CN116151845A - 基于工业物联网技术的产品全生命周期管理系统及其方法 - Google Patents
基于工业物联网技术的产品全生命周期管理系统及其方法 Download PDFInfo
- Publication number
- CN116151845A CN116151845A CN202310137125.8A CN202310137125A CN116151845A CN 116151845 A CN116151845 A CN 116151845A CN 202310137125 A CN202310137125 A CN 202310137125A CN 116151845 A CN116151845 A CN 116151845A
- Authority
- CN
- China
- Prior art keywords
- scale
- feature vector
- data
- product
- life cycle
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及智能管理领域,其具体地公开了一种基于工业物联网技术的产品全生命周期管理系统及其方法,其通过采用基于深度学习的神经网络模型,使用包含嵌入层的上下文编码器挖掘出全生命周期数据中各个数据项的高维隐含特征信息以得到多个节点全局语义特征向量,以及,通过多尺度一维卷积编码来捕捉所述多个节点全局语义特征向量中的高维局部隐含语义关联,进一步融合多尺度语义关联特征得到分类特征向量以进行分类。这样,能够对产品进行全生命周期监控,进而实现对产品进行优化地全生命周期的管理。
Description
技术领域
本申请涉及智能管理领域,且更为具体地,涉及一种基于工业物联网技术的产品全生命周期管理系统及其方法。
背景技术
目前我国正逐渐步入全面信息化的时代,信息已经成为了主导经济的核心技术,在制造业、电子行业、金融业,信息技术已经成为企业提高竞争力的核心手段;随着我国经济和科技的迅速发展,制造行业对产品的生产提出了新的需求。
制造行业希望对每一批产品进行全生命周期的管理。目前大多数制造行业的产品生命周期开始于购买方下单,结束于购买方收货;然而,产品的生命周期并没有全覆盖,每个订单都缺乏对于材料来源的跟踪、生产进度的跟踪、物流信息的跟踪、产品售后使用情况跟踪、产品回收计划等等,信息资源没有实现共享,人工沟通成本高,项目计划实施困难。
因此,期待一种优化的产品全生命周期管理方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于工业物联网技术的产品全生命周期管理系统及其方法,其通过采用基于深度学习的神经网络模型,使用包含嵌入层的上下文编码器挖掘出全生命周期数据中各个数据项的高维隐含特征信息以得到多个节点全局语义特征向量,以及,通过多尺度一维卷积编码来捕捉所述多个节点全局语义特征向量中的高维局部隐含语义关联,进一步融合多尺度语义关联特征得到分类特征向量以进行分类。这样,能够对产品进行全生命周期监控,进而实现对产品进行优化地全生命周期的管理。
根据本申请的一个方面,提供了一种基于工业物联网技术的产品全生命周期管理系统,其包括:
全生命周期数据获取模块,用于获取待监控产品的全生命周期数据,其中,所述全生命周期数据包括客户下单数据、原料采购数据、产品生产数据、产品发货数据、产品使用数据、维修与保养数据,以及,回收数据或报废数据;
生命周期数据语义编码模块,用于将所述全生命周期数据通过包含嵌入层的上下文编码器以得到多个节点全局语义特征向量;
聚合度优化模块,用于对所述多个节点全局语义特征向量进行聚合度优化以得到多个校正后节点全局语义特征向量;
第一尺度特征提取模块,用于将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络以得到第一尺度关联特征向量;
第二尺度特征提取模块,用于将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络以得到第二尺度关联特征向量;
多尺度融合模块,用于融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量;以及
管理结果生成模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监控产品的全生命状态是否正常。
在上述基于工业物联网技术的产品全生命周期管理系统中,所述生命周期数据语义编码模块,包括:分词单元,用于对所述全生命周期数据进行分词处理以将所述全生命周期数据转化为由多个词组成的词序列;词嵌入单元,用于使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;上下文理解单元,用于使用所述包含嵌入层的上下文编码器的转化器对所述词向量的序列进行基于全局的上下文语义编码以得到多个上下文语义特征向量;以及,级联单元,用于将所述多个上下文语义特征向量进行级联以得到所述多个节点全局语义特征向量。
在上述基于工业物联网技术的产品全生命周期管理系统中,所述聚合度优化模块,进一步用于:以如下公式计算每个节点全局语义特征向量对应的节点间类概率匹配特征向量;其中,所述公式为:
其中Vi是所述各个节点全局语义特征向量,ε是预定阈值,Vj是所述多个节点全局语义特征向量中与所述节点全局语义特征向量Vi之间的距离,即d(Vi,Vj)小于预定阈值,即ε的节点全局语义特征向量,α为加权超参数,exp(·)表示向量的指数运算,表示按位置作差。
在上述基于工业物联网技术的产品全生命周期管理系统中,所述第一尺度特征提取模块,包括:使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用具有第一尺度的一维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度关联特征向量,所述使用具有第一尺度的一维卷积核的第一卷积神经网络的第一层的输入为所述一维特征向量。
在上述基于工业物联网技术的产品全生命周期管理系统中,所述第二尺度特征提取模块,包括:使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用具有第二尺度的一维卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度关联特征向量,所述使用具有第二尺度的一维卷积核的第二卷积神经网络的第一层的输入为所述一维特征向量。
在上述基于工业物联网技术的产品全生命周期管理系统中,所述多尺度融合模块,进一步用于:以如下公式融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量;其中,所述公式为:
Vc=Concat[V1,V2]
其中,V1表示所述第一尺度关联特征向量,V2表示所述第二尺度关联特征向量,Concat[·,·]表示级联函数,Vc表示所述分类特征向量。
在上述基于工业物联网技术的产品全生命周期管理系统中,所述管理结果生成模块,包括:全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,提供了一种基于工业物联网技术的产品全生命周期管理方法,其包括:
获取待监控产品的全生命周期数据,其中,所述全生命周期数据包括客户下单数据、原料采购数据、产品生产数据、产品发货数据、产品使用数据、维修与保养数据,以及,回收数据或报废数据;
将所述全生命周期数据通过包含嵌入层的上下文编码器以得到多个节点全局语义特征向量;
对所述多个节点全局语义特征向量进行聚合度优化以得到多个校正后节点全局语义特征向量;
将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络以得到第一尺度关联特征向量;
将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络以得到第二尺度关联特征向量;
融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量;以及
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监控产品的全生命状态是否正常。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于工业物联网技术的产品全生命周期管理方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于工业物联网技术的产品全生命周期管理方法。
与现有技术相比,本申请提供的一种基于工业物联网技术的产品全生命周期管理系统及其方法,其通过采用基于深度学习的神经网络模型,使用包含嵌入层的上下文编码器挖掘出全生命周期数据中各个数据项的高维隐含特征信息以得到多个节点全局语义特征向量,以及,通过多尺度一维卷积编码来捕捉所述多个节点全局语义特征向量中的高维局部隐含语义关联,进一步融合多尺度语义关联特征得到分类特征向量以进行分类。这样,能够对产品进行全生命周期监控,进而实现对产品进行优化地全生命周期的管理。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于工业物联网技术的产品全生命周期管理系统的框图;
图2为根据本申请实施例的基于工业物联网技术的产品全生命周期管理系统的系统架构图;
图3为根据本申请实施例的基于工业物联网技术的产品全生命周期管理系统中生命周期数据语义编码模块的框图;
图4为根据本申请实施例的基于工业物联网技术的产品全生命周期管理系统中第一卷积神经网络编码的流程图;
图5为根据本申请实施例的基于工业物联网技术的产品全生命周期管理系统中管理结果生成模块的框图;
图6为根据本申请实施例的基于工业物联网技术的产品全生命周期管理方法的流程图;
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前背景技术所言,制造行业希望对每一批产品进行全生命周期的管理。目前大多数制造行业的产品生命周期开始于购买方下单,结束于购买方收货;然而,产品的生命周期并没有全覆盖,每个订单都缺乏对于材料来源的跟踪、生产进度的跟踪、物流信息的跟踪、产品售后使用情况跟踪、产品回收计划等等,信息资源没有实现共享,人工沟通成本高,项目计划实施困难。因此,期待一种优化的产品全生命周期管理方案。
具体地,在本申请的技术方案中,考虑到产品的全生命周期中各个环节之间相互关联,即,材料来源的跟踪、生产进度的跟踪、物流信息的跟踪、产品售后使用情况跟踪、产品回收计划等之间相互关联,因此,可从全局层面对产品全生命周期数据进行处理和分析以得到产品的全生命状态是否正常或异常的数据分析结果,从而可对产品进行全生命周期监控,以优化全周期管理。但是,产生的全生命周期中各个环节之间的关联是复杂的且为非线性的,导致各个环节间的关联很难通过梳理模型来表征,当然,从全局角度来评估产品的全生命状态是否正常则更为困难。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为产品全生命周期管理系统提供了新的解决思路和方案。同时,物联网技术的发展使得产品的全生命周期数据能够实现数据化和算法化。
具体地,在本申请的技术方案中,首先获取待监控产品的全生命周期数据,其中,所述全生命周期数据包括客户下单数据、原料采购数据、产品生产数据、产品发货数据、产品使用数据、维修与保养数据,以及,回收数据或报废数据。接着,将所述全生命周期数据通过包含嵌入层的上下文编码器以得到多个节点全局语义特征向量。也就是,将所述全生命周期数据中各个数据项视为本文序列,并使用所述包含嵌入层的上下文编码器(例如,基于转换器的Bert模型)对所述全生命周期数据中各个数据项进行上下文语义理解以挖掘各个数据项的高维隐含特征信息以得到所述多个节点全局语义特征向量。
这里,以所述全生命周期数据中的客户下单数据为例,首先将所述客户下单数据进行分词处理以得到词序列;接着,使用所述嵌入层分别将所述词序列中各个词转化为词特征向量以得到词特征向量的序列;然后,使用所述基于转换器的Bert模型对所述词特征向量的序列进行基于全局的上下文语义编码以得到多个上下文语义特征向量,并将所述多个上下文语义特征向量进行级联以得到所述节点全局语义特征向量。特别地,在申请的技术方案中,所述全生命周期数据中的一个数据项对应于一个所述节点全局语义特征向量。
进而,在产品全生命周期管理中,需捕捉待监控产品的全生命周期数据中各个数据项之间的关联,从而对产品进行全生命周期全局智能监控与评估,以优化全周期管理。具体地,在本申请的技术方案中,将所述多个节点全局语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络以得到第一尺度关联特征向量。也就是,通过一维卷积编码来捕捉所述多个节点全局语义特征向量中的高维局部隐含语义关联。但是,所述第一卷积神经网络的特征感受野受限于其所使用的一维卷积核的尺度。因此,为了扩大感受野以捕捉更多尺度范围内的语义关联特征,进一步地将所述多个节点全局语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络以得到第二尺度关联特征向量。
接着,用于融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到包含多尺度关联隐含特征的分类特征向量。并使用分类器来确定所述分类特征向量所属的类概率标签,其中,所述类概率标签包括待监控产品的全生命状态正常(第一标签),以及,待监控产品的全生命状态不正常(第二标签)。
特别地,在本申请的技术方案中,虽然通过所述使用具有第一尺度的一维卷积核的第一卷积神经网络和所述使用具有第一尺度的一维卷积核的第一卷积神经网络能够提升所述多个节点全局语义特征向量之间的局部语义度,即,优化所述多个节点全局语义特征向量之间的中距离依赖和短距离依赖。但是,因所述多个节点全局语义特征向量为所述所述全生命周期数据通过包含嵌入层的上下文编码器得到,在高维特征空间中,所述多个节点全局语义特征向量之间可能存在特征聚合度较为稀疏,这会影响到所述第一卷积神经网络和所述第二卷积神经网络的多尺度一维卷积编码的特征提取效果,进而影响所述分类特征向量通过所述分类器的分类结果的准确性。
因此,考虑到如果将所述多个节点全局语义特征向量中的每个节点全局语义特征向量视为单个节点,则通过节点之间的距离表示,可以基于节点整体的拓扑结构确定节点之间的类概率特征聚合度,由此,计算每个节点全局语义特征向量对应的节点间类概率匹配特征向量,表示为:
Vi是所述各个节点全局语义特征向量,Vj是所述多个节点全局语义特征向量中与所述节点全局语义特征向量Vi之间的距离,即d(Vi,Vj)小于预定阈值,即ε的节点全局语义特征向量,α为加权超参数。
也就是,如果将Vi作为拓扑结构的节点,则Vj可以被认为是在拓扑结构内部与所述节点Vi相连的节点,即i→j∈E,表示节点i与节点j之间具有边。这样,通过计算节点间类概率匹配特征向量,可以确定拓扑结构内的节点与相邻节点之间在类概率下的交互度,就可以提升多节点组成的拓扑结构内部的各个节点间的类概率特征聚合度,相当于在基于内部特征交互的特征聚合维度上对于节点特征施加注意力机制,从而提升所述多个节点全局语义特征向量的各个节点全局语义特征向量之间的特征聚合度。
基于此,本申请提出了一种基于工业物联网技术的产品全生命周期管理系统,其包括:全生命周期数据获取模块,用于获取待监控产品的全生命周期数据,其中,所述全生命周期数据包括客户下单数据、原料采购数据、产品生产数据、产品发货数据、产品使用数据、维修与保养数据,以及,回收数据或报废数据;生命周期数据语义编码模块,用于将所述全生命周期数据通过包含嵌入层的上下文编码器以得到多个节点全局语义特征向量;聚合度优化模块,用于对所述多个节点全局语义特征向量进行聚合度优化以得到多个校正后节点全局语义特征向量;第一尺度特征提取模块,用于将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络以得到第一尺度关联特征向量;第二尺度特征提取模块,用于将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络以得到第二尺度关联特征向量;多尺度融合模块,用于融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量;以及,管理结果生成模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监控产品的全生命状态是否正常。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的基于工业物联网技术的产品全生命周期管理系统的框图。如图1所示,根据本申请实施例的基于工业物联网技术的产品全生命周期管理系统300,包括:全生命周期数据获取模块310;生命周期数据语义编码模块320;聚合度优化模块330;第一尺度特征提取模块340;第二尺度特征提取模块350;多尺度融合模块360;以及,管理结果生成模块370。
其中,所述全生命周期数据获取模块310,用于获取待监控产品的全生命周期数据,其中,所述全生命周期数据包括客户下单数据、原料采购数据、产品生产数据、产品发货数据、产品使用数据、维修与保养数据,以及,回收数据或报废数据;所述生命周期数据语义编码模块320,用于将所述全生命周期数据通过包含嵌入层的上下文编码器以得到多个节点全局语义特征向量;所述聚合度优化模块330,用于对所述多个节点全局语义特征向量进行聚合度优化以得到多个校正后节点全局语义特征向量;所述第一尺度特征提取模块340,用于将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络以得到第一尺度关联特征向量;所述第二尺度特征提取模块350,用于将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络以得到第二尺度关联特征向量;所述多尺度融合模块360,用于融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量;以及,所述管理结果生成模块370,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监控产品的全生命状态是否正常。
图2为根据本申请实施例的基于工业物联网技术的产品全生命周期管理系统的系统架构图。如图2所示,在所述基于工业物联网技术的产品全生命周期管理系统300的系统架构中,首先通过所述全生命周期数据获取模块310获取待监控产品的全生命周期数据,其中,所述全生命周期数据包括客户下单数据、原料采购数据、产品生产数据、产品发货数据、产品使用数据、维修与保养数据,以及,回收数据或报废数据;所述生命周期数据语义编码模块320将所述全生命周期数据获取模块310获取的全生命周期数据通过包含嵌入层的上下文编码器以得到多个节点全局语义特征向量;接着所述聚合度优化模块330对所述生命周期数据语义编码模块320得到的多个节点全局语义特征向量进行聚合度优化以得到多个校正后节点全局语义特征向量;所述第一尺度特征提取模块340将所述聚合度优化模块330得到的多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络以得到第一尺度关联特征向量;所述第二尺度特征提取模块350将所述聚合度优化模块330得到的多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络以得到第二尺度关联特征向量;然后,所述多尺度融合模块360融合所述第一尺度特征提取模块340得到的第一尺度关联特征向量和所述第二尺度特征提取模块350得到的第二尺度关联特征向量以得到分类特征向量;进而,所述管理结果生成模块370将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监控产品的全生命状态是否正常。
具体地,在所述基于工业物联网技术的产品全生命周期管理系统300的运行过程中,所述全生命周期数据获取模块310,用于获取待监控产品的全生命周期数据,其中,所述全生命周期数据包括客户下单数据、原料采购数据、产品生产数据、产品发货数据、产品使用数据、维修与保养数据,以及,回收数据或报废数据。考虑到产品的全生命周期中各个环节之间相互关联,即,材料来源的跟踪、生产进度的跟踪、物流信息的跟踪、产品售后使用情况跟踪、产品回收计划等之间相互关联,因此,可从全局层面对产品全生命周期数据进行处理和分析以得到产品的全生命状态是否正常或异常的数据分析结果,从而可对产品进行全生命周期监控,以优化全周期管理。因此,在本申请的技术方案中,首先获取待监控产品的全生命周期数据。
具体地,在所述基于工业物联网技术的产品全生命周期管理系统300的运行过程中,所述生命周期数据语义编码模块320,用于将所述全生命周期数据通过包含嵌入层的上下文编码器以得到多个节点全局语义特征向量。也就是,将所述全生命周期数据通过包含嵌入层的上下文编码器以得到多个节点全局语义特征向量。也就是,将所述全生命周期数据中各个数据项视为本文序列,并使用所述包含嵌入层的上下文编码器(例如,基于转换器的Bert模型)对所述全生命周期数据中各个数据项进行上下文语义理解以挖掘各个数据项的高维隐含特征信息以得到所述多个节点全局语义特征向量。这里,以所述全生命周期数据中的客户下单数据为例,首先将所述客户下单数据进行分词处理以得到词序列;接着,使用所述嵌入层分别将所述词序列中各个词转化为词特征向量以得到词特征向量的序列;然后,使用所述基于转换器的Bert模型对所述词特征向量的序列进行基于全局的上下文语义编码以得到多个上下文语义特征向量,并将所述多个上下文语义特征向量进行级联以得到所述节点全局语义特征向量。特别地,在申请的技术方案中,所述全生命周期数据中的一个数据项对应于一个所述节点全局语义特征向量。更具体地,所述使用所述基于转换器的Bert模型对所述词特征向量的序列进行基于全局的上下文语义编码以得到多个上下文语义特征向量,包括:将所述词特征向量的序列进行一维排列以得到全局特征向量;自注意单元,用于计算所述全局特征向量与所述词特征向量的序列各个词特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;注意力施加单元,用于分别以所述多个概率值中各个概率值作为权重对所述词特征向量的序列中各个词特征向量进行加权以得到所述多个上下文语义特征向量。
图3为根据本申请实施例的基于工业物联网技术的产品全生命周期管理系统中生命周期数据语义编码模块的框图。如图3所示,所述生命周期数据语义编码模块320,包括:分词单元321,用于对所述全生命周期数据进行分词处理以将所述全生命周期数据转化为由多个词组成的词序列;词嵌入单元322,用于使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;上下文理解单元323,用于使用所述包含嵌入层的上下文编码器的转化器对所述词向量的序列进行基于全局的上下文语义编码以得到多个上下文语义特征向量;以及,级联单元324,用于将所述多个上下文语义特征向量进行级联以得到所述多个节点全局语义特征向量。
具体地,在所述基于工业物联网技术的产品全生命周期管理系统300的运行过程中,所述聚合度优化模块330,用于对所述多个节点全局语义特征向量进行聚合度优化以得到多个校正后节点全局语义特征向量。特别地,在本申请的技术方案中,虽然通过所述使用具有第一尺度的一维卷积核的第一卷积神经网络和所述使用具有第一尺度的一维卷积核的第二卷积神经网络能够提升所述多个节点全局语义特征向量之间的局部语义度,即,优化所述多个节点全局语义特征向量之间的中距离依赖和短距离依赖。但是,因所述多个节点全局语义特征向量为所述所述全生命周期数据通过包含嵌入层的上下文编码器得到,在高维特征空间中,所述多个节点全局语义特征向量之间可能存在特征聚合度较为稀疏,这会影响到所述第一卷积神经网络和所述第二卷积神经网络的多尺度一维卷积编码的特征提取效果,进而影响所述分类特征向量通过所述分类器的分类结果的准确性。因此,考虑到如果将所述多个节点全局语义特征向量中的每个节点全局语义特征向量视为单个节点,则通过节点之间的距离表示,可以基于节点整体的拓扑结构确定节点之间的类概率特征聚合度,由此,计算每个节点全局语义特征向量对应的节点间类概率匹配特征向量,表示为:
其中Vi是所述各个节点全局语义特征向量,ε是预定阈值,Vj是所述多个节点全局语义特征向量中与所述节点全局语义特征向量Vi之间的距离,即d(Vi,Vj)小于预定阈值,即ε的节点全局语义特征向量,α为加权超参数,exp(·)表示向量的指数运算,表示按位置作差。也就是,如果将Vi作为拓扑结构的节点,则Vj可以被认为是在拓扑结构内部与所述节点Vi相连的节点,即i→j∈E,表示节点i与节点j之间具有边。这样,通过计算节点间类概率匹配特征向量,可以确定拓扑结构内的节点与相邻节点之间在类概率下的交互度,就可以提升多节点组成的拓扑结构内部的各个节点间的类概率特征聚合度,相当于在基于内部特征交互的特征聚合维度上对于节点特征施加注意力机制,从而提升所述多个节点全局语义特征向量的各个节点全局语义特征向量之间的特征聚合度。
具体地,在所述基于工业物联网技术的产品全生命周期管理系统300的运行过程中,所述第一尺度特征提取模块340和所述第二尺度特征提取模块350,用于将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络以得到第一尺度关联特征向量,以及,将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络以得到第二尺度关联特征向量。应可以理解,在产品全生命周期管理中,需捕捉待监控产品的全生命周期数据中各个数据项之间的关联,从而对产品进行全生命周期全局智能监控与评估,以优化全周期管理。具体地,在本申请的技术方案中,将所述多个节点全局语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络以得到第一尺度关联特征向量。也就是,通过一维卷积编码来捕捉所述多个节点全局语义特征向量中的高维局部隐含语义关联。但是,所述第一卷积神经网络的特征感受野受限于其所使用的一维卷积核的尺度。因此,为了扩大感受野以捕捉更多尺度范围内的语义关联特征,进一步地将所述多个节点全局语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络以得到第二尺度关联特征向量。所述第二卷积神经网络模型的一维卷积核的第二尺度等于所述上下文关联体征特征向量的长度的整数倍(倍数并不相同),这样在利用所述第二卷积神经网络模型对所述一维特征向量进行一维卷积编码时能捕捉各个时间点的全局语义体征特征表示间的高维隐含关联模式特征。也就是,在本申请的技术方案中,所述第一尺度不同于所述第二尺度,但所述第二尺度与所述第一尺度都是所述上下文关联体征特征向量的长度的整数倍。在一个示例中,所述第一卷积神经网络和所述第二卷积神经网络包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在所述第一卷积神经网络和所述第二卷积神经网络的编码过程中,所述第一卷积神经网络和所述第二卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图4为根据本申请实施例的基于工业物联网技术的产品全生命周期管理系统中第一卷积神经网络编码的流程图。如图4所示,在所述第一卷积神经网络编码过程中,包括:使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:S210,对输入数据进行卷积处理以得到卷积特征图;S220,对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,S230,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用具有第一尺度的一维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度关联特征向量,所述使用具有第一尺度的一维卷积核的第一卷积神经网络的第一层的输入为所述一维特征向量。
具体地,在所述基于工业物联网技术的产品全生命周期管理系统300的运行过程中,所述多尺度融合模块360,用于融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量。也就是,融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到包含多尺度关联隐含特征的分类特征向量。在本申请的一个具体示例中,可通过级联地方式来融合所述第一尺度关联特征向量和所述第二尺度关联特征向量,具体地,以如下公式融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量;其中,所述公式为:Vc=Concat[V1,V2],其中,V1表示所述第一尺度关联特征向量,V2表示所述第二尺度关联特征向量,Concat[·,·]表示级联函数,Vc表示所述分类特征向量。
具体地,在所述基于工业物联网技术的产品全生命周期管理系统300的运行过程中,所述管理结果生成模块370,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监控产品的全生命状态是否正常。在本申请的技术方案中,将所述分类特征向量通过分类器以得到分类结果,并使用分类器来确定所述分类特征向量所属的类概率标签,其中,所述类概率标签包括待监控产品的全生命状态正常的第一标签,以及,待监控产品的全生命状态不正常的第二标签。在本申请的一个具体示例中,所述将所述分类特征向量通过分类器以得到分类结果,包括:使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果,其中,所述公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为分类特征向量。具体地,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中,在所述分类器的分类处理中,使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量;进而,将所述编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到用于表示待监控产品的全生命状态是否正常的分类结果。
图5为根据本申请实施例的基于工业物联网技术的产品全生命周期管理系统中管理结果生成模块的框图。如图5所示,所述管理结果生成模块370,包括:全连接编码单元371,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元372,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的基于工业物联网技术的产品全生命周期管理系统300被阐明,其通过采用基于深度学习的神经网络模型,使用包含嵌入层的上下文编码器挖掘出全生命周期数据中各个数据项的高维隐含特征信息以得到多个节点全局语义特征向量,以及,通过多尺度一维卷积编码来捕捉所述多个节点全局语义特征向量中的高维局部隐含语义关联,进一步融合多尺度语义关联特征得到分类特征向量以进行分类。这样,能够对产品进行全生命周期监控,进而实现对产品进行优化地全生命周期的管理。
如上所述,根据本申请实施例的基于工业物联网技术的产品全生命周期管理系统可以实现在各种终端设备中。在一个示例中,根据本申请实施例的基于工业物联网技术的产品全生命周期管理系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于工业物联网技术的产品全生命周期管理系统300可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于工业物联网技术的产品全生命周期管理系统300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于工业物联网技术的产品全生命周期管理系统300与该终端设备也可以是分立的设备,并且该基于工业物联网技术的产品全生命周期管理系统300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图6为根据本申请实施例的基于工业物联网技术的产品全生命周期管理方法的流程图。如图6所示,根据本申请实施例的基于工业物联网技术的产品全生命周期管理方法,包括步骤:S110,获取待监控产品的全生命周期数据,其中,所述全生命周期数据包括客户下单数据、原料采购数据、产品生产数据、产品发货数据、产品使用数据、维修与保养数据,以及,回收数据或报废数据;S120,将所述全生命周期数据通过包含嵌入层的上下文编码器以得到多个节点全局语义特征向量;S130,对所述多个节点全局语义特征向量进行聚合度优化以得到多个校正后节点全局语义特征向量;S140,将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络以得到第一尺度关联特征向量;S150,将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络以得到第二尺度关联特征向量;S160,融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量;以及,S170,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监控产品的全生命状态是否正常。
在一个示例中,在上述基于工业物联网技术的产品全生命周期管理方法中,所述步骤S120,包括:对所述全生命周期数据进行分词处理以将所述全生命周期数据转化为由多个词组成的词序列;使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;使用所述包含嵌入层的上下文编码器的转化器对所述词向量的序列进行基于全局的上下文语义编码以得到多个上下文语义特征向量;以及,将所述多个上下文语义特征向量进行级联以得到所述多个节点全局语义特征向量。
在一个示例中,在上述基于工业物联网技术的产品全生命周期管理方法中,所述步骤S130,包括:以如下公式计算每个节点全局语义特征向量对应的节点间类概率匹配特征向量;
其中,所述公式为:
其中Vi是所述各个节点全局语义特征向量,ε是预定阈值,Vj是所述多个节点全局语义特征向量中与所述节点全局语义特征向量Vi之间的距离,即d(Vi,Vj)小于预定阈值,即ε的节点全局语义特征向量,α为加权超参数,exp(·)表示向量的指数运算,表示按位置作差。
在一个示例中,在上述基于工业物联网技术的产品全生命周期管理方法中,所述步骤S140,包括:使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用具有第一尺度的一维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度关联特征向量,所述使用具有第一尺度的一维卷积核的第一卷积神经网络的第一层的输入为所述一维特征向量。
在一个示例中,在上述基于工业物联网技术的产品全生命周期管理方法中,所述步骤S150,包括:使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用具有第二尺度的一维卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度关联特征向量,所述使用具有第二尺度的一维卷积核的第二卷积神经网络的第一层的输入为所述一维特征向量。
在一个示例中,在上述基于工业物联网技术的产品全生命周期管理方法中,所述步骤S160,包括:以如下公式融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量;其中,所述公式为:
Vc=Concat[V1,V2]
其中,V1表示所述第一尺度关联特征向量,V2表示所述第二尺度关联特征向量,Concat[·,·]表示级联函数,Vc表示所述分类特征向量。
在一个示例中,在上述基于工业物联网技术的产品全生命周期管理方法中,所述步骤S170,包括:使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的基于工业物联网技术的产品全生命周期管理方法被阐明,其通过采用基于深度学习的神经网络模型,使用包含嵌入层的上下文编码器挖掘出全生命周期数据中各个数据项的高维隐含特征信息以得到多个节点全局语义特征向量,以及,通过多尺度一维卷积编码来捕捉所述多个节点全局语义特征向量中的高维局部隐含语义关联,进一步融合多尺度语义关联特征得到分类特征向量以进行分类。这样,能够对产品进行全生命周期监控,进而实现对产品进行优化地全生命周期的管理。
示例性电子设备
下面,参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于工业物联网技术的产品全生命周期管理系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如第二尺度关联特征向量等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的基于工业物联网技术的产品全生命周期管理方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的基于工业物联网技术的产品全生命周期管理方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于工业物联网技术的产品全生命周期管理系统,其特征在于,包括:
全生命周期数据获取模块,用于获取待监控产品的全生命周期数据,其中,所述全生命周期数据包括客户下单数据、原料采购数据、产品生产数据、产品发货数据、产品使用数据、维修与保养数据,以及,回收数据或报废数据;
生命周期数据语义编码模块,用于将所述全生命周期数据通过包含嵌入层的上下文编码器以得到多个节点全局语义特征向量;
聚合度优化模块,用于对所述多个节点全局语义特征向量进行聚合度优化以得到多个校正后节点全局语义特征向量;
第一尺度特征提取模块,用于将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络以得到第一尺度关联特征向量;
第二尺度特征提取模块,用于将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络以得到第二尺度关联特征向量;
多尺度融合模块,用于融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量;以及
管理结果生成模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监控产品的全生命状态是否正常。
2.根据权利要求1所述的基于工业物联网技术的产品全生命周期管理系统,其特征在于,所述生命周期数据语义编码模块,包括:
分词单元,用于对所述全生命周期数据进行分词处理以将所述全生命周期数据转化为由多个词组成的词序列;
词嵌入单元,用于使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;
上下文理解单元,用于使用所述包含嵌入层的上下文编码器的转化器对所述词向量的序列进行基于全局的上下文语义编码以得到多个上下文语义特征向量;以及
级联单元,用于将所述多个上下文语义特征向量进行级联以得到所述多个节点全局语义特征向量。
4.根据权利要求3所述的基于工业物联网技术的产品全生命周期管理系统,其特征在于,所述第一尺度特征提取模块,包括:使用具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述使用具有第一尺度的一维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度关联特征向量,所述使用具有第一尺度的一维卷积核的第一卷积神经网络的第一层的输入为所述一维特征向量。
5.根据权利要求4所述的基于工业物联网技术的产品全生命周期管理系统,其特征在于,所述第二尺度特征提取模块,包括:使用具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述使用具有第二尺度的一维卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度关联特征向量,所述使用具有第二尺度的一维卷积核的第二卷积神经网络的第一层的输入为所述一维特征向量。
6.根据权利要求5所述的基于工业物联网技术的产品全生命周期管理系统,其特征在于,所述多尺度融合模块,进一步用于:以如下公式融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量;
其中,所述公式为:
Vc=Convat[V1,V2]
其中,V1表示所述第一尺度关联特征向量,V2表示所述第二尺度关联特征向量,Concat[·,·]表示级联函数,Vc表示所述分类特征向量。
7.根据权利要求6所述的基于工业物联网技术的产品全生命周期管理系统,其特征在于,所述管理结果生成模块,包括:
全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类结果生成单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
8.一种基于工业物联网技术的产品全生命周期管理方法,其特征在于,包括:
获取待监控产品的全生命周期数据,其中,所述全生命周期数据包括客户下单数据、原料采购数据、产品生产数据、产品发货数据、产品使用数据、维修与保养数据,以及,回收数据或报废数据;
将所述全生命周期数据通过包含嵌入层的上下文编码器以得到多个节点全局语义特征向量;
对所述多个节点全局语义特征向量进行聚合度优化以得到多个校正后节点全局语义特征向量;
将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第一尺度的一维卷积核的第一卷积神经网络以得到第一尺度关联特征向量;
将所述多个校正后节点全局语义特征向量排列为一维特征向量后通过使用具有第二尺度的一维卷积核的第二卷积神经网络以得到第二尺度关联特征向量;
融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量;以及
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监控产品的全生命状态是否正常。
9.根据权利要求8所述的基于工业物联网技术的产品全生命周期管理方法,其特征在于,所述融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量,包括:以如下公式融合所述第一尺度关联特征向量和所述第二尺度关联特征向量以得到分类特征向量;
其中,所述公式为:
Vc=Concat[V1,V2]
其中,V1表示所述第一尺度关联特征向量,V2表示所述第二尺度关联特征向量,Concat[·,·]表示级联函数,Vc表示所述分类特征向量。
10.根据权利要求9所述的基于工业物联网技术的产品全生命周期管理方法,其特征在于,所述将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示待监控产品的全生命状态是否正常,包括:
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137125.8A CN116151845A (zh) | 2023-02-20 | 2023-02-20 | 基于工业物联网技术的产品全生命周期管理系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137125.8A CN116151845A (zh) | 2023-02-20 | 2023-02-20 | 基于工业物联网技术的产品全生命周期管理系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116151845A true CN116151845A (zh) | 2023-05-23 |
Family
ID=86338699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310137125.8A Pending CN116151845A (zh) | 2023-02-20 | 2023-02-20 | 基于工业物联网技术的产品全生命周期管理系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151845A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739219A (zh) * | 2023-06-29 | 2023-09-12 | 安徽鼎硕新材料有限公司 | 熔喷布生产管理系统及其方法 |
CN117236665A (zh) * | 2023-11-14 | 2023-12-15 | 中国信息通信研究院 | 物资生产调度优化方法及系统 |
CN117649154A (zh) * | 2024-01-29 | 2024-03-05 | 新疆三联工程建设有限责任公司 | 基于数字化的砼试块制作全过程管理系统及方法 |
-
2023
- 2023-02-20 CN CN202310137125.8A patent/CN116151845A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739219A (zh) * | 2023-06-29 | 2023-09-12 | 安徽鼎硕新材料有限公司 | 熔喷布生产管理系统及其方法 |
CN117236665A (zh) * | 2023-11-14 | 2023-12-15 | 中国信息通信研究院 | 物资生产调度优化方法及系统 |
CN117236665B (zh) * | 2023-11-14 | 2024-02-09 | 中国信息通信研究院 | 物资生产调度优化方法及系统 |
CN117649154A (zh) * | 2024-01-29 | 2024-03-05 | 新疆三联工程建设有限责任公司 | 基于数字化的砼试块制作全过程管理系统及方法 |
CN117649154B (zh) * | 2024-01-29 | 2024-04-19 | 新疆三联工程建设有限责任公司 | 基于数字化的砼试块制作全过程管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115203380B (zh) | 基于多模态数据融合的文本处理系统及其方法 | |
CN115796173B (zh) | 针对监管报送需求的数据处理方法和系统 | |
CN116151845A (zh) | 基于工业物联网技术的产品全生命周期管理系统及其方法 | |
CN115783923B (zh) | 基于大数据的电梯故障模式识别系统 | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及系统 | |
CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其系统 | |
CN116247824B (zh) | 电力设备的控制方法及其系统 | |
CN117077075A (zh) | 用于环境保护的水质监测系统及其方法 | |
CN115205788A (zh) | 食材质量监控系统 | |
CN116759053A (zh) | 基于物联网系统的医疗体系防控方法及系统 | |
CN116151604A (zh) | 一种web环境下办公系统流程分析系统及其方法 | |
CN116451139A (zh) | 一种基于人工智能的直播数据快速分析方法 | |
CN117316462A (zh) | 一种医疗数据管理方法 | |
CN116526670A (zh) | 面向电力大数据可视化的信息融合方法 | |
CN112800217A (zh) | 基于向量关联性矩阵的政务事务处理报告的智能评估方法 | |
CN116739219A (zh) | 熔喷布生产管理系统及其方法 | |
CN115035455A (zh) | 一种基于对抗多模态领域自适应的跨类别视频时间定位方法、系统和存储介质 | |
Shang et al. | Structured low-rank matrix factorization with missing and grossly corrupted observations | |
CN116307446B (zh) | 服装供应链管理系统 | |
CN117250521B (zh) | 充电桩电池容量监测系统及方法 | |
CN117521606B (zh) | 用于财务数据的智能报表生成系统及方法 | |
CN116662490B (zh) | 融合层次化标签信息的去混淆文本哈希算法和装置 | |
CN116684769B (zh) | 基于光通讯场景下数字孪生的数据获取方法及系统 |
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 |