CN115906642B - 轴承生产检测控制方法及装置 - Google Patents
轴承生产检测控制方法及装置 Download PDFInfo
- Publication number
- CN115906642B CN115906642B CN202211496474.0A CN202211496474A CN115906642B CN 115906642 B CN115906642 B CN 115906642B CN 202211496474 A CN202211496474 A CN 202211496474A CN 115906642 B CN115906642 B CN 115906642B
- Authority
- CN
- China
- Prior art keywords
- data
- behavior
- typical
- equipment operation
- operation behavior
- 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
Landscapes
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的轴承生产检测控制方法及装置,涉及数据处理技术领域。在本发明中,提取到轴承生产设备运行数据;对轴承生产设备运行数据加载至优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出运行数据挖掘特征表示,再将运行数据挖掘特征表示进行运行数据特征还原处理,以输出关键设备运行行为、关键行为语义数据和关键设备运行行为代表数据;依据关键设备运行行为、关键行为语义数据以及关键设备运行行为代表数据分析输出第一设备运行行为异常分析结果,依据第一设备运行行为异常分析结果,确定出对应生产的轴承产品的质量代表数据。基于上述内容,可以提高轴承生产检测的便利性和可靠度。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种轴承生产检测控制方法及装置。
背景技术
轴承的应用场景较多,对其质量需求也较高,因此,在轴承的生产加工过程中,就需要对轴承进行检测控制,如进行质量检测等。但是,在现有技术中,一般是基于视频监控实现质量监控,即对轴承的生产设备或生产的轴承部署相应的监控设备,使得存在着生产检测的便利性不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种轴承生产检测控制方法及装置,以提高轴承生产检测的便利性和可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种轴承生产检测控制方法,包括:
提取到轴承生产检测指令,所述轴承生产检测指令中包括目标轴承生产设备对应的轴承生产设备运行数据;
对所述轴承生产设备运行数据加载至优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出对应的运行数据挖掘特征表示,再将所述运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的关键设备运行行为、关键行为语义数据和关键设备运行行为代表数据,所述优化设备运行数据分析神经网络通过对典型轴承生产设备运行数据加载至待优化设备运行数据分析神经网络中进行网络优化形成,通过所述待优化设备运行数据分析神经网络进行运行数据特征挖掘处理和运行数据特征还原处理,以输出典型关键设备运行行为、典型关键行为语义数据和典型关键设备运行行为代表数据,再依据所述典型关键设备运行行为、所述典型关键行为语义数据和所述典型关键设备运行行为代表数据分析输出对应的设备运行行为异常分析结果,以及,将输出的典型运行数据挖掘特征表示进行运行行为关键性分析处理,以输出对应的典型关键设备运行行为分析结果,以及,再依据所述设备运行行为异常分析结果和配置的设备运行行为实际结果进行学习代价值的分析确定,以输出对应的异常分析学习代价值,以及,依据配置的关键设备运行行为实际结果和所述典型关键设备运行行为分析结果进行学习代价值的分析确定,以输出对应的行为关键性分析学习代价值,以及,依据所述异常分析学习代价值和所述行为关键性分析学习代价值对所述待优化设备运行数据分析神经网络进行网络优化,形成对应的优化设备运行数据分析神经网络;
依据所述关键设备运行行为、所述关键行为语义数据以及关键设备运行行为代表数据分析输出对应的第一设备运行行为异常分析结果,再依据所述第一设备运行行为异常分析结果,确定出所述目标轴承生产设备对应生产的轴承产品的质量代表数据。
在一些优选的实施例中,在上述轴承生产检测控制方法中,所述优化设备运行数据分析神经网络包括优化数据特征挖掘模型和优化数据特征还原模型;所述对所述轴承生产设备运行数据加载至优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出对应的运行数据挖掘特征表示,再将所述运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的关键设备运行行为、关键行为语义数据和关键设备运行行为代表数据的步骤,包括:
对所述轴承生产设备运行数据加载至所述优化数据特征挖掘模型中进行运行数据特征挖掘处理,以输出对应的运行数据挖掘特征表示;
对所述运行数据挖掘特征表示加载至所述优化数据特征还原模型中进行运行数据特征还原处理,以输出对应的关键设备运行行为、关键行为语义数据和关键设备运行行为代表数据。
在一些优选的实施例中,在上述轴承生产检测控制方法中,还包括:
提取到典型轴承生产设备运行数据、设备运行行为实际结果和关键设备运行行为实际结果;
对所述典型轴承生产设备运行数据加载至待优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出对应的典型运行数据挖掘特征表示,再将所述典型运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的典型关键设备运行行为、典型关键行为语义数据和典型关键设备运行行为代表数据;
依据所述典型关键设备运行行为、所述典型关键行为语义数据和所述典型关键设备运行行为代表数据分析输出对应的设备运行行为异常分析结果,以及,将所述典型运行数据挖掘特征表示进行运行行为关键性分析处理,以输出对应的典型关键设备运行行为分析结果;
依据所述设备运行行为异常分析结果和所述设备运行行为实际结果进行学习代价值的分析确定,以输出对应的异常分析学习代价值,以及,依据所述关键设备运行行为实际结果和所述典型关键设备运行行为分析结果进行学习代价值的分析确定,以输出对应的行为关键性分析学习代价值;
依据所述异常分析学习代价值和所述行为关键性分析学习代价值对所述待优化设备运行数据分析神经网络进行网络优化,以形成候选设备运行数据分析神经网络,以及,再将所述候选设备运行数据分析神经网络重新标记为待优化设备运行数据分析神经网络,以回转执行所述提取到典型轴承生产设备运行数据、设备运行行为实际结果和关键设备运行行为实际结果的步骤,以及,在网络优化的目标达到的情况下,形成所述优化设备运行数据分析神经网络。
在一些优选的实施例中,在上述轴承生产检测控制方法中,所述对所述典型轴承生产设备运行数据加载至待优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出对应的典型运行数据挖掘特征表示,再将所述典型运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的典型关键设备运行行为、典型关键行为语义数据和典型关键设备运行行为代表数据的步骤,包括:
对所述典型轴承生产设备运行数据进行有序化处理,以形成对应的典型设备运行行为有序集合,再对所述典型设备运行行为有序集合加载至待优化设备运行数据分析神经网络;
利用所述待优化设备运行数据分析神经网络,挖掘出所述典型设备运行行为有序集合对应的数据挖掘特征表示,以输出对应的典型运行数据挖掘特征表示;
利用所述待优化设备运行数据分析神经网络,将所述典型运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的典型关键设备运行行为、典型关键行为语义数据和候选设备运行行为代表数据,以及,依据所述典型关键设备运行行为确定出对应的每一个关键设备运行行为指示数据;
利用所述待优化设备运行数据分析神经网络,对所述候选设备运行行为代表数据与每一个所述关键设备运行行为指示数据进行数据对比处理,以及,在所述候选设备运行行为代表数据与所述关键设备运行行为指示数据相符合的情况下,对所述候选设备运行行为代表数据进行标记处理,以形成对应的典型关键设备运行行为代表数据。
在一些优选的实施例中,在上述轴承生产检测控制方法中,所述对所述典型轴承生产设备运行数据进行有序化处理,以形成对应的典型设备运行行为有序集合,再对所述典型设备运行行为有序集合加载至待优化设备运行数据分析神经网络的步骤,包括:
对所述典型轴承生产设备运行数据进行运行行为分离处理,以输出对应的每一个典型设备运行行为;
提取到配置的首端运行行为指示信息和末端运行行为指示信息,再对所述首端运行行为指示信息、所述末端运行行为指示信息和每一个所述典型设备运行行为,依据在所述典型轴承生产设备运行数据中的先后关系进行组合,以形成对应的典型设备运行行为有序集合,以及,再对所述典型设备运行行为有序集合加载至待优化设备运行数据分析神经网络。
在一些优选的实施例中,在上述轴承生产检测控制方法中,所述利用所述待优化设备运行数据分析神经网络,对所述候选设备运行行为代表数据与每一个所述关键设备运行行为指示数据进行数据对比处理,以及,在所述候选设备运行行为代表数据与所述关键设备运行行为指示数据相符合的情况下,对所述候选设备运行行为代表数据进行标记处理,以形成对应的典型关键设备运行行为代表数据的步骤,包括:
依据每一个所述关键设备运行行为指示数据,构建出对应的关键设备运行行为指示数据知识图谱;
从所述关键设备运行行为指示数据知识图谱中,对所述候选设备运行行为代表数据进行筛查,在筛查到所述候选设备运行行为代表数据的情况下,对所述候选设备运行行为代表数据进行标记处理,以形成对应的典型关键设备运行行为代表数据。
在一些优选的实施例中,在上述轴承生产检测控制方法中,所述典型运行数据挖掘特征表示包括每一个典型运行行为挖掘特征表示;
所述将所述典型运行数据挖掘特征表示进行运行行为关键性分析处理,以输出对应的典型关键设备运行行为分析结果的步骤,包括:
在每一个所述典型运行行为挖掘特征表示中进行先后遍历,以形成遍历到的典型运行行为挖掘特征表示;
对所述遍历到的典型运行行为挖掘特征表示进行映射输出处理,以输出对应的映射运行行为挖掘特征表示,再对所述映射运行行为挖掘特征表示进行运行行为关键性分析处理,以输出所述遍历到的典型运行行为挖掘特征表示对应的典型关键设备运行行为分析概率;
依据所述典型关键设备运行行为分析概率,分析出所述遍历到的典型运行行为挖掘特征表示对应的遍历到的典型运行行为分析结果;
依据每一个所述典型运行行为挖掘特征表示对应的典型运行行为分析结果,形成对应的典型关键设备运行行为分析结果。
在一些优选的实施例中,在上述轴承生产检测控制方法中,所述依据所述关键设备运行行为实际结果和所述典型关键设备运行行为分析结果进行学习代价值的分析确定,以输出对应的行为关键性分析学习代价值的步骤,包括:
对每一个所述典型运行行为挖掘特征表示对应的典型运行行为分析结果和所述关键设备运行行为实际结果中对应的设备运行行为实际结果进行学习代价值的分析确定,以输出对应的每一个局部行为关键性分析学习代价值;
依据每一个所述局部行为关键性分析学习代价值,分析输出对应的行为关键性分析学习代价值。
在一些优选的实施例中,在上述轴承生产检测控制方法中,所述待优化设备运行数据分析神经网络包括待优化数据特征挖掘模型、待优化数据特征还原模型和待优化关键性分析处理模型;
对所述典型轴承生产设备运行数据加载至所述待优化数据特征挖掘模型中,以进行运行数据特征挖掘处理,输出对应的典型运行数据挖掘特征表示;
对所述典型运行数据挖掘特征表示加载至所述待优化数据特征还原模型中,以进行运行数据特征还原处理,输出对应的典型关键设备运行行为、典型关键行为语义数据和典型关键设备运行行为代表数据,以及,再依据所述典型关键设备运行行为、所述典型关键行为语义数据和所述典型关键设备运行行为代表数据,分析输出对应的设备运行行为异常分析结果;
对所述典型运行数据挖掘特征表示加载至所述待优化关键性分析处理模型中,以进行运行行为关键性分析处理,输出对应的典型关键设备运行行为分析结果;
依据优化后的待优化数据特征挖掘模型和优化后的待优化数据特征还原模型,构建出对应的优化设备运行数据分析神经网络。
本发明实施例还提供一种轴承生产检测控制装置,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的轴承生产检测控制方法。
本发明实施例提供的一种轴承生产检测控制方法及装置,可以提取到轴承生产设备运行数据;对轴承生产设备运行数据加载至优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出运行数据挖掘特征表示,再将运行数据挖掘特征表示进行运行数据特征还原处理,以输出关键设备运行行为、关键行为语义数据和关键设备运行行为代表数据;依据关键设备运行行为、关键行为语义数据以及关键设备运行行为代表数据分析输出第一设备运行行为异常分析结果,依据第一设备运行行为异常分析结果,确定出对应生产的轴承产品的质量代表数据。基于前述的内容,由于是基于轴承生产设备运行数据进行分析处理,相较于对轴承或设备进行视频监控的常规技术方案,不用部署额外的监控设备,使得检测的便利性更高,另外,由于优化设备运行数据分析神经网络是基于异常分析学习代价值和行为关键性分析学习代价值这两方面的学习代价值进行优化的,使得其分析功能的可靠度更高,如此,可以提高轴承生产检测的便利性和可靠度,从而改善现有技术中存在的不足。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的轴承生产检测控制装置的结构框图。
图2为本发明实施例提供的轴承生产检测控制方法包括的各步骤的流程示意图。
图3为本发明实施例提供的轴承生产检测控制***包括的各模块的示意图。
实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种轴承生产检测控制装置。其中,所述轴承生产检测控制装置可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例(如后文所述)提供的轴承生产检测控制方法。
应当理解的是,在一些实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上***(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应当理解的是,在一些实施方式中,所述轴承生产检测控制装置可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种轴承生产检测控制方法,可应用于上述轴承生产检测控制装置。其中,所述轴承生产检测控制方法有关的流程所定义的方法步骤,可以由所述轴承生产检测控制装置实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,提取到轴承生产检测指令。
在本发明实施例中,所述轴承生产检测控制装置可以提取到轴承生产检测指令。所述轴承生产检测指令中包括目标轴承生产设备对应的轴承生产设备运行数据(如从轴承生产设备的运行日志数据中提取)。
步骤S120,对所述轴承生产设备运行数据加载至优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出对应的运行数据挖掘特征表示,再将所述运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的关键设备运行行为、关键行为语义数据和关键设备运行行为代表数据。
在本发明实施例中,所述轴承生产检测控制装置可以对所述轴承生产设备运行数据加载至优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出对应的运行数据挖掘特征表示,再将所述运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的关键设备运行行为、关键行为语义数据和关键设备运行行为代表数据。所述优化设备运行数据分析神经网络通过对典型轴承生产设备运行数据加载至待优化设备运行数据分析神经网络中进行网络优化形成,通过所述待优化设备运行数据分析神经网络进行运行数据特征挖掘处理和运行数据特征还原处理,以输出典型关键设备运行行为、典型关键行为语义数据和典型关键设备运行行为代表数据,再依据所述典型关键设备运行行为、所述典型关键行为语义数据和所述典型关键设备运行行为代表数据分析输出对应的设备运行行为异常分析结果,以及,将输出的典型运行数据挖掘特征表示进行运行行为关键性分析处理,以输出对应的典型关键设备运行行为分析结果,以及,再依据所述设备运行行为异常分析结果和配置的设备运行行为实际结果进行学习代价值的分析确定,以输出对应的异常分析学习代价值,以及,依据配置的关键设备运行行为实际结果和所述典型关键设备运行行为分析结果进行学习代价值的分析确定,以输出对应的行为关键性分析学习代价值,以及,依据所述异常分析学习代价值和所述行为关键性分析学习代价值对所述待优化设备运行数据分析神经网络进行网络优化,形成对应的优化设备运行数据分析神经网。
步骤S130,依据所述关键设备运行行为、所述关键行为语义数据以及关键设备运行行为代表数据分析输出对应的第一设备运行行为异常分析结果,再依据所述第一设备运行行为异常分析结果,确定出所述目标轴承生产设备对应生产的轴承产品的质量代表数据。
在本发明实施例中,所述轴承生产检测控制装置可以依据所述关键设备运行行为、所述关键行为语义数据以及关键设备运行行为代表数据分析输出对应的第一设备运行行为异常分析结果,再依据所述第一设备运行行为异常分析结果,确定出所述目标轴承生产设备对应生产的轴承产品的质量代表数据(运行行为与质量之间具有较高的关联性,例如,设备运行行为存在异常,一般会导致生产的轴承的质量也存在异常;在一些应用中,基于所述第一设备运行行为异常分析结果确定的质量代表数据,可以作为一个维度的质量代表数据或初始的质量代表数据,因此,还可以结合其它维度的数据进行进一步的质量分析等处理)。
基于前述的内容,由于是基于轴承生产设备运行数据进行分析处理,相较于对轴承或设备进行视频监控的常规技术方案,不用部署额外的监控设备,使得检测的便利性更高,另外,由于优化设备运行数据分析神经网络是基于异常分析学习代价值和行为关键性分析学习代价值这两方面的学习代价值进行优化的,使得其分析功能的可靠度更高,如此,可以提高轴承生产检测的便利性和可靠度,从而改善现有技术中存在的不足。
应当理解的是,在一些实施方式中,上文中的步骤S110,可以包括以下一些可以实现的子步骤(即详细的实施过程):
提取到轴承生产检测指令,并从所述轴承生产检测指令中提取出轴承生产设备运行数据,以及,对所述轴承生产设备运行数据进行阶段性分解处理,以形成对应的多个原始设备运行行为日志数据,每一个所述原始设备运行行为日志数据对应轴承的一个生产阶段(或生产工序、生产环节等);
针对每一个所述原始设备运行行为日志数据,对该原始设备运行行为日志数据进行特征挖掘(特征提取等),以得到该原始设备运行行为日志数据对应的日志数据特征表示,以及,对该原始设备运行行为日志数据对应的日志数据特征表示和该原始设备运行行为日志数据的每一个相邻原始设备运行行为日志数据对应的日志数据特征表示进行特征表示相似度计算,以输出对应的特征表示相似度,以及,依据该特征表示相似度,对每一个相邻原始设备运行行为日志数据对应的日志数据特征表示和该原始设备运行行为日志数据对应的日志数据特征表示进行特征关联处理,以得到该原始设备运行行为日志数据的关联日志数据特征表示(示例性地,可以先基于对应的特征表示相似度对对应的相邻原始设备运行行为日志数据对应的日志数据特征表示进行加权,然后,可以将每一个加权日志数据特征表示和所述原始设备运行行为日志数据对应的日志数据特征表示进行叠加,以得到对应的关联日志数据特征表示);
针对每一个所述原始设备运行行为日志数据,确定出该原始设备运行行为日志数据对应的标准设备运行行为日志数据(该标准设备运行行为日志数据可以是预先配置的),并确定出该标准设备运行行为日志数据对应的关联标准日志数据特征表示(确定方式如前所述);
针对每一个所述原始设备运行行为日志数据,对该原始设备运行行为日志数据的关联日志数据特征表示和该原始设备运行行为日志数据对应的标准设备运行行为日志数据对应的关联标准日志数据特征表示进行特征表示距离计算处理(距离可以与上述的相似度负相关),以得到该原始设备运行行为日志数据对应的特征表示距离(所述特征表示距离可以用于与后续计算得到设备运行行为异常度进行聚合,如加权求和,以得到最终的设备运行行为异常度,从而实现行为异常的可靠分析)。
应当理解的是,在一些实施方式中,所述优化设备运行数据分析神经网络包括优化数据特征挖掘模型和优化数据特征还原模型,基于此,上文中的步骤S120,可以包括以下一些可以实现的子步骤(即详细的实施过程):
对所述轴承生产设备运行数据加载至所述优化数据特征挖掘模型中进行运行数据特征挖掘处理,以输出对应的运行数据挖掘特征表示;
对所述运行数据挖掘特征表示加载至所述优化数据特征还原模型中进行运行数据特征还原处理,以输出对应的关键设备运行行为、关键行为语义数据和关键设备运行行为代表数据。
应当理解的是,在一些实施方式中,上文中的轴承生产检测控制方法,还可以包括以下一些可以实现的步骤(即详细的实施过程):
提取到典型轴承生产设备运行数据、设备运行行为实际结果和关键设备运行行为实际结果(示例性地,所述典型轴承生产设备运行数据、所述设备运行行为实际结果和所述关键设备运行行为实际结果作为优化依据组合,所述设备运行行为实际结果用于反映所述典型轴承生产设备运行数据真实的行为异常结果,即是否异常或异常程度等,可以是整体的,也可以针对每一个设备运行行为分别具有的是否异常或异常程度等结果,所述关键设备运行行为实际结果可以用于反映所述典型轴承生产设备运行数据中实际的关键设备运行行为,可以通过人工标注形成);
对所述典型轴承生产设备运行数据加载至待优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出对应的典型运行数据挖掘特征表示,再将所述典型运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的典型关键设备运行行为、典型关键行为语义数据和典型关键设备运行行为代表数据(示例性地,所述典型关键设备运行行为可以是指所述典型轴承生产设备运行数据包括的多个典型设备运行行为中的关键行为,所述典型关键行为语义数据可以用于反映所述典型关键设备运行行为的行为属性信息,可以表征异常度,所述典型关键设备运行行为代表数据可以用于反映所述典型关键设备运行行为对后续设备运行行为的影响力);
依据所述典型关键设备运行行为、所述典型关键行为语义数据和所述典型关键设备运行行为代表数据分析输出对应的设备运行行为异常分析结果(示例性地,可以先针对每一个所述典型关键设备运行行为,基于前面的典型关键设备运行行为的影响力,将前面的典型关键设备运行行为的行为属性信息和当前的典型关键设备运行行为的行为属性信息进行融合,得到当前的典型关键设备运行行为对应的融合行为属性信息,即得到设备运行行为异常分析结果;另外,该影响力可以基于行为之间的紧密程度确定,如基于时序相关和行为对象的相关等维度进行紧密度的分析确定),以及,将所述典型运行数据挖掘特征表示进行运行行为关键性分析处理,以输出对应的典型关键设备运行行为分析结果(即估计出的关键设备运行行为);
依据所述设备运行行为异常分析结果和所述设备运行行为实际结果进行学习代价值的分析确定,以输出对应的异常分析学习代价值,以及,依据所述关键设备运行行为实际结果和所述典型关键设备运行行为分析结果进行学习代价值的分析确定,以输出对应的行为关键性分析学习代价值;
依据所述异常分析学习代价值和所述行为关键性分析学习代价值对所述待优化设备运行数据分析神经网络进行网络优化,以形成候选设备运行数据分析神经网络,以及,再将所述候选设备运行数据分析神经网络重新标记为待优化设备运行数据分析神经网络,以回转执行所述提取到典型轴承生产设备运行数据、设备运行行为实际结果和关键设备运行行为实际结果的步骤,以及,在网络优化的目标达到的情况下(如学习代价值小于阈值等),形成所述优化设备运行数据分析神经网络。
应当理解的是,在一些实施方式中,上文中的所述对所述典型轴承生产设备运行数据加载至待优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出对应的典型运行数据挖掘特征表示,再将所述典型运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的典型关键设备运行行为、典型关键行为语义数据和典型关键设备运行行为代表数据的步骤,可以包括以下一些可以实现的子步骤(即详细的实施过程):
对所述典型轴承生产设备运行数据进行有序化处理,以形成对应的典型设备运行行为有序集合,再对所述典型设备运行行为有序集合加载至待优化设备运行数据分析神经网络;
利用所述待优化设备运行数据分析神经网络,挖掘出所述典型设备运行行为有序集合对应的数据挖掘特征表示,以输出对应的典型运行数据挖掘特征表示(示例性地,可以对所述典型设备运行行为有序集合中的每一个典型设备运行行为进行数据挖掘特征表示的挖掘,即特征挖掘,以得到每一个典型设备运行行为对应的数据挖掘特征表示,然后,可以将每一个典型设备运行行为对应的数据挖掘特征表示合并,以形成所述典型设备运行行为有序集合对应的数据挖掘特征表示);
利用所述待优化设备运行数据分析神经网络,将所述典型运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的典型关键设备运行行为、典型关键行为语义数据和候选设备运行行为代表数据,以及,依据所述典型关键设备运行行为确定出对应的每一个关键设备运行行为指示数据(每一个关键设备运行行为指示数据用于反映所述典型关键设备运行行为具有的至少一个行为影响力,可以从历史行为数据中查找到);
利用所述待优化设备运行数据分析神经网络,对所述候选设备运行行为代表数据与每一个所述关键设备运行行为指示数据进行数据对比处理,以及,在所述候选设备运行行为代表数据与所述关键设备运行行为指示数据相符合的情况下,对所述候选设备运行行为代表数据进行标记处理,以形成对应的典型关键设备运行行为代表数据。
其中,应当理解的是,在一些实施方式中,上文中的所述利用所述待优化设备运行数据分析神经网络,将所述典型运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的典型关键设备运行行为、典型关键行为语义数据和候选设备运行行为代表数据的步骤,可以包括以下一些可以实现的子步骤(即详细的实施过程):
利用所述待优化设备运行数据分析神经网络,对配置的首端运行行为标识特征表示和所述典型运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的第一首端运行行为标识特征表示(示例性地,所述首端运行行为标识特征表示可以是指配置的一个标识信息的特征表示,该标识信息用于指示第一个典型设备运行行为;另外,可以先对所述首端运行行为标识特征表示和所述典型运行数据挖掘特征表示进行融合,如进行拼接或叠加等处理,然后,对处理结果进行运行数据特征还原处理,示例性地,该运行数据特征还原处理可以基于RNN或长短期存储器(LSTM)实现);
利用所述待优化设备运行数据分析神经网络,对所述第一首端运行行为标识特征表示和所述典型运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的第一中心运行行为标识特征表示(示例性地,可以先将所述第一首端运行行为标识特征表示和所述典型运行数据挖掘特征表示进行融合,然后,在对融合结果进行运行数据特征还原处理,输出对应的第一中心运行行为标识特征表示;另外,所述第一中心运行行为标识特征表示可以为多个,即对应于首端和末端以外的典型设备运行行为,其中,后一个第一中心运行行为标识特征基于前一个第一中心运行行为标识特征和和所述典型运行数据挖掘特征表示进行运行数据特征还原处理得到);
利用所述待优化设备运行数据分析神经网络,对所述第一中心运行行为标识特征表示和所述典型运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的第一末端运行行为标识特征表示(在所述第一中心运行行为标识特征表示为多个的情况下,可以将其中最后一个所述第一中心运行行为标识特征表示和所述典型运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的第一末端运行行为标识特征表示);
利用所述待优化设备运行数据分析神经网络,对所述第一首端运行行为标识特征表示、所述第一中心运行行为标识特征表示、所述第一末端运行行为标识特征表示进行分析处理,输出对应的典型关键设备运行行为、典型关键行为语义数据和候选设备运行行为代表数据(基于此,可以使得每一个运行行为标识特征表示融合了前面的运行行为标识特征,即整体上考虑前面的设备运行行为对后面的设备运行行为的影响,使得每一个运行行为标识特征表示的信息更丰富、可靠;另外,可以将所述第一首端运行行为标识特征表示、每一个所述第一中心运行行为标识特征表示、所述第一末端运行行为标识特征表示进行拼接,以形成拼接运行行为标识特征表示,然后,利用所述待优化设备运行数据分析神经网络从所述拼接运行行为标识特征表示中,估计出对应的典型关键设备运行行为、典型关键行为语义数据和候选设备运行行为代表数据)。
其中,应当理解的是,在一些实施方式中,上文中的所述依据所述设备运行行为异常分析结果和所述设备运行行为实际结果进行学习代价值的分析确定,以输出对应的异常分析学习代价值的步骤,可以包括以下一些可以实现的子步骤(即详细的实施过程):
依据所述第一首端运行行为标识特征表示和所述设备运行行为实际结果,分析输出所述第一首端运行行为标识特征表示对应的首端运行行为分析学习代价值(示例性地,可以依据所述第一首端运行行为标识特征表示分析输出对应的设备运行行为的设备运行行为异常分析结果,然后,基于该设备运行行为异常分析结果和该设备运行行为对应的所述设备运行行为实际结果,分析输出对应的端运行行为分析学习代价值);
依据所述第一中心运行行为标识特征表示和所述设备运行行为实际结果,分析输出所述第一中心运行行为标识特征表示对应的中心运行行为分析学习代价值(如前所述,对应设备运行行为的分析);
依据所述第一末端运行行为标识特征表示和所述设备运行行为实际结果,分析输出所述第一末端运行行为标识特征表示对应的末端运行行为分析学习代价值(如前所述,对应设备运行行为的分析);
依据所述首端运行行为分析学习代价值、所述中心运行行为分析学习代价值和所述末端运行行为分析学习代价值,分析输出对应的异常分析学习代价值(示例性地,可以对所述首端运行行为分析学习代价值、所述中心运行行为分析学习代价值和所述末端运行行为分析学习代价值进行加权求和处理,以得到对应的异常分析学习代价值)。
应当理解的是,在一些实施方式中,上文中所述对所述典型轴承生产设备运行数据进行有序化处理,以形成对应的典型设备运行行为有序集合,再对所述典型设备运行行为有序集合加载至待优化设备运行数据分析神经网络的步骤,可以包括以下一些可以实现的子步骤(即详细的实施过程):
对所述典型轴承生产设备运行数据进行运行行为分离处理,以输出对应的每一个典型设备运行行为;
提取到配置的首端运行行为指示信息和末端运行行为指示信息,再对所述首端运行行为指示信息、所述末端运行行为指示信息和每一个所述典型设备运行行为,依据在所述典型轴承生产设备运行数据中的先后关系进行组合,以形成对应的典型设备运行行为有序集合(在所述典型设备运行行为有序集合中,所述首端运行行为指示信息属于集合中的第一个信息,所述末端运行行为指示信息属于集合中的最后一个信息),以及,再对所述典型设备运行行为有序集合加载至待优化设备运行数据分析神经网络。
应当理解的是,在一些实施方式中,上文中的所述利用所述待优化设备运行数据分析神经网络,对所述候选设备运行行为代表数据与每一个所述关键设备运行行为指示数据进行数据对比处理,以及,在所述候选设备运行行为代表数据与所述关键设备运行行为指示数据相符合的情况下,对所述候选设备运行行为代表数据进行标记处理,以形成对应的典型关键设备运行行为代表数据的步骤,可以包括以下一些可以实现的子步骤(即详细的实施过程):
依据每一个所述关键设备运行行为指示数据,构建出对应的关键设备运行行为指示数据知识图谱;
从所述关键设备运行行为指示数据知识图谱中,对所述候选设备运行行为代表数据进行筛查,在筛查到所述候选设备运行行为代表数据的情况下,对所述候选设备运行行为代表数据进行标记处理,以形成对应的典型关键设备运行行为代表数据。
应当理解的是,在一些实施方式中,所述典型运行数据挖掘特征表示包括每一个典型运行行为挖掘特征表示,基于此,上文中的所述将所述典型运行数据挖掘特征表示进行运行行为关键性分析处理,以输出对应的典型关键设备运行行为分析结果的步骤,可以包括以下一些可以实现的子步骤(即详细的实施过程):
在每一个所述典型运行行为挖掘特征表示中进行先后遍历(如遍历第一个典型运行行为挖掘特征表示、遍历第二个典型运行行为挖掘特征表示、遍历第三个典型运行行为挖掘特征表示、遍历第四个典型运行行为挖掘特征表示),以形成遍历到的典型运行行为挖掘特征表示;
对所述遍历到的典型运行行为挖掘特征表示进行映射输出处理,以输出对应的映射运行行为挖掘特征表示(示例性地,可以基于第一参数矩阵对所述典型运行行为挖掘特征表进行加权,然后,可以基于第二参数矩阵对加权结果进行求和,实现移位,得到映射运行行为挖掘特征表示;另外,所述第一参数矩阵和所述第二参数矩阵属于神经网络的优化参数),再对所述映射运行行为挖掘特征表示进行运行行为关键性分析处理,以输出所述遍历到的典型运行行为挖掘特征表示对应的典型关键设备运行行为分析概率(所述典型关键设备运行行为分析概率可以是指,所述典型运行行为挖掘特征表示对应的典型设备运行行为属于关键设备运行行为的概率,即估计出的概率值;另外,可以基于softmax函数对所述映射运行行为挖掘特征表示进行处理,输出对应的典型关键设备运行行为分析概率);
依据所述典型关键设备运行行为分析概率,分析出所述遍历到的典型运行行为挖掘特征表示对应的遍历到的典型运行行为分析结果;
依据每一个所述典型运行行为挖掘特征表示对应的典型运行行为分析结果,形成对应的典型关键设备运行行为分析结果。
应当理解的是,在一些实施方式中,上文中的所述依据所述关键设备运行行为实际结果和所述典型关键设备运行行为分析结果进行学习代价值的分析确定,以输出对应的行为关键性分析学习代价值的步骤,可以包括以下一些可以实现的子步骤(即详细的实施过程):
对每一个所述典型运行行为挖掘特征表示对应的典型运行行为分析结果和所述关键设备运行行为实际结果中对应的设备运行行为实际结果进行学习代价值的分析确定,以输出对应的每一个局部行为关键性分析学习代价值(即针对每一个所述典型运行行为挖掘特征表示,将该典型运行行为挖掘特征表示对应的典型运行行为分析结果和所述关键设备运行行为实际结果中该典型运行行为挖掘特征表示对应的典型设备运行行为对应的设备运行行为实际结果进行差异分析,得到局部行为关键性分析学习代价值);
依据每一个所述局部行为关键性分析学习代价值,分析输出对应的行为关键性分析学习代价值(示例性地,可以对每一个所述局部行为关键性分析学习代价值进行和值技术,得到对应的行为关键性分析学习代价值)。
应当理解的是,在一些实施方式中,所述待优化设备运行数据分析神经网络可以包括待优化数据特征挖掘模型、待优化数据特征还原模型和待优化关键性分析处理模型,基于此,前述的步骤可以基于所述待优化数据特征挖掘模型、所述待优化数据特征还原模型和所述待优化关键性分析处理模型实现,其详细的实施过程可以包括:
对所述典型轴承生产设备运行数据加载至所述待优化数据特征挖掘模型中,以进行运行数据特征挖掘处理,输出对应的典型运行数据挖掘特征表示;对所述典型运行数据挖掘特征表示加载至所述待优化数据特征还原模型中,以进行运行数据特征还原处理,输出对应的典型关键设备运行行为、典型关键行为语义数据和典型关键设备运行行为代表数据,以及,再依据所述典型关键设备运行行为、所述典型关键行为语义数据和所述典型关键设备运行行为代表数据,分析输出对应的设备运行行为异常分析结果;对所述典型运行数据挖掘特征表示加载至所述待优化关键性分析处理模型中,以进行运行行为关键性分析处理,输出对应的典型关键设备运行行为分析结果;依据优化后的待优化数据特征挖掘模型和优化后的待优化数据特征还原模型,构建出对应的优化设备运行数据分析神经网络(示例性地,可以直接将优化后的所述待优化设备运行数据分析神经网络中的优化关键性分析处理模型丢弃,以得到所述优化设备运行数据分析神经网络,也可以依据优化后的待优化数据特征挖掘模型和优化后的待优化数据特征还原模型的模型参数,构建出所述优化设备运行数据分析神经网络)。
结合图3,本发明实施例还提供一种轴承生产检测控制***,可应用于上述轴承生产检测控制装置。其中,所述轴承生产检测控制***可以包括:
生产检测指令提取模块,用于提取到轴承生产检测指令,所述轴承生产检测指令中包括目标轴承生产设备对应的轴承生产设备运行数据;
数据特征处理模块,用于对所述轴承生产设备运行数据加载至优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出对应的运行数据挖掘特征表示,再将所述运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的关键设备运行行为、关键行为语义数据和关键设备运行行为代表数据,所述优化设备运行数据分析神经网络通过对典型轴承生产设备运行数据加载至待优化设备运行数据分析神经网络中进行网络优化形成,通过所述待优化设备运行数据分析神经网络进行运行数据特征挖掘处理和运行数据特征还原处理,以输出典型关键设备运行行为、典型关键行为语义数据和典型关键设备运行行为代表数据,再依据所述典型关键设备运行行为、所述典型关键行为语义数据和所述典型关键设备运行行为代表数据分析输出对应的设备运行行为异常分析结果,以及,将输出的典型运行数据挖掘特征表示进行运行行为关键性分析处理,以输出对应的典型关键设备运行行为分析结果,以及,再依据所述设备运行行为异常分析结果和配置的设备运行行为实际结果进行学习代价值的分析确定,以输出对应的异常分析学习代价值,以及,依据配置的关键设备运行行为实际结果和所述典型关键设备运行行为分析结果进行学习代价值的分析确定,以输出对应的行为关键性分析学习代价值,以及,依据所述异常分析学习代价值和所述行为关键性分析学习代价值对所述待优化设备运行数据分析神经网络进行网络优化,形成对应的优化设备运行数据分析神经网络;
质量代表数据确定模块,用于依据所述关键设备运行行为、所述关键行为语义数据以及关键设备运行行为代表数据分析输出对应的第一设备运行行为异常分析结果,再依据所述第一设备运行行为异常分析结果,确定出所述目标轴承生产设备对应生产的轴承产品的质量代表数据。
应当理解的是,所述生产检测指令提取模块、所述数据特征处理模块和所述质量代表数据确定模块可以都是软件功能模块。对应地,所述轴承生产检测控制***可以是一种软件功能***。
综上所述,本发明提供的一种轴承生产检测控制方法及装置,可以提取到轴承生产设备运行数据;对轴承生产设备运行数据加载至优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出运行数据挖掘特征表示,再将运行数据挖掘特征表示进行运行数据特征还原处理,以输出关键设备运行行为、关键行为语义数据和关键设备运行行为代表数据;依据关键设备运行行为、关键行为语义数据以及关键设备运行行为代表数据分析输出第一设备运行行为异常分析结果,依据第一设备运行行为异常分析结果,确定出对应生产的轴承产品的质量代表数据。基于前述的内容,由于是基于轴承生产设备运行数据进行分析处理,相较于对轴承或设备进行视频监控的常规技术方案,不用部署额外的监控设备,使得检测的便利性更高,另外,由于优化设备运行数据分析神经网络是基于异常分析学习代价值和行为关键性分析学习代价值这两方面的学习代价值进行优化的,使得其分析功能的可靠度更高,如此,可以提高轴承生产检测的便利性和可靠度,从而改善现有技术中存在的不足。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种轴承生产检测控制方法,其特征在于,包括:
提取到轴承生产检测指令,所述轴承生产检测指令中包括目标轴承生产设备对应的轴承生产设备运行数据;对所述轴承生产设备运行数据进行阶段性分解处理,以形成对应的多个原始设备运行行为日志数据,每一个所述原始设备运行行为日志数据对应轴承的一个生产阶段、生产工序或生产环节;
对所述轴承生产设备运行数据加载至优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出对应的运行数据挖掘特征表示,再将所述运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的关键设备运行行为、关键行为语义数据和关键设备运行行为代表数据,所述优化设备运行数据分析神经网络通过对典型轴承生产设备运行数据加载至待优化设备运行数据分析神经网络中进行网络优化形成,通过所述待优化设备运行数据分析神经网络进行运行数据特征挖掘处理和运行数据特征还原处理,以输出典型关键设备运行行为、典型关键行为语义数据和典型关键设备运行行为代表数据,再依据所述典型关键设备运行行为、所述典型关键行为语义数据和所述典型关键设备运行行为代表数据分析输出对应的设备运行行为异常分析结果,以及,将输出的典型运行数据挖掘特征表示进行运行行为关键性分析处理,以输出对应的典型关键设备运行行为分析结果,以及,再依据所述设备运行行为异常分析结果和配置的设备运行行为实际结果进行学习代价值的分析确定,以输出对应的异常分析学习代价值,以及,依据配置的关键设备运行行为实际结果和所述典型关键设备运行行为分析结果进行学习代价值的分析确定,以输出对应的行为关键性分析学习代价值,以及,依据所述异常分析学习代价值和所述行为关键性分析学习代价值对所述待优化设备运行数据分析神经网络进行网络优化,形成对应的优化设备运行数据分析神经网络,所述典型运行数据挖掘特征表示包括每一个典型运行行为挖掘特征表示,该运行行为关键性分析处理包括:在每一个所述典型运行行为挖掘特征表示中进行先后遍历;
遍历第一个典型运行行为挖掘特征表示、遍历第二个典型运行行为挖掘特征表示、遍历第三个典型运行行为挖掘特征表示、遍历第四个典型运行行为挖掘特征表示;
以形成遍历到的典型运行行为挖掘特征表示,对所述遍历到的典型运行行为挖掘特征表示进行映射输出处理,以输出对应的映射运行行为挖掘特征表示;
基于第一参数矩阵对所述典型运行行为挖掘特征表进行加权,然后,基于第二参数矩阵对加权结果进行求和,实现移位,得到映射运行行为挖掘特征表示;所述第一参数矩阵和所述第二参数矩阵属于神经网络的优化参数;
再对所述映射运行行为挖掘特征表示进行运行行为关键性分析处理,以输出所述遍历到的典型运行行为挖掘特征表示对应的典型关键设备运行行为分析概率;
所述典型关键设备运行行为分析概率是指,所述典型运行行为挖掘特征表示对应的典型设备运行行为属于关键设备运行行为的概率,即估计出的概率值;基于softmax函数对所述映射运行行为挖掘特征表示进行处理,输出对应的典型关键设备运行行为分析概率;
依据所述典型关键设备运行行为分析概率,分析出所述遍历到的典型运行行为挖掘特征表示对应的遍历到的典型运行行为分析结果,依据每一个所述典型运行行为挖掘特征表示对应的典型运行行为分析结果,形成对应的典型关键设备运行行为分析结果;
依据所述关键设备运行行为、所述关键行为语义数据以及关键设备运行行为代表数据分析输出对应的第一设备运行行为异常分析结果,再依据所述第一设备运行行为异常分析结果,确定出所述目标轴承生产设备对应生产的轴承产品的质量代表数据。
2.如权利要求1所述的轴承生产检测控制方法,其特征在于,所述优化设备运行数据分析神经网络包括优化数据特征挖掘模型和优化数据特征还原模型;所述对所述轴承生产设备运行数据加载至优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出对应的运行数据挖掘特征表示,再将所述运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的关键设备运行行为、关键行为语义数据和关键设备运行行为代表数据的步骤,包括:
对所述轴承生产设备运行数据加载至所述优化数据特征挖掘模型中进行运行数据特征挖掘处理,以输出对应的运行数据挖掘特征表示;
对所述运行数据挖掘特征表示加载至所述优化数据特征还原模型中进行运行数据特征还原处理,以输出对应的关键设备运行行为、关键行为语义数据和关键设备运行行为代表数据。
3.如权利要求1所述的轴承生产检测控制方法,其特征在于,还包括:
提取到典型轴承生产设备运行数据、设备运行行为实际结果和关键设备运行行为实际结果;
对所述典型轴承生产设备运行数据加载至待优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出对应的典型运行数据挖掘特征表示,再将所述典型运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的典型关键设备运行行为、典型关键行为语义数据和典型关键设备运行行为代表数据;
依据所述典型关键设备运行行为、所述典型关键行为语义数据和所述典型关键设备运行行为代表数据分析输出对应的设备运行行为异常分析结果,以及,将所述典型运行数据挖掘特征表示进行运行行为关键性分析处理,以输出对应的典型关键设备运行行为分析结果;
依据所述设备运行行为异常分析结果和所述设备运行行为实际结果进行学习代价值的分析确定,以输出对应的异常分析学习代价值,以及,依据所述关键设备运行行为实际结果和所述典型关键设备运行行为分析结果进行学习代价值的分析确定,以输出对应的行为关键性分析学习代价值;
依据所述异常分析学习代价值和所述行为关键性分析学习代价值对所述待优化设备运行数据分析神经网络进行网络优化,以形成候选设备运行数据分析神经网络,以及,再将所述候选设备运行数据分析神经网络重新标记为待优化设备运行数据分析神经网络,从而继续执行所述提取到典型轴承生产设备运行数据、设备运行行为实际结果和关键设备运行行为实际结果的步骤,以及,在网络优化的目标达到的情况下,形成所述优化设备运行数据分析神经网络。
4.如权利要求3所述的轴承生产检测控制方法,其特征在于,所述对所述典型轴承生产设备运行数据加载至待优化设备运行数据分析神经网络中进行运行数据特征挖掘处理,以输出对应的典型运行数据挖掘特征表示,再将所述典型运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的典型关键设备运行行为、典型关键行为语义数据和典型关键设备运行行为代表数据的步骤,包括:
对所述典型轴承生产设备运行数据进行有序化处理,以形成对应的典型设备运行行为有序集合,再对所述典型设备运行行为有序集合加载至待优化设备运行数据分析神经网络;
利用所述待优化设备运行数据分析神经网络,挖掘出所述典型设备运行行为有序集合对应的数据挖掘特征表示,以输出对应的典型运行数据挖掘特征表示;
利用所述待优化设备运行数据分析神经网络,将所述典型运行数据挖掘特征表示进行运行数据特征还原处理,以输出对应的典型关键设备运行行为、典型关键行为语义数据和候选设备运行行为代表数据,以及,依据所述典型关键设备运行行为确定出对应的每一个关键设备运行行为指示数据;
利用所述待优化设备运行数据分析神经网络,对所述候选设备运行行为代表数据与每一个所述关键设备运行行为指示数据进行数据对比处理,以及,在所述候选设备运行行为代表数据与所述关键设备运行行为指示数据相符合的情况下,对所述候选设备运行行为代表数据进行标记处理,以形成对应的典型关键设备运行行为代表数据。
5.如权利要求4所述的轴承生产检测控制方法,其特征在于,所述利用所述待优化设备运行数据分析神经网络,对所述候选设备运行行为代表数据与每一个所述关键设备运行行为指示数据进行数据对比处理,以及,在所述候选设备运行行为代表数据与所述关键设备运行行为指示数据相符合的情况下,对所述候选设备运行行为代表数据进行标记处理,以形成对应的典型关键设备运行行为代表数据的步骤,包括:
依据每一个所述关键设备运行行为指示数据,构建出对应的关键设备运行行为指示数据知识图谱;
从所述关键设备运行行为指示数据知识图谱中,对所述候选设备运行行为代表数据进行筛查,在筛查到所述候选设备运行行为代表数据的情况下,对所述候选设备运行行为代表数据进行标记处理,以形成对应的典型关键设备运行行为代表数据。
6.如权利要求3所述的轴承生产检测控制方法,其特征在于,所述依据所述关键设备运行行为实际结果和所述典型关键设备运行行为分析结果进行学习代价值的分析确定,以输出对应的行为关键性分析学习代价值的步骤,包括:
对每一个所述典型运行行为挖掘特征表示对应的典型运行行为分析结果和所述关键设备运行行为实际结果中对应的设备运行行为实际结果进行学习代价值的分析确定,以输出对应的每一个局部行为关键性分析学习代价值;
依据每一个所述局部行为关键性分析学习代价值,分析输出对应的行为关键性分析学习代价值。
7.如权利要求3所述的轴承生产检测控制方法,其特征在于,所述待优化设备运行数据分析神经网络包括待优化数据特征挖掘模型、待优化数据特征还原模型和待优化关键性分析处理模型;
对所述典型轴承生产设备运行数据加载至所述待优化数据特征挖掘模型中,以进行运行数据特征挖掘处理,输出对应的典型运行数据挖掘特征表示;
对所述典型运行数据挖掘特征表示加载至所述待优化数据特征还原模型中,以进行运行数据特征还原处理,输出对应的典型关键设备运行行为、典型关键行为语义数据和典型关键设备运行行为代表数据,以及,再依据所述典型关键设备运行行为、所述典型关键行为语义数据和所述典型关键设备运行行为代表数据,分析输出对应的设备运行行为异常分析结果;
对所述典型运行数据挖掘特征表示加载至所述待优化关键性分析处理模型中,以进行运行行为关键性分析处理,输出对应的典型关键设备运行行为分析结果;
依据优化后的待优化数据特征挖掘模型和优化后的待优化数据特征还原模型,构建出对应的优化设备运行数据分析神经网络;
其中,所述依据优化后的待优化数据特征挖掘模型和优化后的待优化数据特征还原模型,构建出对应的优化设备运行数据分析神经网络的步骤,包括:
将优化后的所述待优化设备运行数据分析神经网络中的优化关键性分析处理模型丢弃,以得到所述优化设备运行数据分析神经网络。
8.一种轴承生产检测控制装置,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-7任意一项所述的轴承生产检测控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211496474.0A CN115906642B (zh) | 2022-11-28 | 2022-11-28 | 轴承生产检测控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211496474.0A CN115906642B (zh) | 2022-11-28 | 2022-11-28 | 轴承生产检测控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115906642A CN115906642A (zh) | 2023-04-04 |
CN115906642B true CN115906642B (zh) | 2023-07-28 |
Family
ID=85731703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211496474.0A Active CN115906642B (zh) | 2022-11-28 | 2022-11-28 | 轴承生产检测控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115906642B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383835A (zh) * | 2016-08-29 | 2017-02-08 | 华东师范大学 | 一种基于形式语义推理和深度学习的自然语言知识挖掘*** |
CN110555273A (zh) * | 2019-09-05 | 2019-12-10 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637019B (zh) * | 2011-02-10 | 2014-04-02 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
CN110333987B (zh) * | 2019-07-04 | 2020-06-02 | 湖南大学 | 设备体检报告生成方法、装置、计算机设备和存储介质 |
CN111275198B (zh) * | 2020-01-16 | 2023-10-24 | 北京理工大学 | 一种轴承异常检测方法及*** |
CN111931819A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种基于深度学习的机器故障的预测和分类方法 |
CN112763214B (zh) * | 2020-12-31 | 2022-07-01 | 南京信息工程大学 | 基于多标签零样本学习的滚动轴承故障诊断方法 |
CN114861172B (zh) * | 2022-07-11 | 2022-09-16 | 广州平云信息科技有限公司 | 一种基于政务服务***的数据处理方法及*** |
CN115318726B (zh) * | 2022-09-01 | 2024-04-05 | 东莞科达五金制品有限公司 | 一种轴类产品清洗机 |
-
2022
- 2022-11-28 CN CN202211496474.0A patent/CN115906642B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383835A (zh) * | 2016-08-29 | 2017-02-08 | 华东师范大学 | 一种基于形式语义推理和深度学习的自然语言知识挖掘*** |
CN110555273A (zh) * | 2019-09-05 | 2019-12-10 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115906642A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948276B (zh) | 失效分析方法、装置、设备和存储介质 | |
CN116310914B (zh) | 基于人工智能的无人机监控方法及*** | |
CN115018840B (zh) | 精密铸件裂纹检测方法、***及装置 | |
CN115814686B (zh) | 一种镭射气体混配生产***的状态监控方法及*** | |
CN116028886A (zh) | 一种基于bim的数据处理方法、***及云平台 | |
CN112529109A (zh) | 一种基于无监督多模型的异常检测方法及*** | |
CN115091472B (zh) | 基于人工智能的目标定位方法及装夹机械手控制*** | |
CN115687674A (zh) | 服务于智慧云服务平台的大数据需求分析方法及*** | |
CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
KR102024829B1 (ko) | Cart 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법 | |
CN115906642B (zh) | 轴承生产检测控制方法及装置 | |
CN111181785B (zh) | 基于反馈式链路的监控方法和装置 | |
CN112463957A (zh) | 非结构化文本日志流的摘要提取方法和装置 | |
CN114397306B (zh) | 一种电网均压环超复杂类别缺陷多阶段模型联合检测方法 | |
US20200082281A1 (en) | Verification device | |
CN115631448B (zh) | 一种音视频质检处理方法及*** | |
CN117236617B (zh) | 一种企业业务管理方法及*** | |
CN117173572A (zh) | 一种建筑信息化数据的采集方法及*** | |
CN116994609B (zh) | 应用于智能生产线的数据分析方法及*** | |
CN116996403B (zh) | 应用ai模型的网络流量诊断方法及*** | |
CN116126738B (zh) | 接口异常的识别方法、装置及电子设备 | |
CN113379742B (zh) | 基于人工智能的器件的结构检测方法、装置及电子设备 | |
CN117195200A (zh) | 一种基于图像识别的安全保障方法及*** | |
CN117278586A (zh) | 一种物联网设备的管控方法及*** | |
CN116630665A (zh) | 应用于图像分析的测绘数据处理方法及*** |
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 |