CN113094351B - 一种工业自动化生产过程知识挖掘与迁移方法、智能终端及存储介质 - Google Patents
一种工业自动化生产过程知识挖掘与迁移方法、智能终端及存储介质 Download PDFInfo
- Publication number
- CN113094351B CN113094351B CN202110326211.4A CN202110326211A CN113094351B CN 113094351 B CN113094351 B CN 113094351B CN 202110326211 A CN202110326211 A CN 202110326211A CN 113094351 B CN113094351 B CN 113094351B
- Authority
- CN
- China
- Prior art keywords
- vector
- knowledge
- model
- coding
- situation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 64
- 238000005065 mining Methods 0.000 title claims abstract description 52
- 230000005012 migration Effects 0.000 title claims abstract description 37
- 238000013508 migration Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 343
- 238000004364 calculation method Methods 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000004048 modification Effects 0.000 description 10
- 238000012986 modification Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 8
- 238000009776 industrial production Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000009854 hydrometallurgy Methods 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 239000011701 zinc Substances 0.000 description 3
- 229910052725 zinc Inorganic materials 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 1
- 229910017052 cobalt Inorganic materials 0.000 description 1
- 239000010941 cobalt Substances 0.000 description 1
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 description 1
- 229910001429 cobalt ion Inorganic materials 0.000 description 1
- XLJKHNWPARRRJB-UHFFFAOYSA-N cobalt(2+) Chemical compound [Co+2] XLJKHNWPARRRJB-UHFFFAOYSA-N 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- JQJCSZOEVBFDKO-UHFFFAOYSA-N lead zinc Chemical compound [Zn].[Pb] JQJCSZOEVBFDKO-UHFFFAOYSA-N 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/214—Database migration support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Manufacturing & Machinery (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种生产过程知识挖掘与迁移方法、智能终端及存储介质，包括：获取数据样本集，对数据样本集中不同模态的若干数据进行整合，得到第一特征知识向量；将第一特征知识向量输入预先设置的情境编码模型，得到第一情境编码向量和第一情境编码损失向量；将第一特征知识向量和第一情境编码向量输入预先设置的业务计算模型，得到第一业务目标向量；根据第一情境编码损失向量和第一业务目标向量对预先建立的难例知识库中的难例数据样本进行更新，并根据更新后的难例数据样本对情境编码模型和业务计算模型的模型参数进行更新。本发明对信息进行加工，挖掘生产过程中的知识，自动更新和调整模型参数，实现生产过程中对不同情境知识的迁移。
Description
技术领域
本发明涉及工业知识自动化技术领域，尤其涉及的是一种工业自动化生产过程知识挖掘与迁移方法、智能终端及存储介质。
背景技术
在现代智能制造过程中，生产过程知识主要是指专家或熟练工人根据其专业知识或实际操作，总结归纳而来的规律或技术，比如铝电解厂主要依靠工人观测火眼的方式判断槽况状态。在知识经济的时代，知识主导着一个企业的生产和技术创新，知识挖掘和知识迁移是知识自动化的两个主要研究内容，知识挖掘是知识自动化研究的重点。
现有工业生产过程知识挖掘方法包括基于数据驱动的生产过程知识挖掘方法和基于工艺知识驱动的生产过程知识挖掘方法，但无论是基于数据驱动还是基于工艺知识驱动的生产过程知识挖掘方法，都存在工况划分非最优，业务模型性能难以保障，严重依赖于工程人员掌握的大量各种算法知识的程度，需耗费大量人力、物力方能保障知识挖掘算法的性能。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种工业自动化生产过程知识挖掘与迁移方法、智能终端及存储介质，旨在解决现有生产过程知识挖掘方法存在工况划分非最优，业务模型性能难以保障，严重依赖于工程人员掌握的大量各种算法知识的程度，需耗费大量人力、物力方能保障知识挖掘算法的性能的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种工业自动化生产过程知识挖掘与迁移方法，其中，包括：
获取数据样本集，对所述数据样本集中不同模态的若干数据进行整合，得到所述数据样本集对应的第一特征知识向量；
将所述第一特征知识向量输入预先设置的情境编码模型，得到所述第一特征知识向量对应的第一情境编码向量和第一情境编码损失向量；
将所述第一特征知识向量和所述第一情境编码向量输入预先设置的业务计算模型，得到所述第一特征知识向量对应的第一业务目标向量；
根据所述第一情境编码损失向量和所述第一业务目标向量对预先建立的难例知识库中的难例数据样本进行更新，并根据更新后的所述难例数据样本对所述情境编码模型和所述业务计算模型的模型参数进行更新。
所述的工业自动化生产过程知识挖掘与迁移方法，其中，所述对所述数据样本集中不同模态的若干数据进行整合，得到所述数据样本集对应的第一特征知识向量的步骤包括：
获取所述数据样本集中不同模态的若干数据对应的投影函数，根据所述投影函数对若干所述数据进行知识投影，得到各个所述数据对应的特征空间；
根据预设的融合函数对各个所述数据对应的特征空间进行融合，得到所述数据样本集对应的第一特征知识向量。
所述的工业自动化生产过程知识挖掘与迁移方法，其中，所述情境编码模型包括编码器和解码器，所述将所述第一特征知识向量输入预先设置的情境编码模型，得到所述第一特征知识向量对应的第一情境编码向量和第一情境编码损失向量的步骤包括：
将所述第一特征知识向量输入所述编码器，得到所述第一特征知识向量对应的第一情境编码向量；
将所述第一情境编码向量输入所述解码器，得到所述第一特征知识向量对应的重构知识向量；
根据所述重构知识向量和所述第一特征知识向量，得到所述第一特征知识向量对应的第一情境编码损失向量。
所述的工业自动化生产过程知识挖掘与迁移方法，其中，所述业务计算模型包括特征提取器和调制解调器，所述将所述第一特征知识向量和所述第一情境编码向量输入预先设置的业务计算模型，得到所述第一特征知识向量对应的第一业务目标向量的步骤包括：
将所述第一特征知识向量输入所述特征提取器中，得到所述第一特征知识向量对应的第二特征知识向量；
将所述第一情境编码向量和所述第二特征知识向量输入所述调制解调器中，得到所述第一特征知识向量对应的第一业务目标向量。
所述的工业自动化生产过程知识挖掘与迁移方法，其中，所述根据所述第一情境编码损失向量和所述第一业务目标向量对预先建立的难例知识库中的难例数据样本进行更新的步骤包括：
将所述第一情境编码损失向量与预设第一阈值进行比较，以及将所述第一业务目标向量和预设的实际业务目标向量的差值与预设第二阈值进行比较；
当所述第一情境编码损失向量大于所述第一阈值和/或所述差值大于所述第二阈值时，将所述数据样本集存储到预先建立的难例知识库中，以对所述难例知识库中的难例数据样本进行更新。
所述的工业自动化生产过程知识挖掘与迁移方法，其中，所述根据所述难例数据样本对所述情境编码模型和所述业务计算模型的模型参数进行更新的步骤包括：
获取所述难例数据样本的样本数，将所述样本数与预设第三阈值进行比较；
当所述样本数大于所述第三阈值时，对所述难例数据样本进行整合，得到所述难例数据样本对应的第三特征知识向量；
根据所述第三特征知识向量对所述情境编码模型和所述业务计算模型的模型参数进行更新。
所述的工业自动化生产过程知识挖掘与迁移方法，其中，所述根据所述第三特征知识向量对所述情境编码模型和所述业务计算模型的模型参数进行更新的步骤包括：
将所述第三特征知识向量输入所述情境编码模型，得到第二情境编码向量和第二情境编码损失向量，根据所述第二情境编码损失向量对所述情境编码模型的模型参数进行更新，并继续执行将所述第三特征知识向量输入所述情境编码模型，得到第二情境编码向量和第二情境编码损失向量的步骤，直至所述情境编码模型满足预设第一条件；
将所述第三特征知识向量和所述第二情境编码向量输入业务计算模型，得到第二业务目标向量，根据所述第二业务目标向量对所述业务计算模型的模型参数进行更新，并继续执行将所述第三特征知识向量和所述第二情境编码向量输入业务计算模型，得到第二业务目标向量的步骤，直至所述业务计算模型满足预设第二条件。
所述的工业自动化生产过程知识挖掘与迁移方法，其中，所述模型参数为模型权重，所述根据所述第二情境编码损失向量对所述情境编码模型的模型参数进行更新的步骤包括：
根据所述第二情境编码损失向量，确定所述情境编码模型对应的第一权重增量；
根据预先确定的正交投影矩阵对所述第一权重增量进行修正，并将修正后的所述第一权重增量作为所述情境编码模型的模型权重。
第二方面，本发明实施例还提供一种生产过程知识挖掘与迁移装置，其中，所述装置包括：
数据处理模块，用于获取数据样本集，对所述数据样本集中不同模态的若干数据进行整合，得到所述数据样本集对应的第一特征知识向量；
情境编码模块，用于将所述第一特征知识向量输入预先设置的情境编码模型，得到所述第一特征知识向量对应的第一情境编码向量和第一情境编码损失向量；
业务计算模块，用于将所述第一特征知识向量和所述第一情境编码向量输入预先设置的业务计算模型，得到所述第一特征知识向量对应的第一业务目标向量；
学习触发模块，用于根据所述第一情境编码损失向量和所述第一业务目标向量对预先建立的难例知识库中的难例数据样本进行更新，并根据所述难例数据样本对所述情境编码模型和所述业务计算模型的模型参数进行更新。
第三方面，本发明实施例提供一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的工业自动化生产过程知识挖掘与迁移方法的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上述中任意一项所述的工业自动化生产过程知识挖掘与迁移方法的步骤。
本发明的有益效果：本发明实施例首先获取数据样本集，对所述数据样本集中不同模态的若干数据进行整合，得到所述数据样本集对应的第一特征知识向量，然后，将所述第一特征知识向量输入预先设置的情境编码模型，得到所述第一特征知识向量对应的第一情境编码向量和第一情境编码损失向量，接着，将所述第一特征知识向量和所述第一情境编码向量输入预先设置的业务计算模型，得到所述第一特征知识向量对应的第一业务目标向量，最后，根据所述第一情境编码损失向量和所述第一业务目标向量对预先建立的难例知识库中的难例数据样本进行更新，并根据更新后的所述难例数据样本对所述情境编码模型和所述业务计算模型的模型参数进行更新，因此，通过持续学习生产过程知识的特性，挖掘隐含在直接来自生产现场的海量数据中的知识，通过匹配和对比知识的差异性和共性，分析和识别出生产过程出现的新情境，并通过对模型的模型参数进行修正，从而达到情境自适应与工业知识自动挖掘和迁移的目的。
附图说明
为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明中记载的一些实施例，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。
图1是本发明实施例提供的工业自动化生产过程知识挖掘与迁移方法的流程示意图；
图2是本发明实施例提供的工业自动化生产过程知识挖掘与迁移方法的整体方案示意图；
图3是本发明实施例提供的整合不同模态数据的实现方法示意图；
图4是本发明实施例提供的整合不同模态数据的应用实施例方法示意图；
图5是本发明实施例提供的情境编码损失向量确定方法示意图；
图6是本发明实施例提供的生产过程知识挖掘与迁移装置的原理框图；
图7是本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
知识挖掘和知识迁移是知识自动化的两个主要研究内容，知识挖掘是知识自动化研究的重点，现有方法主要有基于数据驱动和基于工艺知识驱动的生产过程知识挖掘两大类。基于数据驱动的生产过程知识挖掘方法主要包括三部分：知识源、工况划分（情境划分）和业务模型。在知识源中分为离线历史数据和在线数据知识两部分，若要保证情境划分和任务推理性能，需要保证离线历史数据与在线数据知识的一致性，即离在线数据服从同一高斯分布，但在实际工业生产过程中，历史样本数据总是欠完备的，实现完全覆盖在线生产过程的情景任务几乎是不可能的。在工况划分（情境划分）部分，大部分方法（如时间滑动窗、聚类、分类、主元分析PCA等）仍然局限在判断一阶统计量（均值）或二阶统计量（方差）的相似性程度，很少有方法从动态特征上区分工况（情境）。在任务模型业务部分，受制于离在线数据知识间的相对完备性问题，且由于缺乏自动感知和学习新工况情境机制，导致任务业务模型性能在实际应用中难以保证。
基于工艺知识驱动的生产过程知识挖掘方法与基于数据驱动的生产知识挖掘方法的最大区别在于工况划分的依据，基于知识驱动的生产过程知识挖掘的首要条件是掌握生产过程的工艺知识，依据工艺知识的先后划分工况，例如在铅锌熔炼过程中将一个加料周期的工况变化划分为速降阶段、初始阶段、过渡阶段和稳态阶段，而后针对每个阶段进行深入分析。显然基于工艺知识驱动的生产过程知识挖掘方法不仅面临着离在线数据知识间的相对完备性问题，致使最终业务模型难以达到实际应用要求，还面临着生产过程专家知识难以获取，专家知识模糊、不确定性强等问题，致使工况划分精确性低，业务模型性能难以达到业务需求。
综合现有生产过程知识挖掘与知识迁移的原理，无论是基于数据驱动还是基于工艺知识驱动的生产过程知识挖掘方法，都面临着四方面的问题：其一，获取的先验知识有限，且具有模糊性、强不确定性等问题；其二，离在线数据知识间的相对欠完备，导致工况划分非最优，使最终业务模型性能难以保障；其三，现有方法性能严重依赖于工程人员掌握的大量各种算法知识的程度，需耗费大量人力、物力方能保障知识挖掘算法的性能；其四，现有方法应用于实际复杂的生产过程中，尚难以具备连续的情境（场景）学习、“举一反三”和“弱监督小样本”学习等能力。
为了解决现有技术的问题，本实施例提供了一种工业自动化生产过程知识挖掘与迁移方法、智能终端及存储介质，通过所述方法可以实现情境知识和业务知识等多种模式知识的自动融合的类人类思维模式，实现自主连续情境学习，自动更新和调制模型参数，以获得和保持良好的知识挖掘和迁移性能。具体实施时，首先获取数据样本集，对所述数据样本集中不同模态的若干数据进行整合，得到所述数据样本集对应的第一特征知识向量，然后，将所述第一特征知识向量输入预先设置的情境编码模型，得到所述第一特征知识向量对应的第一情境编码向量和第一情境编码损失向量，接着，将所述第一特征知识向量和所述第一情境编码向量输入预先设置的业务计算模型，得到所述第一特征知识向量对应的第一业务目标向量，最后，根据所述第一情境编码损失向量和所述第一业务目标向量对预先建立的难例知识库中的难例数据样本进行更新，并根据更新后的所述难例数据样本对所述情境编码模型和所述业务计算模型的模型参数进行更新，因此，通过持续学习生产过程知识的特性，挖掘隐含在直接来自生产现场的海量数据中的知识，通过匹配和对比知识的差异性和共性，分析和识别出生产过程出现的新情境，并通过对模型的模型参数进行修正，从而达到情境自适应与工业知识自动挖掘和迁移的目的。
示例性方法
本实施例提供一种工业自动化生产过程知识挖掘与迁移方法，该方法可以应用于智能终端。具体如图1和图2中所示，所述方法包括：
步骤S100、获取数据样本集，对所述数据样本集中不同模态的若干数据进行整合，得到所述数据样本集对应的第一特征知识向量。
具体地，所述知识为生产过程知识，生产过程知识是指工业生产过程中为满足某个需求、目标或应用场景，构建从问题描述、目标/需求建模、数据采集与处理、模型训练与固化等，一套解决实际工业问题的方法体系，例如，为解决湿法炼锌净化过程的异常工况监测，熟练工人或专家在观察多个指标变量（净液中钴离子浓度）的变化波动情况，依据自己的专业知识判断不同生产工况的正常与否。知识挖掘指从数据集中识别出有效的、新颖的、潜在有用的关联规则等信息，并据此对较高层次的处理和分析以得到关于数据总体特征和对发展趋势的预测，例如，在湿法炼锌净化过程中，通过主元分析、数理统计等获取反映生产工况的特征，接着依据这些工况特征判断生产过程的优劣。知识迁移是指在学习者已经具有的知识经验和认知结构、已获得的动作技能、习得的态度等基础上进行学习的过程，原有的知识结构对新的学习的影响就形成了知识的迁移，例如，在湿法炼锌净化过程中，原有知识是满足铜钴镉等杂质浓度预测的需求而设计，现有需求是依据杂质离子浓度和其他信息实现生产工况的监测，将原有杂质离子预测的知识迁移到生产工况监测的需求上的过程，可理解为知识迁移。
所述若干数据样本集是指工业生产过程中采集的来自生产现场的多维度、多尺度、异构的海量数据，例如，在生产过程中，采用线性扫描相机、红外相机等工业设备拍摄的生产过程图片，或者生产过程中设备的运行状态参数数据如压力、温度、流量、阀开度等。本实施例中预先建立离在线知识库，所述离在线数据库中存储有工业生产过程中采集的离线数据样本和在线数据样本，在进行基于连续情境学习的知识挖掘与迁移时，首先从离在线知识库中获取数据样本集。考虑到工业生产过程中采集的数据样本集中包含不同模态的若干数据，例如文字、图片和各种信号等，获取到数据样本集后，进一步对数据样本集中不同模态的若干数据进行整合，将不同模态的若干数据整合成标准化范式的第一特征知识向量。
在一具体实施方式中，步骤S100中所述对所述数据样本集中不同模态的若干数据进行整合，得到所述数据样本集对应的第一特征知识向量的步骤包括：
步骤S110、获取所述数据样本集中不同模态的若干数据对应的投影函数，根据所述投影函数对若干所述数据进行知识投影，得到各个所述数据对应的特征空间；
步骤S120、根据预设的融合函数对各个所述数据对应的特征空间进行融合，得到所述数据样本集对应的第一特征知识向量。
为了将不同模态的若干数据整合为统一的结构范式，本实施例中预先设置了不同模态的数据对应的投影函数，在对数据样本集中不同模态的若干数据进行整合时，首先获取数据样本集中不同模态的若干数据对应的投影函数，然后根据所述投影函数对若干所述数据进行知识投影，得到各个所述数据对应的特征空间，最后通过预设的融合函数对各个所述数据对应的特征空间进行融合，得到所述数据样本集对应的第一特征知识向量。如图3所示，例如数据样本集中包括图片数据、信号数据以及文本数据，在对数据样本集中不同模态的若干数据进行整合时，具体是获取图片数据、信号数据以及文本数据各自对应的投影函数，并根据投影函数分别对图片数据、信号数据以及文本数据进行知识投影，得到图片数据、信号数据以及文本数据各自对应的特征空间，然后通过融合函数对各个特征空间进行融合，得到标准化范式的第一特征知识向量。
举例说明，如图4所示，当获取到的数据样本集中包括帧长为的图片数据以及生产过程中产生的时窗长/>的监测数据，对于图片数据，可以在时刻/>采用卷积神经网络（多层投影函数）对图片数据进行分析，为保证特征投影性能，卷积神经网络可选择开源的mobile-Net系列、VGG-Net系列、Res-Net系列等卷积神经网络。对于时窗长/>的监测数据，通过对各个变量的样本数据引入其前/>个时滞测量数据，从而可将时窗/>的监测数据矩阵（/>为样本数，/>为变量数）扩展成相应的增广矩阵/>，其中，，其中，依据香农采样定理，结合图片采集帧长/>，可将时窗长/>设定为至少/>，相应地选择时间序列数据的样本数，/>表示采样时刻/>的/>个变量。对上述增广矩阵采用特征投影函数进行特征降维，滤除噪声，挖掘蕴含在高维监测信号中的知识，形成特征空间，其投影函数可选择高斯核、堆叠自编码等。在完成针对生产过程中的图片和监测数据的特征提取与表示后，采用特定的融合函数对来自不同数据模态的特征空间进行融合（如采用限制波尔兹曼机、高斯核函数等），以形成标准化范式的第一特征知识向量，其中，融合函数起到映射输入空间与特征空间的作用，可根据需要选择核学习方法、共享子空间学习以及深度学习方法等。
步骤S200、将所述第一特征知识向量输入预先设置的情境编码模型，得到所述第一特征知识向量对应的第一情境编码向量和第一情境编码损失向量。
为了度量特征知识之间的差异性，可采用各种度量方法如欧式距离、交叉熵函数以及互信息等，本实施例中通过预先设置的情境编码模型来度量特征知识之间的差异性，获取到第一特征知识向量后，将所述第一特征知识向量输入预先设置的情境编码模型，得到所述第一特征知识向量对应的第一情境编码向量和第一情境编码损失向量，以便后续步骤中根据所述第一情境编码损失向量对所述数据样本集中的情境知识进行挖掘，以及根据所述第一情境编码向量确定第一业务目标向量。
在一具体实施方式中，所述情境编码模型包括编码器和解码器，步骤S200具体包括：
步骤S210、将所述第一特征知识向量输入所述编码器，得到所述第一特征知识向量对应的第一情境编码向量；
步骤S220、将所述第一情境编码向量输入所述解码器，得到所述第一特征知识向量对应的重构知识向量；
步骤S230、根据所述重构知识向量和所述第一特征知识向量，得到所述第一特征知识向量对应的第一情境编码损失向量。
具体地，本实施例中的情境编码模型包括编码器和解码器，如图5所示，在将第一特征知识向量输入所述情境编码模型后，首先由编码器对所述第一特征知识向量进行编码操作，所述编码操作的实质是对所述第一特征知识向量进行降维处理得到所述第一特征知识向量对应的第一情境编码向量，然后由解码器对所述第一情境编码向量进行重构，得到所述第一特征知识向量对应的重构知识向量。为了衡量不同情境下特征知识向量分布的差异性，在得到重构知识向量后，可采用交叉熵等方式衡量重构知识向量与第一特征知识向量之间的差异性，得到所述第一特征知识向量对应的第一情境编码损失向量。
步骤S300、将所述第一特征知识向量和所述第一情境编码向量输入预先设置的业务计算模型，得到所述第一特征知识向量对应的第一业务目标向量。
为了对新业务知识或难业务知识进行挖掘，本实施例中预先设置业务计算模型，得到第一情境编码向量后，将第一特征知识向量和第一情境编码向量输入预先设置的业务计算模型，得到所述第一特征知识向量对应的第一业务目标向量，以便后续步骤中根据所述第一业务目标向量对所述数据样本集中的业务知识进行挖掘。
在一具体实施方式中，所述业务计算模型包括特征提取器和调制解调器，步骤S300具体包括：
步骤S310、将所述第一特征知识向量输入所述特征提取器中，得到所述第一特征知识向量对应的第二特征知识向量；
步骤S320、将所述第一情境编码向量和所述第二特征知识向量输入所述调制解调器中，得到所述第一特征知识向量对应的第一业务目标向量。
具体地，本实施例中预先设置的业务计算模型包括特征提取器和调制解调器，在确定第一情境编码向量后，首先将第一特征知识向量输入特征提取器中，特征提取器采用各种特征融合与选择技术，对标准化范式的第一特征知识向量进行汇总、分析和比较，用汇总、简洁、精确的方式对第一特征知识向量进行描述，得到所述第一特征知识向量对应的第二特征知识向量。然后将第一情境编码向量和第二特征知识向量输入调制解调器中，调制解调器根据第一情境编码向量对第二特征知识向量进行处理，使所述第二特征知识向量以更易区分的特征形式进行表示，得到所述第一特征知识向量对应的第一业务目标向量。
步骤S400、根据所述第一情境编码损失向量和所述第一业务目标向量对预先建立的难例知识库中的难例数据样本进行更新，并根据更新后的所述难例数据样本对所述情境编码模型和所述业务计算模型的模型参数进行更新。
具体地，本实施例中通过预先建立难例知识库来存储知识挖掘过程中挖掘出的情境知识或业务知识，在得到所述第一特征知识向量对应的第一业务目标向量后，根据所述第一情境编码损失向量和所述第一业务目标向量确定所述数据样本集中是否包含新情境知识或新业务知识，当判断所述数据样本中包含新情境知识或新业务知识后，将所述数据样本集存储到所述难例知识库中，并根据更新后的所述难例知识库中的难例数据样本对所述情境编码模型和所述业务计算模型的模型参数进行更新。
在一具体实施方式中，步骤S400中所述根据所述第一情境编码损失向量和所述第一业务目标向量对预先建立的难例知识库中的难例数据样本进行更新的步骤包括：
步骤S410、将所述第一情境编码损失向量与预设第一阈值进行比较，以及将所述第一业务目标向量和预设的实际业务目标向量的差值与预设第二阈值进行比较；
步骤S420、当所述第一情境编码损失向量大于所述第一阈值和/或所述差值大于所述第二阈值时，将所述数据样本集存储到预先建立的难例知识库中，以对所述难例知识库中的难例数据样本进行更新。
具体地，所述第一阈值用于衡量知识向量之间的差异性，所述第二阈值用于衡量第一业务目标向量与预设的实际业务目标向量之间的差异，在得到第一情境编码损失向量和第一业务目标向量后，将第一情境编码损失向量与预设第一阈值进行比较，以及将第一业务目标向量和预设实际业务目标向量的差值与预设第二阈值进行比较，当所述第一情境编码损失向量大于所述第一阈值和/或所述差值大于所述第二阈值时，表明所述数据样本集中包含新情境知识或新业务知识，将若干所述数据样本存储到预先建立的难例数据库中，以对所述难例数据库中的难例数据样本进行更新。
在一具体实施方式中，步骤S400中所述根据所述难例数据样本对所述情境编码模型和所述业务计算模型的模型参数进行更新的步骤包括：
步骤S430、获取所述难例数据样本的样本数，将所述样本数与预设第三阈值进行比较；
步骤S440、当所述样本数大于所述第三阈值时，对所述难例数据样本进行整合，得到所述难例数据样本对应的第三特征知识向量；
步骤S450、根据所述第三特征知识向量对所述情境编码模型和所述业务计算模型的模型参数进行更新。
具体地，本实施例中预先设置用于衡量难例数据样本数的第三阈值，在对难例知识库中的难例数据样本进行更新后，获取难例数据样本的样本数，将所述样本数与预设第三阈值进行比较，当所述样本数大于所述第三阈值时，对所述难例数据样本进行整合，得到所述难例数据样本对应的第三特征知识向量，并根据所述第三特征知识向量对所述情境编码模型和所述业务计算模型的模型参数进行更新。本实施例中难例数据样本的整合方法与前述步骤中数据样本集中不同模态的数据的整合方法相同，均是通过投影函数和融合函数进行整合，在此不作赘述。
在一具体实施方式中，步骤S450具体包括：
步骤S451、将所述第三特征知识向量输入所述情境编码模型，得到第二情境编码向量和第二情境编码损失向量，根据所述第二情境编码损失向量对所述情境编码模型的模型参数进行更新，并继续执行将所述第三特征知识向量输入所述情境编码模型，得到第二情境编码向量和第二情境编码损失向量的步骤，直至所述情境编码模型满足预设第一条件；
步骤S452、将所述第三特征知识向量和所述第二情境编码向量输入业务计算模型，得到第二业务目标向量，根据所述第二业务目标向量对所述业务计算模型的模型参数进行更新，并继续执行将所述第三特征知识向量和所述第二情境编码向量输入业务计算模型，得到第二业务目标向量的步骤，直至所述业务计算模型满足预设第二条件。
具体地，本实施例中对情境编码模型和业务计算模型的模型参数进行更新时，先更新情境编码模型的模型参数，再更新业务计算模型的模型参数。首先将第三特征知识向量输入情境编码模型，得到第二情境编码向量和第二情境编码损失向量，根据所述第二情境编码损失向量对所述情境编码模型的模型参数进行更新，并继续执行将所述第三特征知识向量输入所述情境编码模型，得到第二情境编码向量和第二情境编码损失向量的步骤，直至所述情境编码模型满足预设第一条件，其中，预设第一条件为所述情境编码模型的损失函数小于预设第四阈值或者所述情境编码模型的训练迭代次数达到预设次数。
为了防止新情境知识对原有情境知识的冲击和覆盖，导致原有情境知识的遗忘，本实施例中引入正交权重修改（Orthogonal Weights Modification, OWM）机制对情境编码模型的模型参数进行修正，正交权重修改机制的核心思想是在情境编码模型训练过程中，其权重只允许在与旧情境输入空间正交的方向上修改，如此确保了新情境的权重更新不会影响或干扰到已学到的情境。具体地，在对情境编码模型的模型参数进行修正时，采用反向传播算法确定情境编码模型对应的第一权重增量，即根据模型训练过程中得到的情境编码损失向量确定情境编码模型对应的第一权重增量，然后根据第二特征知识向量，确定正交投影矩阵。其中，正交投影矩阵的计算公式为：，其中，为第二特征知识向量，/>为单位矩阵，常量/>用于调整投影的正交程度。得到正交投影矩阵后，根据所述正交投影矩阵对所述第一权重增量进行修正，并将修正后的所述第一权重增量作为所述情境编码模型的模型权重。其中所述第一权重增量的修正公式为：/>，其中，/>为学习率，/>为第一权重增量，/>为修正后的第一权重增量。
在所述情境编码模型满足预设第一条件后，将所述第三特征知识向量和满足所述第一条件的情境编码模型输出的第二情境编码向量输入业务计算模型，得到第二业务目标向量，根据所述第二业务目标向量对所述业务计算模型的模型参数进行更新，并继续执行将所述第三特征知识向量和所述第二情境编码向量输入业务计算模型，得到第二业务目标向量的步骤，直至所述业务计算模型满足预设第二条件，其中，预设第二条件为所述业务计算模型的损失函数小于预设第五阈值或者所述情境编码模型的训练迭代次数达到预设次数。
为了防止新业务知识对原有业务知识的覆盖和干扰，导致业务知识的混乱，本实施例中引入正交权重修改（Orthogonal Weights Modification, OWM）机制对业务计算模型的模型参数进行修正，正交权重修改机制的核心思想是在业务计算模型训练过程中，其权重只允许在与旧业务输入空间正交的方向上修改，如此确保了新业务的权重更新不会影响或干扰到已学到的业务。具体地，在对业务计算模型的模型参数进行修正时，采用反向传播算法确定业务计算模型对应的第二权重增量，即根据模型训练过程中得到的第二业务目标向量确定业务计算模型对应的第二权重增量，然后根据前述步骤中确定的正交投影矩阵对所述第二权重增量进行修正，并将修正后的所述第二权重增量作为所述业务计算模型对应的模型权重。其中模型参数的修正公式为：，其中，/>为学习率，为第二权重增量，/>为修正后的第二权重增量。
考虑到情境编码器所能编码的情境数量和业务计算模型所能度量业务计算能力终归是有限的，为了防止情境数据或新业务数量过多，导致情境编码模型溢出或业务计算模型业务处理能力下降，本实施例中对情境编码模型和业务计算模型的剩余表征容量进行实时监测，假设所述情境编码模型或业务计算模型由层神经网络构成，则情境编码模型或业务计算模型的剩余表征容量为，其中，/>为第/>层神经网络的剩余表征容量。在神经网络中，每层神经元的容量可用该层相应的正交投影算子/>的秩来度量，假设某层神经网络中，第/>个新情境或新业务训练后得到的正交投影算子为/>，第/>个新情境或新业务训练后更新的矩阵增量为/>，则该层神经网络在学习新情境或新业务后，剩余表征容量为：/>。若表示该层神经网络的表征能力已耗尽，若/>表示情境编码模型或业务计算模型的容量耗尽，需要考虑增加更多的层或神经元，或者引入遗忘机制，为新情境或新业务学习腾出空间。/>
由此可见，本发明实施例首先获取数据样本集，对所述数据样本集中不同模态的若干数据进行整合，得到所述数据样本集对应的第一特征知识向量，然后，将所述第一特征知识向量输入预先设置的情境编码模型，得到所述第一特征知识向量对应的第一情境编码向量和第一情境编码损失向量，接着，将所述第一特征知识向量和所述第一情境编码向量输入预先设置的业务计算模型，得到所述第一特征知识向量对应的第一业务目标向量，最后，根据所述第一情境编码损失向量和所述第一业务目标向量对预先建立的难例知识库中的难例数据样本进行更新，并根据更新后的所述难例数据样本对所述情境编码模型和所述业务计算模型的模型参数进行更新，因此，通过持续学习生产过程知识的特性，挖掘隐含在直接来自生产现场的海量数据中的知识，通过匹配和对比知识的差异性和共性，分析和识别出生产过程出现的新情境，并通过对模型的模型参数进行修正，从而达到情境自适应与工业知识自动挖掘和迁移的目的。
示例性设备
如图6中所示，本发明实施例提供一种生产过程知识挖掘与迁移装置，该装置包括：数据处理模块610、情境编码模块620、业务计算模块630、学习触发模块640。具体地，所述数据处理模块610，用于获取数据样本集，对所述数据样本集中不同模态的若干数据进行整合，得到所述数据样本集对应的第一特征知识向量。所述情境编码模块620，用于将所述第一特征知识向量输入预先设置的情境编码模型，得到所述第一特征知识向量对应的第一情境编码向量和第一情境编码损失向量。所述业务计算模块630，用于将所述第一特征知识向量和所述第一情境编码向量输入预先设置的业务计算模型，得到所述第一特征知识向量对应的第一业务目标向量。所述学习触发模块640，用于根据所述第一情境编码损失向量和所述第一业务目标向量对预先建立的难例知识库中的难例数据样本进行更新，并根据更新后的所述难例数据样本对所述情境编码模型和所述业务计算模型的模型参数进行更新。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图7所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种工业自动化生产过程知识挖掘与迁移方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的运行温度。
本领域技术人员可以理解，图7中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
获取数据样本集，对所述数据样本集中不同模态的若干数据进行整合，得到所述数据样本集对应的第一特征知识向量；
将所述第一特征知识向量输入预先设置的情境编码模型，得到所述第一特征知识向量对应的第一情境编码向量和第一情境编码损失向量；
将所述第一特征知识向量和所述第一情境编码向量输入预先设置的业务计算模型，得到所述第一特征知识向量对应的第一业务目标向量；
根据所述第一情境编码损失向量和所述第一业务目标向量对预先建立的难例知识库中的难例数据样本进行更新，并根据更新后的所述难例数据样本对所述情境编码模型和所述业务计算模型的模型参数进行更新。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
综上所述，本发明公开了一种工业自动化生产过程知识挖掘与迁移方法、智能终端及存储介质，包括：获取数据样本集，对所述数据样本集中不同模态的若干数据进行整合，得到所述数据样本集对应的第一特征知识向量；将所述第一特征知识向量输入预先设置的情境编码模型，得到所述第一特征知识向量对应的第一情境编码向量和第一情境编码损失向量；将所述第一特征知识向量和所述第一情境编码向量输入预先设置的业务计算模型，得到所述第一特征知识向量对应的第一业务目标向量；根据所述第一情境编码损失向量和所述第一业务目标向量对预先建立的难例知识库中的难例数据样本进行更新，并根据更新后的所述难例数据样本对所述情境编码模型和所述业务计算模型的模型参数进行更新。本发明克服了离在线数据知识间的相对欠完备冲突问题，有效解决工业生产过程中连续的弱监督小样本学习问题，实现主动的连续情境学习，自动感知外界环境和系统自身的状态变化，有针对性地对信息进行加工，挖掘生产过程中的知识，自动更新和调整模型参数，实现生产过程中对不同情境知识的迁移，能够对不同情境信息做出灵活的响应。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种工业自动化生产过程知识挖掘与迁移方法，其特征在于，包括：
获取数据样本集，对所述数据样本集中不同模态的若干数据进行整合，得到所述数据样本集对应的第一特征知识向量；
将所述第一特征知识向量输入预先设置的情境编码模型，得到所述第一特征知识向量对应的第一情境编码向量和第一情境编码损失向量；
将所述第一特征知识向量和所述第一情境编码向量输入预先设置的业务计算模型，得到所述第一特征知识向量对应的第一业务目标向量；
根据所述第一情境编码向量和所述第一业务目标向量对预先建立的难例知识库中的难例数据样本进行更新，并根据更新后的所述难例数据样本对所述情境编码模型和所述业务计算模型的模型参数进行更新；
所述情境编码模型包括编码器和解码器，所述将所述第一特征知识向量输入预先设置的情境编码模型，得到所述第一特征知识向量对应的第一情境编码向量和第一情境编码损失向量的步骤包括：
将所述第一特征知识向量输入所述编码器，得到所述第一特征知识向量对应的第一情境编码向量；
将所述第一情境编码向量输入所述解码器，得到所述第一特征知识向量对应的重构知识向量；
根据所述重构知识向量和所述第一特征知识向量，得到所述第一特征知识向量对应的第一情境编码损失向量；
所述业务计算模型包括特征提取器和调制解调器，所述将所述第一特征知识向量和所述第一情境编码向量输入预先设置的业务计算模型，得到所述第一特征知识向量对应的第一业务目标向量的步骤包括：
将所述第一特征知识向量输入所述特征提取器中，得到所述第一特征知识向量对应的第二特征知识向量；
将所述第一情境编码向量和所述第二特征知识向量输入所述调制解调器中，得到所述第一特征知识向量对应的第一业务目标向量。
2.根据权利要求1所述的工业自动化生产过程知识挖掘与迁移方法，其特征在于，所述对所述数据样本集中不同模态的若干数据进行整合，得到所述数据样本集对应的第一特征知识向量的步骤包括：
获取所述数据样本集中不同模态的若干数据对应的投影函数，根据所述投影函数对若干所述数据进行知识投影，得到各个所述数据对应的特征空间；
根据预设的融合函数对各个所述数据对应的特征空间进行融合，得到所述数据样本集对应的第一特征知识向量。
3.根据权利要求1所述的工业自动化生产过程知识挖掘与迁移方法，其特征在于，所述根据所述第一情境编码损失向量和所述第一业务目标向量对预先建立的难例知识库中的难例数据样本进行更新的步骤包括：
将所述第一情境编码损失向量与预设第一阈值进行比较，以及将所述第一业务目标向量和预设的实际业务目标向量的差值与预设第二阈值进行比较；
当所述第一情境编码损失向量大于所述第一阈值和/或所述差值大于所述第二阈值时，将所述数据样本集存储到预先建立的难例知识库中，以对所述难例知识库中的难例数据样本进行更新。
4.根据权利要求1所述的工业自动化生产过程知识挖掘与迁移方法，其特征在于，所述根据所述难例数据样本对所述情境编码模型和所述业务计算模型的模型参数进行更新的步骤包括：
获取所述难例数据样本的样本数，将所述样本数与预设第三阈值进行比较；
当所述样本数大于所述第三阈值时，对所述难例数据样本进行整合，得到所述难例数据样本对应的第三特征知识向量；
根据所述第三特征知识向量对所述情境编码模型和所述业务计算模型的模型参数进行更新。
5.根据权利要求4所述的工业自动化生产过程知识挖掘与迁移方法，其特征在于，所述根据所述第三特征知识向量对所述情境编码模型和所述业务计算模型的模型参数进行更新的步骤包括：
将所述第三特征知识向量输入所述情境编码模型，得到第二情境编码向量和第二情境编码损失向量，根据所述第二情境编码损失向量对所述情境编码模型的模型参数进行更新，并继续执行将所述第三特征知识向量输入所述情境编码模型，得到第二情境编码损失向量的步骤，直至所述情境编码模型满足预设第一条件；
将所述第三特征知识向量和所述第二情境编码向量输入业务计算模型，得到第二业务目标向量，根据所述第二业务目标向量对所述业务计算模型的模型参数进行更新，并继续执行将所述第三特征知识向量和所述第二情境编码向量输入业务计算模型，得到第二业务目标向量的步骤，直至所述业务计算模型满足预设第二条件。
6.根据权利要求5所述的工业自动化生产过程知识挖掘与迁移方法，其特征在于，所述模型参数为模型权重，所述根据所述第二情境编码损失向量对所述情境编码模型的模型参数进行更新的步骤包括：
根据所述第二情境编码损失向量，确定所述情境编码模型对应的第一权重增量；
根据预先确定的正交投影矩阵对所述第一权重增量进行修正，并将修正后的所述第一权重增量作为所述情境编码模型的模型权重。
7.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-6中任意一项所述的工业自动化生产过程知识挖掘与迁移方法的步骤。
8.一种计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-6中任意一项所述的工业自动化生产过程知识挖掘与迁移方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110326211.4A CN113094351B (zh) | 2021-03-26 | 2021-03-26 | 一种工业自动化生产过程知识挖掘与迁移方法、智能终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110326211.4A CN113094351B (zh) | 2021-03-26 | 2021-03-26 | 一种工业自动化生产过程知识挖掘与迁移方法、智能终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113094351A CN113094351A (zh) | 2021-07-09 |
| CN113094351B true CN113094351B (zh) | 2024-02-06 |
Family
ID=76670097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110326211.4A Active CN113094351B (zh) | 2021-03-26 | 2021-03-26 | 一种工业自动化生产过程知识挖掘与迁移方法、智能终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113094351B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6912533B1 (en) * | 2001-07-31 | 2005-06-28 | Oracle International Corporation | Data mining agents for efficient hardware utilization |
| US8762124B1 (en) * | 1999-11-18 | 2014-06-24 | Deutsche Telekom Ag | Method for the machine mapping, integration, and control of enterprise processes |
| CN109800879A (zh) * | 2018-12-21 | 2019-05-24 | 科大讯飞股份有限公司 | 知识库构建方法和装置 |
| CN111444432A (zh) * | 2020-04-01 | 2020-07-24 | 中国科学技术大学 | 领域自适应的深度知识追踪及个性化习题推荐方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050055194A1 (en) * | 2003-09-08 | 2005-03-10 | Krause Luanne Marie | Migration model |
-
2021
- 2021-03-26 CN CN202110326211.4A patent/CN113094351B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8762124B1 (en) * | 1999-11-18 | 2014-06-24 | Deutsche Telekom Ag | Method for the machine mapping, integration, and control of enterprise processes |
| US6912533B1 (en) * | 2001-07-31 | 2005-06-28 | Oracle International Corporation | Data mining agents for efficient hardware utilization |
| CN109800879A (zh) * | 2018-12-21 | 2019-05-24 | 科大讯飞股份有限公司 | 知识库构建方法和装置 |
| CN111444432A (zh) * | 2020-04-01 | 2020-07-24 | 中国科学技术大学 | 领域自适应的深度知识追踪及个性化习题推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113094351A (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109382838B (zh) | 控制装置以及机器学习装置 | |
| US9829415B2 (en) | Metrology sampling method and computer program product thereof | |
| CN108762228A (zh) | 一种基于分布式pca的多工况故障监测方法 | |
| EP3816879A1 (en) | A method of yield estimation for arable crops and grasslands and a system for performing the method | |
| US12007745B2 (en) | Apparatus for predicting equipment damage | |
| CN110716500A (zh) | 用于确定温度敏感区间分段建模点的方法与系统 | |
| CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
| CN110895716A (zh) | 检查装置以及机器学习方法 | |
| CN116050678A (zh) | 一种基于云计算的压铸产品加工测试系统及方法 | |
| CN116453438A (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
| EP3839680A1 (en) | Method and device for controlling a machine using principal component analysis | |
| CN117608241B (zh) | 数控机床数字孪生模型的更新方法、系统、装置及介质 | |
| CN113094351B (zh) | 一种工业自动化生产过程知识挖掘与迁移方法、智能终端及存储介质 | |
| CN110895717A (zh) | 检查装置以及机器学习方法 | |
| CN116862079B (zh) | 一种企业污染物排放预测方法及预测系统 | |
| CN117786373A (zh) | 一种基于大数据的瓦楞纸加工的设备运行诊断系统 | |
| Memarian et al. | Smart optimization with PPCR modeling in the presence of missing data, time delay and model-plant mismatch | |
| CN114003422A (zh) | 主机异常检测方法、计算机设备和存储介质 | |
| KR102360362B1 (ko) | 통계적 분석과 딥러닝을 이용한 제조 공정 품질 분석 및 예측 방법 및 이를 기록한 기록매체 | |
| CN112381213A (zh) | 一种基于双向长短期记忆网络的工业设备剩余寿命预测方法 | |
| CN116929456A (zh) | 机房环境监控方法、装置、设备及存储介质 | |
| CN115856694B (zh) | 电池寿命预测方法、装置、计算机设备和存储介质 | |
| Yan et al. | Chemical process fault diagnosis based on improved ResNet fusing CBAM and SPP | |
| US20220404792A1 (en) | Method, system and computer program product for monitoring a shaping process | |
| González-Marcos et al. | An intelligent supervision system for open loop controlled processes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |