用于中药材深加工的烘焙温度智能监测方法与流程

本发明涉及电数字数据处理，具体涉及用于中药材深加工的烘焙温度智能监测方法。

背景技术：

1、通过烘焙能够去除中药材中多余的水分，干燥的中药材有利于保存和储存，有效延长保质期。并且在烘焙的过程中，可以通过高温杀灭部分微生物和真菌，达到一定的消毒效果，降低中药材的微生物污染风险的同时，还能通过烘焙，可以去除一些中药材中的异味和异物，提高中药材的口感和质量。因此，对中药材加工过程中进行烘焙至关重要。由于烘焙温度往往影响着中药材的品质，因此对中药材加工过程中的烘焙温度进行监测至关重要。目前，对数据进行异常监测，通常采用的方法为：通过svdd模型，对数据进行异常监测。

2、然而，当通过svdd模型，对烘焙温度进行异常监测时，经常会存在如下技术问题：

3、由于通过svdd模型进行异常监测时往往受到样本分布的影响，比如当异常数据较少时，可能导致正样本对svdd起到决定性作用，从而导致确定的超球体过大，可能导致将部分异常数据误判为正常数据，因此，当直接通过svdd模型，对烘焙温度进行异常监测时，可能导致对烘焙温度进行异常监测的准确度较差。

技术实现思路

1、为了解决对烘焙温度进行异常监测的准确度较差的技术问题，本发明提出了用于中药材深加工的烘焙温度智能监测方法。

2、本发明提供了用于中药材深加工的烘焙温度智能监测方法，该方法包括：

3、通过安装在不同位置处的预设数量个温度传感器，采集待检测中药材在预设时间段内每个采集时刻下预设数量个烘焙温度；

4、根据每个烘焙温度与其对应的采集时刻下所有的烘焙温度之间的差异，确定每个烘焙温度对应的异常可能指标；

5、根据每个烘焙温度对应的异常可能指标，以及每个烘焙温度所属温度传感器在预设时间段内采集的所有烘焙温度对应的烘焙温度曲线，对每个烘焙温度进行稳定分布分析处理，得到每个烘焙温度对应的稳定分布指标；

6、根据每个烘焙温度对应的异常可能指标，以及每个烘焙温度对应的稳定分布指标和其对应的采集时刻下所有的烘焙温度对应的稳定分布指标之间的差异，确定每个烘焙温度对应的目标正常指标；

7、根据所有烘焙温度，通过svdd模型，确定超球体和每个烘焙温度对应的初始松弛因子，并根据超球体，从所有烘焙温度中筛选出疑似误判温度；

8、对每个疑似误判温度对应的目标正常指标进行自适应修正，确定每个疑似误判温度对应的修正正常指标；

9、将参考温度对应的目标正常指标确定为其对应的修正正常指标，根据每个烘焙温度对应的修正正常指标，对其对应的初始松弛因子进行修正，确定每个烘焙温度对应的目标松弛因子；

10、根据所有烘焙温度及其对应的目标松弛因子，通过svdd模型进行异常监测。

11、可选地，所述根据每个烘焙温度与其对应的采集时刻下所有的烘焙温度之间的差异，确定每个烘焙温度对应的异常可能指标，包括：

12、将任意一个烘焙温度确定为标记温度，将所述标记温度对应的采集时刻下所有烘焙温度的方差，确定为所述标记温度对应的整体波动指标；

13、将所述标记温度对应的采集时刻下所有烘焙温度的极差，确定为所述标记温度对应的整体变化指标；

14、将所述标记温度与其对应的采集时刻下每个烘焙温度的差值绝对值，确定为温度差异，得到所述标记温度对应的温度差异集合；

15、根据所述标记温度对应的整体波动指标和整体变化指标，以及其对应的温度差异集合中所有温度差异的累加值，确定所述标记温度对应的异常可能指标。

16、可选地，所述根据每个烘焙温度对应的异常可能指标，以及每个烘焙温度所属温度传感器在预设时间段内采集的所有烘焙温度对应的烘焙温度曲线，对每个烘焙温度进行稳定分布分析处理，得到每个烘焙温度对应的稳定分布指标，包括：

17、将任意一个烘焙温度确定为标记温度，以采集时刻为横坐标，以所述标记温度所属温度传感器在预设时间段内采集的烘焙温度为纵坐标，作烘焙温度曲线；

18、将烘焙温度曲线上所有烘焙温度对应的坐标点的斜率绝对值的均值，确定为烘焙温度曲线对应的第一分布因子；

19、将烘焙温度曲线上所有烘焙温度对应的坐标点的斜率绝对值的方差，确定为烘焙温度曲线对应的第二分布因子；

20、从所述标记温度所属温度传感器下的所有烘焙温度中，筛选出采集时刻距所述标记温度对应的采集时刻最近的预设数目个烘焙温度，作为候选温度，得到所述标记温度对应的候选温度集合；

21、根据所述标记温度所属烘焙温度曲线对应的第一分布因子和第二分布因子、所述标记温度及其对应的候选温度集合、以及所述标记温度对应的候选温度集合中候选温度对应的异常可能指标，确定所述标记温度对应的稳定分布指标。

22、可选地，烘焙温度对应的稳定分布指标对应的公式为：

23、；其中，是第i个烘焙温度对应的稳定分布指标；i是烘焙温度的序号；是第i个烘焙温度所属烘焙温度曲线对应的第一分布因子；是第i个烘焙温度所属烘焙温度曲线对应的第二分布因子；、和是预先设置的大于0的因子；n是预设数目；a是第i个烘焙温度对应的候选温度集合中候选温度的序号；是取绝对值函数；是第i个烘焙温度对应的候选温度集合中，第a个候选温度在其所属烘焙温度曲线上的斜率；是第i个烘焙温度；是第i个烘焙温度对应的候选温度集合中第a个候选温度；是第i个烘焙温度对应的候选温度集合中第a个候选温度对应的异常可能指标。

24、可选地，烘焙温度对应的目标正常指标对应的公式为：

25、；其中，是第i个烘焙温度对应的目标正常指标；i是烘焙温度的序号；是第i个烘焙温度对应的异常可能指标；和是预先设置的大于0的因子；n是预设数量；j是第i个烘焙温度对应的采集时刻下烘焙温度的序号；是取绝对值函数；是第i个烘焙温度对应的稳定分布指标；是第i个烘焙温度对应的采集时刻下的第j个烘焙温度对应的稳定分布指标；表征第i个烘焙温度对应的采集时刻下所有的烘焙温度对应的稳定分布指标之间的差异。

26、可选地，所述根据超球体，从所有烘焙温度中筛选出疑似误判温度，包括：

27、通过svdd模型中的高斯核径向基函数，构建每个烘焙温度对应的高维数据点，将每个烘焙温度对应的高维数据点与所述超球体球心之间的距离，确定为每个烘焙温度对应的目标距离；

28、将所述超球体的半径与每个烘焙温度对应的目标距离的差值的绝对值，确定为每个烘焙温度对应的距离差异；

29、根据每个烘焙温度对应的距离差异，确定每个烘焙温度对应的误判因子，其中，距离差异与误判因子呈正相关；

30、从所有烘焙温度中筛选出误判因子小于或等于预设误判阈值的烘焙温度，作为疑似误判温度。

31、可选地，所述对每个疑似误判温度对应的目标正常指标进行自适应修正，确定每个疑似误判温度对应的修正正常指标，包括：

32、根据每个高维数据点对应的预设邻域序列中预设邻域内的所有高维数据点，确定每个高维数据点对应的预设邻域序列中预设邻域对应的优选因子；

33、从每个高维数据点对应的预设邻域序列中筛选出优选因子最大的预设邻域，作为每个高维数据点对应的目标邻域；

34、根据每个疑似误判温度对应的高维数据点对应的目标邻域内的所有高维数据点对应的烘焙温度对应的目标正常指标，确定每个疑似误判温度对应的修正正常指标。

35、可选地，高维数据点对应的预设邻域序列中预设邻域对应的优选因子，以及疑似误判温度对应的修正正常指标对应的公式分别为：

36、；

37、；

38、；其中，是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c个预设邻域对应的优选因子；b是疑似误判温度的序号；c是预设邻域序列中预设邻域的序号；是求绝对值函数；是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c个预设邻域内，所有高维数据点对应的烘焙温度对应的异常可能指标的均值；是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c+1个预设邻域内，所有高维数据点对应的烘焙温度对应的异常可能指标的均值；是第b个疑似误判温度对应的高维数据点对应的预设邻域序列中第c-1个预设邻域内，所有高维数据点对应的烘焙温度对应的异常可能指标的均值；是第b个疑似误判温度对应的修正正常指标；是第b个疑似误判温度对应的高维数据点对应的目标邻域内高维数据点的数量；d是第b个疑似误判温度对应的高维数据点对应的目标邻域内高维数据点的序号；是第b个疑似误判温度对应的高维数据点对应的目标邻域内，第d个高维数据点对应的烘焙温度对应的稳定分布指标；是第b个疑似误判温度对应的高维数据点对应的目标邻域内，第d个高维数据点对应的烘焙温度对应的误判因子；是第b个疑似误判温度对应的高维数据点对应的目标邻域内，第d个高维数据点对应的烘焙温度对应的目标正常指标；是第b个疑似误判温度对应的高维数据点对应的目标邻域内，所有高维数据点对应的烘焙温度对应的目标正常指标和误判因子乘积的累加值。

39、可选地，所述根据每个烘焙温度对应的修正正常指标，对其对应的初始松弛因子进行修正，确定每个烘焙温度对应的目标松弛因子，包括：

40、将每个烘焙温度对应的修正正常指标和初始松弛因子的乘积，确定为每个烘焙温度对应的目标松弛因子。

41、可选地，所述根据所有烘焙温度及其对应的目标松弛因子，通过svdd模型进行异常监测，包括：

42、在通过svdd模型进行异常监测的过程中，将每个烘焙温度对应的松弛因子更新为其对应的目标松弛因子，并根据所有烘焙温度及其对应的更新后的松弛因子，对所有烘焙温度进行异常监测。

43、本发明具有如下有益效果：

44、本发明的用于中药材深加工的烘焙温度智能监测方法，通过对烘焙温度进行数据处理，解决了对烘焙温度进行异常监测的准确度较差的技术问题，提高了对烘焙温度进行异常监测的准确度。首先，量化的烘焙温度对应的异常可能指标越大，往往说明该烘焙温度越可能是异常温度，往往说明其烘焙过程越可能存在异常。接着，由于正常的烘焙温度变化往往是逐渐变化的，相对比较稳定，因此，量化的烘焙温度对应的稳定分布指标越大，往往说明该烘焙温度相对越稳定，往往说明该烘焙温度越可能是正常温度，往往说明其烘焙过程越可能不存在异常。然后，综合考虑烘焙温度对应的异常可能指标，以及烘焙温度对应的稳定分布指标和其对应的采集时刻下所有的烘焙温度对应的稳定分布指标之间的差异，量化的烘焙温度对应的目标正常指标越大，往往说明该烘焙温度越可能是正常温度，往往说明其烘焙过程越可能不存在异常。继续，由于超球体的大小往往影响的异常检测结果，比如超球体过大时，可能导致将部分异常数据误判为正常数据，因此基于超球体，从所有烘焙温度中筛选出的疑似误判温度往往是容易异常判断错误的数据。之后，对疑似误判温度对应的目标正常指标进行自适应修正，量化的疑似误判温度对应的修正正常指标更加可以表征疑似误判温度的正常程度。而后，由于松弛因子的大小往往影响着超球体的大小，并且正常数据与异常数据所需要的松弛因子权重往往不同，因此，基于烘焙温度对应的修正正常指标，对其对应的初始松弛因子进行修正，可以提高烘焙温度对应的目标松弛因子确定的准确度，从而可以提高超球体尺寸确定的准确度。最后，根据所有烘焙温度及其对应的目标松弛因子，通过svdd模型进行异常监测，实现了对烘焙温度的监测。