基于流量数据的3D打印异常分析方法及系统与流程
本发明涉及数据处理，尤其涉及一种基于流量数据的3d打印异常分析方法及系统。
背景技术：
1、随着3d打印技术的发展和人们对于3d打印的需求的提高，越来越多的3d打印设备或者服务机构开始尝试采用多个喷头或多个3d打印设备实现打印农场的方式进行打印服务的提供，其可以高效地实现大量的3d打印任务。但现有技术在实现这类技术时，在对大量的3d打印任务同时执行的场景进行异常监控时，往往仅是通过单个设备自带的异常监控功能来监控，没有考虑到利用多个打印喷头的实时流量数据和数据传输记录，以及结合多个打印设备之间的任务关联来对其中的特定打印设备的任务执行异常进行准确的分析，因此在实现对大数据传输场景下的3d打印异常分析时，现有技术的效率较低且成本过高。可见，现有技术存在缺陷，亟待解决。
技术实现思路
1、本发明所要解决的技术问题在于，提供一种基于流量数据的3d打印异常分析方法及系统，能够在大数据量和大规模3d打印场景下实现更加低成本和高效的打印设备异常分析，提高大规模3d打印的稳定性，减少打印出错。
2、为了解决上述技术问题，本发明第一方面公开了一种基于流量数据的3d打印异常分析方法，所述方法包括：
3、获取正在执行同一打印任务的多个3d打印设备的打印喷头的实时流量数据和每一所述3d打印设备的数据传输记录；
4、根据所述实时流量数据，以及所述打印任务对应的任务信息，确定每一所述3d打印设备对应的打印进度信息；
5、根据所有所述3d打印设备的所述数据传输记录以及所述打印进度信息，从所有所述3d打印设备中筛选出异常打印设备；
6、根据神经网络算法，以及所述异常打印设备的所述数据传输记录和所述实时流量数据，预测所述异常打印设备的异常原因。
7、作为一个可选的实施方式，在本发明第一方面中，所述任务信息包括任务内容、任务名称、任务对应三维数据和任务发起方。
8、作为一个可选的实施方式，在本发明第一方面中，所述根据所述实时流量数据，以及所述打印任务对应的任务信息，确定每一所述3d打印设备对应的打印进度信息，包括：
9、对于每一所述3d打印设备，将该3d打印设备的设备信息和所述打印任务对应的任务信息，输入至训练好的预测算法模型，得到该3d打印设备对应的流量和打印进度对应关系；
10、根据该3d打印设备的所述实时流量数据，以及对应的所述流量和打印进度对应关系，确定该3d打印设备对应的打印进度信息。
11、作为一个可选的实施方式，在本发明第一方面中，所述预测算法模型为ltsm网络，通过包括有多个训练3d打印设备的设备信息标注、打印流量数据和进度的对应关系标注、打印任务信息标注的训练数据集训练得到。
12、作为一个可选的实施方式，在本发明第一方面中，所述根据所有所述3d打印设备的所述数据传输记录以及所述打印进度信息，从所有所述3d打印设备中筛选出异常打印设备，包括：
13、对于每一所述3d打印设备，根据该3d打印设备对应的所述数据传输记录，确定该3d打印设备对应的打印起始时间和打印数据来源设备；
14、根据所述打印起始数据和该3d打印设备对应的所述打印进度信息，确定该3d打印设备对应的进度落后参数；
15、根据该3d打印设备的所述数据传输记录中与所述打印数据来源设备之间的通信记录，确定该3d打印设备对应的通信异常参数；
16、计算所述进度落后参数和所述通信异常参数之间的和，得到该3d打印设备对应的异常参数；
17、将所述异常参数大于预设的参数阈值的所有所述3d打印设备，确定为异常打印设备。
18、作为一个可选的实施方式，在本发明第一方面中，所述根据该3d打印设备的所述数据传输记录中与所述打印数据来源设备之间的通信记录，确定该3d打印设备对应的通信异常参数，包括：
19、计算该3d打印设备的所述数据传输记录中与所述打印数据来源设备之间的通信记录里数据传输失败的记录占比，得到第一占比参数；
20、计算该3d打印设备的所述数据传输记录中与所述打印数据来源设备之间的通信记录里数据接收等待失败的记录占比，得到第二占比参数；
21、计算所述第一占比参数和所述第二占比参数的加权求和平均值，得到该3d打印设备对应的通信异常参数。
22、作为一个可选的实施方式，在本发明第一方面中，所述根据神经网络算法，以及所述异常打印设备的所述数据传输记录和所述实时流量数据，预测所述异常打印设备的异常原因，包括：
23、对于任一所述异常打印设备，根据该异常打印设备的设备信息，在多个候选的神经网络中筛选出目标预测神经网络；
24、将该异常打印设备的所述数据传输记录和多个历史时间点的所述实时流量数据，输入至所述目标预测神经网络中，以得到所述异常打印设备的异常原因；所述目标预测神经网络通过包括有多个训练数据传输记录和流量记录以及对应的异常原因标注的训练数据集训练得到。
25、作为一个可选的实施方式，在本发明第一方面中，所述根据该异常打印设备的设备信息，在多个候选的神经网络中筛选出目标预测神经网络，包括：
26、对于每一候选的神经网络，计算该候选的神经网络的训练数据集中的训练设备信息标注和该异常打印设备的设备信息之间的信息相似度；
27、将所有所述候选的神经网络中所述信息相似度最高的神经网络，确定为目标预测神经网络。
28、本发明实施例第二方面公开了一种基于流量数据的3d打印异常分析系统，所述系统包括：
29、获取模块，用于获取正在执行同一打印任务的多个3d打印设备的打印喷头的实时流量数据和每一所述3d打印设备的数据传输记录；
30、确定模块，用于根据所述实时流量数据，以及所述打印任务对应的任务信息，确定每一所述3d打印设备对应的打印进度信息；
31、筛选模块，用于根据所有所述3d打印设备的所述数据传输记录以及所述打印进度信息，从所有所述3d打印设备中筛选出异常打印设备；
32、预测模块，用于根据神经网络算法，以及所述异常打印设备的所述数据传输记录和所述实时流量数据，预测所述异常打印设备的异常原因。
33、作为一个可选的实施方式，在本发明第二方面中，所述任务信息包括任务内容、任务名称、任务对应三维数据和任务发起方。
34、作为一个可选的实施方式，在本发明第二方面中，所述确定模块根据所述实时流量数据，以及所述打印任务对应的任务信息，确定每一所述3d打印设备对应的打印进度信息的具体方式，包括：
35、对于每一所述3d打印设备，将该3d打印设备的设备信息和所述打印任务对应的任务信息，输入至训练好的预测算法模型，得到该3d打印设备对应的流量和打印进度对应关系；
36、根据该3d打印设备的所述实时流量数据，以及对应的所述流量和打印进度对应关系，确定该3d打印设备对应的打印进度信息。
37、作为一个可选的实施方式，在本发明第二方面中，所述预测算法模型为ltsm网络，通过包括有多个训练3d打印设备的设备信息标注、打印流量数据和进度的对应关系标注、打印任务信息标注的训练数据集训练得到。
38、作为一个可选的实施方式，在本发明第二方面中，所述筛选模块根据所有所述3d打印设备的所述数据传输记录以及所述打印进度信息，从所有所述3d打印设备中筛选出异常打印设备的具体方式，包括：
39、对于每一所述3d打印设备，根据该3d打印设备对应的所述数据传输记录，确定该3d打印设备对应的打印起始时间和打印数据来源设备；
40、根据所述打印起始数据和该3d打印设备对应的所述打印进度信息，确定该3d打印设备对应的进度落后参数；
41、根据该3d打印设备的所述数据传输记录中与所述打印数据来源设备之间的通信记录，确定该3d打印设备对应的通信异常参数；
42、计算所述进度落后参数和所述通信异常参数之间的和，得到该3d打印设备对应的异常参数；
43、将所述异常参数大于预设的参数阈值的所有所述3d打印设备，确定为异常打印设备。
44、作为一个可选的实施方式，在本发明第二方面中，所述筛选模块根据该3d打印设备的所述数据传输记录中与所述打印数据来源设备之间的通信记录，确定该3d打印设备对应的通信异常参数的具体方式，包括：
45、计算该3d打印设备的所述数据传输记录中与所述打印数据来源设备之间的通信记录里数据传输失败的记录占比，得到第一占比参数；
46、计算该3d打印设备的所述数据传输记录中与所述打印数据来源设备之间的通信记录里数据接收等待失败的记录占比，得到第二占比参数；
47、计算所述第一占比参数和所述第二占比参数的加权求和平均值，得到该3d打印设备对应的通信异常参数。
48、作为一个可选的实施方式，在本发明第二方面中，所述预测模块根据神经网络算法，以及所述异常打印设备的所述数据传输记录和所述实时流量数据，预测所述异常打印设备的异常原因的具体方式，包括：
49、对于任一所述异常打印设备，根据该异常打印设备的设备信息，在多个候选的神经网络中筛选出目标预测神经网络；
50、将该异常打印设备的所述数据传输记录和多个历史时间点的所述实时流量数据，输入至所述目标预测神经网络中，以得到所述异常打印设备的异常原因；所述目标预测神经网络通过包括有多个训练数据传输记录和流量记录以及对应的异常原因标注的训练数据集训练得到。
51、作为一个可选的实施方式，在本发明第二方面中，所述预测模块根据该异常打印设备的设备信息，在多个候选的神经网络中筛选出目标预测神经网络的具体方式，包括：
52、对于每一候选的神经网络，计算该候选的神经网络的训练数据集中的训练设备信息标注和该异常打印设备的设备信息之间的信息相似度；
53、将所有所述候选的神经网络中所述信息相似度最高的神经网络，确定为目标预测神经网络。
54、本发明第三方面公开了另一种基于流量数据的3d打印异常分析系统，所述系统包括：
55、存储有可执行程序代码的存储器；
56、与所述存储器耦合的处理器；
57、所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于流量数据的3d打印异常分析方法中的部分或全部步骤。
58、本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于流量数据的3d打印异常分析方法中的部分或全部步骤。
59、与现有技术相比，本发明实施例具有以下有益效果：
60、本发明能够基于多个3d打印设备的打印喷头的实时流量数据确定每一打印设备的打印进度，再基于打印进度和数据传输记录筛选出异常打印设备，以最终根据神经网络算法精确预测异常打印设备的异常原因，从而能够在大数据量和大规模3d打印场景下实现更加低成本和高效的打印设备异常分析，提高大规模3d打印的稳定性，减少打印出错。
技术特征：
1.一种基于流量数据的3d打印异常分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于流量数据的3d打印异常分析方法，其特征在于，所述任务信息包括任务内容、任务名称、任务对应三维数据和任务发起方。
3.根据权利要求1所述的基于流量数据的3d打印异常分析方法，其特征在于，所述根据所述实时流量数据，以及所述打印任务对应的任务信息，确定每一所述3d打印设备对应的打印进度信息，包括：
4.根据权利要求3所述的基于流量数据的3d打印异常分析方法，其特征在于，所述预测算法模型为ltsm网络，通过包括有多个训练3d打印设备的设备信息标注、打印流量数据和进度的对应关系标注、打印任务信息标注的训练数据集训练得到。
5.根据权利要求1所述的基于流量数据的3d打印异常分析方法，其特征在于，所述根据所有所述3d打印设备的所述数据传输记录以及所述打印进度信息，从所有所述3d打印设备中筛选出异常打印设备，包括：
6.根据权利要求5所述的基于流量数据的3d打印异常分析方法，其特征在于，所述根据该3d打印设备的所述数据传输记录中与所述打印数据来源设备之间的通信记录，确定该3d打印设备对应的通信异常参数，包括：
7.根据权利要求1所述的基于流量数据的3d打印异常分析方法，其特征在于，所述根据神经网络算法，以及所述异常打印设备的所述数据传输记录和所述实时流量数据，预测所述异常打印设备的异常原因，包括：
8.根据权利要求7所述的基于流量数据的3d打印异常分析方法，其特征在于，所述根据该异常打印设备的设备信息，在多个候选的神经网络中筛选出目标预测神经网络，包括：
9.一种基于流量数据的3d打印异常分析系统，其特征在于，所述系统包括：
10.一种基于流量数据的3d打印异常分析系统，其特征在于，所述系统包括：
技术总结
本发明公开了一种基于流量数据的3D打印异常分析方法及系统，该方法包括：获取正在执行同一打印任务的多个3D打印设备的打印喷头的实时流量数据和每一所述3D打印设备的数据传输记录；根据所述实时流量数据，以及所述打印任务对应的任务信息，确定每一所述3D打印设备对应的打印进度信息；根据所有所述3D打印设备的所述数据传输记录以及所述打印进度信息，从所有所述3D打印设备中筛选出异常打印设备；根据神经网络算法，以及所述异常打印设备的所述数据传输记录和所述实时流量数据，预测所述异常打印设备的异常原因。可见，本发明能够在大数据量和大规模3D打印场景下实现更加低成本和高效的打印设备异常分析，提高大规模3D打印的稳定性，减少打印出错。
技术研发人员：何桂华,洪英盛
受保护的技术使用者：深圳市智能派科技有限公司
技术研发日：
技术公布日：2024/9/23