CN116127399B - 一种注塑成型车间设备监控分析方法及*** - Google Patents
一种注塑成型车间设备监控分析方法及*** Download PDFInfo
- Publication number
- CN116127399B CN116127399B CN202310404510.4A CN202310404510A CN116127399B CN 116127399 B CN116127399 B CN 116127399B CN 202310404510 A CN202310404510 A CN 202310404510A CN 116127399 B CN116127399 B CN 116127399B
- Authority
- CN
- China
- Prior art keywords
- injection molding
- data item
- monitoring data
- molding monitoring
- production state
- 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 529
- 238000001746 injection moulding Methods 0.000 title claims abstract description 472
- 238000000034 method Methods 0.000 title claims description 35
- 238000004519 manufacturing process Methods 0.000 claims abstract description 230
- 239000000203 mixture Substances 0.000 claims abstract description 135
- 230000002159 abnormal effect Effects 0.000 claims abstract description 121
- 238000009826 distribution Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 72
- 238000007635 classification algorithm Methods 0.000 claims description 64
- 238000005070 sampling Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 13
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 238000002347 injection Methods 0.000 description 31
- 239000007924 injection Substances 0.000 description 31
- 238000000605 extraction Methods 0.000 description 9
- 239000000470 constituent Substances 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000010365 information processing Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 102000016550 Complement Factor H Human genes 0.000 description 1
- 108010053085 Complement Factor H Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及数据处理领域,具体为一种注塑成型车间设备监控分析方法及***,获取注塑监控数据项的注塑监控数据项描述知识后进行分布信息识别,得到分布信息识别结果,然后对注塑监控数据项描述知识进行生产状态识别,得到生产状态识别结果,再通过每一注塑监控数据项的组成概率律和对应的生产状态概率律对注塑监控数据集进行异常数据项识别,获得准确的异常数据项识别结果,可以增加对注塑监控数据集进行异常数据项识别的可靠性,也就提高了异常数据项识别结果的可靠性;接着通过组成概率律的困惑系数和对应的生产状态概率律的困惑系数,得到困惑系数标识结果,以标识出异常数据项识别结果的可靠度。
Description
技术领域
本发明涉及数据处理领域,并且更具体地,涉及一种注塑成型车间设备监控分析方法及***。
背景技术
在注塑生产领域,为了对注塑生产进行实时控制,以保障注塑产品质量符合规定要求,在注塑生产车间中,需要针对不同工序运作需要进行监控。其中,除了常规的原料确认、配方比例设置、原料预处理等环节的监控外,还需要对生产过程涉及的设备数据进行监控分析。在传统的监控方式中,通过人工对各个生产设备的数据进行记录分析,以评估生产是否正常,其高度依赖监测人员的经验能力,不利于解放人力,且可靠度得不到保障。随着工业4.0智慧工厂的普及,已经出现采集工厂设备物联网数据进行异常态势分析的技术,但是现有技术中对于识别出的态势结果的不确定性检测还具有缺失,使得分析结果的可靠性研究有提升空间。需要理解,上述背景技术仅为了介绍本发明的技术背景,不作为申请人承认其为现有技术的依据。
发明内容
有鉴于此,本发明实施例至少提供一种注塑成型车间设备监控分析方法。
根据本发明实施例的一个方面,提供了一种注塑成型车间设备监控分析方法,其特征在于,应用于监控分析设备,所述监控分析设备与至少一个车间监测设备连接,所述方法包括:
获取所述至少一个车间监测设备上传的注塑监控数据集,所述注塑监控数据集包括多个注塑监控数据项;
获取所述注塑监控数据集中的每一注塑监控数据项的注塑监控数据项描述知识;
对所述每一注塑监控数据项的注塑监控数据项描述知识进行分布信息识别,得到所述每一注塑监控数据项的分布信息识别结果;其中,每一所述分布信息识别结果包括对应注塑监控数据项的组成概率律和对应组成概率律的困惑系数,所述组成概率律代表对应注塑监控数据项归于每一组成类型的可信度的对应信息;
对所述每一注塑监控数据项的注塑监控数据项描述知识进行生产状态识别,得到所述每一注塑监控数据项的生产状态识别结果;其中,每一所述生产状态识别结果包括对应注塑监控数据项的生产状态概率律和对应生产状态概率律的困惑系数,所述生产状态概率律代表对应注塑监控数据项对应于每一生产状态的可信度的对应信息;
通过所述每一注塑监控数据项的组成概率律和对应的生产状态概率律,对所述注塑监控数据集进行异常数据项识别,得到异常数据项识别结果;
通过所述每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,得到所述异常数据项识别结果的困惑系数标识结果。
根据本发明实施例的一个示例,其中,所述对所述每一注塑监控数据项的注塑监控数据项描述知识进行分布信息识别,得到所述每一注塑监控数据项的分布信息识别结果,包括:
随机确定一注塑监控数据项的注塑监控数据项描述知识,并进行X次组成检测,得到X个组成参变数序列,每一所述组成参变数序列包括参变数序列调节变量、对应注塑监控数据项的组成概率律相关的概率密度函数的期望和标准差平方;
基于所述X个组成参变数序列中的各个组成参变数序列中的期望和标准差平方,分别建立所述各个组成参变数序列对应的概率密度函数;
基于所述各个组成参变数序列中的参变数序列调节变量对相应的概率密度函数进行结果调节然后相加,得到随机确定的所述注塑监控数据项的组成概率律;
基于所述各个组成参变数序列中的参变数序列调节变量对所述各个组成参变数序列中的标准差平方进行结果调节然后相加,得到对应组成概率律的困惑系数。
根据本发明实施例的一个示例,其中,所述随机确定一注塑监控数据项的注塑监控数据项描述知识,并进行X次组成检测,得到X个组成参变数序列,包括:
获取第一分类算法,所述第一分类算法包括X个用以执行组成检测的第一分支分类算法;
分别通过所述第一分类算法中的每个第一分支分类算法一起对所述随机确定的注塑监控数据项的注塑监控数据项描述知识进行组成检测,得到X个组成参变数序列。
根据本发明实施例的一个示例,其中,所述对所述每一注塑监控数据项的注塑监控数据项描述知识进行生产状态识别,得到所述每一注塑监控数据项的生产状态识别结果,包括:
随机确定一注塑监控数据项的注塑监控数据项描述知识,并进行Y次生产状态检测,得到Y个生产状态参变数序列;每一所述生产状态参变数序列包括参变数序列调节变量、对应注塑监控数据项的生产状态概率律相关的概率密度函数的期望和标准差平方;
基于所述Y个生产状态参变数序列中的各个生产状态参变数序列中的期望和标准差平方,分别建立所述各个生产状态参变数序列对应的概率密度函数;
基于所述各个生产状态参变数序列中的参变数序列调节变量对相应的概率密度函数进行结果调节然后相加,得到所述随机确定的注塑监控数据项的生产状态概率律;
基于所述各个生产状态参变数序列中的参变数序列调节变量对所述各个生产状态参变数序列中的标准差平方进行结果调节然后相加,得到对应生产状态概率律的困惑系数。
根据本发明实施例的一个示例,其中,所述随机确定一注塑监控数据项的注塑监控数据项描述知识,并进行Y次生产状态检测,得到Y个生产状态参变数序列,包括:
获取第二分类算法,所述第二分类算法包括Y个用以执行生产状态检测的第二分支分类算法;
分别通过所述第二分类算法中的每个第二分支分类算法一起对所述随机确定的注塑监控数据项的注塑监控数据项描述知识进行生产状态检测,得到Y个生产状态参变数序列。
根据本发明实施例的一个示例,其中,所述通过所述每一注塑监控数据项的组成概率律和对应的生产状态概率律,对所述注塑监控数据集进行异常数据项识别,得到异常数据项识别结果,包括:
对所述每一注塑监控数据项的组成概率律进行取样,得到所述每一注塑监控数据项的第一取样信息,任一注塑监控数据项的第一取样信息包括对应注塑监控数据项归于每一组成类型的可信度;
对所述每一注塑监控数据项的生产状态概率律进行取样,得到所述每一注塑监控数据项的第二取样信息,任一注塑监控数据项的第二取样信息包括对应注塑监控数据项对应于每一生产状态的可信度;
基于所述每一注塑监控数据项的第一取样信息和对应的第二取样信息对所述注塑监控数据集进行异常数据项识别,得到异常数据项识别结果。
根据本发明实施例的一个示例,其中,所述基于所述每一注塑监控数据项的第一取样信息和对应的第二取样信息对所述注塑监控数据集进行异常数据项识别,得到异常数据项识别结果,包括:
基于所述每一注塑监控数据项的第一取样信息,获取所述每一注塑监控数据项各自对应的目标组成类型;其中,任一注塑监控数据项对应的目标组成类型代表相应的第一取样信息中最大的可信度对应的组成类型;
基于所述每一注塑监控数据项的第二取样信息,获取所述每一注塑监控数据项各自对应的目标生产状态;其中,随机确定的注塑监控数据项对应的目标生产状态代表对应的第二取样信息中最大的可信度对应的生产状态;
通过所述每一注塑监控数据项对应的目标组成类型和对应的目标生产状态对所述注塑监控数据集进行异常数据项识别,得到异常数据项识别结果。
根据本发明实施例的一个示例,其中,所述异常数据项识别结果是基于目标算法中的异常数据项识别网络对所述注塑监控数据集进行异常数据项识别获得,所述目标算法还包括用以确定随机确定的注塑监控数据项的分布信息识别结果的第一分类算法和用以确定随机确定的注塑监控数据项的生产状态识别结果的第二分类算法;其中,所述第一分类算法是基于随机确定的注塑监控数据项的X个组成参变数序列确定对应注塑监控数据项的分布信息识别结果的,所述第二分类算法是基于随机确定的注塑监控数据项的Y个生产状态参变数序列确定对应注塑监控数据项的生产状态识别结果的;
所述方法还包括:
获取所述每一注塑监控数据项的注塑监控数据项注释,每一个注塑监控数据项注释包括基于注释对应注塑监控数据项归于每一组成类型的可信度获取到的组成注释信息,以及基于注释对应注塑监控数据项对应于每一生产状态的可信度获取到的生产状态注释信息;
基于所述每一注塑监控数据项的X个组成参变数序列和对应的组成注释信息,获取第一算法代价结果;
基于所述每一注塑监控数据项的Y个生产状态参变数序列和对应的生产状态注释信息,获取第二算法代价结果;
对所述第一算法代价结果和所述第二算法代价结果进行数值调节,并将调节结果相加以得到所述目标算法的目标算法代价结果;
通过所述目标算法代价结果训练所述目标算法的算法参数,直到达到预设停止条件。
根据本发明实施例的一个示例,其中,所述基于所述每一注塑监控数据项的X个组成参变数序列和对应的组成注释信息,获取第一算法代价结果,包括:
分别对所述每一注塑监控数据项的各个组成参变数序列中的期望和对应注塑监控数据项的组成注释信息进行相减,获得多个第一相减结果;
基于每个第一相减结果和对应组成参变数序列中的标准差平方,获取第一算法代价结果;
所述基于所述每一注塑监控数据项的Y个生产状态参变数序列和对应的生产状态注释信息,获取第二算法代价结果,包括:
分别对所述每一注塑监控数据项的各个生产状态参变数序列中的期望和对应注塑监控数据项的生产状态注释信息进行相减,获得多个第二相减结果;
基于每个第二相减结果和对应生产状态参变数序列中的标准差平方,获取第二算法代价结果;
所述方法还包括:
基于所述异常数据项识别结果的困惑系数标识结果,确定所述注塑监控数据集的数据集类别,所述数据集类别表示所述注塑监控数据集为困惑数据集或非困惑数据集;
如果所述数据集类别表示所述注塑监控数据集为困惑数据集,则将所述注塑监控数据集确定为所述目标算法的数据集训练模板,执行获取所述每一注塑监控数据项的注塑监控数据项注释的操作。
根据本发明实施例的另一方面,提供了一种监控分析***,包括监控分析设备和与所述监控分析设备连接的至少一个车间监测设备,所述监控分析设备包括:一个或多个处理器;以及一个或多个存储器,其中所述存储器中存储有计算机可读代码,所述计算机可读代码在由所述一个或多个处理器运行时,使得所述一个或多个处理器执行以上所述的方法。
本发明至少包括以下有益效果:本发明实施例提供的注塑成型车间设备监控分析方法及***,获取注塑监控数据集的每一注塑监控数据项的注塑监控数据项描述知识后,对每一注塑监控数据项的注塑监控数据项描述知识进行分布信息识别,得到每一注塑监控数据项的分布信息识别结果,每一分布信息识别结果包括对应注塑监控数据项的组成概率律和对应组成概率律的困惑系数,然后对每一注塑监控数据项的注塑监控数据项描述知识进行生产状态识别,得到每一注塑监控数据项的生产状态识别结果,每一生产状态识别结果包括对应注塑监控数据项的生产状态概率律和对应生产状态概率律的困惑系数,再通过每一注塑监控数据项的组成概率律和对应的生产状态概率律对注塑监控数据集进行异常数据项识别,获得准确的异常数据项识别结果,可以增加对注塑监控数据集进行异常数据项识别的可靠性,也就提高了异常数据项识别结果的可靠性。接着通过每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,得到异常数据项识别结果的困惑系数标识结果,以标识出异常数据项识别结果的可靠度,为通过异常数据项识别结果进行的后续分析提供更好的参考依据。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本发明的技术方案。
附图说明
通过结合附图对本发明实施例进行更详细的描述,本发明实施例的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与本发明实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为本发明实施例提供的一种监控分析设备的硬件实体示意图。
图2为本发明实施例提供的一种注塑成型车间设备监控分析方法的实现流程示意图。
图3为本发明实施例提供的监控分析装置流程示意图。
图4为本发明实施例提供的计算设备架构示意图。
图中:100-应用场景;110-监控分析设备;120-车间监测设备;300-监控分析装置;310-数据获取模块;320-知识抽取模块;330-分布识别模块;340-状态识别模块;350-异常识别模块;400-计算设备;410-总线;420-CPU;430-只读存储器(ROM);440-存储器(RAM);450-通信端口;460-输入/输出组件;470-硬盘。
具体实施方式
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,所描述的实施例仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在无需创造性劳动的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。
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和实施例对本发明的技术方案进一步详细阐述,所描述的实施例不应视为对本发明的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。
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。本文中所使用的术语只是为了描述本发明的目的,不是旨在限制本发明。
图1示出了根据本发明实施例的应用场景100的示意图,其中示意性地示出了监控分析设备110和与之通信的多个车间监测设备120。这里的监控分析设备110可以是用于进行数据处理的独立的服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、定位服务以及大数据和人工智能平台等基础云计算服务的云服务器,本发明实施例对此不作具体限制。
本发明实施例提供一种注塑成型车间设备监控分析方法,该方法可以由监控分析设备110的处理器执行。图2为本发明实施例提供的一种注塑成型车间设备监控分析方法的实现流程示意图,如图2所示,该方法包括如下操作S100至操作S500:
操作S100:获取至少一个车间监测设备上传的注塑监控数据集。
其中,注塑监控数据集包括多个注塑监控数据项,一个数据项代表一个监测数据,例如,数据项可以是按照时间周期、注塑流程节点、生产设备节点定义的,多个注塑监控数据项构成一个注塑监控数据组。车间监测设备可以是设置在注塑车间生产线的各个生产设备的检测装置,例如布设于液压***的压力传感器、含水量检测装置、密度传感器等(获得的注塑监控数据可以是液压油压力数据、含水量、金属颗粒、粘度、密度等),或者检测螺杆间隙的距离传感器或超声传感器,或者感测注塑设备电流的电流传感器、感测熔体温度的温度传感器等,具体不做限定。
操作S200:获取注塑监控数据集中的每一注塑监控数据项的注塑监控数据项描述知识。
具体地,本发明实施例提供一种异常数据项识别算法,其可以包括数据描述知识抽取网络,其为通过神经网络算法构建得到,例如卷积神经网络、深度神经网络、人工神经网络等。接收注塑监控数据集后,基于数据描述知识抽取网络对注塑监控数据集中的每一注塑监控数据项进行描述知识提取,得到每一注塑监控数据项的注塑监控数据项描述知识,注塑监控数据项描述知识为注塑监控数据项的特征信息,例如特征向量。例如数据描述知识抽取网络为Transformer,将注塑监控数据集中的每一注塑监控数据项编码后输入数据描述知识抽取网络,以输出每一注塑监控数据项的注塑监控数据项描述知识,数据描述知识抽取网络的组成可以参照Transformer的架构,例如包括聚焦网络(基于attention机制建立的注意力算子)、正则化网络、归一化网络。
操作S300:对每一注塑监控数据项的注塑监控数据项描述知识进行分布信息识别,得到每一注塑监控数据项的分布信息识别结果。
其中,每一分布信息识别结果包括对应注塑监控数据项的组成概率律和对应组成概率律的困惑系数,组成概率律代表对应注塑监控数据项归于每一组成类型的可信度的对应信息(例如分布状态),可信度可以通过概率进行表示。其中,随机确定的注塑监控数据项的组成类型代表随机确定的注塑监控数据项在对应的注塑监控数据组中的位置信息。例如通过按照注塑监控数据项的时序,为每个注塑监控数据项分配对应的编号,如启动编号、过渡编号和结尾编号,当然,编号的种类和具体实现不做限制。
另外,异常数据项识别算法还可以包括可信度获取网络,可信度获取网络包括组成识别网络和生产状态分类网络,每个网络都具有分类算法(分类算法可以是高斯混合算法或K-mean分类算法 ),组成识别网络即第一分类算法,生产状态分类网络即第二分类算法。其中,位置困惑系数大,可以是组成概率律不确定性大,对于组成识别困惑系数较大的数据集,可以再提高异常数据项识别算法的组成识别网络的能力,位置困惑系数大的数据集代表每一注塑监控数据项的组成概率律的困惑系数(组成识别的困惑系数)间的相加值大于阈值的数据集,或者每一注塑监控数据项的组成概率律的困惑系数之间的期望大于期望阈值的数据集,对于目标数据集预测困难度大的数据集,可以再次提高异常数据项识别算法中的生产状态分类网络的能力。目标数据集预测困难度大的数据集是每一注塑监控数据项的生产状态概率律的困惑系数(目标数据集预测的困惑系数或生产状态预测的困惑系数)间相加结果大于阈值的数据集,或者是每一注塑监控数据项的生产状态概率律的困惑系数之间的期望大于期望阈值的数据集。
此时,可通过第一分类算法对每一注塑监控数据项的注塑监控数据项描述知识进行分布信息识别,得到每一注塑监控数据项的分布信息识别结果。
操作400:对每一注塑监控数据项的注塑监控数据项描述知识进行生产状态识别,得到每一注塑监控数据项的生产状态识别结果。
每一生产状态识别结果包括对应注塑监控数据项的生产状态概率律和对应生产状态概率律的困惑系数,生产状态概率律代表对应注塑监控数据项对应于每一生产状态的可信度的对应信息。本发明实施例中,生产状态例如是正常生产、液压异常、螺杆限位故障等,通过第二分类算法对每一注塑监控数据项的注塑监控数据项描述知识进行生产状态识别,得到每一注塑监控数据项的生产状态识别结果,也就是说,基于第二分类算法获取每一注塑监控数据项的生产状态识别结果。
本发明实施例中,异常数据项识别算法将数据描述知识抽取网络算法和分类算法进行整合,其中数据描述知识抽取网络算法用以抽取注塑监控数据项描述知识,分类算法用以识别生产状态和对应的困惑系数。另一方面,异常数据项识别算法将组成预测与目标数据集预测进行分割,也就是基于两个算法分别获取分布信息识别结果和生产状态识别结果,可以使异常数据项识别算法能同时获取每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数。
操作500:通过每一注塑监控数据项的组成概率律和对应的生产状态概率律,对注塑监控数据集进行异常数据项识别,得到异常数据项识别结果,通过每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,得到异常数据项识别结果的困惑系数标识结果。其中,异常数据项识别结果的困惑系数标识结果的标识,可以是通过以下方式中的一种实现的:
(1)将每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数确定确定为异常数据项识别结果的困惑系数标识结果,此时,可获得每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,代表异常数据项识别结果的可靠性。
(2)将各个注塑监控数据项的组成概率律的困惑系数相加以得到异常数据项识别结果的位置困惑系数,以及将各个注塑监控数据项的生产状态概率律的困惑系数相加以得到异常数据项识别结果的数据集目标困惑系数。此时,将位置困惑系数和数据集目标困惑系数确定为异常数据项识别结果的困惑系数标识结果,此时得到异常数据项识别结果的位置困惑系数和数据集目标困惑系数,代表异常数据项识别结果的可靠性。
(3)将各个注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数相加以得到目标困惑系数,将目标困惑系数确定异常数据项识别结果的困惑系数标识结果。此时可获得目标困惑系数,代表异常数据项识别结果的可靠性。
(4)通过每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,确定异常数据项识别结果的分类信息,即异常数据项识别结果为困惑或不困惑,即确定或不确定,将分类信息确定为异常数据项识别结果的困惑系数标识结果。
此时,通过每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,确定目标困惑系数,若目标困惑系数大于阈值,则确定分类信息代表异常数据项识别结果为不确定,若目标困惑系数小于或等于阈值,则确定分类信息代表异常数据项识别结果为确定。或者,通过先确定异常数据项识别结果的位置困惑系数和数据集目标困惑系数,若位置困惑系数大于组成阈值,同时数据集目标困惑系数大于生产状态阈值,则确定分类信息代表异常数据项识别结果为不确定。获得注塑监控数据集的每一注塑监控数据项的注塑监控数据项描述知识后,对每一注塑监控数据项的注塑监控数据项描述知识进行分布信息识别,得到每一注塑监控数据项的分布信息识别结果,每一分布信息识别结果包括对应注塑监控数据项的组成概率律和对应组成概率律的困惑系数,以及对每一注塑监控数据项的注塑监控数据项描述知识进行生产状态识别,得到每一注塑监控数据项的生产状态识别结果,每一生产状态识别结果包括对应注塑监控数据项的生产状态概率律和对应生产状态概率律的困惑系数,然后通过每一注塑监控数据项的组成概率律和对应的生产状态概率律对注塑监控数据集进行异常数据项识别,得到更准确的异常数据项识别结果,使得对注塑监控数据集进行异常数据项识别的可靠性得到提升,也就是提升了异常数据项识别结果的可靠性,最后通过每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,得到异常数据项识别结果的困惑系数标识结果,以标识出异常数据项识别结果的可靠度,为通过异常数据项识别结果进行的后续分析提供更好的参考依据。
在本发明实施例的其他实施例中,提供的注塑成型车间设备监控分析方法可以包括以下操作:
操作S101:获取至少一个车间监测设备上传的注塑监控数据集。
操作S102:获取注塑监控数据集中的每一注塑监控数据项的注塑监控数据项描述知识。
操作S103:随机确定一注塑监控数据项的注塑监控数据项描述知识进行X次组成检测,得到X个组成参变数序列,每一组成参变数序列包括参变数序列调节变量、对应注塑监控数据项的组成概率律相关的概率密度函数的期望和标准差平方。
具体而言,获取第一分类算法,第一分类算法包括X个用以执行组成检测的第一分支分类算法,分别通过第一分类算法中的每个第一分支分类算法一起对随机确定的注塑监控数据项的注塑监控数据项描述知识进行组成检测,得到X个组成参变数序列。这样一来,将每一注塑监控数据项的注塑监控数据项描述知识确定为组成识别网络的输入,分别将每一注塑监控数据项的注塑监控数据项描述知识确定为每个第一分支分类算法的输入,同时,每个第一分支分类算法的具体组成可以为归一层,即全连接层,这样使每一注塑监控数据项的注塑监控数据项描述知识通过归一层获取各组成参变数序列。
对于注塑监控数据集中的第p个注塑监控数据项,通过第X个第一分支分类算法对第p个注塑监控数据项的注塑监控数据项描述知识进行组成检测,得到第p个注塑监控数据项的第X个组成参变数序列,也就是第一分类算法在第p个注塑监控数据项的第X个成分的参变数序列(Wp x,Ep x,Sp x),分别是第X个组成参变数序列中的参变数序列调节变量Wp x、对应注塑监控数据项的组成概率律相关的概率密度函数的期望Ep x和标准差平方Sp x,三个参变数分别对应第一分类算法在第p个注塑监控数据项第X个分量的参变数序列调节变量Wp x、概率密度函数期望Ep x和标准差平方Sp x。
操作104:基于X个组成参变数序列中的各个组成参变数序列中的期望和标准差平方,分别建立各个组成参变数序列对应的概率密度函数。
其中,组成参变数序列对应的概率密度函数为正态分布函数F(Ep x,Sp x)。
操作105:基于各个组成参变数序列中的参变数序列调节变量对相应的概率密度函数进行结果调节然后相加,得到随机确定的注塑监控数据项的组成概率律,并基于各个组成参变数序列中的参变数序列调节变量对各个组成参变数序列中的标准差平方进行结果调节然后相加,得到对应组成概率律的困惑系数。
如果随机确定的注塑监控数据项为注塑监控数据集中的第p个注塑监控数据项,在针对注塑监控数据集中的第p个注塑监控数据项进行的组成概率律Q确定公式为:
Q=∑pWpxF(Epx,Spx)。
式中:概率律-Q;
正态分布函数-F(Epx,Spx);
参变数序列调节变量-Wpx;
概率密度函数的期望-Epx;
标准差平方-Spx;
对注塑监控数据集中的第p个注塑监控数据项进行组成概率律的困惑系数T确定公式为: T=∑pWpxSpx。
式中:困惑系数-T;
参变数序列调节变量-Wpx;
概率密度函数的期望-Epx;
操作106:随机确定一注塑监控数据项的注塑监控数据项描述知识进行Y次生产状态检测,得到Y个生产状态参变数序列。
每一生产状态参变数序列包括参变数序列调节变量、对应注塑监控数据项的生产状态概率律相关的概率密度函数的期望和标准差平方。
通过获取第二分类算法,第二分类算法包括Y个用以执行生产状态检测的第二分支分类算法,那么可分别通过第二分类算法中的每个第二分支分类算法同时随机确定一注塑监控数据项的注塑监控数据项描述知识进行生产状态检测,得到Y个生产状态参变数序列。此时,将每一注塑监控数据项的注塑监控数据项描述知识确定为生产状态分类网络的载入数据,即各自将每一注塑监控数据项的注塑监控数据项描述知识确定为每个第二分支分类算法的输入,第二分支分类算法可以为归一层,使每一注塑监控数据项的注塑监控数据项描述知识通过归一映射获取各个生产状态参变数序列。
对于注塑监控数据集中的第p个注塑监控数据项,通过第Y个第二分支分类算法对第p个注塑监控数据项的注塑监控数据项描述知识进行生产状态检测,得到第p个注塑监控数据项的第Y个生产状态参变数序列,即第二分类算法在第p个注塑监控数据项下的第Y个成分的参变数序列(Wpy,Epy,Spy),该三个参变数分别对应第Y个生产状态参变数序列中的参变数序列调节变量Wpy、对应注塑监控数据项的生产状态概率律相关的概率密度函数的期望Epy和标准差平方Spy,三个参变数各自对应第二分类算法在第p个注塑监控数据项下的第Y个分量的参变数序列调节变量、概率密度函数期望和标准差平方。
操作107:基于Y个生产状态参变数序列中的各个生产状态参变数序列中的期望和标准差平方,分别建立各个生产状态参变数序列对应的概率密度函数。 第X个组成参变数序列对应的概率密度函数为正态分布函数F(Epy,Spy)。
操作108:基于各个生产状态参变数序列中的参变数序列调节变量对相应的概率密度函数进行结果调节然后相加,得到随机确定的注塑监控数据项的生产状态概率律,并基于各个生产状态参变数序列中的参变数序列调节变量对各个生产状态参变数序列中的标准差平方进行结果调节然后相加,得到对应生产状态概率律的困惑系数。
如果随机确定的注塑监控数据项为注塑监控数据集中的第p个注塑监控数据项,对注塑监控数据集中的第p个注塑监控数据项,对第p个注塑监控数据项的生产状态概率律K的获取公式为:K=∑pWpyF(Epy,Spy)。
式中:生产状态概率律-K;
正态分布函数-F(Epy,Spy);
参变数序列调节变量-Wpy;
概率密度函数的期望-Epy;
标准差平方-Spy;
对注塑监控数据集中的第p个注塑监控数据项进行生产状态概率律的困惑系数H获取公式为:H=∑pWpyFSpy。
式中:困惑系数-H;
正态分布函数-F;
参变数序列调节变量-Wpy;
标准差平方-Spy;
操作109:通过每一注塑监控数据项的组成概率律和对应的生产状态概率律,对注塑监控数据集进行异常数据项识别,得到异常数据项识别结果,通过每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,得到异常数据项识别结果的困惑系数标识结果。
具体而言,通过每一注塑监控数据项的组成概率律和对应的生产状态概率律对注塑监控数据集进行异常数据项识别,得到异常数据项识别结果时可以先对每一注塑监控数据项的组成概率律进行取样,得到每一注塑监控数据项的第一取样信息,随机确定的注塑监控数据项的第一取样信息包括对应注塑监控数据项归于每一组成类型的可信度,对每一注塑监控数据项的生产状态概率律进行取样,得到每一注塑监控数据项的第二取样信息,随机确定的注塑监控数据项的第二取样信息包括对应注塑监控数据项对应于每一生产状态的可信度,并基于每一注塑监控数据项的第一取样信息和对应的第二取样信息对注塑监控数据集进行异常数据项识别,得到异常数据项识别结果。在基于每一注塑监控数据项的第一取样信息和对应的第二取样信息对注塑监控数据集进行异常数据项识别,得到异常数据项识别结果时,可基于每一注塑监控数据项的第一取样信息,获取每一注塑监控数据项各自对应的目标组成类型,随机确定的注塑监控数据项对应的目标组成类型表示相应第一取样信息中最大可信度对应的组成类型,以及基于每一注塑监控数据项的第二取样信息,获取每一注塑监控数据项各自对应的目标生产状态,随机确定的注塑监控数据项对应的目标生产状态表示相应第二取样信息中最大可信度对应的生产状态,再通过每一注塑监控数据项对应的目标组成类型和对应的目标生产状态对注塑监控数据集进行异常数据项识别,得到异常数据项识别结果。
举例来说,若随机确定的注塑监控数据项对应的目标组成类型,从组成类型1、组成类型2和组成类型3中确定随机确定的注塑监控数据项的目标组成类型,则随机确定的注塑监控数据项的第一取样信息代表随机确定的注塑监控数据项为组成类型1的可信度、随机确定的注塑监控数据项为组成类型2的可信度和随机确定的注塑监控数据项为组成类型3的可信度,若随机确定的注塑监控数据项的第一取样信息中最的可信度为随机确定的注塑监控数据项为组成类型1的可信度,则确定随机确定的注塑监控数据项对应的目标组成类型为组成类型1。
本发明实施例中,在通过每一注塑监控数据项对应的目标组成类型和对应的目标生产状态对注塑监控数据集进行异常数据项识别以获得异常数据项识别结果的过程中,基于每一注塑监控数据项对应的目标组成类型对注塑监控数据集进行数据集目划分,在注塑监控数据集中识别出至少一个数据集数据项,相应的基于每一注塑监控数据项的生产状态,确定识别得到的各个数据集目标的生产状态,以获得异常数据项识别结果。
另外的实施方案中,基于每一注塑监控数据项的第一取样信息和对应的第二取样信息对注塑监控数据集进行异常数据项识别,得到异常数据项识别结果的过程中可获取异常数据项识别网络,将每一注塑监控数据项的第一取样信息和对应的第二取样信息输入异常数据项识别网络,对注塑监控数据集的异常数据项识别,得到异常数据项识别结果。可选地,基于每一注塑监控数据项的第一取样信息和对应的第二取样信息对注塑监控数据集进行异常数据项识别,得到异常数据项识别结果的过程中可先基于每一注塑监控数据项的第一取样信息,获取每一注塑监控数据项各自对应的目标组成类型,以及基于每一注塑监控数据项对应的目标组成类型对注塑监控数据集进行数据集划分以获得至少一个数据集目标,然后基于至少一个数据集目标中的每个注塑监控数据项的第二取样信息,分别确定每个注塑监控数据项对应的目标生产状态,通过每个注塑监控数据项对应的目标生产状态确定各数据集目标的生产状态,获取异常数据项识别结果。
本发明实施例中,异常数据项识别结果例如是基于目标算法中的异常数据项识别网络对注塑监控数据集进行异常数据项识别获得,目标算法还包括用以确定随机确定的注塑监控数据项的分布信息识别结果的第一分类算法和用以确定随机确定的注塑监控数据项的生产状态识别结果的第二分类算法。第一分类算法是基于随机确定的注塑监控数据项的X个组成参变数序列确定对应注塑监控数据项的分布信息识别结果的,第二分类算法是基于随机确定的注塑监控数据项的Y个生产状态参变数序列确定对应注塑监控数据项的生产状态识别结果的。此时,还可获取每一注塑监控数据项的注塑监控数据项注释,每一个注塑监控数据项注释包括基于注释对应注塑监控数据项归于每一组成类型的可信度获取到的组成注释信息和基于注释对应注塑监控数据项对应于每一生产状态的可信度获取到的生产状态注释信息,此时,可基于每一注塑监控数据项的X个组成参变数序列和对应的组成注释信息,获取第一算法代价结果,基于每一注塑监控数据项的Y个生产状态参变数序列和对应的生产状态注释信息,获取第二算法代价结果。进一步地,可对第一算法代价结果和第二算法代价结果进行数值调节,例如乘以对应的调节权重,再将调节结果相加以得到目标算法的目标算法代价结果,通过目标算法代价结果训练目标算法的算法参数,直到达到预设停止条件,例如算法收敛。
在基于每一注塑监控数据项的X个组成参变数序列和对应的组成注释信息,获取第一算法代价结果的过程可分别对每一注塑监控数据项的各个组成参变数序列中的期望和对应注塑监控数据项的组成注释信息进行相减,获得多个第一相减结果,同时基于每个第一相减结果和对应组成参变数序列中的标准差平方,获取第一算法代价结果。随机确定的注塑监控数据项对应的第一相减结果的数目和随机确定的注塑监控数据项的组成参变数序列的数目相同,第一相减结果与组成参变数序列是一一映射的,即基于一个组成参变数序列可确定一第一相减结果。
在基于每一注塑监控数据项的Y个生产状态参变数序列和对应的生产状态注释信息,获取第二算法代价结果时,分别对每一注塑监控数据项的各个生产状态参变数序列中的期望和对应注塑监控数据项的生产状态注释信息进行相减,获得多个第二相减结果,以及基于每个第二相减结果和对应生产状态参变数序列中的标准差平方,获取第二算法代价结果。随机确定的注塑监控数据项对应的第二相减结果的数目和随机确定的注塑监控数据项的生产状态参变数序列相同,第二相减结果与生产状态参变数序列一一映射,即基于一个生产状态参变数序列可确定对应的一个第二相减结果。
一个实施方案中,可基于异常数据项识别结果的困惑系数标识结果确定注塑监控数据集的数据集类别,数据集类别代表注塑监控数据集为困惑数据集或非困惑数据集。如果数据集类别代表注塑监控数据集为困惑数据集,将注塑监控数据集确定为目标算法的数据集训练模板,再跳转至获取每一注塑监控数据项的注塑监控数据项注释的操作,也就是说如果数据集类别代表注塑监控数据集为困惑数据集,就基于注塑监控数据集对目标算法进行训练。此时,将困惑数据集识别为训练模板,基于训练模板对目标算法进行训练,不用额外的标记工作。注塑监控数据集的数据集类别的获取例如是基于以下几种方式中的一种:
(A)异常数据项识别结果的困惑系数标识结果为每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,因此可在注塑监控数据集中确定出组成概率律的困惑系数大于注塑监控数据项组成阈值的第一注塑监控数据项数目和在注塑监控数据集中确定生产状态概率律的困惑系数大于注塑监控数据项数据集目标阈值的第二注塑监控数据项数目。在第一注塑监控数据项数目和注塑监控数据集包括的注塑监控数据项的数目的商大于第一数值,且第二注塑监控数据项数目和注塑监控数据集包括的注塑监控数据项的数目的比例计算结果大于第二数值时,确定数据集类别代表注塑监控数据集为困惑数据集,在第一注塑监控数据项数目和注塑监控数据集包括的注塑监控数据项的数目的比例计算结果不大于第一数值,或第二注塑监控数据项数目和注塑监控数据集包括的注塑监控数据项的数目的商不大于第二数值时,确定数据集类别代表注塑监控数据集为非困惑数据集。其他方式中,还可以将第一注塑监控数据项数目和第二注塑监控数据项相加以获得目标注塑监控数据项数目,在目标注塑监控数据项数目和注塑监控数据集包括的注塑监控数据项的商大于第三数值时,确定数据集类别代表注塑监控数据集为困惑数据集。
(B)异常数据项识别结果的困惑系数标识结果为异常数据项识别结果的位置困惑系数和数据集目标困惑系数,或异常数据项识别结果的困惑系数标识结果为每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,且通过每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,确定异常数据项识别结果的位置困惑系数和数据集目标困惑系数,则通过异常数据项识别结果的位置困惑系数和数据集目标困惑系数,确定注塑监控数据集的数据集类别。
(C)异常数据项识别结果的困惑系数标识结果为目标困惑系数,或异常数据项识别结果的困惑系数标识结果为每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,且通过每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,确定得到目标困惑系数,则通过目标困惑系数确定注塑监控数据集的数据集类别。譬如,若目标困惑系数大于困惑系数预设值,确定数据集类别表示注塑监控数据集为困惑数据集,若目标困惑系数不大于困惑系数预设值,确定数据集类别代表注塑监控数据集为非困惑数据集。
(D)异常数据项识别结果的困惑系数标识结果为异常数据项识别结果的分类信息,或异常数据项识别结果的困惑系数标识结果为每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,且通过每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,确定出异常数据项识别结果的分类信息,可通过异常数据项识别结果的分类信息确定注塑监控数据集的数据集类别。比如若分类信息代表异常数据项识别结果为不确定的,则确定数据集类别代表注塑监控数据集为困惑数据集,若分类信息代表异常数据项识别结果为确定的,则确定数据集类别代表注塑监控数据集为非困惑数据集。
另外,还可以基于第一算法代价结果对目标算法中的第一分类算法进行训练,也即通过第一算法代价结果训练目标算法中的第一分类算法,还可基于第二算法代价结果对目标算法中的第二分类算法进行训练,也即通过第一算法代价结果训练目标算法中的第二分类算法。
本发明实施例提供的注塑成型车间设备监控分析方法中,获取注塑监控数据集中的每一注塑监控数据项的注塑监控数据项描述知识后,随机确定一注塑监控数据项的注塑监控数据项描述知识进行X次组成检测,得到X个组成参变数序列,基于随机确定的注塑监控数据项的X个组成参变数序列,确定对应注塑监控数据项的组成概率律和组成概率律的困惑系数,随机确定一注塑监控数据项的注塑监控数据项描述知识进行Y次生产状态检测,得到Y个生产状态参变数序列,以及基于随机确定的注塑监控数据项的Y个生产状态参变数序列,确定对应注塑监控数据项的生产状态概率律和生产状态概率律的困惑系数,接着可通过每一注塑监控数据项的组成概率律和对应的生产状态概率律,对注塑监控数据集进行异常数据项识别,得到可靠性较高的异常数据项识别结果,对注塑监控数据集进行异常数据项识别的可靠性得到提升,通过每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,得到异常数据项识别结果的困惑系数标识结果,进一步获取异常数据项识别结果的可信度。上述过程通过分别获取每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,为异常数据项识别结果生成更多标识信息,帮助依据异常数据项识别结果进行的分析中提供更多的参考依据,进一步地,上述过程中单单依据一个目标算法获取异常数据项识别结果的困惑系数标识结果,对于数据的处理消耗得到缓解。
下面参照图3描述根据本发明实施例的监控分析装置。图3示出了根据本发明实施例的监控分析装置300的结构示意图。如图3所示,监控分析装置300可以包括:
数据获取模块310,用于获取所述至少一个车间监测设备上传的注塑监控数据集,所述注塑监控数据集包括多个注塑监控数据项;
知识抽取模块320,用于获取所述注塑监控数据集中的每一注塑监控数据项的注塑监控数据项描述知识;
分布识别模块330,用于对所述每一注塑监控数据项的注塑监控数据项描述知识进行分布信息识别,得到所述每一注塑监控数据项的分布信息识别结果;其中,每一所述分布信息识别结果包括对应注塑监控数据项的组成概率律和对应组成概率律的困惑系数,所述组成概率律代表对应注塑监控数据项归于每一组成类型的可信度的对应信息;
状态识别模块340,用于对所述每一注塑监控数据项的注塑监控数据项描述知识进行生产状态识别,得到所述每一注塑监控数据项的生产状态识别结果;其中,每一所述生产状态识别结果包括对应注塑监控数据项的生产状态概率律和对应生产状态概率律的困惑系数,所述生产状态概率律代表对应注塑监控数据项对应于每一生产状态的可信度的对应信息;
异常识别模块350,用于通过所述每一注塑监控数据项的组成概率律和对应的生产状态概率律,对所述注塑监控数据集进行异常数据项识别,得到异常数据项识别结果;并通过所述每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,得到所述异常数据项识别结果的困惑系数标识结果。
由于监控分析装置300的功能与上文参照图2描述的注塑成型车间设备监控分析方法的步骤的细节类似,因此为了简单起见,这里省略对部分内容的重复描述。
此外,根据本发明实施例的设备(例如,监控分析设备)也可以借助于图4所示的示例性计算设备的架构来实现。图4示出了根据本发明实施例的示例性计算设备的架构的示意图。如图4所示,计算设备400可以包括总线410、一个或多个CPU420、只读存储器(ROM)430、随机存取存储器(RAM)440、连接到网络的通信端口450、输入/输出组件460、硬盘470等。计算设备400中的存储设备,例如ROM 430或硬盘470可以存储计算机处理和/或通信使用的各种数据或文件以及CPU所执行的程序指令。当然,图4所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图4示出的计算设备中的一个或多个组件。根据本发明实施例的设备可以被配置为执行根据本发明上述各个实施例的推荐信息处理方法以及推荐信息排序方法,或者用于实现根据本发明上述各个实施例的推荐信息处理装置和推荐信息排序装置。
本发明的实施例也可以被实现为计算机可读存储介质。根据本发明实施例的计算机可读存储介质上存储有计算机可读指令。当计算机可读指令由处理器运行时,可以执行参照以上附图描述的根据本发明实施例的推荐信息处理方法以及推荐信息排序方法。计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
根据本发明的实施例,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或者计算机程序包括计算机可读指令,该计算机可读指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机可读指令,处理器执行该计算机可读指令,使得该计算机设备执行上述各个实施例中描述的推荐信息处理方法以及推荐信息排序方法。
Claims (8)
1.一种注塑成型车间设备监控分析方法,其特征在于,应用于监控分析设备,所述监控分析设备与至少一个车间监测设备连接,所述方法包括:
获取所述至少一个车间监测设备上传的注塑监控数据集,所述注塑监控数据集包括多个注塑监控数据项;
获取所述注塑监控数据集中的每一注塑监控数据项的注塑监控数据项描述知识;
对所述每一注塑监控数据项的注塑监控数据项描述知识进行分布信息识别,得到所述每一注塑监控数据项的分布信息识别结果;其中,每一所述分布信息识别结果包括对应注塑监控数据项的组成概率律和对应组成概率律的困惑系数,所述组成概率律代表对应注塑监控数据项归于每一组成类型的可信度的对应信息;
对所述每一注塑监控数据项的注塑监控数据项描述知识进行生产状态识别,得到所述每一注塑监控数据项的生产状态识别结果;其中,每一所述生产状态识别结果包括对应注塑监控数据项的生产状态概率律和对应生产状态概率律的困惑系数,所述生产状态概率律代表对应注塑监控数据项对应于每一生产状态的可信度的对应信息;
通过所述每一注塑监控数据项的组成概率律和对应的生产状态概率律,对所述注塑监控数据集进行异常数据项识别,得到异常数据项识别结果;
通过所述每一注塑监控数据项的组成概率律的困惑系数和对应的生产状态概率律的困惑系数,得到所述异常数据项识别结果的困惑系数标识结果;
其中,所述对所述每一注塑监控数据项的注塑监控数据项描述知识进行分布信息识别,得到所述每一注塑监控数据项的分布信息识别结果,包括:
随机确定一注塑监控数据项的注塑监控数据项描述知识,并进行X次组成检测,得到X个组成参变数序列,每一所述组成参变数序列包括参变数序列调节变量、对应注塑监控数据项的组成概率律相关的概率密度函数的期望和标准差平方;
基于所述X个组成参变数序列中的各个组成参变数序列中的期望和标准差平方,分别建立所述各个组成参变数序列对应的概率密度函数;
基于所述各个组成参变数序列中的参变数序列调节变量对相应的概率密度函数进行结果调节然后相加,得到随机确定的所述注塑监控数据项的组成概率律;
基于所述各个组成参变数序列中的参变数序列调节变量对所述各个组成参变数序列中的标准差平方进行结果调节然后相加,得到对应组成概率律的困惑系数;
其中,所述对所述每一注塑监控数据项的注塑监控数据项描述知识进行生产状态识别,得到所述每一注塑监控数据项的生产状态识别结果,包括:
随机确定一注塑监控数据项的注塑监控数据项描述知识,并进行Y次生产状态检测,得到Y个生产状态参变数序列;每一所述生产状态参变数序列包括参变数序列调节变量、对应注塑监控数据项的生产状态概率律相关的概率密度函数的期望和标准差平方;
基于所述Y个生产状态参变数序列中的各个生产状态参变数序列中的期望和标准差平方,分别建立所述各个生产状态参变数序列对应的概率密度函数;
基于所述各个生产状态参变数序列中的参变数序列调节变量对相应的概率密度函数进行结果调节然后相加,得到所述随机确定的注塑监控数据项的生产状态概率律;
基于所述各个生产状态参变数序列中的参变数序列调节变量对所述各个生产状态参变数序列中的标准差平方进行结果调节然后相加,得到对应生产状态概率律的困惑系数。
2.根据权利要求1所述的方法,其特征在于,所述随机确定一注塑监控数据项的注塑监控数据项描述知识,并进行X次组成检测,得到X个组成参变数序列,包括:
获取第一分类算法,所述第一分类算法包括X个用以执行组成检测的第一分支分类算法;
分别通过所述第一分类算法中的每个第一分支分类算法一起对所述随机确定的注塑监控数据项的注塑监控数据项描述知识进行组成检测,得到X个组成参变数序列。
3.根据权利要求1所述的方法,其特征在于,所述随机确定一注塑监控数据项的注塑监控数据项描述知识,并进行Y次生产状态检测,得到Y个生产状态参变数序列,包括:
获取第二分类算法,所述第二分类算法包括Y个用以执行生产状态检测的第二分支分类算法;
分别通过所述第二分类算法中的每个第二分支分类算法一起对所述随机确定的注塑监控数据项的注塑监控数据项描述知识进行生产状态检测,得到Y个生产状态参变数序列。
4.根据权利要求3所述的方法,其特征在于,所述通过所述每一注塑监控数据项的组成概率律和对应的生产状态概率律,对所述注塑监控数据集进行异常数据项识别,得到异常数据项识别结果,包括:
对所述每一注塑监控数据项的组成概率律进行取样,得到所述每一注塑监控数据项的第一取样信息,任一注塑监控数据项的第一取样信息包括对应注塑监控数据项归于每一组成类型的可信度;
对所述每一注塑监控数据项的生产状态概率律进行取样,得到所述每一注塑监控数据项的第二取样信息,任一注塑监控数据项的第二取样信息包括对应注塑监控数据项对应于每一生产状态的可信度;
基于所述每一注塑监控数据项的第一取样信息和对应的第二取样信息对所述注塑监控数据集进行异常数据项识别,得到异常数据项识别结果。
5.根据权利要求4所述的方法,其特征在于,所述基于所述每一注塑监控数据项的第一取样信息和对应的第二取样信息对所述注塑监控数据集进行异常数据项识别,得到异常数据项识别结果,包括:
基于所述每一注塑监控数据项的第一取样信息,获取所述每一注塑监控数据项各自对应的目标组成类型;其中,任一注塑监控数据项对应的目标组成类型代表相应的第一取样信息中最大的可信度对应的组成类型;
基于所述每一注塑监控数据项的第二取样信息,获取所述每一注塑监控数据项各自对应的目标生产状态;其中,随机确定的注塑监控数据项对应的目标生产状态代表对应的第二取样信息中最大的可信度对应的生产状态;
通过所述每一注塑监控数据项对应的目标组成类型和对应的目标生产状态对所述注塑监控数据集进行异常数据项识别,得到异常数据项识别结果。
6.根据权利要求3所述的方法,其特征在于,所述异常数据项识别结果是基于目标算法中的异常数据项识别网络对所述注塑监控数据集进行异常数据项识别获得,所述目标算法还包括用以确定随机确定的注塑监控数据项的分布信息识别结果的第一分类算法和用以确定随机确定的注塑监控数据项的生产状态识别结果的第二分类算法;其中,所述第一分类算法是基于随机确定的注塑监控数据项的X个组成参变数序列确定对应注塑监控数据项的分布信息识别结果的,所述第二分类算法是基于随机确定的注塑监控数据项的Y个生产状态参变数序列确定对应注塑监控数据项的生产状态识别结果的;
所述方法还包括:
获取所述每一注塑监控数据项的注塑监控数据项注释,每一个注塑监控数据项注释包括基于注释对应注塑监控数据项归于每一组成类型的可信度获取到的组成注释信息,以及基于注释对应注塑监控数据项对应于每一生产状态的可信度获取到的生产状态注释信息;
基于所述每一注塑监控数据项的X个组成参变数序列和对应的组成注释信息,获取第一算法代价结果;
基于所述每一注塑监控数据项的Y个生产状态参变数序列和对应的生产状态注释信息,获取第二算法代价结果;
对所述第一算法代价结果和所述第二算法代价结果进行数值调节,并将调节结果相加以得到所述目标算法的目标算法代价结果;
通过所述目标算法代价结果训练所述目标算法的算法参数,直到达到预设停止条件。
7.根据权利要求6所述的方法,其特征在于,所述基于所述每一注塑监控数据项的X个组成参变数序列和对应的组成注释信息,获取第一算法代价结果,包括:
分别对所述每一注塑监控数据项的各个组成参变数序列中的期望和对应注塑监控数据项的组成注释信息进行相减,获得多个第一相减结果;
基于每个第一相减结果和对应组成参变数序列中的标准差平方,获取第一算法代价结果;
所述基于所述每一注塑监控数据项的Y个生产状态参变数序列和对应的生产状态注释信息,获取第二算法代价结果,包括:
分别对所述每一注塑监控数据项的各个生产状态参变数序列中的期望和对应注塑监控数据项的生产状态注释信息进行相减,获得多个第二相减结果;
基于每个第二相减结果和对应生产状态参变数序列中的标准差平方,获取第二算法代价结果;
所述方法还包括:
基于所述异常数据项识别结果的困惑系数标识结果,确定所述注塑监控数据集的数据集类别,所述数据集类别表示所述注塑监控数据集为困惑数据集或非困惑数据集;
如果所述数据集类别表示所述注塑监控数据集为困惑数据集,则将所述注塑监控数据集确定为所述目标算法的数据集训练模板,执行获取所述每一注塑监控数据项的注塑监控数据项注释的操作。
8.一种监控分析***,其特征在于,包括监控分析设备和与所述监控分析设备连接的至少一个车间监测设备,所述监控分析设备包括:
一个或多个处理器;
以及一个或多个存储器,其中所述存储器中存储有计算机可读代码,所述计算机可读代码在由所述一个或多个处理器运行时,使得所述一个或多个处理器执行如权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404510.4A CN116127399B (zh) | 2023-04-17 | 2023-04-17 | 一种注塑成型车间设备监控分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404510.4A CN116127399B (zh) | 2023-04-17 | 2023-04-17 | 一种注塑成型车间设备监控分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116127399A CN116127399A (zh) | 2023-05-16 |
CN116127399B true CN116127399B (zh) | 2023-06-20 |
Family
ID=86308516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310404510.4A Active CN116127399B (zh) | 2023-04-17 | 2023-04-17 | 一种注塑成型车间设备监控分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127399B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574587A (zh) * | 2016-01-21 | 2016-05-11 | 华中科技大学 | 一种塑料注塑过程的在线工况过程监控方法 |
CN115309604A (zh) * | 2022-06-30 | 2022-11-08 | 海天塑机集团有限公司 | 一种用于注塑机的变量监控***与方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3022997B1 (fr) * | 2014-06-25 | 2016-06-10 | Snecma | Procede de surveillance d'une degradation d'un dispositif embarque d'un aeronef incluant la determination d'un seuil de comptage |
CN115545367A (zh) * | 2021-06-29 | 2022-12-30 | 深圳富桂精密工业有限公司 | 注塑成型过程的异常监控方法、电子设备及存储介质 |
KR102379259B1 (ko) * | 2021-08-18 | 2022-03-28 | (주)사이버테크프랜드 | AIoT 기반 사출제조 설비의 통합관리 시스템 및 그 운용방법 |
CN115358297A (zh) * | 2022-07-27 | 2022-11-18 | 广东工业大学 | 一种基于改进mkeca方法的注塑机异常检测方法及*** |
-
2023
- 2023-04-17 CN CN202310404510.4A patent/CN116127399B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574587A (zh) * | 2016-01-21 | 2016-05-11 | 华中科技大学 | 一种塑料注塑过程的在线工况过程监控方法 |
CN115309604A (zh) * | 2022-06-30 | 2022-11-08 | 海天塑机集团有限公司 | 一种用于注塑机的变量监控***与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116127399A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maya et al. | dLSTM: a new approach for anomaly detection using deep learning with delayed prediction | |
CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
CN112259247B (zh) | 对抗网络训练、医疗数据补充方法、装置、设备及介质 | |
CN111028100A (zh) | 考虑气象因素的精细化短期负荷预测方法、装置及介质 | |
CN111127364A (zh) | 图像数据增强策略选择方法及人脸识别图像数据增强方法 | |
CN109521725A (zh) | 检测异常数据的方法、装置和设备以及机器可读介质 | |
CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
CN115484112B (zh) | 支付大数据安全防护方法、***及云平台 | |
CN111695730A (zh) | 基于arima及rnn的立磨振动预测方法及装置 | |
CN115576293A (zh) | 基于数据监控的压敏胶在线生产分析方法及*** | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN116127399B (zh) | 一种注塑成型车间设备监控分析方法及*** | |
JP2021168131A (ja) | 画像における対象体を識別する分類器を決定する装置および画像における対象体を識別する装置および対応する方法 | |
US9864834B2 (en) | High-resolution melt curve classification using neural networks | |
Cateni et al. | Improving the stability of Sequential Forward variables selection | |
CN112363465A (zh) | 一种专家规则集训练方法、训练器和工业设备预警*** | |
CN112241832A (zh) | 一种产品质量分级评价标准设计方法及*** | |
CN115858838A (zh) | 基于深度学习的质谱图搜索匹配方法、装置和存储介质 | |
CN116451081A (zh) | 数据漂移的检测方法、装置、终端及存储介质 | |
CN113597622A (zh) | 可靠性评价装置及可靠性评价方法 | |
CN113392086B (zh) | 基于物联网的医疗数据库构建方法、装置及设备 | |
Castanys et al. | Identification of Raman spectra through a case‐based reasoning system: application to artistic pigments | |
CN111160464B (zh) | 基于多隐层加权动态模型的工业高阶动态过程软测量方法 | |
CN109582482A (zh) | 用于检测离散型生产设备的异常的方法及装置 | |
CN111882046A (zh) | 多媒体数据的识别方法、装置、设备及计算机存储介质 |
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 |