【技术实现步骤摘要】
本专利技术涉及工业物联网数据处理领域，尤其涉及一种基于集成模型的自动监控迭代调参方法及系统，对生产设备参数进行实时监测和自动化调整调优。
技术介绍
1、随着工业制造4.0由概念向现实的推进，越来越多的工厂积极推动工业物联网的建设落地，生产设备通过数据物联上网，设备参数通过采集协议上传至数据库，进行数据监控和分析，更为先进地，采用ai人工智能进行深度学习和模型训练。
2、例如申请公布号为cn116090805a专利技术专利公开文本公开了一种基于铸造工艺及ai深度学习算法下镁合金铸件制造方法，在镁合金压铸的生产设备进行联网实现实时监控，并对铸造工艺数据实时采集，将数据进行分析并上传数据库，所有数据通过终端的ai学习及智能工艺优化。
3、又如申请公布号为cn113496360a专利技术专利公开文本公开了一种注塑成型生产管理方法，在注塑设备上安装智能化数据采集模块，由数据采集模块自动采集注塑设备在生产过程中的数据，通过5g数据传输模块将由数据采集模块采集的生产数据通过第三方软件上传至云服务器统一管理。
4、但在实际生产过程中，受限于工业数据体量庞大、特征参数复杂，导致数据污染严重，进而导致正负样本数量严重失衡，大量的生产参数无法成体系地、有效地指导生产参数的调整调优，反而产生大量冗余。
5、其次，尽管有ai人工智能的投入应用，但面对严重的数据污染和单一的模型结构，实际生产应用时ai的自适应和更新能力不足，并不能在工业场景中发挥最佳功能。
6、基于前述现实性问题，即便工厂投入了自
7、为了解决以上问题，亟需一种集合实时数据采集清洗加工功能、人工智能集成模型训练和部署功能、设备实时监测功能、自动反向控制调参功能和模型自动更新迭代功能的综合性调参方法和系统，全周期、正反馈地实现生产参数的自动监控和迭代调参。
技术实现思路
1、本专利技术致力于解决现有技术中的以下技术问题：1、解决生产参数大数据自动化预处理和特征提取的问题，清理脏数据，减少数据污染；2、解决训练模型单一、功能重复、稳定性和可靠性差的问题；3、解决生产设备调参依赖人工经验和人工操作的问题；4、解决模型自适应程度差，相对实际时序生产存在滞后性的问题。
2、本专利技术解决上述技术问题所采用的技术方案为：基于集成模型的自动监控迭代调参方法，包括以下步骤：
3、步骤s10：采集被控对象的实时生产参数；
4、步骤s20：对采集的所述生产参数进行预处理，消除数据污染，执行黄金特征提取，建立生产参数集；
5、步骤s30：存储所述步骤s10中采集的所述生产参数和所述步骤s20中建立的所述生产参数集；
6、步骤s40：使用多个一级训练模型对所述生产参数集进行模型训练，输出多个一级训练结果；对多个所述一级训练结果进行加权堆叠，输出并存储最优的二级集成模型；
7、步骤s50：实时读取所述步骤s30中存储的所述生产参数集，输入给所述二级集成模型进行模型计算，输出集成模型监测结果；
8、步骤s60：判断所述集成模型监测结果：
9、若集成模型监测结果为合格，将所述集成模型监测结果存储至监测结果集，并重复所述步骤s50；若集成模型监测结果为报废，则执行步骤s70；
10、步骤s70：比较所述监测结果集中各所述集成模型监测结果的合格率，将合格率最高的所述集成模型监测结果对应的所述生产参数集反向传输给被控对象；
11、步骤s80：判断是否需要进行二级集成模型更新：
12、若是，重复所述步骤s40，输出并存储新的最优的二级集成模型。
13、本专利技术解决上述技术问题所采用的优选的技术方案为：还包括步骤s90：判断是否需要进行二级集成模型迭代：
14、若是，比较历史的所述二级集成模型，得出综合评价最高的所述二级集成模型，作为所述步骤s50中用于模型计算的当前所述二级集成模型。
15、本专利技术解决上述技术问题所采用的优选的技术方案为：所述步骤s10中，开启通信消息队列，将所述生产参数按采集时序排列，并根据被控对象的不同通信协议对所述生产参数进行分类打标，记录被控对象的输出状态。
16、本专利技术解决上述技术问题所采用的优选的技术方案为：所述步骤s20中，根据所述生产参数的分布情况进行脏数据剔除，以消除数据污染，包括以下步骤：
17、步骤s211：判断所述生产参数是否符合正态分布，若是，执行步骤s212，若否，执行步骤s213；
18、步骤s212：使用格拉布斯准则和置信区间筛选合规的所述生产参数，进入步骤s214；
19、步骤s213：使用拉依达准则和区间系数筛选合规的所述生产参数，进入步骤s214；
20、步骤s214：剔除所有空值数据。
21、本专利技术解决上述技术问题所采用的优选的技术方案为：所述步骤s20中，判断所述生产参数是否存在正负样本不平衡的情况，若是，执行以下步骤进行数据平衡：
22、步骤s221：对不平衡的所述生产参数进行过采样和欠采样处理；
23、步骤s222：对不平衡的所述生产参数进行升降维度处理；
24、步骤s223：对不平衡的所述生产参数进行类聚分析。
25、本专利技术解决上述技术问题所采用的优选的技术方案为：所述步骤s30中，将已采集但尚未预处理的所述生产参数存储在数据湖中，将经过预处理的所述生产参数集存储在标准数据库中，形成湖仓一体架构体系。
26、本专利技术解决上述技术问题所采用的优选的技术方案为：所述步骤s40还包括以下步骤：
27、步骤s401：判断被控对象是否支持实时采集其生产报废与合格状态：若否，执行步骤s411至步骤s412；若是，执行步骤s421至步骤s422;
28、步骤s411：使用无监督模型中的多个所述一级训练模型对所述生产参数集进行模型训练，输出多个一级训练结果；
29、步骤s412：使用贪心算法对所述步骤s411得到的多个所述一级训练结果进行加权堆叠，输出并存储最优的二级集成模型；
30、步骤s421：分别使用无监督模型、半监督模型、有监督模型中的多个所述一级训练模型对所述生产参数集进行模型训练，输出多个一级训练结果；
31、步骤s422：使用贪心算法对所述步骤s421得到的多个所述一级训练结果进行加权堆叠，输出并存储最优的二级集成模型。
32、本专利技术解决上述技术问题所采用的优选的技术方案为：所述无监督模型包括k均值类聚、主成分分析和奇异值分解；
33、所述半监督模型包括协同训练和图训练，根据本文档来自技高网...
【技术保护点】
1.基于集成模型的自动监控迭代调参方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于集成模型的自动监控迭代调参方法，其特征在于：
3.根据权利要求1所述的基于集成模型的自动监控迭代调参方法，其特征在于：
4.根据权利要求1所述的基于集成模型的自动监控迭代调参方法，其特征在于：
5.根据权利要求1所述的基于集成模型的自动监控迭代调参方法，其特征在于：
6.根据权利要求1所述的基于集成模型的自动监控迭代调参方法，其特征在于：
7.根据权利要求1所述的基于集成模型的自动监控迭代调参方法，其特征在于：
8.根据权利要求7所述的基于集成模型的自动监控迭代调参方法，其特征在于：
9.根据权利要求1所述的基于集成模型的自动监控迭代调参方法，其特征在于：
10.根据权利要求1所述的基于集成模型的自动监控迭代调参方法，其特征在于：
11.根据权利要求2所述的基于集成模型的自动监控迭代调参方法，其特征在于：
12.基于集成模型的自动监控迭代调参系统，其特征在
13.根据权利要求12所述的基于集成模型的自动监控迭代调参系统，其特征在于：
14.一种计算机设备，包括存储器和处理器，所述存储器存储计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1-11中任一所述的基于集成模型的自动监控迭代调参方法的步骤。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-11中任一所述的基于集成模型的自动监控迭代调参方法的步骤。
16.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-11中任一所述的基于集成模型的自动监控迭代调参方法的步骤。
...【技术特征摘要】
1.基于集成模型的自动监控迭代调参方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于集成模型的自动监控迭代调参方法，其特征在于：
3.根据权利要求1所述的基于集成模型的自动监控迭代调参方法，其特征在于：
4.根据权利要求1所述的基于集成模型的自动监控迭代调参方法，其特征在于：
5.根据权利要求1所述的基于集成模型的自动监控迭代调参方法，其特征在于：
6.根据权利要求1所述的基于集成模型的自动监控迭代调参方法，其特征在于：
7.根据权利要求1所述的基于集成模型的自动监控迭代调参方法，其特征在于：
8.根据权利要求7所述的基于集成模型的自动监控迭代调参方法，其特征在于：
9.根据权利要求1所述的基于集成模型的自动监控迭代调参方法，其特征在于：
10.根据权利要求1所述的基于集成模型的自动监控迭代调参方...
【专利技术属性】
技术研发人员：何盛华，韩超逸，何晓衡，宋佳，姜云倩，
申请(专利权)人：宁波数益工联科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。