基于传感器网络的饲料包装袋质量智能监测方法及系统与流程

本发明涉及饲料包装质量监测，具体涉及一种基于传感器网络的饲料包装袋质量智能监测方法及系统。

背景技术：

1、饲料包装是饲料生产、储存及运输过程中的重要环节，包装袋的成型状态、装料状态、封口质量及输送稳定性直接影响饲料产品的密封性能、储存安全性和后续流通过程。饲料包装过程中通常涉及袋体展开、定量装料、封口压合以及成品输送等多个连续工序，不同工序之间具有较强的状态关联。例如，袋体张力变化可能影响包装袋成型位置和封口稳定性，热封温度与热封压力之间的配合状态会影响封口区域的密合程度，装料重量变化又可能进一步影响袋体受力及输送过程中的振动状态。因此，包装袋质量并非由单一设备参数或单一传感器状态独立决定，而是由多个传感器节点在不同包装工序中的协同变化共同反映。

2、现有饲料包装质量监测方式通常采用人工抽检、单点传感器阈值判断或者包装结束后的外观检测方式。人工抽检依赖操作人员经验，检测周期较长，难以实现对连续包装过程的实时覆盖；单点阈值判断主要依据温度、压力、重量或者振动等单一参数是否超出设定范围进行异常识别，虽然能够检测部分明显异常，但难以识别单个传感器数值仍处于正常范围而多个传感器之间关联关系已经发生异常变化的情况。包装结束后的外观检测则通常只能发现已经形成的褶皱、破损、封口偏移等表面缺陷，对于包装过程中逐渐产生的工艺偏差缺少提前识别能力。

3、随着传感器网络技术的发展，可以在饲料包装设备的不同作业位置布设多种传感器，对成型、装料、封口和输送过程进行连续数据采集。但不同传感器具有不同的采样特性和工序响应规律，同一传感器在不同包装工序下对包装质量的影响程度也存在明显差异。例如，在装料阶段，重量变化、袋体张力及位置变化之间具有较强关联，而在封口阶段，热封温度、热封压力及封口区域状态之间的关联更为重要。若始终采用固定的传感器关联关系进行质量分析，难以准确反映包装工序切换引起的节点作用关系变化。

4、现有基于机器学习或者时序异常检测的方法能够从多变量监测数据中学习正常运行规律，但通常侧重于各变量自身的数值变化或者固定变量关系，对包装工序变化所引起的传感器关联结构动态变化考虑不足。当某一包装质量异常表现为多个传感器节点之间的关联强度下降、关联对象变化或者协同变化关系失衡时，仅依据预测值与实际值之间的单一偏差容易产生漏检。同时，现有方法对异常结果的解释通常停留在异常分值层面，难以进一步定位与异常状态关联的传感器节点、对应包装工序及包装袋异常作用区域。

5、因此，如何提供一种基于传感器网络的饲料包装袋质量智能监测方法及系统是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于传感器网络的饲料包装袋质量智能监测方法及系统，本发明通过对饲料包装过程中的多源质量监测数据和包装设备运行状态数据进行连续采集，构建与包装工序阶段相对应的包装质量状态序列，并根据传感器节点属性、节点状态变化关系及包装工序质量影响关系形成随包装工序变化的包装质量动态关联图；进一步利用gdn图偏差网络对动态关联关系进行工序约束图注意力特征聚合，获得传感器节点质量状态预测结果，并结合传感器状态偏差与传感器关联偏差形成包装袋质量偏差特征，从而实现对异常传感器节点、关联异常节点、质量异常类型及异常作用区域的识别，并生成对应的包装袋质量监测结果。

2、根据本发明实施例的一种基于传感器网络的饲料包装袋质量智能监测方法及系统，包括如下步骤：

3、s1，采集饲料包装过程中的多源质量监测数据及包装设备运行状态数据，按照包装袋标识、节点标识和采集时间形成包装质量时序数据；

4、s2，对包装质量时序数据进行时间对齐和工序划分，将各工序阶段的传感器数据进行状态编码，得到包装质量状态序列；

5、s3，获取传感器节点属性及合格包装历史监测数据，建立包装工序质量影响关系，构建包装质量动态关联图并连续更新，得到关联变化记录；

6、s4，将包装质量状态序列和包装质量动态关联图输入gdn图偏差网络，通过工序约束图注意力聚合，得到质量状态预测结果；

7、s5，根据合格包装历史监测数据建立正常包装关联基准，结合质量状态预测结果及关联变化记录计算双重偏差，得到包装袋质量偏差特征；

8、s6，根据包装袋质量偏差特征及包装质量动态关联图识别异常传感器节点和关联异常节点，确定质量异常类型及异常作用区域；

9、s7，根据包装袋质量偏差特征确定包装袋质量状态，并结合已识别的质量异常类型及异常作用区域，生成包装袋质量监测结果。

10、可选的，所述s2包括：

11、s21，根据包装质量时序数据中的采集时间建立统一时间序列，将同一包装袋的不同传感器数据进行时间对应；

12、s22，根据包装设备运行状态及传感器响应变化确定成型、装料、封口和输送工序阶段，建立工序阶段与统一时间序列的对应关系；

13、s23，根据各工序阶段对应的时间范围提取传感器数据，得到不同工序阶段下的工序阶段监测数据；

14、s24，将工序阶段标识与工序阶段监测数据进行联合编码，并按照工序先后关系排列，得到包装质量状态序列。

15、可选的，所述s3包括：

16、s31，从节点配置记录中获取传感器类型及安装位置，结合包装工序阶段形成节点属性特征，并从包装质量状态序列中提取节点时序变化特征；

17、s32，将节点属性特征与节点时序变化特征融合，得到传感器节点特征，并根据节点状态变化确定节点状态变化相关程度；

18、s33，根据传感器节点属性及工序阶段建立包装工序质量影响关系，结合节点状态变化相关程度筛选节点组合，形成初始质量关联集合；

19、s34，根据合格包装历史监测数据确定节点组合的质量关联可信程度，结合工序阶段调整关联权重，构建包装质量动态关联图并生成关联变化记录。

20、可选的，所述s34包括：

21、s341，对合格包装历史监测数据进行时间对齐和工序划分，提取初始质量关联集合中节点组合的状态变化关系，形成历史节点关联数据；

22、s342，根据历史节点关联数据计算节点组合的共同变化程度、变化方向一致程度及关联持续程度，得到历史关联稳定特征；

23、s343，将节点状态变化相关程度、包装工序质量影响关系及历史关联稳定特征进行联合编码，得到质量关联可信特征；

24、s344，根据质量关联可信特征和当前工序阶段筛选可信质量关联关系，调整节点关联权重，连续构建包装质量动态关联图并记录关联变化。

25、可选的，所述s344包括：

26、s3441，根据当前工序阶段确定有效传感器节点，从初始质量关联集合中提取包含有效传感器节点的节点组合；

27、s3442，根据质量关联可信特征及包装工序质量影响关系筛除与当前工序不匹配的节点组合，得到可信质量关联关系；

28、s3443，根据节点状态变化相关程度、历史关联稳定特征及包装工序质量影响关系，确定可信质量关联关系的关联权重；

29、s3444，以有效传感器节点为图节点、可信质量关联关系为图边、关联权重为图边属性，连续构建包装质量动态关联图，并按照监测时间记录关联变化，得到关联变化记录。

30、可选的，所述s4包括：

31、s41，对合格包装历史监测数据进行时间对齐和工序编码，形成历史包装质量状态序列，构建对应动态关联图及训练样本，训练gdn图偏差网络；

32、s42，从包装质量状态序列中提取目标监测时间之前的节点时序状态，根据包装质量动态关联图确定有效邻接节点及关联权重；

33、s43，将目标节点及有效邻接节点的时序状态、关联权重和当前工序阶段输入工序约束图注意力层，得到关联质量聚合特征；

34、s44，将目标节点时序状态、关联质量聚合特征及当前工序阶段融合，通过训练后的gdn图偏差网络得到目标监测时间的质量状态预测结果。

35、可选的，所述s43包括：

36、s431，根据包装质量动态关联图提取目标传感器节点对应的有效邻接节点集合及节点关联权重；

37、s432，对目标节点与各有效邻接节点的时序状态进行特征匹配，得到表征节点质量状态关联程度的注意力响应特征；

38、s433，将注意力响应特征与节点关联权重及s3建立的包装工序质量影响关系融合，抑制与当前工序不匹配的邻接响应，得到工序约束注意力权重；

39、s434，根据工序约束注意力权重对各有效邻接节点的时序状态进行加权聚合，得到目标节点的关联质量聚合特征。

40、可选的，所述s5包括：

41、s51，将质量状态预测结果与目标监测时间对应的实际监测状态比较，根据节点状态预测差异形成传感器状态偏差；

42、s52，对合格包装历史监测数据进行时间对齐和工序划分，采用与当前包装质量动态关联图一致的构图方式建立历史关联图，形成正常包装关联基准；

43、s53，将当前节点关联状态与正常包装关联基准比较，结合关联变化记录中的连续关联变化，得到传感器关联偏差；

44、s54，对传感器状态偏差和传感器关联偏差的程度、方向及持续状态进行联合编码，保留节点标识、关联节点对应关系及时间信息，得到包装袋质量偏差特征。

45、可选的，所述s6包括：

46、s61，利用训练后的gdn图偏差网络预测合格包装历史监测数据中的校验样本，依据预测误差确定节点正常偏差范围，结合状态偏差、关联偏差及持续状态，筛选异常传感器节点；

47、s62，沿包装质量动态关联图读取异常传感器节点的关联关系，将持续异常关联的对端节点及具有同步质量偏差变化的节点确定为关联异常节点；

48、s63，根据异常节点的传感器类型、安装位置及工序阶段，建立传感器安装位置与包装袋作用区域的对应关系，确定异常工序及异常作用位置；

49、s64，根据包装工序质量影响关系及异常节点组合确定质量异常类型，结合异常作用位置得到异常作用区域；未检出异常时不生成异常类型及异常作用区域。

50、根据本发明实施例的基于传感器网络的饲料包装袋质量智能监测系统，包括如下模块：

51、数据采集模块，用于采集多源质量监测数据及包装设备运行状态数据，形成包装质量时序数据；

52、状态序列构建模块，用于对包装质量时序数据进行时间对齐和工序划分，得到包装质量状态序列；

53、动态关联图构建模块，用于获取传感器节点属性及合格包装历史监测数据，建立包装工序质量影响关系，构建包装质量动态关联图及关联变化记录；

54、gdn质量预测模块，用于根据合格包装历史监测数据训练gdn图偏差网络，通过工序约束图注意力聚合得到质量状态预测结果；

55、质量偏差分析模块，用于建立正常包装关联基准，根据质量状态预测结果确定传感器状态偏差，根据当前节点关联状态及关联变化记录确定传感器关联偏差，融合得到包装袋质量偏差特征；

56、异常定位模块，用于根据包装袋质量偏差特征及包装质量动态关联图确定异常传感器节点和关联异常节点，在存在异常时确定质量异常类型及异常作用区域；

57、质量结果生成模块，用于根据包装袋质量偏差特征确定包装袋质量状态，结合已识别的质量异常类型及异常作用区域生成包装袋质量监测结果。

58、本发明的有益效果是：本发明通过传感器网络对饲料包装过程中的多源质量状态进行连续监测，并按照包装工序阶段组织各传感器节点的数据关系，使原本分散的温度、压力、重量、张力、形变及输送状态等监测信息能够在统一的包装质量状态空间内进行关联分析，提高了多源传感器数据对包装袋整体质量状态的表征能力。

59、本发明根据传感器节点之间的状态变化相关程度、包装工序质量影响关系以及历史合格包装过程中的关联稳定特征确定可信质量关联关系，并根据当前包装工序阶段动态调整节点关联权重，使包装质量关联结构能够随成型、装料、封口和输送工序变化而更新，避免采用固定传感器关联关系导致不同工序下关键质量影响关系被弱化的问题。

60、本发明在gdn图偏差网络中引入包装工序约束，通过当前包装工序阶段筛选有效邻接节点，并结合动态节点关联权重进行图注意力特征聚合，使模型不仅能够利用目标传感器节点自身的时序状态，还能够综合反映与其存在实际包装质量影响关系的关联节点状态，提高了对多传感器协同异常及局部工序异常的识别能力。

61、本发明同时构建传感器状态偏差和传感器关联偏差，其中传感器状态偏差用于表征实际监测状态相对于正常质量预测状态的变化，传感器关联偏差用于表征当前节点关联关系相对于正常包装关联基准的变化，由此能够识别单个传感器数值尚未出现明显异常但多个传感器之间协同关系已经发生偏移的包装质量问题，降低仅依赖单点阈值或者单一预测误差造成的漏检风险。

62、本发明还能够根据包装袋质量偏差特征确定异常传感器节点，并沿包装质量动态关联图进一步筛选关联异常节点，将异常状态对应至具体包装工序和异常作用位置，使最终监测结果不仅能够给出包装袋质量状态，还能够反映质量异常类型及异常作用区域，为包装设备参数调整、异常工序排查及包装质量追溯提供更加明确的数据依据。