CN114138766A - 数据空间下多价值链数据体系分析架构及整合协同方法 - Google Patents

Abstract

本发明公开了属于多价值链数据体系架构技术领域的数据空间下多价值链数据体系分析架构及整合协同方法。该架构包括数据准备模块、数据管理模块和数据服务模块；其中数据准备模块包括数据来源层、数据价值链层和数据输入层，数据管理模块包括数据集成层、数据存储层和数据管理层，数据服务模块包括知识服务层、数据分析层和应用输出层；整合协同方法包括步骤1：对制造企业的数据进行手记，为数据分析做准备；步骤2：对多源异构数据进行管理分析，并储存在平台上进行管理；步骤3：利用多源异构数据结果为用户提供服务支持。本发明能够减少生产时间和生产周期，提高生产效率；减少原材料的冗余，同时实现库存优化，降低生产成本。

Description

数据空间下多价值链数据体系分析架构及整合协同方法

技术领域

本发明涉及多价值链数据体系架构技术领域，尤其涉及数据空间下多价值链数据体系分析架构及整合协同方法。

背景技术

当前，制造业的发展逐渐成为衡量一个国家生产力水平的直接标准。目前我国制造及协作企业存在多价值链协同数据空间中的异域、异源、异构数据问题，如何通过其数据空间，研究多价值链协同数据空间管理引擎架构设计方法及引擎实现方案是整个行业都亟待解决的问题。为了提升运营能力、加强企业间的合作、促使企业实现经营管理的横向统一，制造业从生产、供应、营销和服务等多方面以合作形式展开了一系列增值活动，形成了制造业多价值链。伴随着信息管理和产业链的发展，制造及其协作企业在生产经营过程中产生了海量的多源异构数据，传统数据库无法满足跨域、异构、不确定性数据管理的需要，因此数据空间就被提出。数据空间实现了一个语义专用的虚拟共享空间抽象，可以由应用程序工作流中的所有组件和服务关联地访问。

数据空间作为新兴的数据储存和管理技术，为解决制造业多价值链协同数据的不充分利用问题提供了思路。大量的与制造业主体相关的数据源都将储存在数据空间中，并在经过各种智能计算技术的分析和调用后，为企业的合理化决策提供建议。因此，制造业多价值链协同数据空间注定将得到诸多大型企业的青睐。

制造业多价值链协同数据空间是指将数据空间概念应用于当前制造业，由制造企业主体和协作企业的多条协同价值链所产生的大量多源异构数据及关系组成的集合。与多条协同价值链相关的各种结构化、半结构化、非结构化数据，将按照标准统一的数据规则，分门别类存放到制造企业的数据空间中，成为制造业一切数据分析和服务的基础。

为此，需要基于数据空间的理论构建新的多价值链数据体系分析架构方法，制定数据标准、规范和协议。设计汇聚、整合、存储方式，运用大数据分布式计算、云计算和并行处理混合计算技术，在分层、分域、分布与协同、融合、全局一体化的高维时空内，构建基于分布式、云计算与并行处理混合的价值链活动数据生成、汇聚、存储、管理、分析、使用和销毁全过程的价值链协同数据体系架构。研究供应/营销/服务价值链活动全过程的数据建模、快速索引、关联表示、全链搜索、集成演化等方法，为智能制造提供支撑。

基于数据空间的理论构建新的多源异构数据体系分析架构方法在数据采集中制定统一标准获取规范数据，智能优化决策中将数据驱动与专家知识相结合，建立制造企业外部供应链以及企业内部价值活动的搜索、关联和演化动态系统模型，拥有数据的协同知识服务和知识服务推荐，同时加强数据空间管理。以此来提高制造企业智能化管理水平、综合竞争力和经济效益，同时可以产生重大理论和应用成果，形成示范效应，引领前沿发展。

发明内容

本发明的目的是提出数据空间下多价值链数据体系分析架构及整合协同方法。

一种数据空间下多价值链数据体系分析架构，其特征在于，所述架构包括数据准备模块、数据管理模块和数据服务模块；其中数据准备模块包括数据来源层、数据价值链层和数据输入层，数据管理模块包括数据集成层、数据存储层和数据管理层，数据服务模块包括知识服务层、数据分析层和应用输出层；

所述数据来源层包括制造企业及其所有的协作企业提供的数据；

所述数据价值链层包括制造价值链、供应价值链、物流价值链、营销价值链和服务价值链；

所述数据输入层包括RDBMS、邮件、文本、移动通信、图像和WebPage的多源异构数据；

所述数据集成层包括数据接入、数据采集、文件采集、数据清洗、数据抽取、数据生成和数据汇聚的处理过程；

所述数据存储层包括RDBMS、XML、文本系统、图像系统、列式数据库和分布式数据库的储存方式；

所述数据管理层包括数据建模、快速索引、关联表示、全链搜索、集成演化、管理引擎、数据安全和数据销毁技术，以及数据管理系统与数据管理架构；

所述知识服务层包括知识服务引擎、知识发掘方法和知识服务方法；

所述数据分析层包括多价值链建模、预测模型、生产调度模型、报价模型、库存优化模型、招投标模型、利益分享模型、物流调度模型、故障预警模型和质量追溯模型；

所述应用输出层包括发现改进、排序优化、分享利益、提醒预警、决策优化、提高效率和提高效益的功能。

所述数据来源层为多价值链数据体系分析架构的基础；数据价值链层针对数据来源层采集的海量多源异构数据，建立数据与自学习数据集、价值挖掘的映射、关联与索引模型，建立各个数据集之间的连接，提升数据集价值集聚，规范数据输入层的数据输入形式；数据输入层将多源异构数据输入到数据管理模块的数据集成层；

数据集成层将数据输入层不同来源、格式、特点性质的数据在逻辑上或物理上进行集中，为企业提供数据共享；数据存储层设计针对多价值链协同多源异构数据统一存储模式，构建基于数据价值的指标体系，对数据集成层的数据进行分级处理、填补和去冗余，再送入数据管理层进行管理；

知识服务层对复杂数据空间中的有效信息进行知识抽取，实现复杂知识服务与用户需求的动态匹配；数据分析层建立在知识服务层的基础上，对知识抽取后的数据进行分析；应用输出层输出数据分析层的分析为企业提供决策方案。

所述数据管理架构包括面向数据协同和应用驱动的管理引擎模型、基于底层接口库的数据中枢智能筛选模型和高维数据集聚协同智能管理系统。

所述数据管理架构的实现方式如下：

首先，基于制造业多价值链数据流、信息流及业务流特征，建立包含数据集成、数据中枢、数据演化和数据输出四大引擎的多价值链协同数据空间管理引擎模型，部署包含数据层、引擎接口层和数据服务维护层三层空间管理引擎结构；

其次，采用区块链和数据映射理论、语义本体和路径优化理论、智能协同技术和多任务聚类理论和知识图谱和动态自适应理论，融合数据集成、数据更新、数据监控引擎数据集成机制，构成基于底层接口库的数据中枢智能筛选模型；

最后，在三层空间管理引擎的基础上，采用分布式多自主体智能系统设计方法，按照数据层、接口层和智能服务层三层空间管理系统结构，构建管理引擎中心和数据对象管理平台、数据集管理平台和数据智慧服务平台的高维数据集聚协同智能管理系统。

一种数据空间下多价值链数据体系分析架构的整合协同方法，其特征在于，包括以下步骤：

步骤1：对制造企业的数据进行手记，为数据分析做准备；

步骤2：对多源异构数据进行管理分析，并通过整合协同将数据储存在平台上进行管理；

步骤3：利用步骤2处理分析后的多源异构数据结果为用户提供服务支持。

所述步骤2具体包括：

步骤21：数据采集整合；利用神经网络、统计分析、小波变换、机器学习算法，构建针对多价值链异域、异源、异构多数据采集工具集成协作模型，同时设计能够随数据源动态变化进行重组、调整和更新的自学习数据集采集整合模型，适配异域、异源、异构数据，支撑数据分析服务；建立数据与自学习数据集、价值挖掘的映射、关联与索引模型和各个数据集之间的连接；

步骤22：数据统一存储；构建基于数据价值的指标体系，利用数据价值感知算法，度量数据资源中的价值量，根据价值量对数据按照热数据、普通数据、冷数据三个维度进行分级处理；同时建立深度神经网络去冗余模型，确定不同来源数据的可信度和权重，采用张量分解法进行数据填补和去冗余；

步骤23：数据安全管理；利用区块链技术设计数据访问控制架构，采用基于智能合约的访问控制方法实现对数据资源的访问控制；依托区块链技术，通过身份认证、访问审计、区块编码、时间痕迹的方法，对责任进行分析认定。

本发明的有益效果在于：

1、本发明架构及整合协同方法基于数据空间进行排产优化时可以实现快速供货，减少生产时间和生产周期，提高生产效率；

2、基于数据空间进行准确需求预测时，则可以减少原材料的冗余，同时实现库存优化，降低生产成本；

3、基于数据空间的故障检测则可以及时发现出现故障的产品，既能防止因产品问题导致的罚款，也可以提高产品服务水平，带来显著的经济效益；

4、能够帮助企业做出智能精准决策，同时数据空间也可以为企业提供个性化智慧服务，有效做到协同知识挖掘，从而提高企业采购、制造、物流、营销和服务等管理水平。

附图说明

图1为本发明制造业多价值链协同数据空间体系架构图；

图2为本发明多价值链数据的整合协同方法示意图。

具体实施方式

本发明提出数据空间下多价值链数据体系分析架构及整合协同方法，下面结合附图和具体实施例对本发明做进一步说明。

一般的数据空间体系架构的规划中往往包括整体性、层次性和可扩展性等原则。整体性原则是指架构中的各个层次之间是相互联系、相互作用的，以构成一个有机整体，层次性原则指各个层次间应具有层层递进的关系，扩展性指在信息技术快速发展的当下，本发明通过原有架构中可扩展的设备端口，即可实现有效兼容。

除此之外，制造业多价值链协同数据空间体系架构也有其独有的规划原则，具体包括(i)制造业适用性、(ii)多价值链协同性、(iii)全过程性和(iv)多源异构性。

其中，制造业适用性指的是在架构的规划中，都要围绕制造业这一基础。制造业多价值链之间的协同性原则指的是，在规划体系架构时应考虑到内部生产价值链和外部供应、营销、服务之间的协同应用。全过程性指的是，制造及协作企业多价值链的活动包括生产、供应、营销和服务等全过程，其及活动数据也是包括生成、汇聚、存储、管理、分析、使用和销毁的全过程。多源异构性主要是指数据类型的复杂多样。

图1为本发明制造业多价值链协同数据空间体系架构，用于制造业的多源异构数据整合，按照数据空间体系架构规划的总体原则，并考虑到制造业多价值链协同数据空间体系需求，首次规划了包括数据来源层、数据价值链层、数据输入层三个隶属于数据准备模块的层次，数据集成层、数据储存层、数据管理层三个隶属于数据管理模块的层次，知识服务层、数据分析层、应用输出层三个隶属于数据服务模块的层次，共三个模块九个层次的体系架构，此架构将作为奠定数据空间应用于制造业中的理论基础。9个层次的逻辑顺序为自下往上逐层递进。下面将对各层进行解释并介绍层次之间的功能和联系。

(1)1-3层——数据准备

第1-3层分别为数据来源层、数据价值链层和数据输入层，共同组成了数据准备模块，数据准备模块也是数据管理的前提。

其中，数据来源层作为架构的基础，对应着图1的最底层。数据来源层指构成数据空间最初的数据来源，包括该企业及其所有的协作企业，能够提供各类数据信息。在本层中采用神经网络、统计分析、小波变换、机器学习等算法，构建针对多价值链异域、异源、异构多数据采集工具集成协作模型，同时设计能够随数据源动态变化进行重组、调整和更新的自学习数据集采集整合模型，适配异域、异源、异构数据，支撑数据价值链层的数据采集需求。

数据价值链层指制造企业所拥有的的所有价值流组成的价值链，主要包括生产价值链、供应价值链、营销价值链和服务价值链等。在本层中针对数据来源层采集的海量多源异构数据，建立数据与自学习数据集、价值挖掘的映射、关联与索引模型，建立各个数据集之间的连接，提升数据集价值集聚，规范了数据输入层的数据输入形式。

数据输入层指数据的最初表现形式，在本层中存储了数据价值链层各条价值链包含的文本、邮件、图像、通信、WebPage和RDBMS等形式的多源异构数据，

制造业企业及其协作企业的海量多源异构数据经过数据准备层的处理后，需要进行数据管理。

(2)4-6层——数据管理

第4-6层分别为数据集成层、数据存储层和数据管理层，共同组成了数据管理模块。这三个层次作为原始数据与最终应用之间的桥梁，对于数据的有效贯通有重要作用。

数据集成是把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中，从而为企业提供全面的数据共享，主要解决数据的分布性和异构性的问题，包括数据接入、数据采集、文件采集、数据清洗、数据抽取、数据生成和数据汇聚等处理过程。

对于数据集成过程中产生的这些结构化数据、半结构化数据、非结构化数据，若仅采用传统关系型数据难以实现异构数据的高效存储。因此在数据存储层，设计了针对多价值链协同多源异构数据统一存储模式，构建基于数据价值的指标体系，利用数据价值感知算法，度量数据资源中的价值量，根据价值量对数据按照热数据、普通数据、冷数据等维度进行分级处理。同时建立基于DNN模型的深度神经网络去冗余模型，根据反向传播算法确定不同来源数据的可信度和权重，采用数据降噪、数据降维、张量分解、数据切片和神经网络等方法进行数据填补和去冗余，实现数据的交叉验证、筛选和有效存储。数据存储层的意义在于将数据有效的收集和留存，通过对多源异构数据标准化的处理，实现海量数据储存的流程化与可实施化。在数据空间中，数据储存的形式也具有很大的兼容性，包括RDBMS、XML、文本系统、图像系统、列式数据库及分布式系统等多种储存方式。

在数据集成层完成了数据空间数据集成架构的构建后，必须设计高效的数据空间管理体系对数据空间进行管理。传统关系数据库管理方案的不足之处主要表现为难以满足对数据库高并发写的需求，难以满足高效检索海量数据的需求及数据库扩展性差。因此，本发明所提出的数据空间体系架构将管理层作为重中之重，不仅引入数据建模、快速索引、关联表示、全链搜索、集成演化、管理引擎、数据销毁等技术，更为其单独设立了管理系统模型及管理系统架构，以独立、安全有效的方式对数据空间进行管理。为此，建立了包括面向数据协同和应用驱动的管理引擎模型、基于底层接口库的数据中枢智能筛选模型和高维数据集聚协同智能管理系统。

首先，为实现多价值链协同数据空间管理引擎内部程序监控、底层服务应用程序交互、独立可协调管理、完整事务处理、并发控制和数据恢复等管理功能，本发明基于制造业多价值链数据流、信息流及业务流特征，提出包含数据集成、数据中枢、数据演化和数据输出四大引擎的多价值链协同数据空间管理引擎模型；部署数据层、引擎接口层、数据服务维护层三层空间管理引擎结构。

其次，为配合数据集成、数据中枢、数据演化和数据输出四大管理引擎模型，分别采用区块链和数据映射理论、语义本体和路径优化理论、智能协同技术和多任务聚类理论、知识图谱和动态自适应理论，并融合数据集成、数据更新、数据监控等引擎数据集成机制，构成基于底层接口库的数据中枢智能筛选模型。

最后，在数据层、引擎接口层、数据服务维护层三大空间管理引擎的基础上，采用分布式多自主体智能系统设计方法，按照数据层、接口层、智能服务层三层空间管理系统结构，构建包含一个管理引擎中心和数据对象管理平台、数据集管理平台、数据智慧服务平台的高维数据集聚协同智能管理系统。

(3)7-9层——数据服务

第7-9层分别为知识服务层、数据分析层和应用输出层，共同组成了数据服务模块。其中，应用输出便是整个架构的最终层，对应图1中的最顶层。

面向复杂的数据空间，企业常常无法在短时间内获得最理想的服务，这就涉及到对数据的协同知识服务和知识服务推荐，即制造业对多价值链协同数据空间的知识服务及知识重用需求。为实现良好的知识服务，应通过构建面向多源、多模态、多维数据的一致性知识表示模型，以对复杂数据空间中的有效信息进行知识抽取；设计异构知识融合和推理算法，以构建自演化协同服务知识图谱；同时基于多价值链协同服务知识图谱，采用面向语境的知识服务推荐方法，以实现复杂知识服务与用户需求的动态匹配。知识服务是制造业创新发展的核心驱动力，基于数据空间的知识服务引擎以大数据思维为导向，以大数据资源为保障，对知识服务的需求进行有效抓取和挖掘，同时在知识服务的方法上进行创新和改进。

在本协同数据空间体系架构中，数据分析层是建立在对知识服务需求的准确抓取的基础上的，针对制造业主要关心的产供销问题，提出了多价值链建模、预测模型、生产调度模型、报价模型、库存优化模型、故障预警模型和质量追溯模型等多个智能计算模型。

应用输出是本发明所提体系架构中所实现功能与高级辅助决策的具体实施，在经过数据分析后，企业可以及时发现问题并解决，亦能够做出最有效的决策方案，以提高企业效益和效率。

此外，本发明的多价值链数据整合协同办法，包括以下步骤：

S1、对制造企业的数据进行手记，为数据分析进行准备；

S2、对多源异构数据进行管理分析，并通过整合协同，将数据储存在平台上，对数据进行管理；

S3、给用户提供服务支持，利用处理分析后的多源异构数据结果为用户提供服务支持。

S2中的整合协同过程如下：

为支撑制造业多价值链协同数据空间，传统的数据采集方法已不再适用，因此，首先提出全过程多价值链协同多源异构数据采集整合方法，按前后顺序分别为多源异构数据的采集整合、多源异构数据统一存储，多源异构数据的安全管理。具体的多源异构数据的采集整合过程、所使用的工具及机制见图2，其逻辑顺序呈现为自下往上的递进过程。

针对数据空间中多价值链协同多源异构数据采集整合，利用应用神经网络、统计分析、小波变换、机器学习等算法，构建针对多价值链异域、异源、异构多数据采集工具集成协作模型，同时设计能够随数据源动态变化进行重组、调整和更新的自学习数据集采集整合模型，适配异域、异源、异构数据，支撑数据分析服务；建立数据与自学习数据集、价值挖掘的映射、关联与索引模型，建立各个数据集之间的连接，以提升数据集价值集聚。

针对多价值链协同多源异构数据统一存储，构建基于数据价值的指标体系，利用数据价值感知算法，度量数据资源中的价值量，根据价值量对数据按照热数据、普通数据、冷数据等维度进行分级处理。同时建立深度神经网络去冗余模型，确定不同来源数据的可信度和权重，采用张量分解等方法进行数据填补和去冗余，实现数据的交叉验证、筛选和有效存储。

针对多价值链协同多源异构数据安全管理，可使用一种基于区块链的多价值链全过程数据访问安全控制机制，定义基于属性的访问控制模型，利用区块链技术设计数据访问控制架构，保证访问控制信息的不可篡改性、可审计性和可验证性。采用基于智能合约的访问控制方法实现对数据资源的访问控制。同时设计一种责任追溯安全管理机制，依托区块链技术，通过身份认证、访问审计、区块编码、时间痕迹等方法，对责任进行分析认定，保护制造企业生产正常权益。

通过创建制造业多价值链协同数据空间设计基础理论，构建面向制造企业的多价值链协同体系，形成价值链活动新业务模式，实现企业全过程多价值链协同管理。具体来看，基于数据空间进行排产优化可以实现快速供货，减少生产时间和生产周期，提高生产效率；基于数据空间进行准确的需求预测时，则可以减少原材料的冗余，同时实现库存优化，降低生产成本；而基于数据空间的故障检测则可以及时发现出现故障的产品，既能防止因产品问题导致的罚款，也可以提高产品服务水平，带来显著的经济效益。协助解决我国制造业面临的科技创新不足、竞争能力不强、综合效益较差等突出问题，较大提高制造企业智能化管理水平、综合竞争力和综合效益，产生重大的理论和应用成果，形成示范效应，引领前沿发展，促进社会进步。通过发展生产，提高就业率，增加财政税收，增强综合国力，具有显著的社会效益。

构建多价值链数据体系架构，建成多价值链协同知识服务引擎和数据空间管理引擎，完成多价值链决策优化智能建模编程，开发相应的软件构件。企业能够对经营全过程产生的多价值链协同数据采集整合并导入数据空间，以帮助企业做出智能精准决策，同时数据空间也可以为企业提供个性化智慧服务，有效做到协同知识挖掘，从而提高企业采购、制造、物流、营销和服务等管理水平，在制造企业节约成本、提高效率、优化流程、评价绩效、竞价定价、增收节支、智能管理等多方面挖掘多价值链协同潜力，从而努力争取使得应用的电力装备制造业企业降低成本4％、提高经济效益6％、生产周期缩短8％，生产流程效率提高7％、制造企业决策执行成功率提高8％以上，较大提高智能决策水平。

本发明在多价值链协同的数据空间中充分考虑结合绿色采购、绿色物流、绿色生产、绿色营销、绿色运营和绿色回收等理念、数据和方法，全过程贯彻绿色制造理论，通过数据智能监控，在制造、管理和应用各方面更新换代、提高要求、保护环境，使得本发明具有显著的生态效益。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。

Claims (6)

1.一种数据空间下多价值链数据体系分析架构，其特征在于，所述架构包括数据准备模块、数据管理模块和数据服务模块；其中数据准备模块包括数据来源层、数据价值链层和数据输入层，数据管理模块包括数据集成层、数据存储层和数据管理层，数据服务模块包括知识服务层、数据分析层和应用输出层；

所述数据来源层包括制造企业及其所有的协作企业提供的数据；

所述数据价值链层包括制造价值链、供应价值链、物流价值链、营销价值链和服务价值链；

所述数据输入层包括RDBMS、邮件、文本、移动通信、图像和WebPage的多源异构数据；

所述数据集成层包括数据接入、数据采集、文件采集、数据清洗、数据抽取、数据生成和数据汇聚的处理过程；

所述数据存储层包括RDBMS、XML、文本系统、图像系统、列式数据库和分布式数据库的储存方式；

所述数据管理层包括数据建模、快速索引、关联表示、全链搜索、集成演化、管理引擎、数据安全和数据销毁技术，以及数据管理系统与数据管理架构；

所述知识服务层包括知识服务引擎、知识发掘方法和知识服务方法；

所述数据分析层包括多价值链建模、预测模型、生产调度模型、报价模型、库存优化模型、招投标模型、利益分享模型、物流调度模型、故障预警模型和质量追溯模型；

所述应用输出层包括发现改进、排序优化、分享利益、提醒预警、决策优化、提高效率和提高效益的功能。

2.根据权利要求1所述的数据空间下多价值链数据体系分析架构，其特征在于，所述数据来源层为多价值链数据体系分析架构的基础；数据价值链层针对数据来源层采集的海量多源异构数据，建立数据与自学习数据集、价值挖掘的映射、关联与索引模型，建立各个数据集之间的连接，提升数据集价值集聚，规范数据输入层的数据输入形式；数据输入层将多源异构数据输入到数据管理模块的数据集成层；

数据集成层将数据输入层不同来源、格式、特点性质的数据在逻辑上或物理上进行集中，为企业提供数据共享；数据存储层设计针对多价值链协同多源异构数据统一存储模式，构建基于数据价值的指标体系，对数据集成层的数据进行分级处理、填补和去冗余，再送入数据管理层进行管理；

知识服务层对复杂数据空间中的有效信息进行知识抽取，实现复杂知识服务与用户需求的动态匹配；数据分析层建立在知识服务层的基础上，对知识抽取后的数据进行分析；应用输出层输出数据分析层的分析为企业提供决策方案。

3.根据权利要求1所述的数据空间下多价值链数据体系分析架构，其特征在于，所述数据管理架构包括面向数据协同和应用驱动的管理引擎模型、基于底层接口库的数据中枢智能筛选模型和高维数据集聚协同智能管理系统。

4.根据权利要求3所述的数据空间下多价值链数据体系分析架构，其特征在于，所述数据管理架构的实现方式如下：

首先，基于制造业多价值链数据流、信息流及业务流特征，建立包含数据集成、数据中枢、数据演化和数据输出四大引擎的多价值链协同数据空间管理引擎模型，部署包含数据层、引擎接口层和数据服务维护层三层空间管理引擎结构；

其次，采用区块链和数据映射理论、语义本体和路径优化理论、智能协同技术和多任务聚类理论和知识图谱和动态自适应理论，融合数据集成、数据更新、数据监控引擎数据集成机制，构成基于底层接口库的数据中枢智能筛选模型；

最后，在三层空间管理引擎的基础上，采用分布式多自主体智能系统设计方法，按照数据层、接口层和智能服务层三层空间管理系统结构，构建管理引擎中心和数据对象管理平台、数据集管理平台和数据智慧服务平台的高维数据集聚协同智能管理系统。

5.一种权利要求1所述数据空间下多价值链数据体系分析架构的整合协同方法，其特征在于，包括以下步骤：

步骤1：对制造企业的数据进行手记，为数据分析做准备；

步骤2：对多源异构数据进行管理分析，并通过整合协同将数据储存在平台上进行管理；

步骤3：利用步骤2处理分析后的多源异构数据结果为用户提供服务支持。

6.根据权利要求5所述数据空间下多价值链数据体系分析架构的整合协同方法，其特征在于，所述步骤2具体包括：

步骤21：数据采集整合；利用神经网络、统计分析、小波变换、机器学习算法，构建针对多价值链异域、异源、异构多数据采集工具集成协作模型，同时设计能够随数据源动态变化进行重组、调整和更新的自学习数据集采集整合模型，适配异域、异源、异构数据，支撑数据分析服务；建立数据与自学习数据集、价值挖掘的映射、关联与索引模型和各个数据集之间的连接；

步骤22：数据统一存储；构建基于数据价值的指标体系，利用数据价值感知算法，度量数据资源中的价值量，根据价值量对数据按照热数据、普通数据、冷数据三个维度进行分级处理；同时建立深度神经网络去冗余模型，确定不同来源数据的可信度和权重，采用张量分解法进行数据填补和去冗余；

步骤23：数据安全管理；利用区块链技术设计数据访问控制架构，采用基于智能合约的访问控制方法实现对数据资源的访问控制；依托区块链技术，通过身份认证、访问审计、区块编码、时间痕迹的方法，对责任进行分析认定。

Images