CN112700008A - 一种云组态平台的模型匹配处理方法及系统 - Google Patents

Abstract

本发明涉及一种云组态平台的模型匹配处理方法，包括下列步骤，将现实设备的特征信息转换为中心处理模块可识别信息，建立深度模型匹配神经网络，通过现实设备的特征变量对实例模型进行匹配，得出若干匹配模型，对若干匹配模型进行匹配度评价，最终由用户从若干匹配模型中选择模型，基于用户的模型选择对深度神经网络进行进化训练，获得更适合用户的组态模型。本发明所述云组态平台的模型匹配处理方法具有计算速度快，模型匹配度高，并且随着模型数量的增加及客户的选择性可进行自动优化的有益效果。

Description

一种云组态平台的模型匹配处理方法及系统

技术领域

本发明涉及计算机、智能计算领域，尤其涉及一种云组态平台的模型匹配处理方法及系统。

背景技术

随着科技的发展，云组态平台在各行业应用广泛，而组态模型作为现实设备的一种表现方式，在组态平台是必不可少的部分，高效的制作的选择组态模型对快速完成组态平台具有重要意义。由于不同设备的数据状态及控制方式不同，现有技术对于组态模型，大多都是根据用户设备情况实时创建的，而这种情况大大增加了云组态平台的组建时间。

发明内容

本发明要解决的问题是提供一种云组态平台的模型匹配处理方法及系统。

为解决上述技术问题，本发明的云组态平台的模型匹配处理方法，包括下列步骤，S1将现实设备的特征信息转换为中心处理模块可识别信息；

S2建立深度模型匹配神经网络，通过现实设备的特征变量对实例模型进行匹配，得出若干匹配模型；

S3对若干匹配模型进行匹配度评价，最终由用户从若干匹配模型中选择模型；

S4基于用户的模型选择对深度神经网络进行进化训练，获得更适合用户的组态模型。

进一步的，所述S1中，令现实设备特征信息Info＝[ind,place,type,input,output,ctrol]，其中：ind表示设备使用行业，place表示设备使用场景，type表示设备类型，input表示设备输入接口数量，output表示设备输出接口数量，ctrol表示是否有控制功能；

建立一个数据转换模型，将现有设备的特征信息转换为中心处理模块可识别的数字信息，将使用行业ind分类并进行数字编码，则有ind→ch₁∈[001,002，003，...]，即通过数字编码来代替不同的行业信息；同样将使用场景place及设备类型type分类并进行数字编码，使place→ch₂∈[1,2,3,...]，type→ch₃∈[0001,0002,0003,...]；设备输入、输出接口数量分别进行转换使用ch₄，ch₅表示；ch₆代表是否设备具有控制功能，用0或1表示；具体特征信息的数量由用户根据实际情况自行设定；由此，CH＝[ch₁,ch₂,...,ch_N]即为转换后的特征信息，N表示特征信息总数。

进一步的，所述S2中，建立一个深度模型匹配神经网络，包括第一输入层，第二输入层，三个隐含层，第一输出层及第二输出层；其中，第一输出层输出做为第二输入层的输入。

进一步的，所述S2中，第一输入层，维度为N，样本个数为M，其中一个样本的输入为CH＝[ch₁,ch₂,...,ch_N]^T其对应的样本输出为GM＝[gm₁,gm₂,...,gm_K]^T，K表示匹配组态模型的,数量，用户根据实际情况确定组态模型匹配数量；f_1m为第一隐含层神经元传递函数，f_2q为第二隐含层神经元的传递函数；

第一输入层有N个神经元，为现实设备转换后的特征信息，第一隐含层与第一输入层全连接，层内无连接，第一隐含层神经元个数与样本个数相等，即等于M，第一隐含层神经元激活函数为：

第一隐含层的输出为输入变量与其对应的样本CH之间Euclid距离平方的指数平方

的指数形式；式中，CH为输入变量，CH_m为第m个神经元对应的学习样本；

第二隐含层中有两类神经元，第一类神经元为第一隐含层每个神经元的输出和，其与各神经元的连接权值为1；第二类神经元为第一隐含层每个神经元输出的加权和；

一类的计算公式为

它对所有第一隐含层神经元的输出进行算术求和，传递函数为：

另一类计算公式为

它对所有第一隐含层的输出进行加权求和，第一隐含层中第m个神经元与第二隐含层第q个分子求和，神经元之间的连接权值为ω_mq，传递函数为

第一输出层中的神经元数目等于学习样本中输出向量的维数q，输出结果是第二隐含层的第二个节点除以第一个节点，即：

则第一输出层获得的输出为

第一输出层的输出为第二输入层的输入，包含Q个神经元，将第一输入层输入的特征信息进行归一化处理后，引入第三隐含层，参与激活函数，包含有N个神经元；为了防止引入状态影响网络波动，设置第四隐含层，包含P个神经元；第二输入层、第三隐含层、第四隐含层、第二输出层之前的权值分别为ω_qn、ω_np、ω_pk(1≤q≤Q,1≤n≤N,1≤p≤P,1≤k≤K)；

将第一输入层的输入进行归一化处理，则有

ch_min表示数据中的最小值，ch_max表示数据中的最大值；进过归一化处理的信息转换为CH′＝[ch₁′,ch₂′,...,ch′_N]；

当第二输入层输入为out_q时，结合第一输入层归一化处理信息计算，第三隐含层的输出为

第四隐含层的输出为

其中第三隐含层的激活函数为

第四隐含层的激活函数为

第二输出层的输出为

获得输出组态模型信息为GM′＝[gm₁′,gm′₂,...,gm′_K]，测试神经网络的训练效果时，根据实际需要设置阈值ε，通过与样本输出GM＝[gm₁,gm₂,...,gm_K]进行均方误差计算：

若满足MSE(GM,GM′)＜ε，则认为满足实际需求，训练完毕，否则循环执行直至满足需求。

进一步的，所述S2中，深度模型匹配神经网络训练完成后，则进行对所需模型的匹配，将转化后的现实设备数据信息输入神经网络，输出即为匹配的组态模型的相应编码。

进一步的，所述S3中，选择模块接收到中心处理模块发送的模型编码，通过编码匹配从存储模块50中选择组态模型，获得相应个数的组态模型，同时获得各个模型的特征信息

将各个模型的特征信息发送至评价模块，与原设备特征信息CH＝[ch₁,ch₂,...,ch_N]进行对比；

将原设备与获得的模型之间的特征信息进行平方差计算，获得各个模型的匹配度，

δ_k表示k模型与现实设备的匹配度；

将选出的组态模型按匹配度进行排序，并将匹配度最高模型作为推荐模型，同时将K个模型及模型对应的匹配度推送给用户，由用户自行选择是否使用推荐模型或选择其他匹配度模型。

进一步的，所述S4中，用户通过评价模块推送的组态模型进行模型选择，将选择结果发送至分析模块，分析模块根据用户所作出的选择进行分析，若用户选择推荐模型的概率低于设定值，则表示中心处理模块30的深度模型匹配神经网络训练不完善，并对其进行重新训练；

令P＝NUM_T/NUM，P表示用户选择推荐模型的概率，NUM_T表示客户选择推荐模型的次数，NUM表示选择模型的总次数。

进一步的，所述S4中，选择特定值η，令NUM＜η时概率计算公式不生效；设置阈值参数β，若P＜β,则表示用户选择推荐模型的概率过低，将信息发送至中心处理模块30,深度模型匹配神经网络即进行重新训练。

本发明还涉及一种上述基于工业互联网协同制造控制方法在机器学习中的应用。

本发明还涉及一种运行上述基于工业互联网协同制造控制方法的基于工业互联网协同制造控制系统，所述基于工业互联网协同制造控制系统包括，

接收模块10，预处理模块20，中心处理模块30，选择模块40，存储模块50，评价模块60，分析模块70；

所述接收模块10，用于采集接收现实设备的主要特征信息；

所述预处理模块20，用于将现实设备的主要特征信息通过处理转换为中心处理模块30可识别信息；

所述中心处理模块30，用于建立深度神经网络，将预处理模块20处理后的信息作为输入，将若干匹配的组态模型编号作为输出；

所述选择模块40，将中心处理模块输出的若干模型编号，从存储模块50中匹配相应组态模型；

所述存储模块50，用于存储大量组态模型，并对模型进行编号，同时可通过手动操作对组态模型进行添加或修改等操作；

所述评价模块60，用于对选择模块40发送的若干组态模型进行匹配度评价，并将若干组态模型及相应评价结果推送至客户，让客户自行选择组态模型；

所述分析模块70，用于分析客户选择结果，通过客户选择匹配度最高模型的概率对深度神经网络进行优化。

本发明至少具有以下有益效果：

(1)建立深度模型匹配神经网络，收敛速度快，可快速从百万数量级的模型中选取最佳模型，并且匹配度高。

(2)建立匹配度评价模型，将选出的匹配模型分别进行匹配度评价，并将结果推送给用户，让用户自行选择。

(3)对用户的模型选择进行分析，有效对神经网络进行进化，提高深度神经网络计算准确度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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申请的一些实施例，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。在所有附图中，类似的元件或部分一般由类似的附图标记标识。

图1本发明所述云组态平台的模型匹配处理方法结构图；

图2本发明所述云组态平台的模型匹配处理流程图；

图3本发明所述深度模型匹配神经网络结构图。

具体实施方式

为了更好的说明本发明，下面将结合说明书附图和具体实施例来做详细说明。

参照图1，本发明所述云组态平台的模型匹配处理方法，由以下部分组成：

接收模块10，预处理模块20，中心处理模块30，选择模块40，存储模块,50，评价模块60，分析模块70。

所述接收模块10，用于采集接收现实设备的主要特征信息。

所述接收模块10与预处理模块20通过数据总线连接。

所述预处理模块20，用于将现实设备的主要特征信息通过处理转换为中心处理模块30可识别信息。

所述预处理模块20与中心处理模块30通过数据总线连接。

所述中心处理模块30，用于建立深度神经网络，将预处理模块20处理后的信息作为输入，将若干匹配的组态模型编号作为输出。

所述中心处理模块30与选择模块40通过数据总线连接。

所述选择模块40，将中心处理模块输出的若干模型编号，从存储模块50中匹配相应组态模型。

所述选择模块40与存储模块50通过数据总线连接。

所述存储模块50，用于存储大量组态模型，并对模型进行编号，同时可通过手动操作对组态模型进行添加或修改等操作。

所述选择模块40同时与评价模块60也通过数据总线连接。

所述评价模块60，用于对选择模块40发送的若干组态模型进行匹配度评价，并将若干组态模型及相应评价结果推送至客户，让客户自行选择组态模型。

所述评价模块60与分析模块70通过数据总线连接。

所述分析模块70，用于分析客户选择结果，通过客户选择匹配度最高模型的概率对深度神经网络进行优化。

接收模块10用于采集接收现实设备的主要特征信息，将现实设备的主要信息发送至预处理模块20，预处理模块20将接收的信息转换为中心处理模块30可识别数据，并将转化数据作为输入发送给中心处理模块30，中心处理模块30建立深度神经网络前期对大量组态模型进行训练，训练完成后将预处理模块20发送信息作为输入数据进行计算，将匹配度较高的组态模型编号作为输出。选择模块40接收到中心处理模块30发送的输出信息，通过与存储模块50进行匹配，完成若干组态模型的选择，评价模块60对若干组态模型进行匹配度评价，并将若干组态模型及相应匹配度推送给用户，让用户自行选择模型；分析模块70接收到客户的选择结果，通过客户选择匹配度最高模型概率进行分析，若客户选择推送匹配度最高的模型概率低于一定条件，则对深度神经网络进行优化。

本发明所述的云组态平台的模型匹配处理方法，参照图2，具体处理过程如下：

S1将现实设备的特征信息转换为中心处理模块可识别信息。

由于中心处理模块无法识别现实设备，需将现实设备的一些特性转换为可识别信息，作为本发明的一个实施例，令现实设备特征信息Info＝[ind,place,type,input,output,ctrol]，其中：ind表示设备使用行业，place表示设备使用场景，如：高地、沿海、沙漠等，type表示设备类型，input表示设备输入接口数量，output表示设备输出接口数量，ctrol表示是否有控制功能。

建立一个数据转换模型，将现有设备的特征信息转换为中心处理模块可识别的数字信息，将使用行业ind分类并进行数字编码，则有ind→ch₁∈[001,002，003，...]，即通过数字编码来代替不同的行业信息；同样将使用场景place及设备类型type分类并进行数字编码，使place→ch₂∈[1,2,3,...]，type→ch₃∈[0001,0002,0003,...]；设备输入、输出接口数量分别进行转换使用ch₄，ch₅表示；ch₆代表是否设备具有控制功能，用0或1表示；具体特征信息的数量由用户根据实际情况自行设定。由此，CH＝[ch₁,ch₂,...,ch_N]即为转换后的特征信息，N表示特征信息总数。

S2建立深度模型匹配神经网络，通过现实设备的特征变量对实例模型进行匹配，得出若干匹配模型。

参照图3，建立一个深度模型匹配神经网络，包括第一输入层，第二输入层，三个隐含层，第一输出层及第二输出层。其中，第一输出层输出做为第二输入层的输入。

第一输入层，维度为N，样本个数为M，其中一个样本的输入为CH＝[ch₁,ch₂,...,ch_N]^T，其对应的样本输出为GM＝[gm₁,gm₂,...,gm_K]^T，K表示匹配组态模型的数量，用户可根据实际情况确定组态模型匹配数量。f_1m为第一隐含层神经元传递函数，f_2q为第二隐含层神经元的传递函数。

第一输入层有N个神经元，为现实设备转换后的特征信息，第一隐含层与第一输入层全连接，层内无连接，第一隐含层神经元个数与样本个数相等，即等于M，第一隐含层神经元激活函数为：

第一隐含层的输出为输入变量与其对应的样本CH之间Euclid距离平方的指数平方

的指数形式。式中，CH为输入变量，CH_m为第m个神经元对应的学习样本。

第二隐含层中有两类神经元，第一类神经元为第一隐含层每个神经元的输出和，其与各神经元的连接权值为1；第二类神经元为第一隐含层每个神经元输出的加权和。

一类的计算公式为

它对所有第一隐含层神经元的输出进行算术求和，传递函数为：

另一类计算公式为

它对所有第一隐含层的输出进行加权求和，第一隐含层中第m个神经元与第二隐含层第q个分子求和，神经元之间的连接权值为ω_mq，传递函数为

第一输出层中的神经元数目等于学习样本中输出向量的维数q，输出结果是第二隐含层的第二个节点除以第一个节点，即：

则第一输出层获得的输出为

第一输出层的输出为第二输入层的输入，包含Q个神经元，将第一输入层输入的特征信息进行归一化处理后，引入第三隐含层，参与激活函数，包含有N个神经元。为了防止引入状态影响网络波动，设置第四隐含层，包含P个神经元。第二输入层、第三隐含层、第四隐含层、第二输出层之前的权值分别为ω_qn、ω_np、ω_pk(1≤q≤Q,1≤n≤N,1≤p≤P,1≤k≤K)。

将第一输入层的输入进行归一化处理，则有

ch_min表示数据中的最小值，ch_max表示数据中的最大值。进过归一化处理的信息转换为CH′＝[ch₁′,ch₂′,...,ch′_N]

当第二输入层输入为out_q时，结合第一输入层归一化处理信息计算，第三隐含层的输出为

第四隐含层的输出为

其中第三隐含层的激活函数为

第四隐含层的激活函数为

第二输出层的输出为

至此，获得输出组态模型信息为GM′＝[gm₁′,gm′₂,...,gm′_K]，测试神经网络的训练效果时，根据实际需要设置阈值ε，通过与样本输出GM＝[gm₁,gm₂,...,gm_K]进行均方误差计算：

若满足MSE(GM,GM′)＜ε，则认为满足实际需求，训练完毕，否则循环执行直至满足需求。

深度模型匹配神经网络训练完成后，则可进行对所需模型的匹配，将转化后的现实设备数据信息输入神经网络，输出即为匹配的组态模型的相应编码。

采用本发明所述深度模型匹配神经网络进行组态模型匹配的有益效果是：收敛速度快，可快速从百万数量级的模型中选取最佳模型，并且匹配度高。

S3对若干匹配模型进行匹配度评价，最终由用户从若干匹配模型中选择模型。

选择模块40接收到中心处理模块30发送的模型编码，通过编码匹配从存储模块50中选择组态模型，获得相应个数的组态模型，同时获得各个模型的特征信息

将各个模型的特征信息发送至评价模块60，与原设备特征信息CH＝[ch₁,ch₂,...,ch_N]进行对比，为了更精确计算出匹配度，本发明将原设备与获得的模型之间的特征信息进行平方差计算，获得各个模型的匹配度。

δ_k表示k模型与现实设备的匹配度，通过本方法可快速并精确地获得各组态模型的匹配度，同时减少各特征信息之间的相互干扰。

将选出的组态模型按匹配度进行排序，并将匹配度最高模型作为推荐模型，同时将K个模型及模型对应的匹配度推送给用户，由用户自行选择是否使用推荐模型或选择其他匹配度模型。

通过本发明所述组态模型匹配度算法可快速将若干组态模型进行匹配度评价，用户可快速识别最匹配模型，并实现自由选择模型。

S4基于用户的模型选择对深度神经网络进行进化训练，获得更适合用户的组态模型

用户通过评价模块60推送的组态模型进行模型选择，将选择结果发送至分析模块70，分析模块70根据用户所作出的选择进行分析，若用户选择推荐模型的概率低于设定值，则表示中心处理模块30的深度模型匹配神经网络训练不完善，并对其进行重新训练。

令P＝NUM_T/NUM，P表示用户选择推荐模型的概率，NUM_T表示客户选择推荐模型的次数，NUM表示选择模型的总次数。为防止由于模型选择数量少而导致选择概率不准确，选择特定值η，令NUM＜η时概率计算公式不生效。设置阈值参数β，若P＜β,则表示用户选择推荐模型的概率过低，将信息发送至中心处理模块30,深度模型匹配神经网络即进行重新训练。

通过本发明所述方法对用户选择模型进行分析，可有效对深度神经网络进行进化，进一步提高深度神经网络计算的准确度。

综上所述，便实现了本发明所述的一种云组态平台的模型匹配处理方法。

以上所述，仅是对本发明的较佳实施例而已，并非对本发明做其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为同等变化的等效实施例。凡是未脱离本发明方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，均落在本发明的保护范围内。

Claims (10)

1.一种云组态平台的模型匹配处理方法，其特征在于：包括下列步骤，

S1将现实设备的特征信息转换为中心处理模块可识别信息；

S2建立深度模型匹配神经网络，通过现实设备的特征变量对实例模型进行匹配，得出若干匹配模型；

S3对若干匹配模型进行匹配度评价，最终由用户从若干匹配模型中选择模型；

S4基于用户的模型选择对深度神经网络进行进化训练，获得更适合用户的组态模型。

2.按照权利要求1所述的基于工业互联网协同制造控制方法，其特征在于：所述S1中，令现实设备特征信息Info＝[ind,place,type,input,output,ctrol]，其中：ind表示设备使用行业，place表示设备使用场景，type表示设备类型，input表示设备输入接口数量，output表示设备输出接口数量，ctrol表示是否有控制功能；

建立一个数据转换模型，将现有设备的特征信息转换为中心处理模块可识别的数字信息，将使用行业ind分类并进行数字编码，则有ind→ch₁∈[001,002，003，...]，即通过数字编码来代替不同的行业信息；同样将使用场景place及设备类型type分类并进行数字编码，使place→ch₂∈[1,2,3,...]，type→ch₃∈[0001,0002,0003,...]；设备输入、输出接口数量分别进行转换使用ch₄，ch₅表示；ch₆代表是否设备具有控制功能，用0或1表示；具体特征信息的数量由用户根据实际情况自行设定；由此，CH＝[ch₁,ch₂,...,ch_N]即为转换后的特征信息，N表示特征信息总数。

3.按照权利要求2所述的基于工业互联网协同制造控制方法，其特征在于：所述S2中，建立一个深度模型匹配神经网络，包括第一输入层，第二输入层，三个隐含层，第一输出层及第二输出层；其中，第一输出层输出做为第二输入层的输入。

4.按照权利要求3所述的基于工业互联网协同制造控制方法，其特征在于：所述S2中，第一输入层，维度为N，样本个数为M，其中一个样本的输入为CH＝[ch₁,ch₂,...,ch_N]^T，其对应的样本输出为GM＝[gm₁,gm₂,...,gm_K]^T，K表示匹配组态模型的数量，用户根据实际情况确定组态模型匹配数量；f_1m为第一隐含层神经元传递函数，f_2q为第二隐含层神经元的传递函数；

第一输入层有N个神经元，为现实设备转换后的特征信息，第一隐含层与第一输入层全连接，层内无连接，第一隐含层神经元个数与样本个数相等，即等于M，第一隐含层神经元激活函数为：

第一隐含层的输出为输入变量与其对应的样本CH之间Euclid距离平方的指数平方

的指数形式；式中，CH为输入变量，CH_m为第m个神经元对应的学习样本；

第二隐含层中有两类神经元，第一类神经元为第一隐含层每个神经元的输出和，其与各神经元的连接权值为1；第二类神经元为第一隐含层每个神经元输出的加权和；

一类的计算公式为

它对所有第一隐含层神经元的输出进行算术求和，传递函数为：

另一类计算公式为

它对所有第一隐含层的输出进行加权求和，第一隐含层中第m个神经元与第二隐含层第q个分子求和，神经元之间的连接权值为ω_mq，传递函数为

第一输出层中的神经元数目等于学习样本中输出向量的维数q，输出结果是第二隐含层的第二个节点除以第一个节点，即：

则第一输出层获得的输出为

第一输出层的输出为第二输入层的输入，包含Q个神经元，将第一输入层输入的特征信息进行归一化处理后，引入第三隐含层，参与激活函数，包含有N个神经元；为了防止引入状态影响网络波动，设置第四隐含层，包含P个神经元；第二输入层、第三隐含层、第四隐含层、第二输出层之前的权值分别为ω_qn、ω_np、ω_pk(1≤q≤Q,1≤n≤N,1≤p≤P,1≤k≤K)；

将第一输入层的输入进行归一化处理，则有

ch_min表示数据中的最小值，ch_max表示数据中的最大值；进过归一化处理的信息转换为CH′＝[ch₁′,ch₂′,...,ch′_N]；

当第二输入层输入为out_q时，结合第一输入层归一化处理信息计算，第三隐含层的输出为

第四隐含层的输出为

其中第三隐含层的激活函数为

第四隐含层的激活函数为

第二输出层的输出为

获得输出组态模型信息为GM′＝[gm₁′,gm′₂,...,gm′_K]，测试神经网络的训练效果时，根据实际需要设置阈值ε，通过与样本输出GM＝[gm₁,gm₂,...,gm_K]进行均方误差计算：

若满足MSE(GM,GM′)＜ε，则认为满足实际需求，训练完毕，否则循环执行直至满足需求。

5.按照权利要求4所述的基于工业互联网协同制造控制方法，其特征在于：所述S2中，深度模型匹配神经网络训练完成后，则进行对所需模型的匹配，将转化后的现实设备数据信息输入神经网络，输出即为匹配的组态模型的相应编码。

6.按照权利要求5所述的基于工业互联网协同制造控制方法，其特征在于：所述S3中，选择模块接收到中心处理模块发送的模型编码，通过编码匹配从存储模块50中选择组态模型，获得相应个数的组态模型，同时获得各个模型的特征信息

将各个模型的特征信息发送至评价模块，与原设备特征信息CH＝[ch₁,ch₂,...,ch_N]进行对比；

将原设备与获得的模型之间的特征信息进行平方差计算，获得各个模型的匹配度，

δ_k表示k模型与现实设备的匹配度；

将选出的组态模型按匹配度进行排序，并将匹配度最高模型作为推荐模型，同时将K个模型及模型对应的匹配度推送给用户，由用户自行选择是否使用推荐模型或选择其他匹配度模型。

7.按照权利要求6所述的基于工业互联网协同制造控制方法，其特征在于：所述S4中，用户通过评价模块推送的组态模型进行模型选择，将选择结果发送至分析模块，分析模块根据用户所作出的选择进行分析，若用户选择推荐模型的概率低于设定值，则表示中心处理模块30的深度模型匹配神经网络训练不完善，并对其进行重新训练；

令P＝NUM_T/NUM，P表示用户选择推荐模型的概率，NUM_T表示客户选择推荐模型的次数，NUM表示选择模型的总次数。

8.按照权利要求7所述的基于工业互联网协同制造控制方法，其特征在于：所述S4中，选择特定值η，令NUM＜η时概率计算公式不生效；设置阈值参数β，若P＜β,则表示用户选择推荐模型的概率过低，将信息发送至中心处理模块30,深度模型匹配神经网络即进行重新训练。

9.一种如权利要求1-8任意一项所述基于工业互联网协同制造控制方法在机器学习中的应用。

10.一种运行权利要求1-8任意一项基于工业互联网协同制造控制方法的基于工业互联网协同制造控制系统，其特征在于：所述基于工业互联网协同制造控制系统包括，

接收模块10，预处理模块20，中心处理模块30，选择模块40，存储模块50，评价模块60，分析模块70；

所述接收模块10，用于采集接收现实设备的主要特征信息；

所述预处理模块20，用于将现实设备的主要特征信息通过处理转换为中心处理模块30可识别信息；

所述中心处理模块30，用于建立深度神经网络，将预处理模块20处理后的信息作为输入，将若干匹配的组态模型编号作为输出；

所述选择模块40，将中心处理模块输出的若干模型编号，从存储模块50中匹配相应组态模型；

所述存储模块50，用于存储大量组态模型，并对模型进行编号，同时可通过手动操作对组态模型进行添加或修改等操作；

所述评价模块60，用于对选择模块40发送的若干组态模型进行匹配度评价，并将若干组态模型及相应评价结果推送至客户，让客户自行选择组态模型；

所述分析模块70，用于分析客户选择结果，通过客户选择匹配度最高模型的概率对深度神经网络进行优化。

Images