一种工厂生产状态异常检测模型设计方法与流程

本发明涉及检测技术领域，具体是一种工厂生产状态异常检测模型设计方法。

背景技术：

目前，工厂生产运营状态的评判通常采用分类算法对不同运营状况进行类别区分。这些算法程序的主要任务是使用具有标注的训练数据生成的模型区分测试数据所属的类别，属于监督式学习，用于分析数据和识别模式。训练数据的标注通常通过人为的判定，对有限的指标进行单独评分，并结合某些事先确定的法则给与综合评判，譬如产品产量，原材料库存量，用电量，炉温，机器振动等指标。算法利用上述进行过标注的实例数据，属于某个类的训练数据生成模型。这样的模型通过寻找一个超级平面或专家式投票的方法将训练数据中的实例样本点准确的划分到各自的类别，同时惩罚落在错误一侧的训练样本。在测试过程中，将测试数据实例输入模型，模型通过实例信息将测试样本准确有效的进行类别区分预测。

首先，根据工厂的实际场景，收集工厂正常运行状态的训练数据相对容易，因为这是工厂的常态。但故障系统状态的收集实例数据可能相当昂贵，或者是不可能。即使可以模拟一种或多种故障系统状态，但无法保证所有故障状态都被模拟，因此传统的分类方法无法预测没有出现过的场景。

其次，传统的多分类算法，通常能够对新来的测试实例进行类别的区分，但无法准确有效地进行预警分数的设置。

再次，工厂总体运营的状态是一个复杂的数学问题，人为的标注片面性大，易产生较大误差，例如当日的产品产量除了与生产流程直接相关的数据外也与库存相关的数据之间存在联系；工人上下班人流和机器振动的一系列统计数据可以得到工厂雇佣人员与工厂运转效率之间的关系，这种关系也反应出工厂的治理水平从而在一个维度上与工厂产量产生关联。因此，这种高纬度多特征的数学关系人类很难通过直观的观察得到答案。

综上可知，随着市场的日益变化，工厂需要不断调整以适应市场变化。根据以上存在的问题和缺点，使用常规的分类监督学习算法很难满足工厂实际运营状态的快速变化。

技术实现要素：

本发明的目的在于提供一种工厂生产状态异常检测模型设计方法，以解决所述背景技术中提出的问题。

为实现所述目的，本发明提供如下技术方案：

一种工厂生产状态异常检测模型设计方法，包含以下步骤：

a、构建支撑向量域；

b、非线性广义核函数支撑设计；

c、预警评分设置；

d、模型评估。

作为本发明再进一步的方案：所述步骤a具体是：构建球体域，假设球体中心位置a和球体半径r,建立最小半径函数：其中，c为协调球体大小和目标物体误差之间的变量，限制条件为：(xi-a)^t(xi-a)≤r²+ξi，ξi≥0，结合上面两个公式，创建拉格朗日函数：其中ai≥0和γi≥0，根据以上函数，得到如下新的限制条件：c-ai-γi＝0，即最终的拉格朗日函数式如下：通过对l的最小化优化求解，可得，当新的测试集数据进入模型时，是否属于正常类别范围，即其中，z为新的实例数据。

作为本发明再进一步的方案：所述步骤b具体是：将内积(xi·xj)替换为核函数k(xi·xj)，得到从而判定：为了抑制球体半径距离在大量特征空间中的增长，采用高斯核函数:kg(xi·xj)＝exp(-(xi-xj)²/s²)，由此可得如下拉格朗日函数：因此可以得到如下单类别接受规则：

作为本发明再进一步的方案：所述步骤c具体是：根据步骤a和步骤b可得单类的支撑向量机，针对当天的工厂运营状态进行预警评分。

作为本发明再进一步的方案：所述步骤d采用机器学习误差测试标准进行模型的评估。

与现有技术相比，本发明的有益效果是：本发明能够建立工厂总体状况监控体系,对生产状况实时监控异常监控预警,为相关主体提供更便捷的精细化管理和决策依据，是大数据、人工智能在工业制造业中的有利结合，对企业发展、国家发展都具有十分重要的意义。

附图说明

图1为原始数据投射到高维空间的示意图。

图2为机器学习建模示意图。

图3为本发明的系统架构图。

图4为本发明的算法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：请参阅图1-4，一种工厂生产状态异常检测模型设计方法，包含以下步骤：

a、构建支撑向量域；所述步骤a具体是：构建球体域，假设球体中心位置a和球体半径r,建立最小半径函数：其中，c为协调球体大小和目标物体误差之间的变量，限制条件为：(xi-a)^t(xi-a)≤r²+ξi，ξi≥0，结合上面两个公式，创建拉格朗日函数：其中ai≥0和γi≥0，根据以上函数，得到如下新的限制条件：c-ai-γi＝0，即最终的拉格朗日函数式如下：通过对l的最小化优化求解，可得，当新的测试集数据进入模型时，是否属于正常类别范围，即其中，z为新的实例数据。

b、非线性广义核函数支撑设计；将内积(xi·xj)替换为核函数k(xi·xj)，得到从而判定：为了抑制球体半径距离在大量特征空间中的增长，采用高斯核函数:kg(xi·xj)＝exp(-(xi-xj)²/s²)，由此可得如下拉格朗日函数：因此可以得到如下单类别接受规则：

c、预警评分设置；根据步骤a和步骤b可得单类的支撑向量机，其示意图如图一所示：当工厂新的一天数据导入时，通过滑动窗口的数据，即只考虑最近三十天的数据实例，包含当天实例，可以针对当天的工厂运营状态进行预警评分。根据图一可知，当新的一天实例纳入训练集，若该点实例，落入之前球体内，将该点离球体表面的距离作为预警分数，离支撑向量构成的距离越近，越代表其可能属于异常的可能性越高。

d、模型评估。模型的评估采用常用的机器学习误差测试标准，

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。