一種用於麵粉加工的生產質量監測系統的製作方法

2024-04-12 16:47:05

1.本發明涉及數據處理技術領域，具體涉及一種用於麵粉加工的生產質量監測系統。


背景技術：

2.麵粉是通過小麥進行碾磨得到的，碾磨後的麵粉在質量達到標準後才能出廠作為食物，所以在麵粉加工過程中，需要對麵粉的質量進行實時監測並判斷是否對麵粉進行再加工，如果麵粉質量不合格會影響麵粉廠口碑，甚至引發安全問題。現有技術存在一種基於混合模擬退火與遺傳算法的麵粉質量監測方法監測麵粉質量。
3.在已公開的一種基於混合模擬退火與遺傳算法的麵粉質量檢測方法中，通過紅外光譜儀掃描麵粉獲得麵粉光譜信息，對麵粉光譜信息進行處理後通過歷史數據訓練的徑向基神經網絡進行分類完成麵粉質量檢測。但是現有技術的麵粉質量監測方法只能對能從紅外光譜信息所反映的質量參數進行分析，對麵粉質量監測的並不全面，影響麵粉監測的準確度。


技術實現要素：

4.為了解決現有技術對麵粉生產質量監測的方法準確性不足的技術問題，本發明的目的在於提供一種用於麵粉加工的生產質量監測系統，所採用的技術方案具體如下：本發明提出了一種用於麵粉加工的生產質量監測系統，所述系統包括：修正麵粉監測矩陣獲取模塊，用於在預設時間段內根據預設採樣頻率獲取不同種類的麵粉質量監測數據，根據所述麵粉質量監測數據構建麵粉監測矩陣，對所述麵粉監測矩陣進行預處理得到修正麵粉監測矩陣；數據異常因子獲取模塊，用於根據數據值對所述修正麵粉監測矩陣數據進行分類得到兩個以上監測數據類別；根據各個監測數據類別中的數據量分布情況得到候選異常數據，根據每個所述候選異常數據在所述監測數據類別中的分布特徵獲得對應的數據異常因子；數據異常特徵值獲取模塊，用於計算所述候選異常數據的lof值，根據所述候選異常數據對應麵粉質量監測數據種類中的數值分布特徵對lof值進行修正得到修正lof值，根據所述候選異常數據的所述數據異常因子和所述修正lof值得到數據異常特徵值；異常數據獲取模塊，用於設定異常分析閾值，根據所述異常分析閾值和所述數據異常特徵值對所述候選異常數據進行篩選，獲得異常數據；生產質量監測模塊，用於根據所述異常數據進行麵粉生產質量監測。
5.進一步地，所述候選異常數據的獲取方法包括：通過模糊聚類算法對所述修正麵粉監測矩陣進行聚類分析得到兩個以上監測數據類別，計算所有監測數據類別中的數據量均值，將數據量小於數據量均值的所述監測數據類別作為偏離類別，將所述偏離類別中的所有數據記為候選異常數據。
6.進一步地，所述根據每個所述候選異常數據在所述監測數據類別中的分布特徵對應的數據異常因子包括：根據模糊聚類算法中的目標函數，獲得去除目標候選異常數據前對應所述修正麵粉監測矩陣的標準目標函數值和去除所述目標候選異常數據後的目標函數值；獲得所述目標候選異常數據對應的所述目標函數值與所述標準目標函數值之間差值的平方，將所述平方與預設調節參數的乘積作為所述目標候選異常數據的所述數據異常因子；改變目標候選異常數據得到所有候選異常數據的所述數據異常因子。
7.進一步地，所述修正lof值的獲取方法包括：在所述修正麵粉監測矩陣中計算每種麵粉質量監測數據的每個數據的數據佔比值，根據每種麵粉質量監測數據的每個數據的數據佔比值計算得到每種麵粉質量監測數據的分布熵，將所述分布熵歸一化得到對應麵粉質量監測數據種類的修正參考值，將所述候選異常數據所對應的麵粉質量監測數據種類的修正參考值作為lof修正權值，將所述候選異常數據的lof值與所述修正權值的乘積作為修正lof值。
8.進一步地，所述每種麵粉質量監測數據的分布熵的獲取方法包括：計算目標麵粉質量監測數據種類中數據佔比值的數據熵，計算所述目標麵粉質量監測數據種類中麵粉質量監測數據的方差並記為數據分布特徵值，改變所述目標麵粉質量監測數據種類得到所有麵粉質量監測數據種類的數據分布特徵值；計算所述目標麵粉質量監測數據種類的數據分布特徵值與所有數據分布特徵值的均值的比值，將所述比值與所述數據熵的乘積記為目標麵粉質量監測數據種類的分布熵；改變目標麵粉質量監測數據種類得到每種麵粉質量監測數據的分布熵。
9.進一步地，所述異常分析閾值的獲取方法包括：統計所有候選異常數據的目標函數值，計算所有目標函數值與所述標準目標函數值差異的均值並記為分布特徵參數；計算所有候選異常數據的修正lof值的均值並記為異常特徵參數；將所述分布特徵參數和所述異常特徵參數的乘積記為異常分析閾值。
10.進一步地，所述根據異常數據完成麵粉生產質量監測包括：獲得同種麵粉質量檢測數據的所述異常數據的所述數據異常特徵值的累加值與預設參數的和值，將所述和值的倒數作為質量檢測指標；當所述質量檢測指標小於預設質量閾值時，認為當前所述質量檢測指標對應的麵粉質量檢測數據種類出現生產質量異常。
11.進一步地，所述對所述麵粉監測矩陣進行預處理得到修正麵粉監測矩陣包括：對所述麵粉監測矩陣中所有麵粉質量監測數據進行歸一化，並對每種麵粉質量監測數據進行去趨勢處理得到修正麵粉監測矩陣。
12.本發明具有如下有益效果：本發明實施例將採集到的不同種類的麵粉質量監測數據構建成矩陣形式，通過矩陣表徵多個維度下的麵粉監測數據，通過預處理使得矩陣中既包含了多維數據又使異常數據在麵粉監測矩陣中分布更加清晰且方便後續結合不同種類數據進行分析，提高後續對異常數據檢測的準確性。另一方面，本發明在獲得候選異常數據的基礎上，根據每個候選異常
數據在監測數據類別中的分布特徵獲得對應的數據異常因子，根據候選異常數據對應麵粉質量監測數據種類中的數值分布特徵對lof值進行修正得到修正lof值，進一步通過數據異常因子和修正lof值得到數據異常特徵值的表徵數據的異常狀況，該數據異常特徵值結合不同種類之間數據的偏離特徵和異常檢測狀況表徵數據的異常程度，使得檢測異常數據的準確性更高。
附圖說明
13.為了更清楚地說明本發明實施例或現有技術中的技術方案和優點，下面將對實施例或現有技術描述中所需要使用的附圖作簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其它附圖。
14.圖1為本發明一個實施例所提供的一種用於麵粉加工的生產質量監測系統結構框圖。
具體實施方式
15.為了更進一步闡述本發明為達成預定發明目的所採取的技術手段及功效，以下結合附圖及較佳實施例，對依據本發明提出的一種用於麵粉加工的生產質量監測系統，其具體實施方式、結構、特徵及其功效，詳細說明如下。在下述說明中，不同的「一個實施例」或「另一個實施例」指的不一定是同一實施例。此外，一或多個實施例中的特定特徵、結構或特點可由任何合適形式組合。
16.除非另有定義，本文所使用的所有的技術和科學術語與屬於本發明的技術領域的技術人員通常理解的含義相同。
17.下面結合附圖具體的說明本發明所提供的一種用於麵粉加工的生產質量監測系統的具體方案。
18.請參閱圖1，其示出了本發明一個實施例提供的一種用於麵粉加工的生產質量監測系統結構框圖，該系統包括：修正麵粉監測矩陣獲取模塊101、數據異常因子獲取模塊102、數據異常特徵值獲取模塊103、異常數據獲取模塊104和生產質量監測模塊105。
19.修正麵粉監測矩陣獲取模塊101，用於在預設時間段內根據預設採樣頻率獲取不同種類的麵粉質量監測數據，根據麵粉質量監測數據構建麵粉監測矩陣，對麵粉監測矩陣進行預處理得到修正麵粉監測矩陣。
20.本發明實施例對麵粉加工過程中不同種類數據進行處理並異常檢測得到的異常數據，根據異常數據完成對麵粉的質量檢測。首先為了保證對麵粉加工質量監測的實時性，本發明實施例獲取麵粉加工過程中的麵粉監測數據，與麵粉加工生產質量監測相關的數據種類有很多，包括但不限於水分、灰分、麩星量、降落指數和筋度，在本發明實施例中，採集所有與麵粉加工生產質量監測相關的數據種類。需要說明的是，不同種類數據能夠數據採集設備或經過相關現有的換算計算採集到，技術人員可根據具體實施環境採集所需要的數據種類，在此不做進一步限定和贅述。
21.為了使得不同種類數據之間具有同一性，本發明實施例在預設時間段內根據預設採樣頻率獲取不同種類的麵粉質量監測數據。在本發明實施例中，預設時間段長度設置為5
分鐘，預設採樣頻率為每秒兩次。需要說明的是，為了避免增加系統成本，麵粉質量監測數據採集的初始時間不需要從加工開始就對麵粉監測參數數據進行採集，實施者可自行設定麵粉監測參數數據採集的初始時間，比如麵粉加工處理半個小時後開始進行數據採集。
22.由於本發明實施例的分析對象是不同種類的麵粉質量監測數據，為了方便後續對麵粉質量監測數據的分析，將不同種類的麵粉質量監測數據作為一個整體進行分析，基於不同種類的麵粉質量監測數據構建麵粉監測矩陣。通過矩陣形式能夠使得多個維度下的數據共同分析，提高數據分析的效率。
23.此外，由於不同種類麵粉質量監測數據之間差異較大，直接對麵粉質量監測數據進行分析會造成計算量大、邏輯混亂等問題，因此需要對麵粉監測矩陣進行預處理得到修正麵粉監測矩陣。
24.優選地，對所述麵粉監測矩陣中所有麵粉質量監測數據進行歸一化。歸一化能夠避免各個麵粉質量監測數據種類不同量綱之間的影響，使得不同種類的數據在數值上具有同一性。需要說明的是，具體的歸一化處理方法有很多且為本領域技術人員所熟知的現有技術，在此不做進一步限定和贅述。
25.進一步對每種麵粉質量監測數據進行去趨勢處理得到修正麵粉監測矩陣。由於在加工過程中同一種麵粉質量監測數據在時間段上的會存在一定的變化趨勢，且不同種類的麵粉質量監測數據對應的變化趨勢不一定相同，進一步影響後續提取異常數據的過程。為了保證不同種類麵粉質量監測的同一性且方便後續分析，本發明實施例以麵粉質量監測數據種類為單位，對歸一化後的麵粉監測矩陣中的所有麵粉質量監測數據進行去趨勢處理得到修正麵粉監測矩陣。該修正麵粉監測矩陣內不同種類的數據之間在數值和趨勢上均具有同一性，當修正麵粉監測矩陣中存在異常數據時，對應異常數據的異常特徵會更加明顯。需要說明的是，後續過程中的麵粉質量監測數據均為修正麵粉監測矩陣中的數據，且去趨勢處理為本領域技術人員所熟知的現有技術，在此不做進一步限定和贅述。
26.數據異常因子獲取模塊102，用於根據數據值對修正麵粉監測矩陣數據進行分類得到兩個以上監測數據類別；根據各個監測數據類別中的數據量分布情況得到候選異常數據，根據每個候選異常數據在監測數據類別中的分布特徵獲得對應的數據異常因子。
27.通過修正麵粉監測矩陣獲取模塊101得到修正麵粉監測矩陣，進一步將修正麵粉矩陣中麵粉質量監測數據作為分析對象進行異常檢測。考慮到在麵粉加工過程中，當異常數據數量遠大於正常數據時，對應麵粉質量的情況能夠直觀觀察到，且當該情況發生時，首先需要考慮的是麵粉加工過程或設備是否出現問題，因此本發明實施例僅針對因為異常數據數量少導致不易明確觀察細節異常情況。考慮到在麵粉加工過程中，所檢測到的數據大多數為正常數據，對應正常數據的數值相差不大。而異常數據由於出現異常，相對正常數據的數值會出現偏離。且修正麵粉監測矩陣對麵粉質量監測數據進行預處理後，對應異常數據的數值偏離會更加明顯。
28.因此本發明實施例根據麵粉質量監測數據的數值進行分析得到偏離數據。由於偏離數據和正常數據在數值上相差明顯且為了能夠更加直觀的觀察偏離數據，本發明實施例根據數據值對修正麵粉監測矩陣中的數據進行分類，得到兩個以上監測數據類別。考慮到麵粉監測數據矩陣中並不是所有的偏離數據均為異常數據，所以本發明實施例根據各個監測數據類別中的數據量分布情況得到候選異常數據。
29.優選地，本發明一個實施例通過模糊聚類算法對修正麵粉監測矩陣進行聚類分析得到兩個以上監測數據類別。模糊聚類算法在現有聚類算法的基礎上引入隸屬度，使得對不同監測數據的分類更加準確，且後續分析過程中目標函數值的計算是基於模糊聚類算法得到的。需要說明的是，監測數據類別表示聚類分析得到的聚類簇，需要與麵粉監測數據種類進行區分。需要說明的是，模糊聚類算法的聚類分析過程為本領域技術人員所熟知的現有技術，在此不做進一步限定和贅述。
30.計算所有監測數據類別中的數據量均值，將數據量小於數據量均值的監測數據類別作為偏離類別，將偏離類別中的所有數據記為候選異常數據。因為正常數據通常在數值上存在相似性且正常數據佔大多數，所以在聚類分析後，正常數據對應的正常數據類別中，數據量大，且由於偏離數據較少，對應的偏離類別中數據量較小，因此可根據數據量劃分出偏離類別。此外，為了提高麵粉異常數據檢測的準確性，本發明實施例將偏離類別中的數據作為候選異常數據進行進一步分析。
31.由於異常數據一定為偏離數據，且候選異常數據根據偏離類別得到，所以僅對候選異常數據進行分析即可得到所有麵粉質量監測數據中的所有異常數據，所以篩選候選異常數據進行後續分析能夠降低整體的計算量。
32.進一步地，在篩選出候選異常數據後，由於偏離類別僅通過聚類分析得到，對應的候選異常數據並不為真實異常數據，且對應候選異常數據的異常程度並不直觀，所以本發明實施例根據每個候選異常數據在監測數據類別中的分布特徵獲得對應的數據異常因子，進一步通過數據異常因子表徵對應候選異常數據的異常程度。
33.優選地，由於模糊聚類算法是根據分析對象的特性建立模糊矩陣，進一步結合模糊矩陣和數據的隸屬度確定聚類關係，而基於模糊聚類算法的目標函數值的計算也包含隸屬度這一特性，所以可以通過結合隸屬度和各個候選異常數據在麵粉監測矩陣中的影響，通過計算目標函數值檢測候選異常數據的異常情況。為了體現每個候選異常數據的異常特徵，可以通過計算刪除每個候選異常數據前後目標函數值的差異得到對應候選異常數據的異常狀況。因此本發明實施例根據模糊聚類算法中的目標函數，獲得去除目標候選異常數據前對應所述修正麵粉監測矩陣的標準目標函數值和去除所述目標候選異常數據後的目標函數值。需要說明的是，模糊聚類算法中目標函數值的計算方法為本領域技術人員所熟知的現有技術，在此列出相應的公式，對於公式中的參數組合意義不再贅述：其中，表示目標矩陣對應的目標函數值，表示第個數據與第個聚類中心之間的隸屬度，為目標矩陣對應的模糊指數，表示第個數據，表示第個聚類中心，表示目標矩陣的數據量，表示目標矩陣聚類中心的數量，表示求歐氏距離。
34.由於目標函數值的計算方法與麵粉監測參數矩陣中數據的數量成正比，所以當從麵粉監測矩陣中刪除數據後所計算出的目標函數值相比於標準目標函數值會降低。且目標函數值的獲取方法通過計算每個數據到每個聚類中心之間的歐氏距離，以及每個數據和每個聚類中心的隸屬度得到，由於偏離數據對應的隸屬度較低且與各個聚類中心的歐氏距離
較遠，所以將數據偏離程度較高的數據刪除後對應的目標函數值降低幅度相較於正常數據更大，即當從麵粉監測矩陣中所刪除的數據偏離程度越大，對應的目標函數值相比於目標函數值降低幅度就會越大。因此該實施例能夠使得偏離數據對應的偏離程度特徵更加明顯，提高後續異常檢測過程的準確性。
35.由於目標函數值與標準目標函數值之間的差異表徵對應數據的偏離程度，所以進一步地根據候選異常數據的目標函數值與標準目標函數值之間的差異得到數據異常因子，該數據異常因子即可表徵對應候選異常數據的偏離程度。
36.優選地，候選異常數據的數據異常因子的獲取方法為：獲得所述目標候選異常數據對應的所述目標函數值與所述標準目標函數值之間差值的平方，將所述平方與預設調節參數的乘積作為所述目標候選異常數據的所述數據異常因子。在公式上表現為：其中，為第種麵粉質量監測數據在第時刻的候選異常數據對應的數據異常因子，為標準目標函數值，為第種麵粉質量監測數據在第時刻的候選異常數據對應的目標函數值，為預設調節參數。在本發明實施例中，預設調節參數設置為3。當候選異常數據的目標函數值與標準目標函數值之間的差異越大時，對應數據異常因子越大，即對應候選異常數據的偏離程度越高，異常狀況越嚴重。
37.該數據異常因子的計算公式通過平方的方式映射候選異常數據的目標函數值與標準目標函數值之間的差異，使得正常數據對應的數據異常因子在數值上更小，對應的數據越異常，計算得到的數據異常因子越大。使得數據異常因子對數據異常狀況的表徵更加準確。
38.數據異常特徵值獲取模塊103，用於計算候選異常數據的lof值，根據候選異常數據對應麵粉質量監測數據種類中的數值分布特徵對lof值進行修正得到修正lof值，根據候選異常數據的數據異常因子和修正lof值得到數據異常特徵值。
39.通過數據異常因子獲取模塊102獲得所有候選異常數據的數據異常因子，進一步根據數據異常因子表徵候選異常數據的異常程度。考慮到數據異常因子僅表徵數據的偏離程度，僅通過偏離程度表徵數據的異常程度會造成異常檢測過於片面，對應的分析準確度不夠。另一方面考慮到lof異常檢測算法能夠結合數據之間距離和數據分布的密度屬性，計算對應的lof值完成異常檢測，通過lof異常檢測算法得到的lof值考慮了所有數據的局部和整體上的分布特徵。因此為了提高對候選異常數據的異常程度的分析準確度，通過lof異常檢測算法計算每個候選異常數據的lof值。需要說明的是，lof異常檢測算法為本領域技術人員所熟知的現有技術，在此不做進一步限定和贅述。
40.進一步地，為了提高lof值表徵數據異常程度的精度，本發明根據候選異常數據對應麵粉質量監測數據種類中的數值分布特徵對lof值進行修正得到修正lof值。
41.優選地，考慮到在麵粉加工過程中不同麵粉監測數據種類中數據的異常程度分布狀況不同，本發明實施例基於不同麵粉監測數據種類的貢獻度對修正lof值是賦予的權值進行自適應的調整。且當麵粉監測數據種類中數據分布偏離程度越大時，對應的數據分布越散亂，則所提供的與異常程度有關的信息就越多，在修正時賦予的權值越大，該方法能夠
使修正lof值所表徵的異常程度更加清晰。具體的：在修正麵粉監測矩陣中計算每種麵粉質量監測數據的每個數據的數據佔比值，根據每種麵粉質量監測數據的每個數據的數據佔比值計算得到每種麵粉質量監測數據的分布熵。該分布熵的獲取方法包括：計算目標麵粉質量監測數據種類中數據佔比值的數據熵，該數據能夠直觀觀察到每種麵粉質量監測數據的在整體上混亂程度，對應的數據熵越大時，分布熵越大，對應的修正權值越大。
42.計算目標麵粉質量監測數據種類中麵粉質量監測數據的方差並記為數據分布特徵值，該數據分布特徵值表徵麵粉質量監測數據的在數值和整體上的混亂程度，數據分布特徵值越大時，分布熵越大，對應的修正權值越大。
43.改變目標麵粉質量監測數據種類得到所有麵粉質量監測數據種類的數據分布特徵值，計算所有數據分布特徵值的均值並記為數據分布特徵均值，計算目標麵粉質量監測數據種類的數據分布特徵值與數據分布特徵值均值的比值，將比值與數據熵的乘積記為目標麵粉質量監測數據種類的分布熵。分布熵的計算方法公式上表現為：其中，為第種麵粉質量檢測數據的分布熵，為第種麵粉質量檢測數據的數據方差，表示所有麵粉質量檢測數據種類的數據方差均值，為第種麵粉質量檢測數據中第個麵粉質量檢測數據的佔比值，表示第種麵粉質量檢測數據的數據量，表示以自然常數為底的對數函數。
44.該分布熵能夠根據麵粉質量監測數據種類的數值分布特徵將對應的異常程度的分布情況進行量化，進一步通過數據分布特徵值結合數據熵對麵粉質量監測數據種類的數據異常程度大的lof值進行放大，使得修正後的lof值所表徵異常數據的數據異常程度更加明顯。
45.將分布熵歸一化得到對應麵粉質量監測數據種類的修正參考值。在本發明實施例中，具體的歸一化過程為：其中，為歸一化後的分布熵，為分布熵，為自然常數。統計所有麵粉質量監測數據種類歸一化後的分布熵，將麵粉質量監測數據種類歸一化後的分布熵與所有歸一化後的分布熵累加和的比值記為對應的修正參考值。將分布熵進行歸一化能夠保證所有麵粉質量監測數據種類的修正權值之和為1，減少計算量。
46.將候選異常數據所對應的麵粉質量監測數據種類的修正參考值作為lof修正權值，將候選異常數據的lof值與修正權值的乘積作為修正lof值。在公式上表現為：其中，為第種麵粉質量監測數據在第時刻的候選異常數據的修正lof值，為歸一化後的分布熵。修正後的lof值通過結合不同麵粉質量監測數據種類的數值分布特徵對lof值進行自適應修正，避免統一檢測計算的誤差問題。
47.進一步根據候選異常數據的數據異常因子和修正lof值得到數據異常特徵值，將
候選異常數據的數據異常因子與修正lof值的乘積得到的數據異常特徵值作為異常程度。該數據異常特徵值通過結合偏離程度和異常檢測狀況得到，表徵對應數據的異常程度的準確性高。當候選異常數據的數據異常因子和修正lof值越大時，對應的數據異常特徵值越大，說明候選異常數據越異常。
48.異常數據獲取模塊104，用於設定異常分析閾值，根據異常分析閾值和數據異常特徵值對候選異常數據進行篩選，獲得異常數據。
49.通過數據異常特徵值獲取模塊103得到所有候選異常數據的數據異常特徵值，用於表徵候選異常數據的異常程度，進一步地為了完成對麵粉質量監測數據的異常監測，根據所有候選異常數據的數據異常特徵值進行篩選得到異常數據。本發明實施例通過設定異常分析閾值，根據異常分析閾值和數據異常特徵值對候選異常數據進行篩選，獲得異常數據。
50.優選地，由於數據異常特徵值是對所有候選異常數據進行自適應分析得到的，所以為了異常檢測的嚴謹性和準確性，本發明實施例對所有候選異常數據進行自適應分析得到異常分析閾值：統計所有候選異常數據的目標函數值，計算所有目標函數值與標準目標函數值差異的均值並記為分布特徵參數。均值能夠表徵所有目標函數值與標準目標函數值差異對應的整體特徵，當對應的均值越大時，分布特徵參數越大，說明候選異常數據中的目標函數值在整體上與標準目標函數值差異越大，對應的異常分析閾值根據均值變化的情況也應該自適應增大從而使得異常檢測過程更加準確。分布特徵參數的獲取方法在公式上表現為：其中，為分布特徵參數，為標準目標函數值，為第個候選異常數據對應的目標函數值，表示候選異常數據的序號，為候選異常數據的數量。
51.計算所有候選異常數據的修正lof值的均值並記為異常特徵參數。由於候選異常數據的修正lof值本身記為計算數據異常特徵值的其中一種參數，因此通過修正lof值的均值計算異常分析閾值，更能夠體現候選異常數據的異常程度的分布特徵。當修正lof值的均值越大時，異常特徵參數越大，對應的異常分析閾值也應該越大。異常特徵參數的獲取方法在公式上表現為：其中，為異常特徵參數，為第個候選異常數據的修正lof值，為候選異常數據的數量，為候選異常數據的序號。
52.由於異常分析閾值與所有候選異常數據的分布特徵參數和異常特徵參數呈正相關，因此可以將分布特徵參數和異常特徵參數的乘積記為異常分析閾值。在公式上表現為：其中，為異常分析閾值，為分布特徵參數，為異常特徵參數。
53.當候選異常數據的數據異常特徵值大於異常分析閾值時，認為對應的候選異常數
據為異常數據；當候選異常數據的數據異常特徵值小於等於異常分析閾值時，認為對應的候選異常數據為正常數據。
54.生產質量監測模塊105，用於根據所述異常數據進行麵粉生產質量監測。
55.當篩選出異常數據後，根據異常數據進行麵粉生產質量監測。具體的：獲得同種麵粉質量監測數據的異常數據的數據異常特徵值的累加值與預設參數的和值，將和值的倒數作為質量檢測指標。以同種麵粉質量監測數據的異常數據作為一個單位計算質量監測指標，能夠麵粉質量異常的具體情況針對性的解決麵粉加工過程中的生產質量問題。質量檢測指標的獲取方法在公式上表現為：其中，表示第種麵粉質量檢測數據的質量檢測指標，表示第種麵粉質量檢測數據中第個異常數據對應的數據異常特徵值，表示第種麵粉質量檢測數據的異常數據數量，為預設參數用於防止分母為0的情況。在本發明實施例中，預設參數設置為0.01。
56.當質量檢測指標小於預設質量閾值時，認為當前質量檢測指標對應的麵粉質量檢測數據種類出現生產質量異常，需要針對性的對相應的麵粉質量監測種類的異常進行再加工處理；當質量檢測指標大於等於預設質量閾值時，認為當前質量檢測指標對應的麵粉質量檢測數據種類沒有出現生產質量異常。在本發明實施例中，預設質量閾值設置為0.7。
57.至此，完成對麵粉加工的生產質量監測。
58.綜上所述，本發明通過採集不同種類的麵粉生產質量監測數據進行數據處理，對所有麵粉質量監測數據的數值進行分類得到監測數據類別，根據監測數據類別中的數據量分布情況得到候選異常數據，根據候選異常數據的分布特徵得到數據異常因子，根據候選異常數據的數值分布特徵得到修正lof值，根據候選異常數據的數據異常因子和修正lof值得到數據異常特徵值，根據數據異常特徵值完成麵粉加工的生產質量監測。
59.需要說明的是：上述本發明實施例先後順序僅僅為了描述，不代表實施例的優劣。在附圖中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中，多任務處理和並行處理也是可以的或者可能是有利的。
60.本說明書中的各個實施例均採用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。