应用于水性丙烯酸树脂生产监测的大数据分析方法及系统与流程

1.本技术涉及水性丙烯酸树脂生产监测与大数据分析技术领域，具体而言，涉及一种应用于水性丙烯酸树脂生产监测的大数据分析方法及系统。


背景技术：

2.水性丙烯酸树脂是汽车、电器、机械、建筑等领域重要的原料，其生产工艺根据生产的方式进行分类可以包括乳液聚合、悬浮聚合、本体聚合以及其他诸如溶剂反应制备等方式，生产涉及到自由基聚合机理、配方和工业设计、合成用原材料掌握、生产设备及工艺条件、计量及仪器、生产操作、中控、质检等。生产过程中常见的异常生产状态包含单体转化率异常、气味较大、丙烯酸树脂固含或粘度偏高或偏低。传统的生产方式依赖人工对生产环节的数据进行评估，分析出水性丙烯酸树脂生产线是否存在异常生产状态，可以理解，占用了人力资源，且监测的效果受限于人力水平，不能做到稳定准确。而随着工业互联网的发展，水性丙烯酸树脂的生产引入工业互联网之后，可以对生产状态进行在线监测分析，而如何进行生产数据的分析是需要考虑的技术问题。


技术实现要素：

3.本发明的目的在于提供一种应用于水性丙烯酸树脂生产监测的大数据分析方法及系统，以克服上述问题。
4.本技术实施例是这样实现的：第一方面，本技术实施例提供了一种应用于水性丙烯酸树脂生产监测的大数据分析方法，应用于大数据分析系统，所述方法包括：响应于生产监测命令，从工业大数据系统中获取生产监测数据集，所述生产监测数据集为边缘层采集到的水性丙烯酸树脂生产线端层的水性丙烯酸树脂生产数据；将所述生产监测数据集加载至预设的生产监测网络，所述生产监测网络通过扰动抑制策略进行训练得到；基于所述生产监测网络对所述生产监测数据集进行分析，得到所述生产监测数据集对应的生产状态分析结果。
5.作为一种可行的实施方式，所述生产监测网络的调试过程包括如下步骤：获取多个包含第一批注信息的第一生产监测数据集和多个包含第二批注信息的第二生产监测数据集；其中，多个所述第一批注信息中具有偏误批注信息，多个所述第二批注信息中不具有偏误批注信息，所述第一生产监测数据集的个数大于所述第二生产监测数据集的个数；基于待调试的生产监测网络对每一所述第一生产监测数据集分别进行生产状态分析，得到每一所述第一生产监测数据集的异常生产概率变量，所述异常生产概率变量表征所述第一生产监测数据集对应的水性丙烯酸树脂生产线具有异常生产状态的概率评估结果；
基于每一所述第一生产监测数据集的第一批注信息和对应的所述异常生产概率变量，确定每一所述第一生产监测数据集对应的调试误差结果；依据所述多个包含第二批注信息的第二生产监测数据集，确定每一所述调试误差结果对应的贡献分配参数，然后通过确定的所述贡献分配参数对每一所述调试误差结果进行权值分配计算，并将各个计算结果求和，得到综合误差结果；依据所述综合误差结果，调节所述生产监测网络的网络参变量。
6.作为一种可行的实施方式，如果所述第一生产监测数据集的个数为p个，所述第二生产监测数据集的个数为q个，则所述依据所述多个包含第二批注信息的第二生产监测数据集，确定每一所述调试误差结果对应的贡献分配参数，包括：对于每一所述第二生产监测数据集均进行如下步骤：依据所述第二生产监测数据集，通过辅助调试网络重复进行x次贡献分配参数的确定，得到p个的贡献分配参数，每个所述贡献分配参数对应一所述调试误差结果；其中，x≥2；对于每一所述调试误差结果对应的贡献分配参数均进行如下步骤：将q个的贡献分配参数进行均值运算，得到每一所述调试误差结果对应的贡献分配参数。
7.作为一种可行的实施方式，所述辅助调试网络包括贡献分配参数确定网络和模拟网络，其中，所述模拟网络的结构与所述生产监测网络的结构相同；所述依据所述第二生产监测数据集，通过辅助调试网络重复进行x次贡献分配参数的确定，得到p个的贡献分配参数，包括：依据所述第二生产监测数据集，通过所述贡献分配参数确定网络重复进行x次贡献分配参数的确定，得到p个的贡献分配参数；在进行每一次所述贡献分配参数的确定时，通过所述模拟网络对所述第二生产监测数据集进行生产状态分析，获得所述第二生产监测数据集对应的异常生产状态误差结果，然后通过所述异常生产状态误差结果，在进行每一次所述贡献分配参数的确定后调节所述辅助调试网络的网络参变量。
8.作为一种可行的实施方式，所述在进行每一次所述贡献分配参数的确定时，通过所述模拟网络对所述第二生产监测数据集进行生产状态分析，获得所述第二生产监测数据集对应的异常生产状态误差结果，然后通过所述异常生产状态误差结果，在进行每一次所述贡献分配参数的确定后调节所述辅助调试网络的网络参变量，包括：依据所述第二生产监测数据集，通过所述模拟网络进行首次生产状态分析，得到首次所述第二生产监测数据集的异常生产概率变量；基于首次所述第二生产监测数据集的异常生产概率变量，确定首次所述第二生产监测数据集对应的异常生产状态误差结果；基于首次所述第二生产监测数据集对应的异常生产状态误差结果，对所述模拟网络和所述贡献分配参数确定网络的网络参变量进行调节，得到首次调节后的贡献分配参数确定网络和首次调节后的模拟网络；依据所述第二生产监测数据集，通过所述首次调节后的模拟网络重复进行x-1次生产状态分析，得到第x次所述第二生产监测数据集的异常生产状态误差结果；
所述依据所述第二生产监测数据集，通过所述贡献分配参数确定网络重复进行x次贡献分配参数的确定，得到p个的贡献分配参数，包括：依据所述第二生产监测数据集，通过所述贡献分配参数确定网络进行首次贡献分配参数的确定，得到首次所述p个的贡献分配参数；依据所述第二生产监测数据集，通过所述首次调节后的贡献分配参数确定网络，重复进行x-1次贡献分配参数的确定，得到第x次所述p个的贡献分配参数；其中，第x次所述第二生产监测数据集对应的异常生产状态误差结果与第x-1次所述第二生产监测数据集对应的异常生产状态误差结果的差值小于异常生产状态误差结果阈值。
9.作为一种可行的实施方式，如果x为2，则所述依据所述第二生产监测数据集，通过所述首次调节后的模拟网络重复进行x-1次生产状态分析，得到第x次所述第二生产监测数据集的异常生产状态误差结果，包括：依据所述第二生产监测数据集，通过所述首次调节后的模拟网络，进行第二次生产状态分析，得到第二次所述第二生产监测数据集的异常生产概率变量；基于第二次所述第二生产监测数据集的异常生产概率变量，确定第二次所述第二生产监测数据集对应的异常生产状态误差结果；其中，第二次所述第二生产监测数据集的异常生产状态误差结果与首次所述第二生产监测数据集的异常生产状态误差结果的差值小于所述异常生产状态误差结果阈值；所述依据所述第二生产监测数据集，通过所述首次调节后的贡献分配参数确定网络重复进行x-1次贡献分配参数的确定，得到第x次所述p个的贡献分配参数，包括：依据所述第二生产监测数据集，通过所述首次调节后的贡献分配参数确定网络进行第二次贡献分配参数的确定，得到第二次所述p个的贡献分配参数。
10.作为一种可行的实施方式，如果x大于2，则所述依据所述第二生产监测数据集，通过所述首次调节后的模拟网络重复进行x-1次生产状态分析，得到第x次所述第二生产监测数据集的异常生产状态误差结果，包括：依据所述第二生产监测数据集，通过第u-1次调节后的模拟网络进行第u次生产状态分析，得到第u次所述第二生产监测数据集的异常生产概率变量，其中，x-1≥u-1且u-1≥1；根据第u次所述第二生产监测数据集的异常生产概率变量，确定第u次所述第二生产监测数据集对应的异常生产状态误差结果；所述依据所述第二生产监测数据集，通过所述首次调节后的贡献分配参数确定网络重复进行x-1次贡献分配参数的确定，得到第x次所述p个的贡献分配参数，包括：依据所述第二生产监测数据集，通过第u-1次调节后的贡献分配参数确定网络进行第u次异常生产状态确定，得到第u次所述p个的贡献分配参数。
11.作为一种可行的实施方式，所述通过确定的所述贡献分配参数对每一所述调试误差结果进行权值分配计算，并将各个计算结果求和，得到综合误差结果，包括：对于每一所述调试误差结果均进行如下步骤：将所述调试误差结果与对应的所述贡献分配参数进行作积操作，得到所述调试误差结果对应的作积操作结果；
将每一所述作积操作结果进行相加，得到所述综合误差结果。
12.作为一种可行的实施方式，所述基于每一所述第一生产监测数据集的第一批注信息和对应的所述异常生产概率变量，确定每一所述第一生产监测数据集对应的调试误差结果，包括：对于每一所述第一生产监测数据集均进行如下步骤：获取所述第一生产监测数据集的第一批注信息包含的批注信息概率变量，并获取所述生产监测网络的误差确定算子；通过所述第一生产监测数据集的批注信息概率变量和所述第一生产监测数据集的异常生产概率变量，通过所述误差确定算子进行误差结果的确定，得到所述第一生产监测数据集对应的调试误差结果。
13.作为一种可行的实施方式，所述依据所述综合误差结果，调节所述生产监测网络的网络参变量之后，所述方法还包括：对拟分析水性丙烯酸树脂生产线的多个不同的生产节点的生产监测数据进行截取，得到所述拟分析水性丙烯酸树脂生产线的多个截取生产监测数据集；基于所述调节后的所述生产监测网络，对每一所述截取生产监测数据集分别进行生产状态分析，得到每一所述截取生产监测数据集的异常生产概率变量；所述基于所述调节后的所述生产监测网络，对各所述截取生产监测数据集进行生产状态分析，得到每一所述截取生产监测数据集的异常生产概率变量之后，所述方法还包括：对于每一所述截取生产监测数据集均进行如下步骤：确定所述截取生产监测数据集的异常生产概率变量分别与至少两个预设评估值之间的数值比较结果，其中，所述数值比较结果用于指示所述异常生产概率变量是否大于所述预设评估值；其中，所述至少两个预设评估值的大小不一致；基于所述数值比较结果，确定所述截取生产监测数据集的生产状态分析结果，其中，所述生产状态分析结果用于指示所述截取生产监测数据集的异常状态等级。
14.第二方面，本技术实施例提供了一种大数据分析系统，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序，当所述处理器执行所述计算机程序时，实现以上所述的应用于水性丙烯酸树脂生产监测的大数据分析方法。
15.本技术实施例提供的应用于水性丙烯酸树脂生产监测的大数据分析方法及系统，采取基于扰动抑制策略训练获得的生产监测网络进行异常生产状态分析识别，分析结果准确可靠，帮助对水性丙烯酸树脂生产进行自动化高精度监测。其中，生产监测网络的调试过程中，依据多个包含第二批注信息的第二生产监测数据集，确定每一调试误差结果对应的贡献分配参数，然后通过贡献分配参数对各调试误差结果进行权值分配计算，并将各个计算结果求和，基于获得的综合误差结果调节生产监测网络的网络参变量，得到调节后的生产监测网络。因为第二批注信息中不具有偏误批注信息，基于此确定的每一调试误差结果对应的贡献分配参数可以有效避免偏误批注信息对生产监测网络优化过程的扰动，如此调节后的生产监测网络能够产生准确可靠的生产状态分析结果，从而增加生产监测网络的分析能力，提升准确性，此外，因为第一生产监测数据集的个数大于第二生产监测数据集的个数，基于此，调试过程中对调试样本的依赖变少，调试的速度得到有效提升。
16.在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。
附图说明
17.为了更清楚地说明本技术实施例中的技术方案，下面将对本技术实施例描述中所需要使用的附图作简单地介绍。
18.图1是本技术实施例提供的一种应用于水性丙烯酸树脂生产监测的大数据分析方法的流程图。
19.图2是本技术实施例提供的生产监测网络的训练优化流程图。
20.图3是本技术实施例提供的大数据分析装置的功能模块架构示意图。
21.图4是本技术实施例提供的一种大数据分析系统的组成示意图。
具体实施方式
22.下面结合本技术实施例中的附图对本技术实施例进行描述。本技术实施例的实施方式部分使用的术语仅用于对本技术的具体实施例进行解释，而非旨在限定本技术。
23.本技术实施例中应用于水性丙烯酸树脂生产监测的大数据分析方法的执行主体为计算机设备（大数据分析系统），包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等。计算机设备包括但不限于电脑、智能手机、pad等，例如为单个网络服务器、多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，计算机设备可单独运行来实现本技术，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本技术。其中，计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、vpn网络等。
24.本技术实施例提供了一种应用于水性丙烯酸树脂生产监测的大数据分析方法，该方法应用于大数据分析系统，如图1所示，该方法包括：步骤s1：响应于生产监测命令，从工业大数据系统中获取生产监测数据集。
25.其中，生产监测数据集为边缘层采集到的水性丙烯酸树脂生产线端层的水性丙烯酸树脂生产数据。本技术实施例提供的方法应用于工业互联网中的大数据分析系统，该大数据分析系统位于工业互联网架构的paas层（平台层），工业互联网至少还包括端层和边缘层，端层即设备层，包含水性丙烯酸树脂生产线的设备，如反应釜、加热设备、投料设备、冷凝回流设备、过滤器、各类工业传感器等等，边缘层是工业数据采集层，用于采集端层产生的数据，如设备运行数据、人员操作数据、人员上传数据、传感器感测数据等。大数据分析系统在获取到生产监测命令时，从同位于paas层的工业大数据系统中获取生产监测数据集，可以理解，生产监测数据集是边缘层对数据进行采集（如格式统一、清洗）后，存储在工业大数据系统中的数据，例如其可以通过云基础设施将边缘层和平台层连接，以完成数据的上载。
26.步骤s2：将生产监测数据集加载至预设的生产监测网络。
27.生产监测网络通过扰动抑制策略进行训练得到，具体过程请参后续网络的调试步骤。
28.步骤s3：基于生产监测网络对所述生产监测数据集进行分析，得到生产监测数据对应的生产状态分析结果。
29.生产状态分析结果可以包括正常生产状态或异常生产状态，当为异常生产状态时，还可细分为高度异常生产状态或低度异常生产状态。
30.下面对本技术实施例提供的生产监测网络的训练优化过程进行说明，在该过程中，本技术实施例通过扰动抑制策略对该生产监测网络进行调试，以防止偏误批注信息对网络调试过程的负面影响，如图2所示，生产监测网络的训练优化过程包括步骤s10~s60：步骤s10：获取多个包含第一批注信息的第一生产监测数据集和多个包含第二批注信息的第二生产监测数据集。
31.本技术实施例中，批注信息用于指示生产监测数据集的生产状态信息，多个第一批注信息中具有偏误批注信息（不正确的、具有误导性质的批注信息，使得批注信息存在噪声扰动），多个第二批注信息中不具有偏误批注信息，第一生产监测数据集的个数大于第二生产监测数据集的个数。
32.作为一些实施方式，第一生产监测数据集所包含的第一批注信息可以为表征第一生产监测数据集的批注信息概率变量的批注信息。因为第一生产监测数据集所包含的第一批注信息具有偏误批注信息，偏误批注信息代表第一生产监测数据集的批注信息概率变量（表示批注信息的可信程度）和第一生产监测数据集的实际概率变量的差距。那么，包含第一批注信息的第一生产监测数据集的批注信息概率变量则不能精确地指示第一生产监测数据集的实际概率变量，换言之，第一生产监测数据集的批注信息概率变量与第一生产监测数据集的实际概率变量之间具有偏误，即偏误批注信息。
33.作为一些实施方式，第二生产监测数据集包含的第二批注信息为反映第二生产监测数据集的批注信息概率变量的批注信息，因为第二生产监测数据集包含的第二批注信息不具有偏误批注信息，而偏误批注信息为第二生产监测数据集的批注信息概率变量和第二生产监测数据集的实际概率变量之间的差异，则包含第二批注信息的第二生产监测数据集的批注信息概率变量可以精准地指示第二生产监测数据集的实际概率变量，换言之，第二生产监测数据集的批注信息概率变量与第二生产监测数据集的实际概率变量无偏误。换言之，第二生产监测数据集的批注信息概率变量等于第二生产监测数据集的实际概率变量。
34.采取获得多个包含第一批注信息的第一生产监测数据集和多个包含第二批注信息的第二生产监测数据集，同时第一生产监测数据集的个数大于第二生产监测数据集的个数，第二生产监测数据集的批注信息概率变量更加精准，则其批注信息的批注难度较大；而第一生产监测数据集的批注信息概率变量可以被允许具有偏误，其批注信息的难度较小。通过收集较多数量但是批注难度小的第一生产监测数据集，并收集较少数量但是批注难度大的第二生产监测数据集，对生产监测网络进行调试优化，因为批注难度高的第二生产监测数据集数量变少，以此可以降低调试的开销，提升调试优化的速度。
35.步骤s20：基于待调试的生产监测网络对每个第一生产监测数据集分别进行生产状态分析，得到每个第一生产监测数据集的异常生产概率变量。
36.作为一些实施方式，异常生产概率变量表征第一生产监测数据集对应的水性丙烯
酸树脂生产线具有异常生产状态的概率评估结果，或置信水平。可以理解，生产监测网络可以是任意可行的人工智能网络，如机器学习网络、深度学习网络，具体的，可以是诸如cnn、rnn、dnn、lstm、resnet等，本技术实施例对此不做限定，如可以是cnn（卷积神经网络）。
37.步骤s30：基于每个第一生产监测数据集的第一批注信息和对应的异常生产概率变量，确定各第一生产监测数据集对应的调试误差结果。
38.作为一些实施方式，第一生产监测数据集所包含的第一批注信息可以是表征第一生产监测数据集的批注信息概率变量的批注信息，如此，能够基于第一生产监测数据集的批注信息概率变量和相应的异常生产概率变量，确定第一生产监测数据集对应的调试误差结果；第一生产监测数据集的调试误差结果反映了第一生产监测数据集的异常生产概率变量和批注信息概率变量的区别程度，或称差别，依据第一生产监测数据集的调试误差结果可以确定生产监测网络推理的精确度。
39.这样一来，依据第一生产监测数据集的第一批注信息和对应的异常生产概率变量，确定第一生产监测数据集对应的调试误差结果，有利于根据调试误差结果确定综合误差结果，以基于综合误差结果对生产监测网络进行调试优化。
40.作为一些实施方式，步骤s30中对于每一第一生产监测数据集具体可以包括如下步骤s31~s32：步骤s31：获取第一生产监测数据集的第一批注信息包含的批注信息概率变量，以及获取生产监测网络的误差确定算子。
41.作为一些实施方式，第一生产监测数据集所包含的第一批注信息可以为表示第一生产监测数据集的批注信息概率变量的批注信息，对第一生产监测数据集的第一批注信息进行分析以获得第一生产监测数据集的第一批注信息包含的批注信息概率变量。
42.步骤s32：基于第一生产监测数据集的批注信息概率变量和第一生产监测数据集的异常生产概率变量，通过误差确定算子进行误差结果的确定，获得第一生产监测数据集对应的调试误差结果。
43.作为一些实施方式，生产监测网络的误差确定算子（用于计算误差的策略）具体可以是softmax函数。
44.步骤s40：依据多个包含第二批注信息的第二生产监测数据集，确定每一调试误差结果对应的贡献分配参数。
45.作为一些实施方式，每个调试误差结果对应一贡献分配参数（即对应的调试误差结果对结果贡献能力的权值参数），第一生产监测数据集的个数为p个，第二生产监测数据集的个数为q个，p＞q。调试误差结果的个数等于第一生产监测数据集的个数，调试误差结果的个数等于贡献分配参数的个数。例如，如果p=8，q=4，依据4个包含第二批注信息的第二生产监测数据集，确定8个调试误差结果分别对应的贡献分配参数。
46.作为一些实施方式，如果第一生产监测数据集的个数为p个、第二生产监测数据集的个数为q个，步骤s40具体可以包括如下步骤s41~s42：步骤s41：对于每一第二生产监测数据集均进行如下步骤：基于第二生产监测数据集，通过辅助调试网络重复进行x次贡献分配参数的确定，得到p个的贡献分配参数，每个贡献分配参数对应一调试误差结果，其中，x≥2。
47.作为一些实施方式，辅助调试网络用于确定调试误差结果的贡献分配参数，辅助
调试网络包括贡献分配参数确定网络和模拟网络，辅助调试网络是一种强化调试机制，目的是形容并克服贡献分配参数确定网络和模拟网络在交互时基于学习方式完成最大收益的问题。例如，依据第二生产监测数据集seta，采用辅助调试网络重复进行x次贡献分配参数的确定，得到p个的贡献分配参数，每个贡献分配参数对应一调试误差结果；依据第二生产监测数据集setb，通过辅助调试网络重复进行x次贡献分配参数的确定，得到p个的贡献分配参数；依据第二生产监测数据集setc，通过辅助调试网络重复进行x次贡献分配参数的确定，得到p个的贡献分配参数。
48.作为一些实施方式，辅助调试网络包括贡献分配参数确定网络和模拟网络，模拟网络是一种环境模型，其网络架构和生产监测网络是一致的，步骤s41具体可以包括如下步骤s411~s412：步骤s411：基于第二生产监测数据集，通过贡献分配参数确定网络重复进行x次贡献分配参数的确定，得到p个的贡献分配参数。
49.作为一些实施方式，辅助调试网络包括贡献分配参数确定网络，贡献分配参数确定网络用于对辅助调试网络的调试误差结果的贡献分配参数进行计算确定，例如采用如下映射函数：v=fu(a,b)，其中，v为贡献分配参数，fu为贡献分配参数确定网络，a为第二生产监测数据集，b为贡献分配参数确定网络的网络参变量。通过第二生产监测数据集u，通过贡献分配参数确定网络fu重复进行x次贡献分配参数的确定，得到p个的贡献分配参数。
50.作为一些实施方式，步骤s411具体可以包括如下步骤s4111~s4112：步骤s4111：基于第二生产监测数据集，通过贡献分配参数确定网络进行首次贡献分配参数的确定，得到首次p个的贡献分配参数。
51.步骤s4112：基于第二生产监测数据集，通过首次调节后的贡献分配参数确定网络，重复进行x-1次贡献分配参数的确定，得到第x次p个的贡献分配参数。
52.例如，基于第二生产监测数据集，通过首次调节后的贡献分配参数确定网络，重复进行两次贡献分配参数的确定，得到第三次的p个贡献分配参数。其中，第x次第二生产监测数据集对应的异常生产状态误差结果与第x-1次第二生产监测数据集对应的异常生产状态误差结果的差值小于异常生产状态误差结果阈值。作为一些实施方式，第x-1次第二生产监测数据集对应的异常生产状态误差结果与第x-2次第二生产监测数据集对应的异常生产状态误差结果大于异常生产状态误差结果阈值。比如，如果x＝2，第二次第二生产监测数据集对应的异常生产状态误差结果与首次第二生产监测数据集对应的异常生产状态的差值小于异常生产状态误差结果阈值。又如，如果x＝3，第三次第二生产监测数据集对应的异常生产状态误差结果与第二次第二异常生产状态误差结果对应的异常生产状态误差结果小于异常生产状态误差结果阈值，第二次第二生产监测数据集对应的异常生产状态误差结果与首次第二生产监测数据集对应的异常生产状态误差结果大于异常生产状态误差结果阈值。作为一些实施方式，如果x＝2，步骤s4112的具体过程为：基于第二生产监测数据集，通过首次调节后的贡献分配参数确定网络进行第二次贡献分配参数的确定，得到第二次p个的贡献分配参数。作为一些实施方式，如果x大于2，步骤s4112的具体过程为：基于第二生产监测数据集，通过第u-1次调节后的贡献分配参数确定网络进行第u次异常生产状态确定，得到第u次p个的贡献分配参数。
53.步骤s412：在进行每一次贡献分配参数的确定时，通过模拟网络对第二生产监测
数据集进行生产状态分析，获得第二生产监测数据集对应的异常生产状态误差结果，然后通过异常生产状态误差结果，在进行每一次贡献分配参数的确定后调节辅助调试网络的网络参变量。
54.具体而言，在进行第二次贡献分配参数的确定时，通过模拟网络对第二生产监测数据集进行生产状态分析，获得第二生产监测数据集对应的第二次异常生产状态误差结果，然后通过第二次异常生产状态误差结果，在执行第二次贡献分配参数的确定后调节辅助调试网络的网络参变量，获得第二次调节后的辅助调试网络。比如，在进行第三次贡献分配参数的确定时，通过模拟网络对第二生产监测数据集进行生产状态分析，获得第二生产监测数据集对应的第三次异常生产状态误差结果，然后通过第三次异常生产状态误差结果，在进行第三次贡献分配参数的确定后调节辅助调试网络的网络参变量，获得第三次调节后的辅助调试网络。
55.作为一些实施方式，步骤s412具体包括如下步骤s4121~s4124：步骤s4121：基于第二生产监测数据集，通过模拟网络进行首次生产状态分析，得到首次第二生产监测数据集的异常生产概率变量。
56.作为一些实施方式，首次第二生产监测数据集的异常生产概率变量大于第二次第二生产监测数据集的异常生产概率变量，第u-1次第二生产监测数据集的异常生产概率变量大于第u次第二生产监测数据集的异常生产概率变量。
57.步骤s4122：基于首次第二生产监测数据集的异常生产概率变量，确定首次第二生产监测数据集对应的异常生产状态误差结果。
58.具体而言，可以依据首次第二生产监测数据集的异常生产概率变量和第二生产监测数据集的批注信息概率变量，通过误差确定算子进行误差结果的确定以获取首次第二生产监测数据集对应的异常生产状态误差结果。
59.步骤s4123：基于首次第二生产监测数据集对应的异常生产状态误差结果，对模拟网络和贡献分配参数确定网络的网络参变量进行调节，得到首次调节后的贡献分配参数确定网络和首次调节后的模拟网络。
60.具体而言，可以依据首次第二生产监测数据集对应的异常生产状态误差结果，按照梯度优化调节（如sgd、mbgd、mu等梯度调节算法）对模拟网络和贡献分配参数确定网络的网络参变量进行调节，得到首次调节后的贡献分配参数确定网络和首次调节后的模拟网络。
61.步骤s4124：基于第二生产监测数据集，通过首次调节后的模拟网络重复进行x-1次生产状态分析，得到第x次第二生产监测数据集的异常生产状态误差结果。
62.作为一些实施方式，如果n＝2，步骤s4124可以是依据第二生产监测数据集，通过首次调节后的模拟网络，进行第二次生产状态分析，得到第二次第二生产监测数据集的异常生产概率变量。基于第二次第二生产监测数据集的异常生产概率变量，确定第二次第二生产监测数据集对应的异常生产状态误差结果。该过程中，第二次第二生产监测数据集的异常生产状态误差结果与首次第二生产监测数据集的异常生产状态误差结果的差值小于异常生产状态误差结果阈值。
63.作为一些实施方式，确定第二次第二生产监测数据集对应的异常生产状态误差结果的过程具体可以包括：基于第二次第二生产监测数据集的异常生产概率变量和第二生产
监测数据集的批注信息概率变量，通过误差确定算子进行运算确定，获得第二次第二生产监测数据集对应的异常生产状态误差结果。
64.作为一些实施方式，如果x大于2，步骤s4124具体可以是依据第二生产监测数据集，通过第u-1次调节后的模拟网络进行第u次生产状态分析，得到第u次第二生产监测数据集的异常生产概率变量，依据第u次第二生产监测数据集的异常生产概率变量，确定第u次第二生产监测数据集对应的异常生产状态误差结果，x-1≥u-1且u-1≥1。作为一些实施方式，确定第u次第二生产监测数据集对应的异常生产状态误差结果可以是基于第u次第二生产监测数据集的异常生产概率变量和第二生产监测数据集的批注信息概率变量，通过误差确定算子进行计算，获得的第u次第二生产监测数据集对应的异常生产状态误差结果。
65.步骤s42：对于每一调试误差结果对应的贡献分配参数均进行如下步骤：将q个的贡献分配参数进行均值运算，得到各调试误差结果对应的贡献分配参数。
66.作为一些实施方式，调试误差结果对应的贡献分配参数可以通过如下公式进行计算的得到：vn=（∑vq）/q，其中，n=1、2、3
……
q；vn为贡献分配参数。
67.步骤s50：通过确定的贡献分配参数对每一调试误差结果进行权值分配计算，并将各个计算结果求和，得到综合误差结果。
68.作为一些实施方式，步骤s50中，对于每一调试误差结果可以均按照如下步骤s51~s52进行：步骤s51：将调试误差结果与对应的贡献分配参数进行作积操作，得到调试误差结果对应的作积操作结果。
69.比如，对于第k个调试误差结果和对应的贡献分配参数进行作积操作，得到第k个调试误差结果对应的作积操作结果，第k个调试误差结果对应的作积操作结果可以通过如下公式进行：sk＝vk
·
tk。其中，sk为第k个调试误差结果对应的作积操作结果，vk为第k个调试误差结果对应的贡献分配参数，tk为第k个调试误差结果。
70.步骤s52：将每一作积操作结果进行相加，得到综合误差结果。
71.这样一来，基于不具有偏误批注信息的第二生产监测数据集进行指示，得到和每一调试误差结果对应的贡献分配参数，再将每个调试误差结果与对应的贡献分配参数进行权值分配计算（将每个调试误差结果乘以对应的贡献分配参数），并将各个计算结果求和，得到的综合误差结果，可以有效地解决偏误批注信息对生产监测网络调试过程的扰动，最终调试获得的生产监测网络具备更准确可靠的分析能力，得到的生产状态分析结果更加准确，帮助对生产监测提供有力贡献。
72.步骤s60：依据综合误差结果，调节生产监测网络的网络参变量。
73.作为一些实施方式，步骤s60具体可以依据综合误差结果，基于梯度调节方案（如上所举的例子，此处不再赘述）调节生产监测网络的网络参变量。
74.作为一些实施方式，步骤s60之后，本技术实施例提供的方法还可以包括如下步骤，以对拟分析水性丙烯酸树脂生产线进行生产状态分析：对拟分析水性丙烯酸树脂生产线的多个不同的生产节点的生产监测数据进行截取（采样不同生产节点对应的生产监测数据），得到拟分析水性丙烯酸树脂生产线的多个截取生产监测数据集；通过调节后的生产监测网络，对每一截取生产监测数据集分别进行生产状态分析，得到每一截取生产监测数据集的异常生产概率变量。
75.作为一些实施方式，对拟分析水性丙烯酸树脂生产线的多个不同的生产节点的生产监测数据进行截取可以是对拟分析水性丙烯酸树脂生产线的多个不同生产节点的数据按照数据截止字符进行识别截取得到，对拟分析水性丙烯酸树脂生产线的一个生产节点进行截取可获得拟分析水性丙烯酸树脂生产线的一个截取生产监测数据集。作为一些实施方式，采取调节后的生产监测网络，对每一截取生产监测数据集分别进行生产状态分析，得到每一截取生产监测数据集的异常生产概率变量的具体过程可以包括：对于每一截取生产监测数据集均进行如下步骤：依据截取生产监测数据集，通过优化后的生产监测网络进行生产状态分析，得到截取生产监测数据集的异常生产概率变量。
76.作为一些实施方式，获得每一截取生产监测数据集的异常生产概率变量后，本技术实施例对于每一截取生产监测数据集均进行如下步骤：确定截取生产监测数据集的异常生产概率变量分别和至少两个预设评估值之间的数值比较结果，其中，数值比较结果用于指示异常生产概率变量是否大于预设评估值，其中，至少两个预设评估值的大小不一致，基于数值比较结果确定截取生产监测数据集的生产状态分析结果，生产状态分析结果用于指示截取生产监测数据集的异常状态等级。例如，如果截取生产监测数据集的异常生产概率变量为0.84，至少两个预设评估值为0.43、0.54，确定截取生产监测数据集的异常生产概率变量0.84分别和至少两个预设评估值0.43、0.54的数值比较结果，数值比较结果指示的结果是截取生产监测数据集的异常生产概率变量大于预设评估值0.43和预设评估值0.54。这样一来，采取配置至少两个预设评估值与截取生产监测数据集的异常生产概率变量进行对比，预设评估值的个数和截取生产监测数据集的分析准确性正向关联，个数越多，截取生产监测数据集的细致程度越高，将截取生产监测数据集的异常生产状态级别细分，可以杜绝截取二分类对截取生产监测数据集分析不准确，截取生产监测数据集的分类更加精准。作为一些实施方式，至少两个预设评估值包括第一预设评估值和第二预设评估值，第一预设评估值大于第二预设评估值，第一预设评估值和第二预设评估值被配置为对截取生产监测数据集的生产状态分析结果进行区分。
77.作为一些实施方式，依据数值比较结果确定截取生产监测数据集的生产状态分析结果具体包括：如果数值比较结果指示异常生产概率变量大于第一预设评估值，则确定截取生产监测数据集具有高度异常生产状态；如果数值比较结果指示异常生产概率变量大于第二预设评估值，同时小于第一预设评估值，则确定截取生产监测数据集具有低度异常生产状态；如果数值比较结果指示异常生产概率变量小于第二预设评估值，则确定截取生产监测数据集不具有异常生产状态。
78.比如，截取生产监测数据集的异常生产概率变量等于0.2，第一预设评估值等于0.7、第二预设评估值等于0.5，换言之，数值比较结果指示异常生产概率变量大于第二预设评估值，同时小于第一预设评估值，则确定异常生产概率变量等于0.2的截取生产监测数据集具有低度异常生产状态；又如，截取生产监测数据集的异常生产概率变量等于0.1，第一预设评估值等于0.7、第二预设评估值等于0.5，换言之，数值比较结果指示异常生产概率变量小于第二预设评估值，则确定异常生产概率变量等于0.1的截取生产监测数据集不具有异常生产状态；再如，截取生产监测数据集的异常生产概率变量等于0.9，第一预设评估值等于0.7、第二预设评估值等于0.5，换言之，数值比较结果表征异常生产概率变量大于第一预设评估值，则确定异常生产概率变量等于0.9的截取生产监测数据集具有高度异常生产
状态。
79.基于上述过程，通过配置第一预设评估值和第二预设评估值将不同的异常生产概率变量的截取生产监测数据集区分为具有高度异常生产状态、具有低度异常生产状态和不具有异常生产状态三类，可以对不同异常生产概率变量的生产监测数据集进行良好的区分，增加分析的精确度。
80.作为一些实施方式，依据数值比较结果确定截取生产监测数据集的生产状态分析结果后，确定拟分析水性丙烯酸树脂生产线的异常与否可以采取下述过程进行：如果具有高度异常生产状态的截取生产监测数据集的个数大于预设个数，则将拟分析水性丙烯酸树脂生产线确定为具有高度异常生产状态的水性丙烯酸树脂生产线；如果具有低度异常生产状态的截取生产监测数据集的个数大于预设个数，则将拟分析水性丙烯酸树脂生产线确定为具有低度异常生产状态的水性丙烯酸树脂生产线；如果不具有异常生产状态的截取生产监测数据集的个数大于预设个数，则将拟分析水性丙烯酸树脂生产线确定为不具有异常生产状态的水性丙烯酸树脂生产线。
81.具体地，因为截取生产监测数据集为对拟分析水性丙烯酸树脂生产线的不同生产节点进行截取，则截取生产监测数据集的异常状态等级可以反映拟分析水性丙烯酸树脂生产线的异常状态等级，采取对具有高度异常生产状态的截取生产监测数据集、具有低度异常生产状态的截取生产监测数据集和不具有异常生产状态的截取生产监测数据集的个数各自进行确定，如果具有高度异常生产状态的截取生产监测数据集的个数大于预设个数，则将拟分析水性丙烯酸树脂生产线确定为具有高度异常生产状态的水性丙烯酸树脂生产线；如果具有低度异常生产状态的截取生产监测数据集的个数大于预设个数，则将拟分析水性丙烯酸树脂生产线确定为具有低度异常生产状态的水性丙烯酸树脂生产线；如果不具有异常生产状态的截取生产监测数据集的个数大于预设个数，则将拟分析水性丙烯酸树脂生产线确定为不具有异常生产状态的水性丙烯酸树脂生产线。基于上述过程，采取不同截取生产监测数据集的个数对拟分析水性丙烯酸树脂生产线的异常状态等级进行区分，可以增加拟分析水性丙烯酸树脂生产线的生产状态分类合理性和精准性。
82.这样一来，依据多个包含第二批注信息的第二生产监测数据集确定每一调试误差结果对应的贡献分配参数，然后通过贡献分配参数对各调试误差结果进行权值分配计算，并将各个计算结果求和，依据获得的综合误差结果调节生产监测网络的网络参变量，得到调节后的生产监测网络。因为第二批注信息中不具有偏误批注信息，这样确定得到的每一调试误差结果对应的贡献分配参数可以防止偏误批注信息对生产监测网络调试过程的扰动，令调节获得的生产监测网络能够得到准确合理鲁棒性强的生产状态分析结果，增强生产监测网络的性能。进一步地，因为第一生产监测数据集的个数大于第二生产监测数据集的个数，可以降低对调试样本数量的要求，提升了调试的速度，降低计算开销和成本。
83.综上所述，本技术实施例提供的应用于水性丙烯酸树脂生产监测的大数据分析方法，通过依据多个包含第二批注信息的第二生产监测数据集，确定每一调试误差结果对应的贡献分配参数，然后通过贡献分配参数对每一调试误差结果进行权值分配计算，并将各个计算结果求和，基于获得的综合误差结果调节生产监测网络的网络参变量，得到调节优化后的生产监测网络。因为第二批注信息中不具有偏误批注信息，这样一来，确定的每一调试误差结果对应的贡献分配参数可以防止偏误批注信息对生产监测网络的调试过程进行
扰动，调节获得的生产监测网络具备更好的性能，输出准确可靠的生产状态分析结果，增加了生产监测网络的分析准确性。此外，第一生产监测数据集的个数大于第二生产监测数据集的个数，使得调试过程对于调试样本的数量需求降低，调试的速度更快，节约了计算开销。
84.进一步而言，通过获取多个包含第一批注信息的第一生产监测数据集和多个包含第二批注信息的第二生产监测数据集，同时第一生产监测数据集的个数大于第二生产监测数据集的个数，因为第二生产监测数据集的批注信息概率变量更加精准，则其批注信息难度更大；第一生产监测数据集的批注信息概率变量被允许具有一定偏误，则其批注信息难度较小，通过收集较多数量但是批注难度小的第一生产监测数据集，并收集较少数量但是批注难度大的第二生产监测数据集，对生产监测网络进行调试优化，因为批注难度高的第二生产监测数据集数量变少，以此可以降低调试的开销，提升调试优化的速度。
85.进一步而言，依据第一生产监测数据集的第一批注信息和对应的异常生产概率变量，确定第一生产监测数据集对应的调试误差结果，有利于根据调试误差结果确定综合误差结果，以基于综合误差结果对生产监测网络进行调试优化。
86.进一步而言，基于不具有偏误批注信息的第二生产监测数据集进行指示，得到和每一调试误差结果对应的贡献分配参数，再将每个调试误差结果与对应的贡献分配参数进行权值分配计算（将每个调试误差结果乘以对应的贡献分配参数），并将各个计算结果求和，得到的综合误差结果，可以有效地解决偏误批注信息对生产监测网络调试过程的扰动，最终调试获得的生产监测网络具备更准确可靠的分析能力，得到的生产状态分析结果更加准确，帮助对生产监测提供有力贡献。
87.进一步而言，采取配置至少两个预设评估值与截取生产监测数据集的异常生产概率变量进行对比，预设评估值的个数和截取生产监测数据集的分析准确性正向关联，个数越多，截取生产监测数据集的细致程度越高，将截取生产监测数据集的异常生产状态级别细分，可以杜绝截取二分类对截取生产监测数据集分析不准确，截取生产监测数据集的分类更加精准。
88.进一步而言，通过配置第一预设评估值和第二预设评估值将不同的异常生产概率变量的截取生产监测数据集区分为具有高度异常生产状态、具有低度异常生产状态和不具有异常生产状态三类，可以对不同异常生产概率变量的生产监测数据集进行良好的区分，增加分析的精确度。
89.进一步而言，因为截取生产监测数据集为对拟分析水性丙烯酸树脂生产线的不同生产节点进行截取，则截取生产监测数据集的异常状态等级可以反映拟分析水性丙烯酸树脂生产线的异常状态等级，采取对具有高度异常生产状态的截取生产监测数据集、具有低度异常生产状态的截取生产监测数据集和不具有异常生产状态的截取生产监测数据集的个数各自进行确定，如果具有高度异常生产状态的截取生产监测数据集的个数大于预设个数，则将拟分析水性丙烯酸树脂生产线确定为具有高度异常生产状态的水性丙烯酸树脂生产线；如果具有低度异常生产状态的截取生产监测数据集的个数大于预设个数，则将拟分析水性丙烯酸树脂生产线确定为具有低度异常生产状态的水性丙烯酸树脂生产线；如果不具有异常生产状态的截取生产监测数据集的个数大于预设个数，则将拟分析水性丙烯酸树脂生产线确定为不具有异常生产状态的水性丙烯酸树脂生产线。基于上述过程，采取不同
截取生产监测数据集的个数对拟分析水性丙烯酸树脂生产线的异常状态等级进行区分，可以增加拟分析水性丙烯酸树脂生产线的生产状态分类合理性和精准性。
90.基于与图1中所示方法相同的原理，本技术实施例中还提供了一种大数据分析装置10，如图3所示，该装置10包括：数据获取模块11，用于响应于生产监测命令，从工业大数据系统中获取生产监测数据集，所述生产监测数据集为边缘层采集到的水性丙烯酸树脂生产线端层的水性丙烯酸树脂生产数据。
91.网络调用模块12，用于将所述生产监测数据集加载至预设的生产监测网络，所述生产监测网络通过扰动抑制策略进行训练得到。
92.状态分析模块13，用于基于所述生产监测网络对所述生产监测数据集进行分析，得到所述生产监测数据集对应的生产状态分析结果。
93.网络调试模块14，用于对所述生产监测网络进行调试，所述生产监测网络的调试过程包括：获取多个包含第一批注信息的第一生产监测数据集和多个包含第二批注信息的第二生产监测数据集；其中，多个所述第一批注信息中具有偏误批注信息，多个所述第二批注信息中不具有偏误批注信息，所述第一生产监测数据集的个数大于所述第二生产监测数据集的个数；基于待调试的生产监测网络对每一所述第一生产监测数据集分别进行生产状态分析，得到每一所述第一生产监测数据集的异常生产概率变量，所述异常生产概率变量表征所述第一生产监测数据集对应的水性丙烯酸树脂生产线具有异常生产状态的概率评估结果；基于每一所述第一生产监测数据集的第一批注信息和对应的所述异常生产概率变量，确定每一所述第一生产监测数据集对应的调试误差结果；依据所述多个包含第二批注信息的第二生产监测数据集，确定每一所述调试误差结果对应的贡献分配参数，然后通过确定的所述贡献分配参数对每一所述调试误差结果进行权值分配计算，并将各个计算结果求和，得到综合误差结果；依据所述综合误差结果，调节所述生产监测网络的网络参变量。
94.上述实施例从虚拟模块的角度介绍了大数据分析装置10，下述从实体模块的角度介绍一种大数据分析系统，具体如下所示：本技术实施例提供了一种大数据分析系统，如图4所示，大数据分析系统100包括：处理器101和存储器103。其中，处理器101和存储器103相连，如通过总线102相连。可选地，大数据分析系统100还可以包括收发器104。需要说明的是，实际应用中收发器104不限于一个，该大数据分析系统100的结构并不构成对本技术实施例的限定。
95.处理器101可以是cpu，通用处理器，gpu，dsp，asic，fpga或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器101也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。
96.总线102可包括一通路，在上述组件之间传送信息。总线102可以是pci总线或eisa总线等。总线102可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
97.存储器103可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom、cd-rom或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质
或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
98.存储器103用于存储执行本技术方案的应用程序代码，并由处理器101来控制执行。处理器101用于执行存储器103中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
99.本技术实施例提供了一种大数据分析系统，本技术实施例中的大数据分析系统包括：一个或多个处理器；存储器；一个或多个计算机程序，其中一个或多个计算机程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序被处理器执行时，实现以上所述的应用于水性丙烯酸树脂生产监测的大数据分析方法。本技术所提供的技术方案，通过响应于生产监测命令，从工业大数据系统中获取生产监测数据集，所述生产监测数据集为边缘层采集到的水性丙烯酸树脂生产线端层的水性丙烯酸树脂生产数据，将所述生产监测数据集加载至预设的生产监测网络，所述生产监测网络通过扰动抑制策略进行训练得到，基于所述生产监测网络对所述生产监测数据集进行分析，得到所述生产监测数据集对应的生产状态分析结果。该生产监测网络的调试过程包括：获取多个包含第一批注信息的第一生产监测数据集和多个包含第二批注信息的第二生产监测数据集；其中，多个所述第一批注信息中具有偏误批注信息，多个所述第二批注信息中不具有偏误批注信息，所述第一生产监测数据集的个数大于所述第二生产监测数据集的个数；基于待调试的生产监测网络对每一所述第一生产监测数据集分别进行生产状态分析，得到每一所述第一生产监测数据集的异常生产概率变量，所述异常生产概率变量表征所述第一生产监测数据集对应的水性丙烯酸树脂生产线具有异常生产状态的概率评估结果；基于每一所述第一生产监测数据集的第一批注信息和对应的所述异常生产概率变量，确定每一所述第一生产监测数据集对应的调试误差结果；依据所述多个包含第二批注信息的第二生产监测数据集，确定每一所述调试误差结果对应的贡献分配参数，然后通过确定的所述贡献分配参数对每一所述调试误差结果进行权值分配计算，并将各个计算结果求和，得到综合误差结果；依据所述综合误差结果，调节所述生产监测网络的网络参变量。本技术实施例提供的应用于水性丙烯酸树脂生产监测的大数据分析方法及系统，采取基于扰动抑制策略训练获得的生产监测网络进行异常生产状态分析识别，分析结果准确可靠，帮助对水性丙烯酸树脂生产进行自动化高精度监测。其中，生产监测网络的调试过程中，依据多个包含第二批注信息的第二生产监测数据集，确定每一调试误差结果对应的贡献分配参数，然后通过贡献分配参数对各调试误差结果进行权值分配计算，并将各个计算结果求和，基于获得的综合误差结果调节生产监测网络的网络参变量，得到调节后的生产监测网络。因为第二批注信息中不具有偏误批注信息，基于此确定的每一调试误差结果对应的贡献分配参数可以有效避免偏误批注信息对生产监测网络优化过程的扰动，如此调节后的生产监测网络能够产生准确可靠的生产状态分析结果，从而增加生产监测网络的分析能力，提升准确性，此外，因为第一生产监测数据集的个数大于第二生产监测数据集的个数，基于此，调试过程中对调试样本的依赖变少，调试的速度得到有效提升。
100.本技术实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当计算机程序在处理器上运行时，使得处理器可以执行前述方法实施例中相应的内容。
101.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
102.以上所述仅是本技术的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。