CN117113119A - 应用于绞股蓝制备场景下的设备关联关系分析方法及*** - Google Patents
应用于绞股蓝制备场景下的设备关联关系分析方法及*** Download PDFInfo
- Publication number
- CN117113119A CN117113119A CN202311378987.6A CN202311378987A CN117113119A CN 117113119 A CN117113119 A CN 117113119A CN 202311378987 A CN202311378987 A CN 202311378987A CN 117113119 A CN117113119 A CN 117113119A
- Authority
- CN
- China
- Prior art keywords
- data
- preparation
- matrix
- equipment
- association
- 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.)
- Granted
Links
- 238000002360 preparation method Methods 0.000 title claims abstract description 381
- 235000002956 Gynostemma pentaphyllum Nutrition 0.000 title claims abstract description 93
- 238000004458 analytical method Methods 0.000 title claims abstract description 33
- 240000006509 Gynostemma pentaphyllum Species 0.000 title 1
- 239000003814 drug Substances 0.000 claims abstract description 194
- 241001065361 Gynostemma Species 0.000 claims abstract description 92
- 229940079593 drug Drugs 0.000 claims abstract description 41
- 238000012098 association analyses Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims description 164
- 239000013598 vector Substances 0.000 claims description 82
- 238000004140 cleaning Methods 0.000 claims description 55
- 238000012097 association analysis method Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 29
- 238000003860 storage Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012886 linear function Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- JXLYSJRDGCGARV-WWYNWVTFSA-N Vinblastine Natural products O=C(O[C@H]1[C@](O)(C(=O)OC)[C@@H]2N(C)c3c(cc(c(OC)c3)[C@]3(C(=O)OC)c4[nH]c5c(c4CCN4C[C@](O)(CC)C[C@H](C3)C4)cccc5)[C@@]32[C@H]2[C@@]1(CC)C=CCN2CC3)C JXLYSJRDGCGARV-WWYNWVTFSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 229960003048 vinblastine Drugs 0.000 description 2
- JXLYSJRDGCGARV-XQKSVPLYSA-N vincaleukoblastine Chemical group C([C@@H](C[C@]1(C(=O)OC)C=2C(=CC3=C([C@]45[C@H]([C@@]([C@H](OC(C)=O)[C@]6(CC)C=CCN([C@H]56)CC4)(O)C(=O)OC)N3C)C=2)OC)C[C@@](C2)(O)CC)N2CCC2=C1NC1=CC=CC=C21 JXLYSJRDGCGARV-XQKSVPLYSA-N 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 241000219104 Cucurbitaceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010025323 Lymphomas Diseases 0.000 description 1
- 230000000259 anti-tumor effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001256 tonic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/50—Molecular design, e.g. of drugs
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Pharmacology & Pharmacy (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Medicinal Chemistry (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
Abstract
本发明涉及药物制备技术领域,揭露了一种应用于绞股蓝制备场景下的设备关联关系分析方法及***,包括:查询药物制备流程对应的制备要求,计算药物制备设备在制备流程中的功能关联系数;调度绞股蓝药物对应的历史制备数据,对历史制备数据进行数据聚类处理,得到聚类制备数据,提取聚类制备数据对应的主元特征,得到数据主元特征,计算药物制备设备对应的设备贡献度,确定药物制备设备之间的贡献度关联性;提取药物制备设备对应的设备参数,分析药物制备设备之间的运行关联性;对药物制备设备进行关联性分析,得到关联分析结果,确定药物制备设备对应的制备序列。本发明在于提高绞股蓝制备场景下的设备关联关系分析的准确性。
Description
技术领域
本发明涉及药物制备技术领域,尤其涉及一种应用于绞股蓝制备场景下的设备关联关系分析方法及***。
背景技术
绞股蓝药物指的是从绞股蓝植物中提取或合成出来的药物,主要成分是长春碱,长春碱则是一种抗肿瘤药物,常用于治疗某些恶性肿瘤,如淋巴瘤和白血病,因此对于绞股蓝的制备效率把控非常严格,为了提高绞股蓝药物的制备效率,需要对绞股蓝制备中的设备进行关联性分析,从而提高绞股蓝的生产效率。
现有的绞股蓝制备的设备关联关系分析方法主要是采用变量统计分析方法,结合绞股蓝制备的流程分析设备关联性的方法,即将一组相关的设备指标转换为少数几个的主成分,通过变量统计分析方法,确定设备指标之间的主要关联模式,并减少数据的维度,从而更好地理解设备之间的关联关系,但是该方法只是考虑设备本体之间的指标参数,从而导致设备关联性分析不准确,从而使得绞股蓝制备的制备效率得不到明显提高,因此需要一种能够提高绞股蓝制备场景下的设备关联关系分析准确性的方法。
发明内容
本发明提供一种应用于绞股蓝制备场景下的设备关联关系分析方法及***,其主要目的在于提高绞股蓝制备场景下的设备关联关系分析的准确性。
为实现上述目的,本发明提供的一种应用于绞股蓝制备场景下的设备关联关系分析方法,包括:
获取绞股蓝药物制备场景下的药物制备流程,根据所述药物制备流程,调度绞股蓝制备场景下的药物制备设备,查询所述药物制备流程对应的制备要求,根据所述制备要求,计算所述药物制备设备在制备流程中的功能关联系数;
调度所述绞股蓝药物对应的历史制备数据,对所述历史制备数据进行数据聚类处理,得到聚类制备数据,提取所述聚类制备数据对应的主元特征,得到数据主元特征,根据所述数据主元特征,计算所述药物制备设备对应的设备贡献度,根据所述设备贡献度,确定所述药物制备设备之间的贡献度关联性;
提取所述药物制备设备对应的设备参数,根据所述设备参数,分析所述药物制备设备之间的运行关联性;
结合所述功能关联系数、所述贡献度关联性以及所述运行关联性,对所述药物制备设备进行关联性分析,得到关联分析结果,根据所述关联分析结果,确定所述药物制备设备对应的制备序列。
可选地,所述根据所述制备要求,计算所述药物制备设备在制备流程中的功能关联系数,包括:
提取所述制备要求中的要求文本信息,提取所述要求文本信息的关键要求信息;
对所述关键要求信息进行语义解析,得到信息语义,根据所述信息语义,确定所述关键要求信息中的功能信息;
构建所述功能信息对应的信息矩阵,计算所述信息矩阵之间的关联系数,得到矩阵关联系数;
根据所述矩阵关联系数,得到所述药物制备设备在制备流程中的功能关联系数。
可选地,所述计算所述信息矩阵之间的关联系数,得到矩阵关联系数,包括:
通过下述公式计算所述信息矩阵之间的关联系数:
;
其中,F表示信息矩阵之间的关联系数,表示信息矩阵对应的矩阵维度,/>表示信息矩阵中的元素数量和,i表示信息矩阵的矩阵序列号,t表示信息矩阵的矩阵数量,/>表示第i个信息矩阵对应的标准差与协方差的比例系数,/>表示第i+1个信息矩阵对应的标准差与协方差的比例系数,/>表示第i个和第i+1个信息矩阵对应的标准差与协方差的比例系数差值的两级最小差值,/>表示第i个和第i+1个信息矩阵对应的标准差与协方差的比例系数差值的两级最大差值。
可选地,所述对所述历史制备数据进行数据聚类处理,得到聚类制备数据,包括:
对所述历史制备数据进行数据清洗,得到清洗制备数据;
对所述清洗制备数据进行标准化处理,得到标准清洗数据;
计算所述标准清洗数据中每个数据之间的距离值,得到数据距离值,并设置所述标准清洗数据对应的初始聚类中心;
根据所述数据距离值,对所述初始聚类中心进行迭代计算处理,得到目标聚类中心;
根据所述目标聚类中心,计算所述标准清洗数据与所述目标聚类中心对应的损失值;
根据所述损失值,对所述标准清洗数据进行数据聚类处理,得到聚类制备数据。
可选地,所述根据所述目标聚类中心,计算所述标准清洗数据与所述目标聚类中心对应的损失值,包括:
通过下述公式计算所述标准清洗数据与所述目标聚类中心对应的损失值:
;
其中,表示标准清洗数据与目标聚类中心对应的损失值,a表示标准清洗数据的序列号,A表示标准清洗数据的数据数量,b表示目标聚类中心的序列号,B表示目标聚类中心的数量,/>表示标准清洗数据中第a个数据属于第b个目标聚类中心的概率,/>表示标准清洗数据中第a个数据对应的数据点,/>表示第b个目标聚类中心对应的质心。
可选地,所述提取所述聚类制备数据对应的主元特征,得到数据主元特征,包括:
提取所述聚类制备数据对应的数据特征,得到制备数据特征;
构建所述制备数据特征对应的向量矩阵,得到数据特征矩阵;
分别计算所述数据特征矩阵中每列向量对应的向量期望值和向量标准差;
结合所述向量期望值和所述向量标准差,对所述数据特征矩阵中的每个矩阵向量进行标准化处理,得到标准化向量;
根据所述标准化向量,构建所述数据特征矩阵对应的标准化矩阵,计算所述标准化矩阵对应的矩阵均值;
根据所述矩阵均值,对所述标准化矩阵进行矩阵更新,得到目标矩阵;
根据所述目标矩阵,生成所述聚类制备数据对应的主元特征,得到数据主元特征。
可选地,所述结合所述向量期望值和所述向量标准差,对所述数据特征矩阵中的每个矩阵向量进行标准化处理,得到标准化向量,包括:
通过下述公式对所述数据特征矩阵中的每个矩阵向量进行标准化处理:
;
其中,表示数据特征矩阵中的每个矩阵向量经过标准化处理的标准化向量,表示数据特征矩阵第j个矩阵向量的向量值,m和n分别表示数据特征矩阵行数和列数,j表示数据特征矩阵中矩阵向量的序列号,/>表示数据特征矩阵中第r列的向量期望值,/>表示数据特征矩阵中第r列的向量标准差。
可选地,所述根据所述数据主元特征,计算所述药物制备设备对应的设备贡献度,包括:
计算所述数据主元特征对应的特征协方差,根据所述特征协方差,构建所述数据主元特征对应的协方差矩阵;
对所述协方差矩阵进行特征值分解,得到矩阵特征值和特征向量,计算所述矩阵特征值中每个特征值对应的占比系数;
根据所述特征向量,对所述矩阵特征值进行降序处理,得到降序特征值;
结合所述降序特征值和所述占比系数,计算所述数据主元特征对应的特征贡献度;
根据所述特征贡献度,计算所述药物制备设备对应的设备贡献度。
可选地,所述根据所述设备参数,分析所述药物制备设备之间的运行关联性,包括:
所述设备参数包括运行参数信息和运行参数指标;
根据所述运行参数信息和所述运行参数指标,构建所述药物制备设备对应的运行参数折线图;
计算所述运行参数折线图对应的折线斜率;
分析所述折线斜率之间的线性关系,根据所述线性关系,确定所述药物制备设备之间的运行关联性。
一种应用于绞股蓝制备场景下的设备关联关系分析***,其特征在于,所述***包括:
功能关联性分析模块,用于获取绞股蓝药物制备场景下的药物制备流程,根据所述药物制备流程,调度绞股蓝制备场景下的药物制备设备,查询所述药物制备流程对应的制备要求,根据所述制备要求,计算所述药物制备设备在制备流程中的功能关联系数;
贡献度关联性分析模块,用于调度所述绞股蓝药物对应的历史制备数据,对所述历史制备数据进行数据聚类处理,得到聚类制备数据,提取所述聚类制备数据对应的主元特征,得到数据主元特征,根据所述数据主元特征,计算所述药物制备设备对应的设备贡献度,根据所述设备贡献度,确定所述药物制备设备之间的贡献度关联性;
运行关联性分析模块,用于提取所述药物制备设备对应的设备参数,根据所述设备参数,分析所述药物制备设备之间的运行关联性;
制备序列制定模块,用于结合所述功能关联系数、所述贡献度关联性以及所述运行关联性,对所述药物制备设备进行关联性分析,得到关联分析结果,根据所述关联分析结果,确定所述药物制备设备对应的制备序列。
本发明通过根据所述药物制备流程,调度绞股蓝制备场景下的药物制备设备,以便于得到所述绞股蓝药物制备的所有设备,便于后续的设备关联关系的分析,本发明通过调度所述绞股蓝药物对应的历史制备数据,利用预设的聚类算法对所述历史制备数据进行数据聚类处理,可以将所述历史制备数据中相似的数据聚集在一起,从而了解不同数据之间的相似性和差异性,本发明通过结合所述功能关联系数、所述贡献度关联性以及所述运行关联性,对所述药物制备设备进行关联性分析,可以提高所述药物制备设备的关联性分析的准确性。因此,本发明实施例提供的一种应用于绞股蓝制备场景下的设备关联关系分析方法及***,能够提高绞股蓝制备场景下的设备关联关系分析的准确性。
附图说明
图1为本发明一实施例提供的一种应用于绞股蓝制备场景下的设备关联关系分析方法的流程示意图;
图2为本发明一实施例提供的一种应用于绞股蓝制备场景下的设备关联关系分析***的功能模块图;
图3为本发明一实施例提供的实现所述一种应用于绞股蓝制备场景下的设备关联关系分析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种应用于绞股蓝制备场景下的设备关联关系分析方法。本申请实施例中,所述一种应用于绞股蓝制备场景下的设备关联关系分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述一种应用于绞股蓝制备场景下的设备关联关系分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、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、内容分发网络(Content Delivery Network,CDN)、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。
参照图1所示,为本发明一实施例提供的一种应用于绞股蓝制备场景下的设备关联关系分析方法的流程示意图。在本实施例中,所述一种应用于绞股蓝制备场景下的设备关联关系分析方法包括步骤S1—S4。
S1、获取绞股蓝药物制备场景下的药物制备流程,根据所述药物制备流程,调度绞股蓝制备场景下的药物制备设备,查询所述药物制备流程对应的制备要求,根据所述制备要求,计算所述药物制备设备在制备流程中的功能关联系数。
本发明通过根据所述药物制备流程,调度绞股蓝制备场景下的药物制备设备,以便于得到所述绞股蓝药物制备的所有设备,便于后续的设备关联关系的分析,其中,所述绞股蓝药物是一种为葫芦科植物绞股蓝的全草制成的药物,秋季采收和晒干,功能主治为:消炎解毒,止咳祛痰,现多用作滋补强壮药,所述药物制备流程是所述绞股蓝药物制备的整体流程,包括前期的原料制备到后期的药物制备结束的整个过程,所述药物制备设备是所述绞股蓝药物制备过程中需要的所有设备,可选的,调度绞股蓝制备场景下的药物制备设备可以通过所述绞股蓝药物对应的设备管理器实现。
本发明通过根据所述制备要求,计算所述药物制备设备在制备流程中的功能关联系数,可以得到所述药物制备设备之间的关联程度,进而为后续所述绞股蓝药物的生产流程的优化提供了保障,其中,所述制备要求是所述药物制备流程对应的生产条件或者生成标准,所述功能关联系数表示所述药物制备设备在功能上的关联程度。
作为本发明的一个实施例,所述根据所述制备要求,计算所述药物制备设备在制备流程中的功能关联系数,包括:提取所述制备要求中的要求文本信息,提取所述要求文本信息的关键要求信息,对所述关键要求信息进行语义解析,得到信息语义,根据所述信息语义,确定所述关键要求信息中的功能信息,构建所述功能信息对应的信息矩阵,计算所述信息矩阵之间的关联系数,得到矩阵关联系数,根据所述矩阵关联系数,得到所述药物制备设备在制备流程中的功能关联系数。
其中,所述要求文本信息是所述制备要求中的文本内容,所述关键要求信息是所述要求文本信息中的重要文本信息,所述信息语义是所述关键要求信息对应的信息含义,所述功能信息是所述关键要求信息中关于制备要求对应的功能的相关信息,所述信息矩阵是所述功能信息根据相应的评分标准进行评分后的分数值构建的方阵,所述矩阵关联系数表示所述信息矩阵之间的关联程度。
可选的,提取所述制备要求中的要求文本信息可以通过OCR文本识别技术实现,可以通过计算所述要求文本信息的信息权重,根据信息权重大小提取所述要求文本信息的关键要求信息,对所述关键要求信息进行语义解析可以通过语义解析法实现,所述关键要求信息中的功能信息可以通过从所述信息语义找到功能相关描述的信息确定,构建所述功能信息对应的信息矩阵可以通过矩阵函数实现,如zero矩阵函数。
进一步的,作为本发明的一个可选实施例,所述计算所述信息矩阵之间的关联系数,得到矩阵关联系数,包括:
通过下述公式计算所述信息矩阵之间的关联系数:
;
其中,F表示信息矩阵之间的关联系数,表示信息矩阵对应的矩阵维度,/>表示信息矩阵中的元素数量和,i表示信息矩阵的矩阵序列号,t表示信息矩阵的矩阵数量,/>表示第i个信息矩阵对应的标准差与协方差的比例系数,/>表示第i+1个信息矩阵对应的标准差与协方差的比例系数,/>表示第i个和第i+1个信息矩阵对应的标准差与协方差的比例系数差值的两级最小差值,/>表示第i个和第i+1个信息矩阵对应的标准差与协方差的比例系数差值的两级最大差值。
S2、调度所述绞股蓝药物对应的历史制备数据,对所述历史制备数据进行数据聚类处理,得到聚类制备数据,提取所述聚类制备数据对应的主元特征,得到数据主元特征,根据所述数据主元特征,计算所述药物制备设备对应的设备贡献度,根据所述设备贡献度,确定所述药物制备设备之间的贡献度关联性。
本发明通过调度所述绞股蓝药物对应的历史制备数据,利用预设的聚类算法对所述历史制备数据进行数据聚类处理,可以将所述历史制备数据中相似的数据聚集在一起,从而了解不同数据之间的相似性和差异性,其中,所述历史制备数据是所述绞股蓝药物之前制备过程中记载的数据,所述聚类制备数据是所述历史制备数据根据数据的相似性进行聚类后得到的数据,可选的,所述绞股蓝药物对应的历史制备数据可以通过从所述绞股蓝药物的数据库中调度得到。
作为本发明的一个实施例,所述对所述历史制备数据进行数据聚类处理,得到聚类制备数据,包括:对所述历史制备数据进行数据清洗,得到清洗制备数据,对所述清洗制备数据进行标准化处理,得到标准清洗数据,计算所述标准清洗数据中每个数据之间的距离值,得到数据距离值,并设置所述标准清洗数据对应的初始聚类中心,根据所述数据距离值,对所述初始聚类中心进行迭代计算处理,得到目标聚类中心,根据所述目标聚类中心,计算所述标准清洗数据与所述目标聚类中心对应的损失值,根据所述损失值,对所述标准清洗数据进行数据聚类处理,得到聚类制备数据。
其中,所述清洗制备数据是所述历史制备数据中的无效数据经过过滤和清洗等处理后得到的数据,所述标准清洗数据是所述清洗制备数据中不同格式或者表达形式不一的数据经过标准化处理后得到的数据,所述数据距离值表示所述标准清洗数据中每个数据之间的距离远近,所述初始聚类中心是所述标准清洗数据中不同类别的数据进行聚类处理时的起始中心点,所述目标聚类中心是所述初始聚类中心经过迭代计算处理后得到的目标中心点,所述损失值表示所述标准清洗数据与所述目标聚类中心之间的偏差程度。
可选的,对所述历史制备数据进行数据清洗可以通过数据清洗工具实现,所述数据清洗工具是由脚本语言编译,对所述清洗制备数据进行标准化处理可以通过Z-score标准化方法实现,所述标准清洗数据中每个数据之间的距离值可以通过欧氏距离算法计算得到,对所述初始聚类中心进行迭代计算处理的具体步骤为:根据所述数据距离值,将所述标准清洗数据对应的数据点划分到最近的簇,更新每个簇的聚类中心为该簇内数据点的平均值,重复以上两步,直到聚类中心的变化小于平均距离值为止,以此得到目标聚类中心,对所述标准清洗数据进行数据聚类处理可以通过聚类算法实现,如K-means聚类算法。
可选的,作为本发明的一个可选实施例,所述根据所述目标聚类中心,计算所述标准清洗数据与所述目标聚类中心对应的损失值,包括:
通过下述公式计算所述标准清洗数据与所述目标聚类中心对应的损失值:
;
其中,D表示标准清洗数据与目标聚类中心对应的损失值,a表示标准清洗数据的序列号,A表示标准清洗数据的数据数量,b表示目标聚类中心的序列号,B表示目标聚类中心的数量,表示标准清洗数据中第a个数据属于第b个目标聚类中心的概率,/>表示标准清洗数据中第a个数据对应的数据点,/>表示第b个目标聚类中心对应的质心。
本发明通过提取所述聚类制备数据对应的主元特征,可以了解所述聚类制备数据中的数据主要表征,为后续设备贡献度的计算提供了保障,其中,所述数据主元特征是所述聚类制备数据中的数据主要表征,可以表达所述聚类制备数据对应的信息方向。
作为本发明的一个实施例,所述提取所述聚类制备数据对应的主元特征,得到数据主元特征,包括:提取所述聚类制备数据对应的数据特征,得到制备数据特征,构建所述制备数据特征对应的向量矩阵,得到数据特征矩阵,分别计算所述数据特征矩阵中每列向量对应的向量期望值和向量标准差,结合所述向量期望值和所述向量标准差,对所述数据特征矩阵中的每个矩阵向量进行标准化处理,得到标准化向量,根据所述标准化向量,构建所述数据特征矩阵对应的标准化矩阵,计算所述标准化矩阵对应的矩阵均值,根据所述矩阵均值,对所述标准化矩阵进行矩阵更新,得到目标矩阵,根据所述目标矩阵,生成所述聚类制备数据对应的主元特征,得到数据主元特征。
其中,所述制备数据特征是所述聚类制备数据中的数据表征,所述数据特征矩阵是所述制备数据特征对应的向量构成的方阵,所述向量期望值是所述数据特征矩阵中每列向量的平均值,所述向量标准差表示所述数据特征矩阵中每个向量的离散程度,所述标准化向量是所述数据特征矩阵中的每个矩阵向量之间的差异经过消除后得到的向量,所述目标矩阵是所述标准化矩阵中的向量值低于所述矩阵均值的向量经过去除后得到的矩阵。
可选的,提取所述聚类制备数据对应的数据特征可以通过主成分分析法实现,构建所述制备数据特征对应的向量矩阵可以通过上述的zero矩阵函数实现,所述向量期望值可以通过期望值计算器计算得到,所述向量标准差可以通过标准差计算器计算得到,所述期望值计算器和所述标准差计算器均是由Java语言编译,所述标准化矩阵对应的矩阵均值可以通过average函数计算得到,所述聚类制备数据对应的主元特征可以通过特征生成工具得到,所述特征生成工具是由编程语言编译。
可选的,作为本发明的一个可选实施例,所述结合所述向量期望值和所述向量标准差,对所述数据特征矩阵中的每个矩阵向量进行标准化处理,得到标准化向量,包括:
通过下述公式对所述数据特征矩阵中的每个矩阵向量进行标准化处理:
;
其中,表示数据特征矩阵中的每个矩阵向量经过标准化处理的标准化向量,表示数据特征矩阵第j个矩阵向量的向量值,m和n分别表示数据特征矩阵行数和列数,j表示数据特征矩阵中矩阵向量的序列号,/>表示数据特征矩阵中第r列的向量期望值,/>表示数据特征矩阵中第r列的向量标准差。
本发明通过根据所述数据主元特征,计算所述药物制备设备对应的设备贡献度,可以得到所述药物制备设备在制备过程中贡献的程度,进而可以了解所述药物制备设备在制备中所起的作用,便于后续贡献度关联性的分析,其中,所述设备贡献度表示所述药物制备设备在制备过程中贡献的程度。
作为本发明的一个实施例,所述根据所述数据主元特征,计算所述药物制备设备对应的设备贡献度,包括:计算所述数据主元特征对应的特征协方差,根据所述特征协方差,构建所述数据主元特征对应的协方差矩阵,对所述协方差矩阵进行特征值分解,得到矩阵特征值和特征向量,计算所述矩阵特征值中每个特征值对应的占比系数,根据所述特征向量,对所述矩阵特征值进行降序处理,得到降序特征值,结合所述降序特征值和所述占比系数,计算所述数据主元特征对应的特征贡献度,根据所述特征贡献度,计算所述药物制备设备对应的设备贡献度。
其中,所述协方差矩阵是所述特征协方差构成的方阵,所述矩阵特征值是可以使所述协方差矩阵的等式一侧的值为0的数值,所述特征向量是所述矩阵特征值使等式为0对应的向量,所述占比系数表示所述矩阵特征值中每个特征值占总特征值的比值,所述特征贡献度表示所述数据主元特征对总体特征变异性的贡献程度。
可选的,所述数据主元特征对应的特征协方差可以通过方差计算器计算得到,构建所述数据主元特征对应的协方差矩阵可以通过上述的zero矩阵函数实现,对所述协方差矩阵进行特征值分解可以通过幂迭代法实现,可以通过所述矩阵特征值中每个特征值出现的次数占所述矩阵特征值的总次数得到所述占比系数,可以通过根据所述特征向量对应的向量长度进行降序得到所述降序特征值,所述数据主元特征对应的特征贡献度计算公式为:特征贡献度=+/>+...+/>,/>、/>.../>分别表示不同的降序特征值,/>、.../>分别表示不同的降序特征值对应的占比系数,所述设备贡献度可以通过所述药物制备设备中得所述特征贡献度求和得到。
本发明通过根据所述设备贡献度,确定所述药物制备设备之间的贡献度关联性,进而可以得到所述药物制备设备在制备过程中贡献度之间的关联性,其中,所述贡献度关联性表示所述药物制备设备在制备过程中贡献程度之间的贡献关联程度,可选的,所述药物制备设备之间的贡献度关联性可以通过根据所述设备贡献度对应的数值进行确定。
S3、提取所述药物制备设备对应的设备参数,根据所述设备参数,分析所述药物制备设备之间的运行关联性。
本发明通过根据所述设备参数,分析所述药物制备设备之间的运行关联性,可以得到所述药物制备设备之间的运行情况,如运行周期和工作机制等,进而便于分析所述药物制备设备之间的运行关联性,为后续分析所述药物制备设备之间的运行关联性提供了保障,其中,所述运行关联性是所述药物制备设备之间在运行过程中具有的关联程度,可选的,提取所述药物制备设备对应的设备参数可以通过参数提供工具实现。
作为本发明的一个实施例,所述根据所述设备参数,分析所述药物制备设备之间的运行关联性,包括:所述设备参数包括运行参数信息和运行参数指标,根据所述运行参数信息和所述运行参数指标,构建所述药物制备设备对应的运行参数折线图,计算所述运行参数折线图对应的折线斜率,分析所述折线斜率之间的线性关系,根据所述线性关系,确定所述药物制备设备之间的运行关联性。
其中,所述运行参数信息是所述药物制备设备运行时对应的参数,如温度值、压力值以及运行周期等,所述运行参数指标是所述药物制备设备运行时的参数类型,如温度和压力类型等,所述运行参数折线图是所述药物制备设备根据所述运行参数信息和所述运行参数指标构建的折线图,所述折线斜率表示所述运行参数折线图中折线的倾斜程度,所述线性关系表示所述折线斜率之间的比例关系,如正比和反比关系。
可选的,构建所述药物制备设备对应的运行参数折线图可以通过visio制图工具实现,计算所述运行参数折线图对应的折线斜率可以通过斜率计算工具实现,所述斜率计算工具是由脚本语言编译,所述折线斜率之间的线性关系可以通过线性函数计算线性值进行分析,所述线性函数包括一次线性函数。
S4、结合所述功能关联系数、所述贡献度关联性以及所述运行关联性,对所述药物制备设备进行关联性分析,得到关联分析结果,根据所述关联分析结果,确定所述药物制备设备对应的制备序列。
本发明通过结合所述功能关联系数、所述贡献度关联性以及所述运行关联性,对所述药物制备设备进行关联性分析,可以提高所述药物制备设备的关联性分析的准确性,其中,所述关联分析结果是所述药物制备设备之间的关联性分析的结果,所述制备序列是所述药物制备设备根据所述关联分析结果制定的最佳制备顺序,可选的,对所述药物制备设备进行关联性分析可以通过Apriori算法实现,所述药物制备设备对应的制备序列可以通过所述关联分析结果确定关联性最高的设备以此排序得到。
本发明通过根据所述药物制备流程,调度绞股蓝制备场景下的药物制备设备,以便于得到所述绞股蓝药物制备的所有设备,便于后续的设备关联关系的分析,本发明通过调度所述绞股蓝药物对应的历史制备数据,利用预设的聚类算法对所述历史制备数据进行数据聚类处理,可以将所述历史制备数据中相似的数据聚集在一起,从而了解不同数据之间的相似性和差异性,本发明通过结合所述功能关联系数、所述贡献度关联性以及所述运行关联性,对所述药物制备设备进行关联性分析,可以提高所述药物制备设备的关联性分析的准确性。因此,本发明实施例提供的一种应用于绞股蓝制备场景下的设备关联关系分析方法,能够提高绞股蓝制备场景下的设备关联关系分析的准确性。
如图2所示,是本发明一实施例提供的一种应用于绞股蓝制备场景下的设备关联关系分析***的功能模块图。
本发明所述一种应用于绞股蓝制备场景下的设备关联关系分析***100可以安装于电子设备中。根据实现的功能,所述一种应用于绞股蓝制备场景下的设备关联关系分析***100可以包括功能关联性分析模块101、贡献度关联性分析模块102、运行关联性分析模块103及制备序列制定模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述功能关联性分析模块101,用于获取绞股蓝药物制备场景下的药物制备流程,根据所述药物制备流程,调度绞股蓝制备场景下的药物制备设备,查询所述药物制备流程对应的制备要求,根据所述制备要求,计算所述药物制备设备在制备流程中的功能关联系数;
所述贡献度关联性分析模块102,用于调度所述绞股蓝药物对应的历史制备数据,对所述历史制备数据进行数据聚类处理,得到聚类制备数据,提取所述聚类制备数据对应的主元特征,得到数据主元特征,根据所述数据主元特征,计算所述药物制备设备对应的设备贡献度,根据所述设备贡献度,确定所述药物制备设备之间的贡献度关联性;
所述运行关联性分析模块103,用于提取所述药物制备设备对应的设备参数,根据所述设备参数,分析所述药物制备设备之间的运行关联性;
所述制备序列制定模块104,用于结合所述功能关联系数、所述贡献度关联性以及所述运行关联性,对所述药物制备设备进行关联性分析,得到关联分析结果,根据所述关联分析结果,确定所述药物制备设备对应的制备序列。
详细地,本申请实施例中所述一种应用于绞股蓝制备场景下的设备关联关系分析***100中所述的各模块在使用时采用与上述图1中所述的一种应用于绞股蓝制备场景下的设备关联关系分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明一实施例提供的实现一种应用于绞股蓝制备场景下的设备关联关系分析方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如一种应用于绞股蓝制备场景下的设备关联关系分析方法程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行一种应用于绞股蓝制备场景下的设备关联关系分析方法程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如一种应用于绞股蓝制备场景下的设备关联关系分析方法程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是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。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理***与所述至少一个处理器10逻辑相连,从而通过电源管理***实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的一种应用于绞股蓝制备场景下的设备关联关系分析方法程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取绞股蓝药物制备场景下的药物制备流程,根据所述药物制备流程,调度绞股蓝制备场景下的药物制备设备,查询所述药物制备流程对应的制备要求,根据所述制备要求,计算所述药物制备设备在制备流程中的功能关联系数;
调度所述绞股蓝药物对应的历史制备数据,对所述历史制备数据进行数据聚类处理,得到聚类制备数据,提取所述聚类制备数据对应的主元特征,得到数据主元特征,根据所述数据主元特征,计算所述药物制备设备对应的设备贡献度,根据所述设备贡献度,确定所述药物制备设备之间的贡献度关联性;
提取所述药物制备设备对应的设备参数,根据所述设备参数,分析所述药物制备设备之间的运行关联性;
结合所述功能关联系数、所述贡献度关联性以及所述运行关联性,对所述药物制备设备进行关联性分析,得到关联分析结果,根据所述关联分析结果,确定所述药物制备设备对应的制备序列。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或***、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取绞股蓝药物制备场景下的药物制备流程,根据所述药物制备流程,调度绞股蓝制备场景下的药物制备设备,查询所述药物制备流程对应的制备要求,根据所述制备要求,计算所述药物制备设备在制备流程中的功能关联系数;
调度所述绞股蓝药物对应的历史制备数据,对所述历史制备数据进行数据聚类处理,得到聚类制备数据,提取所述聚类制备数据对应的主元特征,得到数据主元特征,根据所述数据主元特征,计算所述药物制备设备对应的设备贡献度,根据所述设备贡献度,确定所述药物制备设备之间的贡献度关联性;
提取所述药物制备设备对应的设备参数,根据所述设备参数,分析所述药物制备设备之间的运行关联性;
结合所述功能关联系数、所述贡献度关联性以及所述运行关联性,对所述药物制备设备进行关联性分析,得到关联分析结果,根据所述关联分析结果,确定所述药物制备设备对应的制备序列。
在本发明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。例如,以上所描述的***实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,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模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附属关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或***也可以由一个单元或***通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种应用于绞股蓝制备场景下的设备关联关系分析方法,其特征在于,所述方法包括:
获取绞股蓝药物制备场景下的药物制备流程,根据所述药物制备流程,调度绞股蓝制备场景下的药物制备设备,查询所述药物制备流程对应的制备要求,根据所述制备要求,计算所述药物制备设备在制备流程中的功能关联系数;
调度所述绞股蓝药物对应的历史制备数据,对所述历史制备数据进行数据聚类处理,得到聚类制备数据,提取所述聚类制备数据对应的主元特征,得到数据主元特征,根据所述数据主元特征,计算所述药物制备设备对应的设备贡献度,根据所述设备贡献度,确定所述药物制备设备之间的贡献度关联性;
提取所述药物制备设备对应的设备参数,根据所述设备参数,分析所述药物制备设备之间的运行关联性;
结合所述功能关联系数、所述贡献度关联性以及所述运行关联性,对所述药物制备设备进行关联性分析,得到关联分析结果,根据所述关联分析结果,确定所述药物制备设备对应的制备序列。
2.如权利要求1所述的一种应用于绞股蓝制备场景下的设备关联关系分析方法,其特征在于,所述根据所述制备要求,计算所述药物制备设备在制备流程中的功能关联系数,包括:
提取所述制备要求中的要求文本信息,提取所述要求文本信息的关键要求信息;
对所述关键要求信息进行语义解析,得到信息语义,根据所述信息语义,确定所述关键要求信息中的功能信息;
构建所述功能信息对应的信息矩阵,计算所述信息矩阵之间的关联系数,得到矩阵关联系数;
根据所述矩阵关联系数,得到所述药物制备设备在制备流程中的功能关联系数。
3.如权利要求2所述的一种应用于绞股蓝制备场景下的设备关联关系分析方法,其特征在于,所述计算所述信息矩阵之间的关联系数,得到矩阵关联系数,包括:
通过下述公式计算所述信息矩阵之间的关联系数:
;
其中,F表示信息矩阵之间的关联系数,表示信息矩阵对应的矩阵维度,/>表示信息矩阵中的元素数量和,i表示信息矩阵的矩阵序列号,t表示信息矩阵的矩阵数量,/>表示第i个信息矩阵对应的标准差与协方差的比例系数,/>表示第i+1个信息矩阵对应的标准差与协方差的比例系数,/>表示第i个和第i+1个信息矩阵对应的标准差与协方差的比例系数差值的两级最小差值,/>表示第i个和第i+1个信息矩阵对应的标准差与协方差的比例系数差值的两级最大差值。
4.如权利要求1所述的一种应用于绞股蓝制备场景下的设备关联关系分析方法,其特征在于,所述对所述历史制备数据进行数据聚类处理,得到聚类制备数据,包括:
对所述历史制备数据进行数据清洗,得到清洗制备数据;
对所述清洗制备数据进行标准化处理,得到标准清洗数据;
计算所述标准清洗数据中每个数据之间的距离值,得到数据距离值,并设置所述标准清洗数据对应的初始聚类中心;
根据所述数据距离值,对所述初始聚类中心进行迭代计算处理,得到目标聚类中心;
根据所述目标聚类中心,计算所述标准清洗数据与所述目标聚类中心对应的损失值;
根据所述损失值,对所述标准清洗数据进行数据聚类处理,得到聚类制备数据。
5.如权利要求4所述的一种应用于绞股蓝制备场景下的设备关联关系分析方法,其特征在于,所述根据所述目标聚类中心,计算所述标准清洗数据与所述目标聚类中心对应的损失值,包括:
通过下述公式计算所述标准清洗数据与所述目标聚类中心对应的损失值:
;
其中,D表示标准清洗数据与目标聚类中心对应的损失值,a表示标准清洗数据的序列号,A表示标准清洗数据的数据数量,b表示目标聚类中心的序列号,B表示目标聚类中心的数量,表示标准清洗数据中第a个数据属于第b个目标聚类中心的概率,/>表示标准清洗数据中第a个数据对应的数据点,/>表示第b个目标聚类中心对应的质心。
6.如权利要求1所述的一种应用于绞股蓝制备场景下的设备关联关系分析方法,其特征在于,所述提取所述聚类制备数据对应的主元特征,得到数据主元特征,包括:
提取所述聚类制备数据对应的数据特征,得到制备数据特征;
构建所述制备数据特征对应的向量矩阵,得到数据特征矩阵;
分别计算所述数据特征矩阵中每列向量对应的向量期望值和向量标准差;
结合所述向量期望值和所述向量标准差,对所述数据特征矩阵中的每个矩阵向量进行标准化处理,得到标准化向量;
根据所述标准化向量,构建所述数据特征矩阵对应的标准化矩阵,计算所述标准化矩阵对应的矩阵均值;
根据所述矩阵均值,对所述标准化矩阵进行矩阵更新,得到目标矩阵;
根据所述目标矩阵,生成所述聚类制备数据对应的主元特征,得到数据主元特征。
7.如权利要求6所述的一种应用于绞股蓝制备场景下的设备关联关系分析方法,其特征在于,所述结合所述向量期望值和所述向量标准差,对所述数据特征矩阵中的每个矩阵向量进行标准化处理,得到标准化向量,包括:
通过下述公式对所述数据特征矩阵中的每个矩阵向量进行标准化处理:
;
其中,表示数据特征矩阵中的每个矩阵向量经过标准化处理的标准化向量,/>表示数据特征矩阵第j个矩阵向量的向量值,m和n分别表示数据特征矩阵行数和列数,j表示数据特征矩阵中矩阵向量的序列号,/>表示数据特征矩阵中第r列的向量期望值,/>表示数据特征矩阵中第r列的向量标准差。
8.如权利要求1所述的一种应用于绞股蓝制备场景下的设备关联关系分析方法,其特征在于,所述根据所述数据主元特征,计算所述药物制备设备对应的设备贡献度,包括:
计算所述数据主元特征对应的特征协方差,根据所述特征协方差,构建所述数据主元特征对应的协方差矩阵;
对所述协方差矩阵进行特征值分解,得到矩阵特征值和特征向量,计算所述矩阵特征值中每个特征值对应的占比系数;
根据所述特征向量,对所述矩阵特征值进行降序处理,得到降序特征值;
结合所述降序特征值和所述占比系数,计算所述数据主元特征对应的特征贡献度;
根据所述特征贡献度,计算所述药物制备设备对应的设备贡献度。
9.如权利要求1所述的一种应用于绞股蓝制备场景下的设备关联关系分析方法,其特征在于,所述根据所述设备参数,分析所述药物制备设备之间的运行关联性,包括:
所述设备参数包括运行参数信息和运行参数指标;
根据所述运行参数信息和所述运行参数指标,构建所述药物制备设备对应的运行参数折线图;
计算所述运行参数折线图对应的折线斜率;
分析所述折线斜率之间的线性关系,根据所述线性关系,确定所述药物制备设备之间的运行关联性。
10.一种应用于绞股蓝制备场景下的设备关联关系分析***,其特征在于,所述***包括:
功能关联性分析模块,用于获取绞股蓝药物制备场景下的药物制备流程,根据所述药物制备流程,调度绞股蓝制备场景下的药物制备设备,查询所述药物制备流程对应的制备要求,根据所述制备要求,计算所述药物制备设备在制备流程中的功能关联系数;
贡献度关联性分析模块,用于调度所述绞股蓝药物对应的历史制备数据,对所述历史制备数据进行数据聚类处理,得到聚类制备数据,提取所述聚类制备数据对应的主元特征,得到数据主元特征,根据所述数据主元特征,计算所述药物制备设备对应的设备贡献度,根据所述设备贡献度,确定所述药物制备设备之间的贡献度关联性;
运行关联性分析模块,用于提取所述药物制备设备对应的设备参数,根据所述设备参数,分析所述药物制备设备之间的运行关联性;
制备序列制定模块,用于结合所述功能关联系数、所述贡献度关联性以及所述运行关联性,对所述药物制备设备进行关联性分析,得到关联分析结果,根据所述关联分析结果,确定所述药物制备设备对应的制备序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311378987.6A CN117113119B (zh) | 2023-10-24 | 2023-10-24 | 应用于绞股蓝制备场景下的设备关联关系分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311378987.6A CN117113119B (zh) | 2023-10-24 | 2023-10-24 | 应用于绞股蓝制备场景下的设备关联关系分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117113119A true CN117113119A (zh) | 2023-11-24 |
CN117113119B CN117113119B (zh) | 2023-12-26 |
Family
ID=88795156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311378987.6A Active CN117113119B (zh) | 2023-10-24 | 2023-10-24 | 应用于绞股蓝制备场景下的设备关联关系分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113119B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170344411A1 (en) * | 2016-05-25 | 2017-11-30 | International Business Machines Corporation | Equipment failure risk detection and prediction in industrial process |
CN108197175A (zh) * | 2017-12-20 | 2018-06-22 | 国网北京市电力公司 | 技术监督数据的处理方法和装置、存储介质、处理器 |
CN113408548A (zh) * | 2021-07-14 | 2021-09-17 | 贵州电网有限责任公司电力科学研究院 | 变压器异常数据检测方法、装置、计算机设备和存储介质 |
US20220035810A1 (en) * | 2019-04-17 | 2022-02-03 | Abb Schweiz Ag | Controlling technical equipment through quality indicators using parameterized batch- run monitoring |
CN115034248A (zh) * | 2021-03-03 | 2022-09-09 | 斯凯孚公司 | 用于设备的自动诊断方法、***和存储介质 |
CN115630839A (zh) * | 2022-11-01 | 2023-01-20 | 苏州泽达兴邦医药科技有限公司 | 一种基于数据挖掘的生产智能反馈调控*** |
CN116662839A (zh) * | 2023-05-09 | 2023-08-29 | 山西长河科技股份有限公司 | 基于多维智能采集的关联大数据聚类分析方法及装置 |
-
2023
- 2023-10-24 CN CN202311378987.6A patent/CN117113119B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170344411A1 (en) * | 2016-05-25 | 2017-11-30 | International Business Machines Corporation | Equipment failure risk detection and prediction in industrial process |
CN108197175A (zh) * | 2017-12-20 | 2018-06-22 | 国网北京市电力公司 | 技术监督数据的处理方法和装置、存储介质、处理器 |
US20220035810A1 (en) * | 2019-04-17 | 2022-02-03 | Abb Schweiz Ag | Controlling technical equipment through quality indicators using parameterized batch- run monitoring |
CN115034248A (zh) * | 2021-03-03 | 2022-09-09 | 斯凯孚公司 | 用于设备的自动诊断方法、***和存储介质 |
CN113408548A (zh) * | 2021-07-14 | 2021-09-17 | 贵州电网有限责任公司电力科学研究院 | 变压器异常数据检测方法、装置、计算机设备和存储介质 |
CN115630839A (zh) * | 2022-11-01 | 2023-01-20 | 苏州泽达兴邦医药科技有限公司 | 一种基于数据挖掘的生产智能反馈调控*** |
CN116662839A (zh) * | 2023-05-09 | 2023-08-29 | 山西长河科技股份有限公司 | 基于多维智能采集的关联大数据聚类分析方法及装置 |
Non-Patent Citations (1)
Title |
---|
丛峰武;张勇;孙云兰;: "智能数据预处理在浮选过程中的应用", 鞍山科技大学学报, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN117113119B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106777038B (zh) | 一种基于序列保留哈希的超低复杂度图像检索方法 | |
CN109885768A (zh) | 工单处理方法、装置及*** | |
Schuh et al. | A large-scale solar image dataset with labeled event regions | |
WO2021139116A1 (zh) | 相似患者智能分群方法、装置、设备和存储介质 | |
CN109325805B (zh) | 基于K-means聚类算法及离散小波变换的无人超市客流量预测方法 | |
CN111326236A (zh) | 一种医疗图像自动处理*** | |
CN116662839A (zh) | 基于多维智能采集的关联大数据聚类分析方法及装置 | |
CN111383732B (zh) | 一种基于互斥识别的药品审核方法、装置、计算机***及可读存储介质 | |
CN108229358B (zh) | 索引建立方法和装置、电子设备、计算机存储介质 | |
CN113707286A (zh) | 基于决策树的问诊分配方法、装置、设备及存储介质 | |
CN113806492B (zh) | 基于语义识别的记录生成方法、装置、设备及存储介质 | |
CN117113119B (zh) | 应用于绞股蓝制备场景下的设备关联关系分析方法及*** | |
CN109409407A (zh) | 一种基于le算法的工业监测数据聚类方法 | |
CN116720525A (zh) | 基于问诊数据的疾病辅助分析方法、装置、设备及介质 | |
CN110674020A (zh) | App智能推荐方法、装置及计算机可读存储介质 | |
CN115661472A (zh) | 图像查重方法、装置、计算机设备及存储介质 | |
US20040098412A1 (en) | System and method for clustering a set of records | |
CN114495137A (zh) | 票据异常检测模型生成方法与票据异常检测方法 | |
CN114936326A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
CN114240560A (zh) | 基于多维分析的产品排名方法、装置、设备及存储介质 | |
CN113343102A (zh) | 基于特征筛选的数据推荐方法、装置、电子设备及介质 | |
CN113469237A (zh) | 用户意图识别方法、装置、电子设备及存储介质 | |
CN116364223B (zh) | 特征处理方法、装置、计算机设备及存储介质 | |
CN116644336A (zh) | 中医术语识别方法、装置、设备及存储介质 | |
CN117649020A (zh) | 基于中药材加工下的设备组合分析方法及*** |
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 |