CN116561289B - 一种数字工厂的实时监控方法及系统 - Google Patents
一种数字工厂的实时监控方法及系统 Download PDFInfo
- Publication number
- CN116561289B CN116561289B CN202310394608.6A CN202310394608A CN116561289B CN 116561289 B CN116561289 B CN 116561289B CN 202310394608 A CN202310394608 A CN 202310394608A CN 116561289 B CN116561289 B CN 116561289B
- Authority
- CN
- China
- Prior art keywords
- quality inspection
- product quality
- target
- network
- text
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000007689 inspection Methods 0.000 claims abstract description 596
- 239000000047 product Substances 0.000 claims abstract description 414
- 238000011156 evaluation Methods 0.000 claims abstract description 65
- 239000013067 intermediate product Substances 0.000 claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000000275 quality assurance Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 18
- 238000013473 artificial intelligence Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000003908 quality control method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 3
- 238000012372 quality testing Methods 0.000 claims 6
- 238000012360 testing method Methods 0.000 description 17
- 230000004044 response Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Factory Administration (AREA)
Abstract
本发明实施例提供的数字工厂的实时监控方法及系统，通过确定目标评估数据，然后利用目标评估数据对中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络，故利用目标产品质量判别网络对待监控产品质检文本进行质检标签确定时，在获得待监控产品质检文本在不少于一个扩展质检标签对应的原始权重之后，目标产品质量判别网络通过目标评估数据对不少于一个扩展质检标签对应的原始权重进行优化，获得精度更高的目标权重，进而在利用目标权重确定待监控产品质检文本对应的质检标签时，提高进行质检标签识别的精度。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种数字工厂的实时监控方法及系统。
背景技术
随着信息技术的不断发展，三维数字化工厂逐渐普及，三维数字化工厂以企业管理创新与数据集成的优势逐步被更多企业采用。作为公司生产运营管控信息的载体，三维数字化工厂可以实现公司的生产、能源、安防和设备的一体化运维管控，从而确保管理决策科学化。三维数字工厂是在计算机虚拟环境中，对整个生产过程进行仿真、评估和优化，并进一步扩展到整个产品生命周期的新型生产组织方式。是现代数字制造技术与计算机仿真技术相结合的产物，主要作为沟通产品设计和产品制造之间的桥梁。当下，数字工厂的产品质量监控面临的挑战越来越严峻，因此亟需一种技术来提高产品的质量监控精度。
发明内容
为改善相关技术中存在的技术问题，本发明提供了一种数字工厂的实时监控方法及系统。
第一方面，本发明实施例提供了一种数字工厂的实时监控方法，应用于人工智能监控系统，所述方法包括：
利用第一已认证产品质检文本序列和第二已认证产品质检文本序列，对基础产品质量判别网络进行循环调试，直至符合循环结束要求，获得中间产品质量判别网络，其中，所述第一已认证产品质检文本序列对应不少于一个扩展质检标签，所述第二已认证产品质检文本序列对应多个先验质检标签；
获取多个已认证产品质检优化文本，并将每个所述已认证产品质检优化文本加载至所述中间产品质量判别网络，获得相应的已认证产品质检优化文本在所述不少于一个扩展质检标签对应的第一扩展质检标签权重，以及在所述多个先验质检标签对应的第一先验质检标签权重，每个所述已认证产品质检优化文本对应一个所述扩展质检标签或一个所述先验质检标签；
通过获得的第一扩展质检标签权重和第一先验质检标签权重确定目标评估数据，并利用所述目标评估数据，对所述中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络。
在一些可选的实施例中，所述通过获得的第一扩展质检标签权重和第一先验质检标签权重确定目标评估数据，包括：
通过获得的第一扩展质检标签权重，确定所述不少于一个扩展质检标签对应的第一检测误差数据；
通过获得的第一先验质检标签权重，确定所述多个先验质检标签对应的第二检测误差数据；
将所述第一检测误差数据与所述第二检测误差数据的比较结果，作为所述目标评估数据。
在一些可选的实施例中，所述利用所述目标评估数据，对所述中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络，包括：
在所述中间产品质量判别网络的生成单元中增添所述目标评估数据，获得所述目标产品质量判别网络，其中，所述目标评估数据用于对所述不少于一个扩展质检标签对应的扩展质检标签权重进行优化。
在一些可选的实施例中，所述第二已认证产品质检文本序列是从用于调试所述基础产品质量判别网络的前序调试样本中筛选的；所述利用所述目标评估数据，对所述中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络之后，还包括：
将所述第一已认证产品质检文本序列作为调试示例增添至所述前序调试样本中，以及将所述不少于一个扩展质检标签作为先验质检标签增添至所述多个先验质检标签中。
在一些可选的实施例中，所述利用第一已认证产品质检文本序列和第二已认证产品质检文本序列，对基础产品质量判别网络进行循环调试之前，利用以下其中一种思路确定所述基础产品质量判别网络：
将通用的产品质量判别网络，作为所述基础产品质量判别网络；
将利用前序调试样本调试获得的产品质量判别网络，作为所述基础产品质量判别网络；
将利用前序调试样本进行调试，且利用前序评估数据进行标签判别优化获得的产品质量判别网络，作为所述基础产品质量判别网络。
在一些可选的实施例中，所述获取多个已认证产品质检优化文本，包括：
分别从所述第一已认证产品质检文本序列和所述第二已认证产品质检文本序列中，筛选获得所述多个已认证产品质检优化文本；
或者，从所述第一已认证产品质检文本序列和所述第二已认证产品质检文本序列之外的剩余认证文本序列中，筛选获得所述多个已认证产品质检优化文本。
在一些可选的实施例中，在对所述基础产品质量判别网络进行循环调试时，每轮循环过程包括以下步骤：
将所述第一已认证产品质检文本序列中的每个第一已认证产品质检文本加载至所述基础产品质量判别网络，获得相应的第一已认证产品质检文本在所述不少于一个扩展质检标签对应的第二扩展质检标签权重，以及在所述多个先验质检标签对应的第二先验质检标签权重；
将所述第二已认证产品质检文本序列中的每个第二已认证产品质检文本加载至所述基础产品质量判别网络，获得相应的第二已认证产品质检文本在所述不少于一个扩展质检标签对应的第三扩展质检标签权重，以及在所述多个先验质检标签对应的第三先验质检标签权重；
通过获得的第二扩展质检标签权重、第二先验质检标签权重、第三扩展质检标签权重以及第三先验质检标签权重，确定目标代价指数，并利用所述目标代价指数对所述基础产品质量判别网络进行网络参量改进。
在一些可选的实施例中，所述通过获得的第二扩展质检标签权重、第二先验质检标签权重、第三扩展质检标签权重以及第三先验质检标签权重，确定目标代价指数，包括：
通过获得的第二扩展质检标签权重、第二先验质检标签权重、第三扩展质检标签权重以及第三先验质检标签权重，确定第一目标调试代价指数；
通过获得的第二先验质检标签权重，以及第三先验质检标签权重，确定第二目标调试代价指数；
通过所述第一目标调试代价指数和所述第二目标调试代价指数，确定所述目标代价指数。
在一些可选的实施例中，所述基础产品质量判别网络是利用前序评估数据对相应的前序产品质量判别网络进行标签判别优化后获得的；所述通过获得的第二先验质检标签权重，以及第三先验质检标签权重，确定第二目标调试代价指数，包括：
将所述第一已认证产品质检文本序列中的每个第一已认证产品质检文本加载至所述前序产品质量判别网络，获得相应的第一已认证产品质检文本在所述多个先验质检标签对应的第一中间权重；
将所述第二已认证产品质检文本序列中的每个第二已认证产品质检文本加载至所述前序产品质量判别网络，获得相应的第二已认证产品质检文本在所述多个先验质检标签对应的第二中间权重；
通过获得的第一中间权重、第二中间权重、第二先验质检标签权重，以及第三先验质检标签权重，确定第二目标调试代价指数。
本发明实施例还提供了一种数字工厂的实时监控方法，应用于人工智能监控系统，所述方法包括：
将待监控产品质检文本加载至目标产品质量判别网络，获得所述待监控产品质检文本在多个先验质检标签各自对应的原始权重，以及在不少于一个扩展质检标签对应的优化后的目标权重；
通过所述多个先验质检标签各自对应的原始权重，以及所述不少于一个扩展质检标签各自对应的目标权重，从所述多个先验质检标签和所述不少于一个扩展质检标签中，确定所述待监控产品质检文本对应的目标质检标签。
在一些可选的实施例中，所述将待监控产品质检文本加载至目标产品质量判别网络，获得所述待监控产品质检文本在多个先验质检标签各自对应的原始权重，以及在不少于一个扩展质检标签对应的优化后的目标权重，包括：
通过所述目标产品质量判别网络，对所述待监控产品质检文本进行文本向量挖掘，获得目标文本向量关系网，并通过所述目标文本向量关系网，确定所述待监控产品质检文本在所述不少于一个扩展质检标签和所述多个先验质检标签各自对应的原始权重；
通过所述目标产品质量判别网络，利用目标评估数据对所述不少于一个扩展质检标签各自对应的原始权重进行优化，获得所述不少于一个扩展质检标签各自对应的目标权重。
第二方面，本发明还提供了一种人工智能监控系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
本发明实施例中，利用第一、第二已认证产品质检文本序列对基础产品质量判别网络进行循环调试，获得中间产品质量判别网络，使得中间产品质量判别网络不仅能够掌握扩展质检标签的判别规则，还能够保留先验质检标签的判别规则。通过中间产品质量判别网络对多个已认证产品质检优化文本进行质检标签识别，并通过获得的多个已认证产品质检优化文本在扩展、先验质检标签下的权重，确定目标评估数据，再利用目标评估数据对中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络，使得目标产品质量判别网络在扩展、先验质检标签下生成的权重的稳定性得以保证，进而提高了产品质量判别网络进行质检标签识别的精度。此外，立刻利用目标评估数据对中间产品质量判别网络进行标签判别优化，不必基于反复调试实现对中间产品质量判别网络的标签判别优化，提升了网络调试的时效性，避免过多的运算处理开销。
进一步地，通过确定目标评估数据，然后利用目标评估数据对中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络，故利用目标产品质量判别网络对待监控产品质检文本进行质检标签确定时，在获得待监控产品质检文本在不少于一个扩展质检标签对应的原始权重之后，目标产品质量判别网络通过目标评估数据对不少于一个扩展质检标签对应的原始权重进行优化，获得精度更高的目标权重，进而在利用目标权重确定待监控产品质检文本对应的质检标签时，提高进行质检标签识别的精度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种数字工厂的实时监控方法的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在人工智能监控系统、计算机设备或者类似的运算装置中执行。以运行在人工智能监控系统上为例，人工智能监控系统可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器，可选地，上述人工智能监控系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述人工智能监控系统的结构造成限定。例如，人工智能监控系统还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。
存储器可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种数字工厂的实时监控方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至人工智能监控系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括人工智能监控系统的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
基于此，请参阅图1，图1是本发明实施例所提供的一种数字工厂的实时监控方法的流程示意图，该方法应用于人工智能监控系统，进一步可以包括STEP01-STEP03。
STEP01，利用第一已认证产品质检文本序列和第二已认证产品质检文本序列，对基础产品质量判别网络进行循环调试，直至符合循环结束要求，获得中间产品质量判别网络。
示例性的，第一已认证产品质检文本序列与第二已认证产品质检文本序列是不存在交叉的产品质检文本示例序列。第一已认证产品质检文本序列对应不少于一个扩展质检标签，第二已认证产品质检文本序列对应多个先验质检标签，不少于一个扩展质检标签与多个先验质检标签不存在交叉的质检标签。进一步地，第一已认证产品质检文本可以理解为额外增加的文本样例，第二已认证产品质检文本可以理解为之前就存在的文本样例，换言之，第一已认证产品质检文本为扩展文本样例，第二已认证产品质检文本为在先文本样例。相应地，扩展质检标签为额外增加的质检标签，先验质检标签为在先的质检标签。
在第一已认证产品质检文本序列中，每个扩展质检标签对应不少于一个第一已认证产品质检文本。在第二已认证产品质检文本序列中，每个先验质检标签对应不少于一个第二已认证产品质检文本。进一步地，不同的质检标签反映不同已认证产品质检文本对应的质量监控类别，比如扩展质检标签tag1反映第一已认证产品质检文本text1的质量监控类别为“存在用户数据泄露”，先验质检标签tag2反映第二已认证产品质检文本text2的质量监控类别为“缓存文件过多”等。
进一步地，基础产品质量判别网络可以理解为初始的产品质量判别网络，产品质量判别网络用于对产品质检文本进行质检标签识别和确定，从而总结出产品质检文本对应的质量监控类别。循环调试可以理解为对基础产品质量判别网络进行迭代训练，中间产品质量判别网络可以理解为过渡的、非最终得到的产品质量判别网络。
在一些设计思路下，循环结束要求可以是循环轮次达到设定轮次，也可以是代价指数符合稳定状态要求等。
STEP02，获取多个已认证产品质检优化文本，并将每个已认证产品质检优化文本加载至中间产品质量判别网络，获得相应的已认证产品质检优化文本在不少于一个扩展质检标签对应的第一扩展质检标签权重，以及在多个先验质检标签对应的第一先验质检标签权重。
示例性的，每个已认证产品质检优化文本对应一个扩展质检标签或一个先验质检标签。在多个已认证产品质检优化文本中，一个扩展质检标签对应不少于一个已认证产品质检优化文本，一个先验质检标签对应不少于一个已认证产品质检优化文本。已认证产品质检优化文本在每个扩展质检标签对应一个第一扩展质检标签权重，第一扩展质检标签权重表示该已认证产品质检优化文本在一个扩展质检标签的标签识别置信度；已认证产品质检优化文本在每个先验质检标签对应一个第一先验质检标签权重，第一先验质检标签权重表示该已认证产品质检优化文本在一个先验质检标签的标签识别置信度。
在一些示例性技术方案中，不少于一个扩展质检标签对应的已认证产品质检优化文本的总数目与多个先验质检标签对应的已认证产品质检优化文本的总数目是一致的。
STEP03，通过获得的第一扩展质检标签权重和第一先验质检标签权重确定目标评估数据，并利用目标评估数据，对中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络。
示例性的，利用目标评估数据，对中间产品质量判别网络进行标签判别优化，可以指利用同一个目标评估数据，对中间产品质量判别网络解析获得的不少于一个扩展质检标签各自对应的扩展质检标签权重进行优化（修正），再标签判别优化后的扩展质检标签权重；也可以指利用同一个目标评估数据，对中间产品质量判别网络解析获得的多个先验质检标签各自对应的先验质检标签权重进行优化，再标签判别优化后的先验质检标签权重。目标产品质量判别网络则可以理解为最终得到的、可以投入实际应用的产品质量判别网络。
本发明实施例中，利用第一、第二已认证产品质检文本序列对基础产品质量判别网络进行循环调试，获得中间产品质量判别网络，使得中间产品质量判别网络不仅能够掌握扩展质检标签的判别规则，还能够保留先验质检标签的判别规则。通过中间产品质量判别网络对多个已认证产品质检优化文本进行质检标签识别，并通过获得的多个已认证产品质检优化文本在扩展、先验质检标签下的权重，确定目标评估数据，再利用目标评估数据对中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络，使得目标产品质量判别网络在扩展、先验质检标签下生成的权重的稳定性得以保证，进而提高了产品质量判别网络进行质检标签识别的精度。此外，立刻利用目标评估数据对中间产品质量判别网络进行标签判别优化，不必基于反复调试实现对中间产品质量判别网络的标签判别优化，提升了网络调试的时效性，避免过多的运算处理开销。
在一些可能的示例中，对于STEP01而言，利用第一已认证产品质检文本序列和第二已认证产品质检文本序列，对基础产品质量判别网络进行循环调试之前，利用以下其中一种思路确定基础产品质量判别网络。
思路1、将通用的产品质量判别网络，作为基础产品质量判别网络。
思路2、将利用前序调试样本调试获得的产品质量判别网络，作为基础产品质量判别网络。
示例性的，基础产品质量判别网络是利用前序调试样本对通用的产品质量判别网络进行循环调试获得的，此时，基础产品质量判别网络中的网络参量不是通用的网络参量。其中，通用的网络参量可以理解为初始化的、默认的网络参量。
基础产品质量判别网络也可以是利用前序调试样本对已调试的产品质量判别网络进行循环调试获得的，此时，已调试的产品质量判别网络和基础产品质量判别网络中的网络参量皆不是通用的网络参量。
思路3、将利用前序调试样本进行调试，且利用前序评估数据进行标签判别优化获得的产品质量判别网络，作为基础产品质量判别网络。
示例性的，基础产品质量判别网络是利用前序调试样本对通用的产品质量判别网络进行循环调试，并在调试结束后利用前序评估数据进行标签判别优化获得的，此时，基础产品质量判别网络中的网络参量不是通用的网络参量。
基础产品质量判别网络也可以是利用前序调试样本对已调试的产品质量判别网络进行循环调试获得的，并在调试结束后利用前序评估数据进行标签判别优化获得的，此时，已调试的产品质量判别网络和基础产品质量判别网络中的网络参量皆不是通用的网络参量。
本发明实施例中的数字工厂的实时监控方法可应用于基础产品质量判别网络为通用的产品质量判别网络、已调试的产品质量判别网络、已调试且进行标签判别优化的产品质量判别网络等多种产品质量判别网络，从而保障产品质量判别网络调试的沿用性。
在一些可能的示例中，对于STEP01而言，在对基础产品质量判别网络进行循环调试时，每轮循环过程包括以下相关步骤。
NODE01，将第一已认证产品质检文本序列中的每个第一已认证产品质检文本加载至基础产品质量判别网络，获得相应的第一已认证产品质检文本在不少于一个扩展质检标签对应的第二扩展质检标签权重，以及在多个先验质检标签对应的第二先验质检标签权重。
示例性的，一个第一已认证产品质检文本在每个扩展质检标签对应一个第二扩展质检标签权重，第二扩展质检标签权重表示：基础产品质量判别网络生成的该第一已认证产品质检文本在一个扩展质检标签的标签识别置信度；一个第一已认证产品质检文本在每个先验质检标签对应一个第二先验质检标签权重，第二先验质检标签权重表示：基础产品质量判别网络生成的该第一已认证产品质检文本在一个先验质检标签的标签识别置信度。
对于每个第一已认证产品质检文本，在获得第一已认证产品质检文本在不少于一个扩展质检标签对应的第二扩展质检标签权重，以及在多个先验质检标签对应的第二先验质检标签权重之后，通过获得的各个第二扩展质检标签权重和各个第二先验质检标签权重，确定该第一已认证产品质检文本在不少于一个扩展质检标签和多个先验质检标签各自对应的识别可能性。
对于每个第一已认证产品质检文本，事先注释该第一已认证产品质检文本对应的正确标签，并相应注释该第一已认证产品质检文本在不少于一个扩展质检标签和多个质检标签各自对应的实际可能性。
比如，设定不少于一个扩展质检标签分别为扩展质检标签new tag1和扩展质检标签new tag2，多个先验质检标签分别为先验质检标签previous tag1、先验质检标签previous tag2和先验质检标签previous tag3，第一已认证产品质检文本new eg_A对应的正确标签为扩展质检标签new tag1，则将第一已认证产品质检文本new eg_A在扩展质检标签new tag1对应的实际可能性配置成1，在扩展质检标签new tag2对应的实际可能性配置成0，在先验质检标签previous tag1、先验质检标签previous tag2和先验质检标签previous tag3对应的实际可能性均配置成0。
NODE02，将第二已认证产品质检文本序列中的每个第二已认证产品质检文本加载至基础产品质量判别网络，获得相应的第二已认证产品质检文本在不少于一个扩展质检标签对应的第三扩展质检标签权重，以及在多个先验质检标签对应的第三先验质检标签权重。
示例性的，一个第二已认证产品质检文本在每个扩展质检标签对应一个第三扩展质检标签权重，第三扩展质检标签权重表示：基础产品质量判别网络生成的该第二已认证产品质检文本在一个扩展质检标签的标签识别置信度；一个第二已认证产品质检文本在每个先验质检标签对应一个第三先验质检标签权重，第三先验质检标签权重表示：基础产品质量判别网络生成的该第二已认证产品质检文本在一个先验质检标签的标签识别置信度。
对于每个第二已认证产品质检文本，在获得第二已认证产品质检文本在不少于一个扩展质检标签对应的第三扩展质检标签权重，以及在多个先验质检标签对应的第三先验质检标签权重之后，通过获得的各个第三扩展质检标签权重和各个第三先验质检标签权重，确定该第二已认证产品质检文本在不少于一个扩展质检标签和多个先验质检标签各自对应的识别可能性。
对于每个第二已认证产品质检文本，事先注释该第二已认证产品质检文本对应的正确标签，并相应注释该第二已认证产品质检文本在不少于一个扩展质检标签和多个质检标签各自对应的实际可能性。
NODE03，通过获得的第二扩展质检标签权重、第二先验质检标签权重、第三扩展质检标签权重以及第三先验质检标签权重，确定目标代价指数，并利用目标代价指数对基础产品质量判别网络进行网络参量改进。
示例性的，通过各个第一已认证产品质检文本在不少于一个扩展质检标签和多个先验质检标签各自对应的识别可能性和实际可能性，以及各个第二已认证产品质检文本在不少于一个扩展质检标签和多个先验质检标签各自对应的识别可能性和实际可能性，确定目标代价指数。
其中，代价指数可以是网络训练中的损失值，可以根据目标代价指数确定基础产品质量判别网络是否趋于稳定。当确定基础产品质量判别网络未趋于稳定时，根据目标代价指数对基础产品质量判别网络进行网络参量改进。并通过网络参量改进后的基础产品质量判别网络进行下一次的调试。当确定基础产品质量判别网络趋于稳定时，结束调试，输出中间产品质量判别网络。此外，本发明实施例中也可以在循环调试次数达到设定轮次时，结束调试，输出已调试的中间产品质量判别网络。
本发明实施例中，利用第一已认证产品质检文本序列和第二已认证产品质检文本序列对基础产品质量判别网络进行扩展循环调试，在调试过程中，通过多个第一已认证产品质检文本分别为扩展、先验质检标签的权重，以及多个第二已认证产品质检文本分别为扩展、先验质检标签的权重，调整网络参量，使得基础产品质量判别网络循序渐进地掌握确定扩展质检标签的功能，并保留先验质检标签的判别规则，从而提高产品质量判别网络的精度。
在一些可能的示例中，在对产品质量判别网络进行循环调试的过程中，本发明实施例至少利用以下实施方式确定目标代价指数：通过获得的第二扩展质检标签权重、第二先验质检标签权重、第三扩展质检标签权重以及第三先验质检标签权重，确定第一目标调试代价指数。然后通过获得的第二先验质检标签权重，以及第三先验质检标签权重，确定第二目标调试代价指数。再通过第一目标调试代价指数和第二目标调试代价指数，确定目标代价指数。
示例性的，通过每个第一已认证产品质检文本对应的第二扩展质检标签权重和第二先验质检标签权重，确定每个第一已认证产品质检文本在不少于一个扩展质检标签和多个先验质检标签各自对应的识别可能性。通过每个第二已认证产品质检文本对应的第三扩展质检标签权重和第三先验质检标签权重，确定每个第二已认证产品质检文本在不少于一个扩展质检标签和多个先验质检标签各自对应的识别可能性。
比如，可以通过各个第一已认证产品质检文本在不少于一个扩展质检标签和多个先验质检标签各自对应的识别可能性和实际可能性，以及各个第二已认证产品质检文本在不少于一个扩展质检标签和多个先验质检标签各自对应的识别可能性和实际可能性，确定第一目标调试代价指数。
在确定第二目标调试代价指数时，本发明实施例示出了如下几种技术方案。
技术方案1，基础产品质量判别网络是利用前序评估数据对相应的前序产品质量判别网络进行标签判别优化后获得的。基于此，结合前序产品质量判别网络和基础产品质量判别网络生成的权重，确定第二目标调试代价指数，包括以下步骤：将第一已认证产品质检文本序列中的每个第一已认证产品质检文本加载至前序产品质量判别网络，获得相应的第一已认证产品质检文本在多个先验质检标签对应的第一中间权重。然后将第二已认证产品质检文本序列中的每个第二已认证产品质检文本加载至前序产品质量判别网络，获得相应的第二已认证产品质检文本在多个先验质检标签对应的第二中间权重。再通过获得的第一中间权重、第二中间权重、第二先验质检标签权重，以及第三先验质检标签权重，确定第二目标调试代价指数。其中，前序评估数据可以理解为在先的评估数据，而前序产品质量判别网络可以理解为在先的产品质量判别网络。
示例性的，一个第一已认证产品质检文本在每个先验质检标签对应一个第一中间权重，第一中间权重表示：前序产品质量判别网络生成的该第一已认证产品质检文本在一个先验质检标签的标签识别置信度。一个第二已认证产品质检文本在每个先验质检标签对应一个第二中间权重，第二中间权重表示：前序产品质量判别网络生成的该第二已认证产品质检文本在一个先验质检标签的标签识别置信度。
通过基础产品质量判别网络生成的每个第一已认证产品质检文本对应的第二先验质检标签权重，确定每个第一已认证产品质检文本在多个先验质检标签各自对应的已优化识别可能性。通过基础产品质量判别网络生成的每个第二已认证产品质检文本对应的第三先验质检标签权重，确定每个第二已认证产品质检文本在多个先验质检标签各自对应的已优化识别可能性。
通过前序产品质量判别网络生成的每个第一已认证产品质检文本对应的第一中间权重，确定每个第一已认证产品质检文本在多个先验质检标签各自对应的未优化识别可能性。通过前序产品质量判别网络生成的每个第二已认证产品质检文本对应的第二中间权重，确定每个第二已认证产品质检文本在多个先验质检标签各自对应的未优化识别可能性。
比如，可以通过各个第一已认证产品质检文本在多个先验质检标签各自对应的已优化识别可能性和未优化识别可能性，以及各个第二已认证产品质检文本在多个先验质检标签各自对应的已优化识别可能性和未优化识别可能性，确定第二目标调试代价指数
本发明实施例中，在调试产品质量判别网络的过程中，通过优化前后的产品质量判别网络分别生成的类别权重，确定第二目标调试代价指数，故通过第二目标调试代价指数和第一目标调试代价指数，确定目标代价指数，并利用目标代价指数进行网络参量改进时，可以使得产品质量判别网络尽量存储对先验质检标签的判别规则，进而提高产品质量判别网络的精度。
技术方案2，基础产品质量判别网络是没有进行标签判别优化的前序产品质量判别网络，此时，立刻通过基础产品质量判别网络生成的各个第二先验质检标签权重，以及第三先验质检标签权重，确定第二目标调试代价指数。
本发明实施例中，在调试基础产品质量判别网络的过程中，通过第二目标调试代价指数和第一目标调试代价指数，确定目标代价指数，并利用目标代价指数进行网络参量改进，使得基础产品质量判别网络循序渐进地掌握确定扩展质检标签的功能，并保留先验质检标签的判别规则，从而提高产品质量判别网络的精度。
在一些可能的示例中，对于STEP02而言，可以分别从第一已认证产品质检文本序列和第二已认证产品质检文本序列中，筛选获得多个已认证产品质检优化文本；也可以从第一已认证产品质检文本序列和第二已认证产品质检文本序列之外的剩余认证文本序列中，筛选获得多个已认证产品质检优化文本；还可以从第一已认证产品质检文本序列、第二已认证产品质检文本序列以及剩余认证文本序列中，筛选获得多个已认证产品质检优化文本。
举例而言，每个已认证产品质检优化文本对应一个扩展质检标签或一个先验质检标签，可以任意地从第一已认证产品质检文本序列和第二已认证产品质检文本序列中，抽取多个已认证产品质检优化文本。第一已认证产品质检文本序列和第二已认证产品质检文本序列之外的剩余认证文本序列之外的认证文本序列可以是校验文本序列、测试文本序列。多个已认证产品质检优化文本中，不少于一个扩展质检标签对应的已认证产品质检优化文本的总数目与多个先验质检标签对应的已认证产品质检优化文本的总数目相同。
本发明实施例中的扩展训练思路，支持立刻从第一已认证产品质检文本序列和第二已认证产品质检文本序列中，筛选获得多个已认证产品质检优化文本，和/或从剩余认证文本序列中筛选获得多个已认证产品质检优化文本，从而提高了获得的已认证产品质检优化文本的丰富程度，以保障对网络进行标签判别优化的精度。
示例性的，将多个已认证产品质检优化文本加载至中间产品质量判别网络之后，通过获得的第一扩展质检标签权重，确定不少于一个扩展质检标签对应的第一检测误差数据。然后通过获得的第一先验质检标签权重，确定多个先验质检标签对应的第二检测误差数据。将第一检测误差数据与第二检测误差数据的比较结果，作为目标评估数据。
对于每个扩展质检标签，通过多个已认证产品质检优化文本各自在该扩展质检标签对应的第一扩展质检标签权重，确定该扩展质检标签对应的标签偏移系数。然后对不少于一个扩展质检标签对应的第一扩展质检标签权重取平均，确定第一检测误差数据。
对于每个先验质检标签，通过多个已认证产品质检优化文本各自在该先验质检标签对应的第一先验质检标签权重，确定该先验质检标签对应的标签偏移系数。然后对多个先验质检标签对应的第一先验质检标签权重取平均，确定第二检测误差数据。之后将第二检测误差数据与第一检测误差数据的比较结果（差值），作为目标评估数据。
本发明实施例中，通过确定目标评估数据，然后利用目标评估数据对中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络，从而保障了目标产品质量判别网络在扩展、先验质检标签下生成的权重的稳定性得以保证，进而提高了产品质量判别网络进行质检标签识别的精度。
在一些可能的示例中，对于STEP03而言，本发明实施例至少利用如下思路对中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络：在中间产品质量判别网络的生成单元中增添目标评估数据，获得目标产品质量判别网络，其中，目标评估数据用于对不少于一个扩展质检标签对应的扩展质检标签权重进行优化。
示例性的，在调试获得中间产品质量判别网络之后，在中间产品质量判别网络的生成单元中增添目标评估数据作为优化指示，获得目标产品质量判别网络。那么，后续利用目标产品质量判别网络对进行质检标签确定时，该优化指示可以用于对不少于一个扩展质检标签对应的扩展质检标签权重进行优化，以生成精度更高的扩展质检标签权重。
可以理解，在中间产品质量判别网络的生成单元中增添目标评估数据作为优化指示之后，该优化指示也可以用于对多个先验质检标签对应的先验质检标签权重进行优化。
比如，利用扩展认证文本序列expansion text_L和调试示例序列set_M，对基础产品质量判别网络进行循环调试，获得中间产品质量判别网络network1，其中，调试示例序列set_M对应两个先验质检标签，分别为先验质检标签previous tag1和先验质检标签previous tag2，扩展认证文本序列expansion text_L对应两个扩展质检标签，分别为扩展质检标签new tag1和扩展质检标签new tag2，扩展认证文本序列expansion text_L和调试示例序列set_M中的训练示例都是文本。
任意地从扩展认证文本序列expansion text_L和调试示例序列set_M中筛选文本训练示例作为已认证产品质检优化文本，获得优化认证文本序列set_N，将优化认证文本序列set_N中的每个已认证产品质检优化文本加载至中间产品质量判别网络，获得相应的已认证产品质检优化文本在2个扩展质检标签对应的第一扩展质检标签权重，以及在2个先验质检标签对应的第一先验质检标签权重，每个优化认证文本对应一个扩展质检标签或一个先验质检标签。
通过获得的第一扩展质检标签权重和第一先验质检标签权重确定目标评估数据index2，然后将目标评估数据index2，增添至中间产品质量判别网络network1的生成单元，获得目标产品质量判别网络network3，其中，目标产品质量判别网络network3利用目标评估数据index2对扩展质检标签new tag1和扩展质检标签new tag2各自对应的扩展质检标签权重进行优化。
本发明实施中，利用目标评估数据对中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络，使得目标产品质量判别网络在扩展、先验质检标签下生成的权重的稳定性得以保证，进而提高了产品质量判别网络进行质检标签识别的精度。此外，立刻利用目标评估数据对中间产品质量判别网络进行标签判别优化，不必基于反复调试实现对中间产品质量判别网络的标签判别优化，提升了网络调试的时效性，避免过多的运算处理开销。
在一些可能的示例中，上述第二已认证产品质检文本序列是从用于调试基础产品质量判别网络的前序调试样本中筛选的。利用目标评估数据，对中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络之后，将第一已认证产品质检文本序列作为调试示例增添至前序调试样本中，以及将不少于一个扩展质检标签作为先验质检标签增添至多个先验质检标签中，实现对前序调试样本以及先验质检标签的调整。
举例而言，上述STEP01至STEP03对应一次扩展调试，在实际应用时，可以自适应进行多次扩展调试，多次扩展调试对应的扩展质检标签不交叉，相应的，每轮扩展调试的第一已认证产品质检文本序列也不交叉。每轮扩展调试对应的扩展质检标签数目可以是一致的，也可以是不同的。在每轮扩展调试之后，将本次扩展调试的不少于一个扩展质检标签作为先验质检标签增添至多个先验质检标签中，并将调整后的多个先验质检标签用于下一次的扩展调试。此外，将第一已认证产品质检文本序列作为调试示例增添至前序调试样本，在下一次的扩展调试中，从调整后的前序调试样本中筛选第二已认证产品质检文本序列，此时，第二已认证产品质检文本序列对应调整后的多个先验质检标签。每轮扩展调试筛选的第二已认证产品质检文本序列中的调试示例数目相同，每轮扩展调试的思路可以参考STEP01至STEP03。
在一些可独立实施的设计思路下，提供了上述目标产品质量判别网络的应用实施例，包括如下步骤。
PROCESS01，将待监控产品质检文本加载至目标产品质量判别网络，获得待监控产品质检文本在多个先验质检标签各自对应的原始权重，以及在不少于一个扩展质检标签对应的优化后的目标权重。
示例性的，目标产品质量判别网络是利用上述的数字工厂的实时监控方法获得的。待监控产品质检文本在每个先验质检标签上对应一个原始权重，原始权重表示待监控产品质检文本在一个先验质检标签的标签识别置信度。待监控产品质检文本在每个扩展质检标签上对应一个目标权重，目标权重表示待监控产品质检文本在一个扩展质检标签的优化后的标签识别置信度。
PROCESS02，通过多个先验质检标签各自对应的原始权重，以及不少于一个扩展质检标签各自对应的目标权重，从多个先验质检标签和不少于一个扩展质检标签中，确定待监控产品质检文本对应的目标质检标签。
示例性的，通过多个先验质检标签各自对应的原始权重，以及不少于一个扩展质检标签各自对应的目标权重，确定待监控产品质检文本在不少于一个扩展质检标签和多个先验质检标签各自对应的目标识别可能性。然后依据识别可能性降序的规则，对获得的各个目标识别可能性进行顺序整理，获得顺序整理结果。将顺序整理结果中排在第一位的目标识别可能性对应的质检标签，作为待监控产品质检文本对应的目标质检标签。
本发明实施例中，目标产品质量判别网络在扩展、先验质检标签下生成的权重的稳定性得以保证，因此利用目标产品质量判别网络解析待监控产品质检文本对应的目标质检标签时，可有效提高进行质检标签识别的精度。
在一些可能的示例中，对于PROCESS01而言，本发明实施例至少利用以下方式获得待监控产品质检文本在多个先验质检标签各自对应的原始权重，以及在不少于一个扩展质检标签对应的优化后的目标权重：通过目标产品质量判别网络，对待监控产品质检文本进行文本向量挖掘，获得目标文本向量关系网，并通过目标文本向量关系网，确定待监控产品质检文本在不少于一个扩展质检标签和多个先验质检标签各自对应的原始权重。通过目标产品质量判别网络，利用目标评估数据对不少于一个扩展质检标签各自对应的原始权重进行优化，获得不少于一个扩展质检标签各自对应的目标权重。
示例性的，待监控产品质检文本在每个扩展质检标签上对应一个原始权重，原始权重表示待监控产品质检文本在一个扩展质检标签的标签识别置信度。目标产品质量判别网络在通过目标文本向量关系网，确定待监控产品质检文本在不少于一个扩展质检标签各自对应的标签识别置信度之后，通过目标评估数据，分别对不少于一个扩展质检标签各自对应的原始权重进行优化，获得不少于一个扩展质检标签各自对应的目标权重。
以一个扩展质检标签为例，将目标产品质量判别网络解析获得的该扩展质检标签对应的标签识别置信度与目标评估数据求和，获得该扩展质检标签对应的目标权重(即优化后的标签识别置信度)。
本发明实施例中，通过确定目标评估数据，然后利用目标评估数据对中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络，故利用目标产品质量判别网络对待监控产品质检文本进行质检标签确定时，在获得待监控产品质检文本在不少于一个扩展质检标签对应的原始权重之后，目标产品质量判别网络通过目标评估数据对不少于一个扩展质检标签对应的原始权重进行优化，获得精度更高的目标权重，进而在利用目标权重确定待监控产品质检文本对应的质检标签时，提高进行质检标签识别的精度。
在上述内容的基础上，在所述通过所述多个先验质检标签各自对应的原始权重，以及所述不少于一个扩展质检标签各自对应的目标权重，从所述多个先验质检标签和所述不少于一个扩展质检标签中，确定所述待监控产品质检文本对应的目标质检标签之后，所述方法还包括：PROCESS03，基于所述目标质检标签生成针对所述待监控产品质检文本的目标产品的升级策略；利用所述升级策略对所述目标产品进行更新升级。
可以理解，在获得目标质检标签之后，可以结合目标质检标签确定目标产品的升级策略，从而利用升级策略实现目标产品的更新升级，从而克服或改善目标质检标签所表现出的质量缺陷。
在上述内容的基础上，在一些可独立的实施例中，所述基于所述目标质检标签生成针对所述待监控产品质检文本的目标产品的升级策略，包括PROCESS031-PROCESS03。
PROCESS031，获取目标产品的第一上线测试文本向量和第一操作应答文本向量，以及获取参考产品的第二上线测试文本向量和第二操作应答文本向量。
PROCESS032，根据所述第一上线测试文本向量和所述第二上线测试文本向量，确定所述目标产品的运行状态和所述参考产品的运行状态是否关联，以及根据所述第一操作应答文本向量和所述第二操作应答文本向量，确定所述目标产品的测试用户反馈和所述参考产品的测试用户反馈是否关联。
PROCESS033，如果所述目标产品的运行状态和所述参考产品的运行状态关联且所述目标产品的测试用户反馈和所述参考产品的测试用户反馈关联，则确定所述目标产品和所述参考产品为满足匹配关系；通过所述参考产品的参考升级策略，确定所述目标产品的升级策略。
可见，基于PROCESS031-PROCESS03，能够引入参考产品进行辅助分析，从而在目标产品和参考产品满足匹配关系时（相似时），利用参考产品的参考升级策略作为依据，以快速、准确地生成目标产品的升级策略。
在上述内容的基础上，在一些可独立的实施例中，所述根据所述第一上线测试文本向量和所述第二上线测试文本向量，确定所述目标产品的运行状态和所述参考产品的运行状态是否关联，包括：确定所述第一上线测试文本向量与所述第二上线测试文本向量之间的第一关联系数；如果所述第一关联系数大于第一设定值，则确定所述目标产品的运行状态和所述参考产品的运行状态关联；所述根据所述第一操作应答文本向量和所述第二操作应答文本向量，确定所述目标产品的测试用户反馈和所述参考产品的测试用户反馈是否关联，包括：确定所述第一操作应答文本向量与所述第二操作应答文本向量之间的第二关联系数；如果所述第二关联系数大于第二设定值，则确定所述目标产品的测试用户反馈和所述参考产品的测试用户反馈关联。
进一步地，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以产品的形式体现出来，该计算机产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种数字工厂的实时监控方法，其特征在于，应用于人工智能监控系统，所述方法包括：
将待监控软件产品质检文本加载至目标产品质量判别网络，获得所述待监控软件产品质检文本在多个先验质检标签各自对应的原始权重，以及在不少于一个扩展质检标签对应的优化后的目标权重；
通过所述多个先验质检标签各自对应的原始权重，以及所述不少于一个扩展质检标签各自对应的目标权重，从所述多个先验质检标签和所述不少于一个扩展质检标签中，确定所述待监控软件产品质检文本对应的目标质检标签；
所述目标产品质量判别网络的调试步骤包括：
利用第一已认证软件产品质检文本序列和第二已认证软件产品质检文本序列，对基础产品质量判别网络进行循环调试，直至符合循环结束要求，获得中间产品质量判别网络，其中，所述第一已认证软件产品质检文本序列对应不少于一个扩展质检标签，所述第二已认证软件产品质检文本序列对应多个先验质检标签；
获取多个已认证软件产品质检优化文本，并将每个所述已认证软件产品质检优化文本加载至所述中间产品质量判别网络，获得相应的已认证软件产品质检优化文本在所述不少于一个扩展质检标签对应的第一扩展质检标签权重，以及在所述多个先验质检标签对应的第一先验质检标签权重，每个所述已认证软件产品质检优化文本对应一个所述扩展质检标签或一个所述先验质检标签；
通过获得的第一扩展质检标签权重和第一先验质检标签权重确定目标评估数据，并利用所述目标评估数据，对所述中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络。
2.如权利要求1所述的方法，其特征在于，所述将待监控软件产品质检文本加载至目标产品质量判别网络，获得所述待监控软件产品质检文本在多个先验质检标签各自对应的原始权重，以及在不少于一个扩展质检标签对应的优化后的目标权重，包括：
通过所述目标产品质量判别网络，对所述待监控软件产品质检文本进行文本向量挖掘，获得目标文本向量关系网，并通过所述目标文本向量关系网，确定所述待监控软件产品质检文本在所述不少于一个扩展质检标签和所述多个先验质检标签各自对应的原始权重；
通过所述目标产品质量判别网络，利用目标评估数据对所述不少于一个扩展质检标签各自对应的原始权重进行优化，获得所述不少于一个扩展质检标签各自对应的目标权重。
3.如权利要求1所述的方法，其特征在于，所述通过获得的第一扩展质检标签权重和第一先验质检标签权重确定目标评估数据，包括：
通过获得的第一扩展质检标签权重，确定所述不少于一个扩展质检标签对应的第一检测误差数据；
通过获得的第一先验质检标签权重，确定所述多个先验质检标签对应的第二检测误差数据；
将所述第一检测误差数据与所述第二检测误差数据的比较结果，作为所述目标评估数据。
4.如权利要求1所述的方法，其特征在于，所述利用所述目标评估数据，对所述中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络，包括：
在所述中间产品质量判别网络的生成单元中增添所述目标评估数据，获得所述目标产品质量判别网络，其中，所述目标评估数据用于对所述不少于一个扩展质检标签对应的扩展质检标签权重进行优化。
5.如权利要求1所述的方法，其特征在于，所述第二已认证软件产品质检文本序列是从用于调试所述基础产品质量判别网络的前序调试样本中筛选的；所述利用所述目标评估数据，对所述中间产品质量判别网络进行标签判别优化，获得目标产品质量判别网络之后，还包括：
将所述第一已认证软件产品质检文本序列作为调试示例增添至所述前序调试样本中，以及将所述不少于一个扩展质检标签作为先验质检标签增添至所述多个先验质检标签中。
6.如权利要求1所述的方法，其特征在于，所述利用第一已认证软件产品质检文本序列和第二已认证软件产品质检文本序列，对基础产品质量判别网络进行循环调试之前，利用以下其中一种思路确定所述基础产品质量判别网络：
将通用的产品质量判别网络，作为所述基础产品质量判别网络；
将利用前序调试样本调试获得的产品质量判别网络，作为所述基础产品质量判别网络；
将利用前序调试样本进行调试，且利用前序评估数据进行标签判别优化获得的产品质量判别网络，作为所述基础产品质量判别网络。
7.如权利要求1所述的方法，其特征在于，所述获取多个已认证软件产品质检优化文本，包括：
分别从所述第一已认证软件产品质检文本序列和所述第二已认证软件产品质检文本序列中，筛选获得所述多个已认证软件产品质检优化文本；
或者，从所述第一已认证软件产品质检文本序列和所述第二已认证软件产品质检文本序列之外的剩余认证文本序列中，筛选获得所述多个已认证软件产品质检优化文本。
8.如权利要求1所述的方法，其特征在于，在对所述基础产品质量判别网络进行循环调试时，每轮循环过程包括以下步骤：
将所述第一已认证软件产品质检文本序列中的每个第一已认证软件产品质检文本加载至所述基础产品质量判别网络，获得相应的第一已认证软件产品质检文本在所述不少于一个扩展质检标签对应的第二扩展质检标签权重，以及在所述多个先验质检标签对应的第二先验质检标签权重；
将所述第二已认证软件产品质检文本序列中的每个第二已认证软件产品质检文本加载至所述基础产品质量判别网络，获得相应的第二已认证软件产品质检文本在所述不少于一个扩展质检标签对应的第三扩展质检标签权重，以及在所述多个先验质检标签对应的第三先验质检标签权重；
通过获得的第二扩展质检标签权重、第二先验质检标签权重、第三扩展质检标签权重以及第三先验质检标签权重，确定目标代价指数，并利用所述目标代价指数对所述基础产品质量判别网络进行网络参量改进；
其中，所述通过获得的第二扩展质检标签权重、第二先验质检标签权重、第三扩展质检标签权重以及第三先验质检标签权重，确定目标代价指数，包括：
通过获得的第二扩展质检标签权重、第二先验质检标签权重、第三扩展质检标签权重以及第三先验质检标签权重，确定第一目标调试代价指数；
通过获得的第二先验质检标签权重，以及第三先验质检标签权重，确定第二目标调试代价指数；
通过所述第一目标调试代价指数和所述第二目标调试代价指数，确定所述目标代价指数；
其中，所述基础产品质量判别网络是利用前序评估数据对相应的前序产品质量判别网络进行标签判别优化后获得的；所述通过获得的第二先验质检标签权重，以及第三先验质检标签权重，确定第二目标调试代价指数，包括：
将所述第一已认证软件产品质检文本序列中的每个第一已认证软件产品质检文本加载至所述前序产品质量判别网络，获得相应的第一已认证软件产品质检文本在所述多个先验质检标签对应的第一中间权重；
将所述第二已认证软件产品质检文本序列中的每个第二已认证软件产品质检文本加载至所述前序产品质量判别网络，获得相应的第二已认证软件产品质检文本在所述多个先验质检标签对应的第二中间权重；
通过获得的第一中间权重、第二中间权重、第二先验质检标签权重，以及第三先验质检标签权重，确定第二目标调试代价指数。
9.一种人工智能监控系统，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310394608.6A CN116561289B (zh) | 2023-04-13 | 2023-04-13 | 一种数字工厂的实时监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310394608.6A CN116561289B (zh) | 2023-04-13 | 2023-04-13 | 一种数字工厂的实时监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116561289A CN116561289A (zh) | 2023-08-08 |
| CN116561289B true CN116561289B (zh) | 2024-01-19 |
Family
ID=87500934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310394608.6A Active CN116561289B (zh) | 2023-04-13 | 2023-04-13 | 一种数字工厂的实时监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116561289B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112395528A (zh) * | 2019-08-13 | 2021-02-23 | 阿里巴巴集团控股有限公司 | 文本标签判别方法、装置、电子设备及存储介质 |
| CN113590825A (zh) * | 2021-07-30 | 2021-11-02 | 平安科技（深圳）有限公司 | 文本质检方法、装置及相关设备 |
| CN114861522A (zh) * | 2022-04-11 | 2022-08-05 | 深圳贝尔信息科技有限公司 | 一种基于人工智能元学习技术的精密制造质量监测方法和装置 |
| CN114970490A (zh) * | 2022-06-10 | 2022-08-30 | 阳光保险集团股份有限公司 | 一种文本标注数据的质检方法、装置、电子设备以及存储介质 |
| CN115907279A (zh) * | 2022-09-08 | 2023-04-04 | 蚌埠中企东方孵化器有限公司 | 基于物联网的工业生产产品用质量检测系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210133279A1 (en) * | 2019-11-04 | 2021-05-06 | Adobe Inc. | Utilizing a neural network to generate label distributions for text emphasis selection |
-
2023
- 2023-04-13 CN CN202310394608.6A patent/CN116561289B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112395528A (zh) * | 2019-08-13 | 2021-02-23 | 阿里巴巴集团控股有限公司 | 文本标签判别方法、装置、电子设备及存储介质 |
| CN113590825A (zh) * | 2021-07-30 | 2021-11-02 | 平安科技（深圳）有限公司 | 文本质检方法、装置及相关设备 |
| CN114861522A (zh) * | 2022-04-11 | 2022-08-05 | 深圳贝尔信息科技有限公司 | 一种基于人工智能元学习技术的精密制造质量监测方法和装置 |
| CN114970490A (zh) * | 2022-06-10 | 2022-08-30 | 阳光保险集团股份有限公司 | 一种文本标注数据的质检方法、装置、电子设备以及存储介质 |
| CN115907279A (zh) * | 2022-09-08 | 2023-04-04 | 蚌埠中企东方孵化器有限公司 | 基于物联网的工业生产产品用质量检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116561289A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116578568B (zh) | 基于人工智能的数据优化存储方法及大数据系统 | |
| CN110287104A (zh) | 测试用例生成方法、装置、终端及计算机可读存储介质 | |
| EP4193261A1 (en) | Test script generation from test specifications using natural language processing | |
| CN107204898A (zh) | 智能家电的生产测试方法、系统及存储设备、移动终端 | |
| EP3413149B1 (en) | Field device commissioning system and field device commissioning method | |
| CN110287750A (zh) | 一种自动化检测设备二维码重码检测装置及系统 | |
| CN111626338A (zh) | 基于融合分类模型的云环境匹配方法、装置、设备和介质 | |
| CN116561289B (zh) | 一种数字工厂的实时监控方法及系统 | |
| CN114492601A (zh) | 资源分类模型的训练方法、装置、电子设备及存储介质 | |
| CN106933744A (zh) | 节点修订状态标记方法及装置、电子设备及存储介质 | |
| CN117035065A (zh) | 模型评估的方法及相关装置 | |
| CN112529218A (zh) | 一种基于关联分析的建筑物安全检测方法及系统 | |
| CN117033209A (zh) | Ai模型训练方法、bios测试方法、装置、设备及存储介质 | |
| CN112784273A (zh) | 一种sql风险识别方法、装置及设备 | |
| CN116431522A (zh) | 一种低代码对象存储网关自动化测试方法及系统 | |
| CN111259619A (zh) | 配置对象的控制方法、装置、存储介质及验证平台 | |
| CN112799649B (zh) | 代码构建方法、装置、设备和存储介质 | |
| CN115905698B (zh) | 基于人工智能的用户画像分析方法及系统 | |
| CN111382066B (zh) | 一种开发中软件定义网络应用安全属性测试方法 | |
| CN110177006B (zh) | 基于接口预测模型的节点测试方法及装置 | |
| CN107196789B (zh) | 一种校验基站参数的方法和装置 | |
| CN102270126A (zh) | 一种快速确定接口代码和测试脚本参数值的方法及设备 | |
| CN114531335B (zh) | 一种管理信息库数据检测的方法、设备及装置 | |
| CN117033433A (zh) | 融合结构化与非结构化数据的访问处理方法及系统 | |
| US20220207416A1 (en) | System and method of providing correction assistance on machine learning workflow predictions |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230913 Address after: No. 12 Gonggong Xincun Middle Street, Tianqiao District, Jinan City, Shandong Province, 250000 Applicant after: Kang Hailan Address before: No. 4-5, Longteng Road, Longfeng District, Daqing City, Heilongjiang Province, 163000 Applicant before: Daqing Sheng'an Yixiang Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231226 Address after: 710000 Room A-116-63, I Chuangtu Zhongchuang Space Park, No. 14, Gaoxin Second Road, High tech Zone, Xi'an, Shaanxi Applicant after: Xi'an Tianzhi Digital Information Technology Co.,Ltd. Address before: No. 12 Gonggong Xincun Middle Street, Tianqiao District, Jinan City, Shandong Province, 250000 Applicant before: Kang Hailan |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |