1 (en) | Computerized treatment plan with alternatives for guiding ophthalmic surgery | |
Zhou et al. | GENERALISED MICROVASCULAR DYSFUNCTION IS NONLINEARLY ASSOCIATED WITH HIGHER EXERCISE BLOOD PRESSURE–THE MAASTRICHT STUDY | |
Tuyet et al. | Predicting diabetic macular edema in retina fundus images based on optimized deep residual network techniques on medical internet of things | |
Motiejunaite et al. | PREVALENCE AND PREDICTORS OF NOCTURNAL BLOOD PRESSURE DIPPING IN CHRONIC KIDNEY DISEASE | |
Skouta et al. | Automated detection of retinal blood vessels for the diagnosis of diabetic retinopathy by convolutional neural networks |
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 |