一种基于物联网的传感器生产监测方法及系统技术方案

本申请提供一种基于物联网的传感器生产监测方法及系统，其不是基于孤立的信号区段检测传感器的运行状态，是依据时序的第一信号区段和第二信号区段中检测传感器的运行状态演变，考虑了数据整体，增加了状态检测的精确性

【技术实现步骤摘要】
一种基于物联网的传感器生产监测方法及系统


[0001]本申请涉及电数据处理领域，具体而言，涉及一种基于物联网的传感器生产监测方法及系统
。

技术介绍

[0002]传感器是一种可以将物理量转化为电信号的设备，用于检测
、
测量和监控各种物理参数
。
传感器广泛应用于工业生产
、
医疗健康
、
环境监测
、
交通运输等领域
。
在传感器生产线中，对传感器进行测试是确保传感器质量和性能的重要步骤
。
在传感器测试中，传感器测试产生的数据量庞大，需要对数据进行分析和挖掘以得出有用的结论，数据分析与挖掘技术包括统计分析
、
机器学习
、
人工智能等方法，可以从海量数据中挖掘出隐藏的关系和规律，为传感器的设计和优化提供支持，例如分析识别信号表征的传感器运行状态的变化，其中，如何保障测试分析的准确性是需要考虑的技术问题
。

技术实现思路

[0003]本专利技术的目的在于提供一种基于物联网的传感器生产监测方法及系统
。
[0004]本申请实施例的技术方案是这样实现的：第一方面，本申请实施例提供了一种基于物联网的传感器生产监测方法，应用于监测终端，所述监测终端与测试设备连接，更需所述方法包括：响应于传感器测试分析指令，获取传感器生产测试阶段对于目标传感器进行测试得到的传感器输出信号；获取所述传感器输出信号中的第一信号区段和第二信号区段，所述第一信号区段和第二信号区段源于相同的阶段测试信号，且所述第一信号区段在所述第二信号区段之前；将所述第一信号区段加载至第一神经网络，生成第一特征数组，以及将所述第二信号区段加载至第二神经网络，生成第二特征数组，其中，所述第一神经网络和第二神经网络包括一致的网络架构和网络内部配置变量；将所述第一特征数组和所述第二特征数组加载至归一决策网络，由所述归一决策网络对所述第一信号区段到所述第二信号区段的状态演变进行归一映射，得到状态演变识别结果
。
[0005]作为一种实施方式，所述第一信号区段到所述第二信号区段的状态演变包括传感器工作状态之间的过渡，所述传感器工作状态包括异常状态和正常状态；所述第一神经网络
、
所述第二神经网络和所述归一决策网络事先通过如下步骤协同调试：建立第一学习样例库，所述第一学习样例库中的第一学习样例包括第一学习样例信号区段和第二学习样例信号区段，所述第一学习样例包括第一学习样例注释信息用以指示所述第一学习样例信号区段到所述第二学习样例信号区段传感器工作状态之间的过渡；将所述第一学习样例信号区段加载至所述第一神经网络，生成第一学习样例特征
数组，以及将所述第二学习样例信号区段加载至所述第二神经网络，生成第二学习样例特征数组；将所述第一学习样例特征数组和所述第二学习样例特征数组加载至所述归一决策网络；通过所述归一决策网络的归一映射结果与所述第一学习样例注释信息的差异，生成第一损失函数，以及依据所述第一损失函数优化所述第一神经网络
、
所述第二神经网络和所述归一决策网络的网络内部配置变量
。
[0006]作为一种实施方式，在将所述第一特征数组和所述第二特征数组加载至归一决策网络，由所述归一决策网络对所述第一信号区段到所述第二信号区段的状态演变进行归一映射之后，所述方法还包括：若识别到的状态演变为过渡到异常状态，获取所述第二信号区段的曲线特征；将所述曲线特征加载至异常信息嵌入网络，得到所述第二信号区段的异常嵌入特征；将所述曲线特征和所述异常嵌入特征加载至异常识别网络，得到所述第二信号区段的异常类型
。
[0007]作为一种实施方式，所述第一信号区段到所述第二信号区段的状态演变包括所述第一信号区段的异常类型和所述第二信号区段的异常类型；所述第一神经网络
、
所述第二神经网络和所述归一决策网络事先通过如下步骤协同调试：建立第二学习样例库，所述第二学习样例库中的第二学习样例包括第三学习样例信号区段和第四学习样例信号区段，所述第二学习样例包括第二学习样例注释信息用以指示所述第三学习样例信号区段的异常类型和所述第四学习样例信号区段的异常类型；将所述第三学习样例信号区段加载至所述第一神经网络，生成第三学习样例特征数组，以及将所述第四学习样例信号区段加载至所述第二神经网络，生成第四学习样例特征数组；将所述第三学习样例特征数组和所述第四学习样例特征数组加载至所述归一决策网络；通过所述归一决策网络的归一映射结果与所述第二学习样例注释信息的差异，生成第二损失函数，以及依据所述第二损失函数优化所述第一神经网络
、
所述第二神经网络和所述归一决策网络的网络内部配置变量
。
[0008]作为一种实施方式，在将所述第一特征数组和所述第二特征数组加载至归一决策网络之后，所述方法还包括：将所述第一特征数组和所述第二特征数组加载至一致性分析网络，通过所述一致性分析网络分析所述第一信号区段的产生条件和第二信号区段的产生条件是不是一致；其中，所述第一神经网络
、
所述第二神经网络
、
所述归一决策网络和所述一致性分析网络事先通过如下步骤协同调试：建立第三学习样例库，所述第三学习样例库中的第三学习样例包括第五学习样例信号区段和第六学习样例信号区段，所述第三学习样例包括第三学习样例注释信息和第四学习样例注释信息，所述第三学习样例注释信息用于指示所述第五学习样例信号区段到所述第六学习样例信号区段的状态演变，所述第四学习样例注释信息用于指示所述第五学习
样例信号区段的产生条件和所述第六学习样例信号区段的产生条件是不是一致；将所述第五学习样例信号区段加载至所述第一神经网络，生成第五学习样例特征数组，以及将所述第六学习样例信号区段加载至所述第二神经网络，生成第六学习样例特征数组；将所述第五学习样例特征数组和所述第六学习样例特征数组加载至所述归一决策网络，以及将所述第五学习样例特征数组和所述第六学习样例特征数组加载至所述一致性分析网络；通过所述归一决策网络的归一映射结果与所述第三学习样例注释信息的差异
、
所述一致性分析网络的分析结果与所述第四学习样例注释信息的差异，生成第三损失函数，以及依据所述第三损失函数优化所述第一神经网络
、
所述第二神经网络
、
所述归一决策网络和所述一致性分析网络的网络内部配置变量
。
[0009]作为一种实施方式，所述通过所述归一决策网络的归一映射结果与所述第三学习样例注释信息的差异
、
所述一致性分析网络的分析结果与所述第四学习样例注释信息的差异，生成第三损失函数，包括：通过所述归一决策网络的归一映射结果与所述第三学习样例注释信息的差异，生成第一子损失函数；通过所述一致性分析网络的分析结果与所述第四学习样例注释信息的差异，生成第二子损失函数；通过所述第一子损失函数与所述第二子损失函数，生成所述第三损失函数<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于物联网的传感器生产监测方法，其特征在于，应用于监测终端，所述监测终端与测试设备连接，所述方法包括：响应于传感器测试分析指令，获取传感器生产测试阶段对于目标传感器进行测试得到的传感器输出信号；获取所述传感器输出信号中的第一信号区段和第二信号区段，所述第一信号区段和第二信号区段源于相同的阶段测试信号，且所述第一信号区段在所述第二信号区段之前；将所述第一信号区段加载至第一神经网络，生成第一特征数组，以及将所述第二信号区段加载至第二神经网络，生成第二特征数组，其中，所述第一神经网络和第二神经网络包括一致的网络架构和网络内部配置变量；将所述第一特征数组和所述第二特征数组加载至归一决策网络，由所述归一决策网络对所述第一信号区段到所述第二信号区段的状态演变进行归一映射，得到状态演变识别结果
。2.
如权利要求1所述的方法，其特征在于，所述第一信号区段到所述第二信号区段的状态演变包括传感器工作状态之间的过渡，所述传感器工作状态包括异常状态和正常状态；所述第一神经网络
、
所述第二神经网络和所述归一决策网络事先通过如下步骤协同调试：建立第一学习样例库，所述第一学习样例库中的第一学习样例包括第一学习样例信号区段和第二学习样例信号区段，所述第一学习样例包括第一学习样例注释信息用以指示所述第一学习样例信号区段到所述第二学习样例信号区段传感器工作状态之间的过渡；将所述第一学习样例信号区段加载至所述第一神经网络，生成第一学习样例特征数组，以及将所述第二学习样例信号区段加载至所述第二神经网络，生成第二学习样例特征数组；将所述第一学习样例特征数组和所述第二学习样例特征数组加载至所述归一决策网络；通过所述归一决策网络的归一映射结果与所述第一学习样例注释信息的差异，生成第一损失函数，以及依据所述第一损失函数优化所述第一神经网络
、
所述第二神经网络和所述归一决策网络的网络内部配置变量
。3.
如权利要求2所述的方法，其特征在于，在将所述第一特征数组和所述第二特征数组加载至归一决策网络，由所述归一决策网络对所述第一信号区段到所述第二信号区段的状态演变进行归一映射之后，所述方法还包括：若识别到的状态演变为过渡到异常状态，获取所述第二信号区段的曲线特征；将所述曲线特征加载至异常信息嵌入网络，得到所述第二信号区段的异常嵌入特征；将所述曲线特征和所述异常嵌入特征加载至异常识别网络，得到所述第二信号区段的异常类型
。4.
如权利要求1所述的方法，其特征在于，所述第一信号区段到所述第二信号区段的状态演变包括所述第一信号区段的异常类型和所述第二信号区段的异常类型；所述第一神经网络
、
所述第二神经网络和所述归一决策网络事先通过如下步骤协同调试：建立第二学习样例库，所述第二学习样例库中的第二学习样例包括第三学习样例信号区段和第四学习样例信号区段，所述第二学习样例包括第二学习样例注释信息用以指示所述第三学习样例信号区段的异常类型和所述第四学习样例信号区段的异常类型；
将所述第三学习样例信号区段加载至所述第一神经网络，生成第三学习样例特征数组，以及将所述第四学习样例信号区段加载至所述第二神经网络，生成第四学习样例特征数组；将所述第三学习样例特征数组和所述第四学习样例特征数组加载至所述归一决策网络；通过所述归一决策网络的归一映射结果与所述第二学习样例注释信息的差异，生成第二损失函数，以及依据所述第二损失函数优化所述第一神经网络
、
所述第二神经网络和所述归一决策网络的网络内部配置变量
。5.
如权利要求1所述的方法，其特征在于，在将所述第一特征数组和所述第二特征数组加载至归一决策网络之后，所述方法还包括：将所述第一特征数组和所述第二特征数组加载至一致性分析网络，通过所述一致性分析网络分析所述第一信号区段的产生条件和第二信号区段的产生条件是不是一致；其中，所述第一神经网络
、
所述第二神经网络
、
所述归一决策网络和所述一致性分析网络事先通过如下步骤协同调试：建立第三学习样例库，所述第三学习样例库中的第三学习样例包括第五学习样例信号区段和第六学习样例信号区段，所述第三学习样例包括第三学习样例注释信息和第四学习样例注释信息，所述第三学习样例注释信息用于指示所述第五学习样例信号区段到所述第六学习样例信号区段的状态演变，所述第四学习样例注释信息用于指示所述第五学习样例信号区段的产生条件和所述第六学习样例信号区段的产生条件是不是一致；将所述第五学习样例信号区段加载至所述第一神经网络，生成第五学习样例特征数组，以及将所述第六学习样例信号区段加载至所述第二神经网络，生成第六学习样例特征数组...

【专利技术属性】
技术研发人员：顾宗强，吴明珠，陈豪杰，
申请(专利权)人：深圳市欧利德仪器仪表有限公司，
类型：发明
国别省市：