CN118229173A - 一种运输监控方法、装置、电子设备及可读存储介质 - Google Patents
一种运输监控方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN118229173A CN118229173A CN202410249980.2A CN202410249980A CN118229173A CN 118229173 A CN118229173 A CN 118229173A CN 202410249980 A CN202410249980 A CN 202410249980A CN 118229173 A CN118229173 A CN 118229173A
- Authority
- CN
- China
- Prior art keywords
- control
- mewma
- data
- control system
- population
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 102100022908 ADP-ribosylation factor-like protein 1 Human genes 0.000 description 1
- 101000974500 Homo sapiens ADP-ribosylation factor-like protein 1 Proteins 0.000 description 1
- 101000718041 Homo sapiens Aldo-keto reductase family 1 member B10 Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种运输监控方法、装置、电子设备及可读存储介质，属于数据统计与控制技术领域，其中，该运输监控方法包括：获取运输箱内的原始数据；对原始数据进行标准化处理，得到第一样本数据；将第一样本数据输入至训练完备的第一S‑MEWMA控制图控制系统中，得到第一计算结果，其中，第一S‑MEWMA控制图控制系统包括SVDD模型以及MEWMA控制图；根据第一计算结果判断运输箱是否失控，若失控，则进行报警并调整运输箱内温度，若未失控，则返回至获取运输箱内的原始数据的步骤。解决了现有技术无法兼顾在对多个非独立性变量进行监控的同时兼顾对微小变动的敏感性的问题。
Description
技术领域
本发明涉及数据统计与控制技术领域，尤其涉及一种运输监控方法、装置、电子设备及可读存储介质
背景技术
统计过程控制是一种传统的质量控制技术手段，学者们尝试着不断地对控制图进行研究与改进，不断地逐一突破技术难点，为企业的生产过程活动带来了福祉。
将统计过程控制中控制图的方法运用于冷链运输过程的监控，与传统的过程控制发展历史一样面临着诸多亟需解决的难点，处理分析与监控冷链运输过程中生鲜品质特性相关联的数据时，面对复杂的冷链微环境，质量特性涉及到诸多变量，各变量往往是非独立的，这使得单一变量控制图在处理多变量时与实际值之间存在较大偏差。考虑到各变之间的内在关联，最早的T2控制图实现了监控多个非独立性变量，但此类控制图类似于休哈特控制图对当前数据进行观测，而无法对历史数据进行分析，对微小变动缺乏敏感性。
发明内容
有鉴于此，有必要提供一种运输监控方法、装置、电子设备及可读存储介质，用以解决现有技术无法兼顾在对多个非独立性变量进行监控的同时兼顾对微小变动的敏感性的问题。
为了解决上述问题，本发明提供一种运输监控方法，包括：
获取运输箱内的原始数据；
对所述原始数据进行标准化处理，得到第一样本数据；
将所述第一样本数据输入至训练完备的第一S-MEWMA控制图控制系统中，得到第一计算结果，其中，所述第一S-MEWMA控制图控制系统包括SVDD模型以及MEWMA控制图；
根据所述第一计算结果判断所述运输箱是否失控，若失控，则进行报警并调整所述运输箱内温度，若未失控，则返回至获取运输箱内的原始数据的步骤。
在一种可能的实现方式中，所述原始数据包括：运输箱内的温度、湿度以及气体浓度。
在一种可能的实现方式中，所述第一S-MEWMA控制图控制系统的训练步骤包括：
基于第一公式建立第二S-MEWMA控制图控制系统模型；
基于预设的数值范围以及变化步长对所述第二S-MEWMA控制图控制系统模型中的核参数与惩罚参数生成网格；
基于所述网格得到若干组第一数据组合；
将所述若干组第一数据组合分别代入至所述第二S-MEWMA控制图控制系统模型中，基于所述第一样本数据计算所述第二S-MEWMA控制图控制系统模型的第一分类错误率；
基于所述第一分类错误率构建系统参数优化目标，经过迭代得到最优的第二数据组合；
将所述第二数据组合代入所述第二S-MEWMA控制图控制系统模型，得到所述第一S-MEWMA控制图控制系统；
其中，所述第一公式包括：
Zk＝λXk+(1-λ)Zk-1，k＝1,2，...,200
其中，Zk为统计量，Z0＝0，λ表示第k个观测值Xk的权重，0≤λ≤1，α表示球心，表示Zk到球心α距离的平方。
在一种可能的实现方式中，所述基于所述第一样本数据计算所述第二S-MEWMA控制图控制系统模型的第一分类错误率，包括：
基于预设的比例将所述第一样本数据拆分为训练组和测试组；
基于所述训练组以及SVDD模型得到分类半径以及支持向量，并基于所述分类半径以及支持向量构建得到高纬度超球体模型；
基于所述SVDD模型计算所述测试组中每一个测试样本至所述高纬度超球体模型球心的第一距离；
判断所述第一距离是否大于所述分类半径，若大于，则将所述测试样本记为错误样本；
基于所述测试样本的数量以及错误样本的数量得到第二分类错误率；
判断当前训练次数是否达到预设的训练阈值，若未达到，则返回至基于预设的比例将所述第一样本数据拆分为训练组和测试组的步骤，直至达到所述训练阈值；
将所述第二分类错误率的平均值作为所述第一分类错误率；
其中，所述高纬度超球体模型包括：
其中，xi为样本点，ξi为与样本点xi对应的松弛变量，α为超球体的球心，R为超球体的半径，C为松弛变量的权重。
在一种可能的实现方式中，所述基于所述第一分类错误率构建系统参数优化目标，经过迭代得到最优的第二数据组合，包括以下步骤：
第一步、基于浮点编码规则构建所述第二S-MEWMA控制图控制系统模型中的核参数、惩罚参数以及平滑系数的三维向量；
第二步、基于预设数值范围生成所述三维向量的第一种群；
第三步、基于所述第一分类错误率构建第二公式，并基于所述第二公式计算得到所述第一种群的第一适应度；
第四步、在所述第一种群中随机选取若干个群体作为第一子种群，并基于所述第二公式得到第一子集；
第五步、从所述第一种群中随机选取若干个群体作为第二子种群，并基于所述第二公式得到第二子集；
第六步、基于预设的第一概率对所述第一子集以及第二子集进行遗传交叉，得到第三子集；
第七步、基于预设的第二概率以及变异规则对所述第三子集进行变异操作，得到第四子集，随机将所述第一种群中的某一群体替换为第四子集；
第八步、返回至第四步，并重复若干次得到包括若干个所述第四子集的第二种群；
第九步、基于所述第二公式计算得到所述第二种群的第二适应度；
第十步、判断所述第二适应度是否小于所述第一适应度，若小于，则将所述第一适应度替换为所述第二适应度，并返回至第四步；若不小于，则保留当前第一适应度；
第十一步、判断当前迭代次数是否达到最大值，若未达到，则返回至第四步；若达到，则将与所述第一适应度对应的群体作为最优的第二数据组合；
其中，所述第二公式包括：
Min(r1*ARL1+r2*error)
其中，r1、r2为权重值，ARL1为系统异常状态下报警时间，error为第一分类错误率。
在一种可能的实现方式中，所述基于所述第二公式得到第一子集包括：
基于所述第二公式计算所述第一子种群中每个群体的适应度；
选取其中最小适应度对应的群体作为第一子集；
所述基于第二公式得到第二子集包括：
基于所述第二公式计算所述第二子种群中每个群体的适应度；
选取其中最小适应度对应的群体作为第二子集。
在一种可能的实现方式中，所述根据所述第一计算结果判断所述运输箱是否失控，包括：
当所述第一计算结果中的大于预设的控制线时，判定所述运输箱发生失控。
本发明还提供一种运输监控装置，包括：
数据获取模块，用于获取运输箱内的原始数据，并对所述原始数据进行标准化处理，得到第一样本数据；
计算模块，用于将所述第一样本数据输入至训练完备的第一S-MEWMA控制图控制系统中，得到第一计算结果，其中，所述第一S-MEWMA控制图控制系统包括SVDD模型以及MEWMA控制图；
控制模块，用于根据所述第一计算结果判断所述运输箱是否失控，若失控，则进行报警并调整所述运输箱内温度。
本发明还提供一种电子设备，包括存储器和处理器；
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述方法项中任意一项所述的运输监控方法中的步骤。
本发明还提供一种可读存储介质，所述可读存储介质包括存储的计算机程序，所述计算机程序执行时，控制所述可读存储介质所在的设备执行上述方法项中任意一项所述的运输监控方法。
本发明的有益效果是：本发明提供了一种运输监控方法，通过将采集到的运输箱数据输入至训练完备的S-MEWMA控制图控制系统，得到计算结果，并基于此计算结果判断系统是否失控，S-MEWMA控制图控制系统包括SVDD模型以及MEWMA控制图，MEWMA控制图具有能够检测具有多种质量特征的过程中的微小变化的优点，SVDD算法则具有能够应用于小样本和高维度问题、对过程中的数据分布无要求、可以只利用目标类数据进行学习等优点，非常适合数据分布不平衡的情况。该控制系统在结合了二者的优点的同时还能各自弥补彼此的不足，因而即便是在历史数据不足而无法对历史数据进行分析的情况下，该控制系统也能实现在对多个非独立变量进行监控的同时兼顾对微小变动的敏感性。
附图说明
图1为本发明提供的运输监控方法一实施例的方法流程图；
图2为本发明提供的第一S-MEWMA控制图控制系统的训练过程的方法流程图；
图3为图2中步骤S204一实施例的方法流程图；
图4为图2中步骤S205一实施例的方法流程图；
图5为本发明提供的运输监控装置一实施例的结构示意图；
图6为本发明提供的电子设备一实施例的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在本发明实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如：A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
本发明实施例中所涉及到的“第一”、“第二”等描述仅用于描述目的，而不能理解为指示或者暗示其相对重要性或者隐含指明所指示的技术特征的数量。因此，限定有“第一”、“第二”的技术特征可以明示或者隐含的包括至少一个该特征。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明的一个具体实施例，公开了一种运输监控方法，包括：
步骤S101：获取运输箱内的原始数据；
步骤S102：对原始数据进行标准化处理，得到第一样本数据；
步骤S103：将第一样本数据输入至训练完备的第一S-MEWMA控制图控制系统中，得到第一计算结果，其中，第一S-MEWMA控制图控制系统包括SVDD模型以及MEWMA控制图；
步骤S104：根据第一计算结果判断运输箱是否失控，若失控，则进入步骤S105；若未失控，则返回至步骤S101。
步骤S105：进行报警并调整运输箱内温度。
实施时，在步骤S101中，可以通过温度记录仪、传感器集成与无线传感网络等方式获取原始数据。
实施时，在步骤S102中，对原始数据进行标准化处理时，可以将数据的分布转换为标准正态分布，即均值为0，标准差为1的分布，具体标准化matlab代码如下：
X_mu＝mean(X)；X_std＝std(X)；X_s＝zscore(X)；Y_s＝bsxfun(@rdivide，bsxfun(@minus，Y，X_mu)，X_std)。
与现有技术相比，本实施例提供的运输监控方法，通过将采集到的运输箱数据输入至训练完备的S-MEWMA控制图控制系统，得到计算结果，并基于此计算结果判断系统是否失控，S-MEWMA控制图控制系统包括SVDD模型以及MEWMA控制图，MEWMA控制图具有能够检测具有多种质量特征的过程中的微小变化的优点，SVDD算法则具有能够应用于小样本和高维度问题、对过程中的数据分布无要求、可以只利用目标类数据进行学习等优点，非常适合数据分布不平衡的情况。该控制系统在结合了二者的优点的同时还能各自弥补彼此的不足，因而即便是在历史数据不足而无法对历史数据进行分析的情况下，该控制系统也能实现在对多个非独立变量进行监控的同时兼顾对微小变动的敏感性。
在一种可能的实现方式中，原始数据包括：运输箱内的温度、湿度以及气体浓度。
如图2所示，在一种可能的实现方式中，第一S-MEWMA控制图控制系统的训练步骤包括：
步骤S201：基于第一公式建立第二S-MEWMA控制图控制系统模型；
步骤S202：基于预设的数值范围以及变化步长对第二S-MEWMA控制图控制系统模型中的核参数与惩罚参数生成网格；
步骤S203：基于网格得到若干组第一数据组合；
步骤S204：将若干组第一数据组合分别代入至第二S-MEWMA控制图控制系统模型中，基于第一样本数据计算第二S-MEWMA控制图控制系统模型的第一分类错误率；
步骤S205：基于第一分类错误率构建系统参数优化目标，经过迭代得到最优的第二数据组合；
步骤S206：将第二数据组合代入第二S-MEWMA控制图控制系统模型，得到第一S-MEWMA控制图控制系统；
其中，第二S-MEWMA控制图控制系统模型包括：
式(1)中，Zk为统计量，Z0＝0，λ表示第k个观测值Xk的权重，0≤λ≤1，α表示球心，表示Zk到球心α距离的平方，φ表示映射函数，是指将原始数据映射至一个特征空间中。
如图3所示，在一种可能的实现方式中，为了得到更高精准度的控制系统，步骤S204包括：
步骤S301：基于预设的比例将第一样本数据拆分为训练组和测试组；
步骤S302：基于训练组以及SVDD模型得到分类半径以及支持向量，并基于分类半径以及支持向量构建得到高纬度超球体模型；
步骤S303：基于SVDD模型计算测试组中每一个测试样本至高纬度超球体模型球心的第一距离；
步骤S304：判断第一距离是否大于分类半径，若大于，则进入步骤S305；
步骤S305：将测试样本记为错误样本；
步骤S306：基于测试样本的数量以及错误样本的数量得到第二分类错误率；
步骤S307：判断当前训练次数是否达到预设的训练阈值，若未达到，则返回至步骤S301，直至达到训练阈值；
步骤S308：将第二分类错误率的平均值作为第一分类错误率。
其中，高纬度超球体模型包括：
式(2)中，xi为样本点，ξi为与样本点xi对应的松弛变量，α为超球体的球心，R为超球体的半径，C为松弛变量的权重。
需要说明的是，在本实施例中，SVDD模型采用RBF函数作为核函数，其表达式如下：
式(3)中，σ为核参数，x为数据样本点的特征向量，z为数据中心点。
根据式(2)与式(3)可以初步判断，SVDD模型的核参数σ以及惩罚参数C会影响SVDD的性能，即分类效果，而在MEWMA控制图这一部分中，控制图的平滑系数λ又会影响MEWMA控制图的统计效果，因而对第二S-MEWMA控制图控制系统进行优化的关键就在于找到这三个参数的全局最优解。
实施时，计算第二分类错误率的公式为：
式(4)中，error2为第二分类错误率，errorcount表示错误样本的数量，testcount表示测试样本的数量。
由于只通过一轮仿真计算得到的错误率具有一定的偶然性，为了消除这种偶然性，故而在步骤S307中，需要计算多轮仿真的分类错误率，最后在步骤S308中对所有的第二分类错误率求平均值，尽可能地消除掉这种偶然性对求取的系统参数的影响。
如图4所示，在一种可能的实现方式中，步骤S205包括以下步骤：
步骤S401：基于浮点编码规则构建第二S-MEWMA控制图控制系统模型中的核参数、惩罚参数以及平滑系数的三维向量；
步骤S402：基于预设数值范围生成三维向量的第一种群；
步骤S403：基于第一分类错误率构建第二公式，并基于第二公式计算得到第一种群的第一适应度；
步骤S404：在第一种群中随机选取若干个群体作为第一子种群，并基于第二公式得到第一子集；
步骤S405：从第一种群中随机选取若干个群体作为第二子种群，并基于第二公式得到第二子集；
步骤S406：基于预设的第一概率对第一子集以及第二子集进行遗传交叉，得到第三子集；
步骤S407：基于预设的第二概率以及变异规则对第三子集进行变异操作，得到第四子集，随机将第一种群中的某一群体替换为第四子集；
步骤S408：返回至步骤S404，并重复若干次得到包括若干个第四子集的第二种群；
步骤S409：计算得到第二种群的第二适应度；
步骤S410：判断第二适应度是否小于第一适应度，若小于，则进入步骤S411；若不小于，则进入步骤S412；
步骤S411：将第一适应度替换为第二适应度，并返回至步骤S404；
步骤S412：保留当前第一适应度；
步骤S413：判断当前迭代次数是否达到最大值，若未达到，则返回至步骤S404；若达到，则进入步骤S414；
步骤S414：将与第一适应度对应的群体作为最优的第二数据组合；
其中，所述第二公式包括：
式(4)中，r1、r2为权重值，ARL1为系统异常状态下报警时间，error为第一分类错误率。
可以理解的是，本实施中，在求取核参数、惩罚参数以及平滑系数时采用了遗传算法，遗传算法具有剔除低水平解、自动调整种群优势个体数量以及有效解决多目标优化问题等优点，将遗传算法运用于本实施例，有助于求取得到精确度更高的系统参数。
具体地，在步骤S406中，以一定概率对第一子集X1与第二子集X2进行交叉，每个参数在合理范围内交叉变动，并采用如下规则：
X3＝X1+p(X2-X1) (5)
式(5)中，X1、X2、X3分别表示第一子集、第二子集、第三子集，p为随机参数。
具体地，在步骤S407中，采用如下规则对第三子集X3进行变异操作：
X4＝Xmin+p(Xmax-Xmin) (6)
式(6)中，X4表示第四子集，Xmax、Xmin分别表示第三子集X3中的三个参数的最大值和最小值。
可以理解的是，在步骤S408中，通过反复多次的获取经过遗传变异的第四子集，最终得到的第二种群中具备多个优势个体，从而能够更高效、精准地得到三个参数的全局最优解。
在一种可能的实现方式中，步骤S404包括：
基于第二公式计算第一子种群中每个群体的适应度；
选取其中最小适应度对应的群体作为第一子集。
步骤S405包括：
基于第二公式计算第二子种群中每个群体的适应度；
选取其中最小适应度对应的群体作为第二子集。
在一种可能的实现方式中，步骤S104包括：
当第一计算结果中的大于预设的控制线H时，判定运输箱发生失控。
实施时，在步骤S104中，控制线H由处于受控状态ARL所决定。ARL0含义为样本集处于控制状态时，从初始到超出设置的控制线H的样本打点数的平均值；ARL1含义为在样本集处于失控状态时，从初始到超出设置的控制线H的样本打点数的平均值。
MEWMA控制图ARL求解过程具体为：
①初始化参数：对平滑系数λ、控制线H、仿真数目n和统计量初始值Z0进行定义。
②设置样本分布函数，由随机数发生器生成用于测试的样本数据集。
③把生成数据集依次代入MEWMA控制图计算模型中，求解相应的Zt值和Qt值；其中：
假定样本数据Xi服从p维标准正态分布，即Np(μ0，∑0)，其中μ0＝(0,0,0,...,0)，∑0为单位矩阵。
④比较Qt值与控制线H，如果Qt在控制线内，记录此打点数进行下一个数据的计算，如果超出控制线，则打点数即此次仿真计算的运行链长值。
⑤当次数超过设定值时，仿真终止，计算多次仿真所求得的运行链长值，所求得的期望值即平均链长值。
如图5所示，本发明还提供一种运输监控装置50，包括：
数据获取模块510，用于获取运输箱内的原始数据，并对原始数据进行标准化处理，得到第一样本数据；
计算模块520，用于将第一样本数据输入至训练完备的第一S-MEWMA控制图控制系统中，得到第一计算结果，其中，第一S-MEWMA控制图控制系统包括SVDD模型以及MEWMA控制图；
控制模块530，用于根据第一计算结果判断运输箱是否失控，若失控，则进行报警并调整运输箱内温度。
如图6所示，本发明还相应提供了一种电子设备60。该电子设备60包括处理器610、存储器620及显示器630。图6仅示出了电子设备60的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
处理器610在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)，微处理器或其他数据处理芯片，用于运行存储器620中存储的程序代码或处理数据，例如本发明中的运输监控方法。
在一些实施例中，处理器610可以是单个服务器或服务器组。服务器组可为集中式或分布式的。在一些实施例中，处理器610可为本地的或远程的。在一些实施例中，处理器610可实施于云平台。在一实施例中，云平台可包括私有云、公共云、混合云、社区云、分布式云、内部云、多重云等，或以上的任意组合。
存储器620在一些实施例中可以是电子设备60的内部存储单元，例如电子设备60的硬盘或内存。存储器620在另一些实施例中也可以是电子设备60的外部存储设备，例如电子设备60上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。
进一步地，存储器620还可既包括电子设备60的内部储存单元也包括外部存储设备。存储器620用于存储安装电子设备60的应用软件及各类数据。
显示器630在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器630用于显示在电子设备60的信息以及用于显示可视化的用户界面。电子设备60的部件610-630通过系统总线相互通信。
在一实施例中，当处理器610执行存储器620中的运输监控程序时，可实现以下步骤：
获取运输箱内的原始数据；
对原始数据进行标准化处理，得到第一样本数据；
将第一样本数据输入至训练完备的第一S-MEWMA控制图控制系统中，得到第一计算结果，其中，第一S-MEWMA控制图控制系统包括SVDD模型以及MEWMA控制图；
根据第一计算结果判断运输箱是否失控，若失控，则进行报警并调整运输箱内温度，若未失控，则返回至获取运输箱内的原始数据的步骤。
应当理解的是：处理器610在执行存储器620中的运输监控程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
进一步地，本发明实施例对提及的电子设备60的类型不做具体限定，电子设备60可以为手机、平板电脑、个人数字助理(personal digital assistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备60也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
相应地，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述各方法实施例提供的运输监控方法中的步骤或功能。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件(如处理器，控制器等)来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的运输监控方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，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发明的限制。
Claims (10)
1.一种运输监控方法，其特征在于，包括：
获取运输箱内的原始数据；
对所述原始数据进行标准化处理，得到第一样本数据；
将所述第一样本数据输入至训练完备的第一S-MEWMA控制图控制系统中，得到第一计算结果，其中，所述第一S-MEWMA控制图控制系统包括SVDD模型以及MEWMA控制图；
根据所述第一计算结果判断所述运输箱是否失控，若失控，则进行报警并调整所述运输箱内温度，若未失控，则返回至获取运输箱内的原始数据的步骤。
2.根据权利要求1所述的运输监控方法，其特征在于，所述原始数据包括：运输箱内的温度、湿度以及气体浓度。
3.根据权利要求1所述的运输监控方法，其特征在于，所述第一S-MEWMA控制图控制系统的训练步骤包括：
基于第一公式建立第二S-MEWMA控制图控制系统模型；
基于预设的数值范围以及变化步长对所述第二S-MEWMA控制图控制系统模型中的核参数与惩罚参数生成网格；
基于所述网格得到若干组第一数据组合；
将所述若干组第一数据组合分别代入至所述第二S-MEWMA控制图控制系统模型中，基于所述第一样本数据计算所述第二S-MEWMA控制图控制系统模型的第一分类错误率；
基于所述第一分类错误率构建系统参数优化目标，经过迭代得到最优的第二数据组合；
将所述第二数据组合代入所述第二S-MEWMA控制图控制系统模型，得到所述第一S-MEWMA控制图控制系统；
其中，所述第一公式包括：
Zk＝λXk+(1-λ)Zk-1，k＝1,2，...,200
其中，Zk为统计量，Z0＝0，λ表示第k个观测值Xk的权重，0≤λ≤1，α表示球心，表示Zk到球心α距离的平方。
4.根据权利要求3所述的运输监控方法，其特征在于，所述基于所述第一样本数据计算所述第二S-MEWMA控制图控制系统模型的第一分类错误率，包括：
基于预设的比例将所述第一样本数据拆分为训练组和测试组；
基于所述训练组以及SVDD模型得到分类半径以及支持向量，并基于所述分类半径以及支持向量构建得到高纬度超球体模型；
基于所述SVDD模型计算所述测试组中每一个测试样本至所述高纬度超球体模型球心的第一距离；
判断所述第一距离是否大于所述分类半径，若大于，则将所述测试样本记为错误样本；
基于所述测试样本的数量以及错误样本的数量得到第二分类错误率；
判断当前训练次数是否达到预设的训练阈值，若未达到，则返回至基于预设的比例将所述第一样本数据拆分为训练组和测试组的步骤，直至达到所述训练阈值；
将所述第二分类错误率的平均值作为所述第一分类错误率；
其中，所述高纬度超球体模型包括：
s.t.||xi-α||2≤R2+ξi
ξi≥0,i＝1,2,...,n
其中，xi为样本点，ξi为与样本点xi对应的松弛变量，α为超球体的球心，R为超球体的半径，C为松弛变量的权重。
5.根据权利要求3所述的运输监控方法，其特征在于，所述基于所述第一分类错误率构建系统参数优化目标，经过迭代得到最优的第二数据组合，包括以下步骤：
第一步、基于浮点编码规则构建所述第二S-MEWMA控制图控制系统模型中的核参数、惩罚参数以及平滑系数的三维向量；
第二步、基于预设数值范围生成所述三维向量的第一种群；
第三步、基于所述第一分类错误率构建第二公式，并基于所述第二公式计算得到所述第一种群的第一适应度；
第四步、在所述第一种群中随机选取若干个群体作为第一子种群，并基于所述第二公式得到第一子集；
第五步、从所述第一种群中随机选取若干个群体作为第二子种群，并基于所述第二公式得到第二子集；
第六步、基于预设的第一概率对所述第一子集以及第二子集进行遗传交叉，得到第三子集；
第七步、基于预设的第二概率以及变异规则对所述第三子集进行变异操作，得到第四子集，随机将所述第一种群中的某一群体替换为第四子集；
第八步、返回至第四步，并重复若干次得到包括若干个所述第四子集的第二种群；
第九步、基于所述第二公式计算得到所述第二种群的第二适应度；
第十步、判断所述第二适应度是否小于所述第一适应度，若小于，则将所述第一适应度替换为所述第二适应度，并返回至第四步；若不小于，则保留当前第一适应度；
第十一步、判断当前迭代次数是否达到最大值，若未达到，则返回至第四步；若达到，则将与所述第一适应度对应的群体作为最优的第二数据组合；
其中，所述第二公式包括：
Min(r1*ARL1+r2*error)
其中，r1、r2为权重值，ARL1为系统异常状态下报警时间，error为第一分类错误率。
6.根据权利要求5所述的运输监控方法，其特征在于，所述基于所述第二公式得到第一子集包括：
基于所述第二公式计算所述第一子种群中每个群体的适应度；
选取其中最小适应度对应的群体作为第一子集；
所述基于第二公式得到第二子集包括：
基于所述第二公式计算所述第二子种群中每个群体的适应度；
选取其中最小适应度对应的群体作为第二子集。
7.根据权利要求4所述的运输监控方法，其特征在于，所述根据所述第一计算结果判断所述运输箱是否失控，包括：
当所述第一计算结果中的大于预设的控制线时，判定所述运输箱发生失控。
8.一种运输监控装置，包括：
数据获取模块，用于获取运输箱内的原始数据，并对所述原始数据进行标准化处理，得到第一样本数据；
计算模块，用于将所述第一样本数据输入至训练完备的第一S-MEWMA控制图控制系统中，得到第一计算结果，其中，所述第一S-MEWMA控制图控制系统包括SVDD模型以及MEWMA控制图；
控制模块，用于根据所述第一计算结果判断所述运输箱是否失控，若失控，则进行报警并调整所述运输箱内温度。
9.一种电子设备，其特征在于，包括存储器和处理器；
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任意一项所述的运输监控方法中的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质包括存储的计算机程序，所述计算机程序执行时，控制所述可读存储介质所在的设备执行如权利要求1至7中任意一项所述的运输监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410249980.2A CN118229173A (zh) | 2024-03-05 | 2024-03-05 | 一种运输监控方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410249980.2A CN118229173A (zh) | 2024-03-05 | 2024-03-05 | 一种运输监控方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118229173A true CN118229173A (zh) | 2024-06-21 |
Family
ID=91508113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410249980.2A Pending CN118229173A (zh) | 2024-03-05 | 2024-03-05 | 一种运输监控方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118229173A (zh) |
-
2024
- 2024-03-05 CN CN202410249980.2A patent/CN118229173A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111126700B (zh) | 用能预测方法、装置、设备及存储介质 | |
| CN109891508B (zh) | 单细胞类型检测方法、装置、设备和存储介质 | |
| CN108664690A (zh) | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 | |
| CN110046379B (zh) | 一种基于空间-频率信息的结构整体损伤识别方法 | |
| CN112001110A (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
| Huang et al. | An experimental method to estimate running time of evolutionary algorithms for continuous optimization | |
| CN116882708A (zh) | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 | |
| CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
| CN110544047A (zh) | 一种不良数据辨识方法 | |
| CN113552855B (zh) | 工业设备动态阈值设定方法、装置、电子设备及存储介质 | |
| CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
| Zhang et al. | A novel large group decision-making method via normalized alternative prediction selection | |
| CN114692552A (zh) | 一种三维芯片的布局方法、装置及终端设备 | |
| CN111159828A (zh) | 电池箱散热优化设计方法及其装置、设备及存储介质 | |
| CN116154768B (zh) | 采用点预测误差经验分布逆变换的功率区间预测方法 | |
| CN118229173A (zh) | 一种运输监控方法、装置、电子设备及可读存储介质 | |
| CN117235633A (zh) | 机构分类方法、装置、计算机设备及存储介质 | |
| CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
| CN111242266A (zh) | 一种运行数据管理系统 | |
| CN113159537B (zh) | 电网新技术项目的评估方法、装置和计算机设备 | |
| CN113449968B (zh) | 一种基于深度学习的新能源电网频率风险评估方法及装置 | |
| CN115577259A (zh) | 高压直流输电系统故障选极方法、装置和计算机设备 | |
| CN112990603B (zh) | 考虑频域分解后数据特征的空调冷负荷预测方法及系统 | |
| CN115481767A (zh) | 面向配电网检修的运行数据处理方法、装置和计算机设备 | |
| CN114363004A (zh) | 风险评估方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |