CN115507897B - 用于烟草产线检测装置的状态监测方法、装置及设备 - Google Patents
用于烟草产线检测装置的状态监测方法、装置及设备 Download PDFInfo
- Publication number
- CN115507897B CN115507897B CN202211171280.3A CN202211171280A CN115507897B CN 115507897 B CN115507897 B CN 115507897B CN 202211171280 A CN202211171280 A CN 202211171280A CN 115507897 B CN115507897 B CN 115507897B
- Authority
- CN
- China
- Prior art keywords
- production line
- detection device
- system data
- line detection
- tobacco production
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 198
- 241000208125 Nicotiana Species 0.000 title claims abstract description 141
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 141
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012806 monitoring device Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 33
- 238000001914 filtration Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000004806 packaging method and process Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 235000019504 cigarettes Nutrition 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 235000019505 tobacco product Nutrition 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 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
- 238000003958 fumigation Methods 0.000 description 1
- 230000010354 integration Effects 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
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种用于烟草产线检测装置的状态监测方法，包括：获取烟草产线检测装置的标准系统数据，对所述标准系统数据进行语义增强处理，得到所述烟草产线检测装置的标准系统特征，并生成所述标准系统特征的标准系统关联表；利用所述标准系统关联表对预设的状态检测模型进行调优处理，得到优化后的状态检测模型，利用所述优化后的状态检测模型对所述烟草产线检测装置进行工作状态的判断和故障模块的定位。此外，本发明还涉及区块链技术，数据列表可存储于区块链的节点。本发明还提出一种用于烟草产线检测装置的状态监测装置及设备。本发明可以提高用于烟草产线检测装置的状态监测的效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种用于烟草产线检测装置的状态监测方法、装置及设备。
背景技术
中国为全球烟草制品的较大制造者与消费者，生产全球40%以上的烟草制品，烟草制造步骤繁复，包括烟草的拣选、熏蒸、除骨、压片、切丝、干冷、加香、卷制、包装等，制造过程耗时耗力。在上世纪七八十年代，香烟包装基本上都是依靠人工生产完成的，而且，相较于一些礼品盒之类的，香烟的包装显得再普通不过了。随着自动化技术的发展，烟草制造业者开始采用各种机械设备提升烟草生产的效率与质量。
现如今，香烟的包装已经依靠机械化，包装也复杂很多，机械一体化的制作，加上防伪水印，工序也会多上很多。平时，由于系统无法稳定正常运作且发现异常状况不及时，导致生产的产品质量不稳定，产线不得不时常中断，有时还可能引发线路起火等严重安全事故，为了保证烟草产线的良好运转，提升烟草产线的状态监测效率成了亟待解决的问题。
发明内容
本发明提供一种用于烟草产线检测装置的状态监测方法及装置，其主要目的在于解决用于烟草产线检测装置的状态监测时效率较低的问题。
为实现上述目的，本发明提供的一种用于烟草产线检测装置的状态监测方法，包括：
利用界面埋点获取正常工作状态下烟草产线检测装置的多个工作模块的标准模块信息，对所述标准模块信息进行集成，得到所述烟草产线检测装置的标准系统数据；
对所述标准系统数据进行语义增强处理，得到所述烟草产线检测装置的标准系统特征；
将所述标准系统特征与所述工作模块进行关联存储，得到标准系统关联表；
利用所述标准系统关联表中的标准系统特征对预设的状态检测模型进行调优处理，得到优化后的状态检测模型；
生成所述烟草产线检测装置的实时系统信息，将所述实时系统信息输入至所述优化后的状态检测模型，得到所述烟草产线检测装置的工作状态；
选取所述烟草产线检测装置处于异常工作状态时的实时系统信息为异常系统数据，根据所述异常系统数据确定所述烟草产线检测装置中发生故障的工作模块。
可选地，所述利用界面埋点获取正常工作状态下烟草产线检测装置的多个工作模块的标准模块信息，包括：
获取烟草产线检测装置的多个工作模块的埋点事件，对所述埋点事件进行元素转化，得到目标埋点元素；
将所述目标埋点元素添加到所述工作模块的关键节点处，完成埋点；
根据所述埋点生成所述工作模块的模块日志，对所述模块日志进行日志解析，得到所述工作模块的标准模块信息。
可选地，所述所述对所述标准系统数据进行语义增强处理，得到所述烟草产线检测装置的标准系统特征，包括：
对所述标准系统数据进行缺失值处理，得到所述标准系统数据的一级系统数据；
对所述一级系统数据进行异常值过滤，得到所述一级系统数据的二级系统数据；
对所述二级系统数据进行向量化转化，得到所述二级系统数据的特征向量；
对所述特征向量进行语义增强处理，得到所述烟草产线检测装置的标准系统特征。
可选地，所述对所述一级系统数据进行异常值过滤，得到所述一级系统数据的二级系统数据，包括：
根据方差过滤算法对所述一级系统数据进行异常值过滤，得到所述一级系统数据的初级系统数据；
根据卡方过滤算法对所述初级系统数据进行异常值过滤，得到所述初级系统数据的中级系统数据；
利用如下联合假设算法计算所述中级系统数据中的随机变量组的方差比：
其中，为所述中级系统数据中的随机变量组的方差比，代表所述中级系统数
据中的第组随机变量的方差，代表所述中级系统数据中的第组随机变量的方差，代
表所述中级系统数据中的第组随机变量的平均值，代表所述中级系统数据中的第组随
机变量的平均值，代表所述随机变量组的组数，是所述随机变量组的标识，是所述随机
变量组的标识；
根据所述方差比对所述中级系统数据进行异常值过滤，得到所述中级系统数据的二级系统数据。
可选地，所述将所述标准系统特征与所述工作模块进行关联存储，得到标准系统关联表，包括：
提取所述标准系统特征的特征关键词；
按照预设的模块索引对所述特征关键词进行分类，得到所述特征关键词的分类关键词；
将所述分类关键词与所述烟草产线检测装置中的工作模块进行关联存储，得到所述烟草产线检测装置的标准系统关联表。
可选地，所述利用所述标准系统关联表中的标准系统特征对预设的状态检测模型进行调优处理，得到优化后的状态检测模型，包括：
将所述标准系统特征输入至预设的状态检测模型，得到所述标准系统特征的特征标签；
计算所述特征标签与预设的系统标签之间的特征误差值，根据所述特征误差值生成所述预设的状态检测模型的损失函数；
利用所述损失函数对所述预设的状态检测模型进行调优处理，得到优化后的状态检测模型。
可选地，所述将所述实时系统信息输入至所述优化后的状态检测模型，得到所述烟草产线检测装置的工作状态，包括：
将所述实时系统信息输入至所述优化后的状态检测模型确定所述烟草产线检测装置的期望产量；
根据所述实时系统数据确定所述烟草产线检测装置的实时产量，比较所述期望产量与所述实时产量的大小；
当所述实时产量小于所述期望产量时，所述烟草产线检测装置处于异常工作状态；
当所述实时产量大于或者等于所述期望产量时，所述烟草产线检测装置处于正常工作状态。
为了解决上述问题，本发明还提供一种用于烟草产线检测装置的状态监测装置，所述装置包括：
标准系统数据模块，用于利用界面埋点获取正常工作状态下烟草产线检测装置的多个工作模块的标准模块信息，对所述标准模块信息进行集成，得到所述烟草产线检测装置的标准系统数据；
标准系统特征模块，用于对所述标准系统数据进行语义增强处理，得到所述烟草产线检测装置的标准系统特征；
标准系统关联表模块，用于将所述标准系统特征与所述工作模块进行关联存储，得到标准系统关联表；
模型调优模块，用于利用所述标准系统关联表中的标准系统特征对预设的状态检测模型进行调优处理，得到优化后的状态检测模型；
工作状态判断模块，用于生成所述烟草产线检测装置的实时系统信息，将所述实时系统信息输入至所述优化后的状态检测模型，得到所述烟草产线检测装置的工作状态；
故障判断模块，用于选取所述烟草产线检测装置处于异常工作状态时的实时系统信息为异常系统数据，根据所述异常系统数据确定所述烟草产线检测装置中发生故障的工作模块。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的用于烟草产线检测装置的状态监测方法。
本发明实施例通过界面埋点获取正常工作状态下烟草产线检测装置的多个工作模块的标准模块信息，并对所述标准模块信息进行集成，得到所述烟草产线检测装置的标准系统数据，不再使用笨拙的采集代码编程来定义行为采集的触发条件和后续行为，而是通过后端配置或前端可视化圈选等方式来完成关键事件的定义和捕获，可较好地支持关注点变更和历史数据回溯，对所述标准系统数据进行语义增强处理，凸显出所述标准系统数据的显著特征，清除所述标准系统数据中异常数据的干扰，将所述标准系统特征与所述工作模块进行关联存储，得到标准系统关联表，所述标准系统关联表使得所述标准系统特征显示的非常的规整，可读性非常好，利用损失函数对预设的状态检测模型进行调优处理，得到优化后的状态检测模型，根据优化后的状态检测模型实现所述烟草产线检测装置的工作状态的判断和故障的工作模块的判断，提高了所述烟草产线检测装置的状态监测效率，因此本发明提出用于烟草产线检测装置的状态监测方法、装置、装置及设备，可以解决烟草产线检测装置的状态监测效率较低的问题。
附图说明
图1为本发明一实施例提供的用于烟草产线检测装置的状态监测方法的流程示意图；
图2为本发明一实施例提供的获取标准模块信息的流程示意图；
图3为本发明一实施例提供的生成标准系统特征的流程示意图；
图4为本发明一实施例提供的用于烟草产线检测装置的状态监测装置的功能模块图；
图5为本发明一实施例提供的实现所述用于烟草产线检测装置的状态监测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用于烟草产线检测装置的状态监测方法。所述用于烟草产线检测装置的状态监测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，所述用于烟草产线检测装置的状态监测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(ContentDelivery 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用于烟草产线检测装置的状态监测方法的流程示意图。在本实施例中，所述用于烟草产线检测装置的状态监测方法包括：
S1、利用界面埋点获取正常工作状态下烟草产线检测装置的多个工作模块的标准模块信息，对所述标准模块信息进行集成，得到所述烟草产线检测装置的标准系统数据。
在本发明实施例中，利用界面埋点监听界面运行过程中的事件，当需要关注的事件发生时进行判断和捕获，然后获取必要的上下文信息，最后将信息整理后发送至服务器端；根据所述界面埋点进行收据收集，跟踪装置使用情况，为后续的装置的正常工作与装置的优化提供相关的数据支撑。
详细地，为了提高所述界面埋点工作的效率和易用性，不再使用笨拙的采集代码编程来定义行为采集的触发条件和后续行为，而是通过后端配置或前端可视化圈选等方式来完成关键事件的定义和捕获，数据监测工具一般倾向于在监测时捕获和发送尽可能多的事件和信息，而在数据处理后端进行触发条件匹配和统计计算等工作，以较好地支持关注点变更和历史数据回溯。
在本发明实施例中，参图2所示，所述利用界面埋点获取正常工作状态下烟草产线检测装置的多个工作模块的标准模块信息，包括：
S21、获取烟草产线检测装置的多个工作模块的埋点事件，对所述埋点事件进行元素转化，得到目标埋点元素；
S22、将所述目标埋点元素添加到所述工作模块的关键节点处，完成埋点；
S23、根据所述埋点生成所述工作模块的模块日志，对所述模块日志进行日志解析，得到所述工作模块的标准模块信息。
详细地，所述目标埋点元素是指在所述烟草产线检测装置内中特定的收集的一些数据信息，用于追踪所述多个工作模块的使用情况，并为装置的工作状态提供数据支撑，包括但不限于产量、工作电流、工作电压、电功率以及指示灯运行状态。
本发明实施例中，所述埋点可以存储至区块链、数据库等数据存储中；所述对所述埋点事件进行元素转化可通过转化函数实现，如atoi函数。
详细地，所述工作模块包括但不限于：视觉拉线检测装置、烟包内衬检测装置、三号轮质量检测装置和五号轮质量检测装置等其中一个或多个；将从所述工作模块中采集到的模块日志进行数据集成，得到所述模块日志的集成日志，将所述集成日志存储至包装机MICRO II电控系统。
S2、对所述标准系统数据进行语义增强处理，得到所述烟草产线检测装置的标准系统特征。
在本发明实施例中，所述语义增强处理是为了凸显出所述标准系统数据的显著特征，清除所述标准系统数据中异常数据的干扰。
在本发明实施例中，参图3所示，所述对所述标准系统数据进行语义增强处理，得到所述烟草产线检测装置的标准系统特征，包括：
S31、对所述标准系统数据进行缺失值处理，得到所述标准系统数据的一级系统数据；
S32、对所述一级系统数据进行异常值过滤，得到所述一级系统数据的二级系统数据；
S33、对所述二级系统数据进行向量化转化，得到所述二级系统数据的特征向量；
S34、对所述特征向量进行语义增强处理，得到所述烟草产线检测装置的标准系统特征。
详细地，数据分析中的大部分时间，花在了数据预处理上。”数据预处理做得好，往往让我们的数据分析工作事半功倍，其中，正确处理缺失值，更是重中之重。
进一步地，造成缺失值的原因主要包括以下几个方面：信息暂时无法获取，如某种产品的收益等具有滞后效应；数据因人为因素没有被记录、遗漏或丢失；数据采集设备的故障、存储介质、传输媒体故障而造成数据丢失；获取数据的代价太大；有些对象的某个或某些属性是不可用的，如：未婚者的配偶姓名、儿童的固定收入状况等；系统实时性能要求较高，即要求得到这些信息前迅速做出判断或决策。
详细地，可利用删除、插补和忽略等方式进行所述缺失值的处理，其中，所述插补包括但不限于：特殊值填充、平均值填充、热卡填充、K最近距离邻法和多重插补等其中一个或者多个。
详细地，所述向量化转化可以采用词袋模型、Word2Vec和独热编码等。
详细地，所述对所述特征向量进行语义增强处理可以通过对所述特征向量进行赋权计算实现，利用预设的权重矩阵与所述特征向量点乘计算，所述点乘操作是指计算预设的权重矩阵与所述特征向量的哈达玛积，即所述预设的权重矩阵的矩阵维度与所述特征向量的矩阵维度是一致的，逐元素相乘得到所述烟草产线检测装置的标准系统特征。
例如，当所述预设的权重矩阵为，所述特征向量为时，则所述分类
依赖特征为。
详细地，所述对所述一级系统数据进行异常值过滤，得到所述一级系统数据的二级系统数据，包括：
根据方差过滤算法对所述一级系统数据进行异常值过滤，得到所述一级系统数据的初级系统数据；
根据卡方过滤算法对所述初级系统数据进行异常值过滤，得到所述初级系统数据的中级系统数据；
利用如下联合假设算法计算所述中级系统数据中的随机变量组的方差比：
其中，为所述中级系统数据中的随机变量组的方差比，代表所述中级系统数
据中的第组随机变量的方差，代表所述中级系统数据中的第组随机变量的方差，代
表所述中级系统数据中的第组随机变量的平均值，代表所述中级系统数据中的第组随
机变量的平均值，代表所述随机变量组的组数，是所述随机变量组的标识，是所述随机
变量组的标识；
根据所述方差比对所述中级系统数据进行异常值过滤，得到所述中级系统数据的二级系统数据。
详细地，所述方差过滤算法用来检验所述检验一级系统数据的均值是否和预设的均值相等。
详细地，所述卡方过滤算法是专门针对离散型标签的相关性过滤，计算每个一级系统数据和预设标签之间的卡方统计量，并依照卡方统计量由高到低为所述一级系统数据进行排序，根据预设的卡方过滤阈值确定所述初级系统数据的中级系统数据。
S3、将所述标准系统特征与所述工作模块进行关联存储，得到标准系统关联表。
在本发明实施例中，所述标准系统关联表主要用于展示标准系统特征，因为所述标准系统关联表使得所述标准系统特征显示的非常的规整，可读性非常好，特别是后台展示标准系统特征的时候，能够熟练运用表格就显得很重要，而且较易获得所述标准系统特征与所述工作模块的关系。
在本发明实施例中，所述将所述标准系统特征与所述工作模块进行关联存储，得到标准系统关联表，包括：
提取所述标准系统特征的特征关键词；
按照预设的模块索引对所述特征关键词进行分类，得到所述特征关键词的分类关键词；
将所述分类关键词与所述烟草产线检测装置中的工作模块进行关联存储，得到所述烟草产线检测装置的标准系统关联表。
在本发明实施例中，利用TF-IDF技术或者TextRank提取所述标准系统特征的特征关键词。
详细地，所述预设的模块索引可以是：视觉拉线检测装置、烟包内衬检测装置、三号轮质量检测装置和五号轮质量检测装置等；利用所述预设的模块索引对所述特征关键词进行筛选，得到所述特征关键词的分类关键词。
S4、利用所述标准系统关联表中的标准系统特征对预设的状态检测模型进行调优处理，得到优化后的状态检测模型。
在本发明实施例中，所述利用所述标准系统关联表中的标准系统特征对预设的状态检测模型进行调优处理，得到优化后的状态检测模型，包括：
将所述标准系统特征输入至预设的状态检测模型，得到所述标准系统特征的特征标签；
计算所述特征标签与预设的系统标签之间的特征误差值，根据所述特征误差值生成所述预设的状态检测模型的损失函数；
利用所述损失函数对所述预设的状态检测模型进行调优处理，得到优化后的状态检测模型。
详细地，所述特征标签可以表示为各个所述工作模块的工作电流值、工作电压值、电功率值以及指示灯运行状态等，例如，所述工作电流值是20A，预设的系统标签中电流标签是40A，那么所述特征标签与预设的系统标签之间的特征误差值为50%。
进一步地，生成多个所述特征误差值，利用所述特征误差值生成所述预设的状态检测模型的损失函数，可以采用Matlab或者Origin对所述特征误差值进行数据拟合，得到所述预设的状态检测模型的损失函数。
S5、生成所述烟草产线检测装置的实时系统信息，将所述实时系统信息输入至所述优化后的状态检测模型，得到所述烟草产线检测装置的工作状态。
在本发明实施例中，所述实时系统信息包括：所述烟草产线检测装置的实时产量、所述工作模块的实时工作电流、所述工作模块的实时工作电压、所述工作模块的实时电功率以及所述工作模块的指示灯运行状态。
在本发明实施例中，所述将所述实时系统信息输入至所述优化后的状态检测模型，得到所述烟草产线检测装置的工作状态，包括：
将所述实时系统信息输入至所述优化后的状态检测模型确定所述烟草产线检测装置的期望产量；
根据所述实时系统数据确定所述烟草产线检测装置的实时产量，比较所述期望产量与所述实时产量的大小；
当所述实时产量小于所述期望产量时，所述烟草产线检测装置处于异常工作状态；
当所述实时产量大于或者等于所述期望产量时，所述烟草产线检测装置处于正常工作状态。
详细地，所述期望产量是根据处于正常工作状态下所述状态检测模型的历史产量生成的。
进一步地，对所述实时系统数据进行特征提取，得到所述实时系统数据的数据特征，对所述数据特征进行分类筛选，得到所述烟草产线检测装置的实时产量。
S6、选取所述烟草产线检测装置处于异常工作状态时的实时系统信息为异常系统数据，根据所述异常系统数据确定所述烟草产线检测装置中发生故障的工作模块。
在本发明实施例中，所述实时系统信息的处理方式与所述标准模块信息的处理方式一致，在这里不一一赘述。
详细地，对所述异常系统数据进行溯源，可以利用所述标准系统关联表确定所述异常系统数据所属的所述工作模块，实现了发生故障的工作模块的定位。
本发明实施例通过界面埋点获取正常工作状态下烟草产线检测装置的多个工作模块的标准模块信息，并对所述标准模块信息进行集成，得到所述烟草产线检测装置的标准系统数据，不再使用笨拙的采集代码编程来定义行为采集的触发条件和后续行为，而是通过后端配置或前端可视化圈选等方式来完成关键事件的定义和捕获，可较好地支持关注点变更和历史数据回溯，对所述标准系统数据进行语义增强处理，凸显出所述标准系统数据的显著特征，清除所述标准系统数据中异常数据的干扰，将所述标准系统特征与所述工作模块进行关联存储，得到标准系统关联表，所述标准系统关联表使得所述标准系统特征显示的非常的规整，可读性非常好，利用损失函数对预设的状态检测模型进行调优处理，得到优化后的状态检测模型，根据优化后的状态检测模型实现所述烟草产线检测装置的工作状态的判断和故障的工作模块的判断，提高了所述烟草产线检测装置的状态监测效率，因此本发明提出用于烟草产线检测装置的状态监测方法，可以解决烟草产线检测装置的状态监测效率较低的问题。
如图4所示，是本发明一实施例提供的用于烟草产线检测装置的状态监测装置的功能模块图。
本发明所述用于烟草产线检测装置的状态监测装置100可以安装于电子设备中。根据实现的功能，所述用于烟草产线检测装置的状态监测装置100可以包括标准系统数据模块101、标准系统特征模块102、标准系统关联表模块103、模型调优模块104、工作状态判断模块105及故障判断模块106。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：
所述标准系统数据模块101，用于利用界面埋点获取正常工作状态下烟草产线检测装置的多个工作模块的标准模块信息，对所述标准模块信息进行集成，得到所述烟草产线检测装置的标准系统数据；
所述标准系统特征模块102，用于对所述标准系统数据进行语义增强处理，得到所述烟草产线检测装置的标准系统特征；
所述标准系统关联表模块103，用于将所述标准系统特征与所述工作模块进行关联存储，得到标准系统关联表；
所述模型调优模块104，用于利用所述标准系统关联表中的标准系统特征对预设的状态检测模型进行调优处理，得到优化后的状态检测模型；
所述工作状态判断模块105，用于生成所述烟草产线检测装置的实时系统信息，将所述实时系统信息输入至所述优化后的状态检测模型，得到所述烟草产线检测装置的工作状态；
所述故障判断模块106，用于选取所述烟草产线检测装置处于异常工作状态时的实时系统信息为异常系统数据，根据所述异常系统数据确定所述烟草产线检测装置中发生故障的工作模块。
如图5所示，是本发明一实施例提供的实现用于烟草产线检测装置的状态监测方法的电子设备的结构示意图。
所述电子设备可以包括处理器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，如用于烟草产线检测装置的状态监测程序。
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（例如执行用于烟草产线检测装置的状态监测程序等），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，例如用于烟草产线检测装置的状态监测程序的代码等，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。
图中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，图中示出的结构并不构成对所述电子设备的限定，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装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、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、再充电装置、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。
所述电子设备中的所述存储器11存储的用于烟草产线检测装置的状态监测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：
利用界面埋点获取正常工作状态下烟草产线检测装置的多个工作模块的标准模块信息，对所述标准模块信息进行集成，得到所述烟草产线检测装置的标准系统数据；
对所述标准系统数据进行语义增强处理，得到所述烟草产线检测装置的标准系统特征；
将所述标准系统特征与所述工作模块进行关联存储，得到标准系统关联表；
利用所述标准系统关联表中的标准系统特征对预设的状态检测模型进行调优处理，得到优化后的状态检测模型；
生成所述烟草产线检测装置的实时系统信息，将所述实时系统信息输入至所述优化后的状态检测模型，得到所述烟草产线检测装置的工作状态；
选取所述烟草产线检测装置处于异常工作状态时的实时系统信息为异常系统数据，根据所述异常系统数据确定所述烟草产线检测装置中发生故障的工作模块。
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装置、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）。
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，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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、技术及应用系统。
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。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置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 (9)
1.一种用于烟草产线检测装置的状态监测方法，其特征在于，所述方法包括：
利用界面埋点获取正常工作状态下烟草产线检测装置的多个工作模块的标准模块信息，对所述标准模块信息进行集成，得到所述烟草产线检测装置的标准系统数据；
对所述标准系统数据进行语义增强处理，得到所述烟草产线检测装置的标准系统特征；
将所述标准系统特征与所述工作模块进行关联存储，得到标准系统关联表；
利用所述标准系统关联表中的标准系统特征对预设的状态检测模型进行调优处理，得到优化后的状态检测模型；
生成所述烟草产线检测装置的实时系统信息，将所述实时系统信息输入至所述优化后的状态检测模型，得到所述烟草产线检测装置的工作状态；
选取所述烟草产线检测装置处于异常工作状态时的实时系统信息为异常系统数据，根据所述异常系统数据确定所述烟草产线检测装置中发生故障的工作模块。
2.如权利要求1所述的用于烟草产线检测装置的状态监测方法，其特征在于，所述利用界面埋点获取正常工作状态下烟草产线检测装置的多个工作模块的标准模块信息，包括：
获取烟草产线检测装置的多个工作模块的埋点事件，对所述埋点事件进行元素转化，得到目标埋点元素；
将所述目标埋点元素添加到所述工作模块的关键节点处，完成埋点；
根据所述埋点生成所述工作模块的模块日志，对所述模块日志进行日志解析，得到所述工作模块的标准模块信息。
3.如权利要求1所述的用于烟草产线检测装置的状态监测方法，其特征在于，所述对所述标准系统数据进行语义增强处理，得到所述烟草产线检测装置的标准系统特征，包括：
对所述标准系统数据进行缺失值处理，得到所述标准系统数据的一级系统数据；
对所述一级系统数据进行异常值过滤，得到所述一级系统数据的二级系统数据；
对所述二级系统数据进行向量化转化，得到所述二级系统数据的特征向量；
对所述特征向量进行语义增强处理，得到所述烟草产线检测装置的标准系统特征。
4.如权利要求3所述的用于烟草产线检测装置的状态监测方法，其特征在于，所述对所述一级系统数据进行异常值过滤，得到所述一级系统数据的二级系统数据，包括：
根据方差过滤算法对所述一级系统数据进行异常值过滤，得到所述一级系统数据的初级系统数据；
根据卡方过滤算法对所述初级系统数据进行异常值过滤，得到所述初级系统数据的中级系统数据；
利用如下联合假设算法计算所述中级系统数据中的随机变量组的方差比：
其中，为所述中级系统数据中的随机变量组的方差比，代表所述中级系统数据中
的第组随机变量的方差，代表所述中级系统数据中的第组随机变量的方差，代表所
述中级系统数据中的第组随机变量的平均值，代表所述中级系统数据中的第组随机变
量的平均值，代表所述随机变量组的组数，是所述随机变量组的标识，是所述随机变量
组的标识；
根据所述方差比对所述中级系统数据进行异常值过滤，得到所述中级系统数据的二级系统数据。
5.如权利要求1所述的用于烟草产线检测装置的状态监测方法，其特征在于，所述将所述标准系统特征与所述工作模块进行关联存储，得到标准系统关联表，包括：
提取所述标准系统特征的特征关键词；
按照预设的模块索引对所述特征关键词进行分类，得到所述特征关键词的分类关键词；
将所述分类关键词与所述烟草产线检测装置中的工作模块进行关联存储，得到所述烟草产线检测装置的标准系统关联表。
6.如权利要求1所述的用于烟草产线检测装置的状态监测方法，其特征在于，所述利用所述标准系统关联表中的标准系统特征对预设的状态检测模型进行调优处理，得到优化后的状态检测模型，包括：
将所述标准系统特征输入至预设的状态检测模型，得到所述标准系统特征的特征标签；
计算所述特征标签与预设的系统标签之间的特征误差值，根据所述特征误差值生成所述预设的状态检测模型的损失函数；
利用所述损失函数对所述预设的状态检测模型进行调优处理，得到优化后的状态检测模型。
7.如权利要求1至6中任一项所述的用于烟草产线检测装置的状态监测方法，其特征在于，所述将所述实时系统信息输入至所述优化后的状态检测模型，得到所述烟草产线检测装置的工作状态，包括：
将所述实时系统信息输入至所述优化后的状态检测模型确定所述烟草产线检测装置的期望产量；
根据所述实时系统数据确定所述烟草产线检测装置的实时产量，比较所述期望产量与所述实时产量的大小；
当所述实时产量小于所述期望产量时，所述烟草产线检测装置处于异常工作状态；
当所述实时产量大于或者等于所述期望产量时，所述烟草产线检测装置处于正常工作状态。
8.一种用于烟草产线检测装置的状态监测装置，其特征在于，所述装置包括：
标准系统数据模块，用于利用界面埋点获取正常工作状态下烟草产线检测装置的多个工作模块的标准模块信息，对所述标准模块信息进行集成，得到所述烟草产线检测装置的标准系统数据；
标准系统特征模块，用于对所述标准系统数据进行语义增强处理，得到所述烟草产线检测装置的标准系统特征；
标准系统关联表模块，用于将所述标准系统特征与所述工作模块进行关联存储，得到标准系统关联表；
模型调优模块，用于利用所述标准系统关联表中的标准系统特征对预设的状态检测模型进行调优处理，得到优化后的状态检测模型；
工作状态判断模块，用于生成所述烟草产线检测装置的实时系统信息，将所述实时系统信息输入至所述优化后的状态检测模型，得到所述烟草产线检测装置的工作状态；
故障判断模块，用于选取所述烟草产线检测装置处于异常工作状态时的实时系统信息为异常系统数据，根据所述异常系统数据确定所述烟草产线检测装置中发生故障的工作模块。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的用于烟草产线检测装置的状态监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211171280.3A CN115507897B (zh) | 2022-09-26 | 2022-09-26 | 用于烟草产线检测装置的状态监测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211171280.3A CN115507897B (zh) | 2022-09-26 | 2022-09-26 | 用于烟草产线检测装置的状态监测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115507897A CN115507897A (zh) | 2022-12-23 |
| CN115507897B true CN115507897B (zh) | 2024-09-20 |
Family
ID=84505422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211171280.3A Active CN115507897B (zh) | 2022-09-26 | 2022-09-26 | 用于烟草产线检测装置的状态监测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115507897B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110780660A (zh) * | 2019-10-14 | 2020-02-11 | 河南中烟工业有限责任公司 | 一种基于生产状态的烟草生产工业控制系统故障诊断方法 |
| CN114304700A (zh) * | 2021-12-30 | 2022-04-12 | 贵州中烟工业有限责任公司 | 一种用于烟草生产线的监控方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102016121171A1 (de) * | 2016-11-07 | 2018-05-09 | Hauni Maschinenbau Gmbh | Steuersystem und Steuerverfahren der Tabak verarbeitenden Industrie |
| CN114545872A (zh) * | 2021-12-15 | 2022-05-27 | 云南昆船烟草设备有限公司 | 一种烟机设备生产过程中运行状态可视化监测方法及系统 |
| CN115017024A (zh) * | 2022-06-24 | 2022-09-06 | 平安普惠企业管理有限公司 | 界面定位方法、装置、电子设备及计算机可读存储介质 |
-
2022
- 2022-09-26 CN CN202211171280.3A patent/CN115507897B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110780660A (zh) * | 2019-10-14 | 2020-02-11 | 河南中烟工业有限责任公司 | 一种基于生产状态的烟草生产工业控制系统故障诊断方法 |
| CN114304700A (zh) * | 2021-12-30 | 2022-04-12 | 贵州中烟工业有限责任公司 | 一种用于烟草生产线的监控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115507897A (zh) | 2022-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10977739B2 (en) | Risk identification model building and risk identification | |
| CN110388315B (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
| CN111523677B (zh) | 实现对机器学习模型的预测结果进行解释的方法及装置 | |
| CN115577701B (zh) | 针对大数据安全的风险行为识别方法、装置、设备及介质 | |
| CN105354697A (zh) | 一种基于财务科目规则库的自动在线审计方法及系统 | |
| 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 | |
| CN112446637A (zh) | 一种建筑施工质量安全在线风险检测方法及系统 | |
| CN115507897B (zh) | 用于烟草产线检测装置的状态监测方法、装置及设备 | |
| CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
| CN113486238A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
| CN113918718A (zh) | 基于人工智能的车险用户分类方法、装置、设备及介质 | |
| CN113220551A (zh) | 指标趋势预测及预警方法、装置、电子设备及存储介质 | |
| CN112783989A (zh) | 一种基于区块链的数据处理方法及装置 | |
| CN117141265A (zh) | 一种智能无线充电桩的运行监测系统及监测方法 | |
| CN113706207B (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
| CN111209158B (zh) | 服务器集群的挖矿监控方法及集群监控系统 | |
| CN118410416B (zh) | 基于多模态双通道注意力的营销电费回收预警方法及系统 | |
| CN113591477B (zh) | 基于关联数据的故障定位方法、装置、设备及存储介质 | |
| CN113657488B (zh) | 基于驾驶行为的用户分级方法、装置、设备及存储介质 | |
| CN110990382A (zh) | 一种信息运营监测用数据溯源管理系统 | |
| CN113592606B (zh) | 基于多重决策的产品推荐方法、装置、设备及存储介质 | |
| CN113688924B (zh) | 异常订单检测方法、装置、设备及介质 | |
| CN112328960B (zh) | 数据运算的优化方法、装置、电子设备及存储介质 | |
| CN108021694B (zh) | 一种确定火电厂边界索引结构的方法与装置 | |
| CN118277216A (zh) | 日志异常检测方法、装置、设备、介质及程序产品 |
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 |