[發(fā)明專利]一種工廠生產(chǎn)狀態(tài)異常檢測模型設(shè)計方法

在審

• 申請?zhí)枺?/td>: 201910615485.8
• 申請日: 2019-07-09
• 公開（公告）號: CN110310047A
• 公開（公告）日: 2019-10-08
• 發(fā)明（設(shè)計）人: 薛罡;李會文;劉瓊;萬波;朱躍飛;程宏
• 申請（專利權(quán)）人: 上海新增鼎網(wǎng)絡(luò)技術(shù)有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06K9/62;G06Q50/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種工廠生產(chǎn)狀態(tài)異常檢測模型設(shè)計方法，包含以下步驟：A、構(gòu)建支撐向量域；B、非線性廣義核函數(shù)支撐設(shè)計；C、預(yù)警評分設(shè)置；D、模型評估，本發(fā)明能夠建立工廠總體狀況監(jiān)控體系,對生產(chǎn)狀況實時監(jiān)控異常監(jiān)控預(yù)警,為相關(guān)主體提供更便捷的精細化管理和決策依據(jù)，是大數(shù)據(jù)、人工智能在工業(yè)制造業(yè)中的有利結(jié)合，對企業(yè)發(fā)展、國家發(fā)展都具有十分重要的意義。

技術(shù)領(lǐng)域

本發(fā)明涉及檢測技術(shù)領(lǐng)域，具體是一種工廠生產(chǎn)狀態(tài)異常檢測模型設(shè)計方法。

背景技術(shù)

目前，工廠生產(chǎn)運營狀態(tài)的評判通常采用分類算法對不同運營狀況進行類別區(qū)分。這些算法程序的主要任務(wù)是使用具有標注的訓練數(shù)據(jù)生成的模型區(qū)分測試數(shù)據(jù)所屬的類別，屬于監(jiān)督式學習，用于分析數(shù)據(jù)和識別模式。訓練數(shù)據(jù)的標注通常通過人為的判定，對有限的指標進行單獨評分，并結(jié)合某些事先確定的法則給與綜合評判，譬如產(chǎn)品產(chǎn)量，原材料庫存量，用電量，爐溫，機器振動等指標。算法利用上述進行過標注的實例數(shù)據(jù)，屬于某個類的訓練數(shù)據(jù)生成模型。這樣的模型通過尋找一個超級平面或?qū)＜沂酵镀钡姆椒▽⒂柧殧?shù)據(jù)中的實例樣本點準確的劃分到各自的類別，同時懲罰落在錯誤一側(cè)的訓練樣本。在測試過程中，將測試數(shù)據(jù)實例輸入模型，模型通過實例信息將測試樣本準確有效的進行類別區(qū)分預(yù)測。

首先，根據(jù)工廠的實際場景，收集工廠正常運行狀態(tài)的訓練數(shù)據(jù)相對容易，因為這是工廠的常態(tài)。但故障系統(tǒng)狀態(tài)的收集實例數(shù)據(jù)可能相當昂貴，或者是不可能。即使可以模擬一種或多種故障系統(tǒng)狀態(tài)，但無法保證所有故障狀態(tài)都被模擬，因此傳統(tǒng)的分類方法無法預(yù)測沒有出現(xiàn)過的場景。

其次，傳統(tǒng)的多分類算法，通常能夠?qū)π聛淼臏y試實例進行類別的區(qū)分，但無法準確有效地進行預(yù)警分數(shù)的設(shè)置。

再次，工廠總體運營的狀態(tài)是一個復雜的數(shù)學問題，人為的標注片面性大，易產(chǎn)生較大誤差，例如當日的產(chǎn)品產(chǎn)量除了與生產(chǎn)流程直接相關(guān)的數(shù)據(jù)外也與庫存相關(guān)的數(shù)據(jù)之間存在聯(lián)系；工人上下班人流和機器振動的一系列統(tǒng)計數(shù)據(jù)可以得到工廠雇傭人員與工廠運轉(zhuǎn)效率之間的關(guān)系，這種關(guān)系也反應(yīng)出工廠的治理水平從而在一個維度上與工廠產(chǎn)量產(chǎn)生關(guān)聯(lián)。因此，這種高緯度多特征的數(shù)學關(guān)系人類很難通過直觀的觀察得到答案。

綜上可知，隨著市場的日益變化，工廠需要不斷調(diào)整以適應(yīng)市場變化。根據(jù)以上存在的問題和缺點，使用常規(guī)的分類監(jiān)督學習算法很難滿足工廠實際運營狀態(tài)的快速變化。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種工廠生產(chǎn)狀態(tài)異常檢測模型設(shè)計方法，以解決所述背景技術(shù)中提出的問題。

為實現(xiàn)所述目的，本發(fā)明提供如下技術(shù)方案：

一種工廠生產(chǎn)狀態(tài)異常檢測模型設(shè)計方法，包含以下步驟：

A、構(gòu)建支撐向量域；

B、非線性廣義核函數(shù)支撐設(shè)計；

C、預(yù)警評分設(shè)置；

D、模型評估。

作為本發(fā)明再進一步的方案：所述步驟A具體是：構(gòu)建球體域，假設(shè)球體中心位置a和球體半徑R,建立最小半徑函數(shù)：其中，C為協(xié)調(diào)球體大小和目標物體誤差之間的變量，限制條件為：(x_i-a)^T(x_i-a)≤R²+ξ_i，ξ_i≥0，結(jié)合上面兩個公式，創(chuàng)建拉格朗日函數(shù)：其中a_i≥0和γ_i≥0，根據(jù)以上函數(shù)，得到如下新的限制條件：C-a_i-γ_i＝0，即最終的拉格朗日函數(shù)式如下：通過對L的最小化優(yōu)化求解，可得，當新的測試集數(shù)據(jù)進入模型時，是否屬于正常類別范圍，即其中，z為新的實例數(shù)據(jù)。