基于机器学习的灌溉管生产实时检测系统技术方案

本发明专利技术涉及数据处理技术领域，具体涉及一种基于机器学习的灌溉管生产实时检测系统。该系统根据定义的初始异常点位范围的大小与温度变化程度获得中程定位值；以初始异常点位范围内衰减趋势为方向确定最大温度异常点，获得对应的理论最小温度异常点，进而获得实际最小温度异常点；根据异常点之间波动的传递情况确定数据波动范围，获得每个点位温度监测数据为中心的数据波动区间；通过所有数据波动区间的分布获得对应时刻下的融合温度数据，进而获得预测温度监测数据对灌溉管的生产检测。本发明专利技术通过确定异常点位范围和数据波动之间的传递情况进行数据自适应融合，提高了数据融合的精度，增加灌溉管生产检测的准确性。增加灌溉管生产检测的准确性。增加灌溉管生产检测的准确性。

【技术实现步骤摘要】
基于机器学习的灌溉管生产实时检测系统


[0001]本专利技术涉及数据处理
，具体涉及基于机器学习的灌溉管生产实时检测系统。

技术介绍

[0002]在灌溉管的生产过程中，由于温度、湿度等存在空间分布不均匀特性的数据指标会在管身周围产生环境差异，破坏整体生产环境的稳定性，从而影响管身成型的质量。
[0003]对于多方位监测数据源，要进行合成来对系统整体状态进行估计，在现有技术中，数据源之间可以直接使用均值覆盖进行数据融合来对系统的状态进行预测，但对于监测数据存在波动时不确定异常范围，使数据融合所体现的波动特征不一致，无法对数据波动情况进行精确判断，数据融合的效果不好，对灌溉管生产检测的准确度不高。

技术实现思路

[0004]为了解决管材的异常区域范围不确定和多数据融合中波动特征不一致无法准确预测生产状态的技术问题，本专利技术的目的在于提供一种基于机器学习的灌溉管生产实时检测系统，所采用的技术方案具体如下：本专利技术提出了一种基于机器学习的灌溉管生产实时检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：获取不同直径的管身范围；获取冷却过程中每个时刻下管身不同点位的温度监测数据，标记所述温度监测数据中最大值点位与最小值点位；以所述最大值点位与邻域范围内最大的其他温度监测数据中对应点位之间的区域定义为初始异常点位范围；根据所述初始异常点位范围的大小和所述初始异常点位范围内温度变化程度获得中程定位值；以所述初始异常点位范围内衰减趋势为方向，根据所述中程定位值在所述管身范围上确定最大温度异常点；与所述最大温度异常点以管身范围中心点对称的点为理论最小温度异常点；通过所述最小值点位和理论最小温度异常点之间的温度差异获得实际最小温度异常点；根据所述最大温度异常点与实际最小温度异常点在所述管身范围的对应点位获得异常数据传递情况；根据所述异常数据传递情况间的波动差异和所述初始异常点位范围的大小系数获得数据波动范围；根据所述数据波动范围建立以每个所述点位的温度监测数据为中心的数据波动区间；根据所有所述数据波动区间之间的分布将所有点位的所述温度监测数据融合，获得对应时刻下的融合温度监测数据；对所述融合温度监测数据进行预测，获得预测温度监测数据；根据所述预测温度监测数据对灌溉管生产进行检测。
[0005]进一步地，所述中程定位值的获取方法包括：
计算所述初始异常点位范围与管身范围之间的比例作为映射缩放系数；根据所述初始异常点位范围内温度变化程度调整初始异常点位范围的大小，获得修正异常点位范围；根据所述修正异常点位范围的中程值和所述映射缩放系数获得中程定位值；所述中程值和所述映射缩放系数与所述中程定位值均为正相关。进一步地，所述修正异常点位范围的获取方法包括：以所述初始异常点位范围内最大温度监测数据与次大温度监测数据之间的差异作为所述温度变化程度；根据所述温度变化程度增大所述初始异常点位范围，获得所述修正异常点位范围。
[0006]进一步地，所述最大温度异常点的获取方法包括：以所述初始异常点位范围内所述最大值点位指向邻域范围内最大的其他温度监测数据中对应点位的方向作为衰减趋势，以所述初始异常点位范围内次大温度监测数据对应的点位为起点将所述修正异常点位范围向管材范围进行贴合，所述修正异常点位范围的中程定位值在所述管身范围上的点位为最大温度异常点。
[0007]进一步地，所述实际最小温度异常点的获取方法包括：比较所述最小值点位和理论最小温度异常点之间的温度差异，将两者中温度监测数据最小的点作为所述实际最小温度异常点。
[0008]进一步地，所述异常数据传递情况的获取方法包括：所述异常数据传递情况分为第一传递情况和第二传递情况；所述最大温度异常点和所述实际最小温度异常点将管身范围分为两段间隔；间隔最大的为第一传递情况，另外的为第二传递情况。
[0009]进一步地，所述数据波动范围的获取方法包括：计算第一传递情况与第二传递情况之间点位间隔的差异，作为参考间隔差异；计算所述第一传递情况的间隔和所述参考间隔差异的比值，获得波动差异；根据所述初始异常点位范围与管身范围的比例获得初始异常点位范围的大小系数；根据所述波动差异和所述初始异常点位范围的大小系数获得所述数据波动范围；所述第一传递情况的间隔与所述数据波动范围为正相关关系，所述参考间隔差异、所述大小系数与所述数据波动范围均为负相关关系。
[0010]进一步地，所述融合温度监测数据的获取方法包括：根据所有所述数据波动区间之间的分布进行交集运算，获得区间交集；根据所有所述数据波动区间之间的分布进行并集运算，获得区间并集；获取所述区间交集的元素数量，作为区间交集范围；获取所述区间并集的元素数量，作为区间并集范围；根据所述区间交集范围与所述区间并集范围的比值获得数据波动程度；根据所述区间交集与区间并集的数据均值和所述数据波动程度获得融合温度监测数据；所述数据均值、所述区间并集范围与所述融合温度监测数据均为正相关关系；所述区间交集范围与所述融合温度监测数据为负相关关系。
[0011]进一步地，所述预测温度监测数据的获取方法包括：获取先验的冷却介质温度，以所述融合温度监测数据和所述先验的冷却介质温度构建系统的初始状态向量，将所述初始状态向量作为EKF滤波器的输入进行处理，获得下一时刻系统的所述预测温度监测数据。
[0012]进一步地，所述根据所述预测温度监测数据对灌溉管生产进行检测包括：若所述预测温度监测数据在预设危险温度阈值范围内，则反馈异常信号。
[0013]本专利技术具有如下有益效果：本专利技术对冷却过程中每个时刻中不同点位的温度监测数据进行分析，以最大值点位与邻域范围内最大的其他温度监测数据中对应点位之间的区域定义为初始异常点位范围，避免其他区域噪声的干扰；为了确定温度监测数据的波动情况，根据初始异常点位范围的大小和初始异常点位范围内温度变化程度获得中程定位值；以初始异常点位范围内衰减趋势为方向，根据中程定位值在管身范围上确定最大温度异常点；与最大温度异常点以管身范围中心点对称的点为理论最小温度异常点；通过最小值点位和理论最小温度异常点之间的温度差异获得实际最小温度异常点，确定数据之间波动产生的实际传递特征；根据最大温度异常点与实际最小温度异常点在所述管身范围的对应点位获得异常数据传递情况；根据异常数据传递情况间的波动差异和初始异常点位范围的大小系数获得数据波动范围，提高判断冷却过程中数据的波动情况的准确率；根据数据波动范围建立以每个点位的温度监测数据为中心的数据波动区间；对多方位的数据集合进行分析，根据所有数据波动区间之间的分布将所有点位的温度监测数据融合，获得对应时刻下的融合温度监测数据，提高了融合监测数据的精度，解决波动特征模糊的问题，能够在后续检测过程中准确识别对应时刻的异常情况；对融合温度监测数据进行预测，获得预测温度监测数据；根据预测温度监测数据对灌溉管生产进行检测。本专利技术通过提高不同数据点位间的数据融合精度，更准确的预测了灌溉管生产系统的状态，进而实现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的灌溉管生产实时检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：获取不同直径的管身范围；获取冷却过程中每个时刻下管身不同点位的温度监测数据，标记所述温度监测数据中最大值点位与最小值点位；以所述最大值点位与邻域范围内最大的其他温度监测数据中对应点位之间的区域定义为初始异常点位范围；根据所述初始异常点位范围的大小和所述初始异常点位范围内温度变化程度获得中程定位值；以所述初始异常点位范围内衰减趋势为方向，根据所述中程定位值在所述管身范围上确定最大温度异常点；与所述最大温度异常点以管身范围中心点对称的点为理论最小温度异常点；通过所述最小值点位和理论最小温度异常点之间的温度差异获得实际最小温度异常点；根据所述最大温度异常点与实际最小温度异常点在所述管身范围的对应点位获得异常数据传递情况；根据所述异常数据传递情况间的波动差异和所述初始异常点位范围的大小系数获得数据波动范围；根据所述数据波动范围建立以每个所述点位的温度监测数据为中心的数据波动区间；根据所有所述数据波动区间之间的分布将所有点位的所述温度监测数据融合，获得对应时刻下的融合温度监测数据；对所述融合温度监测数据进行预测，获得预测温度监测数据；根据所述预测温度监测数据对灌溉管生产进行检测。2.根据权利要求1所述的一种基于机器学习的灌溉管生产实时检测系统，其特征在于，所述中程定位值的获取方法包括：计算所述初始异常点位范围与管身范围之间的比例作为映射缩放系数；根据所述初始异常点位范围内温度变化程度调整初始异常点位范围的大小，获得修正异常点位范围；根据所述修正异常点位范围的中程值和所述映射缩放系数获得中程定位值；所述中程值和所述映射缩放系数与所述中程定位值均为正相关。3.根据权利要求2所述的一种基于机器学习的灌溉管生产实时检测系统，其特征在于，所述修正异常点位范围的获取方法包括：以所述初始异常点位范围内最大温度监测数据与次大温度监测数据之间的差异作为所述温度变化程度；根据所述温度变化程度增大所述初始异常点位范围，获得所述修正异常点位范围。4.根据权利要求2所述的一种基于机器学习的灌溉管生产实时检测系统，其特征在于，所述最大温度异常点的获取方法包括：以所述初始异常点位范围内所述最大值点位指向邻域范围内最大的其他温度监测数据中对应点位的方向作为衰减趋势，以所述初始异常点位范围内次大温度监测数据对应的点位为起点将所述修正异常点位范围向管材范围进行贴合，所述修正异常点位范围的中程定位...

【专利技术属性】
技术研发人员：辛晓斐，任雅楠，毕永志，侯增光，张小立，侯亚南，李稳灿，
申请(专利权)人：山东辉瑞管业有限公司，
类型：发明
国别省市：