CN114548236A - 一种生产条件监控方法与系统 - Google Patents
一种生产条件监控方法与系统 Download PDFInfo
- Publication number
- CN114548236A CN114548236A CN202210105310.4A CN202210105310A CN114548236A CN 114548236 A CN114548236 A CN 114548236A CN 202210105310 A CN202210105310 A CN 202210105310A CN 114548236 A CN114548236 A CN 114548236A
- Authority
- CN
- China
- Prior art keywords
- production condition
- classifier
- production
- module
- condition parameters
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 258
- 238000012544 monitoring process Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000011156 evaluation Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000013106 supervised machine learning method Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 7
- 238000003912 environmental pollution Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 4
- 238000009825 accumulation Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000005856 abnormality Effects 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- -1 biologicals Substances 0.000 description 1
- 229960000074 biopharmaceutical Drugs 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种生产条件监控方法与系统，方法包括：利用传感器采集生产条件参数，并对下线的产品进行综合效益评估；分别采用单类别分类和有监督机器学习方法训练分类器，监测生产条件是否达标，并在生产条件不达标时以最小代价进行调整。本发明技术方案可以自动监测生产条件是否达标，减轻人工监控的弊端，保证生产过程的安全和高效能，减少所需的人力物力，提高经济效益。并且，可在异常数据不足的情况下，以单类别分类器为主，迅速开展自动监控，而随着生产过程异常数据的积累，加大有监督学习分类器预测结果的权重，提高预测的准确率，从而适应各种不同的生产条件监控应用场景，实用性强，应用范围广。
Description
技术领域
本发明属于工业控制和生产条件监测领域，具体涉及一种生产条件监控方法与系统。
背景技术
生产条件包括生产环境以及与工艺相关的一些物质条件、因素、状态。很多产品的生产，例如芯片、化工制品、生物制品、药品、工艺品等等，对生产条件有非常严格的要求。生产条件是影响产品质量、产量、安全生产、经济效益、社会效益的重要因素。在很多情况下，从生产条件发生异常到从产品或其关联产品中发现异常，会有较长的延时；如果不能及时发现生产条件的异常，则可能在发现产品异常时已经造成了严重的后果。因此，在工农业生产中，往往需要对生产条件进行持续监控，以保证生产过程安全、有序、高效能地进行。随着现代化工业、农业生产的自动化程度越来越高，生产条件的自动监控也受到了越来越多的关注。
现有的生产条件监控大多需要人工监测和手动调整，容易因为监控人员的疏漏和经验不足造成问题，而且通常需要大量的人力和物力，不能满足现代化大生产和智能制造的需要。
此外，节能也是生产条件监控要考虑的一个重要因素。生产条件一般是由多种因素综合而成，而节能也需要从多方面综合考虑。生产条件监控时除了保证产品综合效益，还要考虑到节能的问题。
如何实现生产条件的自动化、智能化监测和控制，以满足产品综合效益达标和节能的要求，成为亟待解决的问题。
发明内容
本发明的目的是针对生产条件的自动化、智能化监控的需求，而提供一种生产条件监控方法与系统。
本发明第一方面提供了一种生产条件监控方法，包括：通过传感器采集和存储生产条件参数，并对下线的产品进行综合效益评估；根据下线的产品综合效益评估是否达标，判断其对应的生产条件参数是否正常，并进行标注；所述综合效益评估包括对产品质量、生产效益、环境污染风险、能源消耗中一项或多项因素的评估；
利用正常生产条件参数，采用单类别分类机器学习方法训练第一分类器，用于预测生产条件参数是否正常；
利用正常和异常生产条件参数及其标注，采用有监督机器学习方法训练第二分类器，用于预测生产条件参数是否正常；
分别使用第一分类器和第二分类器，预测生产条件参数是否正常；预设第一分类器和第二分类器预测结果的权重；根据第一分类器和第二分类器的预测结果和权重，获得生产条件参数预测结果；如果生产条件参数预测结果是异常，则根据预先设定的生产条件调整代价计算方法，在预设的生产条件参数变化范围内搜索，获得与当前生产条件参数相比调整代价最小的正常生产条件参数，并将其作为目标生产条件参数，对生产条件进行调整；否则不改变当前生产条件。
基于上述，利用生产过程中积累的数据，继续训练和更新第一分类器和第二分类器，并更新第一分类器和第二分类器的预测结果的权重。
基于上述，随着生产过程中积累的异常生产条件参数数据数量的增加，减小第一分类器预测结果的权重，增大第二分类器预测结果的权重。
基于上述，第一分类器的初始权重值为1，第二分类器的初始权重值为0。
基于上述，所述的预先设定的生产条件调整代价计算方法，包括计算将生产条件由生产条件参数为初始参数值的状态，调整至生产条件参数为目标参数值的状态，所需消耗的资源、成本或时间，或其综合代价的方法。
基于上述，预设的生产条件参数变化范围，包括预先定义的正常生产条件参数集合。
基于上述，预设的生产条件参数变化范围，包括预设的生产条件参数以当前生产条件参数为中心，上下变动的范围。
基于上述，所述的对生产条件进行调整包括：根据目标生产条件参数，改变或设定生产线及外围设备的设定值，对生产条件进行调整。
基于上述，所述生产条件参数包括温度、湿度、声音、光、压力、位移、速度、加速度、电压、电流、流量、粒度、浓度中的一项或多项。
本发明第二方面还提供一种生产条件监控系统，包括训练子系统和监控子系统；训练子系统包括采集及评估模块、第一训练模块和第二训练模块，用于通过生产条件参数和产品综合效益评估数据，训练得到第一分类器和第二分类器；监控子系统包括采集模块、第一预测模块、第二预测模块、判别模块和控制模块，用于通过第一分类器和第二分类器进行生产条件监测和控制；其中，
采集及评估模块，用于通过传感器采集生产条件参数，并对下线的产品综合效益评估是否达标进行评估；根据下线的产品综合效益评估是否达标，判断其对应的生产条件参数是否正常，并进行标注；将生产条件参数和对应的标注发送到第一训练模块和第二训练模块；
第一训练模块，接收采集及评估模块发送的生产条件参数和标注，利用正常生产条件参数，采用单类别分类机器学习方法训练第一分类器；
第二训练模块，接收采集及评估模块发送的生产条件参数和标注，利用正常和异常生产条件参数及其标注，采用有监督机器学习方法训练第二分类器；
采集模块，用于通过传感器采集生产条件参数，并发送到控制模块、第一预测模块和第二预测模块；
第一预测模块，用于使用第一分类器，预测接收到的生产条件参数是否正常，并将预测结果发送给判别模块；
第二预测模块，用于使用第二分类器，预测接收到的生产条件参数是否正常，并将预测结果发送给判别模块；
判别模块，用于根据接收到的第一预测模块和第二预测模块发送的预测结果，以及根据预设的第一分类器和第二分类器的权重，获得生产条件参数判别结果，并发送给控制模块；
控制模块，用于根据接收到的生产条件参数和生产条件参数判别结果，改变或者设定或者维持生产线及外围设备的设定值，对生产条件进行调整；
采集及评估模块分别与第一训练模块和第二训练模块通信连接，采集模块、判别模块分别与第一预测模块和第二预测模块通信连接，控制模块与采集模块和判别模块通信连接，以实现上述的生产条件监控方法。
本发明技术方案利用传感器采集生产条件参数，并对下线的产品进行综合效益评估；通过对生产条件参数和产品综合效益评估结果的分析，分别采用单类别分类和有监督机器学习的方法训练分类器，监测生产条件是否达标，并在生产条件不达标时以最小代价进行调整。相对现有技术，本发明技术方案具有突出的实质性特点和显著的进步，具体地说：
1．本发明技术方案可以实现对生产条件的自动化、智能化监测和控制，自动监测生产条件是否达标，并在生产条件不达标时以最小代价进行调整，可以减轻人工监控的弊端，保证生产过程的安全和高效能，还可减少所需的人力物力，降低资源、能源消耗以及生产成本，提高经济效益。
2．本发明技术方案可以通过单类别分类和有监督机器学习方法的结合，在实施生产条件监控的前期异常数据不足的情况下，以单类别分类器为主，迅速开展自动监控，而随着生产过程异常数据的积累，加大有监督学习分类器预测结果的权重，提高预测的准确率，从而可以适应各种不同的生产条件监控应用场景，实用性强，应用范围广。
附图说明
图1是本发明实施例1提供的生产条件监控方法的流程框图。
图2是本发明实施例3提供的生产条件监控系统的原理框图。
具体实施方式
实施例1
本实施例提供一种生产条件监控方法，如图1所示，包括：通过传感器采集和存储生产条件参数，并对下线的产品进行综合效益评估；根据下线的产品综合效益评估是否达标，判断其对应的生产条件参数是否正常，并进行标注；所述综合效益评估包括对产品质量、生产效益、环境污染风险、能源消耗中一项或多项因素的评估；
利用正常生产条件参数，采用单类别分类机器学习方法训练第一分类器，用于预测生产条件参数是否正常；
利用正常和异常生产条件参数及其标注，采用有监督机器学习方法训练第二分类器，用于预测生产条件参数是否正常；
分别使用第一分类器和第二分类器，预测生产条件参数是否正常；预设第一分类器和第二分类器预测结果的权重；根据第一分类器和第二分类器的预测结果和权重，获得生产条件参数预测结果；如果生产条件参数预测结果是异常，则根据预先设定的生产条件调整代价计算方法，在预设的生产条件参数变化范围内搜索，获得与当前生产条件参数相比调整代价最小的正常生产条件参数，并将其作为目标生产条件参数，对生产条件进行调整；否则不改变当前生产条件。
所述第一分类器和第二分类器中，分类器包括分类方法、算法、模型及其参数，分类器的形式包括计算机软件、装置、设备、存储介质等。
本实施例中，生产条件参数包括温度、湿度、声音、气体、光、压力、加速度、电压、电流等中的一种或多种。对于每种生产条件参数，可以采用一个或多个相应的传感器进行采集。
产品的质量评估可以采用人工检验，也可以采用图像识别、分类等方法，或者使用基于声音、振动或者光等进行检测的方法。对于有些类型产品，也可以进行破坏性或侵入性的抽检。产品的质量评估结果包括分数、质量等级，或者简单的合格与不合格等形式。
环境污染风险包括产品本身可能造成的环境污染风险，还可包括生产产品过程中产生的污水、废气、废料等造成环境污染风险。
综合效益评估是一种量化的评估，既可以组成综合效益的每一项因素单独评估，把各项因素的评估作为一个矢量来使用，也可以把各项因素的评估有机结合成为一个指标来使用。
产品综合效益评估结果和其对应的生产条件参数的对应关系，通常是指将产品综合效益评估结果，与生产该产品时的生产条件参数相对应。
单类别分类是指仅有一类数据可用或仅关注一类的分类学习，或者叫单类学习。由于生产条件参数大多数是在正常生产条件采集到的，异常数据往往稀少或者缺失，尤其是在监控初期，大多只有正常数据，因此需要进行单类别分类。单类别分类利用仅有的一类目标数据建立起相应的数据描述边界，给出一个关于训练样本集的描述，从而将对未知样本的分类转化为检验未知样本是否符合学习得到的目标样本的描述。如果符合，则接受未知样本为目标类样本，否则拒绝接受。单类别分类主要有概率密度估计方法、重建方法以及支持边界方法等。
当采集生产条件参数的时间足够长，积累到了足够多的异常数据以后，则可以使用有监督学习的方法训练分类器。
本实施例中，利用生产过程中积累的数据，继续训练和更新第一分类器和第二分类器，并更新第一分类器和第二分类器的预测结果的权重。随着生产过程中积累的异常生产条件参数数据数量的增加，减小第一分类器预测结果的权重，增大第二分类器预测结果的权重。而在监控初期，用于训练第二分类器的异常生产条件参数数量不足时，第一分类器的初始权重值为1，第二分类器的初始权重值为0。
这样可以在前期异常数据不足的情况下，以单类学习的第一分类器为主，迅速开展自动监控，而随着生产过程异常数据的积累，加大有监督学习分类器预测结果的权重，提高预测的准确率，
本实施例中，所述的预先设定的生产条件调整代价计算方法，包括计算将生产条件由生产条件参数为初始参数值的状态，调整至生产条件参数为目标参数值的状态，所需消耗的资源、成本或时间，或其综合代价的方法。
本实施例中，所述的对生产条件进行调整包括：根据目标生产条件参数，改变或设定外围设备的设定值，对生产条件进行调整。
所述外围设备包括空调、加湿器、除湿器、压力控制器、光源控制器、电源控制器、流量控制器中的一项或多项。
本实施例中，预设的生产条件参数变化范围，包括预先定义的正常生产条件参数集合。如果生产条件参数预测结果是异常，则根据预先设定的生产条件调整代价计算方法，在该条件参数集合搜索，获得与当前生产条件参数相比调整代价最小的正常生产条件参数，并将其作为目标生产条件参数，对生产条件进行调整。
实施例2
本实施例提供另一种生产条件监控方法，与实施例1的区别在于：本实施例中，预设的生产条件参数变化范围，包括预设的生产条件参数以当前生产条件参数为中心，上下变动的范围。所述生产条件参数包括一项或多项指标。如果生产条件参数预测结果是异常，则根据预先设定的生产条件调整代价计算方法，在该范围内，根据预设的搜索步长，获得各项指标在预设的生产条件参数变化范围内的有效值，确定在此范围内的多个待选生产条件参数，判断待选生产条件参数是否正常生产条件参数，并从中选择与当前生产条件参数相比调整代价最小的正常生产条件参数，将其作为目标生产条件参数，对生产条件进行调整。
实施例3
本实施例提供一种生产条件监控系统，如图2所示，包括训练子系统和监控子系统；训练子系统包括采集及评估模块、第一训练模块和第二训练模块，用于通过生产条件参数和产品综合效益评估数据，训练得到第一分类器和第二分类器；监控子系统包括采集模块、第一预测模块、第二预测模块、判别模块和控制模块，用于通过第一分类器和第二分类器进行生产条件监测和控制；其中，
采集及评估模块，用于通过传感器采集生产条件参数，并对下线的产品综合效益评估是否达标进行评估；根据下线的产品综合效益评估是否达标，判断其对应的生产条件参数是否正常，并进行标注；将生产条件参数和对应的标注发送到第一训练模块和第二训练模块；
第一训练模块，接收采集及评估模块发送的生产条件参数和标注，利用正常生产条件参数，采用单类别分类机器学习方法训练第一分类器；
第二训练模块，接收采集及评估模块发送的生产条件参数和标注，利用正常和异常生产条件参数及其标注，采用有监督机器学习方法训练第二分类器；
采集模块，用于通过传感器采集生产条件参数，并发送到控制模块、第一预测模块和第二预测模块；
第一预测模块，用于使用第一分类器，预测接收到的生产条件参数是否正常，并将预测结果发送给判别模块；
第二预测模块，用于使用第二分类器，预测接收到的生产条件参数是否正常，并将预测结果发送给判别模块；
判别模块，用于根据接收到的第一预测模块和第二预测模块发送的预测结果，以及根据预设的第一分类器和第二分类器的权重，获得生产条件参数判别结果，并发送给控制模块；
控制模块，用于根据接收到的生产条件参数和生产条件参数判别结果，改变或者设定或者维持生产线及外围设备的设定值，对生产条件进行调整；
采集及评估模块分别与第一训练模块和第二训练模块通信连接，采集模块、判别模块分别与第一预测模块和第二预测模块通信连接，控制模块与采集模块和判别模块通信连接，以实现实施例1或实施例2所述的生产条件监控方法。
训练子系统通过训练得到的第一分类器和第二分类器，可以通过通信连接发送给监控子系统，也可以通过存储介质拷贝、数据写入、或者以硬件装置、设备等方式发放给监控子系统。
可选地，可以在同一生产线上配置训练子系统和监控子系统，通过前期的训练和参数配置，逐步得到稳定可靠的监控子系统，以便对该生产线进行持续的生产条件监控。
可选地，可以在多个相同或相似生产线上配置采集及评估模块，以迅速积累大量数据用于训练子系统。
可选地，可以在一个生产线上配置训练子系统和监控子系统，逐步得到稳定可靠的监控子系统，用于多个生产线的生产条件监控。
可选地，还可以通过一个训练子系统得到第一分类器和第二分类器，然后把第一分类器和第二分类器发放给一个或多个监控子系统使用。不同的监控子系统可以使用不同的生产条件参数预测算法，或者为第一分类器和第二分类器设置不同的权重，或者使用不同的生产条件调整方法。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种生产条件监控方法，其特征在于，包括：
通过传感器采集和存储生产条件参数，并对下线的产品进行综合效益评估；根据下线的产品综合效益评估是否达标，判断其对应的生产条件参数是否正常，并进行标注；所述综合效益评估包括对产品质量、生产效益、环境污染风险、能源消耗中一项或多项因素的评估；
利用正常生产条件参数，采用单类别分类机器学习方法训练第一分类器，用于预测生产条件参数是否正常；
利用正常和异常生产条件参数及其标注，采用有监督机器学习方法训练第二分类器，用于预测生产条件参数是否正常；
分别使用第一分类器和第二分类器，预测生产条件参数是否正常；预设第一分类器和第二分类器预测结果的权重；根据第一分类器和第二分类器的预测结果和权重，获得生产条件参数预测结果；如果生产条件参数预测结果是异常，则根据预先设定的生产条件调整代价计算方法，在预设的生产条件参数变化范围内搜索，获得与当前生产条件参数相比调整代价最小的正常生产条件参数，并将其作为目标生产条件参数，对生产条件进行调整；否则不改变当前生产条件。
2.根据权利要求1所述的生产条件监控方法，其特征在于，还包括：利用生产过程中积累的数据，继续训练和更新第一分类器和第二分类器，并更新第一分类器和第二分类器的预测结果的权重。
3.根据权利要求2所述的生产条件监控方法，其特征在于：随着生产过程中积累的异常生产条件参数数据数量的增加，减小第一分类器预测结果的权重，增大第二分类器预测结果的权重。
4.根据权利要求1所述的生产条件监控方法，其特征在于：第一分类器的初始权重值为1，第二分类器的初始权重值为0。
5.根据权利要求1所述的生产条件监控方法，其特征在于：所述的预先设定的生产条件调整代价计算方法，包括计算将生产条件由生产条件参数为初始参数值的状态，调整至生产条件参数为目标参数值的状态，所需消耗的资源、成本或时间，或其综合代价的方法。
6.根据权利要求1所述的生产条件监控方法，其特征在于：预设的生产条件参数变化范围，包括预先定义的正常生产条件参数集合。
7.根据权利要求1所述的生产条件监控方法，其特征在于：预设的生产条件参数变化范围，包括预设的生产条件参数以当前生产条件参数为中心，上下变动的范围。
8.根据权利要求1所述的生产条件监控方法，其特征在于，所述的对生产条件进行调整包括：根据目标生产条件参数，改变或设定生产线及外围设备的设定值，对生产条件进行调整。
9.根据权利要求1所述的生产条件监控方法，其特征在于：所述生产条件参数包括温度、湿度、声音、光、压力、位移、速度、加速度、电压、电流、流量、粒度、浓度中的一项或多项。
10.一种生产条件监控系统，其特征在于，包括训练子系统和监控子系统；训练子系统包括采集及评估模块、第一训练模块和第二训练模块，用于通过生产条件参数和产品综合效益评估数据，训练得到第一分类器和第二分类器；监控子系统包括采集模块、第一预测模块、第二预测模块、判别模块和控制模块，用于通过第一分类器和第二分类器进行生产条件监测和控制；其中，
采集及评估模块，用于通过传感器采集生产条件参数，并对下线的产品综合效益评估是否达标进行评估；根据下线的产品综合效益评估是否达标，判断其对应的生产条件参数是否正常，并进行标注；将生产条件参数和对应的标注发送到第一训练模块和第二训练模块；
第一训练模块，接收采集及评估模块发送的生产条件参数和标注，利用正常生产条件参数，采用单类别分类机器学习方法训练第一分类器；
第二训练模块，接收采集及评估模块发送的生产条件参数和标注，利用正常和异常生产条件参数及其标注，采用有监督机器学习方法训练第二分类器；
采集模块，用于通过传感器采集生产条件参数，并发送到控制模块、第一预测模块和第二预测模块；
第一预测模块，用于使用第一分类器，预测接收到的生产条件参数是否正常，并将预测结果发送给判别模块；
第二预测模块，用于使用第二分类器，预测接收到的生产条件参数是否正常，并将预测结果发送给判别模块；
判别模块，用于根据接收到的第一预测模块和第二预测模块发送的预测结果，以及根据预设的第一分类器和第二分类器的权重，获得生产条件参数判别结果，并发送给控制模块；
控制模块，用于根据接收到的生产条件参数和生产条件参数判别结果，改变或者设定或者维持生产线及外围设备的设定值，对生产条件进行调整；
采集及评估模块分别与第一训练模块和第二训练模块通信连接，采集模块、判别模块分别与第一预测模块和第二预测模块通信连接，控制模块与采集模块和判别模块通信连接，以实现权利要求1-9任一项所述的生产条件监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210105310.4A CN114548236A (zh) | 2022-01-28 | 2022-01-28 | 一种生产条件监控方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210105310.4A CN114548236A (zh) | 2022-01-28 | 2022-01-28 | 一种生产条件监控方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114548236A true CN114548236A (zh) | 2022-05-27 |
Family
ID=81673249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210105310.4A Pending CN114548236A (zh) | 2022-01-28 | 2022-01-28 | 一种生产条件监控方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114548236A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118392255A (zh) * | 2024-07-01 | 2024-07-26 | 四川奥凸科技有限公司 | 一种水厂机电设备运行工况监测方法、系统和设备 |
-
2022
- 2022-01-28 CN CN202210105310.4A patent/CN114548236A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118392255A (zh) * | 2024-07-01 | 2024-07-26 | 四川奥凸科技有限公司 | 一种水厂机电设备运行工况监测方法、系统和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110322583B (zh) | 异常探测系统、支持装置以及异常探测方法 | |
| CN111555716B (zh) | 光伏阵列工作状态的确定方法、装置、设备及存储介质 | |
| CN114510098B (zh) | 一种生产环境调控方法与系统 | |
| EP3296822B1 (en) | Model-plant mismatch detection using model parameter data clustering for paper machines or other systems | |
| CN114548236A (zh) | 一种生产条件监控方法与系统 | |
| CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
| CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
| CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
| CN116488351A (zh) | 一种基于物联网的低压配电箱远程监控方法和系统 | |
| CN113204919B (zh) | 基于数字孪生的主变油枕状态预测方法、装置及电子设备 | |
| CN117850375B (zh) | 一种生产线的多维度监测系统 | |
| CN117519054B (zh) | 一种高效冷站控制系统 | |
| CN118170091A (zh) | 一种边缘智能计算工业控制方法及系统 | |
| CN116363843A (zh) | 试验室设备预警系统 | |
| US11970178B2 (en) | Computer-implemented method for machine learning for operating a vehicle component, and method for operating a vehicle component | |
| CN118297486B (zh) | 基于人工智能的工厂设备评价方法及系统 | |
| CN115470442A (zh) | 面向石化产品生产线系统风险辨识的动态关联分析方法 | |
| CN111652313A (zh) | 基于聚类分析的多源异构数据挖掘方法 | |
| CN118014313B (zh) | 一种基于物联网的仓储装备远程监控系统 | |
| CN118409573B (zh) | 一种基于剪管设备的剪管自动化控制方法、系统及设备 | |
| KR102512089B1 (ko) | 인공지능 기반 인지-제어기능이 적용된 디젤형 발전기 자동운용 제어반 | |
| CN110263949B (zh) | 融合机器机理与人工智能算法系统的数据处理方法及系统 | |
| CN114414736B (zh) | 一种人工智能空气质量检测装置及检测方式 | |
| CN118549620A (zh) | 一种燃料监测系统及监测方法 | |
| CN118777924A (zh) | 一种电源冗余模块的检验系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |