CN115618269A - 基于工业传感器生产的大数据分析方法及系统 - Google Patents
基于工业传感器生产的大数据分析方法及系统 Download PDFInfo
- Publication number
- CN115618269A CN115618269A CN202211591247.6A CN202211591247A CN115618269A CN 115618269 A CN115618269 A CN 115618269A CN 202211591247 A CN202211591247 A CN 202211591247A CN 115618269 A CN115618269 A CN 115618269A
- Authority
- CN
- China
- Prior art keywords
- production
- data
- sensor
- template
- detection
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 1064
- 238000007405 data analysis Methods 0.000 title claims abstract description 214
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 339
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000002452 interceptive effect Effects 0.000 claims description 46
- 238000012360 testing method Methods 0.000 claims description 43
- 238000004088 simulation Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 13
- 230000000750 progressive effect Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical group [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (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)
Abstract
本申请涉及人工智能与大数据处理技术领域，具体而言，涉及一种基于工业传感器生产的大数据分析方法及系统。本申请通过生产检测数据分析模型对生产检测流式数据集进行处理得到工业传感器生产线的生产状态分析结果，通过人工智能技术可以提升工业传感器生产在线监测的生产状态分析的准确度和数据分析的效率，在生产检测数据分析模型的优化过程还提升了在工业传感器生产线的生产检测流式数据集中确定工业传感器生产线的重点传感器生产数据和工业传感器生产状态的准确度。
Description
技术领域
本申请涉及人工智能与大数据处理技术领域，具体而言，涉及一种基于工业传感器生产的大数据分析方法及系统。
背景技术
工业传感器是电子产业的不可或缺的基本构成元件，其生产过程涉及的环节多、工序杂、难度高，因此，需要建立标准化生产流程，保证生产良率。而随着进入现代工厂信息化新阶段，物联网技术和设备监控技术的结合，帮助进行生产环节中的信息管理。实体生产通过大数据检测采集，变换为数字化信息进行检测评估，这个过程中，需要能够对海量的生产数据进行准确高效地分析，得到生产状态是否异常，并且在分析出异常生产状态时，分析出异常的具体类型，目前，该方面还有提高的空间，亟待一种新的分析方式改善分析的准确度。
发明内容
本发明的目的在于提供一种基于工业传感器生产的大数据分析方法及系统，以改善上述问题。
本申请实施例的实现方式如下所述：
第一方面，本申请实施例提供了一种基于工业传感器生产的大数据分析方法，应用于生产分析设备，所述生产分析设备与一条及以上的工业传感器生产线的生产检测设备通信连接，所述方法包括：获取所述生产检测设备发送的生产检测流式数据集；将所述生产检测流式数据集加载到预设的生产检测数据分析模型，并通过所述生产检测数据分析模型对所述生产检测流式数据集进行处理，输出所述生产检测流式数据集对应的生产状态分析结果；其中，所述生产检测数据分析模型的训练步骤包括：获取初始生产检测数据分析模型和模拟工业传感器生产线的生产检测流式数据集模板，其中，所述生产检测流式数据集模板包括不少于一个传感器生产数据模板；基于所述初始生产检测数据分析模型对所述生产检测流式数据集模板进行描述知识抽取，得到所述生产检测流式数据集模板对应的数据集模板描述知识和所述传感器生产数据模板对应的传感器生产数据模板描述知识；基于所述初始生产检测数据分析模型将所述数据集模板描述知识和各个传感器生产数据模板描述知识进行交互组合，得到各个所述传感器生产数据模板对应的交互描述知识；基于所述初始生产检测数据分析模型通过各个所述传感器生产数据模板对应的交互描述知识，获取所述各个所述传感器生产数据模板对应的数据标记可能系数；基于所述初始生产检测数据分析模型对所述数据集模板描述知识进行生产状态预测，得到所述模拟工业传感器生产线对应的生产状态预测可能系数；所述各个所述传感器生产数据模板对应的数据标记可能系数和所述模拟工业传感器生产线对应的生产状态预测可能系数进行代价获取，得到所述模拟工业传感器生产线对应的检测数据代价值和生产状态代价值；通过所述检测数据代价值和所述生产状态代价值对所述初始生产检测数据分析模型进行优化，得到最终生产检测数据分析模型。
其中，作为可选地实施方式，所述基于所述初始生产检测数据分析模型对所述生产检测流式数据集模板进行描述知识抽取，得到所述生产检测流式数据集模板对应的数据集模板描述知识和所述传感器生产数据模板对应的传感器生产数据模板描述知识，包括：基于所述初始生产检测数据分析模型对所述生产检测流式数据集模板的传感器生产数据模板进行聚焦型生产数据抽取，得到各个所述传感器生产数据模板对应的聚焦型生产数据；基于所述初始生产检测数据分析模型将各个所述传感器生产数据模板对应的聚焦型生产数据转换到设定好的描述知识空间中，得到所述传感器生产数据模板在所述设定好的描述知识空间中对应的传感器生产数据模板描述知识；基于所述初始生产检测数据分析模型对将各个所述传感器生产数据模板对应的传感器生产数据模板描述知识进行分类映射操作，得到所述生产检测流式数据集模板对应的原始数据集模板描述知识；基于所述初始生产检测数据分析模型对所述原始数据集模板描述知识进行描述知识提取，得到所述生产检测流式数据集模板对应的数据集模板描述知识。
其中，作为可选地实施方式，所述基于所述初始生产检测数据分析模型对所述生产检测流式数据集模板的传感器生产数据模板进行聚焦型生产数据抽取，得到各个所述传感器生产数据模板对应的聚焦型生产数据，包括：基于所述初始生产检测数据分析模型对所述传感器生产数据模板进行数组变换，得到所述传感器生产数据模板对应的传感器生产数据模板描述值；基于所述初始生产检测数据分析模型中的聚焦型影响因子和所述传感器生产数据模板描述值进行预设计算，得到计算之后的传感器生产数据模板描述值；基于所述初始生产检测数据分析模型包含的分类预测单元对所述计算之后的传感器生产数据模板描述值进行回归分析预测，得到所述各个所述传感器生产数据模板对应的聚焦型生产数据。所述基于所述初始生产检测数据分析模型对所述原始数据集模板描述知识进行描述知识提取，得到所述生产检测流式数据集模板对应的数据集模板描述知识，包括：基于所述初始生产检测数据分析模型对所述原始数据集模板描述知识进行平滑处理，得到平滑处理之后的描述知识；基于所述初始生产检测数据分析模型对所述平滑处理之后的描述知识进行从加载至输出的递进，得到递进后的描述知识；基于所述初始生产检测数据分析模型对所述递进后的描述知识进行高斯分布转换，得到所述数据集模板描述知识。
其中，作为可选地实施方式，所述基于所述初始生产检测数据分析模型将所述数据集模板描述知识和各个传感器生产数据模板描述知识进行交互组合，得到各个所述传感器生产数据模板对应的交互描述知识，包括：基于所述初始生产检测数据分析模型对所述各个传感器生产数据模板描述知识进行翻转，得到翻转操作后的传感器生产数据模板描述知识；将所述初始生产检测数据分析模型中的组合影响因子和所述数据集模板描述知识进行相乘操作，得到计算之后的交互描述知识；基于所述初始生产检测数据分析模型将所述计算之后的交互描述知识和每个翻转操作后的传感器生产数据模板描述知识进行相乘操作，得到所述各个所述传感器生产数据模板对应的交互描述知识。
其中，作为可选地实施方式，所述基于所述各个所述传感器生产数据模板对应的数据标记可能系数和所述模拟工业传感器生产线对应的生产状态预测可能系数进行代价获取，得到所述模拟工业传感器生产线对应的检测数据代价值和生产状态代价值，包括：获取生产检测流式数据集模板中各个所述传感器生产数据模板的校验数据标记结果和针对模拟工业传感器生产线的校验生产状态结果；通过所述各个所述传感器生产数据模板对应的校验数据标记结果和数据标记可能系数获取所述模拟工业传感器生产线对应的检测数据代价值；通过所述校验生产状态结果和所述模拟工业传感器生产线对应的生产状态预测可能系数获取所述模拟工业传感器生产线对应的生产状态代价值。
其中，作为可选地实施方式，所述通过所述各个所述传感器生产数据模板对应的校验数据标记结果和数据标记可能系数获取所述模拟工业传感器生产线对应的检测数据代价值，包括：通过所述传感器生产数据模板对应的校验数据标记结果，获取所述传感器生产数据模板和事先设置的数据标记结果间对应的检测数据代价获取系数；确定传感器生产数据模板和事先设置的数据标记结果间对应的数据标记可能系数；将传感器生产数据模板和事先设置的数据标记结果间的所述检测数据代价获取系数和数据标记可能系数进行预设代价函数运算，得到传感器生产数据模板对应的传感器生产数据模板代价值；通过所述生产检测流式数据集模板中传感器生产数据模板的数目和所述事先设置的数据标记结果的数目，将传感器生产数据模板对应的传感器生产数据模板代价值进行组合，获得所述检测数据代价值。
其中，作为可选地实施方式，所述通过所述校验生产状态结果和所述模拟工业传感器生产线对应的生产状态预测可能系数获取所述模拟工业传感器生产线对应的生产状态代价值，包括：通过所述模拟工业传感器生产线对应的校验生产状态结果，创建所述模拟工业传感器生产线和事先设置的生产状态间的生产状态代价获取系数；确定模拟工业传感器生产线和所述事先设置的生产状态间的生产状态预测可能系数；将模拟工业传感器生产线和所述事先设置的生产状态间的生产状态代价获取系数和生产状态预测可能系数进行预设计算，得到模拟工业传感器生产线对应的生产状态代价值。
其中，作为可选地实施方式，所述方法还包括：获取工业传感器生产线的生产检测流式数据集，所述生产检测流式数据集包括至少一个传感器生产数据；基于所述最终生产检测数据分析模型对所述生产检测流式数据集进行描述知识抽取，得到所述生产检测流式数据集对应的数据集模板描述知识和所述传感器生产数据对应的传感器生产数据描述知识；基于所述最终生产检测数据分析模型将所述生产检测流式数据集对应的数据集模板描述知识和每个传感器生产数据描述知识进行交互组合，得到每个传感器生产数据对应的交互描述知识；基于所述最终生产检测数据分析模型通过所述每个传感器生产数据的交互描述知识，在所述传感器生产数据中甄别得到所述工业传感器生产线对应的重点传感器生产数据；基于所述最终生产检测数据分析模型对所述数据集模板描述知识进行生产状态预测，得到所述工业传感器生产线对应的工业传感器生产状态。
其中，作为可选地实施方式，所述基于所述最终生产检测数据分析模型通过所述每个传感器生产数据的交互描述知识，在所述传感器生产数据中甄别得到所述工业传感器生产线对应的重点传感器生产数据，包括：基于所述最终生产检测数据分析模型根据每个传感器生产数据对应的交互描述知识，对每个传感器生产数据进行数据标记预测，得到每个所述传感器生产数据的预测数据标记可能系数；通过每个传感器生产数据对应的预测数据标记可能系数，确定每个所述传感器生产数据对应的数据标记；通过每个所述传感器生产数据对应的数据标记，在所述传感器生产数据中甄别得到真值传感器生产数据；通过每个真值传感器生产数据对应的数据标记，将所述真值传感器生产数据进行合并，得到所述重点传感器生产数据。
第二方面，本申请实施例提供一种数据分析系统，包括生产分析设备和与所述生产分析设备通信连接的一条及以上的工业传感器生产线的生产检测设备，所述生产分析设备包括处理器和存储器，所述存储器存储有用于被处理器执行的程序，当所述处理器执行所述程序时，实现上述的方法。
本申请实施例通过生产检测数据分析模型对生产检测流式数据集进行处理得到工业传感器生产线的生产状态分析结果，通过人工智能技术可以提升工业传感器生产在线监测的准确度和数据分析的效率，在生产检测数据分析模型的优化过程中，通过获取初始生产检测数据分析模型和模拟工业传感器生产线的生产检测流式数据集模板，基于初始生产检测数据分析模型对生产检测流式数据集模板进行描述知识抽取，得到生产检测流式数据集模板对应的数据集模板描述知识和传感器生产数据模板对应的传感器生产数据模板描述知识，然后基于初始生产检测数据分析模型将数据集模板描述知识和各个传感器生产数据模板描述知识进行交互组合，得到各个所述传感器生产数据模板对应的交互描述知识，并基于初始生产检测数据分析模型通过各个所述传感器生产数据模板对应的交互描述知识，获取各个所述传感器生产数据模板对应的数据标记可能系数，然后基于初始生产检测数据分析模型对数据集模板描述知识进行生产状态预测，得到模拟工业传感器生产线对应的生产状态预测可能系数；然后通过各个所述传感器生产数据模板对应的数据标记可能系数和模拟工业传感器生产线对应的生产状态预测可能系数进行代价获取，得到模拟工业传感器生产线对应的检测数据代价值和生产状态代价值，最后通过检测数据代价值和生产状态代价值对初始生产检测数据分析模型进行优化，以得到最终生产检测数据分析模型。采取以上所述优化方案，本申请实施例提升了在工业传感器生产线的生产检测流式数据集中确定工业传感器生产线的重点传感器生产数据和工业传感器生产状态的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种基于工业传感器生产的大数据分析方法的流程图。
图2是本申请实施例提供的生产检测数据分析模型的训练过程的流程图。
图3是本申请实施例提供的数据分析装置的功能模块架构示意图。
图4是本申请实施例提供的一种生产分析设备的组成示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。本申请实施例的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。
本申请实施例中基于工业传感器生产的大数据分析方法的执行主体为生产分析设备，包括但不限于服务器、个人电脑、笔记本电脑、平板电脑等。具体地，生产分析设备可以为服务器，例如单个网络服务器、多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，生产分析设备和一条及以上的工业传感器生产线的生产检测设备通过诸如互联网、广域网、城域网、局域网、VPN网络等网络完成通信，构成本申请实施例提供的数据分析系统。
本申请实施例提供了一种基于工业传感器生产的大数据分析方法，该方法应用于生产分析设备，如图1所示，该方法包括：
步骤10：获取生产检测设备发送的生产检测流式数据集。
每一条工业传感器生产线均配置有相应的生产检测设备，以采集生产数据，例如人员的操作数据、流程节点数据、设备运维数据、生产环境数据、零件测试数据等，可以理解，每条工业传感器生产线的生产检测设备的数量可以包括一个或多个，例如通过一个集成式设备采取多类生产数据，或者通过多个设备分布式采集对应的生产数据。获取生产数据的方式可以是通过布设的传感器进行感测、设置运行软件进行管理填报等，例如对于传感器的粘片过程，可以设置相关检测传感器进行硅片与烧结基座、绝缘垫的位置、涂胶平整度、粘接力等数据的采集。流式数据是实时大数据，可以在短时间传输大量数据，实现对生产的实时监测。
步骤20：将生产检测流式数据集加载到预设的生产检测数据分析模型，并通过生产检测数据分析模型对所述生产检测流式数据集进行处理，输出所述生产检测流式数据集对应的生产状态分析结果。
生产检测数据分析模型的模型基础结构和分支结构在后续步骤中进行介绍，生产状态分析结果可以指示工业传感器生产线在数据检测对应的阶段，是正常生产状态还是异常生产状态，如果是异常生产状态，是哪种异常类型，如人员操作异常、设备运行异常、程序执行异常、配件组装异常等。其中，对生产检测流式数据集进行准确地数据特征挖掘与分析，或者说，生产检测数据分析模型的分析能力是决定生产状态分析结果准确性的关键，而生产检测流式数据集中无效的、扰动的、重复的检测数据会对该过程造成进一步障碍，因此，如何在生产检测流式数据集中识别出重点传感器生产数据，并分析出表征的生产状态是该生产检测数据分析模型的目的，下面将对该生产检测数据分析模型的训练过程进行介绍，请参照图2，训练过程具体可以包括如下步骤100~700。
步骤100，获取初始生产检测数据分析模型和模拟工业传感器生产线的生产检测流式数据集模板。
本申请实施例中，生产检测流式数据集模板包括不少于一个传感器生产数据模板，换言之，不少于一个传感器生产数据模板构成该生产检测流式数据集模板。初始生产检测数据分析模型即需要进行优化的模型，例如其基础结构可以是任意可行的人工智能模型架构，如机器学习网络架构，初始生产检测数据分析模型可以是从未训练或经过训练未收敛的模型。
在一种可能的实施方式里，通过对初始生产检测数据分析模型进行优化，可以得到最终生产检测数据分析模型。最终生产检测数据分析模型用于通过工业传感器生产线的生产检测流式数据集，创建工业传感器生产线对应的重点传感器生产数据和预测工业传感器生产状态。
在一种可能的实施方式里，最终生产检测数据分析模型可以包括多个具备不同功能的网络，如描述知识抽取网络、特征交互组合网络、重点传感器生产数据创建网络和生产状态预测网络。
具体而言，描述知识抽取网络被配置为对生产检测流式数据集进行描述知识抽取（对检测流失数据进行特征提取得到的数据，如人工智能专家模型分支挖掘到的知识向量），得到生产检测流式数据集对应的数据集模板描述知识和传感器生产数据对应的传感器生产数据描述知识。描述知识抽取网络可以包括全连接神经网络，对生产检测流式数据集进行描述知识抽取，得到生产检测流式数据集对应的原始生产检测流式数据集和传感器生产数据对应的传感器生产数据描述知识，之后基于全连接神经网络对原始生产检测流式数据集进行描述知识提取，得到生产检测流式数据集对应的数据集模板描述知识。
特征交互组合网络被配置为将数据集模板描述知识和各个传感器生产数据模板描述知识进行交互组合，以此融合之后，获得各个传感器生产数据模板对应的交互描述知识。
重点传感器生产数据创建网络被配置为通过每个传感器生产数据的交互描述知识，在传感器生产数据中甄别得到工业传感器生产线对应的重点传感器生产数据，且重点传感器生产数据创建网络还被配置为通过各个所述传感器生产数据模板对应的交互描述知识获取各个传感器生产数据模板对应的数据标记可能系数，重点传感器生产数据创建网络例如为条件随机场网络。
生产状态预测网络被配置为对数据集模板描述知识进行生产状态预测，得到模拟工业传感器生产线对应的工业传感器生产状态，同时还被配置为对数据集模板描述知识进行生产状态预测，以获得模拟工业传感器生产线对应的生产状态预测可能系数，生产状态预测网络可以为基于归一化指数函数构建的网络。
将模拟工业传感器生产线和生产检测流式数据集模板作为训练数据对初始生产检测数据分析模型进行优化，生产检测流式数据集模板的传感器生产数据模板可以包括生产检测流式数据集模板中的一个或多个字段。
在一种可能的实施方式里，训练之前先对生产检测流式数据集模板预处理，创建事先设置的数据标记结果，通过事先设置的数据标记结果对传感器生产数据模板进行标记操作，以此让各个所述传感器生产数据模板都有对应的校验数据标记结果。
譬如，事先设置的数据标记结果包括I、II、III、IV等四种类型，I代表扰动字段，II代表实质字段节（字段组成的节）的开始字段，III代表实质字段节的末尾字段，IV代表实质字段节的填充字段，然后通过事先设置的数据标记结果对传感器生产数据模板进行标记操作，以此让各个所述传感器生产数据模板均有对应的校验数据标记结果。
在一种可能的实施方式里，可以基于具有校验数据标记的生产检测流式数据集模板对初始生产检测数据分析模型进行优化，得到最终生产检测数据分析模型。
步骤200，基于初始生产检测数据分析模型对生产检测流式数据集模板进行描述知识抽取，得到生产检测流式数据集模板对应的数据集模板描述知识和传感器生产数据模板对应的传感器生产数据模板描述知识。
在一种可能的实施方式里，基于生产检测流式数据集模板对初始生产检测数据分析模型进行优化，具体包括：基于初始生产检测数据分析模型对生产检测流式数据集模板进行描述知识抽取，得到生产检测流式数据集模板对应的数据集模板描述知识和传感器生产数据模板对应的传感器生产数据模板描述知识。
数据集模板描述知识可以为生产检测流式数据集模板的全局描述知识，反映了生产检测流式数据集模板在整体上呈现的特点，传感器生产数据模板描述知识可以为局部描述知识，传感器生产数据模板描述知识可以体现各个传感器生产数据间的关系，传感器生产数据在生产检测流式数据集中的重要性。
在一种可能的实施方式里，初始生产检测数据分析模型可以包括描述知识抽取网络，描述知识抽取网络可以包括全连接神经网络，先基于全连接神经网络对生产检测流式数据集模板进行描述知识抽取，得到生产检测流式数据集模板对应的原始数据集模板描述知识和传感器生产数据模板对应的传感器生产数据模板描述知识，再对原始数据集模板描述知识进行描述知识提取，得到数据集模板描述知识。
在一种可能的实施方式里，基于初始生产检测数据分析模型对生产检测流式数据集模板进行描述知识抽取，得到生产检测流式数据集模板对应的数据集模板描述知识和传感器生产数据模板对应的传感器生产数据模板描述知识的步骤可以包括如下步骤：
基于初始生产检测数据分析模型对生产检测流式数据集模板的传感器生产数据模板进行聚焦型生产数据（重要的生产数据，或称注意力数据）抽取，得到各个所述传感器生产数据模板对应的聚焦型生产数据；基于初始生产检测数据分析模型将各个传感器生产数据模板对应的聚焦型生产数据转换到设定好的描述知识空间（特征映射的过程）中，得到传感器生产数据模板在设定好的描述知识空间中对应的传感器生产数据模板描述知识；基于初始生产检测数据分析模型对将各个传感器生产数据模板对应的传感器生产数据模板描述知识进行分类映射操作，得到生产检测流式数据集模板对应的原始数据集模板描述知识；基于初始生产检测数据分析模型对原始数据集模板描述知识进行描述知识提取，得到生产检测流式数据集模板对应的数据集模板描述知识。
在一种可能的实施方式里，为了增加描述知识抽取的精确性，对初始生产检测数据分析模型进行优化的过程中，可以基于初始生产检测数据分析模型对生产检测流式数据集模板的传感器生产数据模板进行聚焦型生产数据抽取，得到各个所述传感器生产数据模板对应的聚焦型生产数据。
例如，基于初始生产检测数据分析模型对生产检测流式数据集模板的传感器生产数据模板进行聚焦型生产数据抽取，得到各个所述传感器生产数据模板对应的聚焦型生产数据可以包括如下步骤：
基于初始生产检测数据分析模型对传感器生产数据模板进行数组变换，得到传感器生产数据模板对应的传感器生产数据模板描述值；基于初始生产检测数据分析模型中的聚焦型影响因子和传感器生产数据模板描述值进行预设计算，得到计算之后的传感器生产数据模板描述值；基于初始生产检测数据分析模型包含的分类预测单元对计算之后的传感器生产数据模板描述值进行回归分析预测，得到各个所述传感器生产数据模板对应的聚焦型生产数据。
在一种可能的实施方式里，例如基于初始生产检测数据分析模型对传感器生产数据模板进行数组变换（转换成具体的向量值），得到传感器生产数据模板对应的传感器生产数据模板描述值。举例而言，初始生产检测数据分析模型包括嵌入网络，基于该嵌入网络将传感器生产数据模板转换为向量。在一种可能的实施方式里，可以基于初始生产检测数据分析模型中的聚焦型影响因子（权值）和传感器生产数据描述值进行预设计算，得到计算之后的传感器生产数据模板描述值。
例如，初始生产检测数据分析模型包括多个聚焦型影响因子，然后将传感器生产数据描述值分别和每个聚焦型影响因子进行乘法运算，得到运算后的聚焦型生产数据，之后通过运算后的聚焦型生产数据获取聚焦系数，如将乘法运算后的聚焦型生产数据交叉点乘后的值作为聚焦系数，接着将聚焦系数除以设定的参数，帮助让梯度变得稳定，随后将以上结果进行归一化（如用Softmax函数计算），以此让所有聚焦系数均大于0，和值为1，之后再将计算之后的聚焦系数与传感器生产数据描述值对应的相乘得到的聚焦型生产数据进行乘法操作，获得目标聚焦型生产数据，最后将各个目标聚焦型生产数据作和运算，获得计算之后的传感器生产数据模板描述值。在一种可能的实施方式里，可以基于初始生产检测数据分析模型包含的分类预测单元对计算之后的传感器生产数据模板描述值进行回归分析预测，得到各个所述传感器生产数据模板对应的聚焦型生产数据（如基于ranh函数对计算之后的传感器生产数据模板描述值进行回归分析预测，得到各个所述传感器生产数据模板对应的聚焦型生产数据）。
在一种可能的实施方式里，可以基于初始生产检测数据分析模型将各个传感器生产数据模板对应的聚焦型生产数据转换到设定好的描述知识空间中，得到传感器生产数据模板在设定好的描述知识空间中对应的传感器生产数据模板描述知识，例如将每一传感器生产数据模板对应的聚焦型生产数据与至少一个初始生产检测数据分析模型的映射数组做乘法运算，获得传感器生产数据模板在设定好的描述知识空间对应的传感器生产数据模板描述知识。
在一种可能的实施方式里，基于初始生产检测数据分析模型对各个传感器生产数据模板对应的传感器生产数据模板描述知识进行分类映射操作，得到生产检测流式数据集模板对应的原始数据集模板描述知识，如将各个所述传感器生产数据模板对应的传感器生产数据模板描述知识进行融合（如拼接），获得融合后的传感器生产数据模板描述知识，再对融合后的传感器生产数据模板描述知识进行分类映射操作（如利用全连接单元进行处理），得到生产检测流式数据集模板对应的原始数据集模板描述知识。
在一种可能的实施方式里，出于深度提取生产检测流式数据集模板特征的考虑，增加最终生产检测数据分析模型的分析能力，本申请实施例基于初始生产检测数据分析模型对原始数据集模板描述知识进行描述知识提取，得到生产检测流式数据集模板对应的数据集模板描述知识。其中，基于初始生产检测数据分析模型对原始数据集模板描述知识进行描述知识提取，得到生产检测流式数据集模板对应的数据集模板描述知识可以包括如下步骤：
基于初始生产检测数据分析模型对原始数据集模板描述知识进行平滑处理，得到平滑处理之后的描述知识；基于初始生产检测数据分析模型对平滑处理之后的描述知识进行从加载至输出的递进，得到递进后的描述知识；基于初始生产检测数据分析模型对递进后的描述知识进行高斯分布转换，得到数据集模板描述知识。
具体地，初始生产检测数据分析模型包括多个卷积矩阵，各个卷积矩阵具有不同的维度，基于当前的卷积矩阵对原始生产检测流式数据集进行平滑处理，得到平滑处理之后的描述知识，将平滑处理之后的描述知识加载至下一个卷积矩阵，完成对平滑处理之后的描述知识进行从加载至输出的递进，实现正向传播，获得递进后的描述知识，接着基于初始生产检测数据分析模型对递进后的描述知识进行高斯分布转换（如利用非线性函数进行转换），获得数据集模板描述知识。
步骤300，基于初始生产检测数据分析模型将数据集模板描述知识和各个传感器生产数据模板描述知识进行交互组合，得到各个所述传感器生产数据模板对应的交互描述知识。
在一种可能的实施方式里，为了增加最终生产检测数据分析模型对生产检测流式数据集的数据理解能力，对初始生产检测数据分析模型进行优化的过程可以基于初始生产检测数据分析模型将数据集模板描述知识和各个传感器生产数据模板描述知识进行交互组合，得到各个传感器生产数据模板对应的融合后的交互描述知识，以此让数据集模板描述知识和各个传感器生产数据模板描述知识融合，以此让全局描述知识与局部描述知识完成信息分享。
作为一种实施方式，最终生产检测数据分析模型可对工业传感器生产线的生产检测流式数据集分析工业传感器生产线的重点传感器生产数据和工业传感器生产状态，最终生产检测数据分析模型包括工业传感器生产状态分析任务和工业传感器生产线的重点传感器生产数据识别任务，因此对初始生产检测数据分析模型的过程中，目的为使最终生产检测数据分析模型能分析工业传感器生产线对应的工业传感器生产状态以及筛选工业传感器生产线的重点传感器生产数据。因此，本申请通过特征交互组合网络来实现。
在一种可能的实施方式里，初始生产检测数据分析模型中可以包括特征交互组合网络，特征交互组合网络可以将数据集模板描述知识和各个传感器生产数据模板描述知识进行交互组合，得到各个所述传感器生产数据模板对应的交互描述知识。作为一种实施方式，特征交互组合网络为rransformer。在一种可能的实施方式里，基于初始生产检测数据分析模型将数据集模板描述知识和各个传感器生产数据模板描述知识进行交互组合，得到各个所述传感器生产数据模板对应的交互描述知识可以包括如下步骤：
基于初始生产检测数据分析模型对各个传感器生产数据模板描述知识进行翻转（如转置），得到翻转操作后的传感器生产数据模板描述知识；将初始生产检测数据分析模型中的组合影响因子和数据集模板描述知识进行相乘操作，得到计算之后的交互描述知识；基于初始生产检测数据分析模型将计算之后的交互描述知识和每个翻转操作后的传感器生产数据模板描述知识进行相乘操作，得到各个所述传感器生产数据模板对应的交互描述知识。
具体地，可以参考下述公式：Mu＝Q×P×Hur。其中，Mu为第u个传感器生产数据对应的交互描述知识（维度为1×d）；Q为数据集模板描述知识（维度为1×a）；Hu代表第u个传感器生产数据的传感器生产数据模板描述知识（维度为1×b）；P代表组合影响因子（维度为a×b×d）。
步骤400，基于初始生产检测数据分析模型通过各个传感器生产数据模板对应的交互描述知识，获取各个传感器生产数据模板对应的数据标记可能系数。
在一种可能的实施方式里，出于使最终生产检测数据分析模型能精准筛选工业传感器生产线的重点传感器生产数据，可以基于初始生产检测数据分析模型通过各个所述传感器生产数据模板对应的交互描述知识，获取各个所述传感器生产数据模板对应的数据标记可能系数，再基于各个传感器生产数据模板对应的数据标记可能系数，获取模拟工业传感器生产线的检测数据代价值，并基于检测数据代价值对初始生产检测数据分析模型进行优化，得到最终生产检测数据分析模型。
在一种可能的实施方式里，在基于生产检测流式数据集模板对初始生产检测数据分析模型进行优化前，先对生产检测流式数据集模板预处理，如创建事先设置的数据标记结果，通过事先设置的数据标记结果对传感器生产数据模板进行标记操作，以此让各个所述传感器生产数据模板均对应的校验数据标记结果。
数据标记可能系数包括工业传感器生产线数据处理网络通过传感器生产数据模板的交互描述知识，获取到传感器生产数据模板与各事先设置的数据标记结果对应的可能系数。比如，数据标记可能系数包括传感器生产数据模板是I、II、III、IV的可能系数，举例，数据标记可能系数包括传感器生产数据为I的可能系数为0.1；II的可能系数为0.6；III的可能系数为0.8；IV的可能系数为0.2。在一种可能的实施方式里，可以基于重点传感器生产数据创建网络（如条件随机场）通过各个所述传感器生产数据模板对应的交互描述知识，获取各个传感器生产数据模板对应的数据标记可能系数。
步骤500，基于初始生产检测数据分析模型对数据集模板描述知识进行生产状态预测，得到模拟工业传感器生产线对应的生产状态预测可能系数。
在一种可能的实施方式里，可以基于初始生产检测数据分析模型对生产检测流式数据集进行生产状态预测，得到模拟工业传感器生产线对应的生产状态预测可能系数。例如先设置工业传感器生产线的生产状态类型，再通过各个模拟工业传感器生产线的生产检测流式数据集模板为模拟工业传感器生产线添加校验生产状态结果，然后基于包含校验生产状态结果的模拟工业传感器生产线对初始生产检测数据分析模型进行优化，生产状态预测可能系数可以是模拟工业传感器生产线针对各个事先设置的生产状态的预测可能系数。在一种可能的实施方式里，可以基于工业传感器生产线数据处理网络中的生产状态预测网络对数据集模板描述知识进行生产状态预测，得到模拟工业传感器生产线对应的生产状态预测可能系数，如生产状态预测网络包含激活函数，如基于Softmax对数据集模板描述知识进行生产状态预测，以获得模拟工业传感器生产线对应的生产状态预测可能系数。
步骤600，基于各个所述传感器生产数据模板对应的数据标记可能系数和模拟工业传感器生产线对应的生产状态预测可能系数进行代价获取，得到模拟工业传感器生产线对应的检测数据代价值和生产状态代价值。
在一种可能的实施方式里，可以基于各个传感器生产数据模板对应的数据标记可能系数和模拟工业传感器生产线对应的生产状态预测可能系数进行代价获取，得到模拟工业传感器生产线对应的检测数据代价值和生产状态代价值。
通过生产检测流式数据集模板中各个传感器生产数据模板的校验数据标记结果和针对模拟工业传感器生产线的校验生产状态结果获取检测数据代价值和生产状态代价值。其中，基于各个所述传感器生产数据模板对应的数据标记可能系数和模拟工业传感器生产线对应的生产状态预测可能系数进行代价获取，得到模拟工业传感器生产线对应的检测数据代价值和生产状态代价值可以包括如下步骤：
获取生产检测流式数据集模板中各个所述传感器生产数据模板的校验数据标记结果和针对模拟工业传感器生产线的校验生产状态结果；通过各个所述传感器生产数据模板对应的校验数据标记结果和数据标记可能系数获取模拟工业传感器生产线对应的检测数据代价值；通过校验生产状态结果和模拟工业传感器生产线对应的生产状态预测可能系数获取模拟工业传感器生产线对应的生产状态代价值。
在一种可能的实施方式里，通过各个传感器生产数据模板对应的校验数据标记结果和数据标记可能系数获取模拟工业传感器生产线对应的检测数据代价值，可以用交叉熵代价函数获取，当然，不限于此，本申请实施例对此不做限定。在一种可能的实施方式里，通过各个所述传感器生产数据模板对应的校验数据标记结果和数据标记可能系数获取模拟工业传感器生产线对应的检测数据代价值可以包括如下步骤：
通过传感器生产数据模板对应的校验数据标记结果，创建传感器生产数据模板和事先设置的数据标记结果间对应的检测数据代价获取系数；确定传感器生产数据模板和事先设置的数据标记结果间对应的数据标记可能系数；将传感器生产数据模板和事先设置的数据标记结果间的检测数据代价获取系数和数据标记可能系数进行预设代价函数运算，得到传感器生产数据模板对应的传感器生产数据模板代价值；通过生产检测流式数据集模板中传感器生产数据模板的数目和事先设置的数据标记结果的数目将传感器生产数据模板对应的传感器生产数据模板代价值进行组合，得到检测数据代价值。在一种可能的实施方式里，可以通过传感器生产数据模板对应的校验数据标记结果，创建传感器生产数据模板和事先设置的数据标记结果间对应的检测数据代价获取系数。在一种可能的实施方式里，可以将传感器生产数据模板和事先设置的数据标记结果间的检测数据代价获取系数和数据标记可能系数进行预设代价函数运算，得到传感器生产数据模板对应的传感器生产数据模板代价值。在一种可能的实施方式里，可以通过生产检测流式数据集模板中传感器生产数据模板的数目和事先设置的数据标记结果的数目将传感器生产数据模板对应的传感器生产数据模板代价值进行组合，得到检测数据代价值，如将传感器生产数据模板代价值相加，获得检测数据代价值。在一种可能的实施方式里，通过校验生产状态结果和模拟工业传感器生产线对应的生产状态预测可能系数获取模拟工业传感器生产线对应的生产状态代价值可以基于交叉熵函数进行计算，当然，不限于此，本申请实施例对此不做限定。
在一种可能的实施方式里，通过校验生产状态结果和模拟工业传感器生产线对应的生产状态预测可能系数获取模拟工业传感器生产线对应的生产状态代价值可以包括如下步骤：
通过模拟工业传感器生产线对应的校验生产状态结果，创建模拟工业传感器生产线和事先设置的生产状态间的生产状态代价获取系数；确定模拟工业传感器生产线和事先设置的生产状态间的生产状态预测可能系数；将模拟工业传感器生产线和事先设置的生产状态间的生产状态代价获取系数和生产状态预测可能系数进行预设计算，得到模拟工业传感器生产线对应的生产状态代价值。在一种可能的实施方式里，可以通过模拟工业传感器生产线对应的校验生产状态结果，创建模拟工业传感器生产线和事先设置的生产状态间的生产状态代价获取系数。在一种可能的实施方式里，将模拟工业传感器生产线和事先设置的生产状态间的生产状态代价获取系数和生产状态预测可能系数进行预设计算，得到模拟工业传感器生产线对应的生产状态代价值；
步骤700，通过检测数据代价值和生产状态代价值对初始生产检测数据分析模型进行优化，得到最终生产检测数据分析模型。
具体地，本申请实施例将检测数据代价值和生产状态代价值进行加权求和，得到目标代价值，再通过目标代价值对初始生产检测数据分析模型进行优化，得到最终生产检测数据分析模型，之后将目标代价值传递至初始生产检测数据分析模型，初始生产检测数据分析模型通过目标代价值对组合影响因子、聚焦型影响因子等系数进行优化，获得最终生产检测数据分析模型，随后基于最终生产检测数据分析模型对工业传感器生产线的生产检测流式数据集分析得到工业传感器生产线的重点传感器生产数据和工业传感器生产状态。
例如，本申请实施例提供的基于工业传感器生产的大数据分析方法还包括如下步骤：
获取工业传感器生产线的生产检测流式数据集，生产检测流式数据集包括至少一个传感器生产数据；基于最终生产检测数据分析模型对生产检测流式数据集进行描述知识抽取，得到生产检测流式数据集对应的数据集模板描述知识和传感器生产数据对应的传感器生产数据描述知识；基于最终生产检测数据分析模型将生产检测流式数据集对应的数据集模板描述知识和每个传感器生产数据描述知识进行交互组合，得到每个传感器生产数据对应的交互描述知识；基于最终生产检测数据分析模型通过每个传感器生产数据的交互描述知识，在传感器生产数据中甄别得到工业传感器生产线对应的重点传感器生产数据；基于最终生产检测数据分析模型对数据集模板描述知识进行生产状态预测，得到工业传感器生产线对应的工业传感器生产状态。
在一种可能的实施方式里，基于最终生产检测数据分析模型通过每个传感器生产数据的交互描述知识，在传感器生产数据中甄别得到工业传感器生产线对应的重点传感器生产数据可以包括如下步骤：
基于最终生产检测数据分析模型根据各个传感器生产数据对应的交互描述知识，对各个传感器生产数据进行数据标记预测，得到每个传感器生产数据的预测数据标记可能系数；通过各个传感器生产数据对应的预测数据标记可能系数，确定每个传感器生产数据对应的数据标记；通过各个传感器生产数据对应的数据标记，在传感器生产数据中甄别得到真值传感器生产数据（重要性较高，对状态分析关键的传感器生产数据）；通过各个真值传感器生产数据对应的数据标记，将真值传感器生产数据进行合并，得到重点传感器生产数据。
具体的，最终生产检测数据分析模型产生各个传感器生产数据的预测数据标记可能系数，再通过各个传感器生产数据对应的预测数据标记可能系数确定各个传感器生产数据对应的数据标记，例如将传感器生产数据中最大的可能系数对应的事先设置的数据标记结果作为传感器生产数据对应的数据标记，然后通过每个传感器生产数据对应的数据标记，在传感器生产数据中甄别得到真值传感器生产数据，再通过各个真值传感器生产数据对应的数据标记，将真值传感器生产数据进行合并得到重点传感器生产数据。
其中，通过各个真值传感器生产数据对应的数据标记，将真值传感器生产数据进行合并，得到重点传感器生产数据可以包括如下步骤：
通过真值传感器生产数据对应的数据标记，将真值传感器生产数据分解为一个或多个真值传感器生产数据簇；判断每个所述真值传感器生产数据簇中的真值传感器生产数据是否具备缺失；当真值传感器生产数据簇中真值传感器生产数据没有缺失时，将真值传感器生产数据簇基于时序排布，得到重点传感器生产数据。比如将数据标记III为分解边界，将真值传感器生产数据分解为一个或多个真值传感器生产数据簇，再判断每个真值传感器生产数据簇中的真值传感器生产数据是否有缺失（若真值传感器生产数据簇包括II和III的真值传感器生产数据，则真值传感器生产数据未缺失）。
在一种可能的实施方式里，最终生产检测数据分析模型可以产出工业传感器生产线的生产状态预测可能系数，将最大可能系数对应的生产状态作为工业传感器生产线对应的工业传感器生产状态。
综上所述，本申请实施例获取初始生产检测数据分析模型和模拟工业传感器生产线的生产检测流式数据集模板，其中，生产检测流式数据集模板包括不少于一个传感器生产数据模板；基于初始生产检测数据分析模型对生产检测流式数据集模板进行描述知识抽取，得到生产检测流式数据集模板对应的数据集模板描述知识和传感器生产数据模板对应的传感器生产数据模板描述知识；基于初始生产检测数据分析模型将数据集模板描述知识和各个传感器生产数据模板描述知识进行交互组合，得到各个所述传感器生产数据模板对应的交互描述知识；基于初始生产检测数据分析模型通过各个所述传感器生产数据模板对应的交互描述知识，获取各个所述传感器生产数据模板对应的数据标记可能系数；基于初始生产检测数据分析模型对数据集模板描述知识进行生产状态预测，得到模拟工业传感器生产线对应的生产状态预测可能系数；基于各个所述传感器生产数据模板对应的数据标记可能系数和模拟工业传感器生产线对应的生产状态预测可能系数进行代价获取，得到模拟工业传感器生产线对应的检测数据代价值和生产状态代价值；通过检测数据代价值和生产状态代价值对初始生产检测数据分析模型进行优化，得到最终生产检测数据分析模型。本申请实施例同时包含工业传感器生产线生产状态预测和重点传感器生产数据筛选两个任务，以优化生产检测数据分析模型，工业传感器生产线信息能够同享传感器生产数据描述知识与数据集模板描述知识，上述两个任务互相促进，最终增加模型性能，以此让最终生产检测数据分析模型输出精确的重点传感器生产数据和工业传感器生产状态；最终生产检测数据分析模型中的特征交互组合网络对传感器生产数据描述知识和数据集模板描述知识间的描述知识进行增强，二者协同性变得更强。
基于与图1中所示方法相同的原理，本申请实施例中还提供了一种数据分析装置10，如图3所示，该数据分析装置10包括：
数据获取模块11，用于获取所述生产检测设备发送的生产检测流式数据集。
状态分析模块12，用于将所述生产检测流式数据集加载到预设的生产检测数据分析模型，并通过所述生产检测数据分析模型对所述生产检测流式数据集进行处理，输出所述生产检测流式数据集对应的生产状态分析结果。
模型训练模块13，用于对生产检测数据分析模型进行优化训练，其中，所述生产检测数据分析模型的训练过程为：获取初始生产检测数据分析模型和模拟工业传感器生产线的生产检测流式数据集模板，其中，所述生产检测流式数据集模板包括不少于一个传感器生产数据模板；基于所述初始生产检测数据分析模型对所述生产检测流式数据集模板进行描述知识抽取，得到所述生产检测流式数据集模板对应的数据集模板描述知识和所述传感器生产数据模板对应的传感器生产数据模板描述知识；基于所述初始生产检测数据分析模型将所述数据集模板描述知识和各个传感器生产数据模板描述知识进行交互组合，得到各个所述传感器生产数据模板对应的交互描述知识；基于所述初始生产检测数据分析模型通过各个所述传感器生产数据模板对应的交互描述知识，获取所述各个所述传感器生产数据模板对应的数据标记可能系数；基于所述初始生产检测数据分析模型对所述数据集模板描述知识进行生产状态预测，得到所述模拟工业传感器生产线对应的生产状态预测可能系数；所述各个所述传感器生产数据模板对应的数据标记可能系数和所述模拟工业传感器生产线对应的生产状态预测可能系数进行代价获取，得到所述模拟工业传感器生产线对应的检测数据代价值和生产状态代价值；通过所述检测数据代价值和所述生产状态代价值对所述初始生产检测数据分析模型进行优化，得到最终生产检测数据分析模型。
上述实施例从虚拟模块的角度介绍了数据分析装置10，下述从实体模块的角度介绍一种生产分析设备，具体如下所示：
本申请实施例提供了一种生产分析设备，如图4所示，生产分析设备100包括：处理器101和存储器103。其中，处理器101和存储器103相连，如通过总线102相连。可选地，生产分析设备100还可以包括收发器104。需要说明的是，实际应用中收发器104不限于一个，该生产分析设备100的结构并不构成对本申请实施例的限定。
处理器101可以是CPU，通用处理器，GPU，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器101也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线102可包括一通路，在上述组件之间传送信息。总线102可以是PCI总线或EISA总线等。总线102可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器103可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器103用于存储执行本申请方案的应用程序代码，并由处理器101来控制执行。处理器101用于执行存储器103中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
本申请实施例提供了一种生产分析设备，本申请实施例中的生产分析设备包括：一个或多个处理器；存储器；一个或多个计算机程序，其中一个或多个计算机程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序被处理器执行时，实现以上所述的基于工业传感器生产的大数据分析方法。本申请所提供的技术方案，通过获取所述生产检测设备发送的生产检测流式数据集；将所述生产检测流式数据集加载到预设的生产检测数据分析模型，并通过所述生产检测数据分析模型对所述生产检测流式数据集进行处理，输出所述生产检测流式数据集对应的生产状态分析结果；其中，所述生产检测数据分析模型的训练步骤包括：获取初始生产检测数据分析模型和模拟工业传感器生产线的生产检测流式数据集模板，其中，所述生产检测流式数据集模板包括不少于一个传感器生产数据模板；基于所述初始生产检测数据分析模型对所述生产检测流式数据集模板进行描述知识抽取，得到所述生产检测流式数据集模板对应的数据集模板描述知识和所述传感器生产数据模板对应的传感器生产数据模板描述知识；基于所述初始生产检测数据分析模型将所述数据集模板描述知识和各个传感器生产数据模板描述知识进行交互组合，得到各个所述传感器生产数据模板对应的交互描述知识；基于所述初始生产检测数据分析模型通过各个所述传感器生产数据模板对应的交互描述知识，获取所述各个所述传感器生产数据模板对应的数据标记可能系数；基于所述初始生产检测数据分析模型对所述数据集模板描述知识进行生产状态预测，得到所述模拟工业传感器生产线对应的生产状态预测可能系数；所述各个所述传感器生产数据模板对应的数据标记可能系数和所述模拟工业传感器生产线对应的生产状态预测可能系数进行代价获取，得到所述模拟工业传感器生产线对应的检测数据代价值和生产状态代价值；通过所述检测数据代价值和所述生产状态代价值对所述初始生产检测数据分析模型进行优化，得到最终生产检测数据分析模型。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当计算机程序在处理器上运行时，使得处理器可以执行前述方法实施例中相应的内容。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于工业传感器生产的大数据分析方法，其特征在于，应用于生产分析设备，所述生产分析设备与一条及以上的工业传感器生产线的生产检测设备通信连接，所述方法包括：
获取所述生产检测设备发送的生产检测流式数据集；
将所述生产检测流式数据集加载到预设的生产检测数据分析模型，并通过所述生产检测数据分析模型对所述生产检测流式数据集进行处理，输出所述生产检测流式数据集对应的生产状态分析结果；
其中，所述生产检测数据分析模型的训练步骤包括：
获取初始生产检测数据分析模型和模拟工业传感器生产线的生产检测流式数据集模板，其中，所述生产检测流式数据集模板包括不少于一个传感器生产数据模板；
基于所述初始生产检测数据分析模型对所述生产检测流式数据集模板进行描述知识抽取，得到所述生产检测流式数据集模板对应的数据集模板描述知识和所述传感器生产数据模板对应的传感器生产数据模板描述知识；
基于所述初始生产检测数据分析模型将所述数据集模板描述知识和各个传感器生产数据模板描述知识进行交互组合，得到各个所述传感器生产数据模板对应的交互描述知识；
基于所述初始生产检测数据分析模型通过各个所述传感器生产数据模板对应的交互描述知识，获取所述各个所述传感器生产数据模板对应的数据标记可能系数；
基于所述初始生产检测数据分析模型对所述数据集模板描述知识进行生产状态预测，得到所述模拟工业传感器生产线对应的生产状态预测可能系数；
所述各个所述传感器生产数据模板对应的数据标记可能系数和所述模拟工业传感器生产线对应的生产状态预测可能系数进行代价获取，得到所述模拟工业传感器生产线对应的检测数据代价值和生产状态代价值；
通过所述检测数据代价值和所述生产状态代价值对所述初始生产检测数据分析模型进行优化，得到最终生产检测数据分析模型。
2.根据权利要求1所述的方法，其特征在于，所述基于所述初始生产检测数据分析模型对所述生产检测流式数据集模板进行描述知识抽取，得到所述生产检测流式数据集模板对应的数据集模板描述知识和所述传感器生产数据模板对应的传感器生产数据模板描述知识，包括：
基于所述初始生产检测数据分析模型对所述生产检测流式数据集模板的传感器生产数据模板进行聚焦型生产数据抽取，得到各个所述传感器生产数据模板对应的聚焦型生产数据；
基于所述初始生产检测数据分析模型将各个所述传感器生产数据模板对应的聚焦型生产数据转换到设定好的描述知识空间中，得到所述传感器生产数据模板在所述设定好的描述知识空间中对应的传感器生产数据模板描述知识；
基于所述初始生产检测数据分析模型对将各个所述传感器生产数据模板对应的传感器生产数据模板描述知识进行分类映射操作，得到所述生产检测流式数据集模板对应的原始数据集模板描述知识；
基于所述初始生产检测数据分析模型对所述原始数据集模板描述知识进行描述知识提取，得到所述生产检测流式数据集模板对应的数据集模板描述知识。
3.根据权利要求2所述的方法，其特征在于，所述基于所述初始生产检测数据分析模型对所述生产检测流式数据集模板的传感器生产数据模板进行聚焦型生产数据抽取，得到各个所述传感器生产数据模板对应的聚焦型生产数据，包括：
基于所述初始生产检测数据分析模型对所述传感器生产数据模板进行数组变换，得到所述传感器生产数据模板对应的传感器生产数据模板描述值；
基于所述初始生产检测数据分析模型中的聚焦型影响因子和所述传感器生产数据模板描述值进行预设计算，得到计算之后的传感器生产数据模板描述值；
基于所述初始生产检测数据分析模型包含的分类预测单元对所述计算之后的传感器生产数据模板描述值进行回归分析预测，得到所述各个所述传感器生产数据模板对应的聚焦型生产数据；
所述基于所述初始生产检测数据分析模型对所述原始数据集模板描述知识进行描述知识提取，得到所述生产检测流式数据集模板对应的数据集模板描述知识，包括：
基于所述初始生产检测数据分析模型对所述原始数据集模板描述知识进行平滑处理，得到平滑处理之后的描述知识；
基于所述初始生产检测数据分析模型对所述平滑处理之后的描述知识进行从加载至输出的递进，得到递进后的描述知识；
基于所述初始生产检测数据分析模型对所述递进后的描述知识进行高斯分布转换，得到所述数据集模板描述知识。
4.根据权利要求1所述的方法，其特征在于，所述基于所述初始生产检测数据分析模型将所述数据集模板描述知识和各个传感器生产数据模板描述知识进行交互组合，得到各个所述传感器生产数据模板对应的交互描述知识，包括：
基于所述初始生产检测数据分析模型对所述各个传感器生产数据模板描述知识进行翻转，得到翻转操作后的传感器生产数据模板描述知识；
将所述初始生产检测数据分析模型中的组合影响因子和所述数据集模板描述知识进行相乘操作，得到计算之后的交互描述知识；
基于所述初始生产检测数据分析模型将所述计算之后的交互描述知识和每个翻转操作后的传感器生产数据模板描述知识进行相乘操作，得到所述各个所述传感器生产数据模板对应的交互描述知识。
5.根据权利要求1所述的方法，其特征在于，所述基于所述各个所述传感器生产数据模板对应的数据标记可能系数和所述模拟工业传感器生产线对应的生产状态预测可能系数进行代价获取，得到所述模拟工业传感器生产线对应的检测数据代价值和生产状态代价值，包括：
获取生产检测流式数据集模板中各个所述传感器生产数据模板的校验数据标记结果和针对模拟工业传感器生产线的校验生产状态结果；
通过所述各个所述传感器生产数据模板对应的校验数据标记结果和数据标记可能系数获取所述模拟工业传感器生产线对应的检测数据代价值；
通过所述校验生产状态结果和所述模拟工业传感器生产线对应的生产状态预测可能系数获取所述模拟工业传感器生产线对应的生产状态代价值。
6.根据权利要求5所述的方法，其特征在于，所述通过所述各个所述传感器生产数据模板对应的校验数据标记结果和数据标记可能系数获取所述模拟工业传感器生产线对应的检测数据代价值，包括：
通过所述传感器生产数据模板对应的校验数据标记结果，获取所述传感器生产数据模板和事先设置的数据标记结果间对应的检测数据代价获取系数；
确定传感器生产数据模板和事先设置的数据标记结果间对应的数据标记可能系数；
将传感器生产数据模板和事先设置的数据标记结果间的所述检测数据代价获取系数和数据标记可能系数进行预设代价函数运算，得到传感器生产数据模板对应的传感器生产数据模板代价值；
通过所述生产检测流式数据集模板中传感器生产数据模板的数目和所述事先设置的数据标记结果的数目，将传感器生产数据模板对应的传感器生产数据模板代价值进行组合，获得所述检测数据代价值。
7.根据权利要求5所述的方法，其特征在于，所述通过所述校验生产状态结果和所述模拟工业传感器生产线对应的生产状态预测可能系数获取所述模拟工业传感器生产线对应的生产状态代价值，包括：
通过所述模拟工业传感器生产线对应的校验生产状态结果，创建所述模拟工业传感器生产线和事先设置的生产状态间的生产状态代价获取系数；
确定模拟工业传感器生产线和所述事先设置的生产状态间的生产状态预测可能系数；
将模拟工业传感器生产线和所述事先设置的生产状态间的生产状态代价获取系数和生产状态预测可能系数进行预设计算，得到模拟工业传感器生产线对应的生产状态代价值。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取工业传感器生产线的生产检测流式数据集，所述生产检测流式数据集包括至少一个传感器生产数据；
基于所述最终生产检测数据分析模型对所述生产检测流式数据集进行描述知识抽取，得到所述生产检测流式数据集对应的数据集模板描述知识和所述传感器生产数据对应的传感器生产数据描述知识；
基于所述最终生产检测数据分析模型将所述生产检测流式数据集对应的数据集模板描述知识和每个传感器生产数据描述知识进行交互组合，得到每个传感器生产数据对应的交互描述知识；
基于所述最终生产检测数据分析模型通过所述每个传感器生产数据的交互描述知识，在所述传感器生产数据中甄别得到所述工业传感器生产线对应的重点传感器生产数据；
基于所述最终生产检测数据分析模型对所述数据集模板描述知识进行生产状态预测，得到所述工业传感器生产线对应的工业传感器生产状态。
9.根据权利要求8所述的方法，其特征在于，所述基于所述最终生产检测数据分析模型通过所述每个传感器生产数据的交互描述知识，在所述传感器生产数据中甄别得到所述工业传感器生产线对应的重点传感器生产数据，包括：
基于所述最终生产检测数据分析模型根据每个传感器生产数据对应的交互描述知识，对每个传感器生产数据进行数据标记预测，得到每个所述传感器生产数据的预测数据标记可能系数；
通过每个传感器生产数据对应的预测数据标记可能系数，确定每个所述传感器生产数据对应的数据标记；
通过每个所述传感器生产数据对应的数据标记，在所述传感器生产数据中甄别得到真值传感器生产数据；
通过每个真值传感器生产数据对应的数据标记，将所述真值传感器生产数据进行合并，得到所述重点传感器生产数据。
10.一种数据分析系统，其特征在于，包括生产分析设备和与所述生产分析设备通信连接的一条及以上的工业传感器生产线的生产检测设备，所述生产分析设备包括处理器和存储器，所述存储器存储有用于被处理器执行的程序，当所述处理器执行所述程序时，实现权利要求1~9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211591247.6A CN115618269B (zh) | 2022-12-12 | 2022-12-12 | 基于工业传感器生产的大数据分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211591247.6A CN115618269B (zh) | 2022-12-12 | 2022-12-12 | 基于工业传感器生产的大数据分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115618269A true CN115618269A (zh) | 2023-01-17 |
| CN115618269B CN115618269B (zh) | 2023-03-03 |
Family
ID=84881004
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211591247.6A Active CN115618269B (zh) | 2022-12-12 | 2022-12-12 | 基于工业传感器生产的大数据分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115618269B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115828147A (zh) * | 2023-02-15 | 2023-03-21 | 博纯材料股份有限公司 | 一种基于数据处理的氙气生产控制方法及系统 |
| CN116307405A (zh) * | 2023-05-25 | 2023-06-23 | 日照鲁光电子科技有限公司 | 一种基于生产数据的二极管性能预测方法及系统 |
| CN116679639A (zh) * | 2023-05-26 | 2023-09-01 | 广州市博煌节能科技有限公司 | 金属制品生产控制系统的优化方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108171336A (zh) * | 2018-01-24 | 2018-06-15 | 清华大学 | 机器数据模型演化的自动感知方法及装置 |
| US20200210538A1 (en) * | 2018-12-27 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and engine for forecasting wind turbine failure |
| CN115087995A (zh) * | 2020-03-31 | 2022-09-20 | Abb瑞士股份有限公司 | 用于工业车间的特定生产过程的迁移学习方法 |
| CN115098691A (zh) * | 2022-05-07 | 2022-09-23 | 上海外高桥造船有限公司 | 知识图谱的构建方法、系统、设备及介质 |
-
2022
- 2022-12-12 CN CN202211591247.6A patent/CN115618269B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108171336A (zh) * | 2018-01-24 | 2018-06-15 | 清华大学 | 机器数据模型演化的自动感知方法及装置 |
| US20200210538A1 (en) * | 2018-12-27 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and engine for forecasting wind turbine failure |
| CN115087995A (zh) * | 2020-03-31 | 2022-09-20 | Abb瑞士股份有限公司 | 用于工业车间的特定生产过程的迁移学习方法 |
| CN115098691A (zh) * | 2022-05-07 | 2022-09-23 | 上海外高桥造船有限公司 | 知识图谱的构建方法、系统、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| PETR KADLEC等: "Data-driven soft sensors in the process industry" * |
| 刘伟杰等: "面向智能生产维护的大数据建模分析方法" * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115828147A (zh) * | 2023-02-15 | 2023-03-21 | 博纯材料股份有限公司 | 一种基于数据处理的氙气生产控制方法及系统 |
| CN116307405A (zh) * | 2023-05-25 | 2023-06-23 | 日照鲁光电子科技有限公司 | 一种基于生产数据的二极管性能预测方法及系统 |
| CN116307405B (zh) * | 2023-05-25 | 2023-08-04 | 日照鲁光电子科技有限公司 | 一种基于生产数据的二极管性能预测方法及系统 |
| CN116679639A (zh) * | 2023-05-26 | 2023-09-01 | 广州市博煌节能科技有限公司 | 金属制品生产控制系统的优化方法及系统 |
| CN116679639B (zh) * | 2023-05-26 | 2024-01-05 | 广州市博煌节能科技有限公司 | 金属制品生产控制系统的优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115618269B (zh) | 2023-03-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115618269B (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
| CN117495210B (zh) | 公路混凝土施工质量管理系统 | |
| CN115185736B (zh) | 基于图卷积神经网络的微服务调用链异常检测方法及装置 | |
| Girish et al. | Anomaly detection in cloud environment using artificial intelligence techniques | |
| Dang et al. | Structural damage detection framework based on graph convolutional network directly using vibration data | |
| CN112257263B (zh) | 基于自注意力机制的设备剩余寿命预测系统 | |
| CN116450486B (zh) | 多元异构计算系统内节点的建模方法、装置、设备及介质 | |
| CN115427968A (zh) | 边缘计算设备中的鲁棒人工智能推理 | |
| CN115576293B (zh) | 基于数据监控的压敏胶在线生产分析方法及系统 | |
| CN111784061A (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
| CN110956278A (zh) | 重新训练机器学习模型的方法和系统 | |
| CN116403019A (zh) | 遥感图像量子识别方法、装置、存储介质及电子装置 | |
| CN117791856B (zh) | 一种基于巡检机器人的电网故障预警方法及装置 | |
| CN112712181A (zh) | 模型构建优化方法、装置、设备和可读存储介质 | |
| CN116975570A (zh) | 一种基于数字孪生的工业装备故障诊断方法及计算机设备 | |
| CN116703466A (zh) | 基于改进灰狼算法的系统访问量预测方法及其相关设备 | |
| CN113052509B (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
| CN115423159A (zh) | 光伏发电预测方法、装置及终端设备 | |
| CN114237962A (zh) | 告警根因判断方法、模型训练方法、装置、设备和介质 | |
| CN117798498B (zh) | 智能激光焊接机焊接异常自动调整的方法及系统 | |
| CN118468200B (zh) | 一种污染源在线监测数据中的造假数据分析方法 | |
| Ortega Sanz et al. | Use of convolutional neural networks for quality control in automotive industry | |
| CN118095040A (zh) | 一种电力调度系统支撑平台可靠性评估方法及相关设备 | |
| CN117493583A (zh) | 结合事件日志和知识图谱的流程操作序列生成方法及系统 | |
| Yu et al. | Literature Review: Global Criticality Assessment Based on Feature Surrogates at the PCBA Levels |
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 | ||
| CP03 | Change of name, title or address |
Address after: No. 18, Huichenghui Road, Xinhui District, Jiangmen City, Guangdong Province, 529100 Patentee after: Guangdong Runyu Sensor Co.,Ltd. Country or region after: China Address before: No. 18, Huichenghui Road, Xinhui District, Jiangmen City, Guangdong Province, 529100 Patentee before: JIANGMEN RUNYU SENSOR TECHNOLOGY CO.,LTD. Country or region before: China |
|
| CP03 | Change of name, title or address |