轴类槽规检测控制系统的异常分析方法及系统与流程

本发明涉及人工智能，具体而言，涉及一种轴类槽规检测控制系统的异常分析方法及系统。

背景技术：

1、在现代工业生产中，轴类槽规检测控制系统是保证产品质量和生产效率的关键环节。然而，由于系统的复杂性和运行环境的多样性，轴类槽规检测控制系统在运行过程中难免会出现各种异常情况，如传感器故障、执行器失灵、控制逻辑错误等。这些异常情况如果不能及时发现和处理，不仅会影响产品的质量和生产效率，还可能导致设备的损坏和生产事故的发生。

2、目前，传统的异常检测方法主要依赖于人工巡检和定期维护，但这种方法效率低下，且难以发现潜在的、隐蔽的异常。同时，由于轴类槽规检测控制系统的复杂性，异常的原因和位置往往难以准确定位，给维修和维护带来了极大的困难。

技术实现思路

1、有鉴于此，本发明实施例的目的在于提供一种轴类槽规检测控制系统的异常分析方法及系统。

2、依据本发明实施例的一个方面，提供一种轴类槽规检测控制系统的异常分析方法，所述方法包括：

3、获取轴类槽规检测控制系统的目标运行活动数据；

4、基于所述目标运行活动数据加载至先验学习的异常分析网络中，获得所述异常分析网络生成的异常分析结果，所述异常分析网络依据关联的运行活动数据和协同交互信息训练得到；

5、基于所述异常分析结果确定异常定位节点。

6、在第一方面的一种可能的实施方式中，所述异常分析网络包括特征提取单元和异常预测单元，所述基于所述目标运行活动数据加载至先验学习的异常分析网络中，获得所述异常分析网络生成的异常分析结果，包括：

7、基于所述目标运行活动数据加载至所述特征提取单元中，生成所述特征提取单元生成的目标运行特征图；

8、基于所述目标运行特征图加载至所述异常预测单元中，生成所述异常预测单元生成的异常分析结果。

9、在第一方面的一种可能的实施方式中，所述异常分析网络的训练步骤，包括：

10、依据运行路径数据中存在依赖关系的运行轨迹生成积极训练数据和消极训练数据，基于所述积极训练数据和所述消极训练数据生成目标样例学习数据；

11、依据所述目标样例学习数据，对初始化的异常分析网络进行网络参数学习，生成网络参数学习后的异常分析网络。

12、在第一方面的一种可能的实施方式中，所述依据运行路径数据中存在依赖关系的运行轨迹生成积极训练数据和消极训练数据，包括：

13、获取运行路径数据中的存在依赖关系的运行轨迹作为初始训练特征；

14、对所述初始训练特征进行规则化转换，生成所述积极训练数据；

15、基于所述运行路径数据中的运行活动数据和协同交互信息随机组合，生成所述消极训练数据。

16、在第一方面的一种可能的实施方式中，所述特征提取单元包括第一特征提取分支和第二特征提取分支，所述依据所述目标样例学习数据，对初始化的异常分析网络进行网络参数学习，生成网络参数学习后的异常分析网络，包括：

17、针对所述目标样例学习数据中的运行轨迹组合，基于所述运行轨迹组合的模板协同交互信息加载至所述第一特征提取分支中，获得所述第一特征提取分支生成的目标协同交互矢量，基于所述运行轨迹组合的模板运行活动数据加载至所述第二特征提取分支中，获得所述第二特征提取分支生成的目标运行轨迹矢量；

18、依据所述目标协同交互矢量和所述目标运行轨迹矢量确定目标训练误差参数，以所述目标训练误差参数最小化为训练方向，对所述特征提取单元进行网络参数学习，生成网络参数学习后的特征提取单元；

19、依据网络参数学习后的特征提取单元对所述异常预测单元进行网络参数学习，生成网络参数学习后的异常预测单元。

20、在第一方面的一种可能的实施方式中，所述运行轨迹组合中包含多个模板运行活动数据，所述基于所述运行轨迹组合的模板运行活动数据加载至所述第二特征提取分支中，获得所述第二特征提取分支生成的目标运行轨迹矢量，包括：

21、将各所述模板运行活动数据集成，生成集成运行活动数据；

22、基于所述集成运行活动数据加载至所述第二特征提取分支中，获得所述第二特征提取分支生成的目标运行轨迹矢量。

23、在第一方面的一种可能的实施方式中，所述运行轨迹组合中包含多个模板运行活动数据，所述基于所述运行轨迹组合的模板运行活动数据加载至所述第二特征提取分支中，获得所述第二特征提取分支生成的运行轨迹矢量，包括：

24、分别将各所述模板运行活动数据加载至所述第二特征提取分支中，生成所述第二特征提取分支生成的各所述模板运行活动数据的运行轨迹矢量；

25、将各所述模板运行活动数据的运行轨迹矢量求和，生成所述目标运行轨迹矢量。

26、在第一方面的一种可能的实施方式中，所述第一特征提取分支和所述第二特征提取分支分别与所述异常预测单元相连接，所述依据网络参数学习后的特征提取单元对所述异常预测单元进行网络参数学习，生成网络参数学习后的异常预测单元，包括：

27、针对所述目标样例学习数据中的协同交互信息，依据所述第一特征提取分支确定所述协同交互信息的协同交互矢量；

28、基于所述协同交互矢量和所述协同交互信息的训练标注数据构建异常学习样本；

29、依据所述异常学习样本，对初始化的异常预测单元进行网络参数学习，生成网络参数学习后的异常预测单元。

30、依据本发明实施例的另一方面，提供一种轴类槽规检测控制系统的异常分析系统，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、通信接口和存储器通过通信总线完成相互间的通信； 所述存储器，用于存放计算机程序； 所述处理器，用于执行所述计算机程序时，实现以上任一项所述的轴类槽规检测控制系统的异常分析方法步骤。

31、依据本发明实施例的另一方面，提供一种可读存储介质，该可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行上述的轴类槽规检测控制系统的异常分析方法的步骤。

32、为使本发明实施例的上述目的、特征和优点能更明显易懂，下面将结合实施例，并配合所附附图，作详细说明。

技术特征：

1.一种轴类槽规检测控制系统的异常分析方法，其特征在于，所述方法包括：

2.根据权利要求1所述的轴类槽规检测控制系统的异常分析方法，其特征在于，所述异常分析网络包括特征提取单元和异常预测单元，所述基于所述目标运行活动数据加载至先验学习的异常分析网络中，获得所述异常分析网络生成的异常分析结果，包括：

3.根据权利要求2所述的轴类槽规检测控制系统的异常分析方法，其特征在于，所述异常分析网络的训练步骤，包括：

4.根据权利要求3所述的轴类槽规检测控制系统的异常分析方法，其特征在于，所述依据运行路径数据中存在依赖关系的运行轨迹生成积极训练数据和消极训练数据，包括：

5.根据权利要求3所述的轴类槽规检测控制系统的异常分析方法，其特征在于，所述特征提取单元包括第一特征提取分支和第二特征提取分支，所述依据所述目标样例学习数据，对初始化的异常分析网络进行网络参数学习，生成网络参数学习后的异常分析网络，包括：

6.根据权利要求5所述的轴类槽规检测控制系统的异常分析方法，其特征在于，所述运行轨迹组合中包含多个模板运行活动数据，所述基于所述运行轨迹组合的模板运行活动数据加载至所述第二特征提取分支中，获得所述第二特征提取分支生成的目标运行轨迹矢量，包括：

7.根据权利要求5所述的轴类槽规检测控制系统的异常分析方法，其特征在于，所述运行轨迹组合中包含多个模板运行活动数据，所述基于所述运行轨迹组合的模板运行活动数据加载至所述第二特征提取分支中，获得所述第二特征提取分支生成的运行轨迹矢量，包括：

8.根据权利要求5所述的轴类槽规检测控制系统的异常分析方法，其特征在于，所述第一特征提取分支和所述第二特征提取分支分别与所述异常预测单元相连接，所述依据网络参数学习后的特征提取单元对所述异常预测单元进行网络参数学习，生成网络参数学习后的异常预测单元，包括：

9.一种轴类槽规检测控制系统的异常分析系统，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、通信接口和存储器通过通信总线完成相互间的通信； 所述存储器，用于存放计算机程序； 所述处理器，用于执行所述计算机程序时，实现权利要求1-8中任一项所述的轴类槽规检测控制系统的异常分析方法步骤。

10.一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1-8中任一项所述的轴类槽规检测控制系统的异常分析方法步骤。

技术总结本发明实施例提供了一种轴类槽规检测控制系统的异常分析方法及系统，通过获取目标运行活动数据，并利用先验学习的异常分析网络进行深度分析，实现了对系统运行状态的精准监测。该技术能够及时发现并准确识别出系统中的异常情况，生成详细的异常分析结果，从而帮助操作人员迅速定位异常节点。这不仅大大提高了轴类槽规检测控制系统的稳定性和可靠性，降低了故障发生的概率，同时也为系统的维护和修复提供了有力的技术支持，减少了停机时间和维修成本，提高了整体的工作效率。技术研发人员：胡金福,吕文轩,蒋宇杰受保护的技术使用者：东莞科达五金制品有限公司技术研发日：技术公布日：2024/10/17