CN118313643B - 一种粒粒果饮料的全流程生产监测管理方法及系统 - Google Patents
一种粒粒果饮料的全流程生产监测管理方法及系统 Download PDFInfo
- Publication number
- CN118313643B CN118313643B CN202410728300.5A CN202410728300A CN118313643B CN 118313643 B CN118313643 B CN 118313643B CN 202410728300 A CN202410728300 A CN 202410728300A CN 118313643 B CN118313643 B CN 118313643B
- Authority
- CN
- China
- Prior art keywords
- production
- different
- workflow
- monitoring
- subsections
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 399
- 238000012544 monitoring process Methods 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 175
- 235000013361 beverage Nutrition 0.000 title claims abstract description 86
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 39
- 238000007726 management method Methods 0.000 title claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 54
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 239000002994 raw material Substances 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000012546 transfer Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 230000005856 abnormality Effects 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 57
- 238000003908 quality control method Methods 0.000 claims description 37
- 238000012512 characterization method Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 12
- 230000007547 defect Effects 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000002156 mixing Methods 0.000 claims description 10
- 238000004806 packaging method and process Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000003860 storage Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- IXPNQXFRVYWDDI-UHFFFAOYSA-N 1-methyl-2,4-dioxo-1,3-diazinane-5-carboximidamide Chemical group CN1CC(C(N)=N)C(=O)NC1=O IXPNQXFRVYWDDI-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004945 emulsification Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 235000015110 jellies Nutrition 0.000 description 1
- 239000008274 jelly Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000010413 sodium alginate Nutrition 0.000 description 1
- 229940005550 sodium alginate Drugs 0.000 description 1
- 239000000661 sodium alginate Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种粒粒果饮料的全流程生产监测管理方法及系统，包括：获取粒粒果饮料的生产原料、生产设备及状态参数，构建生产工作流进行划分，生成不同生产工作流子段，获取粒粒果饮料实际生产过程中的多源生产监测数据，构建不同生产工作流子段的有向图，利用改进的图神经网络对工序节点及转移关系进行学习，根据生产工作流子段的不同预设指标使用集成学习输出最终异常监测结果，并利用生产时间判断与工作流子段复杂程度的匹配度，根据匹配度及最终异常监测结果进行对应的生产优化。本发明根据粒粒果饮料的全流程实时生产状态参数进行异常监测及生产效率评估，实现对生产过程的监管，确保粒粒果饮料生产质量的稳定性、可靠性，提升生产效益。
Description
技术领域
本发明涉及饮料生产监测技术领域，更具体的，涉及一种粒粒果饮料的全流程生产监测管理方法及系统。
背景技术
粒粒果是一种圆形的直径3-5mm果冻，主要成分是海藻酸钠，其生产质量的好坏也越来越受到消费者的关注。质量安全控制是饮料行业从加工环节进入销售、流通环节的重要环节，而生产过程的质量控制是成品质量满足要求的关键监测点，主要包括加工过程中的品控指标监测以及可能造成污染的微生物指标的监测。
目前，对于食品饮料生产厂家，生产线上缺乏对各个检测环节统一管理的平台，各检测环节信息不能集中分析处理，导致不能完全做到产品质量的监督管理。对整个粒粒果饮料的生产过程中包括粒粒果饮料的灌装、包装整个流程中的在线检测与管理进行分析，能够确保生产品控稳定，有助于提升粒粒果饮料生产过程中的监控和管理。因此，如何对是粒粒果饮料的全流程生产监测数据进行处理分析，实现及时有效的监管，以杜绝存在食品饮料安全隐患亟不可待需要解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种粒粒果饮料的全流程生产监测管理方法及系统。
本发明第一方面提供了一种粒粒果饮料的全流程生产监测管理方法，包括：
获取粒粒果饮料的生产原料、生产设备及状态参数，对获取的生产数据设置数据标签，利用数据标签进行精细化划分，构建粒粒果饮料的生产工作流；
对所述生产工作流进行划分，生成不同生产工作流子段，获取粒粒果饮料实际生产过程中的多源生产监测数据，利用不同生产工作流子段进行数据分割；
构建不同生产工作流子段的有向图，利用改进的图神经网络对工序节点及转移关系进行学习，抽取不同工序节点对监测结果的影响得到相关性系数；
通过相关性系数结合不同工序节点的表征信息得到图级别的异常监测结果，使用集成学习输出最终异常监测结果，根据最终异常监测结果生成预警信息；
根据生产工作流子段对应拓扑图评估复杂程度，并基于所述多源生产监测数据读取不同生产工作流子段的生产时间，利用所述生产时间判断与工序复杂程度的匹配度，根据所述匹配度及最终异常监测结果进行对应的生产优化。
本方案中，对获取的生产数据设置数据标签，利用数据标签进行精细化划分，构建粒粒果饮料的生产工作流，具体为：
通过预设在生产设备的监测设备采集粒粒果饮料的历史生产信息，根据所述历史生产信息提取生产原料、生产设备及状态参数作为生产数据，将所述生产数据进行预处理，增加维度相关性及时间相关性；
将获取的生产数据根据设备及状态参数所属工序进行粗度分类，并设置数据标签，获取数据标签对应不同生产工序下的精细化步骤，利用所述精细化步骤对生产数据再次划分，实现细度分类；
对细度划分后的生产数据进行结构化处理，将结构化处理后的生产数据匹配时序特征构建粒粒果饮料的生产工作流，获取不同步骤及不同工序的功能特征，根据功能特征构建与状态参数变化的映射关系；
利用所述映射关系添加不同步骤及不同工序之间的逻辑与触发条件，实现粒粒果饮料生产工作流的完备补充。
本方案中，获取粒粒果饮料实际生产过程中的多源生产监测数据，利用不同生产工作流子段进行数据分割，具体为：
将粒粒果饮料生产工作流划分为调配阶段、灌装阶段及包装阶段，生成对应的生产工作流子段，根据调配阶段中不同原料的添加时间提取对应的生产工作流链路；
在不同原料对应的生产工作流链路中根据生产数据的状态参数提取对应的数据特征分布，获取不同工序之间的数据特征分布偏差，读取数据特征分布偏差大于预设阈值的步骤视为关键工序；
利用所述关键工序生成不同原料的关键链，获取关键链中对应关键工序的品控监测指标，读取不同原料关键链中的重复关键工序，在重复关键工序中根据不同原料相互作用影响对品控监测指标进行调整；
在灌装阶段及包装阶段根据历史生产信息读取缺陷及质量异常实例，分析缺陷及质量异常的类别及致因，通过关键因素获取不同工序的品质监测指标；
利用不同生产工作流子段对应的品质监测指标获取粒粒果饮料实际生产过程中的多源生产监测数据，并根据不同生产工作流子段构建生产监测数据集，以提取品控监测指标参数。
本方案中，构建不同生产工作流子段的有向图，利用改进的图神经网络对工序节点及转移关系进行学习，抽取不同工序节点对监测结果的影响得到相关性系数，具体为：
根据不同生产工作流子段中的数据流通构建不同生产工作流子段的有向图，将不同的生产工序作为节点，利用不同节点对应品控监测指标为节点进行插值，根据不同生成工序的执行轨迹及转移关系获取节点之间的边结构；
通过不同工序对应的品控监测指标参数生成节点标签向量，利用品控监测指标参数的参数规模生成初始权重，同时根据边结构对应节点的功能特性、边结构的类别及状态参数的上下文特征生成边结构标签向量；
利用改进的图神经网络对所述节点标签向量及边结构标签向量进行表示学习，基于所述节点标签向量初始化节点的初始隐向量，并通过边结构标签向量构建邻接矩阵；
使用GRU单元对图神经网络进行改进，利用邻接矩阵进行消息传递，节点的初始隐向量通过门控单元进行更新，利用隐藏层选取有用信息进行更新获取，输出节点的隐向量；
引入注意力机制获取不同节点隐向量的注意力权重，根据所述注意力权重结合初始权重得到相关性系数，表征不同工序节点对监测结果的影响程度，根据隐向量及相关性系数获取不同生产工作流子段的图表示。
本方案中，通过相关性系数结合不同工序节点的表征信息得到图级别的异常监测结果，使用集成学习输出最终异常监测结果，具体为：
根据正常生产情况下的多源生产监测数据构建品控监测指标正常参数，利用改进的图神经网络将品控监测指标正常参数对应的图结构进行表示学习，根据不同工序节点的表征信息及相关性系数获取正常生产状况下不同生产工作流子段的图表示作为基准数据；
获取当前多源生产监测数据在不同有向图中的图表示，计算所述图表示与基准数据之间的相对熵，对不同生产工作流子段预设不同的相对熵阈值，若所述相对熵大于对应的相对熵阈值则输出异常监测信息；
引入联邦学习的集成学习框架，将不同生产工作流子段的有向图及改进图神经网络作为子模型，通过训练后有选择的选择子模型上传至服务器进行模型聚合，利用集成学习的聚合模型输出最终异常监测结果。
本方案中，基于所述多源生产监测数据读取不同生产工作流子段的生产时间，利用所述生产时间判断与工序复杂程度的匹配度，具体为：
获取生产工作流子段对应的有向图，统计所述有向图中各拓扑结构对应节点与边结构的数量信息，根据历史生产信息读取不同生产工序在预设单位时间内的完成度，根据所述完成度表征生产工序的复杂程度；
将有向图中各节点的完成度进行累加，利用累加结果结合所述数量信息评估各生产工作流子段的复杂程度，并基于正常生产状况下不同生产工作流子段的生产时间统计时间区间；
读取当前不同生产工作流子段的生产时间，并判断是否落入对应的时间区间，若落入，则匹配度为1，若未落入，则根据偏差获取匹配度，当匹配度小于预设匹配度阈值时则生成异常预警，读取异常知识图谱进行工艺优化。
本发明第二方面还提供了一种粒粒果饮料的全流程生产监测管理系统，该系统包括：存储器、处理器，所述存储器中包括粒粒果饮料的全流程生产监测管理方法程序，所述粒粒果饮料的全流程生产监测管理方法程序被所述处理器执行时实现如下步骤：
获取粒粒果饮料的生产原料、生产设备及状态参数，对获取的生产数据设置数据标签，利用数据标签进行精细化划分，构建粒粒果饮料的生产工作流；
对所述生产工作流进行划分，生成不同生产工作流子段，获取粒粒果饮料实际生产过程中的多源生产监测数据，利用不同生产工作流子段进行数据分割；
构建不同生产工作流子段的有向图，利用改进的图神经网络对工序节点及转移关系进行学习，抽取不同工序节点对监测结果的影响得到相关性系数；
通过相关性系数结合不同工序节点的表征信息得到图级别的异常监测结果，使用集成学习输出最终异常监测结果，根据最终异常监测结果生成预警信息；
根据生产工作流子段对应拓扑图评估复杂程度，并基于所述多源生产监测数据读取不同生产工作流子段的生产时间，利用所述生产时间判断与工序复杂程度的匹配度，根据所述匹配度及最终异常监测结果进行对应的生产优化。
本发明公开了一种粒粒果饮料的全流程生产监测管理方法及系统，包括：获取粒粒果饮料的生产原料、生产设备及状态参数，构建生产工作流进行划分，生成不同生产工作流子段，获取粒粒果饮料实际生产过程中的多源生产监测数据， 构建不同生产工作流子段的有向图，利用改进的图神经网络对工序节点及转移关系进行学习，根据生产工作流子段的不同预设指标使用集成学习输出最终异常监测结果，并利用生产时间判断与工作流子段复杂程度的匹配度，根据匹配度及最终异常监测结果进行对应的生产优化。本发明根据粒粒果饮料的全流程实时生产状态参数进行异常监测及生产效率评估，实现对生产过程的监管，确保粒粒果饮料生产质量的稳定性、可靠性，提升生产效益。
附图说明
图1示出了本发明一种粒粒果饮料的全流程生产监测管理方法的流程图；
图2示出了本发明利用改进的图神经网络对有向图进行学习的流程图；
图3示出了本发明获取生产流程最终异常监测结果的流程图；
图4示出了本发明一种粒粒果饮料的全流程生产监测管理系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种粒粒果饮料的全流程生产监测管理方法的流程图。
如图1所示，本发明第一方面提供了一种粒粒果饮料的全流程生产监测管理方法，包括：
S102，获取粒粒果饮料的生产原料、生产设备及状态参数，对获取的生产数据设置数据标签，利用数据标签进行精细化划分，构建粒粒果饮料的生产工作流；
S104，对所述生产工作流进行划分，生成不同生产工作流子段，获取粒粒果饮料实际生产过程中的多源生产监测数据，利用不同生产工作流子段进行数据分割；
S106，构建不同生产工作流子段的有向图，利用改进的图神经网络对工序节点及转移关系进行学习，抽取不同工序节点对监测结果的影响得到相关性系数；
S108，通过相关性系数结合不同工序节点的表征信息得到图级别的异常监测结果，使用集成学习输出最终异常监测结果，根据最终异常监测结果生成预警信息；
S110，根据生产工作流子段对应拓扑图评估复杂程度，并基于所述多源生产监测数据读取不同生产工作流子段的生产时间，利用所述生产时间判断与工序复杂程度的匹配度，根据所述匹配度及最终异常监测结果进行对应的生产优化。
需要说明的是，通过预设在生产设备的监测设备采集粒粒果饮料的历史生产信息，根据所述历史生产信息提取生产原料、生产设备及饮料调配过程中的状态参数作为生产数据，将所述生产数据进行归一化及降维等预处理，并进行加窗操作生产数据的维度相关性及时间相关性；将获取的生产数据根据设备及状态参数所属工序进行粗度分类，并设置数据标签，获取数据标签对应不同生产工序下的精细化步骤，利用所述精细化步骤对生产数据再次划分，实现细度分类；对细度划分后的生产数据进行结构化处理，将结构化处理后的生产数据匹配时序特征构建粒粒果饮料的生产工作流，获取不同步骤及不同工序的功能特征，根据功能特征构建与状态参数变化的映射关系；利用所述映射关系添加不同步骤及不同工序之间的逻辑与触发条件，实现粒粒果饮料生产工作流的完备补充。饮料的生产工艺流程从生产编排、生产执行到数据分析包含大量错综复杂的流程，不同的生产工序流程存在较大的差异。运用工作流技术，对所有生产工序进行优化再造，对流程管控中的串行与并行逻辑进行优化改进，形成生产数据的流通闭环。
需要说明的是，将粒粒果饮料生产工作流划分为调配阶段、灌装阶段及包装阶段，生成对应的生产工作流子段，根据调配阶段中不同原料的添加时间提取对应的生产工作流链路；在不同原料对应的生产工作流链路中根据生产数据的状态参数提取对应的数据特征分布，获取不同工序之间的数据特征分布偏差，读取数据特征分布偏差大于预设阈值的步骤视为关键工序，即当两道工序之间饮料状态参数或性质发生了较大的变化，则说明该步骤对于饮料生产加工的重要程度较大；利用所述关键工序生成不同原料的关键链，优选的根据文件或实例检索获取海量的品控影响因素，根据专家经验或者最大互信息评判等方法选取关键链中对应关键工序的品控监测指标，读取不同原料关键链中的重复关键工序，在重复关键工序中根据不同原料相互作用影响对品控监测指标进行调整，例如不同组原料进行专有的乳化或溶解后进行调配缸进行调配，在后续的过滤预热过程中需要考虑混合液体性质，设置合理的加热温度确保不破坏某一原料的特性，比如活性等。在灌装阶段及包装阶段根据历史生产信息读取缺陷及质量异常实例，比如吹瓶缺陷、包装缺陷、外箱喷涂缺陷及灭菌异常等，分析缺陷及质量异常的类别及致因，通过关键因素获取不同工序的品质监测指标；利用不同生产工作流子段对应的品质监测指标获取粒粒果饮料实际生产过程中的多源生产监测数据，并根据不同生产工作流子段构建生产监测数据集，以提取品控监测指标参数。
图2示出了本发明利用改进的图神经网络对有向图进行学习的流程图。
根据本发明实施例，构建不同生产工作流子段的有向图，利用改进的图神经网络对工序节点及转移关系进行学习，抽取不同工序节点对监测结果的影响得到相关性系数，具体为：
S202，根据不同生产工作流子段中的数据流通构建不同生产工作流子段的有向图，将不同的生产工序作为节点，利用不同节点对应品控监测指标为节点进行插值，根据不同生成工序的执行轨迹及转移关系获取节点之间的边结构；
S204，通过不同工序对应的品控监测指标参数生成节点标签向量，利用品控监测指标参数的参数规模生成初始权重，同时根据边结构对应节点的功能特性、边结构的类别及状态参数的上下文特征生成边结构标签向量；
S206，利用改进的图神经网络对所述节点标签向量及边结构标签向量进行表示学习，基于所述节点标签向量初始化节点的初始隐向量，并通过边结构标签向量构建邻接矩阵；
S208，使用GRU单元对图神经网络进行改进，利用邻接矩阵进行消息传递，节点的初始隐向量通过门控单元进行更新，利用隐藏层选取有用信息进行更新获取，输出节点的隐向量；
S210，引入注意力机制获取不同节点隐向量的注意力权重，根据所述注意力权重结合初始权重得到相关性系数，表征不同工序节点对监测结果的影响程度，根据隐向量及相关性系数获取不同生产工作流子段的图表示。
需要说明的是，将不同工序对应的品控监测指标参数进行编码生成节点标签向量，图结构的边结构标签向量利用了生产工作流中工序之间的上下文数据信息，并考虑两个工序节点的功能特性及类别信息，所述类别信息包括起始边、终止边、前向边及反向边等。通过GRU单元改进的图神经网络对图结构进行表示学习，利用节点及其邻居节点获取消息函数进行消息传递，通过GRU单元作为更新函数更新节点的表示，简化了消息传播的计算过程，并提高参数训练的计算效率；利用节点标签向量初始化节点的初始隐向量，所述邻接矩阵记录有向图中的拓扑信息，根据拓扑关系保保留边结构的标签信息，不同工序节点的信息在邻接矩阵中与节点的初始隐向量相乘，信息沿着节点对应的边结构进行传递，以学习拓扑关系及上下文信息。
在GRU单元中更新门及重置门由前一时间戳节点的隐向量和当前时间戳信息获取，更新门对隐状态中保留的有用部分及更新部分进行控制，重置门选择隐状态中的有用部分并生成新候选节点的隐状态，使用更新门更新当前时间戳节点的隐向量，迭代重复更新后输出最终的隐向量。在节点标签向量获取时利用品控监测指标参数的类别种类及数据量等参数规模指标生成初始权重，引入注意力机制获取不同节点隐向量的注意力权重，将初始权重与注意力权重结合生成相关性系数，相关性系数越大工序节点证明越重要，进入可以减少在异常排查分析流程中的时间，提高排查效率。根据隐向量对应的表征信息及相关性系数获取不同生产工作流子段的图表示，其中表示激活函数，表示注意力函数，表示经过m次迭代重复后输出的最终隐向量，表示初始隐向量。
图3示出了本发明获取生产流程最终异常监测结果的流程图。
根据本发明实施例，通过相关性系数结合不同工序节点的表征信息得到图级别的异常监测结果，使用集成学习输出最终异常监测结果，具体为：
S302，根据正常生产情况下的多源生产监测数据构建品控监测指标正常参数，利用改进的图神经网络将品控监测指标正常参数对应的图结构进行表示学习，根据不同工序节点的表征信息及相关性系数获取正常生产状况下不同生产工作流子段的图表示作为基准数据；
S304，获取当前多源生产监测数据在不同有向图中的图表示，计算所述图表示与基准数据之间的相对熵，对不同生产工作流子段预设不同的相对熵阈值，若所述相对熵大于对应的相对熵阈值则输出异常监测信息；
S306，引入联邦学习的集成学习框架，将不同生产工作流子段的有向图及改进图神经网络作为子模型，通过训练后有选择的选择子模型上传至服务器进行模型聚合，利用集成学习的聚合模型输出最终异常监测结果。
需要说明的是，基于模型选择的联邦学习方法，该方法可以动态的选择模型上传，抑制不满意的模型，提高了模型泛化能力，优化了模型的聚合速度，通过训练数据验证不同子模型的监测准确度，根据子模型监测准确度与全部子模型聚合监测准确度的比值获取评分信息，选取符合预设标准子模型进行聚合，通过迭代训练后更新子模型的评分信息分别获取子模型及全局模型的最优模型参数。
需要说明的是，获取生产工作流子段对应的有向图，统计所述有向图中各拓扑结构对应节点与边结构的数量信息，根据历史生产信息读取不同生产工序在预设单位时间内的完成度，根据所述完成度表征生产工序的复杂程度；将有向图中各节点的完成度进行累加，利用累加结果结合所述数量信息评估各生产工作流子段的复杂程度，并基于正常生产状况下不同生产工作流子段的生产时间及相似生产工序的生产数据统计时间区间；读取当前不同生产工作流子段的生产时间，并判断是否落入对应的时间区间，若落入，则匹配度为1，若未落入，则根据偏差获取匹配度，当匹配度小于预设匹配度阈值时则生成异常预警，读取异常知识图谱进行工艺优化。
根据预设时间段内不同生产工作流子段的多源生产监测数据读取生产时间构建运行画像，在不同生产工作流子段的运行画像中进行主成分分析，根据不同工序的主成分得分获取生产时间的主成分工序，获取不同生产工作流子段中主成分工序的单位时间内的完成度评估工序效率，将工序效率评估结果进行生产工作流子段之间的横向对比，当存在任一主成分工序的工序效率与其他主成分工序的工序效率偏差过大时，则生成预警信息，基于其他生产工作流子段作为生产效率参考对预警生产工作流子段进行优化。
图4示出了本发明一种粒粒果饮料的全流程生产监测管理系统的框图。
本发明第二方面还提供了一种粒粒果饮料的全流程生产监测管理系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种粒粒果饮料的全流程生产监测管理方法程序，所述一种粒粒果饮料的全流程生产监测管理的方法程序被所述处理器执行时实现如下步骤：
获取粒粒果饮料的生产原料、生产设备及状态参数，对获取的生产数据设置数据标签，利用数据标签进行精细化划分，构建粒粒果饮料的生产工作流；
对所述生产工作流进行划分，生成不同生产工作流子段，获取粒粒果饮料实际生产过程中的多源生产监测数据，利用不同生产工作流子段进行数据分割；
构建不同生产工作流子段的有向图，利用改进的图神经网络对工序节点及转移关系进行学习，抽取不同工序节点对监测结果的影响得到相关性系数；
通过相关性系数结合不同工序节点的表征信息得到图级别的异常监测结果，使用集成学习输出最终异常监测结果，根据最终异常监测结果生成预警信息；
根据生产工作流子段对应拓扑图评估复杂程度，并基于所述多源生产监测数据读取不同生产工作流子段的生产时间，利用所述生产时间判断与工序复杂程度的匹配度，根据所述匹配度及最终异常监测结果进行对应的生产优化。
本发明第三方面还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包括粒粒果饮料的全流程生产监测管理方法程序，所述粒粒果饮料的全流程生产监测管理方法程序被处理器执行时，实现如上述任一项所述的粒粒果饮料的全流程生产监测管理方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (3)
1.一种粒粒果饮料的全流程生产监测管理方法，其特征在于，包括以下步骤：
获取粒粒果饮料的生产原料、生产设备及状态参数，对获取的生产数据设置数据标签，利用数据标签进行精细化划分，构建粒粒果饮料的生产工作流；
对所述生产工作流进行划分，生成不同生产工作流子段，获取粒粒果饮料实际生产过程中的多源生产监测数据，利用不同生产工作流子段进行数据分割；
构建不同生产工作流子段的有向图，利用改进的图神经网络对工序节点及转移关系进行学习，抽取不同工序节点对监测结果的影响得到相关性系数；
通过相关性系数结合不同工序节点的表征信息得到图级别的异常监测结果，使用集成学习输出最终异常监测结果，根据最终异常监测结果生成预警信息；
根据生产工作流子段对应拓扑图评估复杂程度，并基于所述多源生产监测数据读取不同生产工作流子段的生产时间，利用所述生产时间判断与工序复杂程度的匹配度，根据所述匹配度及最终异常监测结果进行对应的生产优化；
获取粒粒果饮料实际生产过程中的多源生产监测数据，利用不同生产工作流子段进行数据分割，具体为：
将粒粒果饮料生产工作流划分为调配阶段、灌装阶段及包装阶段，生成对应的生产工作流子段，根据调配阶段中不同原料的添加时间提取对应的生产工作流链路；
在不同原料对应的生产工作流链路中根据生产数据的状态参数提取对应的数据特征分布，获取不同工序之间的数据特征分布偏差，读取数据特征分布偏差大于预设阈值的步骤视为关键工序；
利用所述关键工序生成不同原料的关键链，获取关键链中对应关键工序的品控监测指标，读取不同原料关键链中的重复关键工序，在重复关键工序中根据不同原料相互作用影响对品控监测指标进行调整；
在灌装阶段及包装阶段根据历史生产信息读取缺陷及质量异常实例，分析缺陷及质量异常的类别及致因，通过关键因素获取不同工序的品质监测指标；
利用不同生产工作流子段对应的品质监测指标获取粒粒果饮料实际生产过程中的多源生产监测数据，并根据不同生产工作流子段构建生产监测数据集，以提取品控监测指标参数；
构建不同生产工作流子段的有向图，利用改进的图神经网络对工序节点及转移关系进行学习，抽取不同工序节点对监测结果的影响得到相关性系数，具体为：
根据不同生产工作流子段中的数据流通构建不同生产工作流子段的有向图，将不同的生产工序作为节点，利用不同节点对应品控监测指标为节点进行插值，根据不同生成工序的执行轨迹及转移关系获取节点之间的边结构；
通过不同工序对应的品控监测指标参数生成节点标签向量，利用品控监测指标参数的参数规模生成初始权重，同时根据边结构对应节点的功能特性、边结构的类别及状态参数的上下文特征生成边结构标签向量；
利用改进的图神经网络对所述节点标签向量及边结构标签向量进行表示学习，基于所述节点标签向量初始化节点的初始隐向量，并通过边结构标签向量构建邻接矩阵；
使用GRU单元对图神经网络进行改进，利用邻接矩阵进行消息传递，节点的初始隐向量通过门控单元进行更新，利用隐藏层选取有用信息进行更新获取，输出节点的隐向量；
引入注意力机制获取不同节点隐向量的注意力权重，根据所述注意力权重结合初始权重得到相关性系数，表征不同工序节点对监测结果的影响程度，根据隐向量及相关性系数获取不同生产工作流子段的图表示；
通过相关性系数结合不同工序节点的表征信息得到图级别的异常监测结果，使用集成学习输出最终异常监测结果，具体为：
根据正常生产情况下的多源生产监测数据构建品控监测指标正常参数，利用改进的图神经网络将品控监测指标正常参数对应的图结构进行表示学习，根据不同工序节点的表征信息及相关性系数获取正常生产状况下不同生产工作流子段的图表示作为基准数据；
获取当前多源生产监测数据在不同有向图中的图表示，计算所述图表示与基准数据之间的相对熵，对不同生产工作流子段预设不同的相对熵阈值，若所述相对熵大于对应的相对熵阈值则输出异常监测信息；
引入联邦学习的集成学习框架，将不同生产工作流子段的有向图及改进图神经网络作为子模型，通过训练后有选择的选择子模型上传至服务器进行模型聚合，利用集成学习的聚合模型输出最终异常监测结果；
基于所述多源生产监测数据读取不同生产工作流子段的生产时间，利用所述生产时间判断与工序复杂程度的匹配度，具体为：
获取生产工作流子段对应的有向图，统计所述有向图中各拓扑结构对应节点与边结构的数量信息，根据历史生产信息读取不同生产工序在预设单位时间内的完成度，根据所述完成度表征生产工序的复杂程度；
将有向图中各节点的完成度进行累加，利用累加结果结合所述数量信息评估各生产工作流子段的复杂程度，并基于正常生产状况下不同生产工作流子段的生产时间统计时间区间；
读取当前不同生产工作流子段的生产时间，并判断是否落入对应的时间区间，若落入，则匹配度为1，若未落入，则根据偏差获取匹配度，当匹配度小于预设匹配度阈值时则生成异常预警，读取异常知识图谱进行工艺优化。
2.根据权利要求1所述的一种粒粒果饮料的全流程生产监测管理方法，其特征在于，对获取的生产数据设置数据标签，利用数据标签进行精细化划分，构建粒粒果饮料的生产工作流，具体为：
通过预设在生产设备的监测设备采集粒粒果饮料的历史生产信息，根据所述历史生产信息提取生产原料、生产设备及状态参数作为生产数据，将所述生产数据进行预处理，增加维度相关性及时间相关性；
将获取的生产数据根据设备及状态参数所属工序进行粗度分类，并设置数据标签，获取数据标签对应不同生产工序下的精细化步骤，利用所述精细化步骤对生产数据再次划分，实现细度分类；
对细度划分后的生产数据进行结构化处理，将结构化处理后的生产数据匹配时序特征构建粒粒果饮料的生产工作流，获取不同步骤及不同工序的功能特征，根据功能特征构建与状态参数变化的映射关系；
利用所述映射关系添加不同步骤及不同工序之间的逻辑与触发条件，实现粒粒果饮料生产工作流的完备补充。
3.一种粒粒果饮料的全流程生产监测管理系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括粒粒果饮料的全流程生产监测管理方法程序，所述粒粒果饮料的全流程生产监测管理方法程序被所述处理器执行时实现如下步骤：
获取粒粒果饮料的生产原料、生产设备及状态参数，对获取的生产数据设置数据标签，利用数据标签进行精细化划分，构建粒粒果饮料的生产工作流；
对所述生产工作流进行划分，生成不同生产工作流子段，获取粒粒果饮料实际生产过程中的多源生产监测数据，利用不同生产工作流子段进行数据分割；
构建不同生产工作流子段的有向图，利用改进的图神经网络对工序节点及转移关系进行学习，抽取不同工序节点对监测结果的影响得到相关性系数；
通过相关性系数结合不同工序节点的表征信息得到图级别的异常监测结果，使用集成学习输出最终异常监测结果，根据最终异常监测结果生成预警信息；
根据生产工作流子段对应拓扑图评估复杂程度，并基于所述多源生产监测数据读取不同生产工作流子段的生产时间，利用所述生产时间判断与工序复杂程度的匹配度，根据所述匹配度及最终异常监测结果进行对应的生产优化；
获取粒粒果饮料实际生产过程中的多源生产监测数据，利用不同生产工作流子段进行数据分割，具体为：
将粒粒果饮料生产工作流划分为调配阶段、灌装阶段及包装阶段，生成对应的生产工作流子段，根据调配阶段中不同原料的添加时间提取对应的生产工作流链路；
在不同原料对应的生产工作流链路中根据生产数据的状态参数提取对应的数据特征分布，获取不同工序之间的数据特征分布偏差，读取数据特征分布偏差大于预设阈值的步骤视为关键工序；
利用所述关键工序生成不同原料的关键链，获取关键链中对应关键工序的品控监测指标，读取不同原料关键链中的重复关键工序，在重复关键工序中根据不同原料相互作用影响对品控监测指标进行调整；
在灌装阶段及包装阶段根据历史生产信息读取缺陷及质量异常实例，分析缺陷及质量异常的类别及致因，通过关键因素获取不同工序的品质监测指标；
利用不同生产工作流子段对应的品质监测指标获取粒粒果饮料实际生产过程中的多源生产监测数据，并根据不同生产工作流子段构建生产监测数据集，以提取品控监测指标参数；
构建不同生产工作流子段的有向图，利用改进的图神经网络对工序节点及转移关系进行学习，抽取不同工序节点对监测结果的影响得到相关性系数，具体为：
根据不同生产工作流子段中的数据流通构建不同生产工作流子段的有向图，将不同的生产工序作为节点，利用不同节点对应品控监测指标为节点进行插值，根据不同生成工序的执行轨迹及转移关系获取节点之间的边结构；
通过不同工序对应的品控监测指标参数生成节点标签向量，利用品控监测指标参数的参数规模生成初始权重，同时根据边结构对应节点的功能特性、边结构的类别及状态参数的上下文特征生成边结构标签向量；
利用改进的图神经网络对所述节点标签向量及边结构标签向量进行表示学习，基于所述节点标签向量初始化节点的初始隐向量，并通过边结构标签向量构建邻接矩阵；
使用GRU单元对图神经网络进行改进，利用邻接矩阵进行消息传递，节点的初始隐向量通过门控单元进行更新，利用隐藏层选取有用信息进行更新获取，输出节点的隐向量；
引入注意力机制获取不同节点隐向量的注意力权重，根据所述注意力权重结合初始权重得到相关性系数，表征不同工序节点对监测结果的影响程度，根据隐向量及相关性系数获取不同生产工作流子段的图表示；
通过相关性系数结合不同工序节点的表征信息得到图级别的异常监测结果，使用集成学习输出最终异常监测结果，具体为：
根据正常生产情况下的多源生产监测数据构建品控监测指标正常参数，利用改进的图神经网络将品控监测指标正常参数对应的图结构进行表示学习，根据不同工序节点的表征信息及相关性系数获取正常生产状况下不同生产工作流子段的图表示作为基准数据；
获取当前多源生产监测数据在不同有向图中的图表示，计算所述图表示与基准数据之间的相对熵，对不同生产工作流子段预设不同的相对熵阈值，若所述相对熵大于对应的相对熵阈值则输出异常监测信息；
引入联邦学习的集成学习框架，将不同生产工作流子段的有向图及改进图神经网络作为子模型，通过训练后有选择的选择子模型上传至服务器进行模型聚合，利用集成学习的聚合模型输出最终异常监测结果；
基于所述多源生产监测数据读取不同生产工作流子段的生产时间，利用所述生产时间判断与工序复杂程度的匹配度，具体为：
获取生产工作流子段对应的有向图，统计所述有向图中各拓扑结构对应节点与边结构的数量信息，根据历史生产信息读取不同生产工序在预设单位时间内的完成度，根据所述完成度表征生产工序的复杂程度；
将有向图中各节点的完成度进行累加，利用累加结果结合所述数量信息评估各生产工作流子段的复杂程度，并基于正常生产状况下不同生产工作流子段的生产时间统计时间区间；
读取当前不同生产工作流子段的生产时间，并判断是否落入对应的时间区间，若落入，则匹配度为1，若未落入，则根据偏差获取匹配度，当匹配度小于预设匹配度阈值时则生成异常预警，读取异常知识图谱进行工艺优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410728300.5A CN118313643B (zh) | 2024-06-06 | 2024-06-06 | 一种粒粒果饮料的全流程生产监测管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410728300.5A CN118313643B (zh) | 2024-06-06 | 2024-06-06 | 一种粒粒果饮料的全流程生产监测管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118313643A CN118313643A (zh) | 2024-07-09 |
| CN118313643B true CN118313643B (zh) | 2024-08-13 |
Family
ID=91730184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410728300.5A Active CN118313643B (zh) | 2024-06-06 | 2024-06-06 | 一种粒粒果饮料的全流程生产监测管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118313643B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118504848B (zh) * | 2024-07-19 | 2024-10-18 | 江西金德锂新能源科技有限公司 | 硫酸铯生产管理方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115456055A (zh) * | 2022-08-29 | 2022-12-09 | 浙江工业大学 | 一种基于图结构掩码自编码器的制糖厂数据异常检测方法 |
| CN117669384A (zh) * | 2023-12-28 | 2024-03-08 | 深圳市敏创电子有限公司 | 基于物联网的温度传感器生产智能监测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733937A (zh) * | 2021-01-11 | 2021-04-30 | 西安电子科技大学 | 一种可信图数据节点分类方法、系统、计算机设备及应用 |
| CN114626512B (zh) * | 2022-05-17 | 2022-09-06 | 南京信息工程大学 | 一种基于有向图神经网络的高温灾害预报方法 |
-
2024
- 2024-06-06 CN CN202410728300.5A patent/CN118313643B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115456055A (zh) * | 2022-08-29 | 2022-12-09 | 浙江工业大学 | 一种基于图结构掩码自编码器的制糖厂数据异常检测方法 |
| CN117669384A (zh) * | 2023-12-28 | 2024-03-08 | 深圳市敏创电子有限公司 | 基于物联网的温度传感器生产智能监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118313643A (zh) | 2024-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118313643B (zh) | 一种粒粒果饮料的全流程生产监测管理方法及系统 | |
| CN111311401A (zh) | 一种基于LightGBM的金融违约概率预测模型 | |
| CN111461555A (zh) | 一种生产线质量监测方法、装置及系统 | |
| CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
| CN111340063A (zh) | 一种磨煤机数据异常检测方法 | |
| CN117579513B (zh) | 汇聚分流设备的可视化运维系统及其方法 | |
| CN117156442B (zh) | 基于5g网络的云数据安全保护方法及系统 | |
| CN117592870B (zh) | 基于水环境监测信息的综合分析系统 | |
| CN111796957A (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
| CN117669384B (zh) | 基于物联网的温度传感器生产智能监测方法及系统 | |
| CN116091185A (zh) | 一种客户流失预警方法和装置 | |
| CN116485020A (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
| CN116993165B (zh) | 一种儿童果蔬汁的安全性评价与风险预测方法及系统 | |
| CN117808567A (zh) | 基于孤立森林的员工异常交易行为监测方法及装置 | |
| CN114169998A (zh) | 一种金融大数据分析与挖掘算法 | |
| CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
| CN115982646B (zh) | 一种基于云平台的多源测试数据的管理方法及系统 | |
| CN109934352B (zh) | 智能模型的自动进化方法 | |
| CN113824580A (zh) | 一种网络指标预警方法及系统 | |
| CN115796704A (zh) | 基于LightGBM指标模型的物资抽检方法及装置 | |
| CN116432835A (zh) | 客户流失预警归因方法、装置、计算机设备及存储介质 | |
| CN111612302A (zh) | 一种集团级数据管理方法和设备 | |
| CN113391987A (zh) | 一种上线软件系统的质量预测方法及装置 | |
| CN118569655B (zh) | 一种分阶段数据生命周期安全评估方法和系统 | |
| CN118469094B (zh) | 一种基于供应链的画布系统 |
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 |