CN115577935A - 基于认知智能的连铸数据处理方法及装置、计算设备 - Google Patents

Abstract

一种基于认知智能的连铸数据处理方法及装置、计算设备，方法包括：获取连铸生产过程中的第一事件；确定第一事件的第一注意力参数值，其中，第一注意力参数值取决于事件的发生概率和权重，权重用于表征事件的严重程度和/或紧急程度；将第一事件加入至连铸事件集合，并根据第一事件的第一注意力参数值更新连铸事件集合中的多个待处理事件的优先级，其中，多个待处理事件包括第一事件，待处理事件的第一注意力参数值越大，其优先级越高；根据各个待处理事件的优先级，对多个待处理事件进行响应。通过本申请提供的方案，能够更加准确、高效地对连铸生产过程中的事件进行排查、处理。

Description

基于认知智能的连铸数据处理方法及装置、计算设备

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于认知智能的连铸数据处理方法及装置、计算设备。

背景技术

钢铁产业作为国民经济的基础原材料产业，在经济发展中具有重要地位。在钢铁厂生产各类钢铁产品过程中，使用钢水凝固成型有两种方法：传统的模铸法和连续铸钢(Continuous Steel Casting，简称连铸)法。作为钢铁产业领域的一项前沿技术，与传统方法相比，连铸技术具有大幅提高金属收得率和铸坯质量，以及节约能源等显著优势。

事件的排查、处理是连铸生产过程中至关重要的环节之一。例如，在连铸生产过程中可能会发生中间包烘烤温度过高、结晶器出水口温度越高、钢包水口破裂等等。目前普遍的做法是当识别到异常情况时，向相关人员发出提醒信息，然后人为地进行排查、处理等。这样的方案对于人的依赖程度较高，受人为因素的影响较大。

因此，亟需一种更加优化的方法，能够更加准确、高效地对连铸生产过程中的事件进行排查、处理。

发明内容

本申请的技术目的之一在于提供一种更加优化的方法，能够更加准确、高效地对连铸生产过程中的事件进行排查、处理。

为实现上述技术目的，本申请实施例提供一种基于认知智能的连铸数据处理方法，所述方法包括：获取连铸生产过程中的第一事件；确定所述第一事件的第一注意力参数值，其中，所述第一注意力参数值取决于事件的发生概率和权重，所述权重用于表征事件的严重程度和/或紧急程度；将所述第一事件加入至连铸事件集合，并根据所述第一事件的第一注意力参数值更新所述连铸事件集合中的多个待处理事件的优先级，其中，所述多个待处理事件包括所述第一事件，所述待处理事件的第一注意力参数值越大，其优先级越高；根据各个待处理事件的优先级，对所述多个待处理事件进行响应。

可选的，获取连铸生产过程中的第一事件包括：根据各个事件的第二注意力参数值，从短时记忆网络存储的多个事件中选出所述第一事件；其中，每个事件具有时间信息，所述第二注意力参数值至少取决于所述时间信息。

可选的，所述第二注意力参数值还取决于事件的权重。

可选的，将所述第一事件加入至连铸事件集合之前，所述方法还包括：在所述连铸事件集合中查找第二事件，所述第二事件为所述第一事件关联的事件；将所述第一事件加入至连铸事件集合包括：如果在所述连铸事件集合中查找到所述第二事件，则将所述第一事件加入所述连铸事件集合。

可选的，在所述连铸事件集合中查找第二事件包括：判断所述第一事件的发生概率是否小于或等于第一预设概率阈值，如果是，则在所述连铸事件集合中查找所述第二事件。

可选的，根据所述第一事件的第一注意力参数值更新所述连铸事件集合中的多个待处理事件的优先级包括：增大所述第二事件的第一注意力参数值；根据所述第一事件的第一注意力参数值和增大后的所述第二事件的第一注意力参数值，更新所述多个待处理事件的优先级。

可选的，将所述第一事件加入至连铸事件集合之前，所述方法还包括：如果在所述连铸事件集合中未查找到所述第二事件，则在所述短时记忆网络中查找所述第二事件；将所述第一事件加入至连铸事件集合包括：如果在所述短时记忆网络中查找到所述第二事件，则将所述第一事件加入至所述连铸事件集合。

可选的，所述方法还包括：如果在所述短时记忆网络中查找到所述第二事件，则增大所述第二事件的第二注意力参数值；或者，如果在所述短时记忆网络中查找到所述第二事件，且所述第一事件的第一注意力参数值大于第一预设参数阈值，以及所述第二事件的第二注意力参数值大于第二预设参数阈值，则将所述第二事件作为下一个第一事件。

可选的，将所述第一事件加入至连铸事件集合之前，所述方法还包括：如果在所述短时记忆网络中未查找到所述第二事件，则等待第一时间段；将所述第一事件加入至连铸事件集合包括：如果在所述第一时间段内在所述短时记忆网络中查找到所述第二事件，则将所述第一事件加入所述连铸事件集合。

可选的，如果所述第一事件是由图像判别模型识别得到的，则第一事件的发生概率为第一预设概率值；如果所述第一事件不是由所述图像判别模型识别得到的，则所述第一事件的发生概率为第二预设概率值，且所述第二预设概率值小于所述第一预设概率值；其中，所述图像判别模型用于对生产图像进行异常识别，所述生产图像是对所述连铸生产过程进行拍摄得到的。

可选的，如果所述第一事件属于第一事件集合，则所述权重大于或等于第一预设权重阈值；如果所述第一事件属于第二事件集合，则所述权重小于或等于第二预设权重阈值；其中，所述第二预设权重阈值小于所述第一预设权重阈值。

可选的，根据各个待处理事件的优先级，对所述多个待处理事件进行响应包括：将当前待处理事件输入至预设的事件处理模型，得到所述事件处理模型输出的处理指令，其中，所述当前待处理事件为所述多个待处理事件中优先级最高的待处理事件；将所述处理指令发送至所述当前待处理事件关联的执行机构，以使所述执行机构执行所述处理指令，以消除所述当前待处理事件。

可选的，所述方法还包括：根据第二时间段内获取所述第一事件的次数，更新所述第一事件的发生概率；其中，所述第二时间段的起始时刻为发送所述处理指令的时刻，所述第二时间段的时长是预先设置的。

可选的，所述方法还包括：从长时记忆网络获取所述连铸生产过程中的通用信息，所述短时记忆网络的读写速度大于所述长时记忆网络。

本申请实施例还提供一种基于认知智能的连铸数据处理装置，所述装置包括：获取模块，用于获取连铸生产过程中的第一事件；参数确定模块，用于确定所述第一事件的第一注意力参数值，其中，所述第一注意力参数值取决于事件的发生概率和权重，所述权重用于表征事件的严重程度和/或紧急程度；更新模块，用于将所述第一事件加入至连铸事件集合，并根据所述第一事件的第一注意力参数值更新所述连铸事件集合中的多个待处理事件的优先级，其中，所述多个待处理事件包括所述第一事件，所述待处理事件的第一注意力参数值越大，其优先级越高；处理模块，用于根据各个待处理事件的优先级，对所述多个待处理事件进行响应。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，执行上述的基于认知智能的连铸数据处理方法的步骤。

本申请实施例还提供一种计算设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述的基于认知智能的连铸数据处理方法的步骤。

本申请实施例还提供一种工业连铸数字人系统，包括：处理装置，用于执行上述的基于认知智能的连铸数据处理方法。

可选的，所述系统还包括：存储装置，所述存储装置用于存储连铸知识图谱，所述连铸知识图谱包括以下一项或多项：工艺知识图谱、设备知识图谱、系统知识图谱、模型知识图谱和参数知识图谱。

可选的，所述系统还包括：对话装置，所述对话装置用于实现所述工业连铸数字人和用户的交互。

可选的，所述系统还包括：展示装置，所述展示装置用于输出所述工业连铸数字人的视频和/或音频；其中，所述对话装置和所述展示装置之间通过输出接口连接。

与现有技术相比，本申请实施例的技术方案具有以下有益效果：

本申请实施例的方案中，获取连铸生产过程中的第一事件，并确定第一事件的第一注意力参数值，然后将第一事件加入至连铸事件集合，并根据第一事件的第一注意力参数值更新连铸事件集合中多个待处理事件的优先级。进一步地，根据各个待处理事件的优先级，对多个待处理事件进行响应。由于待处理事件的第一注意力参数值越大，其优先级越高，因此第一注意力参数值越大，待处理事件越优先被响应。本申请实施例的方案中，第一注意力参数值取决于事件的发生概率和用于表征事件严重程度和/或紧急程度的权重，因此，可以优先对真实发生的可能性大且严重、紧急的事件进行响应，从而可以兼顾事件的发生概率和严重紧急程度进行响应，可以高效、准确地排查出真实且严重、紧急的事件。

进一步，本申请实施例的方案中，根据各个事件的第二注意力参数值，从短时记忆网络存储的多个事件中选出第一事件。其中，第二注意力参数值是不仅取决于事件的时间信息，还取决于事件的权重。采用这样的方案，有利于将严重、紧急的事件尽快加入至连铸事件集合中，从而能够尽快对其进行响应。

进一步，本申请实施例的方案中，在将第一事件加入至连铸事件集合之前，先在连铸事件集合中查找第一事件关联的第二事件，并在连铸事件集合中查找到第二事件的情况下，将第一事件加入至连铸事件集合中。采用这样的方案，通过关联的第二事件对第一事件进行验证，以判断第一事件是否真实发生。采用这样的方案，可以尽可能规避对未真实发生的事件进行响应。

进一步，本申请实施例的方案中，仅在第一事件的发生概率小于或等于第一预设概率阈值的情况下，通过查找第二事件对第一事件进行验证。采用这样的方案，有利于在尽可能避免对未真实发生的事件进行响应的同时提高对多个待处理事件这一整体进行响应的效率。

进一步，本申请实施例的方案中，在连铸事件集合中查找第二事件的情况下，增大第二事件的第一注意力参数值，并根据第一事件的第一注意力参数值和增大后的所述第二事件的第一注意力参数值，更新所述多个待处理事件的优先级。采用这样的方案，利用第一事件和第二事件可以相互验证的逻辑关系，增大第二事件的优先级，有利于使得连铸事件集合中待处理事件的优先级排序更加合理。

进一步，本申请实施例的方案中，在连铸事件集合中未查找到第二事件的情况下，进一步在短时记忆网络中进行查找。采用这样的方案有利于扩大查找范围，提高验证的准确性。

附图说明

图1是本申请实施例中一种基于认知智能的连铸数据处理方法的流程示意图；

图2是本申请实施例中工业连铸数字人系统的一种架构示意图；

图3是本申请实施例中工业连铸数字人系统的另一种架构示意图；

图4是本申请实施例中一种基于认知智能的连铸数据处理装置的结构示意图。

具体实施方式

如背景技术所述，亟需一种更加优化的处理方法，能够更加准确、高效地对连铸生产过程中的事件进行排查、处理。

现有技术中，通常直接将连铸生产过程中出现的事件的名称或类型发送至用户终端，由于连铸生产过程涉及多个设备和多项工艺，生产过程复杂，事件的并发度较高，仅仅将事件的名称或类型直接发送至用户终端的方案无法使用户快速地对大量事件进行排查、处理，可能出现严重紧急的事件无法得到及时的排查，从而导致生产事故。

为了解决上述技术问题，本申请实施例提供一种基于认知智能的连铸数据处理方法，在本申请实施例的方案中，获取连铸生产过程中的第一事件，并确定第一事件的第一注意力参数值，然后将第一事件加入至连铸事件集合，并根据第一事件的第一注意力参数值更新连铸事件集合中多个待处理事件的优先级。进一步地，根据各个待处理事件的优先级，对多个待处理事件进行响应。由于待处理事件的第一注意力参数值越大，其优先级越高，因此第一注意力参数值越大，待处理事件越优先被响应。本申请实施例的方案中，第一注意力参数值取决于事件的发生概率和用于表征事件严重程度和/或紧急程度的权重，因此，可以优先对真实发生的可能性大且严重、紧急的事件进行响应，从而可以兼顾事件的发生概率和严重紧急程度进行响应，可以高效、准确地排查出真实且严重、紧急的事件。

在本申请实施例的方案中，为使本申请的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本申请的具体实施例做详细的说明。

参照图1，图1是本申请实施例中一种基于认知智能的连铸数据处理方法的流程示意图，所述方法可以由计算设备执行，所述计算设备可以是现有的各种具有数据接收和数据处理能力的设备，例如，可以是服务器，还可以是手机、计算机、物联网设备等，但并不限于此。

图1示出的基于认知智能的连铸数据处理方法可以包括步骤S11至步骤S14：

步骤S11：获取连铸生产过程中的第一事件；

步骤S12：确定所述第一事件的第一注意力参数值，其中，所述第一注意力参数值取决于事件的发生概率和权重，所述权重用于表征事件的严重程度和/或紧急程度；

步骤S13：将所述第一事件加入至连铸事件集合，并根据所述第一事件的第一注意力参数值更新所述连铸事件集合中的多个待处理事件的优先级，其中，所述多个待处理事件包括所述第一事件，所述待处理事件的第一注意力参数值越大，其优先级越高；

步骤S14：根据各个待处理事件的优先级，对所述多个待处理事件进行响应。

可以理解的是，在具体实施中，所述方法可以采用软件程序的方式实现，该软件程序运行于芯片或芯片模组内部集成的处理器中；或者，该方法可以采用硬件或者软硬结合的方式来实现。

在步骤S11的具体实施中，计算设备可以配置有短时记忆网络，或者，计算设备可以与外部的短时记忆网络耦接，由此可以从短时记忆网络获取连铸生产过程中的第一事件。

具体而言，短时记忆网络可以具有数据存储功能，短时记忆网络可以存储有多个事件。其中，每个时间可以具有时间信息，事件的时间信息可以用于表征识别到事件的时刻。

在具体实施中，短时记忆网络存储的各个事件可以是由连铸生产线部署的边缘设备识别或检测得到的。其中，本实施例中短时记忆网络存储的事件是指识别到的处于异常状态的情况。如果识别到处于正常状态的情况，则可以作为通用信息存储至长时记忆网络中，关于长时记忆网络和通用信息的更多内容可以参照下文关于图2的相关描述。

更具体地，边缘设备可以部署有图像判别模型，图像判别模型可以用于对生产图像进行异常识别，生产图像是指对连铸生产过程进行拍摄得到的图像。换言之，图像判别模型可以对生产图像进行异常识别，以检测连铸生产过程中的事件。当图像判别模型识别到事件时，可以将事件发送至短时记忆网络进行短时的存储。

进一步地，边缘设备还可以基于连铸生产过程中产生的点位数据进行异常识别或检测。在具体实施中，点位数据可以是指由连铸生产线的可编程逻辑控制器(ProgrammableLogic Controller，PLC)系统获取的，点位数据可以包括连铸生产过程中各个设备和各项工艺的运行参数值。

进一步地，可以根据短时记忆网络中各个事件的第二注意力参数值，从多个事件中选出第一事件。具体而言，可以将第二注意力参数值最大的事件作为第一事件。

在一个具体的例子中，每个事件具有时间信息，事件的时间信息用于指示识别到事件的时间，第二注意力参数值可以取决于时间信息。具体地，识别到事件的时刻越早，第二注意力参数值越大。由此，可以按照时间顺序读取短时记忆网络中的各个事件，从而可以按照事件的识别时间的先后顺序将事件加入至连铸事件集合中。

在另一个具体的例子中，第二注意力参数值可以取决于事件的权重和时间信息。其中，事件的权重可以用于表征事件的严重程度和/或紧急程度。在具体实施中，事件的权重可以是预先设置的。事件的严重程度越高，事件的权重越大；以及，事件的紧急程度越高，事件的权重越大。

更具体地，可以采用下列公式计算事件的第二注意力参数值：

Event2(X)＝W(X)×A(X_t)；

其中，X用于表示事件，Event2(X)为事件的第二注意力参数值，W(X)为事件的权重，X_t用于表示事件的时间信息，A()用于表示预设的隶属度函数，X_t指示的时刻越早，A(X_t)的值越大。

由上，结合事件的时间信息和权重确定事件的第二注意力参数值，并根据第二注意力参数值选取第一事件。采用这样的方案能够使严重或紧急的事件能够尽快地加入至连铸事件集合中，以便尽快地对其进行处理。

在步骤S12的具体实施中，可以确定第一事件的第一注意力参数值。

具体而言，可以根据第一事件的发生概率和第一事件的权重，确定第一事件的第一注意力参数值。

更具体的，可以采用下列公式计算第一注意力参数值：

Event1(X)＝W(X)×P(X)；

其中，X用于表示事件，Event1(X)为事件的第一注意力参数值，W(X)为事件的权重，P(X)为事件的发生概率。

在一个非限制性的例子中，针对同一个事件，识别的方式不同，该事件的发生概率也不同。具体而言，可以预先设置有各个事件的第一预设概率值和第二预设概率值。如果第一事件是由图像判别模型识别得到的，则第一事件的发生概率为第一预设概率值；如果第一事件不是由图像判别模型识别得到的，例如，第一事件是边缘设备根据点位数据通过计算识别得到的，则第一事件的发生概率为第二预设概率值，其中，第二预设概率值小于第一预设概率值。

更具体地，第二预设概率值可以是通过统计的方式得到的。也即，第二预设概率值可以是根据事件的历史发生次数确定的。在具体实施中，第一预设概率值和第二预设概率值均小于或等于1。作为一个示例，第一预设概率值可以等于1，第二预设概率值可以小于1。

采用这样的方案，在基于图像识别到事件时，赋予事件一个较大的发生概率，而非基于图像识别到事件时，赋予事件一个通过统计得到的发生概率。采用这样的方案，能够更加准确地表征事件实际发生的概率，从而能够更加准确地确定事件的第一注意力参数值。

在另一个非限制性的例子中，如果第一事件属于第一事件集合，则第一事件的权重大于或等于第一预设权重阈值；如果第一事件属于第二事件集合，则第一事件的权重小于或等于第二预设权重阈值；其中，第二预设权重阈值小于第一预设权重阈值。也即，本申请实施例将事件划分为两个事件集合，其中，第一事件集合的严重紧急程度大于第二事件集合的严重紧急程度，因此，第一事件集合中事件的权重的最小值大于第二事件集合中事件的权重的最大值。在一个具体的例子中，第一事件集合可以是异常事件的集合，第二事件集合是正常事件集合。例如，第一事件集合可以包括以下一种或多种：1流品质异常手动调渣、1流品质异常水口破损、1流品质异常水口穿底、1流品质异常水口交换、1流品质异常水口清洗等等；第二事件集合可以包括以下一种或多种：大包吹氩开始、大包吹氩终了、中间包达到铸造位置、中间包离开铸造位置等等。需要说明的是，第一事件集合并非是指第一事件的集合，第二事件集合并非是指第二事件的集合。更具体地，第一事件可以是第一事件集合中的事件，也可以是第二事件中的事件。当第一事件选自第一事件集合时，第二事件也属于第一事件集合。

在步骤S13中，可以将第一事件加入至连铸事件集合，其中，连铸事件集合中的事件可以记为待处理事件。第一事件加入连铸事件集合之后，连铸事件集合可以包括多个待处理事件，也即，多个待处理事件包括第一事件。

进一步地，连铸事件集合中的事件均具有第一注意力参数值，在将第一事件加入至连铸事件集合时，还可以更新连铸事件集合中多个待处理事件的优先级。其中，待处理事件的第一注意力参数值越大，其优先级越高。也即，可以根据第一注意力参数值对连铸事件集合中的待处理事件进行排序，第一注意力参数值越大，待处理事件的排序越靠前，越先被响应。

在本申请的一实施例中，在将第一事件加入至连铸事件集合之前，可以先对第一事件进行验证。

如上文所述，第一事件是边缘设备进行识别得到的，边缘设备可以是基于图像识别得到的，也可以是基于点位数据进行数据分析得到的。在实际应用中，无论是图像识别还是点位数据分析，均有可能存在错误识别的情况，也即事件并未真实发生。为了避免错误地对未实际发生的事件进行响应，影响连铸生产线的正常运行，在将第一事件加入至连铸事件集合之前，可以先对第一事件进行验证。

在一个非限制性的例子中，可以判断第一事件的发生概率是否小于或等于第一预设概率阈值，如果是，则可以对第一事件进行验证。如果第一事件的发生概率大于第一预设概率阈值，则不对第一事件进行验证，直接将其加入至连铸事件集合中。采用这样的方案，可以仅在第一事件发生概率较小的情况下对齐进行验证，有利于在尽可能避免对未真实发生的事件进行响应的同时提高对多个待处理事件这一整体进行响应的效率。

更具体地，考虑到图像识别发生错误识别的概率通常较小，第一预设概率值可以大于第一预设概率阈值。也即，如果第一事件是基于生产图像识别得到的，则可以不对第一事件进行验证。

在一个具体的例子中，在将第一事件加入至连铸事件集合之前，可以先在连铸事件集合中查找第二事件，通过第二事件对第一事件进行间接数据验证。其中，第二事件是指第一事件关联的事件。例如，第一事件为出水口破裂，第二事件为钢水温度下降。

更具体地，第一事件关联的第二事件可以是预先设置的，第二事件可以满足式(1)、式(2)和式(3)中任意一项：

P(X1|X2)≥Threshold1； (1)

P(X2|X1)≥Threshold2； (2)

P(X2×X1)≥Threshold3； (3)

其中，X1为第一事件，X2为第二事件，Threshold1表示第一预设阈值，Threshold2表示第二预设阈值，Threshold3表示第三预设阈值，P(X1|X2)用于表示发生第二事件的条件下发生第一事件的概率，P(X2|X1)用于表示发生第一事件的条件下发生第二事件的概率，P(X2×X1)表示同时发生第一事件和第二事件的概率。

需要说明的是，本申请实施例对于第一预设阈值、第二预设阈值和第三预设阈值之间的大小关系并不进行限制。

进一步地，如果在连铸事件集合中查找到第二事件，则可以将第一事件加入至连铸事件集合。也即，如果在连铸事件集合中查找到第二事件，则说明第一事件真实发生的可能性很大，可以将其加入至连铸事件集合中。

进一步地，将第一事件加入至连铸事件集合之后，还可以增大第二事件的第一注意力参数值，并根据第一事件的第一注意力参数值和增大后的第二事件的第一注意力参数值，更新连铸事件集合中多个待处理事件的优先级。

可以理解的是，第一事件和第二事件可以相互验证，第一事件的加入使得第二事件实际发生的概率增大，因此可以提高第二事件的优先级，有利于使连铸事件集合中待处理事件的优先级排序更加合理。

进一步地，如果在连铸事件集合中未查找到第二事件，可以不将第一事件加入至连铸事件集合中。

在另一个具体的例子中，如果在连铸事件集合中未查找到第二事件，还可以进一步在短时记忆网络中查找第二事件。如果在短时记忆网络中查找到第二事件，则可以将第一事件加入至连铸事件集合。

进一步地，在短时记忆网络中查找到第二事件之后，除了将第一事件加入至连铸事件集合中，还可以增大第二事件的第二注意力参数值。或者，在短时记忆网络中查找到第二事件的情况下，如果第一事件的第一注意力参数值大于第一预设参数阈值，以及第二事件的第二注意力参数值大于第二预设参数阈值，则可以将第二事件作为下一个第一事件。

采用上述的方案，利用第一事件和第二事件相互验证的逻辑关系，在第一事件和第二事件均存在的情况下，使得第二事件能够被优先加入至连铸事件集合中。

进一步地，如果在短时记忆网络中仍未查找到第二事件，则可以不将第一事件加入至连铸事件集合中。

在又一个具体的例子中，如果在短时记忆网络中仍未查找到第二事件，还可以等待第一时间段。其中，第一时间段的起始时刻可以是第一次在短时记忆网络中查找第一事件的时刻，第一时间段的时长可以是预先设置的第一时长。连铸生产线通常涉及多个设备，不同的设备处于不同的工序，如果具有关联关系的事件是在不同的工序发生的，则具有关联关系的事件之间通常存在一定的时间差。为此，在未查找到第二事件的情况下，等待第一时间段，并在第一时间段内对第二事件进行查找，有利于提高第一事件的验证的准确性。

在第一时间段内，可以按照预设的时间间隔进行查找，如果在第一时间段内在短时记忆网络中查找到第二事件，则可以将第一事件加入至连铸事件集合中。如果在第一时间段内在短时记忆网络中未查找到第二事件，则可以不将第一事件加入至连铸事件集合中。

需要说明的是，本实施例中所描述的“不将第一事件加入至连铸事件集合中”可以是删除第一事件，也可以是将第一事件的第二注意力参数值设置为最小值并存储在短时记忆网络中，本申请实施例对此并不进行限制。

还需要说明的是，在本申请的其他实施例中，可以对连铸事件集合中各个待处理事件进行验证。也即，区别于上述在将第一事件加入至连铸事件集合之前进行验证的方案，还可以在加入连铸事件集合之后进行事件验证。如果待处理事件未接通过验证，则可以在连铸事件集合中删除该待处理事件，并更新连铸事件集合中其他待处理事件的优先级。关于对待处理事件进行验证的更多内容可以参照上文关于对第一事件进行验证的相关描述，在此不再赘述。

在步骤S14的具体实施中，可以将连铸事件集合中多个待处理事件中优先级最高的待处理事件作为当前待处理事件，并对当前待处理事件进行响应。

在一个具体的例子中，可以将当前待处理事件发送至用户终端，以提醒用户针对当前待处理事件输入处理指令。采用上述方案，发送至用户终端的多个事件是有序的，且该顺序是根据发生概率和事件的权重确定的，由此用户可以直接按照多个事件的排序确定优先响应或处理的事件，无需用户人为地进行排查和判断。

在另一个具体的例子中，可以将当前待处理事件输入至预设的事件处理模型，得到事件处理模型输出的处理指令。

进一步地，可以将处理指令发送至当前待处理事件关联的执行机构，以使执行机构执行接收到的处理指令，以消除当前待处理事件。

在一个非限制性的例子中，还可以根据第二时间段内获取第一事件的次数，更新第一事件的发生概率。其中，第二时间段的起始时刻为将处理指令发送至执行机构的时刻，第二时间段的时长是预先设置的第二时长。在具体实施中，可以根据第二时间段内获取第一事件的次数，更新第一事件的第二预设概率值。由此可知，基于执行机构执行处理指令这一前提条件，更新第一事件的第二预设概率值，采用这样的方案，能够及时更新各个事件的发生概率，使得事件的发生概率更加准确。

进一步地，连铸事件集合中待处理事件的数量可以是预先设置的。在对当前待处理事件进行响应之后，还可以从短时记忆网络中获取下一个第一事件，并对新的第一事件执行步骤S11至步骤S14。

本申请的另一实施例还提供一种工业连铸数字人系统。

所述工业连铸数字人是指包含连铸知识体系的数字人，工业连铸数字人可以应用于工业元宇宙中，工业元宇宙是指利用科技手段进行链接与创造的，与现实世界映射与交互的工业虚拟世界，具备新型工业体系的数字世界。更具体地，工业连铸数字人系统可以包含基于认知智能的工业意识图灵机，由于认知智能是指机器能理解会思考，拥有处理复杂的事实和情形的能力，因此，本实施例中的工业连铸数字人系统可以用于处理复杂的生产信息，该系统可以主要应用于钢铁行业中的连铸段生产线中。

本申请实施例还提供一种工业连铸数字人系统，该系统可以包括：处理装置，处理装置可以用于执行上述的基于认知智能的连铸数据处理方法。在具体实施中，处理装置可以是服务器或服务器集群，本实施例对此并不进行限制。关于处理装置的更多内容可以参照上文关于基于认知智能的连铸数据处理方法的相关描述。

进一步地，本实施例中的工业连铸数字人系统还可以包括：存储装置，存储装置可以包括上述的短时记忆网络，还可以包括长时记忆网络，还可以包括下文描述的数据缓存模块、实时数据库等。在一个非限制性的例子中，存储装置还可以用于存储连铸知识图谱，所述连铸知识图谱包括以下一项或多项：工艺知识图谱、设备知识图谱、系统知识图谱、模型知识图谱和参数知识图谱。关于存储装置的更多内容可以参照下文关于图2和图3的相关描述。

进一步地，本实施例中的工业连铸数字人系统还可以包括：对话装置，所述对话装置可以用于实现工业连铸数字人和用户的交互。在具体实施中，对话装置可以配置有数字人对话系统，以实现工业连铸数字人和用户的交互。关于对话装置的更多内容可以参照下文关于图3的相关描述。

进一步地，本实施例中的工业连铸数字人系统还可以包括：展示装置，所述展示装置用于输出所述工业连铸数字人的视频和/或音频。例如，展示装置可以包括交互界面，以向用户显示工业连铸数字人。更具体地，所述对话装置和所述展示装置之间通过输出接口连接，由此用户可以通过展示装置获取工业连铸数字人的视频和/或音频。

参照图2，图2是本申请实施例中一种工业连铸数字人系统的顶层架构示意图。所述工业连铸数字人系统可以部署于计算设备，所述计算设备可以执行上述的基于认知智能的连铸数据处理方法，但并不限于此。下面结合图2对本申请实施例中的工业连铸数字人系统进行非限制性的描述。

如图2所示，工业连铸数字人系统可以包括：边缘设备20、短时记忆网络21、竞争树模块22、长时记忆网络23、数据缓存模块24、实时数据库25、模型中央处理模块26、工作数据存储模块27、通讯模块28、连铸现场执行机构29。

在连铸生产过程中，工业连铸数字人系统中的边缘设备20可以输出事件信息。具体地，边缘设备20可以获取连铸现场生产数据和连铸现场生产图像。更具体地，连铸现场生产数据可以是指上文提到的点位数据，连铸现场生产图像可以是指上文提到的生产图像。

进一步地，边缘设备20可以根据生产数据和生产图像进行识别，得到事件信息。更具体地，事件信息可以包括通用信息和异常信息。其中，异常信息可以记录有至少一个异常事件的信息，其中，异常事件可以是指上文图1中描述的事件。边缘设备20可以将异常信息上传至短时记忆网络(21)进行存储。

进一步地，通用信息可以记录有常规事件的信息，所述常规事件是指上述异常事件以外的其他事件。边缘设备可以将通用信息上传至长时记忆网络23进行存储。其中，长时记忆网络23也具有数据存储功能，短时记忆网络21的读写速度大于长时记忆网络23的读写速度。更具体地，短时记忆网络21为读写状态，信息块较小，但是存储的是关键和紧急重要的信息(例如上述的异常信息)，长时记忆网络23为读写状态，信息块较大，存储的多模态和批量并行的信息(例如，上述的通用信息)。

进一步地，数据缓存模块24可读可写，可以用于记录外部输入的多模态信息。其中，多模态信息可以包括上述的事件信息，还可以包括输入边缘设备20的连铸现场生产数据和连铸现场生产图像等。

具体而言，一方面，可以将通用信息作为输入存入数据缓存模块24，通用信息通过数据缓存模块24之后可以写入长时记忆网络23供工业连铸数字人系统在通用情况下进行调用。其中，通用情况是指连铸生产线正常运行的情况。另一方面，数据缓存模块24还可以与实时数据库25连接，保证数据的实时写入。边缘设备20还可以将获取的连铸现场生产数据和连铸现场生产图像一并输入至数据缓存模块24，并通过数据缓存模块24存储至实时数据库25中。

进一步地，对于写入短时记忆网络21中的事件，可以读入竞争树模块22。竞争树模块22针对关键和紧急重要信息会优先将这类的意识信息紧急及时地选出，通过竞争树优先到达模型中央处理模块26。

具体而言，竞争树模块22可以采用权重分配机制，针对严重的异常事件(例如，例如大包敞开浇注、长水口破裂等严重异常事件)赋予一个较高的权重，使得这些异常事件可以优先通过竞争树模块22，从而形成竞争树的注意力机制，第一时间优先进入模型中央处理模块26，并通过验证后，通过模型实时处理进行干预。

在一个具体的例子中，竞争树模块22可以预先设置有35个异常事件，针对每种异常事件，权值可以分配从1～10个等级，同时针对事件发生的频率，每种事件计算事件发生的概率，并进行概率和权值计算：Event1(x)＝W(x)*P(x)。其余无意识生产信息产生的权值分配0.1～0.9，竞争树可以采用平衡二叉树的形式自下往上进行比较，最上层传递到的为Event1(x)最大的信息。

关于竞争树模块22的更多内容可以参照上文关于图1中步骤S12和步骤S13的相关描述，在此不再赘述。

进一步地，模型中央处理模块26可以包括：优先级处理单元、模型处理单元、事件验证单元和并行处理单元。

事件验证单元可以用于验证短期记忆网络21获取的信息是否真实有效，通过信息校验来确保信息的可信度，并将通过验证的事件进一步进行模型处理单元。更具体地，关于事件验证单元的更多内容可以参照上文图1中关于对第一事件或者对待处理事件进行验证的相关描述，在此不再赘述。

优先级处理单元可以为几类紧急事件通过短时记忆网络进入模型中央处理单元后，无法做到并行处理，因此针对紧急事件进行优先级排序处理，分为1，2，3处理步骤，按照先后次序发送给模型进行处理后通过通讯模块28写入连铸现场执行机构29，完成异常事件的及时处理。更具体地，如果事件未通过验证，则可以在竞争树中删除该事件，删除该事件之后，可以由优先级处理单元对其余事件进行优先级调整，以使得模型处理单元按照调整后的优先级顺序进行处理。

并行处理单元可以用于对长时记忆网络23中的通用信息进行批量处理。

模型处理单元可以用于对通过验证的事件进行处理。更具体地，模型处理单元可以用于执行图1中的步骤S14，以得到处理指令。

模型处理单元得到处理指令之后，可以将处理指令通过通讯模块26下发至连铸现场执行机构29(也即，上文提到的执行机构)。

模型处理单元下发处理指令之后，还可以调整事件的发生概率，以实时修正不合理的发生概率，形成自主学习机制。

进一步地，工作数据存储模块27用于将模型中央处理模块26的工作数据存储至实时数据库25中。

进一步地，经过学习后的模型中央处理模型26后，针对认知智能的知识推理形成推理引擎对外进行引擎的发布，同时底层结合连铸知识图谱信息组成基本架构。

进一步地，上述的工业连铸数字人系统还可以具有对话功能。

参照图3，图3是本申请实施例中一种工业连铸数字人系统的另一种架构示意图。如图3所示，工业连铸数字人系统可以包括认知智能工业连铸顶层架构、认知智能知识推理引擎、知识对话输出接口、外部平台展示、数字人外部形象、后台管理系统、数字人对话系统和连铸知识图谱。

其中，认知智能工业连铸顶层架构可以是图2示出的架构。

进一步地，工业连铸数字人系统的底层知识可以是连铸相关的知识图谱。连铸相关的知识图谱可以包括：工艺知识图谱、设备知识图谱、系统知识图谱、模型知识图谱和参数知识图谱。

其中，工艺知识图谱可以包括连铸生产过程中多种工艺的知识。具体而言，工艺知识图谱可以记录有连铸工艺段中各类工艺的名称和工艺之间的前后工序关系。其中，工艺知识图谱中的节点可以对应于工艺，节点之间的有向连接线可以对应于前后工序关系。例如，工艺知识图谱可以包括中间包、结晶器(中间包和结晶器之间具有前后工序关系)，大包回转台、长水口(大包回转台和长水口之间具有前后工序关系)、二冷段、切割机(二冷段和切割机之间具有前后工序关系)、铸坯、钢水(产品形态)的知识。由此，工业连铸数字人可以回答与连铸工艺相关的问题。

设备知识图谱可以包括连铸生产过程涉及的多个设备的知识。具体地，设备知识图谱存储有针对连铸工艺段相关的电气仪表等设备的知识图谱，如：S7-400系统、数字信号输入模块(DI)、数字信号输出模块(DO)、模拟信号输出模块(AI)、模拟信号输出模块(AO)、PLC、传感器等设备信息。由此，工艺连铸数字人可以回答与连铸硬件设备相关的问题。

系统知识图谱可以包括连铸生产过程涉及的多个软件系统的知识。具体地，系统知识图谱主要包含连铸机采用的实际软件系统，例如可以包含：L2跟踪系统，L1设备系统，L0执行系统等。由此，工艺连铸数字人可以回答与连铸软件系统相关的问题。

模型知识图谱可以包括连铸生产过程涉及的多个推理模型的知识。模型知识图谱中的关系实体主要以推理模型的实际公式为准。每类模型作为一个模型结点形成模型知识图谱。模型相关系数作为结点的分支。例如，在模型知识图谱包括多个第一级结点，第一级结点和推理模型一一对应，第一级结点连接的第二级结点分别和推理模型的参数一一对应。由此，工艺连铸数字人可以回答与各个推理模型相关的知识。

多个推理模型可以包括以下一项或多项：钢包钢水质量变化模型，钢包钢水温度变化模型，中间包钢水质量变化模型，中间包钢水温度变化模型，凝固传热数学模型，动态二冷配水模型，坯壳厚度计算模型，渣膜厚度计算模型，铸坯线收缩量计算模型等等。

以坯壳厚度计算模型为例，在知识图谱中建立坯壳厚度计算模型对应的结点：

坯壳厚度计算模型的公式为：

其中：δ为坯壳厚度，坯壳厚度的单位可以是毫米，t为凝固时间，凝固时间的范围可以是分钟，l为结晶器的有效长度，结晶器的有效长度可以是毫米，结晶器的有效长度是指结晶器液面至结晶器下口的距离，大约为结晶器的实长减去80～100mm，v为拉坯速度，拉坯速度的单位可以是毫米/分钟(mm/min)K为凝固系数，凝固系数的单位可以是mm/min^1/2，其中，mm表示毫米，min表示分钟。

其中，如果铸坯为小方坯，则K的取值范围为18～20mm/min^1/2；如果铸坯为大方坯，则K的取值范围为24～26mm/min^1/2；如果铸坯为板坯，则K的取值范围为17～22mm/min^1/2；如果铸坯为圆坯，则K的取值范围为20～25mm/min^1/2。

由上，坯壳厚度计算模型对应的第一级结点连接的第二级结点可以分别对应于：δ、t、K、l、v。

进一步地，参数知识图谱包括连铸生产过程中多个运行参数的实际值。具体而言，参数知识图谱主要包含连铸各类工艺参数，比如中间包相关的一些工艺参数，包括但不限于此：中间包液位值、中间包钢水温度、中间包烘烤温度、中间包小火烘烤温度等。

基于底层的连铸知识图谱，工业连铸数字人系统具备了底层的数字人知识信息，数字人对话系统可以用于与用户进行交互，可以针对连铸知识进行相关的知识理解和调取，使得工业连铸数字人能够进行单轮或多轮对话。

下面仅示例性地给出一些单轮对话的例子：

例子1：

问：目前发生了哪些异常事件？

答：目前发生了异常事件1：中间包烘烤温度过高；异常事件2：结晶器出水口温度越高；异常事件3：钢包水口破裂；异常事件4：钢流失控。

例子2：

问：结晶器目前状态是什么？

答：结晶器目前出水口实际温度是26℃，结晶器目前进出水温差是35℃。

例子3：

问：中间包目前状态是什么？

答：中间包目前的状态烘烤时间为45S，烘烤温度是65℃，目前的小火烘烤时间是45S，小火烘烤温度是40℃。

例子4：

问：中间包钢水温度是多少？

答：中间包目前的钢水目标温度是700℃，温度上限是1300℃，温度下限是400℃。

例子5：

问：钢包与L3之间的信息是多少？

答：钢包与L3之间钢包号为01。

下面就本申请实施例中工业连铸数字人的对话方法进行描述：

首先，可以获取用户输入的问题。例如，可以是上述例子中的问题。

本实施例的方案中，用户输入的问题与连铸生产过程相关。本实施例对此问题的具体内容并不进行限制。

在一个非限制性的例子中，在问题的并发度较大的情况下，可以确定对问题的响应顺序。具体而言，可以预先设置有时间窗口，时间窗口的长度可以是预设值，如果在同一个时间窗口内获取到多个问题，则可以根据各个问题的优先级对多个问题进行响应。

更具体地，问题的优先级可以取决于问题的类型。在具体实施中，可以预先定义有各类问题对应的优先级，不同类型的问题的优先级可以是不同的，相同类型的问题的优先级可以是相同的。进一步地，对于同一时间窗口内类型相同的多个问题，可以按照时间的先后顺序进行响应。

进一步地，可以在至少一个预设的知识图谱中进行搜索，得到多个第一答案。

在一个非限制性的例子中，可以根据问题确定搜索顺序。

具体而言，可以对问题进行解析，以得到问题的至少一个特征信息，然后根据至少一个特征信息，确定各个知识图谱的搜索顺序。其中，特征信息可以用于指示问题的类型。问题的类型不同，搜索顺序也可以是不同的。

例如，如果问题的类型为设备类型，则搜索顺序可以是：设备知识图谱、参数知识图谱、工艺知识图谱、系统知识图谱和模型知识图谱。又例如，如果问题的类型为工艺类型，则搜索顺序可以是：工艺知识图谱、参数知识图谱、设备知识图谱、系统知识图谱和模型知识图谱。

进一步地，当搜索到分值大于或等于第一预设分值的第一答案的数量大于第一预设数量时，停止搜索并得到多个第一答案。采用这样的方案，能够在保证第一答案质量的同时，提高交互的效率。

其中，每个第一答案包括至少一个相关信息，每个相关信息与所述问题具有关联关系。具体而言，可以在底层的知识图谱中对问题进行搜索，以得到多个第一答案。在知识图谱中进行搜索，得到第一答案的方法可以是现有的适当的方法，本实施例对此并不进行限制。以上述的例子4为例，搜索到的第一答案“中间包目前的钢水目标温度是700℃，温度上限是1300℃，温度下限是400℃”可以包括如下3个相关信息：中间包目前的钢水目标温度是700℃、中间包的钢水温度上限是1300℃、中间包的钢水温度下限是400℃。由此可知，相关信息均与问题相关。

进一步地，可以确定各个第一答案的分值，其中，每个第一答案的分值取决于该第一答案的权重和该第一答案中每个相关信息的相关概率值，第一答案的权重用于表征第一答案包含的相关信息的数量，也即，第一答案包含的相关信息越多，第一答案的权重越大。此外，相关概率值用于表征相关信息和问题的关联程度，相关概率值越大，相关信息和问题的关联程度越高。

更具体地，第一答案的分值可以是第一答案的权重和多个相关信息的相关概率之和的乘积。换言之，第一答案的分值可以采用下式确定：

其中，为第一答案的分值，M为第一答案中包含的相关信息的数量，W_a(M)为第一答案的权重，M越大，W_a(M)越大，p_a(i)为第一答案中第i个相关信息的相关概率，1≤i≤M，M、i均为正整数。

仍以例子4为例，“中间包目前的钢水目标温度是700℃”相关概率为0.9，“中间包的钢水温度上限是1300℃”的相关概率为0.8，“中间包的钢水温度下限是400℃”的相关概率为0.8，由此，第一答案“中间包目前的钢水目标温度是700℃，温度上限是1300℃，温度下限是400℃”的分值为：(0.9+0.8+0.8)×W_a(3)。

进一步地，可以向用户发送至少一个第二答案，至少一个第二答案为所述多个第一答案中优先级最高的一个或多个第一答案，其中，第一答案的分值越大，其优先级越高。

采用上述方案，可以使保证得数字人输出的答案与问题的相关性的同时，尽可能提高答案的全面性。

知识对话输出接口主要功能为向外部输出答案。具体而言，由于系统包含底层知识信息，每次根据对话内容，机器生成相应的答案，通过各类有实际含义的答案作为系统的接口输出给相应的外部系统，通过消息的方式进行通讯输出，起到一个对外发布服务的效果。

数字人对话系统还可以进行指令性的对话。

具体而言，可以接收用户输入的处理指令，在接收到处理指令之后且下发处理指令之前，可以对用户进行身份验证，如果身份验证通过，则可以下发处理指令。具体地，可以通过数字人的通讯模块进行指令下发到相应的连铸现场执行机构进行修改产线部分的信息控制，达到对话确认及指令控制的效果。

在一个具体的例子中，可以对用户进行单次的身份验证。身份验证的方式可以是以下任意一项：密码认证、人脸认证、指纹认证、瞳孔认证和虹膜认证，但并不限于此。如果用户通过身份验证，则可以下发处理指令，如果未通过，则可以忽略该条处理指令，并向用户发送验证失败的提醒信息。

在另一个具体的例子中，可以进行两次验证。具体而言，可以采用第一验证方式和第二验证方式对用户进行验证。其中，第一验证方式的级别高于第二验证方式。验证方式的级别更高是指验证方式的要求更加严格。换言之，级别越高，验证方式越严格，验证的准确度更高。例如，第一验证方式可以为以下任意一项：瞳孔认证、虹膜认证、声纹认证；第二验证方式可以为以下任意一项：密码认证、口令认证，但并不限于此。

本实施例对于第一验证方式和第二验证方式的验证顺序并不进行限制。为了提高验证效率，可以先采用第一验证方式，然后采用第二验证方式。

在采用第一验证方式和第二验证方式均验证通过的情况下，可以执行步骤S23，也即，可以得到的处理指令发送至执行机构。

在采用第一验证方式验证未通过且采用第二验证方式通过的情况下，可以对用户输入的处理指令是否合理进行验证。更具体地，对处理动作是否合理进行验证。

具体而言，可以获取解析结果中的执行机构关联的运行参数在第一运行时间段内的实际值，其中，所述第一运行时间段为获取所述处理指令的时刻之前的时间段。进一步地，可以将执行机构关联的运行参数在第一运行时间段内的实际值和处理动作输入至预设的预测模型，以得到预测模型输出的关联的运行参数在第二运行时间段内的实际值，第二运行时间段为获取处理指令的时刻之后的时间段。

由此可知，预测模型可以用于基于历史运行参数的实际值和处理动作，模拟预测得到执行机构执行处理动作之后运行参数的实际值，以预测执行处理工作之后的运行状态。

进一步地，如果关联的运行参数在第二运行时间段内的实际值不满足预设条件，则可以确定处理指令不合理，在这种情况下可以忽略处理指令，并向用户发送重新输入处理指令的提醒信息。忽略处理指令可以是指删除或丢弃处理指令。如果关联的运行参数在第二运行时间段内的实际值满足预设条件，则可以确定处理指令是合理的，在这种情况下，可以向执行机构发送处理指令。其中，第一运行时间段的时长、第二运行时间段的时长和预设条件可以是预先设置的，可以取决于执行机构、处理动作、运行参数的类型等，本实施例对此并不进行限制。

由上，本实施例的方案中，在高级别验证通过的情况下，可以直接发送处理指令，在高级别验证未通过且低级别验证通过的情况下，对处理指令的合理性进行验证，采用这样的方案提高交互的安全性，从而保证连铸生产的安全。进一步地，工业连铸数字人的形象可以根据客户实际要求进行定制，数字人可以采用具有行业属性的人机特征，例如连铸特定工艺特征的名称或工业特定形象，该形象可以通过网页、应用程序(Application，APP)、大屏等方式嵌入式展示，具有一定的外部对话功能，可以通过语音的方式进行交互。更具体地，上述数字人对话系统得到的答案可以以数字人音频和视频相结合的方式输出。

进一步地，后台管理系统主要是指工业连铸数字人的管理设定系统，可以用于工业连铸数字人的形象更新选取、知识图谱的信息设定、知识图谱的信息更新、认知模块测试、对话优先级设定、数字人通讯接口设定、权限设定等。其中，认知模块测试是指对认知模块进行测试，所述认知模块可以是指上述的认知智能知识推理引擎。对话优先级设定是指设定不同类型的对话的响应顺序。例如，在接收到多个待回答的问题的情况下，可以确定问题的类型，每类问题具有预先设定的优先级，由此可以根据问题的优先级确定回答的顺序。

进一步地，外部平台展示模块可以用于针对工业连铸数字人的特点进行外部平台展示接入，可以选取有网页(Web)页面、手机APP页面、大屏展示页面、客户端页面、立式屏幕展示等平台信息接入等。

参照图4，图4是本申请实施例中的一种基于认知智能的连铸数据处理装置的结构示意图，图4示出的装置可以包括：

获取模块41，用于获取连铸生产过程中的第一事件；

参数确定模块42，用于确定所述第一事件的第一注意力参数值，其中，所述第一注意力参数值取决于事件的发生概率和权重，所述权重用于表征事件的严重程度和/或紧急程度；

更新模块43，用于将所述第一事件加入至连铸事件集合，并根据所述第一事件的第一注意力参数值更新所述连铸事件集合中的多个待处理事件的优先级，其中，所述多个待处理事件包括所述第一事件，所述待处理事件的第一注意力参数值越大，其优先级越高；

处理模块44，用于根据各个待处理事件的优先级，对所述多个待处理事件进行响应。关于本申请实施例中的基于认知智能的连铸数据处理装置的工作原理、工作方法和有益效果等更多内容，可以参照上文关于基于认知智能的连铸数据处理方法的相关描述，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，执行上述的基于认知智能的连铸数据处理方法的步骤。所述存储介质可以包括ROM、RAM、磁盘或光盘等。所述计算机可读存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。

本申请实施例还提供一种计算设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述的基于认知智能的连铸数据处理方法的步骤。所述计算设备包括但不限于服务器、手机、计算机、平板电脑、物联网设备等设备。

应理解，本申请实施例中，所述处理器可以为中央处理单元(central processingunit，简称CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(application specific integrated circuit，简称ASIC)、现成可编程门阵列(field programmable gate array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，简称ROM)、可编程只读存储器(programmable ROM，简称PROM)、可擦除可编程只读存储器(erasable PROM，简称EPROM)、电可擦除可编程只读存储器(electricallyEPROM，简称EEPROM)或闪存。易失性存储器可以是随机存取存储器(random accessmemory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，简称RAM)可用，例如静态随机存取存储器(staticRAM，简称SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronousDRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，简称DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，简称ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，简称DR RAM)

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机程序可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法、装置和系统，可以通过其它的方式实现。例如，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；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。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，在本申请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包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。例如，对于应用于或集成于芯片的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片内部集成的处理器，剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于芯片模组的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于芯片模组的同一组件(例如芯片、电路模块等)或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片模组内部集成的处理器，剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于终端的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于终端内同一组件(例如，芯片、电路模块等)或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于终端内部集成的处理器，剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，表示前后关联对象是一种“或”的关系。

本申请实施例中出现的“多个”是指两个或两个以上。本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。虽然本申请披露如上，但本申请并非限定于此。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各种更动与修改，因此本申请的保护范围应当以权利要求所限定的范围为准。

虽然本申请披露如上，但本申请并非限定于此。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各种更动与修改，因此本申请的保护范围应当以权利要求所限定的范围为准。

Claims (21)

1.一种基于认知智能的连铸数据处理方法，其特征在于，所述方法包括：

获取连铸生产过程中的第一事件；

确定所述第一事件的第一注意力参数值，其中，所述第一注意力参数值取决于事件的发生概率和权重，所述权重用于表征事件的严重程度和/或紧急程度；

将所述第一事件加入至连铸事件集合，并根据所述第一事件的第一注意力参数值更新所述连铸事件集合中的多个待处理事件的优先级，其中，所述多个待处理事件包括所述第一事件，所述待处理事件的第一注意力参数值越大，其优先级越高；

根据各个待处理事件的优先级，对所述多个待处理事件进行响应。

2.根据权利要求1所述的基于认知智能的连铸数据处理方法，其特征在于，获取连铸生产过程中的第一事件包括：

根据各个事件的第二注意力参数值，从短时记忆网络存储的多个事件中选出所述第一事件；

其中，每个事件具有时间信息，所述第二注意力参数值至少取决于所述时间信息。

3.根据权利要求2所述的基于认知智能的连铸数据处理方法，其特征在于，所述第二注意力参数值还取决于事件的权重。

4.根据权利要求2所述的基于认知智能的连铸数据处理方法，其特征在于，将所述第一事件加入至连铸事件集合之前，所述方法还包括：

在所述连铸事件集合中查找第二事件，所述第二事件为所述第一事件关联的事件；

将所述第一事件加入至连铸事件集合包括：

如果在所述连铸事件集合中查找到所述第二事件，则将所述第一事件加入所述连铸事件集合。

5.根据权利要求4所述的基于认知智能的连铸数据处理方法，其特征在于，在所述连铸事件集合中查找第二事件包括：

判断所述第一事件的发生概率是否小于或等于第一预设概率阈值，如果是，则在所述连铸事件集合中查找所述第二事件。

6.根据权利要求4所述的基于认知智能的连铸数据处理方法，其特征在于，根据所述第一事件的第一注意力参数值更新所述连铸事件集合中的多个待处理事件的优先级包括：

增大所述第二事件的第一注意力参数值；

根据所述第一事件的第一注意力参数值和增大后的所述第二事件的第一注意力参数值，更新所述多个待处理事件的优先级。

7.根据权利要求4所述的基于认知智能的连铸数据处理方法，其特征在于，将所述第一事件加入至连铸事件集合之前，所述方法还包括：

如果在所述连铸事件集合中未查找到所述第二事件，则在所述短时记忆网络中查找所述第二事件；

将所述第一事件加入至连铸事件集合包括：

如果在所述短时记忆网络中查找到所述第二事件，则将所述第一事件加入至所述连铸事件集合。

8.根据权利要求7所述的基于认知智能的连铸数据处理方法，其特征在于，所述方法还包括：

如果在所述短时记忆网络中查找到所述第二事件，则增大所述第二事件的第二注意力参数值；

或者，如果在所述短时记忆网络中查找到所述第二事件，且所述第一事件的第一注意力参数值大于第一预设参数阈值，以及所述第二事件的第二注意力参数值大于第二预设参数阈值，则将所述第二事件作为下一个第一事件。

9.根据权利要求7所述的基于认知智能的连铸数据处理方法，其特征在于，将所述第一事件加入至连铸事件集合之前，所述方法还包括：

如果在所述短时记忆网络中未查找到所述第二事件，则等待第一时间段；将所述第一事件加入至连铸事件集合包括：

如果在所述第一时间段内在所述短时记忆网络中查找到所述第二事件，则将所述第一事件加入所述连铸事件集合。

10.根据权利要求1所述的基于认知智能的连铸数据处理方法，其特征在于，如果所述第一事件是由图像判别模型识别得到的，则第一事件的发生概率为第一预设概率值；

如果所述第一事件不是由所述图像判别模型识别得到的，则所述第一事件的发生概率为第二预设概率值，且所述第二预设概率值小于所述第一预设概率值；

其中，所述图像判别模型用于对生产图像进行异常识别，所述生产图像是对所述连铸生产过程进行拍摄得到的。

11.根据权利要求1所述的基于认知智能的连铸数据处理方法，其特征在于，如果所述第一事件属于第一事件集合，则所述权重大于或等于第一预设权重阈值；

如果所述第一事件属于第二事件集合，则所述权重小于或等于第二预设权重阈值；

其中，所述第二预设权重阈值小于所述第一预设权重阈值。

12.根据权利要求1所述的基于认知智能的连铸数据处理方法，其特征在于，根据各个待处理事件的优先级，对所述多个待处理事件进行响应包括：

将当前待处理事件输入至预设的事件处理模型，得到所述事件处理模型输出的处理指令，其中，所述当前待处理事件为所述多个待处理事件中优先级最高的待处理事件；

将所述处理指令发送至所述当前待处理事件关联的执行机构，以使所述执行机构执行所述处理指令，以消除所述当前待处理事件。

13.根据权利要求12所述的基于认知智能的连铸数据处理方法，其特征在于，所述方法还包括：

根据第二时间段内获取所述第一事件的次数，更新所述第一事件的发生概率；

其中，所述第二时间段的起始时刻为发送所述处理指令的时刻，所述第二时间段的时长是预先设置的。

14.根据权利要求2所述的基于认知智能的连铸数据处理方法，其特征在于，所述方法还包括：

从长时记忆网络获取所述连铸生产过程中的通用信息，所述短时记忆网络的读写速度大于所述长时记忆网络。

15.一种基于认知智能的连铸数据处理装置，其特征在于，所述装置包括：

获取模块，用于获取连铸生产过程中的第一事件；

参数确定模块，用于确定所述第一事件的第一注意力参数值，其中，所述第一注意力参数值取决于事件的发生概率和权重，所述权重用于表征事件的严重程度和/或紧急程度；

更新模块，用于将所述第一事件加入至连铸事件集合，并根据所述第一事件的第一注意力参数值更新所述连铸事件集合中的多个待处理事件的优先级，其中，所述多个待处理事件包括所述第一事件，所述待处理事件的第一注意力参数值越大，其优先级越高；

处理模块，用于根据各个待处理事件的优先级，对所述多个待处理事件进行响应。

16.一种计算机可读存储介质，其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，执行权利要求1至14中任一项所述的基于认知智能的连铸数据处理方法的步骤。

17.一种计算设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至14中任一项所述的基于认知智能的连铸数据处理方法的步骤。

18.一种工业连铸数字人系统，其特征在于，包括：

处理装置，用于执行权利要求1至14任一项所述的基于认知智能的连铸数据处理方法。

19.根据权利要求18所述的工业连铸数字人系统，其特征在于，还包括：

存储装置，所述存储装置用于存储连铸知识图谱，所述连铸知识图谱包括以下一项或多项：工艺知识图谱、设备知识图谱、系统知识图谱、模型知识图谱和参数知识图谱。

20.根据权利要求18所述的工业连铸数字人系统，其特征在于，还包括：

对话装置，所述对话装置用于实现所述工业连铸数字人和用户的交互。

21.根据权利要求20所述的工业连铸数字人系统，其特征在于，还包括：

展示装置，所述展示装置用于输出所述工业连铸数字人的视频和/或音频；其中，所述对话装置和所述展示装置之间通过输出接口连接。

Images