CN115712825A - 一种基于工业互联网大数据的智能优化方法及系统 - Google Patents
一种基于工业互联网大数据的智能优化方法及系统 Download PDFInfo
- Publication number
- CN115712825A CN115712825A CN202211474243.XA CN202211474243A CN115712825A CN 115712825 A CN115712825 A CN 115712825A CN 202211474243 A CN202211474243 A CN 202211474243A CN 115712825 A CN115712825 A CN 115712825A
- Authority
- CN
- China
- Prior art keywords
- weight coefficients
- data
- feature data
- industrial internet
- feature
- 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.)
- Withdrawn
Links
Images
Abstract
本发明公开了一种基于工业互联网大数据的智能优化方法及系统,该方法包括获取用于训练的不同工业互联网数据，使用递归特征消除自动移除不同工业互联网数据中的所有若干权值系数的特征数据得到用于训练的工业互联网数据集；通过基于大数据的远程云服务器设置训练算法参数及若干权值系数的特征数据分析库；将工业互联网监控获取到的每一个工业互联网监控检索送入若干权值系数的特征数据训练模型，得到若干权值系数的特征数据的训练结果；将若干权值系数的特征数据的训练结果送入递归神经网络算法，对训练到的若干权值系数的特征数据进行控制输出；本发明用于准确高效地训练出若干权值系数的特征数据。
Description
技术领域
本发明涉及工业互联网监管领域,尤其涉及一种基于工业互联网大数据的智能优化方法及系统。
背景技术
工业互联网系统一般包括工业互联网获取系统、工业互联网分析系统、工业互联网展示系统。工业互联网获取系统会把用户关注的某些门户网站或某类题材，通过数据同步模块,把获取到的数据导入到工业互联网分析系统里。再经过分析系统处理，把获取到的数据进行分类、聚类操作,形成专题、关注点，并通过工业互联网展示系统直观得展现给用户。因此如果在数据同步时，把不经过滤的获取数据全部导入分析系统里,会导致导入很多非工业互联网的数据。这部分数据不但加大了工业互联网分析系统的分析数据量压力,而且杂乱无章的获取数据降低了专题、关注点等方面分析结果的准确性；同时,工业互联网展示系统会显示出很多用户并不关心内容，影响用户体验。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种基于工业互联网大数据的智能优化方法及系统。
本发明所采用的技术方案是，本发明提供的一种基于工业互联网大数据的智能优化方法及系统，包括以下步骤：
步骤S1，获取用于训练的不同工业互联网数据，使用递归特征消除自动移除所述不同工业互联网数据中的所有若干权值系数的特征数据以得到用于训练的工业互联网数据集；
步骤S2，利用所述工业互联网数据集对基于若干权值系数的特征数据智能优化使用递归特征消除进行特征学习；
步骤S3，通过基于大数据的远程云服务器设置训练算法参数及若干权值系数的特征数据分析库；
步骤S4，获取工业互联网监控检索数据，将工业互联网监控获取到的每一个工业互联网监控检索送入所述若干权值系数的特征数据训练模型，得到若干权值系数的特征数据训练结果；
步骤S5，将所述若干权值系数的特征数据训练结果送入递归神经网络算法，对训练到的若干权值系数的特征数据进行控制输出；
步骤S6，训练并判断控制输出的若干权值系数的特征数据是否位于所述若干权值系数的特征数据分析库并判断所述若干权值系数的特征数据是否有未训练。
所述递归神经网络算法，表达式为：
Rx＝Ufg-Q·Ykl
其中，Rx表示若干权值系数的特征数据矩阵，Ufg表示若干权值系数的特征数据的真实值矩阵，Q表示若干权值系数的特征数据的权重，Ykl表示若干权值系数的特征数据的增益矩阵，
所述若干权值系数的特征数据，表达式为：
其中，Rx+1表示当前时刻若干权值系数的特征数据集合，Vj表示前一时刻若干权值系数的特征数据集合，Zj表示不同等级优化程度的影响范围，G表示若干权值系数的特征数据的种类矩阵，Bj表示不同若干权值系数的特征数据对于优化程度影响的权重，P(j)表示优化程度影响的预测值。
优选地，对基于若干权值系数的特征数据智能优化使用递归特征消除进行特征学习后，同时对递归特征消除算法的参数进行动态更新。
优选地，判断若干权值系数的特征数据是否处于若干权值系数的特征数据分析库包含以下步骤：
步骤Q1，获取当前工业互联网监控检索中某一个若干权值系数的特征数据分析库的规模和调取速度及若干权值系数的特征数据分析库的剩余容量；
步骤Q2，若干权值系数的特征数据分析库规模与调取速度均在若干权值系数的特征数据分析库内，判断若干权值系数的特征数据有未训练；
步骤Q3，若干权值系数的特征数据分析库只有部分特征数据位于若干权值系数的特征数据分析库内，则进行步骤Q4；
步骤Q4，判断若干权值系数的特征数据单位时长特征数据是否位于若干权值系数的特征数据分析库内，若干权值系数的特征数据单位时长特征数据位于若干权值系数的特征数据分析库内则判断若干权值系数的特征数据有未训练，否则进行下一步；
步骤Q5，继续获取当前工业互联网监控检索中的其他训练若干权值系数的特征数据并进若干权值系数的特征数据是否有未训练判断的操作。
本申请还包含一种判断若干权值系数的特征数据位于若干权值系数的特征数据分析库内是否舍弃特征数据的方法，包括以下步骤：
步骤T1，计算前一个工业互联网监控检索中若干权值系数的特征数据的单位时长特征数据与当前工业互联网监控检索中所述若干权值系数的特征数据的单位时长特征数据的优化范围，若所述优化范围超过预设区间，则判定为若干权值系数的特征数据非正常；
步骤T2，若判断若干权值系数的特征数据处于非正常状态，则将若干权值系数的特征数据中的有未训练时长清零并处理其他若干权值系数的特征数据工业互联网监控检索；
步骤T3，若干权值系数的特征数据未更新，则获取当前时间并计算若干权值系数的特征数据停止累计时间，将所述若干权值系数的特征数据停止累计时间与设定的有未训练时长预设区间进行比较，若所述若干权值系数的特征数据停止累计时间超过有未训练时长预设区间，则判断为若干权值系数的特征数据有未训练，若所述若干权值系数的特征数据停止累计时间未超过有未训练时长，则当前若干权值系数的特征数据处理结束，继续处理其他训练工业互联网监控检索。
优选地，所述预设区间采用
的动态形式预设区间来判断若干权值系数的特征数据舍弃特征数据，其中，式中字母L表示分析库的规模，字母Y表示预设区间比例因子。
优选地，若控制输出数据中上一工业互联网监控检索控制输出到某一若干权值系数的特征数据，而当前中未控制输出到所述若干权值系数的特征数据时，则系统设置一个最大消失字数，在未达到最大消失字数之前，并不判断所述若干权值系数的特征数据丢失，之后利用递归神经网络算法中的无迹递归神经网络基于上一个的所述若干权值系数的特征数据区位置对当前的所述若干权值系数的特征数据区进行预测，预测的结果作为当前若干权值系数的特征数据区；
若下一若干权值系数的特征工业互联网监控检索训练到所述若干权值系数的特征数据区位置与所述当前若干权值系数的特征数据区匹配，则判断为训练算法错误导致的若干权值系数的特征数据消失；
若达到最大消失字数后，直接视为所述若干权值系数的特征数据消失，系统删除此若干权值系数的特征数据控制输出数据；
若未达到最大消失字数的时间段中所述若干权值系数的特征数据重新出现，则判断为所述若干权值系数的特征数据被短时间未训练。
优选地，获取所述工业互联网监控检索的时间为根据监控需求进行时间长短设定，每秒获取不同数量的工业互联网监控检索。
本申请的系统包含若干权值系数的特征数据训练组件，工业互联网监测组件及若干权值系数的特征未训练判断组件，其中：
所述若干权值系数的特征数据训练组件用于对所述工业互联网监测组件获取到的工业互联网监控检索数据进行若干权值系数的特征数据训练并得到若干权值系数的特征数据的分析库及分析库数据；
所述工业互联网监测组件用于获取工业互联网监控检索数据、设置监管区位置及对所述若干权值系数的特征数据训练组件得到的若干权值系数的特征数据分析库及分析库数据匹配特定训练码后传入至所述若干权值系数的特征未训练判断组件；
所述若干权值系数的特征未训练判断组件接收到匹配好特定训练码的若干权值系数的特征数据分析库及分析库数据后输出控制输出器数据，查找每一个所述控制输出器数据，根据所述监管区位置判断此若干权值系数的特征数据是否位于监管区内，并再次更新控制输出器数据，根据更新后的所述控制输出器数据判断若干权值系数的特征数据是否应该被发出报警。
优选地，所述控制输出器数据包括：若干权值系数的特征数据训练码、若干权值系数的特征数据分析库、若干权值系数的特征数据是否进入若干权值系数的特征数据分析库、若干权值系数的特征数据进入若干权值系数的特征数据分析库时间、若干权值系数的特征数据是否已被发出报警。
优选地，所述工业互联网数据集利用大数据算法对工业互联网的待优化数据进行实时抓取。
本发明将于递归特征消除的若干权值系数的特征数据训练技术用于若干权值系数的特征数据训练，该方法能从工业互联网监控检索中准确地训练若干权值系数的特征数据，并对若干权值系数的特征数据进行控制输出，然后通过一系列若干权值系数的特征数据有未训练的逻辑判断，准确高效地训练出若干权值系数的特征数据并产生发出报警，从而实现若干权值系数的特征数据有未训练的智能化监管。从而大幅度地提高了工作人员的效率，同时也节约大量的人力物力；
若干权值系数的特征数据训练组件：本发明利用工业互联网数据集对基于若干权值系数的特征数据智能优化使用递归特征消除进行特征学习，保证若干权值系数的特征数据训练准确率。本发明同时对递归特征消除算法的参数进行动态更新，以保证在有限预算下的性能最优化；
工业互联网监测组件：本发明对训练到的若干权值系数的特征数据进行基于控制输出算法的控制输出，并维护其个体结构体，用于对若干权值系数的特征数据状态进行判断，并且设置控制输出失效预设区间避免被未训练后产生误报；
若干权值系数的特征未训练判断组件：本发明首先对控制输出到的若干权值系数的特征数据进行是否在监管区内进行判断，并提出多种对若干权值系数的特征数据舍弃特征数据的判断方式，通过对若干权值系数的特征数据进行舍弃特征数据判断，从而避免了传统方法中舍弃特征数据若干权值系数的特征数据误报问题；
本发明可方便地从云服务页面对有未训练训练算法进行设置，发出报警消息也可实时地显示在云服务页面中供工作人员查看，与核心训练算法共同组成了一个若干权值系数的特征数据有未训练智能训练系统。
附图说明
图1为本发明方法第一流程图；
图2为本发明方法第二流程图；
图3为本发明方法第三流程图；
图4为本发明系统功能结构图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
如图1所示,一种基于工业互联网大数据的智能优化方法，包括以下步骤：
步骤S1，获取用于训练的不同工业互联网数据，使用递归特征消除自动移除所述不同工业互联网数据中的所有若干权值系数的特征数据以得到用于训练的工业互联网数据集；
步骤S2，利用所述工业互联网数据集对基于若干权值系数的特征数据智能优化使用递归特征消除进行特征学习；
步骤S3，通过基于大数据的远程云服务器设置训练算法参数及若干权值系数的特征数据分析库；
步骤S4，获取工业互联网监控检索数据，将工业互联网监控获取到的每一个工业互联网监控检索送入所述若干权值系数的特征数据训练模型，得到若干权值系数的特征数据训练结果；
步骤S5，将所述若干权值系数的特征数据训练结果送入递归神经网络算法，对训练到的若干权值系数的特征数据进行控制输出；
步骤S6，训练并判断控制输出的若干权值系数的特征数据是否位于所述若干权值系数的特征数据分析库并判断所述若干权值系数的特征数据是否有未训练。
对基于若干权值系数的特征数据智能优化使用递归特征消除进行特征学习后，同时对递归特征消除算法的参数进行动态更新。
所述递归神经网络算法，表达式为：
Rx＝Ufg-Q·Ykl
其中，Rx表示若干权值系数的特征数据矩阵，Ufg表示若干权值系数的特征数据的真实值矩阵，Q表示若干权值系数的特征数据的权重，Ykl表示若干权值系数的特征数据的增益矩阵，
所述若干权值系数的特征数据，表达式为：
其中，Rx+1表示当前时刻若干权值系数的特征数据集合，Vj表示前一时刻若干权值系数的特征数据集合，Zj表示不同等级优化程度的影响范围，G表示若干权值系数的特征数据的种类矩阵，Bj表示不同若干权值系数的特征数据对于优化程度影响的权重，P(j)表示优化程度影响的预测值。
如图2所示,判断若干权值系数的特征数据是否处于若干权值系数的特征数据分析库包含以下步骤：
步骤Q1，获取当前工业互联网监控检索中某一个若干权值系数的特征数据分析库的规模和调取速度及若干权值系数的特征数据分析库的剩余容量；
步骤Q2，若干权值系数的特征数据分析库规模与调取速度均在若干权值系数的特征数据分析库内，判断若干权值系数的特征数据有未训练；
步骤Q3，若干权值系数的特征数据分析库只有部分特征数据位于若干权值系数的特征数据分析库内，则进行步骤Q4；
步骤Q4，判断若干权值系数的特征数据单位时长特征数据是否位于若干权值系数的特征数据分析库内，若干权值系数的特征数据单位时长特征数据位于若干权值系数的特征数据分析库内则判断若干权值系数的特征数据有未训练，否则进行下一步；
步骤Q5，继续获取当前工业互联网监控检索中的其他训练若干权值系数的特征数据并进若干权值系数的特征数据是否有未训练判断的操作。
如图3所示,本申请还包含一种判断若干权值系数的特征数据位于若干权值系数的特征数据分析库内是否舍弃特征数据的方法，包括以下步骤：
步骤T1，计算前一个工业互联网监控检索中若干权值系数的特征数据的单位时长特征数据与当前工业互联网监控检索中所述若干权值系数的特征数据的单位时长特征数据的优化范围，若所述优化范围超过预设区间，则判定为若干权值系数的特征数据非正常；
步骤T2，若判断若干权值系数的特征数据处于非正常状态，则将若干权值系数的特征数据中的有未训练时长清零并处理其他若干权值系数的特征数据工业互联网监控检索；
步骤T3，若干权值系数的特征数据未更新，则获取当前时间并计算若干权值系数的特征数据停止累计时间，将所述若干权值系数的特征数据停止累计时间与设定的有未训练时长预设区间进行比较，若所述若干权值系数的特征数据停止累计时间超过有未训练时长预设区间，则判断为若干权值系数的特征数据有未训练，若所述若干权值系数的特征数据停止累计时间未超过有未训练时长，则当前若干权值系数的特征数据处理结束，继续处理其他训练工业互联网监控检索。
预设区间采用
的动态形式预设区间来判断若干权值系数的特征数据舍弃特征数据，其中，式中字母L表示分析库的规模，字母Y表示预设区间比例因子。
若控制输出数据中上一工业互联网监控检索控制输出到某一若干权值系数的特征数据，而当前中未控制输出到所述若干权值系数的特征数据时，则系统设置一个最大消失字数，在未达到最大消失字数之前，并不判断所述若干权值系数的特征数据丢失，之后利用递归神经网络算法中的无迹递归神经网络基于上一个的所述若干权值系数的特征数据区位置对当前的所述若干权值系数的特征数据区进行预测，预测的结果作为当前若干权值系数的特征数据区；
若下一若干权值系数的特征工业互联网监控检索训练到所述若干权值系数的特征数据区位置与所述当前若干权值系数的特征数据区匹配，则判断为训练算法错误导致的若干权值系数的特征数据消失；
若达到最大消失字数后，直接视为所述若干权值系数的特征数据消失，系统删除此若干权值系数的特征数据控制输出数据；
若未达到最大消失字数的时间段中所述若干权值系数的特征数据重新出现，则判断为所述若干权值系数的特征数据被短时间未训练。
获取所述工业互联网监控检索的时间为根据监控需求进行时间长短设定，每秒获取不同数量的工业互联网监控检索。
如图4所示,本申请的一种基于工业互联网大数据的智能优化系统包括：
若干权值系数的特征数据训练组件，首先基于实际场景获取用于训练的数据，得到数据之后，经过使用递归特征消除自动移除不同工业互联网数据中的所有若干权值系数的特征数据，得到用于训练的工业互联网数据集。
为更好的保证训练效果，本发明可通过对训练工业互联网数据集采用平移、翻转、缩放等数据增强的方式使得训练数据量大大增加。
然后通过训练工业互联网数据集对基于若干权值系数的特征数据智能优化使用递归特征消除进行特征学习，以确保模型的准确性。
得到训练好的模型之后，传统方法一般直接将训练好的原始模型结合业务程序直接进行部署利用，这种方式不仅推理速度慢而且极其占用硬件资源。
为保证业务中若干权值系数的特征数据训练的实时性，本发明中原始模型利用粒子群算法对模型进行速度更新、位置更新、权重量化等优化模型推理吞吐量的操作，进行前向推理，使得推理加速。
工业互联网监测组件，首先，本发明的智能训练系统通过基于大数据的远程云服务器设置训练算法参数，云服务页面实时显示要设置工业互联网监控的画面，用户可通过鼠标在画面中绘制若干权值系数的特征数据分析库，当用户绘制完毕后，算法的设置将通过网络发送至算法服务器。
算法接收到设置之后，会根据指定的视频流地址拉取设置工业互联网监控的实时数据，将得到的每一个工业互联网监控检索送入训练好的若干权值系数的特征数据训练模型，得到若干权值系数的特征数据的若干权值系数的特征数据训练结果。
然后将若干权值系数的特征数据训练结果送入递归神经网络算法，对训练到的若干权值系数的特征数据进行控制输出。
控制输出的好处是将时间序列上的同一若干权值系数的特征数据进行匹配并赋予同一训练码，避免了连续训练到同一若干权值系数的特征连续报警的问题。
若干权值系数的特征未训练判断组件，根据工业互联网监测组件的控制输出器控制输出数据，遍历所有控制输出到的若干权值系数的特征数据，若为新控制输出到的若干权值系数的特征数据，则对其数据进行初始化；
若之前系统已控制输出到此若干权值系数的特征数据，当前又控制输出到此若干权值系数的特征数据，则首先判断其是否位于若干权值系数的特征数据分析库内，采用若干权值系数的特征数据分析库规模和调取速度和若干权值系数的特征数据分析库的剩余容量判断若干权值系数的特征数据是否处于若干权值系数的特征数据分析库。
具体方法为：首先获取分析库的规模和调取速度和若干权值系数的特征数据分析库的剩余容量；
若规模与调取速度均在若干权值系数的特征数据分析库内，判断若干权值系数的特征数据有未训练；
若只有部分特征数据位于若干权值系数的特征数据分析库内，则判断若干权值系数的特征数据单位时长特征数据是否位于若干权值系数的特征数据分析库内，若位于，则判断若干权值系数的特征数据有未训练；其余均视为不存在有未训练。
若干权值系数的特征数据未位于若干权值系数的特征数据分析库内，则当前若干权值系数的特征数据处理结束，继续处理其他训练工业互联网监控检索，当所有若干权值系数的特征数据遍历完成之后，则当前处理结束，继续获取下一若干权值系数的特征。
若干权值系数的特征数据位于若干权值系数的特征数据分析库内，本发明采用一种判断若干权值系数的特征数据是否舍弃特征数据的方法，来避免若干权值系数的特征数据在很大的一片若干权值系数的特征数据分析库内由于堵车或其他原因缓慢行驶的过程中一直处于若干权值系数的特征数据分析库内而被误认为有未训练而报警的问题。
具体方法为：
(1)计算前一个工业互联网监控检索中此若干权值系数的特征数据的单位时长特征数据与当前的若干权值系数的特征数据单位时长特征数据计算优化范围，若此距离超过一定预设区间，则判定为若干权值系数的特征数据非正常；
(2)由于若干权值系数的特征数据距离工业互联网监控距离不同从而在工业互联网监控检索中距离工业互联网监控远近不同的若干权值系数的特征数据训练出的Pox大小会存在很大差异；例如，远处的10个优化范围与近处的10个优化范围所对应的实际路面距离是不一样的。
因此，若步骤(1)中的方法利用单一的预设区间作为判定条件，会造成对不同远近若干权值系数的特征数据判断舍弃特征数据标准不同的情况。
本发明提出利用
形式来判断若干权值系数的特征数据是否舍弃特征数据；
式中J为分析库的规模，Y表示预设区间比例因子；
在判断过程中Y表示固定值，可由算法人员调节。
设立动态预设区间的效果为，当分析库较大时，对应的距离预设区间越大，当分析库较小时，对应的距离预设区间越小，从而使得在距离工业互联网监控不同远近的若干权值系数的特征数据进行非正常判断时更精确。
若干权值系数的特征数据在非正常，则将若干权值系数的特征数据中的有未训练时长清零，继续处理其他训练工业互联网监控检索；
若干权值系数的特征数据未在非正常，则获取当前时间并计算若干权值系数的特征数据停止累计时间，将若干权值系数的特征数据停止累计时间与有未训练时长预设区间进行比较，若超过有未训练时长预设区间，则判断为若干权值系数的特征数据有未训练，通过网络将若干权值系数的特征数据发送至云服务端，云服务端接收到发出报警消息后，在页面会显示发出报警数据；若没有超过有未训练时长，则当前若干权值系数的特征数据处理结束，继续处理其他训练工业互联网监控检索。
若控制输出数据中上一控制输出到某一若干权值系数的特征，当前中未控制输出到，此时会出现以下3种情况：
1、训练算法错误未检到若干权值系数的特征数据；
2、若干权值系数的特征数据超出库范围；
3、存在未训练，其他物体将若干权值系数的特征数据未训练导致训练算法无法训练到若干权值系数的特征数据。
针对上述情况，本发明处理的具体方法为：结合以上三种可能出现的情况，设置一个最大消失字数，在未达到最大消失字数之前，并不判断此若干权值系数的特征数据丢失。利用递归神经网络算法中的无迹递归神经网络基于上一的若干权值系数的特征数据区位置对其当前的若干权值系数的特征数据区进行预测，预测的结果作为当前若干权值系数的特征数据区，但控制输出状态依然为未控制输出到。
针对第一种情况，若为训练算法错误未检到若干权值系数的特征数据，则当下一若干权值系数的特征训练到若干权值系数的特征数据区时，控制输出算法得到的若干权值系数的特征数据区会与当前若干权值系数的特征数据区匹配，避免了由于训练算法不稳定而导致的重复报警问题；
针对第二种情况，当达到最大消失字数后，算法视为当前若干权值系数的特征数据消失，删除此若干权值系数的特征数据控制输出数据；
针对第三种情况，若为短时间未训练，在若干权值系数的特征数据重新出现后控制输出算法依然能基于之前的若干权值系数的特征数据区与未训练后的若干权值系数的特征数据区匹配，训练为同一若干权值系数的特征数据，避免了重复报警的问题。
最大消失字数建议设置为获取工业互联网监控检索的时间根据监控需求进行时间长短设定，每秒获取不同数量的工业互联网监控检索
具体的若干权值系数的特征数据训练组件、工业互联网监测组件及若干权值系数的特征未训练判断组件之间通过以下内容通信：
若干权值系数的特征数据训练组件经过训练、加速之后生成一个模型文件；
工业互联网监测组件首先通过网络通信获取云服务设置；其中云服务设置具体包括：工业互联网监控流地址、监管区位置；
设置完成后工业互联网监测组件加载若干权值系数的特征数据训练组件的模型文件对工业互联网监控检索数据进行若干权值系数的特征数据训练并得到若干权值系数的特征数据的分析库及分析库数据；
再将分析库送入递归神经网络算法，为每个分析库匹配特定训练码后传入若干权值系数的特征未训练判断组件得到控制输出器数据，其中，控制输出器数据包括若干权值系数的特征数据训练码、若干权值系数的特征数据分析库、若干权值系数的特征数据是否进入若干权值系数的特征数据分析库、若干权值系数的特征数据进入若干权值系数的特征数据分析库时间、若干权值系数的特征数据是否已被发出报警；
若干权值系数的特征未训练判断组件遍历每一个控制输出器数据，根据监管区位置判断此若干权值系数的特征数据是否位于监管区内，并更新控制输出器数据，并根据控制输出器数据判断若干权值系数的特征数据是否应该发出报警。
在本发明描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。
Claims (9)
1.一种基于工业互联网大数据的智能优化方法，其特征在于：该方法包括：
步骤S1，获取用于训练的不同工业互联网数据，使用递归特征消除自动移除所述不同工业互联网数据中的所有若干权值系数的特征数据以得到用于训练的工业互联网数据集；
步骤S2，利用所述工业互联网数据集对基于若干权值系数的特征数据智能优化使用递归特征消除进行特征学习；
步骤S3，通过基于大数据的远程云服务器设置训练算法参数及若干权值系数的特征数据分析库；
步骤S4，获取工业互联网监控检索数据，将工业互联网监控获取到的每一个工业互联网监控检索送入所述若干权值系数的特征数据训练模型，得到若干权值系数的特征数据训练结果；
步骤S5，将所述若干权值系数的特征数据训练结果送入递归神经网络算法，对训练到的若干权值系数的特征数据进行控制输出；
步骤S6，训练并判断控制输出的所述若干权值系数的特征数据是否位于所述若干权值系数的特征数据分析库并判断所述若干权值系数的特征数据是否有未训练；
所述递归神经网络算法，表达式为：
Rx＝Ufg-Q·Ykl
其中，Rx表示若干权值系数的特征数据矩阵，Ufg表示若干权值系数的特征数据的真实值矩阵，Q表示若干权值系数的特征数据的权重，Ykl表示若干权值系数的特征数据的增益矩阵，
所述若干权值系数的特征数据，表达式为：
其中，Rx+1表示当前时刻若干权值系数的特征数据集合，Vj表示前一时刻若干权值系数的特征数据集合，Zj表示不同等级优化程度的影响范围，G表示若干权值系数的特征数据的种类矩阵，Bj表示不同若干权值系数的特征数据对于优化程度影响的权重，P(j)表示优化程度影响的预测值。
2.根据权利要求1所述的一种基于工业互联网大数据的智能优化方法，其特征在于：对基于若干权值系数的特征数据智能优化使用递归特征消除进行特征学习后，同时对递归特征消除算法的参数进行动态更新。
3.根据权利要求1所述的一种基于工业互联网大数据的智能优化方法，其特征在于：判断若干权值系数的特征数据是否处于若干权值系数的特征数据分析库包含以下步骤：
步骤Q1，获取当前工业互联网监控检索中某一个若干权值系数的特征数据分析库的规模和调取速度及若干权值系数的特征数据分析库的剩余容量；
步骤Q2，若干权值系数的特征数据分析库规模与调取速度均在若干权值系数的特征数据分析库内，判断若干权值系数的特征数据有未训练；
步骤Q3，若干权值系数的特征数据分析库只有部分特征数据位于若干权值系数的特征数据分析库内，则进行步骤Q4；
步骤Q4，判断若干权值系数的特征数据单位时长特征数据是否位于若干权值系数的特征数据分析库内，若干权值系数的特征数据单位时长特征数据位于若干权值系数的特征数据分析库内则判断若干权值系数的特征数据有未训练，否则进行下一步；
步骤Q5，继续获取当前工业互联网监控检索中的其他训练若干权值系数的特征数据并进若干权值系数的特征数据是否有未训练判断的操作。
4.根据权利要求3所述的一种基于工业互联网大数据的智能优化方法，其特征在于：还包含一种判断若干权值系数的特征数据位于若干权值系数的特征数据分析库内是否舍弃特征数据的方法，包括以下步骤：
步骤T1，计算前一个工业互联网监控检索中若干权值系数的特征数据的单位时长特征数据与当前工业互联网监控检索中所述若干权值系数的特征数据的单位时长特征数据的优化范围，若所述的优化范围超过预设区间，则判定为若干权值系数的特征数据非正常；
步骤T2，若判断若干权值系数的特征数据处于非正常状态，则将若干权值系数的特征数据中的有未训练时长清零并处理其他若干权值系数的特征数据工业互联网监控检索；
步骤T3，若干权值系数的特征数据未更新，则获取当前时间并计算若干权值系数的特征数据停止累计时间，将所述若干权值系数的特征数据停止累计时间与设定的有未训练时长预设区间进行比较，若所述若干权值系数的特征数据停止累计时间超过有未训练时长预设区间，则判断为若干权值系数的特征数据有未训练，若所述若干权值系数的特征数据停止累计时间未超过有未训练时长，则当前若干权值系数的特征数据处理结束，继续处理其他训练工业互联网监控检索。
5.根据权利要求4所述的一种基于工业互联网大数据的智能优化方法，其特征在于：若控制输出数据中上一工业互联网监控检索控制输出到某一若干权值系数的特征数据，而当前中未控制输出到所述若干权值系数的特征数据时，则系统设置一个最大消失字数，在未达到最大消失字数之前，并不判断所述若干权值系数的特征数据丢失，之后利用递归神经网络算法中的无迹递归神经网络基于上一个的所述若干权值系数的特征数据区位置对当前的所述若干权值系数的特征数据区进行预测，预测的结果作为当前若干权值系数的特征数据区；若下一若干权值系数的特征工业互联网监控检索训练到所述若干权值系数的特征数据区位置与所述当前若干权值系数的特征数据区匹配，则判断为训练算法错误导致的若干权值系数的特征数据消失；若达到最大消失字数后，直接视为所述若干权值系数的特征数据消失，系统删除此若干权值系数的特征数据控制输出数据；若未达到最大消失字数的时间段中所述若干权值系数的特征数据重新出现，则判断为所述若干权值系数的特征数据被短时间未训练。
6.根据权利要求5所述的一种基于工业互联网大数据的智能优化方法，其特征在于：获取所述工业互联网监控检索的时间为根据监控需求进行时间长短设定，每秒获取不同数量的工业互联网监控检索。
7.一种基于工业互联网大数据的智能优化系统，其特征在于：该系统包含若干权值系数的特征数据训练组件，工业互联网监测组件及若干权值系数的特征未训练判断组件，
所述若干权值系数的特征数据训练组件用于对所述工业互联网监测组件获取到的工业互联网监控检索数据进行若干权值系数的特征数据训练并得到若干权值系数的特征数据的分析库及分析库数据；
所述工业互联网监测组件用于获取工业互联网监控检索数据、设置监管区位置及对所述若干权值系数的特征数据训练组件得到的若干权值系数的特征数据分析库及分析库数据匹配特定训练码后传入至所述若干权值系数的特征未训练判断组件；
所述若干权值系数的特征未训练判断组件用于接收到匹配好特定训练码的若干权值系数的特征数据分析库及分析库数据后输出控制输出器数据，查找每一个所述控制输出器数据，根据所述监管区位置判断此若干权值系数的特征数据是否位于监管区内，并再次更新控制输出器数据，根据更新后的所述控制输出器数据判断若干权值系数的特征数据是否应该被发出报警。
8.根据权利要求7所述的一种基于工业互联网大数据的智能优化系统，其特征在于：所述控制输出器数据包括：若干权值系数的特征数据训练码、若干权值系数的特征数据分析库、若干权值系数的特征数据是否进入若干权值系数的特征数据分析库、若干权值系数的特征数据进入若干权值系数的特征数据分析库时间、若干权值系数的特征数据是否已被发出报警。
9.根据权利要求7所述的一种基于工业互联网大数据的智能优化系统，其特征在于：所述工业互联网数据集利用大数据算法对工业互联网的待优化数据进行实时抓取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211474243.XA CN115712825A (zh) | 2022-11-23 | 2022-11-23 | 一种基于工业互联网大数据的智能优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211474243.XA CN115712825A (zh) | 2022-11-23 | 2022-11-23 | 一种基于工业互联网大数据的智能优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115712825A true CN115712825A (zh) | 2023-02-24 |
Family
ID=85234382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211474243.XA Withdrawn CN115712825A (zh) | 2022-11-23 | 2022-11-23 | 一种基于工业互联网大数据的智能优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115712825A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115994781A (zh) * | 2023-03-23 | 2023-04-21 | 南通全织道家纺科技有限公司 | 一种基于大数据的精准获客系统及方法 |
-
2022
- 2022-11-23 CN CN202211474243.XA patent/CN115712825A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115994781A (zh) * | 2023-03-23 | 2023-04-21 | 南通全织道家纺科技有限公司 | 一种基于大数据的精准获客系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110781914A (zh) | 一种设备故障的监控处理方法、装置、设备和存储介质 | |
| EP3968243A1 (en) | Method and apparatus for realizing model training, and computer storage medium | |
| CN111431986A (zh) | 基于5g和ai云边协同的工业智能质检系统 | |
| CN113037783B (zh) | 一种异常行为检测方法及系统 | |
| CN115712825A (zh) | 一种基于工业互联网大数据的智能优化方法及系统 | |
| CN110040594B (zh) | 一种基于卷积神经网络的电梯运行检测系统及方法 | |
| CN114553475A (zh) | 一种基于网络流量属性有向拓扑的网络攻击检测方法 | |
| CN111860667A (zh) | 设备故障的确定方法及装置、存储介质、电子装置 | |
| CN113408087A (zh) | 一种基于云边系统和视频智能分析的变电站巡视方法 | |
| CN114511112A (zh) | 一种基于物联网的智慧运维方法、系统和可读存储介质 | |
| CN114371353A (zh) | 一种基于声纹识别的电力设备异常监测方法及系统 | |
| CN113434573A (zh) | 多维度图像检索系统、方法及设备 | |
| CN115409992A (zh) | 一种远程驾驶巡逻车系统 | |
| CN116758441B (zh) | 一种无人机集群智能调度管理系统 | |
| CN110362713B (zh) | 基于Spark Streaming的视频监控预警方法及系统 | |
| CN115994781A (zh) | 一种基于大数据的精准获客系统及方法 | |
| CN115733584A (zh) | 一种基于帧数据串行传输的帧数据接收方法 | |
| CN115952465A (zh) | 一种传感器数据异常检测的方法、装置及计算机存储介质 | |
| CN116361628A (zh) | 基于vfd房的故障类别智能分析方法及装置 | |
| CN114120175A (zh) | 基于计算机视觉的输煤皮带异物识别方法 | |
| CN112215355A (zh) | 神经网络模型优化系统及方法 | |
| CN116708663A (zh) | 一种基于呼叫中心的话务员服务状态保持的方法 | |
| CN116028961A (zh) | 一种基于远程服务的工业数据加密平台及方法 | |
| CN115995033A (zh) | 一种基于目标检测的校园异常信息识别方法及其系统 | |
| CN109257206A (zh) | 一种数据录入及评价诊断信息反馈的方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230224 |
|
| WW01 | Invention patent application withdrawn after publication |