CN117390529A - 多因素溯源的数据中台信息管理方法 - Google Patents
多因素溯源的数据中台信息管理方法 Download PDFInfo
- Publication number
- CN117390529A CN117390529A CN202311460822.3A CN202311460822A CN117390529A CN 117390529 A CN117390529 A CN 117390529A CN 202311460822 A CN202311460822 A CN 202311460822A CN 117390529 A CN117390529 A CN 117390529A
- Authority
- CN
- China
- Prior art keywords
- equipment
- time sequence
- working state
- state
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 114
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 47
- 238000012544 monitoring process Methods 0.000 abstract description 28
- 206010000117 Abnormal behaviour Diseases 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Factory Administration (AREA)
Abstract
一种多因素溯源的数据中台信息管理方法，其通过采集多种设备工作状态指标，如温度、湿度、压力、电流等，并在后端引入数据处理和分析算法来进行这些设备工作状态指标的时序协同分析，以此来监测和分析生产过程中的设备运行情况，从而及时发现并处理异常行为。这样，能够实现对生产过程中多个工作状态指标的自动监测和分析，以自动识别和预警异常行为，并采取相应的措施进行处理，从而提高数据中台的信息管理能力，为企业提供更加智能和可靠的数据服务，以此来提高生产效率和产品质量。
Description
技术领域
本申请涉及智能化信息管理技术领域，并且更具体地，涉及一种多因素溯源的数据中台信息管理方法。
背景技术
数据中台是一种以数据为核心的平台架构，它可以实现数据的采集、存储、加工、分析和应用，为企业提供数据驱动的决策支持和业务创新。数据中台的一个重要功能是数据溯源，即追踪数据的来源、流向和变化过程，以保证数据的质量和可信度。然而，传统的数据溯源方法通常只考虑数据的元数据信息，忽略了数据本身的内容和语义。这样就无法对数据进行深入的分析和理解，也无法及时发现数据中潜在的异常或错误。
在生产过程中，监测和管理各项指标对于确保产品质量和生产效率至关重要。然而，传统的数据中台信息管理方法往往只能提供单一指标的监测结果，无法全面了解生产过程中的多个因素之间的关联和影响，导致对于异常情况监测的精准度达不到要求，影响了设备的正常运行，且降低了产品质量和生产效率。
因此，期望一种多因素溯源的数据中台信息管理方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种多因素溯源的数据中台信息管理方法，其通过采集多种设备工作状态指标，如温度、湿度、压力、电流等，并在后端引入数据处理和分析算法来进行这些设备工作状态指标的时序协同分析，以此来监测和分析生产过程中的设备运行情况，从而及时发现并处理异常行为。这样，能够实现对生产过程中多个工作状态指标的自动监测和分析，以自动识别和预警异常行为，并采取相应的措施进行处理，从而提高数据中台的信息管理能力，为企业提供更加智能和可靠的数据服务，以此来提高生产效率和产品质量。
第一方面，提供了一种多因素溯源的数据中台信息管理方法，其包括：
获取被监控设备在预定时间段内多个预定时间点的工作状态指标，其中，所述工作状态指标包括温度值、湿度值、压力值和电流值；
分别对所述多个预定时间点的工作状态指标进行工作状态指标间关联编码以得到多个设备工作指标编码特征向量；
对所述多个设备工作指标编码特征向量进行时序关联模式特征分析以得到设备状态时序语义特征；以及
基于所述设备状态时序语义特征，确定被监控设备的工作状态是否异常。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的多因素溯源的数据中台信息管理方法的流程图。
图2为根据本申请实施例的多因素溯源的数据中台信息管理方法的架构示意图。
图3为根据本申请实施例的多因素溯源的数据中台信息管理***的框图。
图4为根据本申请实施例的多因素溯源的数据中台信息管理方法的场景示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，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。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
数据中台是一种以数据为核心的平台架构，旨在实现企业内部数据的集中管理、整合和应用，通过统一的数据采集、存储、加工、分析和应用，为企业提供数据驱动的决策支持和业务创新。数据中台的核心目标是将企业内部各个业务***和数据源的数据整合到一个统一的平台中，以实现数据的一致性、准确性和可信度。它可以集成多种数据源，包括企业内部的数据库、文件***、传感器数据、第三方数据等，将这些数据进行集中管理和处理。
数据中台提供了一系列功能和服务，包括：数据采集，通过各种方式和技术，如API接口、数据抓取、传感器等，实时或批量地采集数据源的数据，并将其转化为可用的数据格式。数据存储，将采集到的数据存储到数据中台的数据存储***中，可以使用传统的关系型数据库、分布式存储***或大数据存储技术，以满足不同的数据存储需求。数据加工和处理，对采集到的数据进行清洗、转换、整合和计算等处理，以提高数据的质量和可用性，这可以包括数据清洗、去重、缺失值处理、数据转换、数据合并等操作。数据分析和挖掘，利用数据中台提供的分析工具和算法，对数据进行深入的分析和挖掘，以发现数据中的模式、趋势和关联关系，为决策提供支持和洞察。数据应用和服务，将经过加工和分析的数据应用于不同的业务场景和应用程序中，为企业提供数据驱动的决策支持和业务创新，这可以包括数据可视化、报表生成、智能推荐、预测模型等。
通过集中管理和整合数据，确保不同业务***和数据源之间的数据一致性，避免数据冗余和不一致的问题。通过数据清洗、转换和处理等操作，提高数据的质量和可用性，保证数据的准确性和可信度。通过数据分析和挖掘，提供准确、实时的数据分析结果，为决策提供支持和指导。通过将数据应用于不同的业务场景和应用程序中，实现业务创新和增值。数据中台的架构和技术可以适应不同的业务需求和数据类型，具有较高的灵活性和可扩展性。
在生产过程中，监测和管理各项指标对于确保产品质量和生产效率至关重要。监测生产线的生产速度可以帮助评估生产线的运行效率，及时发现生产线的瓶颈和短板，以便进行改进和优化。监测设备的利用率可以帮助评估设备的运行效率和稳定性，及时发现设备故障和停机情况，以减少生产中断和提高设备利用率。监测生产周期时间可以帮助评估生产过程的效率，发现生产过程中的延误和浪费，以便进行优化和改进。
监测不良品率可以帮助评估产品质量的稳定性和一致性，及时发现生产过程中的质量问题和缺陷，以便进行纠正和改进。监测客户投诉率可以帮助评估产品的用户满意度和质量问题，及时发现和解决客户的投诉和反馈，以提高产品质量和客户满意度。监测工艺参数的偏差可以帮助评估生产过程的稳定性和一致性，发现工艺参数的异常和变异，以便进行调整和控制。
监测能源的消耗情况可以帮助评估生产过程的能源利用效率，发现能源的浪费和节约潜力，以减少能源成本和环境影响。监测废物和污染物的排放情况可以帮助评估生产过程的环境影响，发现污染物的超标和排放问题，以便进行治理和改进。
通过监测和管理这些指标，可以实时了解生产过程的运行状态，及时发现和解决问题，提高生产效率和产品质量。同时，监测和管理各项指标还可以帮助企业进行数据分析和挖掘，发现潜在的改进和优化机会，实现持续改进和创新。因此，建立有效的监测和管理***对于企业的竞争力和可持续发展至关重要。然而，传统的数据中台信息管理方法在监测生产过程中的单一指标时可能存在一些局限性，无法全面了解多个因素之间的关联和影响，这可能导致对异常情况监测的精准度不高，进而影响设备的正常运行，降低产品质量和生产效率。在传统的数据中台中，通常会将各项指标独立地监测和管理，每个指标都有自己的数据源和分析方法，这种方式可能无法捕捉到不同指标之间的相互关联和影响。例如，在生产过程中，某个指标的异常可能是由多个因素共同作用导致的，但传统的数据中台往往无法准确地识别出这种复杂的关联关系。
为了解决这个问题，一种更综合和细致的数据管理方法是引入数据关联分析和机器学习技术，这些技术可以帮助挖掘数据中的潜在关联和模式，从而更全面地了解生产过程中的多个因素之间的关系。通过数据关联分析，可以识别出不同指标之间的相互关联和影响。例如，通过分析历史数据，可以发现某个指标的异常往往与其他几个指标的变化有关，从而可以建立更准确的异常监测模型。这样，当一个指标异常时，***可以自动检测其他相关指标的变化情况，从而提高异常检测的精准度。
另外，机器学习技术可以通过对大量数据的学习和模式识别，建立预测模型和优化模型，进一步提高生产过程的效率和质量。例如，可以利用机器学习算法对生产数据进行分析，发现影响产品质量的关键因素，并提供相应的优化建议。综合运用数据关联分析和机器学习技术，可以实现对生产过程中多个因素的全面监测和管理，这种综合的方法能够更准确地识别异常情况，提高设备的正常运行率，同时也提升产品质量和生产效率。
图1为根据本申请实施例的多因素溯源的数据中台信息管理方法的流程图。图2为根据本申请实施例的多因素溯源的数据中台信息管理方法的架构示意图。如图1和图2所示，所述多因素溯源的数据中台信息管理方法，包括：110，获取被监控设备在预定时间段内多个预定时间点的工作状态指标，其中，所述工作状态指标包括温度值、湿度值、压力值和电流值；120，分别对所述多个预定时间点的工作状态指标进行工作状态指标间关联编码以得到多个设备工作指标编码特征向量；130，对所述多个设备工作指标编码特征向量进行时序关联模式特征分析以得到设备状态时序语义特征；以及，140，基于所述设备状态时序语义特征，确定被监控设备的工作状态是否异常。
在所述步骤110中，确保在预定时间段内准确获取设备的工作状态指标数据，这可能涉及到设备传感器的数据采集和存储***的配置和管理，确保传感器的准确性和可靠性，并确保数据的及时性和完整性。通过获取设备的工作状态指标数据，可以了解设备在不同时间点的实际工作情况，这为后续的数据分析和异常检测提供了基础。
在所述步骤120中，在进行工作状态指标间关联编码时，确定适当的编码方法和特征提取算法，这可能涉及到数据标准化、特征选择和特征提取等技术，确保编码方法能够准确地捕捉到工作状态指标之间的关联性。通过对工作状态指标进行编码，可以将多个指标的信息整合到一个特征向量中，从而减少数据的维度和冗余，有助于简化数据分析和模式识别的过程，提高后续步骤的效率和准确性。
在所述步骤130中，在进行时序关联模式特征分析时，选择适当的时序分析方法和模式识别算法，这可能涉及到时间序列分析、聚类分析、关联规则挖掘等技术，确保所选方法能够准确地捕捉到设备状态的时序特征和语义信息。通过时序关联模式特征分析，可以从设备工作指标的时序数据中提取出重要的时序特征和语义信息。这有助于理解设备状态的演变和变化规律，为后续的异常检测和预测建立基础。
在所述步骤140中，在确定设备工作状态是否异常时，建立适当的异常检测模型和规则，这可能涉及到统计分析、机器学习、人工智能等技术，根据具体情况选择合适的方法，并进行模型的训练和验证。通过基于设备状态时序语义特征的异常检测，可以及时发现设备工作状态的异常情况，有助于预防设备故障、提高设备的可靠性和稳定性，同时也有助于提高产品质量和生产效率。
通过获取设备工作状态指标数据、进行关联编码和时序特征分析，以及基于时序语义特征的异常检测，可以实现对被监控设备工作状态的全面监测和管理，有助于提高设备运行的可靠性和稳定性，优化生产过程，并及时发现和解决异常情况，从而提升产品质量和生产效率。
针对上述技术问题，本申请的技术构思为通过采集多种设备工作状态指标，如温度、湿度、压力、电流等，并在后端引入数据处理和分析算法来进行这些设备工作状态指标的时序协同分析，以此来监测和分析生产过程中的设备运行情况，从而及时发现并处理异常行为。这样，能够实现对生产过程中多个工作状态指标的自动监测和分析，以自动识别和预警异常行为，并采取相应的措施进行处理，从而提高数据中台的信息管理能力，为企业提供更加智能和可靠的数据服务，以此来提高生产效率和产品质量。
具体地，在本申请的技术方案中，首先，获取被监控设备在预定时间段内多个预定时间点的工作状态指标，其中，所述工作状态指标包括温度值、湿度值、压力值和电流值。应可以理解，在生产过程中，某个工作状态指标的数值突然偏离正常范围，可能表示设备故障、操作失误或其他异常情况。因此，需要对于各个工作状态指标进行协同分析以避免误判和误预警，从而更为有效地帮助人员快速应对异常情况，减少生产中断和质量问题的风险。
接着，考虑到由于所述工作状态指标包括温度值、湿度值、压力值和电流值，而每个预定时间点工作状态指标中的各个数据参数之间具有着协同的关联关系，这些关联关系对于该被监控设备的工作状态检测具有着重要意义。因此，在本申请的技术方案中，进一步将所述多个预定时间点的工作状态指标分别通过基于全连接层的状态指标编码器中进行编码，以提取出每个预定时间点下的有关于所述工作状态指标的各个数据参数之间的协同关联特征信息，从而得到多个设备工作指标编码特征向量。
在本申请的一个具体实施例中，分别对所述多个预定时间点的工作状态指标进行工作状态指标间关联编码以得到多个设备工作指标编码特征向量，包括：将所述多个预定时间点的工作状态指标分别通过基于全连接层的状态指标编码器以得到所述多个设备工作指标编码特征向量。
基于全连接层的编码器可以通过学习适当的特征表示，将原始的工作状态指标转换为更具有表征性的编码特征向量，有助于减少数据的维度，并提取出对设备状态具有重要信息的特征。全连接层作为深度神经网络的一种常见结构，具有强大的非线性建模能力。通过全连接层的编码器，可以捕捉到工作状态指标之间的复杂非线性关系，有助于更准确地表示工作状态指标之间的关联性。全连接层的编码器可以通过多层神经网络的堆叠，逐层提取和整合不同时间点的工作状态指标信息，有助于捕捉到时间序列数据中的上下文信息，进一步提高编码特征向量的表征能力。基于全连接层的编码器可以通过大规模数据训练，从中学习到更通用和适应不同设备工作状态的特征表示，这使得编码特征向量在不同设备之间具有较好的泛化能力和适应性。通过全连接层的编码器，可以将工作状态指标转换为具有较低维度的编码特征向量，这有助于可视化和解释设备工作状态的关键特征。对于工程师和领域专家来说是非常有益的，可以帮助他们更好地理解设备状态和问题的根本原因。
通过基于全连接层的状态指标编码器，可以提取工作状态指标的重要特征，捕捉到指标之间的非线性关系，并提供更具表征性的编码特征向量。这有助于进一步的数据分析、模式识别和异常检测，提高设备状态监测的准确性和效率。
然后，考虑到所述各个预定时间点的工作状态指标协同特征在时间维度上具有着时序的动态关联关系，因此，为了能够对于这些工作状态指标的协同特征进行时序特征分析，以此来进行被监控设备的工作状态动态特征捕捉刻画，从而提高对于该设备的工作状态异常检测的精准度，在本申请的技术方案中，进一步将所述多个设备工作指标编码特征向量通过基于门控循环单元的工作状态特征时序关联编码器中进行编码，以提取出所述被监控设备的工作状态指标特征之间基于时序全局的语义关联特征信息，从而得到全局设备工作状态时序关联特征向量。
进一步地，还考虑到所述基于门控循环单元的工作状态特征时序关联编码器虽然能够捕捉到所述被监控设备的工作状态指标特征基于时序全局的语义关联特征信息，但是对于设备工作状态指标的局部时序协同关联特征分布信息的捕捉能力较弱，难以有效地刻画出有关于所述设备工作状态指标特征之间的隐含细致时序关联特性和模式。因此，在本申请的技术方案中，进一步将所述多个设备工作指标编码特征向量排列为矩阵后通过基于卷积神经网络模型的设备工作状态局部关联模式特征提取器中进行特征挖掘，以提取出所述设备工作状态指标特征之间的局部时序关联特征信息，从而得到设备工作状态局部关联时序特征向量。
在本申请的一个具体实施例中，将所述多个设备工作指标编码特征向量排列为矩阵后通过基于卷积神经网络模型的设备工作状态局部关联模式特征提取器以得到设备工作状态局部关联时序特征向量，包括：使用所述基于卷积神经网络模型的设备工作状态局部关联模式特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述基于卷积神经网络模型的设备工作状态局部关联模式特征提取器的最后一层的输出为所述设备工作状态局部关联时序特征向量，其中，所述基于卷积神经网络模型的设备工作状态局部关联模式特征提取器的第一层的输入为所述多个设备工作指标编码特征向量排列的矩阵。
卷积神经网络是一种擅长提取局部关联特征的深度学***移不变性的特点，即对于输入数据的平移操作，CNN可以提取相同的特征，在设备工作状态的局部关联模式中，可能存在一些平移不变的模式，例如某些异常模式在不同时间点出现的位置可能不同。通过使用CNN进行特征提取，可以捕捉到这种平移不变性的模式，提高异常检测的鲁棒性。卷积神经网络可以通过多个不同尺寸的卷积核来提取不同尺度的特征，这对于设备工作状态的局部关联模式特征提取非常有用，因为不同的关联模式可能存在不同的时间尺度。通过使用CNN的多层卷积和池化操作，可以同时捕捉到不同时间尺度下的关联模式特征。卷积神经网络通过参数共享的方式减少了模型的参数量，降低了过拟合的风险，在设备工作状态的局部关联模式特征提取中非常有益，因为可以通过共享参数来提取不同时间点、不同设备之间的相似关联模式特征，减少了数据需求和模型复杂度。通过基于CNN的设备工作状态局部关联模式特征提取器，可以将设备工作状态的编码特征矩阵转换为更具语义的时序特征向量，有助于识别设备工作状态中的重要模式和异常模式，提高异常检测的准确性和效率。
通过基于卷积神经网络模型的设备工作状态局部关联模式特征提取器，可以提取设备工作状态编码特征矩阵中的局部关联模式特征，捕捉到不同工作状态指标之间的关联关系，并转换为更具语义的时序特征向量，有助于进一步的异常检测、模式识别和预测分析，提高设备状态监测的精确性和效果。
继而，再融合所述全局设备工作状态时序关联特征向量和所述设备工作状态局部关联时序特征向量以得到多尺度设备状态时序语义特征向量，以此来融合所述工作状态指标编码特征之间的全局时序关联特征信息和局部时序关联特征信息，以便于利用有关于设备的状态多尺度时序语义融合特征信息来进行分类处理。
在本申请的一个具体实施例中，对所述多个设备工作指标编码特征向量进行时序关联模式特征分析以得到设备状态时序语义特征，包括：将所述多个设备工作指标编码特征向量通过基于门控循环单元的工作状态特征时序关联编码器以得到全局设备工作状态时序关联特征向量；将所述多个设备工作指标编码特征向量排列为矩阵后通过基于卷积神经网络模型的设备工作状态局部关联模式特征提取器以得到设备工作状态局部关联时序特征向量；以及，融合所述全局设备工作状态时序关联特征向量和所述设备工作状态局部关联时序特征向量以得到多尺度设备状态时序语义特征向量作为所述设备状态时序语义特征。
在本申请的一个实施例中，基于所述设备状态时序语义特征，确定被监控设备的工作状态是否异常，包括：对所述多尺度设备状态时序语义特征向量进行特征分布优化以得到优化多尺度设备状态时序语义特征向量；以及，将所述优化多尺度设备状态时序语义特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控设备的工作状态是否异常。
其中，对所述多尺度设备状态时序语义特征向量进行特征分布优化以得到优化多尺度设备状态时序语义特征向量，包括：对所述全局设备工作状态时序关联特征向量和所述设备工作状态局部关联时序特征向量进行特征校正融合以得到校正特征向量；以及，融合所述校正特征向量和所述多尺度设备状态时序语义特征向量以得到所述优化多尺度设备状态时序语义特征向量。
特别地，在本申请的技术方案中，所述全局设备工作状态时序关联特征向量用于表达所述工作状态指标的时序关联特征，而所述设备工作状态局部关联时序特征向量用于表达所述工作状态指标的时序-样本交叉维度关联特征，由此，在融合所述全局设备工作状态时序关联特征向量和所述设备工作状态局部关联时序特征向量以得到多尺度设备状态时序语义特征向量后，可以实现所述工作设备的工作状态指标的不同维度的特征表达的特征级融合。但是，本申请的申请人考虑到所述全局设备工作状态时序关联特征向量和所述设备工作状态局部关联时序特征向量的特征表达维度不同，由此，在融合所述全局设备工作状态时序关联特征向量和所述设备工作状态局部关联时序特征向量以得到多尺度设备状态时序语义特征向量时，可能导致所述多尺度设备状态时序语义特征向量的表达不均衡，影响所述多尺度设备状态时序语义特征向量的表达效果。
基于此，优选地，对于所述全局设备工作状态时序关联特征向量，例如记为V1和所述设备工作状态局部关联时序特征向量，例如记为V2进行特征插值式融合的目的损失自监督平衡化，以获得校正特征向量，例如记为Vc：以如下优化公式对于所述全局设备工作状态时序关联特征向量和所述设备工作状态局部关联时序特征向量进行特征插值式融合的目的损失自监督平衡化以获得校正特征向量；其中，所述优化公式为：
其中，V1是所述全局设备工作状态时序关联特征向量，V2是所述设备工作状态局部关联时序特征向量，和/>分别表示所述全局设备工作状态时序关联特征向量V1和所述设备工作状态局部关联时序特征向量V2的全局均值的倒数，且I是单位向量，Vc是校正特征向量，/>表示按位置减法，/>表示按位置加法，⊙表示按位置点乘。
也就是，在考虑到基于时序分布的特征交互式融合的情况下，如果将待融合的所述全局设备工作状态时序关联特征向量V1视为所述设备工作状态局部关联时序特征向量V2的强特征时序增强输入，则可能损失所述设备工作状态局部关联时序特征向量V2的目标特征流形在类空间内的目标分布信息，导致类回归目的损失，因此通过对特征分布相对于彼此的离群分布(outlier distribution)进行交叉惩罚的方式，可以在特征插值式融合时实现特征增强和回归鲁棒的自监督式平衡，以提升所述全局设备工作状态时序关联特征向量V1和所述设备工作状态局部关联时序特征向量V2的特征融合效果。这样，再将所述校正特征向量Vc与所述多尺度设备状态时序语义特征向量融合，就可以提升所述多尺度设备状态时序语义特征向量的表达效果，以提升其通过分类器得到的分类结果的准确性。这样，能够实时监测和分析生产过程中的设备运行情况，从而自动识别和预警异常行为，并采取相应的措施进行处理，以提高数据中台的信息管理能力，为企业提供更加智能和可靠的数据服务，提高生产效率和产品质量。
具体地，再将所述优化多尺度设备状态时序语义特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控设备的工作状态是否异常。这样，能够实现对生产过程中多个工作状态指标的自动监测和分析，以自动识别和预警异常行为，并采取相应的措施进行处理，从而提高数据中台的信息管理能力。
在本申请的一个具体实施例中，将所述优化多尺度设备状态时序语义特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控设备的工作状态是否异常，包括：使用所述分类器的多个全连接层对所述优化多尺度设备状态时序语义特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的多因素溯源的数据中台信息管理方法被阐明，其能够实现对生产过程中多个工作状态指标的自动监测和分析，以自动识别和预警异常行为，并采取相应的措施进行处理，从而提高数据中台的信息管理能力，为企业提供更加智能和可靠的数据服务，以此来提高生产效率和产品质量。
在本申请的一个实施例中，图3为根据本申请实施例的多因素溯源的数据中台信息管理***的框图。如图3所示，根据本申请实施例的多因素溯源的数据中台信息管理***200，包括：工作状态指标获取模块210，用于获取被监控设备在预定时间段内多个预定时间点的工作状态指标，其中，所述工作状态指标包括温度值、湿度值、压力值和电流值；关联编码模块220，用于分别对所述多个预定时间点的工作状态指标进行工作状态指标间关联编码以得到多个设备工作指标编码特征向量；特征分析模块230，用于对所述多个设备工作指标编码特征向量进行时序关联模式特征分析以得到设备状态时序语义特征；以及，被监控设备的工作状态确定模块240，用于基于所述设备状态时序语义特征，确定被监控设备的工作状态是否异常。
这里，本领域技术人员可以理解，上述多因素溯源的数据中台信息管理***中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的多因素溯源的数据中台信息管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的多因素溯源的数据中台信息管理***200可以实现在各种终端设备中，例如用于多因素溯源的数据中台信息管理的服务器等。在一个示例中，根据本申请实施例的多因素溯源的数据中台信息管理***200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该多因素溯源的数据中台信息管理***200可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该多因素溯源的数据中台信息管理***200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该多因素溯源的数据中台信息管理***200与该终端设备也可以是分立的设备，并且多因素溯源的数据中台信息管理***200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图4为根据本申请实施例的多因素溯源的数据中台信息管理方法的场景示意图。如图4所示，在该应用场景中，首先，获取被监控设备在预定时间段内多个预定时间点的工作状态指标(例如，如图4中所示意的C)；然后，将获取的工作状态指标输入至部署有多因素溯源的数据中台信息管理算法的服务器(例如，如图4中所示意的S)中，其中所述服务器能够基于多因素溯源的数据中台信息管理算法对所述工作状态指标进行处理，以确定被监控设备的工作状态是否异常。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (7)
1.一种多因素溯源的数据中台信息管理方法，其特征在于，包括：
获取被监控设备在预定时间段内多个预定时间点的工作状态指标，其中，所述工作状态指标包括温度值、湿度值、压力值和电流值；
分别对所述多个预定时间点的工作状态指标进行工作状态指标间关联编码以得到多个设备工作指标编码特征向量；
对所述多个设备工作指标编码特征向量进行时序关联模式特征分析以得到设备状态时序语义特征；以及
基于所述设备状态时序语义特征，确定被监控设备的工作状态是否异常。
2.根据权利要求1所述的多因素溯源的数据中台信息管理方法，其特征在于，分别对所述多个预定时间点的工作状态指标进行工作状态指标间关联编码以得到多个设备工作指标编码特征向量，包括：将所述多个预定时间点的工作状态指标分别通过基于全连接层的状态指标编码器以得到所述多个设备工作指标编码特征向量。
3.根据权利要求2所述的多因素溯源的数据中台信息管理方法，其特征在于，对所述多个设备工作指标编码特征向量进行时序关联模式特征分析以得到设备状态时序语义特征，包括：
将所述多个设备工作指标编码特征向量通过基于门控循环单元的工作状态特征时序关联编码器以得到全局设备工作状态时序关联特征向量；
将所述多个设备工作指标编码特征向量排列为矩阵后通过基于卷积神经网络模型的设备工作状态局部关联模式特征提取器以得到设备工作状态局部关联时序特征向量；以及
融合所述全局设备工作状态时序关联特征向量和所述设备工作状态局部关联时序特征向量以得到多尺度设备状态时序语义特征向量作为所述设备状态时序语义特征。
4.根据权利要求3所述的多因素溯源的数据中台信息管理方法，其特征在于，将所述多个设备工作指标编码特征向量排列为矩阵后通过基于卷积神经网络模型的设备工作状态局部关联模式特征提取器以得到设备工作状态局部关联时序特征向量，包括：
使用所述基于卷积神经网络模型的设备工作状态局部关联模式特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述基于卷积神经网络模型的设备工作状态局部关联模式特征提取器的最后一层的输出为所述设备工作状态局部关联时序特征向量，其中，所述基于卷积神经网络模型的设备工作状态局部关联模式特征提取器的第一层的输入为所述多个设备工作指标编码特征向量排列的矩阵。
5.根据权利要求4所述的多因素溯源的数据中台信息管理方法，其特征在于，基于所述设备状态时序语义特征，确定被监控设备的工作状态是否异常，包括：
对所述多尺度设备状态时序语义特征向量进行特征分布优化以得到优化多尺度设备状态时序语义特征向量；以及
将所述优化多尺度设备状态时序语义特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控设备的工作状态是否异常。
6.根据权利要求5所述的多因素溯源的数据中台信息管理方法，其特征在于，对所述多尺度设备状态时序语义特征向量进行特征分布优化以得到优化多尺度设备状态时序语义特征向量，包括：
对所述全局设备工作状态时序关联特征向量和所述设备工作状态局部关联时序特征向量进行特征校正融合以得到校正特征向量；以及
融合所述校正特征向量和所述多尺度设备状态时序语义特征向量以得到所述优化多尺度设备状态时序语义特征向量。
7.根据权利要求6所述的多因素溯源的数据中台信息管理方法，其特征在于，将所述优化多尺度设备状态时序语义特征向量通过分类器以得到分类结果，所述分类结果用于表示被监控设备的工作状态是否异常，包括：
使用所述分类器的多个全连接层对所述优化多尺度设备状态时序语义特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311460822.3A CN117390529A (zh) | 2023-11-03 | 2023-11-03 | 多因素溯源的数据中台信息管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311460822.3A CN117390529A (zh) | 2023-11-03 | 2023-11-03 | 多因素溯源的数据中台信息管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117390529A true CN117390529A (zh) | 2024-01-12 |
Family
ID=89440680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311460822.3A Pending CN117390529A (zh) | 2023-11-03 | 2023-11-03 | 多因素溯源的数据中台信息管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117390529A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117579513A (zh) * | 2024-01-16 | 2024-02-20 | 北京中科网芯科技有限公司 | 汇聚分流设备的可视化运维***及其方法 |
| CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测***及方法 |
-
2023
- 2023-11-03 CN CN202311460822.3A patent/CN117390529A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117579513A (zh) * | 2024-01-16 | 2024-02-20 | 北京中科网芯科技有限公司 | 汇聚分流设备的可视化运维***及其方法 |
| CN117579513B (zh) * | 2024-01-16 | 2024-04-02 | 北京中科网芯科技有限公司 | 汇聚分流设备的可视化运维***及其方法 |
| CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测***及方法 |
| CN117598700B (zh) * | 2024-01-23 | 2024-03-29 | 吉林大学 | 智能化血氧饱和度检测***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220137612A1 (en) | Transformer fault diagnosis and positioning system based on digital twin | |
| CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
| WO2020001642A1 (zh) | 一种运维***及方法 | |
| CN117390529A (zh) | 多因素溯源的数据中台信息管理方法 | |
| WO2020077672A1 (zh) | 一种服务质量评估模型的训练方法及装置 | |
| CN106598791B (zh) | 一种基于机器学习的工业设备故障预防性识别方法 | |
| CN101989087B (zh) | 工业化加工渣油的在线实时故障监测与诊断的***装置 | |
| CN110674189B (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
| CN117234785B (zh) | 基于人工智能自查询的集控平台错误分析*** | |
| CN112817280A (zh) | 一种用于火电厂智慧监盘报警***实现方法 | |
| CN114580291B (zh) | 一种基于lstm-vae的动设备健康状况评估方法 | |
| CN117393076B (zh) | 耐热环氧树脂生产过程智能监测方法及*** | |
| KR102543064B1 (ko) | Ｒｐａ 기반 제조환경 모니터링 서비스 제공 시스템 | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| CN116882823A (zh) | 自纠错的多层级工程质量评定管理平台 | |
| CN117055502A (zh) | 基于物联网和大数据分析的智能控制*** | |
| CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理*** | |
| CN117056688A (zh) | 一种基于数据分析的新材料生产数据管理***及方法 | |
| Mendia et al. | A novel approach for the detection of anomalous energy consumption patterns in industrial cyber‐physical systems | |
| CN107818523B (zh) | 基于非稳定频率分布与频率因子学习的电力通信***数据真值判别与推断方法 | |
| KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
| KR102535019B1 (ko) | Graph autoencoder를 활용한 자동화 설비 동작 시퀀스 이상 감지 방법 | |
| CN118011990B (zh) | 基于人工智能的工业数据品质监控与提升*** | |
| CN117591887A (zh) | 预测模型训练方法以及危险废物监测方法 | |
| CN118210283A (zh) | 一种基于物联网平台的工厂运行检测方法、设备及介质 |
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 |