本发明涉及数据处理技术领域，具体涉及基于多维数据的生产过程监测方法，包括：获取生产过程的若干维度数据序列；根据维度数据序列得到数据段以及初始相关维度序列，进而得到相关数据段；获取相关数据段的样本维度绝对差值；根据样本维度绝对差值得到相关数据段的匹配程度；根据匹配程度得到匹配相关数据段以及待确认相关数据段；根据待确认相关数据段得到待确认参考数据段；获取确认参考数据段的变化指标；根据变化指标以及匹配相关数据段得到最终相关数据段；根据最终相关数据段进行生产过程监测。本发明提高了压缩效率，提高了产品生产过程的监测效率以及准确性。
1.基于多维数据的生产过程监测方法，其特征在于，该方法包括以下步骤：
根据维度数据序列进行分段得到若干数据段；根据维度数据序列得到每个维度数据序列的初始相关维度序列；根据初始相关维度序列以及数据段，得到若干待处理数据段以及每个待处理数据段的所有相关数据段；
获取每个相关数据段的若干样本维度绝对差值；根据样本维度绝对差值得到每个待处理数据段与每个相关数据段的匹配程度；根据匹配程度得到每个待处理数据段的若干匹配相关数据段以及若干待确认相关数据段；
根据待确认相关数据段得到每个待处理数据段的若干待确认参考数据段；获取每个待处理数据段的每个待确认参考数据段的变化指标；根据变化指标以及匹配相关数据段得到每个待处理数据段的若干最终相关数据段；
所述根据维度数据序列得到每个维度数据序列的初始相关维度序列，包括的具体方法为：
将任意一个维度数据序列记为目标维度数据序列，将除目标维度数据序列以外的维度数据序列记为参考维度数据序列；获取目标维度数据序列与每个参考维度数据序列的相关系数；将 相关系数取最大值时的参考维度数据序列记为目标维度数据序列的初始相关维度序列；
所述根据初始相关维度序列以及数据段，得到若干待处理数据段以及每个待处理数据段的所有相关数据段，包括的具体方法为：对于任意一个维度数据序列，将维度数据序列中每个数据段记为初始待处理数据段；
将维度数据序列的初始相关维度序列中每个数据段记为参考数据段；对于任意一个初始待处理数据段，获取初始待处理数据段与每个参考数据段的 相关系数；
将预设的相关系数阈值记为T2，对于任意一个参考数据段，若参考数据段与初始待处理数据段的 相关系数大于等于T2，将参考数据段记为初始待处理数据段的相关数据段；若参考数据段与初始待处理数据段的 相关系数小于T2，不对参考数据段进行任何操作；获取初始待处理数据段的所有相关数据段；
若初始待处理数据段存在相关数据段，将初始待处理数据段记为待处理数据段；若初始待处理数据段不存在相关数据段，不对初始待处理数据段进行任何操作；
获取若干待处理数据段以及每个待处理数据段的所有相关数据段；
所述根据匹配程度得到每个待处理数据段的若干匹配相关数据段以及若干待确认相关数据段，包括的具体方法为：将预设的匹配程度阈值记为T4，对于任意一个待处理数据段的任意一个相关数据段，若相关数据段的匹配程度大于等于T4，将相关数据段记为匹配相关数据段；若相关数据段的匹配程度小于T4，将相关数据段记为待确认相关数据段；获取每个待处理数据段的若干匹配相关数据段以及若干待确认相关数据段；
所述根据待确认相关数据段得到每个待处理数据段的若干待确认参考数据段，包括的具体方法为：对于任意一个待处理数据段的任意一个待确认相关数据段，在待确认相关数据段的所有样本维度数据中，将每个样本维度数据的序号记为样本序号；在待确认相关数据段的所有样本维度绝对差值中，将每个样本维度绝对差值记为维度差值序号；
对于待确认相关数据段中任意一个样本维度绝对差值，将样本维度绝对差值的维度差值序号与样本序号一致的样本维度数据记为同号样本维度数据，将样本维度绝对差值的数值赋予同号样本维度数据，将赋值后的同号样本维度数据记为赋值样本维度数据；获取待确认相关数据段的所有赋值样本维度数据后，将待确认相关数据段记为待确认参考数据段；
2.根据权利要求1所述基于多维数据的生产过程监测方法，其特征在于，所述获取每个相关数据段的若干样本维度绝对差值，包括的具体方法为：将预设的维度数据点间隔数记为T3，对于任意一个待处理数据段记为目标待处理数据段，将目标待处理数据段以及目标待处理数据段的每个相关数据段，分别每隔T3个间隔获取一个维度数据，记为样本维度数据；
对于目标待处理数据段的任意一个相关数据段，将目标待处理数据段中与相关数据段中相同序号的样本维度数据的差值的绝对值，记为相关数据段的样本维度绝对差值；
3.根据权利要求1所述基于多维数据的生产过程监测方法，其特征在于，所述根据样本维度绝对差值得到每个待处理数据段与每个相关数据段的匹配程度，包括的具体方法为：对于任意一个待处理数据段的任意一个相关数据段，式中，表示待处理数据段与相关数据段的初始匹配程度；表示相关数据段中样本维度绝对差值的数量；表示相关数据段的第个样本维度绝对差值； 表示相关数据段中所有样本维度绝对差值的最大值； 表示相关数据段中所有样本维度绝对差值的最小值；表示预设的超参数；
4.根据权利要求1所述基于多维数据的生产过程监测方法，其特征在于，所述获取每个待处理数据段的每个待确认参考数据段的变化指标，包括的具体方法为：对于任意一个待处理数据段的任意一个待确认参考数据段，获取待确认参考数据段的所有样本维度绝对差值；
式中，表示待确认参考数据段的变化指标；表示待确认参考数据段的样本维度绝对差值的数量； 表示待确认参考数据段的第 个样本维度绝对差值； 表示在待确认参考数据段所属待处理数据段的所有样本维度数据中，第 个样本维度绝对差值对应的样本维度数据的斜率； 表示在待确认参考数据段所属待处理数据段的所有样本维度数据中，第 个样本维度绝对差值对应的样本维度数据的斜率； 表示在待确认参考数据段的所有样本维度数据中，第 个样本维度绝对差值对应的样本维度数据的斜率； 表示在待确认参考数据段的所有样本维度数据中，第 个样本维度绝对差值对应的样本维度数据的斜率； 表示以自然常数为底的指数函数；
获取每个待处理数据段的每个待确认参考数据段的变化指标。
5.根据权利要求1所述基于多维数据的生产过程监测方法，其特征在于，所述根据变化指标以及匹配相关数据段得到每个待处理数据段的若干最终相关数据段，包括的具体方法为：将预设的变化指标阈值记为T5，对于任意一个待处理数据段的任意一个待确认参考数据段，若待确认参考数据段的变化指标小于T5，将待确认参考数据段记为待处理数据段的第二匹配相关数据段；若待确认参考数据段的变化指标大于等于T5，不对待确认参考数据段进行任何处理；获取待处理数据段的所有第二匹配相关数据段，将待处理数据段的所有匹配相关数据段以及所有第二匹配相关数据段共同记为待处理数据段的最终相关数据段；
6.根据权利要求1所述基于多维数据的生产过程监测方法，其特征在于，所述根据最终相关数据段进行生产过程监测，包括的具体方法为：对于任意一次生产过程的所有待处理数据段的所有最终相关数据段，将所有待处理数据段的所有最终相关数据段按照待处理数据段在维度数据序列中的排序顺序进行排列，将排列后的序列记为最终目标压缩序列；利用LZ77压缩算法对最终压缩序列进行压缩得到压缩后的序列，将压缩后的序列存入数据库，在对维度数据进行分析时，将压缩后的序列解压得到最终目标压缩序列；
利用LOF算法得到最终目标压缩序列中每个维度数据的局部离群因子，将每个维度数据的局部离群因子进行线性归一化，将归一化后的每个维度数据的局部离群因子记为局部因子；
将预设的局部因子阈值记为T6，若最终目标压缩序列中存在任意一个维度数据的局部因子大于T6，将本次生产过程视为异常的生产过程；若最终目标压缩序列中不存在任意一个维度数据的局部因子大于T6，将本次生产过程视为正常的生产过程。
基于多维数据的生产过程监测方法
技术领域
[0001] 本发明涉及数据处理技术领域，具体涉及基于多维数据的生产过程监测方法。
背景技术
[0002] 在一般生产过程中，多维数据的生产过程监测方法主要用于监控和检测生产过程中的异常和故障。例如在食品加工过程中，各个步骤之间的数据关联程度较高，不同加工步骤中的温度、时间和压力等参数数据会相互关联，影响最终产品的品质。为了将上述数据进行有效地处理和管理，减少有关食品生产的存储成本及设备复杂性，需要对其进行压缩处理。
[0003] 传统的压缩算法是对每种维度数据构成的维度数据序列分别进行压缩，但依次对每种维度数据序列进行压缩处理，压缩量较大，导致压缩效率较低，使产品生产过程的监测效率较低。
发明内容
[0004] 本发明提供基于多维数据的生产过程监测方法，以解决现有的问题：传统的压缩算法依次对每种维度数据序列进行压缩处理，压缩量较大，导致压缩效率较低，使产品生产过程的监测效率以及准确性较低。
[0005] 本发明的基于多维数据的生产过程监测方法采用如下技术方案：
[0006] 包括以下步骤：
[0007] 获取生产过程的若干维度数据序列；
[0008] 根据维度数据序列进行分段得到若干数据段；根据维度数据序列得到每个维度数据序列的初始相关维度序列；根据初始相关维度序列以及数据段，得到若干待处理数据段以及每个待处理数据段的所有相关数据段；
[0009] 获取每个相关数据段的若干样本维度绝对差值；根据样本维度绝对差值得到每个待处理数据段与每个相关数据段的匹配程度；根据匹配程度得到每个待处理数据段的若干匹配相关数据段以及若干待确认相关数据段；
[0010] 根据待确认相关数据段得到每个待处理数据段的若干待确认参考数据段；获取每个待处理数据段的每个待确认参考数据段的变化指标；根据变化指标以及匹配相关数据段得到每个待处理数据段的若干最终相关数据段；
[0011] 根据最终相关数据段进行生产过程监测。
[0012] 优选的，所述根据维度数据序列得到每个维度数据序列的初始相关维度序列，包括的具体方法为：
[0013] 将任意一个维度数据序列记为目标维度数据序列，将除目标维度数据序列以外的维度数据序列记为参考维度数据序列；获取目标维度数据序列与每个参考维度数据序列的相关系数；将 相关系数取最大值时的参考维度数据序列记为目标维度数据序列的初始相关维度序列；
[0014] 获取每个维度数据序列的初始相关维度序列。
[0015] 优选的，所述根据初始相关维度序列以及数据段，得到若干待处理数据段以及每个待处理数据段的所有相关数据段，包括的具体方法为：
[0016] 对于任意一个维度数据序列，将维度数据序列中每个数据段记为初始待处理数据段；将维度数据序列的初始相关维度序列中每个数据段记为参考数据段；对于任意一个初始待处理数据段，获取初始待处理数据段与每个参考数据段的 相关系数；
[0017] 将预设的相关系数阈值记为T2，对于任意一个参考数据段，若参考数据段与初始待处理数据段的 相关系数大于等于T2，将参考数据段记为初始待处理数据段的相关数据段；若参考数据段与初始待处理数据段的 相关系数小于T2，不对参考数据段
进行任何操作；获取初始待处理数据段的所有相关数据段；
[0018] 若初始待处理数据段存在相关数据段，将初始待处理数据段记为待处理数据段；若初始待处理数据段不存在相关数据段，不对初始待处理数据段进行任何操作；
[0019] 获取若干待处理数据段以及每个待处理数据段的所有相关数据段。
[0020] 优选的，所述获取每个相关数据段的若干样本维度绝对差值，包括的具体方法为：
[0021] 将预设的维度数据点间隔数记为T3，对于任意一个待处理数据段记为目标待处理数据段，将目标待处理数据段以及目标待处理数据段的每个相关数据段，分别每隔T3个间隔获取一个维度数据，记为样本维度数据；
[0022] 对于目标待处理数据段的任意一个相关数据段，将目标待处理数据段中与相关数据段中相同序号的样本维度数据的差值的绝对值，记为相关数据段的样本维度绝对差值；
[0023] 获取每个相关数据段的若干样本维度绝对差值。
[0024] 优选的，所述根据样本维度绝对差值得到每个待处理数据段与每个相关数据段的匹配程度，包括的具体方法为：
[0025]
[0026] 对于任意一个待处理数据段的任意一个相关数据段，式中，表示待处理数据段与相关数据段的初始匹配程度；表示相关数据段中样本维度绝对差值的数量；表示相关数据段的第 个样本维度绝对差值； 表示相关数据段中所有样本维度绝对差值的最大值；表示相关数据段中所有样本维度绝对差值的最小值；表示预设的超参数；
[0027] 获取每个待处理数据段与每个相关数据段的匹配程度。
[0028] 优选的，所述根据匹配程度得到每个待处理数据段的若干匹配相关数据段以及若干待确认相关数据段，包括的具体方法为：
[0029] 将预设的匹配程度阈值记为T4，对于任意一个待处理数据段的任意一个相关数据段，若相关数据段的匹配程度大于等于T4，将相关数据段记为匹配相关数据段；若相关数据段的匹配程度小于T4，将相关数据段记为待确认相关数据段；获取每个待处理数据段的若干匹配相关数据段以及若干待确认相关数据段。
[0030] 优选的，所述根据待确认相关数据段得到每个待处理数据段的若干待确认参考数据段，包括的具体方法为：
[0031] 对于任意一个待处理数据段的任意一个待确认相关数据段，在待确认相关数据段的所有样本维度数据中，将每个样本维度数据的序号记为样本序号；在待确认相关数据段的所有样本维度绝对差值中，将每个样本维度绝对差值记为维度差值序号；
[0032] 对于待确认相关数据段中任意一个样本维度绝对差值，将样本维度绝对差值的维度差值序号与样本序号一致的样本维度数据记为同号样本维度数据，将样本维度绝对差值的数值赋予同号样本维度数据，将赋值后的同号样本维度数据记为赋值样本维度数据；获取待确认相关数据段的所有赋值样本维度数据后，将待确认相关数据段记为待确认参考数据段；
[0033] 获取每个待处理数据段的若干待确认参考数据段。
[0034] 优选的，所述获取每个待处理数据段的每个待确认参考数据段的变化指标，包括的具体方法为：
[0035] 对于任意一个待处理数据段的任意一个待确认参考数据段，获取待确认参考数据段的所有样本维度绝对差值；
[0036]
[0037] 式中，表示待确认参考数据段的变化指标；表示待确认参考数据段的样本维度绝对差值的数量； 表示待确认参考数据段的第 个样本维度绝对差值； 表示在待确认参考数据段所属待处理数据段的所有样本维度数据中，第 个样本维度绝对差值对应的样本维度数据的斜率； 表示在待确认参考数据段所属待处理数据段的所有样本维度数据中，第 个样本维度绝对差值对应的样本维度数据的斜率； 表示在待确认参考数据段的所有样本维度数据中，第 个样本维度绝对差值对应的样本维度数据的斜率； 表
示在待确认参考数据段的所有样本维度数据中，第 个样本维度绝对差值对应的样本
维度数据的斜率； 表示以自然常数为底的指数函数；
[0038] 获取每个待处理数据段的每个待确认参考数据段的变化指标。
[0039] 优选的，所述根据变化指标以及匹配相关数据段得到每个待处理数据段的若干最终相关数据段，包括的具体方法为：
[0040] 将预设的变化指标阈值记为T5，对于任意一个待处理数据段的任意一个待确认参考数据段，若待确认参考数据段的变化指标小于T5，将待确认参考数据段记为待处理数据段的第二匹配相关数据段；若待确认参考数据段的变化指标大于等于T5，不对待确认参考数据段进行任何处理；获取待处理数据段的所有第二匹配相关数据段，将待处理数据段的所有匹配相关数据段以及所有第二匹配相关数据段共同记为待处理数据段的最终相关数据段；
[0041] 获取每个待处理数据段的若干最终相关数据段。
[0042] 优选的，所述根据最终相关数据段进行生产过程监测，包括的具体方法为：
[0043] 对于任意一次生产过程的所有待处理数据段的所有最终相关数据段，将所有待处理数据段的所有最终相关数据段按照待处理数据段在维度数据序列中的排序顺序进行排列，将排列后的序列记为最终目标压缩序列；利用LZ77压缩算法对最终压缩序列进行压缩得到压缩后的序列，将压缩后的序列存入数据库，在对维度数据进行分析时，将压缩后的序列解压得到最终目标压缩序列；
[0044] 利用LOF算法得到最终目标压缩序列中每个维度数据的局部离群因子，将每个维度数据的局部离群因子进行线性归一化，将归一化后的每个维度数据的局部离群因子记为局部因子；
[0045] 将预设的局部因子阈值记为T6，若最终目标压缩序列中存在任意一个维度数据的局部因子大于T6，将本次生产过程视为异常的生产过程；若最终目标压缩序列中不存在任意一个维度数据的局部因子大于T6，将本次生产过程视为正常的生产过程。
[0046] 本发明的技术方案的有益效果是：根据维度数据序列得到每个待处理数据段的每个相关数据段的匹配程度，根据匹配程度得到每个待处理数据段的每个待确认参考数据段，获取每个待处理数据段的每个待确认参考数据段的变化指标，根据变化指标得到每个待处理数据段的每个最终相关数据段，根据最终相关数据段进行生产过程监测；相较于现有技术对每种维度数据序列依次进行压缩处理；本发明将维度数据序列之间的相关程度大的数据段进行压缩，匹配程度反映着数据段之间的相互匹配的程度，变化指标反映着调整后的数据段之间最终匹配的程度，降低了压缩量，提高了压缩效率，提高了产品生产过程的监测效率以及准确性。
附图说明
[0047] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0048] 图1为本发明基于多维数据的生产过程监测方法的步骤流程图。
具体实施方式
[0049] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于多维数据的生产过程监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
[0050] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0051] 下面结合附图具体的说明本发明所提供的基于多维数据的生产过程监测方法的具体方案。
[0052] 请参阅图1，其示出了本发明一个实施例提供的基于多维数据的生产过程监测方法的步骤流程图，该方法包括以下步骤：
[0053] 步骤S001：获取生产过程的若干维度数据序列。
[0054] 需要说明的是，传统的压缩算法是对每种维度数据构成的维度数据序列分别进行压缩，但依次对每种维度数据序列进行压缩处理，压缩量较大，导致压缩效率较低，使产品生产过程的监测效率较低。
[0055] 具体的，为了实现本实施例提出的基于多维数据的生产过程监测方法，本实施例并不针对某一种产品的生产过程，以食品产品的任意一次生产过程为例进行叙述，首先需要采集若干维度数据序列，具体过程为：在食品生产数据库中，每隔1秒分别输出温度、压力、产品水分、湿度以及产品重量这五个维度下的一个数据，记为维度数据，共采集120秒；将温度维度的所有维度数据按照采集时间从早到晚的顺序构成的序列记为温度维度数据序列；将压力维度的所有维度数据按照采集时间从早到晚的顺序构成的序列记为压力维度数据序列；将产品水分维度的所有维度数据按照采集时间从早到晚的顺序构成的序列记为产品水分维度数据序列；将湿度维度的所有维度数据按照采集时间从早到晚的顺序构成的序列记为湿度维度数据序列；将产品重量维度的所有维度数据按照采集时间从早到晚的顺序构成的序列记为产品重量维度数据序列，将温度维度数据序列、温度维度数据序列、产品水分维度数据序列、湿度维度数据序列以及产品重量维度数据序列共同记为维度数据序列。其中每个维度数据序列包含的维度数据数量一致。
[0056] 至此，通过上述方法得到若干维度数据序列。
[0057] 步骤S002：根据维度数据序列进行分段得到若干数据段；根据维度数据序列得到每个维度数据序列的初始相关维度序列；根据初始相关维度序列以及数据段，得到若干待处理数据段以及每个待处理数据段的所有相关数据段。
[0058] 需要说明的是，在生产过程中，不同维度的维度数据序列之间的相关性不同；对于任意两个维度的维度数据序列，若两个维度数据序列之间的相关性越高，那么这两个维度数据序列之间的维度数据越相似，相似的维度数据的数量越多；若两个维度数据序列之间的相关性越低，那么这两个维度数据序列之间的维度数据越不相似，相似的维度数据的数量越少。
[0059] 具体的，预设一个数据段数量T1，其中本实施例以T1=12为例进行叙述，本实施例不进行具体限定，其中T1可根据具体实施情况而定；将每个维度数据序列均分为T1个数据段；以任意一个维度数据序列为例，将除该维度数据序列以外的维度数据序列记为参考维度数据序列；获取该维度数据序列与每个参考维度数据序列的 相关系数；将相关系数取最大值时的参考维度数据序列记为该维度数据序列的初始相关维度序
列。其中 相关系数是公知技术，本实施例不进行叙述；每个维度数据序列对应一个
初始相关维度序列。进一步需要说明的是，若 相关系数取最大值时存在多个参考维
度数据序列时，将相关数据段数量最多的参考维度序列作为该维度数据序列的初始相关维度序列。
[0060] 进一步的，将该维度数据序列中每个数据段记为初始待处理数据段；将该维度数据序列的初始相关维度序列中每个数据段记为参考数据段；以任意一个初始待处理数据段为例，获取该初始待处理数据段与每个参考数据段的 相关系数；预设一个相关系数阈值T2，其中本实施例以T2=0.9为例进行叙述，本实施例不进行具体限定，其中T2可根据具体实施情况而定；以任意一个参考数据段为例，若该参考数据段与该初始待处理数据段的相关系数大于等于T2，将该参考数据段记为该初始待处理数据段的相关数据段；若
该参考数据段与该初始待处理数据段的 相关系数小于T2，将不对该参考数据段进
行任何操作；获取该初始待处理数据段的所有相关数据段。
[0061] 进一步的，若该初始待处理数据段存在相关数据段，将该初始待处理数据段记为待处理数据段；若该初始待处理数据段不存在相关数据段，不对该初始待处理数据段进行任何操作；获取该维度数据序列中所有的待处理数据段；获取每个维度数据序列中所有的待处理数据段。其中每个待处理数据段对应多个相关数据段；每个维度数据序列包含有T1个数据段。
[0062] 至此，通过上述方法得到每个维度数据序列中所有的待处理数据段。
[0063] 步骤S003：获取每个相关数据段的若干样本维度绝对差值；根据样本维度绝对差值得到每个待处理数据段与每个相关数据段的匹配程度；根据匹配程度得到每个待处理数据段的若干匹配相关数据段以及若干待确认相关数据段。
[0064] 需要说明的是，由于相关数据段是根据整体数据段的数据相似性获取的，对于任意一个待处理数据段的所有相关数据段中，由于这些相关数据段内部维度数据数值以及变化趋势存在着一定差异，可能存在相关数据段与待处理数据段整体的相关性较高，局部的相关性较弱的情况；为了后续实现更高的压缩效率，需要排除上述情况，降低压缩量，从而提高压缩效率。
[0065] 具体的，预设一个维度数据点间隔数T3，其中本实施例以T3=3为例进行叙述，本实施例不进行具体限定，其中T3可根据具体实施情况而定；以任意一个维度数据序列的任意一个待处理数据段为例，将该待处理数据段以及该待处理数据段的每个相关数据段分别每隔T3个间隔获取一个维度数据，记为样本维度数据；以该待处理数据段的任意一个相关数据段为例，将该待处理数据段中与该相关数据段中相同序号的样本维度数据的差值的绝对值，记为该相关数据段的样本维度绝对差值，例如：在待处理数据段“11，20，30，42，50，60，70”中，样本维度数据分别为“11”，“42”，“70”；在相关数据段“20，30，40，47，60，70，80”中，样本维度数据为“20”，“47”，“80”；待处理数据段的样本维度绝对差值有三个，分别为“9”，“5”，“10”。
[0066] 进一步的，根据该相关数据段的样本维度绝对差值得到该相关数据段的匹配程度；其中待处理数据段包含的样本维度数据数量与相关数据段包含的样本维度数据数量一致；另外该相关数据段的匹配程度的计算方法为：
[0067]
[0068] 式中，表示该待处理数据段与该相关数据段的初始匹配程度；表示该相关数据段中样本维度绝对差值的数量；表示该相关数据段的第 个样本维度绝对差值； 表示该相关数据段中所有样本维度绝对差值的最大值； 表示该相关数据段中所有样本维度绝对差值的最小值；表示超参数，本实施例预设 ，用于防止 为0。其中若该相关数据段的初始匹配程度越大，说明该相关数据段与该待处理数据段的维度数据越相似，反映该相关数据段越能代表该待处理数据段。获取该待处理数据段与每个相关数据段的初始匹配程度，对该待处理数据段的所有相关数据段的初始匹配程度进行线性归一化，将归一化后的每个相关数据段的初始匹配程度记为匹配程度。
[0069] 进一步的，预设一个匹配程度阈值T4，其中本实施例以T4=0.7为例进行叙述，本实施例不进行具体限定，其中T4可根据具体实施情况而定；以该待处理数据段的任意一个相关数据段为例，若该相关数据段的匹配程度大于等于匹配程度阈值T4，将该相关数据段记为匹配相关数据段；若该相关数据段的匹配程度小于匹配程度阈值T4，将该相关数据段记为待确认相关数据段；获取该待处理数据段的所有匹配相关数据段以及所有待确认相关数据段；获取所有待处理数据段的所有匹配相关数据段以及所有待确认相关数据段。
[0070] 至此，通过上述方法得到所有待处理数据段的所有匹配相关数据段以及所有待确认相关数据段。
[0071] 步骤S004：根据待确认相关数据段得到每个待处理数据段的若干待确认参考数据段；获取每个待处理数据段的每个待确认参考数据段的变化指标；根据变化指标以及匹配相关数据段得到每个待处理数据段的若干最终相关数据段。
[0072] 具体的，以任意一个待处理数据段的任意一个待确认相关数据段为例，在该待确认相关数据段的所有样本维度数据中，将每个样本维度数据的序号记为样本序号；在该待确认相关数据段的所有样本维度绝对差值中，将每个样本维度绝对差值记为维度差值序号；以该待确认相关数据段中任意一个样本维度绝对差值为例，将该样本维度绝对差值的维度差值序号与样本序号一致的样本维度数据记为同号样本维度数据，将该样本维度绝对差值的数值赋予同号样本维度数据，将赋值后的同号样本维度数据记为赋值样本维度数据；获取该待确认相关数据段的所有赋值样本维度数据后，将该待确认相关数据段记为待确认参考数据段。
[0073] 进一步的，参考样本维度绝对差值的获取方法，获取该待确认参考数据段的所有样本维度绝对差值；根据该待确认参考数据段的样本维度绝对差值得到该待确认参考数据段的变化指标；其中该待确认参考数据段的变化指标的计算方法为：
[0074]
[0075] 式中，表示该待确认参考数据段的变化指标；表示该待确认参考数据段的样本维度绝对差值的数量； 表示该待确认参考数据段的第 个样本维度绝对差值； 表示在该待确认参考数据段所属待处理数据段的所有样本维度数据中，第 个样本维度绝对差值对应的样本维度数据的斜率； 表示在该待确认参考数据段所属待处理数据段的所有样本维度数据中，第 个样本维度绝对差值对应的样本维度数据的斜率； 表示在该待确认参考数据段的所有样本维度数据中，第 个样本维度绝对差值对应的样本维度数据的斜率； 表示在该待确认参考数据段的所有样本维度数据中，第 个样本维度绝对
差值对应的样本维度数据的斜率； 表示以自然常数为底的指数函数；实施例采用
函数来呈现反比例关系及归一化处理，实施者可根据实际情况选择反比例函数及归
一化函数。其中若该待确认参考数据段的变化指标越大，说明该待确认参考数据段越不符合可允许误差范围，反映该待确认参考数据段在调整之前的待确认参考数据段越不需要进行调整。
[0076] 进一步的，预设一个变化指标阈值T5，其中本实施例以T5=0.8为例进行叙述，本实施例不进行具体限定，其中T5可根据具体实施情况而定；若该待确认参考数据段的变化指标小于变化指标阈值T5，将该待确认参考数据段记为该待处理数据段的第二匹配相关数据段；若该待确认参考数据段的变化指标大于等于变化指标阈值T5，不对该待确认参考数据段进行任何处理；获取该待处理数据段的所有第二匹配相关数据段，将该待处理数据段的所有匹配相关数据段以及所有第二匹配相关数据段共同记为该待处理数据段的最终相关数据段；获取所有待处理数据段的所有最终相关数据段。
[0077] 至此，通过上述方法得到所有待处理数据段的所有最终相关数据段。
[0078] 步骤S005：根据最终相关数据段进行生产过程监测。
[0079] 具体的，将所有待处理数据段的所有最终相关数据段按照待处理数据段在维度数据序列中的排序顺序进行排列，将排列后的序列记为最终目标压缩序列；利用LZ77压缩算法对最终压缩序列进行压缩得到压缩后的序列，将压缩后的序列存入数据库，在对维度数据进行分析时，将压缩后的序列解压得到最终目标压缩序列；利用LOF算法得到最终目标压缩序列中每个维度数据的局部离群因子，将每个维度数据的局部离群因子进行线性归一化，将归一化后的每个维度数据的局部离群因子记为局部因子。其中序列的压缩与解压过程是LZ77压缩算法的公知内容，LOF算法是公知技术，本实施例不进行叙述。
[0080] 进一步的，预设一个局部因子阈值T6，其中本实施例以T6=0.7为例进行叙述，本实施例不进行具体限定，其中T6可根据具体实施情况而定；若最终目标压缩序列中存在任意一个维度数据的局部因子大于局部因子阈值T6，将本次生产过程视为异常的生产过程；若最终目标压缩序列中不存在任意一个维度数据的局部因子大于局部因子阈值T6，将本次生产过程视为正常的生产过程。
[0081] 至此，本实施例完成。
[0082] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
