[发明专利]一种使用矩阵广义逆来分批次提取产品数据特征的方法

说明书

本发明公开了一种使用矩阵广义逆来分批次提取产品数据特征的方法，所述的方法基于某一产品生产过程的分批次的分析和化验结果，在对相应的样本进行特征提取和数据降维之后，可以过滤掉在数据采集时由于随机因素引起的数据扰动，并且使用数据的本征特征来代表数据，具有结果的稳定性；同时，本方法采用分批次的更新方式，计算的时间复杂度和空间复杂度较低。

技术领域

本发明涉及产品信息分析处理技术领域，尤其是一种使用矩阵广义逆来分批次提取产品数据特征的方法。

背景技术

在工业生产的过程中，生产过程长，并且存在着持续生产；生产工艺不仅在开始生产之前要进行计算和优化，而且还要在生产的过程中不断完善和优化。但是，由于生产模型的复杂性，在进行了小批量生产过程之后，如果每次都将基础模型全部更新一遍，设计的计算量和计算误差将会特别的大。所以必须设计一种将模型局部微调和系统全部调整相结合的模型更新方法。

在模型的计算过程中，数据的条数和属性的个数，是影响模型运算最主要的数量因素，而在生产过程中新增加的数据，主要可以归结为条数和属性的增加。

如在进行机器人焊接过程中，存在着电流和电压的随机波动，如何在随机波动的电流电压和机器人焊接的建立相关关系，这部分首先要进行工业模型解析。工业模型的解析，就是基本还原工业机理的数学模型，然后依据工业机器人的设计理念，对机器焊接中控制失败的场景做分析。主要是分析波动的不稳定性和波动的变化的非规律性，从中提取出相关的参数，利用参数进行有监督和无监督的判断，从而对焊接异常情况做分辨。

在进行玻璃生产的工艺过程中，生产系统的传感器会定期的将生产过程中的参数传递到计算机后台，后台会根据导入的数据，构建生产数据的模型，然后根据过去生产过程中产品的类别，对生产产品的质量和性质进行预判。这样，就可以基于已有的生产数据，对生产结果的相关性进行分析，从而降低了后期人工进行检验的工作量。

在生产过程中，玻璃生产的中间产品，受生产过程、原料特征、人员操作等影响，会形成不同的品质特征。在下一步的生产过程中，需要根据上一步生产的产品结果，决定下一步生产的工艺类型选择和目标制造方向。在生产过程中使用本方法，可以对每一批次提取的数据做数据特征分析，并且不用每批都把全量数据重新计算一遍，而只需要计算新增加的数据对于原数据集合的改变，从而能够快速的以近实时批次的方式进行下阶段生产干预，提高生产效率。

但是，对于已经存在的海量数据，新增加的数据可能缺乏新颖性，即新增加的数据可以由过去的数据通过线性变换而得到，所以只需要调整模型的内部参数就可以进行模型调优，而不需要进行大规模的模型基础结构调整。

同时在模型计算过程中，存在着非方阵的矩阵求逆的问题，这个在矩阵论里面是采用广义逆的方式来实现的；广义逆的使用，避免了求解线性矩阵方程组的繁琐运算，意义明确简练，可以很好的在不求解的情况下评估运算量。

在模型的基础分析过程里，进行奇异值分解也是核心的步骤，在这一步骤中，利用矩阵向量空间旋转、拉伸、旋转的特点，在特征空间上描述原矩阵的数据特点，从而可以使用向量的本征维度来刻画向量，进而能够获得数据的维度特征。

在这一过程中的处理困难主要包括以下几个方面：

(1)数据采集的维度有部分缺失，这些部分缺失的数据，如果全部丢弃，则会造成数据资源的浪费。

(2)海量数据进行一次性特征计算，计算量很大，计算机的空间资源和时间资源占用都比较大。

(3)每批新增数据的新颖性很低，不需要进行全局运算。

(4)在分解存量模型和定期更新模型的过程中，模型之间的相互依赖矩阵耦合性较高，不容易进行分解。

(5)不容易判别存量模型什么时候发生重大改变，需要进行更新；而什么时候存量模型可以保持原来的结构。