CN109754014A - 工业模型训练方法、装置、设备及介质 - Google Patents

Abstract

本发明提供了一种工业模型训练方法、装置、设备及介质，包括获取工业模型及训练数据，配置工业模型的初始参数；将训练数据输配置到所述工业模型中，对工业模型进行训练，得到训练结果；判断训练结果是否满足预设的条件，若不满足，则根据训练结果调整工业模型的参数，对调整参数之后的工业模型进行再训练，直到训练结果满足预设的条件。本发明提供的一种工业模型训练方法，使用训练数据对工业模型进行训练，在训练的过程中不断的调整工业模型的参数，不断提高工业模型的精确度，使得训练后的工业模型收敛，且适用于工业领域，该方法具有普遍性，能够应用于各个工业领域，且通过更新训练数据能及时的对工业模型进行更新。

Description

工业模型训练方法、装置、设备及介质

技术领域

本发明涉及工业互联网技术领域，尤其是涉及一种工业模型训练方法、装置、设备及介质。

背景技术

随着工业互联网的飞速发展，工业领域的知识库、模型库、机理模型以及工艺流程等企业的数字资产在呈级数增长，在现有技术中，企业主要靠各种各样的信息化系统去管理这些数字资产，但是没有统一的体系进行统一管理，各个信息化系统的数据彼此分离，且没有合适的方式让企业的数字资产变成企业的技术传承和经验的迭代更新。同时，目前没有一个比较完善的方案将企业的数字资产进行商业化，变成可以自由交易或者转让的商业模式。因此，企业的数字资产既不能形成可以循环利用、不断提升技术水平的企业经验，也不利于数字资产的商业化，进而发挥其市场价值，进一步的也不利于企业的数字资产的保存和流传。

目前，工业模型能够将工业领域的各类生产制造、工艺流程、经营理念、管理经验等各种无形的数字资产转换成标准的模型，实现对数字资产的管理，在工业模型构建之后需要对该工业模型进行训练，现有技术中，对工业模型进行训练的方法不具有普遍性，只能满足固定产品生产的需求，且不能及时的对工业模型进行训练，使得工业模型长时间不能得到有效的更新。

发明内容

有鉴于此，本发明的目的在于提供一种工业模型训练方法、装置、设备及介质，以缓解现有技术中存在的对工业模型进行训练的方法不具有普遍性，只能满足固定产品生产的需求，且不能及时的对工业模型进行训练，使得工业模型长时间不能得到有效的更新的技术问题。

第一方面，本发明实施例提供了一种工业模型训练方法，所述方法包括：

获取工业模型及训练数据，配置所述工业模型的初始参数；

将所述训练数据配置到所述工业模型中，对所述工业模型进行训练，得到训练结果；

判断所述训练结果是否满足预设的条件，若不满足，则根据所述训练结果调整所述工业模型的参数，对调整参数之后的所述工业模型进行再训练，直到所述训练结果满足预设的条件。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述训练数据包括测试数据和处理结果，所述将所述训练数据输入到所述工业模型中，对所述工业模型进行训练，得到训练结果，包括：

获取所述工业模型及对应的测试数据；

将所述测试数据配置到所述工业模型中，所述工业模型调用预先设置的多个算法分别对所述测试数据进行计算，得到多个计算结果；

分析所述测试数据的多个计算结果以及对应的处理结果，选择计算结果中准确率最高的算法作为所述工业模型的基准算法，并将所述基准算法计算得到的计算结果作为所述训练结果。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述获取工业模型及训练数据，包括：

根据所述工业模型，获取多个不同特征的数据；

将所述数据进行排列，形成矩阵模型；

对所述矩阵模型进行弹性分布式数据集(Resilient Distributed Datasets，RDD)数据序列化处理，对所述矩阵模型的RDD进行关联分析，选择关联度小于预设关联度值的矩阵模型的RDD进行组合，得到所述工业模型对应的所述训练数据。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，在所述对所述工业模型进行训练之后，得到训练结果之前，所述方法还包括：

获取所述工业模型的执行情况；

根据预设的消息机制，将所述执行情况发送给对应的用户；

用户根据所述执行情况对所述工业模型的执行状态进行更改。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述方法还包括：

当多个用户同时调用一个工业模型时，复制所述工业模型形成多个相同的工业模型副本；

将每一所述工业模型副本运行的空间虚拟化为一独立的训练容器，一个工业模型副本对应一个训练容器；

对所述工业模型副本进行训练时，所述多个用户分别将对应的训练数据输入到对应的训练容器中，对所述工业模型副本进行训练。

第二方面，本发明实施例还提供一种工业模型训练装置，所述装置包括：

获取模块，用于获取工业模型及训练数据，配置所述工业模型的初始参数；

训练模块，用于将所述训练数据配置到所述工业模型中，对所述工业模型进行训练，得到训练结果；

条件判断模块，用于判断所述训练结果是否满足预设的条件，若不满足，则根据所述训练结果调整所述工业模型的参数，对调整参数之后的所述工业模型进行再训练，直到所述训练结果满足预设的条件。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述训练数据包括测试数据和处理结果，所述训练模块具体用于：

获取所述工业模型及对应的测试数据；

将所述测试数据输入到所述工业模型中，所述工业模型调用预先设置的多个算法分别对所述测试数据进行计算，得到多个计算结果；

分析所述测试数据的多个计算结果以及对应的处理结果，选择计算结果中准确率最高的算法作为所述工业模型的基准算法，并将所述基准算法计算得到的计算结果作为所述训练结果。

结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，所述获取模块具体用于：

根据所述工业模型，获取多个不同特征的数据；

将所述数据进行排列，形成矩阵模型；

对所述矩阵模型进行弹性分布式数据集RDD数据序列化处理，对所述矩阵模型的RDD进行关联分析，选择关联度小于预设关联度值的矩阵模型的RDD进行组合，得到所述工业模型对应的所述训练数据。

第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法的步骤。

本发明实施例带来了以下有益效果：本发明提供了一种工业模型训练方法、装置、设备及介质，工业模型训练方法包括：获取工业模型及训练数据，配置工业模型的初始参数；将训练数据配置到所述工业模型中，对工业模型进行训练，得到训练结果；判断训练结果是否满足预设的条件，若不满足，则根据训练结果调整工业模型的参数，对调整参数之后的工业模型进行再训练，直到训练结果满足预设的条件。本发明提供的一种工业模型训练方法，使用训练数据对工业模型进行训练，在训练的过程中不断的调整工业模型的参数，不断提高工业模型的精确度，使得训练后的工业模型收敛，且适用于工业领域，该方法具有普遍性，能够应用于各个工业领域，且通过更新训练数据能及时的对工业模型进行更新，缓减了现有技术中，存在的对工业模型进行训练的方法不具有普遍性，只能满足固定产品生产的需求，且不能及时的对工业模型进行训练，使得工业模型长时间不能得到有效的更新的技术问题。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。

图1为本发明实施例提供的一种工业模型训练方法的流程图；

图2为本发明实施例提供的另一种工业模型训练方法的流程图；

图3为本发明实施例提供的一种工业模型训练装置的结构示意图；

图4为本发明实施例提供的一种计算机设备400结构示意图。

图标：31-获取模块；32-训练模块；33-条件判断模块；400-计算机设备；401-存储器；402-处理器。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前现有技术中，对工业模型进行训练的方法不具有普遍性，只能满足固定产品生产的需求，且不能及时的对工业模型进行训练，使得工业模型长时间不能得到有效的更新，基于此，本发明实施例提供的一种工业模型训练方法及装置，可以缓解现有技术中存在的对工业模型进行训练的方法不具有普遍性，只能满足固定产品生产的需求，且不能及时的对工业模型进行训练，使得工业模型长时间不能得到有效的更新的技术问题，提高了工业模型训练的效率，进一步提升了工业模型的可靠性、高效性和可用性。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种工业模型训练方法进行详细介绍。

实施例一：

本发明实施例提供了一种工业模型训练方法，参见图1所示的一种工业模型训练方法的流程图，该方法包括：

步骤S101：获取工业模型及训练数据，配置工业模型的初始参数；

具体的，参见图2所示的另一种工业模型训练方法的流程图，该步骤包括：

步骤S1011：根据工业模型，获取多个不同特征的数据；

具体的，例如，若该工业模型要对房地产行业的数字资产进行处理，获取的不同特征数据可以为：使用面积、占地面积、格局、楼层等。

步骤S1012：将数据进行排列，形成矩阵模型；

具体的，将获取的多个数据进行排列时，以数据的特征作为列，数据的具体数值作为行，形成矩阵模型，例如，将获取的使用面积、占地面积、格局、楼层进行排列后，第一列可以为使用面积，第二列为占地面积，第三列为格局，第四列为楼层，使用面积、占地面积、格局、楼层对应的具体数值为行，构成矩阵模型。

步骤S1013：对矩阵模型进行弹性分布式数据集(ResilientDistributedDatasets，RDD)数据序列化处理，对矩阵模型的RDD进行关联分析，选择关联度小于预设关联度值的矩阵模型的RDD进行组合，得到工业模型对应的训练数据。

具体的，通过训练好的算法对矩阵模型的RDD的特征进行分析，判断矩阵模型的RDD的特征的关联度，例如，判断第一特征对应的RDD与第二特征对应的RDD的关联度，若该关联度大于预设关联度值，则认为第一特征对应的RDD与第二特征对应的RDD可以相互替代，使用第一特征对应的RDD与第二特征对应的RDD组合得到的训练数据对工业模型进行训练时，会使得工业模型的训练结果不准确，因此，获取训练数据时，对矩阵模型的RDD进行关联分析，对训练数据进行筛选优化，提高了工业模型训练结果的准确率。

进一步的，获取训练数据时，可以获取多个不同的训练数据，将不同的训练数据进行联合分析，从中选出最优的训练数据对工业模型的进行训练，提高了工业模型训练的准确率，其中最优的训练数据为数据特征的关联度最低的训练数据。

步骤S102：将训练数据配置到工业模型中，训练数据对工业模型进行训练，得到工业模型的训练结果；

训练数据包括测试数据和处理结果，具体的，该步骤包括：

步骤S1021：获取工业模型及对应的测试数据；

该测试数据用于对工业模型进行测试，且测试数据中对应的标注了处理结果。

步骤S1022：将测试数据配置到工业模型中，工业模型调用预先设置的多个算法分别对测试数据进行计算，得到多个计算结果；

具体的，多个算法分别对测试数据进行处理，得到多个计算结果。

步骤S1023：分析测试数据的多个计算结果以及对应的处理结果，选择计算结果中准确率最高的算法作为工业模型的基准算法，并将基准算法计算得到的计算结果作为所述训练结果。

将每个算法得到的计算结果与处理结果进行统计分析，得到该算法对应的计算结果的准确率，以此类推，统计分析得到预先设置的多个算法中每个算法的准确率，选择准确率最高的算法作为工业模型的基准算法，并将基准算法计算得到的计算结果作为训练结果。

步骤S103：判断训练结果是否满足预设的条件，若不满足，则根据训练结果调整所述工业模型的参数，对调整参数之后的工业模型进行再训练，直到训练结果满足预设的条件。

具体的，工业模型的训练结果包括工业模型中基准算法的准确率，若该训练结果大于等于预定的值，则认为该训练结果满足预设的条件，则工业模型训练结束；若训练结果小于预定的值，则不满足预设条件，根据训练结果调整工业模型的参数，具体的，基于训练结果，工业模型可自动调整参数，对调整参数之后的工业模型进行再训练，再训练过程中，重新选择工业模型的基准算法，将重新选择的基准算法的计算结果作为工业模型的训练结果，直到训练结果满足预设的条件，通过不断的对工业模型进行训练，工业模型中的算法的准确率不断提升，工业模型的运行结果不断调整，提高了工业模型运行结果的精准程度。

本发明实施例通过提供了一种工业模型训练方法，其包括：获取工业模型及训练数据，配置工业模型的初始参数；将训练数据配置到所述工业模型中，对工业模型进行训练，得到训练结果；判断训练结果是否满足预设的条件，若不满足，则根据训练结果调整工业模型的参数，对调整参数之后的工业模型进行再训练，直到训练结果满足预设的条件。本发明提供的一种工业模型训练方法，使用训练数据对工业模型进行训练，在训练的过程中不断的调整工业模型的参数，不断提高工业模型的精确度，使得训练后的工业模型收敛，且适用于工业领域，该方法具有普遍性，能够应用于各个工业领域，且通过更新训练数据能及时的对工业模型进行更新，缓减了现有技术中，存在的对工业模型进行训练的方法不具有普遍性，只能满足固定产品生产的需求，且不能及时的对工业模型进行训练，使得工业模型长时间不能得到有效的更新的技术问题。

作为一个可选实施例，在对工业模型进行训练之后，得到训练结果之前，该工业模型训练方法还包括：

获取工业模型的执行情况；

本发明实施例中，执行情况包括：正在训练、报错、无反应等，工业模型训练过程中会生成模型任务列表，模型任务列表包括工业模型的执行情况及执行结果，当工业模型训练结束后，可以通过模型任务列表查看模型的执行结果。

根据预设的消息机制，将执行情况发送给对应的用户；

本发明实施例中，预设的消息机制包括事件注册机制及消息发布机制，事件注册机制用于将工业模型的执行情况发送给用户，消息发布机制用于将用户的指令发送给工业模型，通过预设的消息机制实现用户与工业模型的实时交互。

用户根据执行情况对工业模型的执行状态进行更改。

本发明实施例中，具体的，若执行情况为无反应，则用户接收到该执行情况后，发出停止运行的指令，当工业模型接收到停止的指令后停止训练。

本发明实施例中，执行状态包括运行方式、优先级等，运行方式包括一次调用、循环调用，具体的，工业模型调用算法时包括一次调用及循环调用，用户可以根据执行情况对运行方式进行更改；当工业模型调用预先设置的多个算法分别对测试数据进行计算时，对调用的算法设置不同的优先级，工业模型根据不同的优先级实现算法的先后调用。

作为一个可选实施例，该工业模型训练方法还包括：

当多个用户同时调用一个工业模型时，复制工业模型形成多个相同的工业模型副本；

本发明实施例中，多个用户同时调用一个工业模型进行训练时，用户之间的训练数据不同，为防止用户训练数据之间相互干扰，导致训练数据的信息泄露、数据丢失和工业模型的算法失效，需要对工业模型进行复制，形成多个不同的工业模型副本，为每一个用户提供一个工业模型副本。

将每一工业模型副本运行的空间虚拟化为一独立的训练容器，一个工业模型副本对应一个训练容器；

本发明实施例中，具体的，将每一工业模型副本运行的空间虚拟化为一独立的训练容器，一个工业模型副本对应一个训练容器，每个用户在对工业模型副本进行训练时，通过训练容器对用户资源进行隔离，不会造成用户资源之间的互相干扰，使得多个用户能够同时调用一个工业模型进行训练，用户资源包括训练数据、模型结果文件等。

对工业模型副本进行训练时，多个用户分别将对应的训练数据输入到对应的训练容器中，对工业模型副本进行训练。

本发明实施例中，若训练数据不同，则训练后得到的工业模型的参数不同，多个用户分别将对应的训练数据输入到对应的训练容器中，对工业模型副本进行训练，训练结束后得到参数不同的工业模型，参数不同的工业模型通过训练容器进行隔离，实现多用户多工业模型的同时运行。

实施例二：

在上述实施例的基础上，本发明实施例还提供了一种工业模型训练装置，如图3所示的是一种工业模型训练装置的结构示意图，该装置包括：

获取模块31，用于获取工业模型及训练数据，配置工业模型的初始参数；

训练模块32，用于将训练数据配置到工业模型中，对工业模型进行训练，得到训练结果；

条件判断模块33，用于判断训练结果是否满足预设的条件，若不满足，则根据训练结果调整工业模型的参数，对调整参数之后的工业模型进行再训练，直到训练结果满足预设的条件。

作为一个可选实施例，训练数据包括测试数据和处理结果，训练模块32具体用于：

获取工业模型及对应的测试数据；

将测试数据配置到工业模型中，工业模型调用预先设置的多个算法分别对测试数据进行计算，得到多个计算结果；

分析测试数据的多个计算结果以及对应的处理结果，选择计算结果中准确率最高的算法作为工业模型的基准算法，并将基准算法计算得到的计算结果作为所述训练结果。

作为一个可选实施例，所述获取模块31具体用于：

根据工业模型，获取多个不同特征的数据；

将数据进行排列，形成矩阵模型；

对矩阵模型进行弹性分布式数据集RDD数据序列化处理，对矩阵模型的RDD进行关联分析，选择关联度小于预设值的数据进行组合，得到工业模型对应的所述训练数据。

作为一个可选实施例，在对所述工业模型进行训练之后，得到训练结果之前，所述装置还包括：用户交互模块，该模块具体用于：

获取工业模型的执行情况；

根据预设的消息机制，将执行情况发送给对应的用户；

用户根据执行情况对工业模型的执行状态进行更改。

作为一个可选实施例，所述装置还包括：并发调用模块，该模块具体用于：

当多个用户同时调用一个工业模型时，复制工业模型形成多个相同的工业模型副本；

将每一工业模型副本运行的空间虚拟化为一独立的训练容器，一个工业模型副本对应一个训练容器；

对工业模型副本进行训练时，多个用户分别将对应的训练数据输入到对应的训练容器中，对工业模型副本进行训练。

本发明实施例提供的工业模型训练装置，与上述实施例提供的工业模型训练方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

对应于图1中的工业模型训练方法，本发明实施例还提供了一种计算机设备400，如图4所示，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述工业模型训练方法。

具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述工业模型训练方法，缓减了现有技术中对工业模型进行训练的方法不具有普遍性，只能满足固定产品生产的需求，且不能及时的对工业模型进行训练，使得工业模型长时间不能得到有效的更新的技术问题，其中，本申请通过提供一种工业模型训练方法，使用训练数据对工业模型进行训练，在训练的过程中不断的调整工业模型的参数，不断提高工业模型的精确度，使得训练后的工业模型适用于工业领域，该方法具有普遍性，能够应用于各个工业领域，且通过更新训练数据能及时的对工业模型进行更新。

对应于图1中的工业模型训练方法，本发明实施例还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，该计算机程序被处理器运行时执行上述工业模型训练方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述工业模型训练方法，解决了现有技术中存在的对工业模型进行训练的方法不具有普遍性，只能满足固定产品生产的需求，且不能及时的对工业模型进行训练，使得工业模型长时间不能得到有效的更新的技术问题，本申请通过提供一种工业模型训练方法，使用训练数据对工业模型进行训练，在训练的过程中不断的调整工业模型的参数，不断提高工业模型的精确度，使得训练后的工业模型适用于工业领域，该方法具有普遍性，能够应用于各个工业领域，且通过更新训练数据能及时的对工业模型进行更新。

本发明实施例所提供的进行工业模型训练方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本发明实施例所提供的工业模型训练装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种工业模型训练方法，其特征在于，所述方法包括：

获取工业模型及训练数据，配置所述工业模型的初始参数；

将所述训练数据配置到所述工业模型中，对所述工业模型进行训练，得到训练结果；

判断所述训练结果是否满足预设的条件，若不满足，则根据所述训练结果调整所述工业模型的参数，对调整参数之后的所述工业模型进行再训练，直到所述训练结果满足预设的条件。

2.根据权利要求1所述的方法，其特征在于，所述训练数据包括测试数据和处理结果，所述将所述训练数据输入到所述工业模型中，对所述工业模型进行训练，得到训练结果，包括：

获取所述工业模型及对应的测试数据；

将所述测试数据配置到所述工业模型中，所述工业模型调用预先设置的多个算法分别对所述测试数据进行计算，得到多个计算结果；

分析所述测试数据的多个计算结果以及对应的处理结果，选择计算结果中准确率最高的算法作为所述工业模型的基准算法，并将所述基准算法计算得到的计算结果作为所述训练结果。

3.根据权利要求1所述的方法，其特征在于，所述获取工业模型及训练数据，包括：

根据所述工业模型，获取多个不同特征的数据；

将所述数据进行排列，形成矩阵模型；

对所述矩阵模型进行弹性分布式数据集RDD数据序列化处理，对所述矩阵模型的RDD进行关联分析，选择关联度小于预设关联度值的矩阵模型的RDD进行组合，得到所述工业模型对应的所述训练数据。

4.根据权利要求1所述的方法，其特征在于，在所述对所述工业模型进行训练之后，得到训练结果之前，所述方法还包括：

获取所述工业模型的执行情况；

根据预设的消息机制，将所述执行情况发送给对应的用户；

用户根据所述执行情况对所述工业模型的执行状态进行更改。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当多个用户同时调用一个工业模型时，复制所述工业模型形成多个相同的工业模型副本；

将每一所述工业模型副本运行的空间虚拟化为一独立的训练容器，一个工业模型副本对应一个训练容器；

对所述工业模型副本进行训练时，所述多个用户分别将对应的训练数据输入到对应的训练容器中，对所述工业模型副本进行训练。

6.一种工业模型训练装置，其特征在于，所述装置包括：

获取模块，用于获取工业模型及训练数据，配置所述工业模型的初始参数；

训练模块，用于将所述训练数据配置到所述工业模型中，对所述工业模型进行训练，得到训练结果；

条件判断模块，用于判断所述训练结果是否满足预设的条件，若不满足，则根据所述训练结果调整所述工业模型的参数，对调整参数之后的所述工业模型进行再训练，直到所述训练结果满足预设的条件。

7.根据权利要求6所述的装置，其特征在于，所述训练数据包括测试数据和处理结果，所述训练模块具体用于：

获取所述工业模型及对应的测试数据；

将所述测试数据输入到所述工业模型中，所述工业模型调用预先设置的多个算法分别对所述测试数据进行计算，得到多个计算结果；

分析所述测试数据的多个计算结果以及对应的处理结果，选择计算结果中准确率最高的算法作为所述工业模型的基准算法，并将所述基准算法计算得到的计算结果作为所述训练结果。

8.根据权利要求6所述的装置，其特征在于，所述获取模块具体用于：

根据所述工业模型，获取多个不同特征的数据；

将所述数据进行排列，形成矩阵模型；

对所述矩阵模型进行弹性分布式数据集RDD数据序列化处理，对所述矩阵模型的RDD进行关联分析，选择关联度小于预设关联度值的矩阵模型的RDD进行组合，得到所述工业模型对应的所述训练数据。

9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-5中任一项所述的方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1-5中任一项所述的方法的步骤。