CN111885146A - 一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法 - Google Patents

Abstract

本发明涉及一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法，与现有技术相比解决了利用先进的机器学习算法对工业大数据进行传输分析时，为降低数据规模、提高分析效率，对数据传输方式进行简单处理，而造成较大分析偏差，影响企业技术调整与运维决策的缺陷。本发明包括以下步骤：多源异构数据的采集；本地预处理器的融合处理；云端数据处理器的数据二次融合处理；云端数据处理器的数据接收。本发明利用OI网络正则化方法进行优化，最大限度地考虑了连续通道的关联性，经过修剪的通道应用到验证集数据，以验证推理效果的准确性，同时完成冗余通道压缩，实现对云端工业大数据的快速传输处理。

Description

一种新能源汽车驱动电机装配生产线的工业数据云端服务平 台数据传输方法

技术领域

本发明涉及新能源汽车驱动电机装配生产线技术，具体来说是一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法。

背景技术

随着工业自动化生产线的发展，深度学习网络逐渐应用到工业大数据的处理过程中。复杂人工神经网络CNN的应用实现了对工业数据的高效分析，从而帮助企业快速实现基于生产线的海量工业数据分析，获得数据特征、剥离数据误差、实现对目标任务的准确分析。

深度学习技术具有计算、存储密集型的特点，而工业大数据也同时存在大量无效数据，这使得在有限硬件资源上开展数据传输与分析存在较大困难，目标分析效率很难得到保证，企业资源部署与产业升级将受到全面限制。

因此，如何采用一种新型的工业数据传输方式，将传输通道进行有效压缩和剪切、同时确保数据传输的准确性得到有效保证，以实现模型小型化与算法优化，是快速解决企业工业数据处理高效智能化、实现成本优化的关键。

发明内容

本发明的目的是为了解决现有技术中利用先进的机器学习算法对工业大数据进行传输分析时，为降低数据规模、提高分析效率，对数据传输方式进行简单处理，而造成较大分析偏差，影响企业技术调整与运维决策的缺陷，提供一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法，所述的工业数据云端服务平台包括驱动电机装配生产线设备数据传感器、本地预处理器和云端数据处理器，所述的驱动电机装配生产线设备数据传感器采集生产线工业数据并通过本地预处理器传送给云端数据处理进行故障数据判断；所述的工业数据云端服务平台数据传输方法包括以下步骤：

11)多源异构数据的采集：驱动电机装配生产线设备数据传感器采集装配生产线上的工业数据并传送给本地预处理器，其工业数据包括当前运行状态数据、生产装配数据、产品质量数据和故障报警数据；

12)本地预处理器的融合处理：本地预处理器利用深度机器学习的聚类方法，对大量工业数据进行分类、融合处理，通过已组建的专家库对工业大数据中不完整数据、偶发性异常故障数据进行筛选、移除；

13)云端数据处理器的数据二次融合处理：本地预处理器的筛选数据发送至远程云服务平台，在对云端工业数据的处理过程中，对深度神经网络的通道层级关系进行分析，进而实现通道分配、压缩，并移除冗余通道；

14)云端数据处理器的数据接收：本地预处理器基于处理后的数据通道对云端数据处理器进行工业数据传送。

所述的本地预处理器的融合处理包括以下步骤：

21)专家库模型设定：将由传感器采集的工业大数据按照数据类型，结合专家经验知识建立以规则推理为依据的规则树，用于分类数据的判定；

22)工业大数据初步分类处理：利用机器学习FCM模糊聚类算法，对传感器采集的数据按类型特征及权值进行聚类划分，形成基于已有数据的C个分类中心的检测分类集合；

所述的FCM模糊聚类算法为：根据工业大数据的初步特征，建立数据集M，通过机器学习，将数据集内的数据根据权重度α_ij划分为C个类中心，其定义的目标函数F，及其约束条件U表达式如下：

其中：F为聚类使用的目标函数，

表示样本j属于分类集合i的权重度，x_j为样本j的数据值，c_i为分类集合i的类中心数值，m为权重度因子；

23)将聚类分析后的数据利用专家库的规则树进行初步判定；判定过程表述为：将由聚类分析得到的C个分类特征，结合专家经验和知识，转化为多值或者二值推理，从而实现本地预处理器的数据快速、准确地融合处理。

所述的云端数据处理器的数据二次融合处理包括以下步骤：

31)神经网络模型的设定：利用来自本地预处理器的数据，构建数据集建立CNN卷积神经网络模型，在模型中构建权值剪枝值，开展冗余通道剪切，构建上下网络层级的约束函数开展权重评价，用于冗余通道压缩；

32)神经网络模型的优化：利用OI网络正则化方法训练神经网络模型，对神经网络模型进行优化；其优化方法为：

321)使用通道剪枝方法移除神经网络中冗余通道，加速神经网络推理过程和压缩模型体积，；

322)结合拓展的OI网络正则化方法，将结构正则化同时运用连续网络层中相互对应的out-channels和in-channels；

323)在训练过程中加入结构正则化对网络权重进行结构化约束；

33)神经网络模型的训练；

34)将云端服务器获得的工业数据输入训练后的神经网络模型，去除冗余通道。

所述神经网络模型的训练包括以下步骤：

41)初始模型设定：利用训练数据集M，初始化权重值W，定义剪切迭代数量n，初始定义剪切比例关联因子τ；

42)层级剪切训练：在训练集中随机选取权重值W进行通道剪切训练，训练由0层至目标层L-1时，选取正则化评价指标ξ，ξ采用对ω²求和为正则化计算规则，满足

i＝1,2，…，n；

43)层级优化训练：在对两个连续静态信息层L层及L+1层进行拓展OI网络正则化优化时，同时考虑L层及L+1层的权重平方和，获得优化的正则化评价指标，满足：

系统判定中，计算优化的正则化评价指标，评价指标值越大，表示L及L+1连续层网络关联权重越重要，则通道剪切需考虑L与L+1层的关联性；

44)实施冗余通道剪切：将根据人为经验初始得到的剪切比例关联因子τ带入训练数据集进行训练，在n次剪切迭代中，将由0层至目标层L迭代的权重因子进行迭代记录，数值计入W⁽⁰⁾，当n-1次迭代的剪枝比例＜(1-τ)W⁽⁰⁾处的剪枝比例时，对通道按通道剪枝方法开展持续剪切修正，实现已定剪切比例的通道约束，直至达到预设剪切比例时，通道剪切停止；

45)通道修正：剪切后的通道删除了关联性较差的冗余通道，同时利用多次平滑修正避免了一次剪切对网络精度造成的损失。

所述的拓展的OI网络正则化方法为将神经网络中连续两层网络层中的上下通道开展权重评价，分配权重W和剪切比例关联因子τ，其表达式如下：

式中：

J(W)为经过拓展的OI网络正则化方法优化后的优化值，W为神经网络中所有层中可训练的权重值，M为目标训练数据集，Loss(W,M)为目标训练集M的训练损失，R(W)为非结构正则化项，σ为非结构正则化超参数，R_OI(W^l,W^l+1)为结构正则化应用到第L层的函数，σ_s为结构正则化超参数；

其中，R_OI(W^l,W^l+1)在对常规L层评价过程中，通常设定均等的剪切比例，或者根据实验者的经验人为设定L层框架下的被剪切比例，在经过拓展的OI网络正则化方法优化后，考虑L层对L+1层的权重关联，利用连续两层的网络信息选取冗余通道剪切比例关联因子τ,强化上下通道之间的影响，防止分离式结构正则化带来的通道整体剪切，而对L+1层产生误判，使得冗余通道移除项变得更加精确。

有益效果

本发明的一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法，与现有技术相比利用OI网络正则化方法进行优化，最大限度地考虑了连续通道的关联性，经过修剪的通道应用到验证集数据，以验证推理效果的准确性，同时完成冗余通道压缩，实现对云端工业大数据的快速传输处理。

本发明将OI网络正则化方法应用到新能源汽车驱动电机的装配产线，所建立的工业数据云端服务平台将驱动电机装配产线上的运行状态数据、生产装配数据、产品质量数据、故障报警数据等采集后传输至云端服务器，在云端服务器开展工业数据分析，利用专家经验作为辅助支持开展有监督的机器自学习，通过深度学习进行数据分类处理，最终实现对新能源汽车驱动电机装配产线上机器人及其他装配设备的故障识别与诊断。

在进行数据处理过程中，由于数据量巨大，工业大数据在云端进行数据处理的同时，为提高数据处理效率，将OI网络正则化方法进行拓展优化，开展层间剪切通道的关联性约束判定，以提高通道传递精度为目的，对神经网络的传输通道进行高效剪切和压缩。

同时，通过对工业大数据的融合处理与传输优化，将重要关联性通道进行剥离，更多冗余通道被有效、安全地移除，这将显著降低云端计算的复杂程度；经过测试，不同剪枝比例配置下，拓展的OI网络正则化优化方法实现的通道压缩比更高，数据传输精度与同类其他方法相比准确度更好。

附图说明

图1为本发明的方法顺序图；

图2为本发明中本地预处理器的融合处理步骤的方法逻辑图。

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

工业数据云端服务平台包括驱动电机装配生产线设备数据传感器、本地预处理器和云端数据处理器，驱动电机装配生产线设备数据传感器采集生产线工业数据并通过本地预处理器传送给云端数据处理器进行故障数据判断。

如图1所示，本发明所述的一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法包括以下步骤：

第一步，多源异构数据的采集：驱动电机装配生产线设备数据传感器采集装配生产线上的工业数据并传送给本地预处理器，其工业数据包括当前运行状态数据、生产装配数据、产品质量数据和故障报警数据。在实际应用中，这些数据具体可以为机器人及生产设备上的压力、温度、振动幅值、位姿误差、装配误差、产品合格率、机器人作业臂干涉值等。

第二步，本地预处理器的融合处理。如图2所示，本地预处理器利用深度机器学习的聚类方法，对大量工业数据进行分类、融合处理，通过已组建的专家库对工业大数据中不完整数据、偶发性异常故障数据进行筛选、移除。本地数据融合预处理是基于机器学习算法对数据的首次筛分，利用小资源的数据处理空间，即实现了初始数据的聚类与简单筛选，又避免了简单二值筛选(选用/筛除)对数据传输准确性的影响，对后期基于云端的数据处理与传输具有重要意义。其具体步骤如下：

(1)专家库模型设定：将由传感器采集的工业大数据按照数据类型，结合专家经验知识建立以规则推理为依据的规则树，用于分类数据的判定。

(2)工业大数据初步分类处理：利用机器学习FCM模糊聚类算法，对传感器采集的数据按类型特征及权值进行聚类划分，形成基于已有数据的C个分类中心的检测分类集合；

所述的FCM模糊聚类算法为：根据工业大数据的初步特征，建立数据集M，通过机器学习，将数据集内的数据根据权重度α_ij划分为C个类中心，其定义的目标函数F，及其约束条件U表达式如下：

其中：F为聚类使用的目标函数，

表示样本j属于分类集合i的权重度，x_j为样本j的数据值，c_i为分类集合i的类中心数值，m为权重度因子；

(3)将聚类分析后的数据利用专家库的规则树进行初步判定；判定过程表述为：将由聚类分析得到的C个分类特征，结合专家经验和知识，转化为多值或者二值推理，从而实现本地预处理器的数据快速、准确地融合处理。

第三步，云端数据处理器的数据二次融合处理：本地预处理器的筛选数据发送至远程云服务平台，在对云端工业数据的处理过程中，对深度神经网络的通道层级关系进行分析，进而实现通道分配、压缩，并移除冗余通道。

针对基于云端海量数据构建的深度学习模型的高计算复杂度与参数冗余，借助AI模型压缩、优化加速和异构计算等方法，减少存储占用，通信宽带和计算复杂度。使用通道剪枝方法移除神经网络中冗余通道，加速神经网络推理过程和压缩模型体积。结合OI网络正则化方法，将结构正则化同时运用连续网络层中相互对应的out-channels和in-channels，在训练过程中加入结构正则化对网络权重进行结构化约束，从而在更小的精度损失下，对网络进行剪枝，达到深度网络模型优化。

在此，其网络剪切流程包括：

网络初始化→拓展OI网络正则化训练→冗余通道修剪→上下通道关联约束→建立有效通道→检验推理效果→完成冗余通道压缩。

云端数据处理器的数据二次融合处理具体步骤如下：

(1)神经网络模型的设定：利用来自本地预处理器的数据，构建数据集建立CNN卷积神经网络模型，在模型中构建权值剪枝值，开展冗余通道剪切，构建上下网络层级的约束函数开展权重评价，用于冗余通道压缩。

(2)神经网络模型的优化：利用OI网络正则化方法训练神经网络模型，对神经网络模型进行优化；其优化方法为：

A1)使用通道剪枝方法移除神经网络中冗余通道，加速神经网络推理过程和压缩模型体积，；

A2)结合拓展的OI网络正则化方法，将结构正则化同时运用连续网络层中相互对应的out-channels和in-channels。

在此，拓展的OI网络正则化方法为将神经网络中连续两层网络层中的上下通道开展权重评价，分配权重W和剪切比例关联因子τ，其表达式如下：

式中：

J(W)为经过拓展的OI网络正则化方法优化后的优化值，W为神经网络中所有层中可训练的权重值，M为目标训练数据集，Loss(W,M)为目标训练集M的训练损失，R(W)为非结构正则化项，σ为非结构正则化超参数，R_OI(W^l,W^l+1)为结构正则化应用到第L层的函数，σ_s为结构正则化超参数；

其中，R_OI(W^l,W^l+1)在对常规L层评价过程中，通常设定均等的剪切比例，或者根据实验者的经验人为设定L层框架下的被剪切比例，在经过拓展的OI网络正则化方法优化后，考虑L层对L+1层的权重关联，利用连续两层的网络信息选取冗余通道剪切比例关联因子τ。

在对常规L层评价过程中，通常设定均等的剪切比例，或者根据实验者的经验人为设定L层框架下的被剪切比例，在经过拓展的OI网络正则化优化后，考虑L层对L+1层的权重关联，利用连续两层的网络信息选取冗余通道剪切比例关联因子τ，强化上下通道之间的影响，防止分离式结构正则化带来的通道整体剪切，而对L+1层产生误判，使得冗余通道移除项变得更加精确。

A3)在训练过程中加入结构正则化对网络权重进行结构化约束。

(3)神经网络模型的训练；所述神经网络模型的训练包括以下步骤：

B1)初始模型设定：利用训练数据集M，初始化权重值W，定义剪切迭代数量n，初始定义剪切比例关联因子τ；

B2)层级剪切训练：在训练集中随机选取权重值W进行通道剪切训练，训练由0层至目标层L-1时，选取正则化评价指标ξ，ξ采用对W²求和为正则化计算规则，满足

i＝1,2，…，n；

B3)层级优化训练：在对两个连续静态信息层L层及L+1层进行拓展OI网络正则化优化时，同时考虑L层及L+1层的权重平方和，获得优化的正则化评价指标，满足：

系统判定中，计算优化的正则化评价指标，评价指标值越大，表示L及L+1连续层网络关联权重越重要，则通道剪切需考虑L与L+1层的关联性；

B4)实施冗余通道剪切：将根据人为经验初始得到的剪切比例关联因子τ带入训练数据集进行训练，在n次剪切迭代中，将由0层至目标层L迭代的权重因子进行迭代记录，数值计入W⁽⁰⁾，当n-1次迭代的剪枝比例＜(1-τ)W⁽⁰⁾处的剪枝比例时，对通道按通道剪枝方法开展持续剪切修正，实现已定剪切比例的通道约束，直至达到预设剪切比例时，通道剪切停止。

B5)通道修正：剪切后的通道删除了关联性较差的冗余通道，同时利用多次平滑修正避免了一次剪切对网络精度造成的损失。

(4)将云端服务器获得的工业数据输入训练后的神经网络模型，去除冗余通道。

通过结构正则化方法优化，最大限度地考虑了连续通道的关联性，经过修剪的通道应用到验证集数据，以验证推理效果的准确性。最终，完成冗余通道压缩，实现对云端工业大数据的快速处理。

第四步，云端数据处理器的数据接收：本地预处理器基于处理后的数据通道对云端数据处理器进行工业数据传送。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (5)

1.一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法，所述的工业数据云端服务平台包括驱动电机装配生产线设备数据传感器、本地预处理器和云端数据处理器，所述的驱动电机装配生产线设备数据传感器采集生产线工业数据并通过本地预处理器传送给云端数据处理器进行故障数据判断；其特征在于，所述的工业数据云端服务平台数据传输方法包括以下步骤：

11)多源异构数据的采集：驱动电机装配生产线设备数据传感器采集装配生产线上的工业数据并传送给本地预处理器，其工业数据包括当前运行状态数据、生产装配数据、产品质量数据和故障报警数据；

12)本地预处理器的融合处理：本地预处理器利用深度机器学习的聚类方法，对大量工业数据进行分类、融合处理，通过已组建的专家库对工业大数据中不完整数据、偶发性异常故障数据进行筛选、移除；

13)云端数据处理器的数据二次融合处理：本地预处理器的筛选数据发送至远程云服务平台，在对云端工业数据的处理过程中，对深度神经网络的通道层级关系进行分析，进而实现通道分配、压缩，并移除冗余通道；

14)云端数据处理器的数据接收：本地预处理器基于处理后的数据通道对云端数据处理器进行工业数据传送。

2.根据权利要求1所述的一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法，其特征在于，所述的本地预处理器的融合处理包括以下步骤：

21)专家库模型设定：将由传感器采集的工业大数据按照数据类型，结合专家经验知识建立以规则推理为依据的规则树，用于分类数据的判定；

22)工业大数据初步分类处理：利用机器学习FCM模糊聚类算法，对传感器采集的数据按类型特征及权值进行聚类划分，形成基于已有数据的C个分类中心的检测分类集合；

所述的FCM模糊聚类算法为：根据工业大数据的初步特征，建立数据集M，通过机器学习，将数据集内的数据根据权重度α_ij划分为C个类中心，其定义的目标函数F，及其约束条件U表达式如下：

其中：F为聚类使用的目标函数，

表示样本j属于分类集合i的权重度，x_j为样本j的数据值，c_i为分类集合i的类中心数值，m为权重度因子；

23)将聚类分析后的数据利用专家库的规则树进行初步判定；判定过程表述为：将由聚类分析得到的C个分类特征，结合专家经验和知识，转化为多值或者二值推理，从而实现本地预处理器的数据快速、准确地融合处理。

3.根据权利要求1所述的一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法，其特征在于，所述的云端数据处理器的数据二次融合处理包括以下步骤：

31)神经网络模型的设定：利用来自本地预处理器的数据，构建数据集建立CNN卷积神经网络模型，在模型中构建权值剪枝值，开展冗余通道剪切，构建上下网络层级的约束函数开展权重评价，用于冗余通道压缩；

32)神经网络模型的优化：利用OI网络正则化方法训练神经网络模型，对神经网络模型进行优化；其优化方法为：

321)使用通道剪枝方法移除神经网络中冗余通道，加速神经网络推理过程和压缩模型体积，；

322)结合拓展的OI网络正则化方法，将结构正则化同时运用连续网络层中相互对应的out-channels和in-channels；

323)在训练过程中加入结构正则化对网络权重进行结构化约束；

33)神经网络模型的训练；

34)将云端服务器获得的工业数据输入训练后的神经网络模型，去除冗余通道。

4.根据权利要求3所述的一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法，其特征在于，所述神经网络模型的训练包括以下步骤：

41)初始模型设定：利用训练数据集M，初始化权重值W，定义剪切迭代数量n，初始定义剪切比例关联因子τ；

42)层级剪切训练：在训练集中随机选取权重值W进行通道剪切训练，训练由0层至目标层L-1时，选取正则化评价指标ξ，ξ采用对W²求和为正则化计算规则，满足

43)层级优化训练：在对两个连续静态信息层L层及L+1层进行拓展OI网络正则化优化时，同时考虑L层及L+1层的权重平方和，获得优化的正则化评价指标，满足：

系统判定中，计算优化的正则化评价指标，评价指标值越大，表示L及L+1连续层网络关联权重越重要，则通道剪切考虑L与L+1层的关联性；

44)实施冗余通道剪切：将根据人为经验初始得到的剪切比例关联因子τ带入训练数据集进行训练，在n次剪切迭代中，将由0层至目标层L迭代的权重因子进行迭代记录，数值计入W⁽⁰⁾，当n-1次迭代的剪枝比例＜(1-τ)W⁽⁰⁾处的剪枝比例时，对通道按通道剪枝方法开展持续剪切修正，实现已定剪切比例的通道约束，直至达到预设剪切比例时，通道剪切停止；

45)通道修正：剪切后的通道删除了关联性较差的冗余通道，同时利用多次平滑修正避免了一次剪切对网络精度造成的损失。

5.根据权利要求3所述的一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法，其特征在于，所述的拓展的OI网络正则化方法为将神经网络中连续两层网络层中的上下通道开展权重评价，分配权重W和剪切比例关联因子τ，其表达式如下：

式中：

J(W)为经过拓展的OI网络正则化方法优化后的优化值，W为神经网络中所有层中可训练的权重值，M为目标训练数据集，Loss(W,M)为目标训练集M的训练损失，R(W)为非结构正则化项，σ为非结构正则化超参数，R_OI(W^l,W^l+1)为结构正则化应用到第L层的函数，σ_s为结构正则化超参数；

其中，R_OI(W^l,W^l+1)在对常规L层评价过程中，通常设定均等的剪切比例，或者根据实验者的经验人为设定L层框架下的被剪切比例，在经过拓展的OI网络正则化方法优化后，考虑L层对L+1层的权重关联，利用连续两层的网络信息选取冗余通道剪切比例关联因子τ，用于强化上下通道之间的影响。

Images