CN117804637B - 用于中药材深加工的烘焙温度智能监测方法 - Google Patents
用于中药材深加工的烘焙温度智能监测方法 Download PDFInfo
- Publication number
- CN117804637B CN117804637B CN202410232069.0A CN202410232069A CN117804637B CN 117804637 B CN117804637 B CN 117804637B CN 202410232069 A CN202410232069 A CN 202410232069A CN 117804637 B CN117804637 B CN 117804637B
- Authority
- CN
- China
- Prior art keywords
- temperature
- baking
- baking temperature
- misjudgment
- temperatures
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 239000000463 material Substances 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 title claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 71
- 230000002159 abnormal effect Effects 0.000 claims abstract description 58
- 238000012937 correction Methods 0.000 claims abstract description 24
- 230000005856 abnormality Effects 0.000 claims abstract description 23
- 230000000875 corresponding effect Effects 0.000 claims description 473
- 238000012216 screening Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 3
- 239000003814 drug Substances 0.000 description 3
- 238000001035 drying Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000004018 waxing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K15/00—Testing or calibrating of thermometers
- G01K15/005—Calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明涉及电数字数据处理技术领域，具体涉及用于中药材深加工的烘焙温度智能监测方法，该方法包括：通过安装在不同位置处的预设数量个温度传感器，采集待检测中药材在预设时间段内每个采集时刻下预设数量个烘焙温度；确定每个烘焙温度对应的异常可能指标；对每个烘焙温度进行稳定分布分析处理；确定每个烘焙温度对应的目标正常指标和初始松弛因子；对每个疑似误判温度对应的目标正常指标进行自适应修正；对每个烘焙温度对应的初始松弛因子进行修正，确定其对应的目标松弛因子；根据所有烘焙温度及其对应的目标松弛因子，通过SVDD模型进行异常监测。本发明通过对烘焙温度进行数据处理，提高了对烘焙温度进行异常监测的准确度。
Description
技术领域
本发明涉及电数字数据处理技术领域，具体涉及用于中药材深加工的烘焙温度智能监测方法。
背景技术
通过烘焙能够去除中药材中多余的水分，干燥的中药材有利于保存和储存，有效延长保质期。并且在烘焙的过程中，可以通过高温杀灭部分微生物和真菌，达到一定的消毒效果，降低中药材的微生物污染风险的同时，还能通过烘焙，可以去除一些中药材中的异味和异物，提高中药材的口感和质量。因此，对中药材加工过程中进行烘焙至关重要。由于烘焙温度往往影响着中药材的品质，因此对中药材加工过程中的烘焙温度进行监测至关重要。目前，对数据进行异常监测，通常采用的方法为：通过SVDD模型，对数据进行异常监测。
然而，当通过SVDD模型，对烘焙温度进行异常监测时，经常会存在如下技术问题：
由于通过SVDD模型进行异常监测时往往受到样本分布的影响，比如当异常数据较少时，可能导致正样本对SVDD起到决定性作用，从而导致确定的超球体过大，可能导致将部分异常数据误判为正常数据，因此，当直接通过SVDD模型，对烘焙温度进行异常监测时，可能导致对烘焙温度进行异常监测的准确度较差。
发明内容
为了解决对烘焙温度进行异常监测的准确度较差的技术问题，本发明提出了用于中药材深加工的烘焙温度智能监测方法。
本发明提供了用于中药材深加工的烘焙温度智能监测方法，该方法包括：
通过安装在不同位置处的预设数量个温度传感器，采集待检测中药材在预设时间段内每个采集时刻下预设数量个烘焙温度；
根据每个烘焙温度与其对应的采集时刻下所有的烘焙温度之间的差异，确定每个烘焙温度对应的异常可能指标；
根据每个烘焙温度对应的异常可能指标，以及每个烘焙温度所属温度传感器在预设时间段内采集的所有烘焙温度对应的烘焙温度曲线，对每个烘焙温度进行稳定分布分析处理，得到每个烘焙温度对应的稳定分布指标；
根据每个烘焙温度对应的异常可能指标，以及每个烘焙温度对应的稳定分布指标和其对应的采集时刻下所有的烘焙温度对应的稳定分布指标之间的差异，确定每个烘焙温度对应的目标正常指标；
根据所有烘焙温度，通过SVDD模型，确定超球体和每个烘焙温度对应的初始松弛因子，并根据超球体，从所有烘焙温度中筛选出疑似误判温度；
对每个疑似误判温度对应的目标正常指标进行自适应修正，确定每个疑似误判温度对应的修正正常指标；
将参考温度对应的目标正常指标确定为其对应的修正正常指标，根据每个烘焙温度对应的修正正常指标，对其对应的初始松弛因子进行修正，确定每个烘焙温度对应的目标松弛因子；
根据所有烘焙温度及其对应的目标松弛因子，通过SVDD模型进行异常监测。
可选地，所述根据每个烘焙温度与其对应的采集时刻下所有的烘焙温度之间的差异，确定每个烘焙温度对应的异常可能指标，包括：
将任意一个烘焙温度确定为标记温度，将所述标记温度对应的采集时刻下所有烘焙温度的方差，确定为所述标记温度对应的整体波动指标；
将所述标记温度对应的采集时刻下所有烘焙温度的极差，确定为所述标记温度对应的整体变化指标；
将所述标记温度与其对应的采集时刻下每个烘焙温度的差值绝对值，确定为温度差异，得到所述标记温度对应的温度差异集合；
根据所述标记温度对应的整体波动指标和整体变化指标，以及其对应的温度差异集合中所有温度差异的累加值，确定所述标记温度对应的异常可能指标。
可选地，所述根据每个烘焙温度对应的异常可能指标，以及每个烘焙温度所属温度传感器在预设时间段内采集的所有烘焙温度对应的烘焙温度曲线，对每个烘焙温度进行稳定分布分析处理，得到每个烘焙温度对应的稳定分布指标，包括：
将任意一个烘焙温度确定为标记温度，以采集时刻为横坐标，以所述标记温度所属温度传感器在预设时间段内采集的烘焙温度为纵坐标，作烘焙温度曲线；
将烘焙温度曲线上所有烘焙温度对应的坐标点的斜率绝对值的均值，确定为烘焙温度曲线对应的第一分布因子；
将烘焙温度曲线上所有烘焙温度对应的坐标点的斜率绝对值的方差，确定为烘焙温度曲线对应的第二分布因子；
从所述标记温度所属温度传感器下的所有烘焙温度中，筛选出采集时刻距所述标记温度对应的采集时刻最近的预设数目个烘焙温度，作为候选温度，得到所述标记温度对应的候选温度集合；
根据所述标记温度所属烘焙温度曲线对应的第一分布因子和第二分布因子、所述标记温度及其对应的候选温度集合、以及所述标记温度对应的候选温度集合中候选温度对应的异常可能指标，确定所述标记温度对应的稳定分布指标。
可选地，烘焙温度对应的稳定分布指标对应的公式为：
；其中，/>是第i个烘焙温度对应的稳定分布指标；i是烘焙温度的序号；/>是第i个烘焙温度所属烘焙温度曲线对应的第一分布因子；/>是第i个烘焙温度所属烘焙温度曲线对应的第二分布因子；/>、/>和/>是预先设置的大于0的因子；N是预设数目；a是第i个烘焙温度对应的候选温度集合中候选温度的序号；/>是取绝对值函数；/>是第i个烘焙温度对应的候选温度集合中，第a个候选温度在其所属烘焙温度曲线上的斜率；/>是第i个烘焙温度；/>是第i个烘焙温度对应的候选温度集合中第a个候选温度；/>是第i个烘焙温度对应的候选温度集合中第a个候选温度对应的异常可能指标。
可选地，烘焙温度对应的目标正常指标对应的公式为：
；其中，/>是第i个烘焙温度对应的目标正常指标；i是烘焙温度的序号；/>是第i个烘焙温度对应的异常可能指标；/>和/>是预先设置的大于0的因子；n是预设数量；j是第i个烘焙温度对应的采集时刻下烘焙温度的序号；/>是取绝对值函数；/>是第i个烘焙温度对应的稳定分布指标；/>是第i个烘焙温度对应的采集时刻下的第j个烘焙温度对应的稳定分布指标；/>表征第i个烘焙温度对应的采集时刻下所有的烘焙温度对应的稳定分布指标之间的差异。
可选地，所述根据超球体，从所有烘焙温度中筛选出疑似误判温度，包括：
通过SVDD模型中的高斯核径向基函数，构建每个烘焙温度对应的高维数据点，将每个烘焙温度对应的高维数据点与所述超球体球心之间的距离，确定为每个烘焙温度对应的目标距离；
将所述超球体的半径与每个烘焙温度对应的目标距离的差值的绝对值，确定为每个烘焙温度对应的距离差异；
根据每个烘焙温度对应的距离差异，确定每个烘焙温度对应的误判因子，其中，距离差异与误判因子呈正相关；
从所有烘焙温度中筛选出误判因子小于或等于预设误判阈值的烘焙温度，作为疑似误判温度。
可选地，所述对每个疑似误判温度对应的目标正常指标进行自适应修正，确定每个疑似误判温度对应的修正正常指标，包括：
根据每个高维数据点对应的预设邻域序列中预设邻域内的所有高维数据点，确定每个高维数据点对应的预设邻域序列中预设邻域对应的优选因子；
从每个高维数据点对应的预设邻域序列中筛选出优选因子最大的预设邻域，作为每个高维数据点对应的目标邻域；
根据每个疑似误判温度对应的高维数据点对应的目标邻域内的所有高维数据点对应的烘焙温度对应的目标正常指标，确定每个疑似误判温度对应的修正正常指标。
可选地，高维数据点对应的预设邻域序列中预设邻域对应的优选因子，以及疑似误判温度对应的修正正常指标对应的公式分别为：
；
；
；其中，/>是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c个预设邻域对应的优选因子；b是疑似误判温度的序号；c是预设邻域序列中预设邻域的序号；/>是求绝对值函数；/>是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c个预设邻域内，所有高维数据点对应的烘焙温度对应的异常可能指标的均值；/>是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c+1个预设邻域内，所有高维数据点对应的烘焙温度对应的异常可能指标的均值；/>是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c-1个预设邻域内，所有高维数据点对应的烘焙温度对应的异常可能指标的均值；/>是第b个疑似误判温度对应的修正正常指标；/>是第b个疑似误判温度对应的高维数据点对应的目标邻域内高维数据点的数量；d是第b个疑似误判温度对应的高维数据点对应的目标邻域内高维数据点的序号；/>是第b个疑似误判温度对应的高维数据点对应的目标邻域内，第d个高维数据点对应的烘焙温度对应的稳定分布指标；/>是第b个疑似误判温度对应的高维数据点对应的目标邻域内，第d个高维数据点对应的烘焙温度对应的误判因子；/>是第b个疑似误判温度对应的高维数据点对应的目标邻域内，第d个高维数据点对应的烘焙温度对应的目标正常指标；/>是第b个疑似误判温度对应的高维数据点对应的目标邻域内，所有高维数据点对应的烘焙温度对应的目标正常指标和误判因子乘积的累加值。
可选地，所述根据每个烘焙温度对应的修正正常指标，对其对应的初始松弛因子进行修正，确定每个烘焙温度对应的目标松弛因子，包括：
将每个烘焙温度对应的修正正常指标和初始松弛因子的乘积，确定为每个烘焙温度对应的目标松弛因子。
可选地，所述根据所有烘焙温度及其对应的目标松弛因子，通过SVDD模型进行异常监测，包括：
在通过SVDD模型进行异常监测的过程中，将每个烘焙温度对应的松弛因子更新为其对应的目标松弛因子，并根据所有烘焙温度及其对应的更新后的松弛因子，对所有烘焙温度进行异常监测。
本发明具有如下有益效果：
本发明的用于中药材深加工的烘焙温度智能监测方法，通过对烘焙温度进行数据处理，解决了对烘焙温度进行异常监测的准确度较差的技术问题，提高了对烘焙温度进行异常监测的准确度。首先，量化的烘焙温度对应的异常可能指标越大，往往说明该烘焙温度越可能是异常温度，往往说明其烘焙过程越可能存在异常。接着，由于正常的烘焙温度变化往往是逐渐变化的，相对比较稳定，因此，量化的烘焙温度对应的稳定分布指标越大，往往说明该烘焙温度相对越稳定，往往说明该烘焙温度越可能是正常温度，往往说明其烘焙过程越可能不存在异常。然后，综合考虑烘焙温度对应的异常可能指标，以及烘焙温度对应的稳定分布指标和其对应的采集时刻下所有的烘焙温度对应的稳定分布指标之间的差异，量化的烘焙温度对应的目标正常指标越大，往往说明该烘焙温度越可能是正常温度，往往说明其烘焙过程越可能不存在异常。继续，由于超球体的大小往往影响的异常检测结果，比如超球体过大时，可能导致将部分异常数据误判为正常数据，因此基于超球体，从所有烘焙温度中筛选出的疑似误判温度往往是容易异常判断错误的数据。之后，对疑似误判温度对应的目标正常指标进行自适应修正，量化的疑似误判温度对应的修正正常指标更加可以表征疑似误判温度的正常程度。而后，由于松弛因子的大小往往影响着超球体的大小，并且正常数据与异常数据所需要的松弛因子权重往往不同，因此，基于烘焙温度对应的修正正常指标，对其对应的初始松弛因子进行修正，可以提高烘焙温度对应的目标松弛因子确定的准确度，从而可以提高超球体尺寸确定的准确度。最后，根据所有烘焙温度及其对应的目标松弛因子，通过SVDD模型进行异常监测，实现了对烘焙温度的监测。
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和优点，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的介绍，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它附图。
图1为本发明的用于中药材深加工的烘焙温度智能监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
参考图1，示出了根据本发明的用于中药材深加工的烘焙温度智能监测方法的一些实施例的流程。该用于中药材深加工的烘焙温度智能监测方法，包括以下步骤：
步骤S1，通过安装在不同位置处的预设数量个温度传感器，采集待检测中药材在预设时间段内每个采集时刻下预设数量个烘焙温度。
其中，预设数量可以是预先设置的数量。例如，预设数量可以是10。温度传感器可以用于采集待检测中药材的烘焙温度。待检测中药材可以是待进行烘焙温度监测的中药材。预设时间段可以是预先设置的时间段。例如，预设时间段对应的时长可以为5分钟。相邻两个采集时刻之间的时长可以为1秒。每个温度传感器在每个采集时刻下采集一个烘焙温度。某个采集时刻下预设数量个烘焙温度，也就是这预设数量个温度传感器在该采集时刻采集的烘焙温度。预设数量个温度传感器可以安装在用于中药材加工的烘干机的不同位置。
需要说明的是，通过安装在不同位置处的预设数量个温度传感器，采集待检测中药材在预设时间段内每个采集时刻下预设数量个烘焙温度，可以便于后续分析烘焙温度的变化规律，以便于后续判断烘焙温度的异常情况。
作为示例，若第一温度传感器和第二温度传感器是安装在烘干机内的两个温度传感器，并且第一采集时刻是预设时间段内的一个采集时刻，则第一采集时刻下的两个烘焙温度可以包括：第一温度传感器在第一采集时刻采集的温度和第二温度传感器在第一采集时刻采集的温度。
需要说明的是，不同种类的中药材对于烘焙的温度要求往往有所不同，监测烘焙温度可以在一定程度上确保其符合中药材的加工要求，以保持产品的质量和功效。如果烘焙温度过高，中药材可能会因为过度干燥而影响品质，甚至会出现变色、蜡化、挥发和成分破坏等问题，导致中药材的药效降低。此外，烘干温度过高还有可能导致中药材的外观质量下降，如剥皮、起皱甚至出现开裂的情况。如果烘干温度过低，中药材不能充分干燥，容易滋生霉菌和细菌，引起品质下降，导致中药材的变质。因此确保中药材深加工时烘焙温度数据的准确性非常重要。因此可以在烘干机中安装多个温度传感器，以获取不同位置的温度数据，作为烘焙温度，这些传感器之间可以均匀分布。
步骤S2，根据每个烘焙温度与其对应的采集时刻下所有的烘焙温度之间的差异，确定每个烘焙温度对应的异常可能指标。
其中，烘焙温度对应的采集时刻，也就是通过温度传感器采集该烘焙温度的时刻。
需要说明的是，量化的烘焙温度对应的异常可能指标越大，往往说明该烘焙温度越可能是异常温度，往往说明其烘焙过程越可能存在异常。
作为示例，本步骤可以包括以下步骤：
第一步，将任意一个烘焙温度确定为标记温度，将上述标记温度对应的采集时刻下所有烘焙温度的方差，确定为上述标记温度对应的整体波动指标。
其中，标记温度对应的采集时刻下所有烘焙温度，也就是采集时刻与标记温度对应的采集时刻相同的所有烘焙温度。例如，若标记温度对应的采集时刻为2024年01月23日10时23分06秒，则标记温度对应的采集时刻下所有烘焙温度可以包括：采集时刻为2024年01月23日10时23分06秒的所有烘焙温度；即标记温度对应的采集时刻下所有烘焙温度可以包括该标记温度。
第二步，将上述标记温度对应的采集时刻下所有烘焙温度的极差，确定为上述标记温度对应的整体变化指标。
第三步，将上述标记温度与其对应的采集时刻下每个烘焙温度的差值绝对值，确定为温度差异，得到上述标记温度对应的温度差异集合。
第四步，根据上述标记温度对应的整体波动指标和整体变化指标，以及其对应的温度差异集合中所有温度差异的累加值，确定上述标记温度对应的异常可能指标。
例如，确定烘焙温度对应的异常可能指标对应的公式可以为：
；
其中，是第i个烘焙温度对应的异常可能指标。i是烘焙温度的序号。/>是第i个烘焙温度对应的整体波动指标，也就是第i个烘焙温度对应的采集时刻下所有烘焙温度的方差。/>是第i个烘焙温度对应的整体变化指标，也就是第i个烘焙温度对应的采集时刻下所有烘焙温度的极差。n是预设数量。j是第i个烘焙温度对应的采集时刻下烘焙温度的序号。/>是取绝对值函数。/>是第i个烘焙温度。/>是第i个烘焙温度对应的采集时刻下的第j个烘焙温度。/>是温度差异。
需要说明的是，正常情况下中药材在烘焙过程中往往受热均匀，即中药材在烘焙过程的同一个时刻下不同位置处的温度往往相似。当越大时，往往说明第i个烘焙温度对应的采集时刻下的烘焙温度分布越离散，往往说明第i个烘焙温度对应的采集时刻下的烘焙温度分布越不均匀，往往说明第i个烘焙温度对应的采集时刻下越可能存在异常的温度数据。当/>越大时，往往说明第i个烘焙温度对应的采集时刻下烘焙温度之间的差异越大，往往说明第i个烘焙温度对应的采集时刻下的烘焙温度分布越不均匀，往往说明第i个烘焙温度对应的采集时刻下越可能存在异常的温度数据。当/>越大时，往往说明第i个烘焙温度与其相同采集时刻下的第j个烘焙温度之间的差异越大。当/>越大时，往往说明第i个烘焙温度与其相同采集时刻下的烘焙温度之间的差异越大，往往说明第i个烘焙温度与其相同采集时刻下的烘焙温度越不相似，往往说明第i个烘焙温度越可能是异常温度数据。因此，当/>越大时，往往说明第i个烘焙温度越可能是异常温度数据。
步骤S3，根据每个烘焙温度对应的异常可能指标，以及每个烘焙温度所属温度传感器在预设时间段内采集的所有烘焙温度对应的烘焙温度曲线，对每个烘焙温度进行稳定分布分析处理，得到每个烘焙温度对应的稳定分布指标。
其中，烘焙温度所属温度传感器可以是采集该烘焙温度的温度传感器。温度传感器在预设时间段内采集的所有烘焙温度对应的烘焙温度曲线可以是：以采集时刻为横坐标，以该温度传感器在预设时间段内采集的烘焙温度为纵坐标，作的曲线。
需要说明的是，由于正常的烘焙温度变化往往是逐渐变化的，相对比较稳定，因此，量化的烘焙温度对应的稳定分布指标越大，往往说明该烘焙温度相对越稳定，往往说明该烘焙温度越可能是正常温度，往往说明其烘焙过程越可能不存在异常。
作为示例，本步骤可以包括以下步骤：
第一步，将任意一个烘焙温度确定为标记温度，以采集时刻为横坐标，以上述标记温度所属温度传感器在预设时间段内采集的烘焙温度为纵坐标，作烘焙温度曲线。
第二步，将烘焙温度曲线上所有烘焙温度对应的坐标点的斜率绝对值的均值，确定为烘焙温度曲线对应的第一分布因子。
其中，烘焙温度对应的坐标点可以是纵坐标为该烘焙温度的坐标点。
例如，可以将烘焙温度曲线上纵坐标为烘焙温度的坐标点，记为目标坐标点，并将烘焙温度曲线上所有目标坐标点的斜率绝对值的均值，确定为该烘焙温度曲线对应的第一分布因子。
第三步，将烘焙温度曲线上所有烘焙温度对应的坐标点的斜率绝对值的方差，确定为烘焙温度曲线对应的第二分布因子。
第四步，从上述标记温度所属温度传感器下的所有烘焙温度中，筛选出采集时刻距上述标记温度对应的采集时刻最近的预设数目个烘焙温度，作为候选温度，得到上述标记温度对应的候选温度集合。
其中，预设数目可以是预先设置的数目。比如，预设数目可以是11。
例如，若预设数目为3，标记温度所属温度传感器为第一温度传感器，并且标记温度对应的采集时刻为第一采集时刻，则标记温度对应的候选温度集合可以包括3个候选温度，依次可以为：第一温度传感器在第一采集时刻的前一个采集时刻采集的烘焙温度、标记温度、第一温度传感器在第一采集时刻的后一个采集时刻采集的烘焙温度。
第五步，根据上述标记温度所属烘焙温度曲线对应的第一分布因子和第二分布因子、上述标记温度及其对应的候选温度集合、以及上述标记温度对应的候选温度集合中候选温度对应的异常可能指标，确定上述标记温度对应的稳定分布指标。
例如，确定烘焙温度对应的稳定分布指标对应的公式可以为：
；其中，/>是第i个烘焙温度对应的稳定分布指标。i是烘焙温度的序号。/>是第i个烘焙温度所属烘焙温度曲线对应的第一分布因子。/>是第i个烘焙温度所属烘焙温度曲线对应的第二分布因子。/>、/>和/>是预先设置的大于0的因子，主要用于防止分母为0，比如，/>、/>和/>可以为0.001。N是预设数目。a是第i个烘焙温度对应的候选温度集合中候选温度的序号。/>是取绝对值函数。/>是第i个烘焙温度对应的候选温度集合中，第a个候选温度在其所属烘焙温度曲线上的斜率；第a个候选温度在其所属烘焙温度曲线上的斜率，也就是第a个候选温度对应的坐标点在其所属烘焙温度曲线上的斜率。/>是第i个烘焙温度。/>是第i个烘焙温度对应的候选温度集合中第a个候选温度。/>是第i个烘焙温度对应的候选温度集合中第a个候选温度对应的异常可能指标。
需要说明的是，正常的烘焙温度变化往往是逐渐变化的，相对比较稳定。当越小时，往往说明第i个烘焙温度所属烘焙温度曲线上所有烘焙温度对应的坐标点的斜率绝对值的均值相对越小，往往说明第i个烘焙温度所属烘焙温度曲线的温度变化相对不剧烈，相对越平稳。当/>越小时，往往说明第i个烘焙温度所属烘焙温度曲线上所有烘焙温度对应的坐标点的斜率绝对值的方差相对越小，往往说明第i个烘焙温度所属烘焙温度曲线的温度变化波动幅度相对越小。当/>越小时，往往说明第i个烘焙温度对应的候选温度集合中，第a个候选温度的变化越小，并且其与第i个烘焙温度之间的差异越小；往往说明第a个候选温度变化越平缓，并且其与第i个烘焙温度之间的差异越小。当/>越小时，往往说明第i个烘焙温度对应的候选温度集合中第a个候选温度越可能是正常变化的温度数据。所以，当/>越大时，往往说明第i个烘焙温度对应的候选温度集合中的候选温度越可能是正常变化的温度数据，第i个烘焙温度对应的候选温度集合中的候选温度各自对应的数据变化相对越符合正常温度变化规律，并且第i个烘焙温度对应的候选温度集合中的候选温度与第i个烘焙温度之间的差异相对越小；往往说明第i个烘焙温度越可能是正常变化的温度数据。因此，当/>越大时，往往说明第i个烘焙温度相对越稳定，往往说明第i个烘焙温度越可能是正常变化的温度数据。
步骤S4，根据每个烘焙温度对应的异常可能指标，以及每个烘焙温度对应的稳定分布指标和其对应的采集时刻下所有的烘焙温度对应的稳定分布指标之间的差异，确定每个烘焙温度对应的目标正常指标。
需要说明的是，综合考虑烘焙温度对应的异常可能指标，以及烘焙温度对应的稳定分布指标和其对应的采集时刻下所有的烘焙温度对应的稳定分布指标之间的差异，量化的烘焙温度对应的目标正常指标越大，往往说明该烘焙温度越可能是正常温度，往往说明其烘焙过程越可能不存在异常。
作为示例，确定烘焙温度对应的目标正常指标对应的公式可以为：
；其中，/>是第i个烘焙温度对应的目标正常指标。i是烘焙温度的序号。/>是第i个烘焙温度对应的异常可能指标。/>和/>是预先设置的大于0的因子，主要用于防止分母为0，例如，/>和/>可以为0.001。n是预设数量。j是第i个烘焙温度对应的采集时刻下烘焙温度的序号。/>是取绝对值函数。/>是第i个烘焙温度对应的稳定分布指标。/>是第i个烘焙温度对应的采集时刻下的第j个烘焙温度对应的稳定分布指标。/>表征第i个烘焙温度对应的采集时刻下所有的烘焙温度对应的稳定分布指标之间的差异。
需要说明的是，当越大时，往往说明第i个烘焙温度越可能是异常温度数据。当越大时，往往说明第i个烘焙温度相对越稳定。当/>越大时，往往说明第i个烘焙温度对应的采集时刻下的第j个烘焙温度相对越稳定。由于正常情况下中药材在烘焙过程中往往受热均匀，所以同一个采集时刻下的温度特征往往相近。当/>越小时，往往说明第i个烘焙温度与其对应的采集时刻下的第j个烘焙温度对应的稳定分布指标越相近。所以，当/>越小时，往往说明第i个烘焙温度与其对应的采集时刻下的烘焙温度对应的稳定分布指标越相近，往往说明越符合受热均匀的特征，往往说明第i个烘焙温度越可能是正常变化的温度数据。因此，当/>越大时，往往说明第i个烘焙温度越可能是正常变化的温度数据，往往说明越需要为第i个烘焙温度对应的松弛因子设置较大的权重。
步骤S5，根据所有烘焙温度，通过SVDD模型，确定超球体和每个烘焙温度对应的初始松弛因子，并根据超球体，从所有烘焙温度中筛选出疑似误判温度。
需要说明的是，由于超球体的大小往往影响的异常检测结果，比如超球体过大时，可能导致将部分异常数据误判为正常数据，因此基于超球体，从所有烘焙温度中筛选出的疑似误判温度往往是容易异常判断错误的数据。由于松弛因子的大小往往影响着超球体的大小，因此，量化每个烘焙温度对应的初始松弛因子，可以便于后续通过自适应调整烘焙温度对应的初始松弛因子，以实现对超球体的调整，从而提高数据异常监测的准确度。
作为示例，本步骤可以包括以下步骤：
第一步，根据所有烘焙温度，通过SVDD（Support Vector Data Description，单值分类）模型，确定超球体和每个烘焙温度对应的初始松弛因子。
其中，烘焙温度对应的初始松弛因子可以是通过SVDD模型确定的每个烘焙温度的松弛因子。
第二步，通过SVDD模型中的高斯核径向基函数，构建每个烘焙温度对应的高维数据点，将每个烘焙温度对应的高维数据点与上述超球体球心之间的距离，确定为每个烘焙温度对应的目标距离。
其中，烘焙温度对应的高维数据点的构建方法可以为：通过SVDD模型中的高斯核径向基函数，将由该烘焙温度的采集时刻与该烘焙温度构成的二维数据映射为高维数据，并将该高维数据对应的坐标点，确定为该烘焙温度对应的高维数据点。
第三步，将上述超球体的半径与每个烘焙温度对应的目标距离的差值的绝对值，确定为每个烘焙温度对应的距离差异。
第四步，根据每个烘焙温度对应的距离差异，确定每个烘焙温度对应的误判因子。
其中，距离差异可以与误判因子呈正相关。
例如，确定烘焙温度对应的误判因子对应的公式可以为：
；其中，/>是第i个烘焙温度对应的误判因子。i是烘焙温度的序号。/>是取绝对值函数。B是超球体的半径。/>是第i个烘焙温度对应的目标距离，也就是第i个烘焙温度对应的高维数据点与超球体球心之间的距离。/>是第i个烘焙温度对应的距离差异。
需要说明的是，当越小时，往往说明第i个烘焙温度越靠近超球体的边界，往往说明第i个烘焙温度越容易异常判断错误。
第五步，从所有烘焙温度中筛选出误判因子小于或等于预设误判阈值的烘焙温度，作为疑似误判温度。
其中，预设误判阈值可以是预先设置的阈值。例如，预设误判阈值可以是0.1。
步骤S6，对每个疑似误判温度对应的目标正常指标进行自适应修正，确定每个疑似误判温度对应的修正正常指标。
需要说明的是，对疑似误判温度对应的目标正常指标进行自适应修正，量化的疑似误判温度对应的修正正常指标更加可以表征疑似误判温度的正常程度。
作为示例，本步骤可以包括以下步骤：
第一步，根据每个高维数据点对应的预设邻域序列中预设邻域内的所有高维数据点，确定每个高维数据点对应的预设邻域序列中预设邻域对应的优选因子。
其中，预设邻域序列中的预设邻域可以是预先设置的尺寸不同的邻域。预设邻域序列可以是按照预设邻域尺寸从小到大的顺序进行排列，得到的序列。高维数据点可以位于其对应的预设邻域的中心。例如，若预设邻域的尺寸为10，则高维数据点对应的该预设邻域可以包括：离该高维数据点最近的10个高维数据点。
第二步，从每个高维数据点对应的预设邻域序列中筛选出优选因子最大的预设邻域，作为每个高维数据点对应的目标邻域。
第三步，根据每个疑似误判温度对应的高维数据点对应的目标邻域内的所有高维数据点对应的烘焙温度对应的目标正常指标，确定每个疑似误判温度对应的修正正常指标。
例如，确定高维数据点对应的预设邻域序列中预设邻域对应的优选因子，以及疑似误判温度对应的修正正常指标对应的公式分别可以为：
；
；
；其中，/>是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c个预设邻域对应的优选因子。b是疑似误判温度的序号。c是预设邻域序列中预设邻域的序号。/>是求绝对值函数。/>是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c个预设邻域内，所有高维数据点对应的烘焙温度对应的异常可能指标的均值。/>是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c+1个预设邻域内，所有高维数据点对应的烘焙温度对应的异常可能指标的均值。/>是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c-1个预设邻域内，所有高维数据点对应的烘焙温度对应的异常可能指标的均值。/>是第b个疑似误判温度对应的修正正常指标。/>是第b个疑似误判温度对应的高维数据点对应的目标邻域内高维数据点的数量。d是第b个疑似误判温度对应的高维数据点对应的目标邻域内高维数据点的序号。/>是第b个疑似误判温度对应的高维数据点对应的目标邻域内，第d个高维数据点对应的烘焙温度对应的稳定分布指标。/>是第b个疑似误判温度对应的高维数据点对应的目标邻域内，第d个高维数据点对应的烘焙温度对应的误判因子。/>是第b个疑似误判温度对应的高维数据点对应的目标邻域内，第d个高维数据点对应的烘焙温度对应的目标正常指标。/>是第b个疑似误判温度对应的高维数据点对应的目标邻域内，所有高维数据点对应的烘焙温度对应的目标正常指标和误判因子乘积的累加值。
需要说明的是，以疑似误判温度对应的高维数据点为中心，构建邻域，利用异常数据是相对少量的，在增加邻域数量的过程中邻域内正样本的数量占比往往也会增大，利用正常数据与异常数据之间数量占比趋于稳定时的快慢有所差异，由此确定恰当的邻域数据点数量，避免数据量过大导致原本的异常数据更偏向于正常数据，或者数据量过小导致参考的数据偏少导致准确度较低。因此，可以构建邻域数据的平均异常可能性与数据个数之间的曲线关系，选择平均异常可能性变化幅度最大的所对应的预设邻域作为该疑似误判温度对应的高维数据点对应的目标邻域。当/>越大时，往往说明第b个疑似误判温度对应的高维数据点对应的目标邻域内，第d个高维数据点对应的烘焙温度越可能是正常变化的温度数据。/>反映了数据的真实性。当/>越大时，往往说明第b个疑似误判温度对应的高维数据点对应的目标邻域内，第d个高维数据点越远离超球体的边界；往往说明第d个高维数据点对应的烘焙温度越不易被误判。当/>越大时，往往说明第b个疑似误判温度对应的高维数据点对应的目标邻域内，第d个高维数据点对应的烘焙温度越可能是正常变化的温度数据。因此，当/>越大时，往往说明第b个疑似误判温度越可能是正常变化的温度数据，往往说明越需要为第b个疑似误判温度对应的松弛因子设置较大的权重。其次，预设邻域序列中的第一个预设邻域可以不参与后续目标邻域的筛选。
步骤S7，将参考温度对应的目标正常指标确定为其对应的修正正常指标，根据每个烘焙温度对应的修正正常指标，对其对应的初始松弛因子进行修正，确定每个烘焙温度对应的目标松弛因子。
需要说明的是，由于松弛因子的大小往往影响着超球体的大小，并且正常数据与异常数据所需要的松弛因子权重往往不同，因此，基于烘焙温度对应的修正正常指标，对其对应的初始松弛因子进行修正，可以提高烘焙温度对应的目标松弛因子确定的准确度，从而可以提高超球体尺寸确定的准确度。
作为示例，可以将每个烘焙温度对应的修正正常指标和初始松弛因子的乘积，确定为每个烘焙温度对应的目标松弛因子。
步骤S8，根据所有烘焙温度及其对应的目标松弛因子，通过SVDD模型进行异常监测。
作为示例，在通过SVDD模型进行异常监测的过程中，可以将每个烘焙温度对应的松弛因子更新为其对应的目标松弛因子，并根据所有烘焙温度及其对应的更新后的松弛因子，对所有烘焙温度进行异常监测，实现了对烘焙温度的监测。其次，若预设时间段的结束时刻是当前时刻，则本发明实施例可以实现对烘焙温度的实时监测。
需要说明的是，可以利用获得的修正正常指标作为权重对SVDD模型的松弛因子进行加权，从而实现对模型的调整，避免由于训练的样本异常数据偏少导致描述边界对中药材深加工温度监测不准确，由此可以获得训练模型。向模型中输入最近的30秒内的数据，如果数据的出现异常的频率大于3%则可以发送相应的警报。
综上，由于松弛因子的大小往往影响着超球体的大小，并且正常数据与异常数据所需要的松弛因子权重往往不同，因此，基于烘焙温度对应的修正正常指标，对其对应的初始松弛因子进行修正，可以提高烘焙温度对应的目标松弛因子确定的准确度，从而可以提高超球体尺寸确定的准确度，进而可以提高对烘焙温度进行监测的准确度。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。
Claims (3)
1.一种用于中药材深加工的烘焙温度智能监测方法，其特征在于，包括以下步骤：
通过安装在不同位置处的预设数量个温度传感器，采集待检测中药材在预设时间段内每个采集时刻下预设数量个烘焙温度；
根据每个烘焙温度与其对应的采集时刻下所有的烘焙温度之间的差异，确定每个烘焙温度对应的异常可能指标；
根据每个烘焙温度对应的异常可能指标，以及每个烘焙温度所属温度传感器在预设时间段内采集的所有烘焙温度对应的烘焙温度曲线，对每个烘焙温度进行稳定分布分析处理，得到每个烘焙温度对应的稳定分布指标；
根据每个烘焙温度对应的异常可能指标，以及每个烘焙温度对应的稳定分布指标和其对应的采集时刻下所有的烘焙温度对应的稳定分布指标之间的差异，确定每个烘焙温度对应的目标正常指标；
根据所有烘焙温度，通过SVDD模型，确定超球体和每个烘焙温度对应的初始松弛因子，并根据超球体，从所有烘焙温度中筛选出疑似误判温度；
对每个疑似误判温度对应的目标正常指标进行自适应修正，确定每个疑似误判温度对应的修正正常指标；
将参考温度对应的目标正常指标确定为其对应的修正正常指标，根据每个烘焙温度对应的修正正常指标，对其对应的初始松弛因子进行修正，确定每个烘焙温度对应的目标松弛因子；
根据所有烘焙温度及其对应的目标松弛因子，通过SVDD模型进行异常监测；
所述根据每个烘焙温度与其对应的采集时刻下所有的烘焙温度之间的差异，确定每个烘焙温度对应的异常可能指标，包括：
将任意一个烘焙温度确定为标记温度，将所述标记温度对应的采集时刻下所有烘焙温度的方差，确定为所述标记温度对应的整体波动指标；
将所述标记温度对应的采集时刻下所有烘焙温度的极差，确定为所述标记温度对应的整体变化指标；
将所述标记温度与其对应的采集时刻下每个烘焙温度的差值绝对值，确定为温度差异，得到所述标记温度对应的温度差异集合；
根据所述标记温度对应的整体波动指标和整体变化指标，以及其对应的温度差异集合中所有温度差异的累加值，确定所述标记温度对应的异常可能指标；
所述根据每个烘焙温度对应的异常可能指标，以及每个烘焙温度所属温度传感器在预设时间段内采集的所有烘焙温度对应的烘焙温度曲线，对每个烘焙温度进行稳定分布分析处理，得到每个烘焙温度对应的稳定分布指标，包括：
将任意一个烘焙温度确定为标记温度，以采集时刻为横坐标，以所述标记温度所属温度传感器在预设时间段内采集的烘焙温度为纵坐标，作烘焙温度曲线；
将烘焙温度曲线上所有烘焙温度对应的坐标点的斜率绝对值的均值，确定为烘焙温度曲线对应的第一分布因子；
将烘焙温度曲线上所有烘焙温度对应的坐标点的斜率绝对值的方差，确定为烘焙温度曲线对应的第二分布因子；
从所述标记温度所属温度传感器下的所有烘焙温度中，筛选出采集时刻距所述标记温度对应的采集时刻最近的预设数目个烘焙温度，作为候选温度，得到所述标记温度对应的候选温度集合；
根据所述标记温度所属烘焙温度曲线对应的第一分布因子和第二分布因子、所述标记温度及其对应的候选温度集合、以及所述标记温度对应的候选温度集合中候选温度对应的异常可能指标，确定所述标记温度对应的稳定分布指标；
所述根据超球体，从所有烘焙温度中筛选出疑似误判温度，包括：
通过SVDD模型中的高斯核径向基函数，构建每个烘焙温度对应的高维数据点，将每个烘焙温度对应的高维数据点与所述超球体球心之间的距离，确定为每个烘焙温度对应的目标距离；
将所述超球体的半径与每个烘焙温度对应的目标距离的差值的绝对值，确定为每个烘焙温度对应的距离差异；
根据每个烘焙温度对应的距离差异，确定每个烘焙温度对应的误判因子，其中，距离差异与误判因子呈正相关；
从所有烘焙温度中筛选出误判因子小于或等于预设误判阈值的烘焙温度，作为疑似误判温度；
所述对每个疑似误判温度对应的目标正常指标进行自适应修正，确定每个疑似误判温度对应的修正正常指标，包括：
根据每个高维数据点对应的预设邻域序列中预设邻域内的所有高维数据点，确定每个高维数据点对应的预设邻域序列中预设邻域对应的优选因子；
从每个高维数据点对应的预设邻域序列中筛选出优选因子最大的预设邻域，作为每个高维数据点对应的目标邻域；
根据每个疑似误判温度对应的高维数据点对应的目标邻域内的所有高维数据点对应的烘焙温度对应的目标正常指标，确定每个疑似误判温度对应的修正正常指标；
高维数据点对应的预设邻域序列中预设邻域对应的优选因子，以及疑似误判温度对应的修正正常指标对应的公式分别为：
；
；
；其中，/>是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c个预设邻域对应的优选因子；b是疑似误判温度的序号；c是预设邻域序列中预设邻域的序号；/>是求绝对值函数；/>是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c个预设邻域内，所有高维数据点对应的烘焙温度对应的异常可能指标的均值；/>是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c+1个预设邻域内，所有高维数据点对应的烘焙温度对应的异常可能指标的均值；是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c-1个预设邻域内，所有高维数据点对应的烘焙温度对应的异常可能指标的均值；/>是第b个疑似误判温度对应的修正正常指标；/>是第b个疑似误判温度对应的高维数据点对应的目标邻域内高维数据点的数量；d是第b个疑似误判温度对应的高维数据点对应的目标邻域内高维数据点的序号；/>是第b个疑似误判温度对应的高维数据点对应的目标邻域内，第d个高维数据点对应的烘焙温度对应的稳定分布指标；/>是第b个疑似误判温度对应的高维数据点对应的目标邻域内，第d个高维数据点对应的烘焙温度对应的误判因子；/>是第b个疑似误判温度对应的高维数据点对应的目标邻域内，第d个高维数据点对应的烘焙温度对应的目标正常指标；/>是第b个疑似误判温度对应的高维数据点对应的目标邻域内，所有高维数据点对应的烘焙温度对应的目标正常指标和误判因子乘积的累加值；
所述根据每个烘焙温度对应的修正正常指标，对其对应的初始松弛因子进行修正，确定每个烘焙温度对应的目标松弛因子，包括：
将每个烘焙温度对应的修正正常指标和初始松弛因子的乘积，确定为每个烘焙温度对应的目标松弛因子；
所述根据所有烘焙温度及其对应的目标松弛因子，通过SVDD模型进行异常监测，包括：
在通过SVDD模型进行异常监测的过程中，将每个烘焙温度对应的松弛因子更新为其对应的目标松弛因子，并根据所有烘焙温度及其对应的更新后的松弛因子，对所有烘焙温度进行异常监测。
2.根据权利要求1所述的一种用于中药材深加工的烘焙温度智能监测方法，其特征在于，烘焙温度对应的稳定分布指标对应的公式为：
；其中，/>是第i个烘焙温度对应的稳定分布指标；i是烘焙温度的序号；/>是第i个烘焙温度所属烘焙温度曲线对应的第一分布因子；/>是第i个烘焙温度所属烘焙温度曲线对应的第二分布因子；/>、/>和/>是预先设置的大于0的因子；N是预设数目；a是第i个烘焙温度对应的候选温度集合中候选温度的序号；/>是取绝对值函数；/>是第i个烘焙温度对应的候选温度集合中，第a个候选温度在其所属烘焙温度曲线上的斜率；/>是第i个烘焙温度；/>是第i个烘焙温度对应的候选温度集合中第a个候选温度；/>是第i个烘焙温度对应的候选温度集合中第a个候选温度对应的异常可能指标。
3.根据权利要求1所述的一种用于中药材深加工的烘焙温度智能监测方法，其特征在于，烘焙温度对应的目标正常指标对应的公式为：
；其中，/>是第i个烘焙温度对应的目标正常指标；i是烘焙温度的序号；/>是第i个烘焙温度对应的异常可能指标；/>和/>是预先设置的大于0的因子；n是预设数量；j是第i个烘焙温度对应的采集时刻下烘焙温度的序号；是取绝对值函数；/>是第i个烘焙温度对应的稳定分布指标；/>是第i个烘焙温度对应的采集时刻下的第j个烘焙温度对应的稳定分布指标；/>表征第i个烘焙温度对应的采集时刻下所有的烘焙温度对应的稳定分布指标之间的差异。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410232069.0A CN117804637B (zh) | 2024-03-01 | 2024-03-01 | 用于中药材深加工的烘焙温度智能监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410232069.0A CN117804637B (zh) | 2024-03-01 | 2024-03-01 | 用于中药材深加工的烘焙温度智能监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117804637A CN117804637A (zh) | 2024-04-02 |
| CN117804637B true CN117804637B (zh) | 2024-05-07 |
Family
ID=90420135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410232069.0A Active CN117804637B (zh) | 2024-03-01 | 2024-03-01 | 用于中药材深加工的烘焙温度智能监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117804637B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5699284A (en) * | 1994-10-31 | 1997-12-16 | Doryokuro Kakunenryo Kaihatsu Jigyodan | Thermal design method for structures and optimum numerical calculation devices for such designs |
| WO2013108283A1 (en) * | 2012-01-20 | 2013-07-25 | Ing. Napoli & C. Industrie Riunite S.R.L. | Roasting method and roasting apparatus using such a method |
| CN107192476A (zh) * | 2017-05-27 | 2017-09-22 | 九阳股份有限公司 | 一种烹饪设备内的浆液温度检测方法 |
| CN107752794A (zh) * | 2017-09-27 | 2018-03-06 | 珠海格力电器股份有限公司 | 烘焙方法及装置 |
| CN109974782A (zh) * | 2019-04-10 | 2019-07-05 | 郑州轻工业学院 | 基于大数据敏感特征优化选取的设备故障预警方法及系统 |
| KR101964531B1 (ko) * | 2017-12-29 | 2019-08-13 | 재단법인대구경북과학기술원 | 로스팅 정확도 결정 방법 및 상기 방법을 수행하는 로스팅기 |
| CN112270121A (zh) * | 2020-09-29 | 2021-01-26 | 广东工业大学 | 改进鲸鱼算法优化svdd的温度异常检测方法及应用 |
| CN112816092A (zh) * | 2020-12-14 | 2021-05-18 | 东南大学 | 一种重建高温气体温度浓度场分布的方法 |
| CN113485482A (zh) * | 2021-07-20 | 2021-10-08 | 华帝股份有限公司 | 一种烹饪设备的自适应温度控制方法 |
| CN114266284A (zh) * | 2021-11-09 | 2022-04-01 | 深圳供电局有限公司 | 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 |
| CN114791715A (zh) * | 2022-04-25 | 2022-07-26 | 浙江光智慧源科技有限公司 | 一种基于物联网的智能便携式测温设备 |
| WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
| CN115689214A (zh) * | 2022-11-04 | 2023-02-03 | 李小兰 | 基于机器视觉的蛋糕烘焙生产控制方法及其系统 |
| CN116304898A (zh) * | 2023-05-15 | 2023-06-23 | 北京信息科技大学 | 基于机器学习的传感器数据智能存储系统 |
| CN116608494A (zh) * | 2023-05-23 | 2023-08-18 | 杭州老板电器股份有限公司 | 一种基于多点温度检测的防干烧装置、方法及存储介质 |
| CN117056644A (zh) * | 2023-10-12 | 2023-11-14 | 苏州科尔珀恩机械科技有限公司 | 基于机器学习的工业窑炉温度预测方法及系统 |
| CN117345359A (zh) * | 2023-11-20 | 2024-01-05 | 国电建投内蒙古能源有限公司 | 一种油动机异常状态检测预警方法及其电子设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1705352B1 (en) * | 2005-03-04 | 2012-11-21 | STMicroelectronics Srl | Method and relative device for sensing the air/fuel ratio of an internal combustion engine |
| US20230413831A1 (en) * | 2020-11-13 | 2023-12-28 | Intercontinental Great Brands Llc | Apparatus and method for multivariate predictive model-based baking process control |
| US20240054058A1 (en) * | 2022-08-09 | 2024-02-15 | Zeta Global Corp. | Ensemble models for anomaly detection |
-
2024
- 2024-03-01 CN CN202410232069.0A patent/CN117804637B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5699284A (en) * | 1994-10-31 | 1997-12-16 | Doryokuro Kakunenryo Kaihatsu Jigyodan | Thermal design method for structures and optimum numerical calculation devices for such designs |
| WO2013108283A1 (en) * | 2012-01-20 | 2013-07-25 | Ing. Napoli & C. Industrie Riunite S.R.L. | Roasting method and roasting apparatus using such a method |
| CN107192476A (zh) * | 2017-05-27 | 2017-09-22 | 九阳股份有限公司 | 一种烹饪设备内的浆液温度检测方法 |
| CN107752794A (zh) * | 2017-09-27 | 2018-03-06 | 珠海格力电器股份有限公司 | 烘焙方法及装置 |
| KR101964531B1 (ko) * | 2017-12-29 | 2019-08-13 | 재단법인대구경북과학기술원 | 로스팅 정확도 결정 방법 및 상기 방법을 수행하는 로스팅기 |
| CN109974782A (zh) * | 2019-04-10 | 2019-07-05 | 郑州轻工业学院 | 基于大数据敏感特征优化选取的设备故障预警方法及系统 |
| CN112270121A (zh) * | 2020-09-29 | 2021-01-26 | 广东工业大学 | 改进鲸鱼算法优化svdd的温度异常检测方法及应用 |
| CN112816092A (zh) * | 2020-12-14 | 2021-05-18 | 东南大学 | 一种重建高温气体温度浓度场分布的方法 |
| WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
| CN113485482A (zh) * | 2021-07-20 | 2021-10-08 | 华帝股份有限公司 | 一种烹饪设备的自适应温度控制方法 |
| CN114266284A (zh) * | 2021-11-09 | 2022-04-01 | 深圳供电局有限公司 | 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 |
| CN114791715A (zh) * | 2022-04-25 | 2022-07-26 | 浙江光智慧源科技有限公司 | 一种基于物联网的智能便携式测温设备 |
| CN115689214A (zh) * | 2022-11-04 | 2023-02-03 | 李小兰 | 基于机器视觉的蛋糕烘焙生产控制方法及其系统 |
| CN116304898A (zh) * | 2023-05-15 | 2023-06-23 | 北京信息科技大学 | 基于机器学习的传感器数据智能存储系统 |
| CN116608494A (zh) * | 2023-05-23 | 2023-08-18 | 杭州老板电器股份有限公司 | 一种基于多点温度检测的防干烧装置、方法及存储介质 |
| CN117056644A (zh) * | 2023-10-12 | 2023-11-14 | 苏州科尔珀恩机械科技有限公司 | 基于机器学习的工业窑炉温度预测方法及系统 |
| CN117345359A (zh) * | 2023-11-20 | 2024-01-05 | 国电建投内蒙古能源有限公司 | 一种油动机异常状态检测预警方法及其电子设备 |
Non-Patent Citations (8)
| Title |
|---|
| 一种复杂机电系统LE-SVDD异常监测方法;亚森江・加入拉;高建民;高智勇;姜洪权;陈子胜;;振动.测试与诊断;20170615(第03期);全文 * |
| 基于DNPE-SVDD的化工过程监控;韩晓春;薄翠梅;易辉;;系统仿真学报;20180108(第01期);全文 * |
| 基于TWSVM和模糊的木质采暖地板蓄热温度预测模型;曹正彬;刘晓平;杜光月;褚鑫;刘大伟;周玉成;;林业科学;20181115(第11期);全文 * |
| 基于VMD和SVDD结合的滚动轴承性能退化程度定量评估;姜万录;雷亚飞;韩可;张生;苏晓;;振动与冲击;20181128(第22期);全文 * |
| 基于图像特征和GA-SVM的烤烟烘烤阶段识别研究;吴娟;;西南师范大学学报(自然科学版);20160920(第09期);全文 * |
| 基于灰色预测和SVM的茶叶烘焙温湿度预测;赵合胜;;西安文理学院学报(自然科学版);20180915(第05期);全文 * |
| 面包烘焙品质检验中纹理特征的提取;张红梅, 张慧档, 田耕;计算机工程与设计;20050928(第09期);全文 * |
| 高维大数据流连续异常点检测方法仿真;武丽芬;罗永莲;王秀华;;计算机仿真;20181015(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117804637A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ramesh et al. | Application of machine learning in detection of blast disease in South Indian rice crops | |
| CN117633697B (zh) | 基于物联网的生猪智能监测方法及系统 | |
| Sharma et al. | Image processing based automated identification of late blight disease from leaf images of potato crops | |
| CN114897109B (zh) | 一种割草机异常监测预警方法 | |
| Manavalan | Efficient detection of sugarcane diseases through intelligent approaches: a review | |
| Xie et al. | Retinal vascular image segmentation using genetic algorithm Plus FCM clustering | |
| Pratondo et al. | Classification of apples using machine learning | |
| CN115261522B (zh) | 一种微生物发酵的环境控制方法及系统 | |
| CN116611000B (zh) | 基于机器学习的大闸蟹养殖环境智能监测系统 | |
| CN117804637B (zh) | 用于中药材深加工的烘焙温度智能监测方法 | |
| CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
| Manavalan | Towards an intelligent approaches for cotton diseases detection: A review | |
| CN109034450B (zh) | 基于气象条件我国北方马铃薯晚疫病预报模型的建立方法 | |
| CN117332358B (zh) | 一种玉米浸泡水处理方法及系统 | |
| Chawal et al. | Rice plant disease detection using twin support vector machine (TSVM) | |
| Cobantoro et al. | ERFORMANCE ANALYSIS OF ALEXNET CONVOLUTIONAL NEURAL NETWORK (CNN) ARCHITECTURE WITH IMAGE OBJECTS OF RICE PLANT LEAVES | |
| Parpinello et al. | Discrimination of apricot cultivars by gas multisensor array using an artificial neural network | |
| Abirami et al. | Classification of fruit diseases using feed forward back propagation neural network | |
| Golzarijalal et al. | Machine learning for the prediction of proteolysis in Mozzarella and Cheddar cheese | |
| CN114631828A (zh) | 一种基于特征筛选的流式癫痫预测方法 | |
| Aquino et al. | On-demand Healthy and Chlorotic Lactuca sativa Leaf Classification Using Support Vector Machine in a Rotating Hydroponic System | |
| Phukhronghin et al. | Grape Leaf Disease Diagnosis using Convolutional Neural Network and Support Vector Machines | |
| Kamelia et al. | Analysis of Decision Tree and Random Forest Algorithms for Nutrient Deficiency Classification in Citrus Leaves through Image Processing | |
| Tendang et al. | Rice-Disease Severity Level Estimation Using Deep Convolutional Neural Network | |
| Askari Asli Ardeh et al. | Diagnosis of Rice Blast Disease in Different Environmental Conditions using Image Processing Technique |
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 |