一种应用于生产管理的数据分类识别方法技术

本发明专利技术涉及数据处理领域，具体涉及一种应用于生产管理的数据分类识别方法，包括：获取生产线上设定时间内的数据矩阵；根据数据矩阵中每一行数据得到所述数据矩阵的整体特征；根据时间延迟量以及相空间的嵌入维数得到所述相空间的多个相点；获取不同嵌入维度下的最小空间单元，根据各个最小空间单元内所有相点之间的欧氏距离得到搜索半径的取值范围；获取不同搜索半径对应的关联维数，进而得到每个嵌入维数的变化曲线；根据所有变化曲线的斜率得到特征区间以及最佳关联维数，得到数据矩阵的局部特征；使用历史数据的局部特征和整体特征训练分类神经网络；使用分类神经网络判断数据类型。本发明专利技术更加准确，快速。快速。快速。

【技术实现步骤摘要】
一种应用于生产管理的数据分类识别方法


[0001]本专利技术涉及数据处理领域，具体涉及一种应用于生产管理的数据分类识别方法。

技术介绍

[0002]在工业生产中，自动化生产会出现生产参数，生产出的产品都需要经过质检，检测合格才算是合格的产品。但是在自动化检测中，产品的生产参数数据通常是判断产品好坏的标准。然而在工业生产中，产品往往是批量生产的，大量的生产数据以及生产信息在各部门之间的共享与传递是不通畅的，生产线的生产状态信息反馈到管理部门的过程中存在滞后，导致当产品的生产参数出现异常后，管理部门不能及时发现异常，进而造成巨大的经济损失，由此导致生产管理不顺畅，生产计划不达标，降低了生产线运行效率。

技术实现思路

[0003]本专利技术提供一种应用于生产管理的数据分类识别方法，以解决现有的信息传递滞后的问题。
[0004]本专利技术的一种应用于生产管理的数据分类识别方法采用如下技术方案：本专利技术一个实施例提供了一种应用于生产管理的数据分类识别方法，该方法包括以下步骤：获取生产线上产品在各个时刻的各个参数数据，得到所述各个时刻的参数序列；根据设定时间内各个时刻的参数序列得到所述设定时间的数据矩阵；根据数据矩阵中每一行的差值均值得到所述数据矩阵的整体特征；将数据矩阵转化为数据序列，将参数数据类型的数量作为时间延迟量；根据时间延迟量以及相空间的嵌入维数得到所述相空间的多个相点；根据不同嵌入维数下，相空间中各个维度上所有相点的坐标值得到相空间的分块边长；将分块边长作为最小空间单元的边长，根据所述最小空间单元内所有相点之间的欧氏距离得到搜索半径的取值范围；根据各个最小空间单元内各个相点之间的欧氏距离以及不同搜索半径得到所述不同搜索半径对应的关联维数；根据每个嵌入维数下，各个搜索半径以及所述各个搜索半径的关联维数得到所述每个嵌入维数的变化曲线；根据所有变化曲线的斜率得到特征区间以及最佳关联维数，所述最佳关联维数以及特征区间构成了所述数据矩阵的局部特征；使用历史数据中各个设定时间内正常数据所对应的局部特征以及整体特征训练神经网络，得到分类神经网络；将生产过程中每个设定时间内的数据矩阵的局部特征和整体特征，输入到分类神经网络中，得到所述每个设定时间所对应的数据类型。
[0005]优选的，所述得到数据矩阵的整体特征的获取方法为：计算数据矩阵中每一行数据的均值；将数据矩阵中每一行中各个数据的值与所述每一行数据的均值之间差值的累加和，作为所述每一行的整体特征；将数据矩阵中所有行的整体特征构成的一维序列作为所述数据矩阵的整体特征。
[0006]优选的，所述根据时间延迟量以及相空间的嵌入维数得到所述相空间的多个相点的方法为：从数据序列中任意一个数据开始，每间隔一个时间延迟量获取一个数据，共获取的数据个数等于相空间的嵌入维数，以每次获取的数据为相点的一个维度上的坐标值，得到所述相空间中的多个相点，每个相点的坐标维数与相空间的嵌入维数相同。
[0007]优选的，所述相空间的分块边长的获取表达式为：
[0008]式中，L为相空间的分块边长；N为整个相空间中相点的总个数；分别为相空间的第i个维度上所有相点的最大坐标值与最小坐标值；m为相空间的嵌入维度；为连乘符号。
[0009]优选的，所述根据所有变化曲线的斜率得到特征区间以及最佳关联维数的方法为：设置单位区间，获取每个单位区间内，各个变化曲线的斜率；将每个单位区间内，所有变化曲线的斜率之间的均值作为所述每个单位区间的参考斜率；计算每个单位区间内，所有变化曲线的斜率与参考斜率之间差值的累加和，将所述累加和的绝对值作为所述每个单位区间的饱和性判断指标；以所有变化曲线的个数的倒数为阈值，当每个单位区间的饱和性判断指标小于所述阈值，所述每个单位区间为斜率饱和区间，否则不为斜率饱和区间；将所有斜率饱和区间中，区间位置最靠前的斜率饱和区间为特征区间，该区间内最大斜率的变化曲线所对应的嵌入维数为最佳关联维数。
[0010]本专利技术的有益效果是：对于生产线数据参数进行采集，将其按照时间构建出了一个数据矩阵，根据每种参数之间的整体特征构建整个数据矩阵的整体特征，通过最佳关联维数以及最先出现的斜率饱和区间构建整个数据矩阵的局部特征，结合历史数据的整体特征和局部特征进行分类神经网络训练，在使用关联维数时要对所有相点两两之间进行求解，需要大量的计算量，本方案针对此构建相空间的最小空间单元，对于不同的搜索半径r对不同单位空间进行搜索，只对最小空间单元内的相点之间的距离进行最佳关联维数的求解，提高了算法效率，降低生产状态信息在传输过程中的滞后时间，且在使用不同r值时求其斜率，根据异常数据和正常数据的不同，对应不同的区间，将该区间也作为特征的一部分，进一步提高数据分类识别的准确性。
附图说明
[0011]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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专利技术的一些实施例，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。
[0012]图1为本专利技术的一种应用于生产管理的数据分类识别方法的步骤流程图。
具体实施方式
[0013]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种应用于生产管理的数据分类识别方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
[0014]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0015]下面结合附图具体的说明本专利技术所提供的一种应用于生产管理的数据分类识别方法的具体方案。
[0016]请参阅图1，其示出了本专利技术一个实施例提供的一种应用于生产管理的数据分类识别方法的步骤流程图，该方法包括以下步骤：步骤S001：获取产品生产过程中各个生产线上各个时刻的参数数据，得到所述各个时刻的参数序列。
[0017]针对于不同的检测目的采集不同类型的参数数据；以生产线数据为例，在整条数据传输线路中建立一个数据中转站，使用采集装置，如相机或传感器，采集生产线在不同时刻对应的多种参数数据，同一时刻得到的各种参数数据构成了该时刻的参数序列，数据采集完成后，将参数序列存储在数据中转站中，由数据中转站对数据进行识别。
[0018]步骤S002：根据设定时间内各个时刻的参数序列得到所述设定时间的数据矩阵；根据数据矩阵中每一行的差值均值得到所述数据矩阵的整体特征。
[0019]设生产线的参数共有n种，则第t个时刻采集得到的参数据序列可表示为，其中，表示第t个时刻采集的第s种参数。
[0020]由此得到各个时刻的参数序列。设置时间长度为T，对该T时间内所产生的参数数据进行分析，T的大小由厂家根据实际情况自行设定，根据时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于生产管理的数据分类识别方法，其特征在于，该方法包括以下步骤：获取生产线上产品在各个时刻的各个参数数据，得到所述各个时刻的参数序列；根据设定时间内各个时刻的参数序列得到所述设定时间的数据矩阵；根据数据矩阵中每一行的差值均值得到所述数据矩阵的整体特征；将数据矩阵转化为数据序列，将参数数据类型的数量作为时间延迟量；根据时间延迟量以及相空间的嵌入维数得到所述相空间的多个相点；根据不同嵌入维数下，相空间中各个维度上所有相点的坐标值得到相空间的分块边长；将分块边长作为最小空间单元的边长，根据所述最小空间单元内所有相点之间的欧氏距离得到搜索半径的取值范围；根据各个最小空间单元内各个相点之间的欧氏距离以及不同搜索半径得到所述不同搜索半径对应的关联维数；根据每个嵌入维数下，各个搜索半径以及所述各个搜索半径的关联维数得到所述每个嵌入维数的变化曲线；根据所有变化曲线的斜率得到特征区间以及最佳关联维数，所述最佳关联维数以及特征区间构成了所述数据矩阵的局部特征；使用历史数据中各个设定时间内正常数据所对应的局部特征以及整体特征训练神经网络，得到分类神经网络；将生产过程中每个设定时间内的数据矩阵的局部特征和整体特征，输入到分类神经网络中，得到所述每个设定时间所对应的数据类型。2.根据权利要求1所述的一种应用于生产管理的数据分类识别方法，其特征在于，所述得到数据矩阵的整体特征的获取方法为：计算数据矩阵中每一行数据的均值；将数据矩阵中每一行中各个数据的值与所述每一行数据的均值之间差值的累加和，作为所述每一行的整体特征；将数据矩阵中所有行的整体...

【专利技术属性】
技术研发人员：秦炎，
申请(专利权)人：南通二进制软件科技有限公司，
类型：发明
国别省市：