CN116629348B - 一种智能车间数据采集分析方法、装置及计算机设备 - Google Patents
一种智能车间数据采集分析方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN116629348B CN116629348B CN202310901511.XA CN202310901511A CN116629348B CN 116629348 B CN116629348 B CN 116629348B CN 202310901511 A CN202310901511 A CN 202310901511A CN 116629348 B CN116629348 B CN 116629348B
- Authority
- CN
- China
- Prior art keywords
- data set
- level
- characterization vector
- characteristic
- strengthening
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 125
- 239000013598 vector Substances 0.000 claims abstract description 639
- 238000004519 manufacturing process Methods 0.000 claims abstract description 354
- 238000005728 strengthening Methods 0.000 claims abstract description 279
- 238000013507 mapping Methods 0.000 claims abstract description 112
- 238000000034 method Methods 0.000 claims abstract description 73
- 238000012512 characterization method Methods 0.000 claims description 575
- 238000012549 training Methods 0.000 claims description 344
- 230000002787 reinforcement Effects 0.000 claims description 163
- 238000013528 artificial neural network Methods 0.000 claims description 103
- 238000000605 extraction Methods 0.000 claims description 97
- 230000015654 memory Effects 0.000 claims description 25
- 230000007704 transition Effects 0.000 claims description 19
- 230000003416 augmentation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 13
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 21
- 238000010276 construction Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000004140 cleaning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007791 dehumidification Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000001746 injection moulding Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/75—Information technology; Communication
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数据处理、机器学习领域，并且更具体地涉及一种智能车间数据采集分析方法、装置及计算机设备，所述方法包括：获取车间物联网数据集，抽取多层级的生产状态表征向量，获取在预设模糊数据模板中抽取的多层级的模板表征向量，将多层级的生产状态表征向量和特征强化参考信息作为模板表征向量嵌入映射的参考信息，依据对应层级的生产状态表征向量和特征强化参考信息对对应的层级下的模板表征向量进行嵌入映射，生成数据集表征向量。此外，生产状态和强化特征整合得到的特征强化结果更能维持和突出生产状态的特征信息。嵌入映射得到整合了不同层级的生产状态表征向量和该强化特征的数据集表征向量，聚焦不同尺度的生产状态信息。
Description
技术领域
本申请涉及数据处理、机器学习领域，并且更具体地，涉及一种智能车间数据采集分析方法、装置及计算机设备。
背景技术
自第四次工业革命的来临，数字化生产已经成为普遍的商业模式，其本质是以数据为处理对象，以ICT平台为生产工具，以软件为载体，以服务为目的的生产过程。在工业化4.0进程的推进中，集中在数据采集环境搭建、数据采集、数据分析挖掘、数据智能化呈现等多个环节，涉及的技术包括物联网、互联网、人工智能、大数据、数字孪生等等，智能化程度高，逐渐淡化了人力的作用，解放高端生产力。在工厂智能化进程中，必不可少的生产要素是数据，针对数据的处理过程中，由于工厂数据海量的特性，为数据处理的效率带来挑战，那么，强化数据的特征是保障分析准确性和减少分析工作量的重要工作，例如清洗冗余数据、增强核心数据特征、数据归一化等。该过程需要确保强化的特征能够维持原数据中的目标特征，使强化后的特征数据具有代表性和准确性，现有的数据处理的效果还有改进的空间。
发明内容
有鉴于此，本申请实施例至少提供一种智能车间数据采集分析方法、装置及计算机设备。
根据本公开实施例的一个方面，提供了一种智能车间数据采集分析方法，应用于计算机设备，所述方法包括：获取车间物联网数据集，通过所述车间物联网数据集抽取多层级的生产状态表征向量；获取在预设模糊数据模板中抽取的所述多层级的模板表征向量；获取所述车间物联网数据集对应的特征强化参考信息；对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量；对所述多层级的数据集表征向量进行多层级的解析，获得特征强化数据集；所述特征强化数据集具有所述车间物联网数据集的生产状态，同时包含所述特征强化参考信息对应的强化特征。
根据本公开实施例的一个示例，其中，所述特征强化参考信息包括事先部署的强化要素数据集，所述事先部署的强化要素数据集用以限定出所述车间物联网数据集的特征强化要求强化要素；所述对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：对所述事先部署的强化要素数据集进行表征向量抽取，得到所述事先部署的强化要素数据集对应的强化要素表征向量；对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量。
根据本公开实施例的一个示例，其中，所述事先部署的强化要素数据集对应不同层级的强化要素表征向量，所述不同层级的强化要素表征向量对应的层级个数少于所述多层级的生产状态表征向量对应的层级个数；所述多层级的生产状态表征向量对应的层级个数与所述多层级的模板表征向量对应的层级个数相等；所述对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：对于所述多层级的每个层级，如果存在对应的层级下的强化要素表征向量，依据对应层级的所述生产状态表征向量和所述强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得对应的层级下的数据集表征向量；如果不存在对应的层级下的强化要素表征向量，依据对应层级的所述生产状态表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得对应的层级下的数据集表征向量。
根据本公开实施例的一个示例，其中，所述事先部署的强化要素数据集包括所述车间物联网数据集对应的生产节点模块化数据集，所述方法还包括：获取依据生产节点分割的强化要素数据集样例，将所述车间物联网数据集依据所述车间物联网数据集所分割的节点进行分割，得到所述车间物联网数据集中的各节点数据范围；获取对所述强化要素数据集样例中的每个生产节点进行预设的特征强化所构建的生产节点模块化数据集；每个所述生产节点用于确定所述车间物联网数据集中相应节点数据范围的强化要素；其中，所述特征强化数据集具有所述车间物联网数据集的生产状态，同时所述特征强化数据集中的各节点数据范围包含所述生产节点模块化数据集中相应的生产节点所强化的特征；或者，所述事先部署的强化要素数据集包括所述车间物联网数据集对应的采集时序模块化数据集，所述方法还包括：对所述车间物联网数据集进行随机特征强化，得到强化过渡数据集；对所述强化过渡数据集进行数据分桶操作，得到所述车间物联网数据集的对应的基础采集时序模块化数据集，所述基础采集时序模块化数据集包括所述车间物联网数据集中各数据块分别对应的采集时序数据；通过对所述基础采集时序模块化数据集中的一个或多个所述采集时序数据的预设特征调节，获得采集时序模块化数据集；其中，所述特征强化数据集具有所述车间物联网数据集的生产状态，同时所述特征强化数据集中的各数据块包含所述采集时序模块化数据集中相应的采集时序数据对应的强化特征。
根据本公开实施例的一个示例，其中，所述方法还包括：获取针对所述车间物联网数据集的数据约束标签，所述数据约束标签用于指示所述车间物联网数据集的特征强化要求；对所述数据约束标签进行表征向量抽取，得到对应的数据约束表征向量；所述对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量、所述特征强化参考信息和所述数据约束表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量；所述对所述多层级的数据集表征向量进行多层级的解析，获得特征强化数据集，包括：对于所述多层级的解析中的每个层级，如果对应的层级为所述多层级的解析中的第一个层级，依据对应层级的数据集表征向量，对嵌入映射得到的末尾的层级的数据集表征向量进行解析，得到对应的层级的解析表征向量；如果对应的层级不是所述多层级的解析中的第一个层级或末尾的层级，依据对应层级的数据集表征向量，对对应的层级的前一层级的解析表征向量进行解析，得到对应的层级的解析表征向量；如果对应的层级为所述末尾的层级，依据对应层级的数据集表征向量，对所述末尾的层级的前一层级的解析表征向量进行解析，得到特征强化数据集。
根据本公开实施例的一个示例，其中，所述方法通过预先调试得到的特征强化神经网络实现，所述特征强化神经网络通过以下步骤进行调试得到：获取车间物联网训练数据集，通过所述车间物联网训练数据集抽取多层级的生产状态训练表征向量；获取在模糊训练数据模板中抽取的所述多层级的模板训练表征向量；获取所述车间物联网训练数据集对应的特征强化训练参考信息；对于所述多层级的每个层级，依据对应层级的所述生产状态训练表征向量和所述特征强化训练参考信息，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量；对所述多层级的训练数据集表征向量进行多层级的解析，获得预估特征强化数据集；获取所述车间物联网训练数据集对应的批注特征强化数据集，通过所述预估特征强化数据集和所述批注特征强化数据集对初始特征强化神经网络进行调试，得到特征强化神经网络；所述批注特征强化数据集具有所述车间物联网训练数据集的生产状态，同时包含所述特征强化训练参考信息对应的强化特征。
根据本公开实施例的一个示例，其中，所述初始特征强化神经网络包括初始数据集特征抽取层，所述初始数据集特征抽取层用于抽取所述多层级的生产状态训练表征向量；所述通过所述预估特征强化数据集和所述批注特征强化数据集对初始特征强化神经网络进行调试，得到特征强化神经网络，包括：确定所述预估特征强化数据集的生产状态和所述批注特征强化数据集的生产状态之间的生产状态误差；通过所述生产状态误差对所述初始特征强化神经网络的初始数据集特征抽取层进行调试，获得包括数据集特征抽取层的特征强化神经网络；所述初始特征强化神经网络还包括初始强化要素特征抽取层，所述特征强化训练参考信息包括用以限定出所述车间物联网训练数据集的特征强化要求强化要素的强化要素训练数据集，所述初始强化要素特征抽取层用于抽取所述强化要素训练数据集的强化要素训练表征向量；所述通过所述生产状态误差对所述初始特征强化神经网络的初始数据集特征抽取层进行调试，获得包括数据集特征抽取层的特征强化神经网络，包括：通过所述生产状态误差对所述初始数据集特征抽取层进行调试，得到数据集特征抽取层；所述数据集特征抽取层用于抽取所述多层级的生产状态训练表征向量；对于所述多层级的每个层级，依据对应层级的所述生产状态训练表征向量和所述强化要素训练表征向量，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量；对所述多层级的训练数据集表征向量进行多层级的解析，获得预估特征强化数据集；确定所述预估特征强化数据集和所述批注特征强化数据集之间的特征强化误差，通过所述生产状态误差对所述初始强化要素特征抽取层进行调试，获得包括所述数据集特征抽取层和强化要素特征抽取层的特征强化神经网络。
根据本公开实施例的一个示例，其中，所述通过所述预估特征强化数据集和所述批注特征强化数据集对初始特征强化神经网络进行调试，得到特征强化神经网络，包括：确定所述预估特征强化数据集的生产状态和所述批注特征强化数据集的生产状态之间的生产状态误差；确定所述预估特征强化数据集的特征强化结果和所述批注特征强化数据集的特征强化结果之间的特征强化误差；基于所述生产状态误差和所述特征强化误差对初始特征强化神经网络进行调试，得到特征强化神经网络。
根据本公开实施例的另一方面，提供了一种智能车间数据采集分析装置，包括：数据特征获取模块，用于获取车间物联网数据集，通过所述车间物联网数据集抽取多层级的生产状态表征向量；模板特征获取模块，用于获取在预设模糊数据模板中抽取的所述多层级的模板表征向量；强化信息获取模块，用于获取所述车间物联网数据集对应的特征强化参考信息；特征嵌入映射模块，用于对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量；特征解析强化模块，用于对所述多层级的数据集表征向量进行多层级的解析，获得特征强化数据集；所述特征强化数据集具有所述车间物联网数据集的生产状态，同时包含所述特征强化参考信息对应的强化特征。
根据本公开实施例的又一方面，提供了一种计算机设备，包括：一个或多个处理器；以及一个或多个存储器，其中所述存储器中存储有计算机可读代码，所述计算机可读代码在由所述一个或多个处理器运行时，使得所述一个或多个处理器执行以上所述的方法。
本申请至少包含的有益效果：本申请提供的智能车间数据采集分析方法、装置及计算机设备，获取车间物联网数据集，通过车间物联网数据集抽取多层级的生产状态表征向量，抽取的高层级的生产状态表征向量涵盖更多的粗粒度含义的特征信息，低层级生产状态表征向量涵盖更多细粒度含义的特征信息。获取在预设模糊数据模板中抽取的多层级的模板表征向量，将多层级的生产状态表征向量和车间物联网数据集对应的特征强化参考信息作为模板表征向量嵌入映射的参考信息，以对于多层级的每个层级，依据对应层级的生产状态表征向量和特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，以依据嵌入映射生成整合了生产状态表征向量和特征强化参考信息对应的强化特征的数据集表征向量。此外，令生产状态和强化特征整合，得到的特征强化数据集中的特征强化结果更能维持和突出生产状态的特征信息。上述的嵌入映射是多层级的，可以得到整合了不同层级的生产状态表征向量和该强化特征的数据集表征向量，以对多层级的数据集表征向量进行多层级的解析，以在解析过程中聚焦不同尺度的生产状态信息，可以构建生产状态更加具有状态代表性的特征强化数据集。
相应的，在神经网络的调试过程中，获取车间物联网训练数据集，通过车间物联网训练数据集抽取多层级的生产状态训练表征向量，高层级的生产状态训练表征向量涵盖更多的粗粒度含义的特征信息，低层级生产状态训练表征向量涵盖更多细粒度含义的特征信息。获取在模糊训练数据模板中抽取的多层级的模板训练表征向量，将多层级的生产状态训练表征向量和车间物联网训练数据集对应的特征强化训练参考信息作为模板训练表征向量嵌入映射的参考信息，以对于多层级的每个层级，依据对应层级的生产状态训练表征向量和特征强化训练参考信息，对对应的层级下的模板训练表征向量进行嵌入映射，以依据嵌入映射生成整合了生产状态训练表征向量和特征强化训练参考信息对应的强化特征的训练数据集表征向量。此外，令生产状态和特征强化相整合，便于令得到的特征强化数据集中的特征强化结果更能维持和突出生产状态的特征信息。上述嵌入映射是多层级的，可以得到整合了不同层级的生产状态训练表征向量和该强化特征的训练数据集表征向量，以对多层级的训练数据集表征向量进行多层级的解析，获得预估特征强化数据集，获取车间物联网训练数据集对应的批注特征强化数据集，以通过预估特征强化数据集和批注特征强化数据集间的误差对初始特征强化神经网络进行调试，从而优化神经网络的内部配置变量，令调试得到的特征强化神经网络所构建的预估特征强化数据集具有车间物联网训练数据集的生产状态，同时包含特征强化训练参考信息对应的强化特征。此外，调试得到的特征强化神经网络可以构建生产状态更加具有状态代表性的特征强化数据集。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请的技术方案。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开实施例的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为本申请实施例提供的应用场景的示意图。
图2为本申请实施例提供的一种智能车间数据采集分析方法的实现流程示意图。
图3为本申请实施例提供的一种特征强化神经网络的调试流程示意图。
图4为本申请实施例提供的一种智能车间数据采集分析装置的组成结构示意图。
图5为本申请实施例提供的一种计算机设备的硬件实体示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和实施例对本申请的技术方案进一步详细阐述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。在以下的描述中，涉及到“可选的实施方式”，其描述了所有可能实施例的子集，但是可以理解，“可选的实施方式”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一/第二”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请的目的，不是旨在限制本申请。
本申请实施例提供的智能车间数据采集分析方法，可以应用于如图1所示的应用环境中。其中，物联设备102通过网络与计算机设备104进行通信。数据存储系统可以存储计算机设备104需要处理的数据。数据存储系统可以集成在计算机设备104上，也可以放在云上或其他网络服务器上。其中，物联网数据可存储在物联设备102的本地存储中，也可存储至数据存储系统或者与计算机设备104关联的云端存储中，当需要进行数据采集分析（数据的特征强化）时，计算机设备104可从物联设备102本地存储、或数据存储系统、或云端存储中，获取车间物联网数据集。其中，物联设备102可以但不限于是各种车间中的生产设备或生产设备的传感器，可用于监测采集对应的物联网数据。计算机设备104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本申请实施例供的智能车间数据采集分析方法应用于计算机设备104，具体包括以下步骤：
步骤110，获取车间物联网数据集，通过车间物联网数据集抽取多层级的生产状态表征向量。
本申请中，车间物联网数据集是采集的智能生产车间的物联网设备数据构成的集合，例如生产设备的运行日志、传感器检测数据等，生产设备例如为注塑机、机械手、模温机、智能水排、粉碎机、供料系统、除湿干燥辅助机械、三坐标测量机等研发检测设备，通过物联网技术采集上述生产设备的数据后，进行分析可以确定整个生产线的生产状态，例如过载、故障、异常等，生产状态表征向量是车间物联网数据集中表征车间生产状态的特征信息对应的特征向量表达。
可选地，获取拟进行特征强化的车间物联网数据集，对车间物联网数据集进行表征向量抽取，得到多层级的生产状态表征向量，该多层级对应车间物联网数据集的不同尺度，可以通过特征金字塔得到不同层级的特征。具体地，采用特征强化神经网络对车间物联网数据集进行表征向量抽取，得到多层级的生产状态表征向量，特征强化神经网络包括数据集特征抽取层和强化要素特征抽取层，将车间物联网数据集输入数据集特征抽取层，基于数据集特征抽取层对车间物联网数据集进行表征向量抽取，得到多层级的生产状态表征向量，该特征强化神经网络的调试过程将在后续进行说明。
步骤120，获取在预设模糊数据模板中抽取的多层级的模板表征向量。
预设模糊数据模板是事先设置好的模糊数据模板，用于在其中生成包含生产状态信息和特征强化后的数据集。例如，获取预设模糊数据模板，对预设模糊数据模板进行表征向量抽取，得到对应的模板表征向量，接着通过表征向量抽取得到多层级的模板表征向量。本申请实施例中，预设模糊数据模板是预先保存在特征强化神经网络中的的模糊数据模板，基于特征强化神经网络对预设模糊数据模板进行表征向量抽取，得到多层级的模板表征向量。该多层级的生产状态表征向量对应的层级个数与多层级的模板表征向量对应的层级个数相等，比如都包括三个层级。可选地，获取在预设模糊数据模板中抽取的模板表征向量；对于多层级的每个层级，依据对应层级的生产状态表征向量和特征强化参考信息，对模板表征向量进行对应的层级下的嵌入映射，获得多层级的数据集表征向量。
其中，获取在预设模糊数据模板中抽取的模板表征向量，包括：获取在预设模糊数据模板中抽取的多层级的模板表征向量；对于多层级的每个层级，依据对应层级的生产状态表征向量和特征强化参考信息，对模板表征向量进行对应的层级下的嵌入映射，获得多层级的数据集表征向量，包括：对于多层级的每个层级，依据对应层级的生产状态表征向量和特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量。其中，生产状态表征向量为表征数据集中生产状态特征的矢量信息，对对应的层级下的模板表征向量进行嵌入映射的过程是完成特征编码的过程。
步骤130，获取车间物联网数据集对应的特征强化参考信息。
特征强化参考信息是用于对车间物联网数据集进行特征强化时参考的信息，该特征强化参考信息用于确定车间物联网数据集的特征强化要求强化要素，具体可以为对车间物联网数据集自行设定的特征强化结果的信息，例如冗余或不相关特征清洗、特征维度降低、代表特征筛选、知识特征构建、特征标准化、特征编码等，为不同的优化目标设置对应的要求（即强化的要素信息）。对车间物联网数据集设定的特征强化结果信息可以是对车间物联网数据集中的一个或多个数据块设定的特征强化结果。对车间物联网数据集设定的特征强化结果信息，可以通过预设的特征强化构建的事先部署的强化要素数据集进行表征，或者通过对车间物联网数据集的特征强化要求强化要素的匹配标签进行表征。
例如，可以获取特征强化描述标签作为特征强化参考信息，特征强化描述标签用于指示车间物联网数据集的特征强化要求强化要素，可以为描述车间物联网数据集中的局部信息的特征强化结果。也就是说，特征强化描述标签可以是对车间物联网数据集的特征强化要求强化要素设定的标签。例如，车间物联网数据集中的数据为A，特征强化描述标签中刻画A的特征强化结果为冗余数据清洗，那么生成的特征强化数据集中包括冗余清洗后的数据A。本申请实施例中，获取车间物联网数据集对应的事先部署的强化要素数据集作为特征强化参考信息，该事先部署的强化要素数据集是对车间物联网数据集的特征强化要求强化要素进行设定得到的数据集。
步骤140，对于多层级的每个层级，依据对应层级的生产状态表征向量和特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量。
本申请实施例中，数据集表征向量是整合了生产状态表征向量和特征强化参考信息指示的特征强化结果所构建的表征向量，多层级的数据集表征向量中，每个层级的数据集表征向量整合了前一层级的数据集表征向量。具体地，确定特征强化参考信息对应的强化特征，对于多层级的每个层级，依据对应层级的生产状态表征向量和特征强化参考信息对应的强化特征，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量。对于多层级的每个层级，依据对应层级的生产状态表征向量和特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：对于多层级的每个层级，如果对应的层级为多个层级中的第一个层级，依据对应层级的生产状态表征向量和特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，得到对应的层级的数据集表征向量；如果对应的层级不是多个层级中的第一个层级，依据对应层级的生产状态表征向量、特征强化参考信息和对应的层级的前一层级的数据集表征向量，对对应的层级下的模板表征向量进行嵌入映射，得到对应的层级的数据集表征向量。
本申请实施例中，对于多层级的每个层级，如果对应的层级为多个层级中的第一个层级，将对应的层级的生产状态表征向量、特征强化参考信息的特征强化结果表征向量和对应的层级下的模板表征向量进行整合处理，得到对应的层级的数据集表征向量；如果对应的层级不是多个层级中的第一个层级，将对应的层级的生产状态表征向量、特征强化参考信息的特征强化结果表征向量、对应的层级的前一层级的数据集表征向量和对应的层级下的模板表征向量进行整合处理，得到对应的层级的数据集表征向量。本申请中，对于多层级的每个层级，依据对应层级的生产状态表征向量和特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：对特征强化参考信息进行表征向量抽取，得到对应的特征强化结果表征向量；对于多层级的每个层级，将强化特征强化结果表征向量、对应的层级的生产状态表征向量和对应的层级下的模板表征向量进行整合处理，得到对应的层级的数据集表征向量，从而获得多层级的数据集表征向量。
步骤150，对多层级的数据集表征向量进行多层级的解析，获得特征强化数据集；特征强化数据集具有车间物联网数据集的生产状态，同时包含特征强化参考信息对应的强化特征。
例如，对多层级的数据集表征向量进行多层级的解析（嵌入映射的过程是特征编码的过程，此处的解析则对应特征解码的过程），在进行末尾的层级（即最后的一个层级）的解析后，得到特征强化数据集，特征强化数据集具有车间物联网数据集的生产状态，同时包含特征强化参考信息对应的强化特征。
本申请实施例中，对于多层级的解析中的每个层级，依据对应层级的数据集表征向量，对对应的层级的前一层级的解析表征向量进行解析，得到对应的层级的解析表征向量；进入后一层级的解析，将得到的对应的层级的解析表征向量作为后一层级的解析中的前一层级的解析表征向量，同时跳转到对对应的层级的前一层级的解析表征向量进行解析的步骤，重复进行直到进行末尾的层级的解析后，得到特征强化数据集。其中，在嵌入映射中的多个层级的嵌入映射次序和在解析中的多个层级的解析的次序是相反的。
本申请实施例获取车间物联网数据集，通过车间物联网数据集抽取多层级的生产状态表征向量，所抽取的高层级的生产状态表征向量涵盖更多的粗粒度含义的特征信息，低层级生产状态表征向量涵盖更多细粒度含义的特征信息。获取在预设模糊数据模板中抽取的多层级的模板表征向量，将多层级的生产状态表征向量和车间物联网数据集对应的特征强化参考信息作为模板表征向量嵌入映射的参考信息，以对于多层级的每个层级，依据对应层级的生产状态表征向量和特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，以依据嵌入映射生成整合了生产状态表征向量和特征强化参考信息对应的强化特征的数据集表征向量。此外，生产状态和强化特征整合，便于令得到的特征强化数据集中的特征强化结果更能维持和突出生产状态的特征信息。上述嵌入映射是多层级的，可以得到整合了不同层级的生产状态表征向量和该强化特征的数据集表征向量，以对多层级的数据集表征向量进行多层级的解析，以在解析过程中聚焦不同尺度的生产状态信息，可以构建生产状态更加具有状态代表性的特征强化数据集。
可选的实施方式中，特征强化参考信息包括事先部署的强化要素数据集，事先部署的强化要素数据集用以限定出车间物联网数据集的特征强化要求强化要素；对于多层级的每个层级，依据对应层级的生产状态表征向量和特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：对事先部署的强化要素数据集进行表征向量抽取，得到事先部署的强化要素数据集对应的强化要素表征向量；对于多层级的每个层级，依据对应层级的生产状态表征向量和强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量。
其中，事先部署的强化要素数据集是针对车间物联网数据集进行强化特征要素设定而构建的强化要素数据集，换言之，事先部署的强化要素数据集用于设定车间物联网数据集的特征强化要求强化要素。对事先部署的强化要素数据集进行表征向量抽取，得到事先部署的强化要素数据集对应的强化要素表征向量。
对于多层级的每个层级，将对应的层级的生产状态表征向量和强化要素表征向量，以及对应的层级下的模板表征向量进行整合（即向量融合的过程，可以是拼接、相加、连接、加权求和等），得到对应的层级的数据集表征向量，同理，可得到多层级的数据集表征向量。本申请实施例中，对于多层级的每个层级，如果对应的层级为多个层级中的第一个层级，将对应的层级的生产状态表征向量和强化要素表征向量，以及对应的层级下的模板表征向量进行整合处理，得到对应的层级的数据集表征向量；如果对应的层级不是多个层级中的第一个层级，将对应的层级的生产状态表征向量、强化要素表征向量、对应的层级的前一层级的数据集表征向量、以及对应的层级下的模板表征向量进行整合处理，得到对应的层级的数据集表征向量，以得到多层级的数据集表征向量。
本申请实施例中，事先部署的强化要素数据集是事先设定的车间物联网数据集的特征强化要求强化要素的强化要素数据集，通过对设定的强化要素数据集进行表征向量抽取，得到事先部署的强化要素数据集对应的强化要素表征向量，对于多层级的每个层级，依据对应层级的生产状态表征向量和强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，可以将模板表征向量编码成整合了生产状态表征向量和强化要素表征向量的数据集表征向量，如此可以将车间物联网数据集和相应的特征强化结果信息作为参考信息，令在预设模糊数据模板中生成具有期望的生产状态和设定强化特征的数据集，便于后续的数据应用中减少数据运算量，节约算力成本，提高效率。
可选的实施方式中，事先部署的强化要素数据集对应不同层级的强化要素表征向量，不同层级的强化要素表征向量对应的层级个数少于多层级的生产状态表征向量对应的层级个数；多层级的生产状态表征向量对应的层级个数与多层级的模板表征向量对应的层级个数相等；对于多层级的每个层级，依据对应层级的生产状态表征向量和强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：对于多层级的每个层级，如果存在对应的层级下的强化要素表征向量，依据对应层级的生产状态表征向量和强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得对应的层级下的数据集表征向量；如果不存在对应的层级下的强化要素表征向量，依据对应层级的生产状态表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得对应的层级下的数据集表征向量。其中，事先部署的强化要素数据集对应不同层级的强化要素表征向量，不同层级的强化要素表征向量对应的层级个数少于多层级的生产状态表征向量对应的层级个数。举例而言，不同层级的强化要素表征向量对应两个层级，多层级的生产状态表征向量对应三个层级，多层级的生产状态表征向量对应的层级个数与多层级的模板表征向量对应的层级个数相等。
例如，对事先部署的强化要素数据集进行表征向量抽取，得到事先部署的强化要素数据集对应的不同层级的强化要素表征向量。对事先部署的强化要素数据集进行第一个层级的表征向量抽取，得到第一个层级的强化要素表征向量。对第一个层级的强化要素表征向量进行下一层级的处理，得到后一个层级的处理，依据相似处理获得不同层级的强化要素表征向量。
针对多个层级的数据集表征向量、多个层级的模板表征向量和不同层级的强化要素表征向量，对于多个层级的每个层级，确定是否存在对应的层级的强化要素表征向量，如果存在对应的层级下的强化要素表征向量，依据对应层级的生产状态表征向量和强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得对应的层级下的数据集表征向量，以得到整合了强化要素表征向量、生产状态表征向量的数据集表征向量。如果不存在对应的层级下的强化要素表征向量，依据对应层级的生产状态表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得对应的层级下的数据集表征向量，以得到整合了生产状态表征向量的数据集表征向量。
本申请实施例中，强化特征和生产状态特征是对应不同级别语义的特征信息，强化特征的含义较浅，生产状态特征含义较深，因此，对强化特征抽取较少层级的信息征，对车间物联网数据集的生产状态抽取较多层级的特征信息。对于多层级的每个层级，如果存在对应的层级下的强化要素表征向量，依据对应层级的生产状态表征向量和强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，可以将生产状态表征向量和强化要素表征向量作为参考信息，指示通过模板表征向量在嵌入映射中整合了生产状态表征向量和强化要素表征向量，以得到对应的层级下的整合了相应层级的生产状态表征向量和强化要素表征向量的数据集表征向量。如果不存在对应的层级下的强化要素表征向量，依据对应层级的生产状态表征向量，对对应的层级下的模板表征向量进行嵌入映射，以将生产状态表征向量作为参考信息，指示通过模板表征向量在嵌入映射中整合生产状态表征向量，以得到对应的层级下的整合了相应层级的生产状态表征向量的数据集表征向量。可选地，智能车间数据采集分析方法通过特征强化神经网络执行，特征强化神经网络包括数据集特征抽取层、强化要素特征抽取层和数据集构建层。通过数据集特征抽取层对车间物联网数据集抽取多层级的生产状态表征向量，通过强化要素特征抽取层对事先部署的强化要素数据集抽取不同层级的强化要素表征向量，通过数据集构建层抽取预设模糊数据模板的多层级的模板表征向量，将多层级的生产状态表征向量和不同层级的强化要素表征向量输入数据集构建层，与相应层级的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，在数据集构建层中对多层级的数据集表征向量进行解析，得到特征强化数据集。
作为强化要素特征抽取层的一种示例，强化要素特征抽取层可以包括多个级联的残差网络（ResNet），基于多个残差网络抽取事先部署的强化要素数据集不同层级的强化要素表征向量。在特征强化神经网络的调校时，强化要素特征抽取层的输入包括时序嵌入信息。
可选地，事先部署的强化要素数据集包括车间物联网数据集对应的生产节点模块化数据集，本申请中提供的方法还包括：获取依据生产节点分割的强化要素数据集样例，将车间物联网数据集依据车间物联网数据集所分割的节点进行分割，得到车间物联网数据集中的各节点数据范围；获取对强化要素数据集样例中的每个生产节点进行预设的特征强化所构建的生产节点模块化数据集；每个生产节点用于确定车间物联网数据集中相应节点数据范围的强化要素；其中，特征强化数据集具有车间物联网数据集的生产状态，同时特征强化数据集中的各节点数据范围包含生产节点模块化数据集中相应的生产节点所强化的特征。生产节点可以是按照不同的生产设备划分的节点，例如不同的生产环节对应的一个或多个生产设备被划分为一个生产节点，一个或多个生产节点对应的生产设备的数据被赋予对应的特征强化要求。
例如，在执行中获取强化要素数据集样例，该强化要素数据集是依据生产节点分割，强化要素数据集样例的尺度与车间物联网数据集的尺度一致，将车间物联网数据集依据车间物联网数据集所分割的节点进行分割，得到车间物联网数据集中的各节点数据范围，令每个节点数据范围表征车间物联网数据集中的一个生产节点的数据，同时令每个生产节点对应车间物联网数据集中的一个节点数据范围。
对强化要素数据集样例中的每个生产节点进行预设的特征强化，形成生产节点模块化数据集，获取该生产节点模块化数据集，对生产节点模块化数据集进行表征向量抽取，得到生产节点模块化数据集对应的生产节点表征向量。该生产节点表征向量可作为强化要素表征向量。对于多层级的每个层级，依据对应层级的生产状态表征向量和强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量。对多层级的数据集表征向量进行多层级的解析，获得特征强化数据集，特征强化数据集具有车间物联网数据集的生产状态，同时特征强化数据集中的各节点数据范围包含生产节点模块化数据集中相应的生产节点所强化的特征。
本申请中，当车间物联网数据集的尺度与强化要素数据集样例的尺度不同时，将车间物联网数据集和强化要素数据集样例修正为相同的尺度。在一致的尺度下，将车间物联网数据集依据车间物联网数据集所分割的节点进行分割，得到车间物联网数据集中的各节点数据范围。
本申请中，获取依据生产节点分割的强化要素数据集样例，将车间物联网数据集依据车间物联网数据集所分割的节点进行分割，得到车间物联网数据集中表征数据块的各节点数据范围，令该车间物联网数据集的各节点数据范围与强化要素数据集样例的各生产节点相对应，可以基于在生产节点中强化特征以设定车间物联网数据集中每个数据块的特征强化结果，完成对车间物联网数据集的特征强化要求强化要素的设定。此外，将设定的特征强化结果作为表征向量嵌入映射和解析中的参考信息，令构建的特征强化数据集不仅具有车间物联网数据集的生产状态，特征强化数据集中的各节点数据范围还包含在相应生产节点所强化的特征，完成自行设定的特征强化车间物联网数据集的构建。
可选地，事先部署的强化要素数据集包括车间物联网数据集对应的采集时序模块化数据集，本申请实施例提供的方法还包括：
步骤210，对车间物联网数据集进行随机特征强化，得到强化过渡数据集。
随机特征强化即采用任意的特征强化方式进行特征强化。
步骤220，对强化过渡数据集进行数据分桶操作，得到车间物联网数据集的对应的基础采集时序模块化数据集，该基础采集时序模块化数据集包括车间物联网数据集中各数据块分别对应的采集时序数据。
例如，对强化过渡数据集进行数据分桶操作，得到强化过渡数据集对应的基础采集时序模块化数据集，该基础采集时序模块化数据集表征该强化过渡数据集中按采集时序划分的各数据块的特征强化结果。
该基础采集时序模块化数据集包括车间物联网数据集中各数据块分别对应的采集时序数据，采集时序数据表征相应的按照采集时序划分的数据块的特征强化结果。各采集时序数据中相邻的采集时序数据的特征强化结果不同，强化过渡数据集对应的基础采集时序模块化数据集为车间物联网数据集对应的基础采集时序模块化数据集，基础采集时序模块化数据集表征该强化过渡数据集中各数据块的特征强化结果，即该基础采集时序模块化数据集包括车间物联网数据集中各数据块分别对应的采集时序数据。
步骤230，通过对基础采集时序模块化数据集中的一个或多个采集时序数据的预设特征调节，获得采集时序模块化数据集。
其中，特征强化数据集具有车间物联网数据集的生产状态，同时特征强化数据集中的各数据块包含采集时序模块化数据集中相应的采集时序数据对应的强化特征。可以对基础采集时序模块化数据集中的各采集时序数据的特征强化结果进行调节，得到期望的特征强化结果。
例如，对强化过渡数据集1进行图像分割，得到基础采集时序模块化数据集2，该基础采集时序模块化数据集2中包括采集时序数据A、B、C，每个采集时序数据表征强化过渡数据集1的相应数据块的特征强化结果，调节采集时序数据A、B、C中的一个或多个的特征强化结果，得到特征调节后的各采集时序数据A、B、C，特征调节后的各采集时序数据A、B、C即采集时序模块化数据集3。
对采集时序模块化数据集进行表征向量抽取，得到对应的采集时序数据表征向量，该采集时序数据表征向量即可作为强化要素表征向量。对于多层级的每个层级，依据对应层级的生产状态表征向量和强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量。
本申请实施例对车间物联网数据集进行随机特征强化，得到强化过渡数据集，可以对强化过渡数据集进行数据分桶操作，准确划分出强化过渡数据集中的各采集时序数据。各采集时序数据形成强化过渡数据集对应的基础采集时序模块化数据集。该基础采集时序模块化数据集包括车间物联网数据集中各数据块分别对应的采集时序数据，可以对各采集时序数据进行特征调节，以再次确定期望的特征强化结果，以得到设定的采集时序模块化数据集。此外，将设定的特征强化结果作为表征向量嵌入映射和解析中的参考信息，令最后得到的特征强化数据集不仅具有车间物联网数据集的生产状态，特征强化数据集中的各数据块还包含在相应采集时序数据所强化的特征，完成了预定特征强化的车间物联网数据集的构建。
可选地，本申请实施例提供的方法还包括：获取针对车间物联网数据集的数据约束标签，该数据约束标签用于指示车间物联网数据集的特征强化要求，例如冗余清洗的粒度、特征选择的范围、标准化的权重、插值的数值大小等；对数据约束标签进行表征向量抽取，得到对应的数据约束表征向量；对于多层级的每个层级，依据对应层级的生产状态表征向量和特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：对于多层级的每个层级，依据对应层级的生产状态表征向量、特征强化参考信息和数据约束表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量。
例如，获取针对车间物联网数据集的数据约束标签，对数据约束标签进行表征向量抽取，得到数据约束标签对应的数据约束表征向量。对于多层级的每个层级，依据对应层级的生产状态表征向量、特征强化参考信息和数据约束表征向量，对对应的层级下的模板表征向量进行嵌入映射，以整合生产状态表征向量、特征强化参考信息对应的强化特征和数据约束表征向量，得到整合了上述特征信息的数据集表征向量，以获得多层级的数据集表征向量。
本申请获取针对车间物联网数据集的数据约束标签，以基于数据约束标签描述车间物联网数据集的特征强化要求，将其确定为车间物联网数据集的进一步信息，对数据约束标签进行表征向量抽取，得到对应的数据约束表征向量，对于多层级的每个层级，依据对应层级的生产状态表征向量、特征强化参考信息和数据约束表征向量，对对应的层级下的模板表征向量进行嵌入映射，令嵌入映射得到的数据集表征向量整合了相应层级的生产状态、生产状态表征向量对应的强化特征，并且嵌入映射得到的数据集表征向量还具有数据约束表征向量表征的特征，令在嵌入映射中获得车间物联网数据集中不具有的数据或结合数据约束表征向量将车间物联网数据集中本不具有意义的特征的表征效果更强，此外，进行多个层级的嵌入映射，可获得多层级的数据集表征向量，数据集表征向量层级越大，具有更多深层信息，数据集表征向量层级越小，具有更多浅层信息，可以得到不同层级信息。
可选地，对多层级的数据集表征向量进行多层级的解析，获得特征强化数据集，包括：对于多层级的解析中的每个层级，如果对应的层级为多层级的解析中的第一个层级，依据对应层级的数据集表征向量，对嵌入映射得到的末尾的层级的数据集表征向量进行解析，得到对应的层级的解析表征向量；如果对应的层级不是多层级的解析中的第一个层级或末尾的层级，依据对应层级的数据集表征向量，对对应的层级的前一层级的解析表征向量进行解析，得到对应的层级的解析表征向量；如果对应的层级为末尾的层级，依据对应层级的数据集表征向量，对末尾的层级的前一层级的解析表征向量进行解析，得到特征强化数据集。
例如，对于多层级的解析中的每个层级，如果对应的层级为多层级的解析中的第一个层级，依据对应层级的数据集表征向量，对嵌入映射得到的末尾的层级的数据集表征向量进行解析，得到对应的层级的解析表征向量。如果对应的层级不是多层级的解析中的第一个层级或末尾的层级，依据对应层级的数据集表征向量，对对应的层级的前一层级的解析表征向量进行解析，得到对应的层级的解析表征向量。如果对应的层级为末尾的层级，依据对应层级的数据集表征向量，对末尾的层级的前一层级的解析表征向量进行解析，得到特征强化数据集。
本申请实施例对于多层级的解析过程中，在每个层级的解析，将相应层级的数据集表征向量作为进行对应层级的解析时的对照信息，可以将嵌入映射表征向量（即编码向量）作为解析表征向量解析的对照信息，可以防止解析误差，增加解析的精度。
可选地，本申请实施例提供的方法还包括：获取车间物联网训练数据集，通过车间物联网训练数据集抽取多层级的生产状态训练表征向量；获取在模糊训练数据模板中抽取的多层级的模板训练表征向量；获取车间物联网训练数据集对应的特征强化训练参考信息；对于多层级的每个层级，依据对应层级的生产状态训练表征向量和特征强化训练参考信息，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量；对多层级的训练数据集表征向量进行多层级的解析，获得预估特征强化数据集；获取车间物联网训练数据集对应的批注特征强化数据集，通过预估特征强化数据集和批注特征强化数据集对初始特征强化神经网络进行调试，得到特征强化神经网络；批注特征强化数据集具有车间物联网训练数据集的生产状态，同时包含特征强化训练参考信息对应的强化特征。
本申请实施例提供的上述方法，可以通过机器学习神经网络算法实现，下面介绍特征强化神经网络的调试过程，特征强化神经网络可以为深度神经网络。请参照图3，该调试过程可以包括以下步骤：
步骤T110，获取车间物联网训练数据集，通过车间物联网训练数据集抽取多层级的生产状态训练表征向量。
其中，车间物联网训练数据集是采集的智能生产车间的物联网设备数据构成的集合，例如生产设备的运行日志、传感器检测数据等，生产设备例如为注塑机、机械手、模温机、智能水排、粉碎机、供料系统、除湿干燥辅助机械、三坐标测量机等研发检测设备，通过物联网技术采集上述生产设备的数据后，进行分析可以确定整个生产线的生产状态，例如过载、故障、异常等，生产状态表征向量是车间物联网数据集中表征车间生产状态的特征信息对应的特征向量表达。
具体地，获取拟进行特征强化的车间物联网训练数据集，对车间物联网训练数据集进行表征向量抽取，得到多层级的生产状态训练表征向量。通过初始特征强化神经网络对车间物联网训练数据集进行表征向量抽取，得到多层级的生产状态训练表征向量。
步骤T120，获取在模糊训练数据模板中抽取的多层级的模板训练表征向量。
其中，模糊训练数据模板是事先设置好的模糊数据模板，具体地，获取模糊训练数据模板，对模糊训练数据模板进行表征向量抽取，得到对应的模板训练表征向量，可通过表征向量抽取得到多层级的模板训练表征向量，模糊训练数据模板是存储于初始特征强化神经网络中的模糊数据模板。通过特征强化神经网络对模糊训练数据模板进行表征向量抽取，得到多层级的模板训练表征向量。进一步地，多层级的生产状态训练表征向量对应的层级个数与多层级的模板训练表征向量对应的层级个数相等。
可选地，获取在模糊训练数据模板中抽取的模板训练表征向量；对于多层级的每个层级，依据对应层级的生产状态训练表征向量和特征强化训练参考信息，对模板训练表征向量进行对应的层级下的嵌入映射，获得多层级的训练数据集表征向量。
其中，获取在模糊训练数据模板中抽取的模板训练表征向量，包括：获取在模糊训练数据模板中抽取的多层级的模板训练表征向量；对于多层级的每个层级，依据对应层级的生产状态训练表征向量和特征强化训练参考信息，对模板训练表征向量进行对应的层级下的嵌入映射，获得多层级的训练数据集表征向量，包括：对于多层级的每个层级，依据对应层级的生产状态训练表征向量和特征强化训练参考信息，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量。
步骤T130，获取车间物联网训练数据集对应的特征强化训练参考信息。
其中，特征强化训练参考信息是用于对车间物联网训练数据集进行特征强化时参考的信息，该特征强化训练参考信息用于确定车间物联网训练数据集的特征强化要求强化要素，具体可以为对车间物联网训练数据集设定的特征强化结果信息。对车间物联网训练数据集设定的特征强化结果信息例如是对车间物联网训练数据集中的一个或多个数据块设定的特征强化结果。对车间物联网训练数据集设定的特征强化结果信息，可以通过预设的特征强化构建的事先部署的强化要素训练数据集表征，或者通过对车间物联网训练数据集的特征强化要求强化要素的匹配标签进行表征。
步骤T140，对于多层级的每个层级，依据对应层级的生产状态训练表征向量和特征强化训练参考信息，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量。
其中，训练数据集表征向量是整合了生产状态训练表征向量和特征强化训练参考信息指示的特征强化结果所构建的特征。多层级的训练数据集表征向量中每个层级的训练数据集表征向量整合了前一层级的训练数据集表征向量。
例如，确定特征强化训练参考信息对应的强化特征，对于多层级的每个层级，依据对应层级的生产状态训练表征向量和特征强化训练参考信息对应的强化特征，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量。特征强化训练参考信息包括事先部署的强化要素训练数据集，事先部署的强化要素训练数据集用以限定出车间物联网训练数据集的特征强化要求强化要素；对于多层级的每个层级，依据对应层级的生产状态训练表征向量和特征强化训练参考信息，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量，包括：对事先部署的强化要素训练数据集进行表征向量抽取，得到事先部署的强化要素训练数据集对应的强化要素训练表征向量；对于多层级的每个层级，依据对应层级的生产状态训练表征向量和强化要素训练表征向量，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量。
本申请实施例中，事先部署的强化要素训练数据集对应不同层级的强化要素训练表征向量，不同层级的强化要素训练表征向量对应的层级个数少于多层级的生产状态训练表征向量对应的层级个数；多层级的生产状态训练表征向量对应的层级个数与多层级的模板训练表征向量对应的层级个数相等；对于多层级的每个层级，依据对应层级的生产状态训练表征向量和强化要素训练表征向量，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量，包括：对于多层级的每个层级，如果存在对应的层级下的强化要素训练表征向量，依据对应层级的生产状态训练表征向量和强化要素训练表征向量，对对应的层级下的模板训练表征向量进行嵌入映射，获得对应的层级下的训练数据集表征向量；如果不存在对应的层级下的强化要素训练表征向量，依据对应层级的生产状态训练表征向量，对对应的层级下的模板训练表征向量进行嵌入映射，获得对应的层级下的训练数据集表征向量。
作为其他实施方式，事先部署的强化要素训练数据集包括车间物联网训练数据集对应的生产节点模块化训练数据集，本申请实施例提供的方法还包括：获取依据训练生产节点分割的强化要素训练数据集样例，将车间物联网数据集依据车间物联网数据集所分割的节点进行分割，得到车间物联网训练数据集中的各训练节点数据范围；获取对强化要素训练数据集样例中的每个训练生产节点进行预设的特征强化所构建的生产节点模块化训练数据集；每个训练生产节点用于确定车间物联网训练数据集中相应训练节点数据范围的强化要素；其中，批注特征强化数据集具有车间物联网训练数据集的生产状态，同时批注特征强化数据集中的各节点数据范围包含生产节点模块化训练数据集中相应的训练生产节点所强化的特征。
本申请实施例中，事先部署的强化要素训练数据集包括车间物联网训练数据集对应的采集时序模块化训练数据集，本申请实施例提供的方法还包括：对车间物联网训练数据集进行随机特征强化，得到强化过渡训练数据集；对强化过渡训练数据集进行数据分桶操作，得到车间物联网训练数据集的对应的基础采集时序模块化训练数据集，基础采集时序模块化训练数据集包括车间物联网训练数据集中各训练数据块分别对应的采集时序训练数据；通过对基础采集时序模块化训练数据集中的一个或多个采集时序训练数据的预设特征调节，获得采集时序模块化训练数据集；其中，批注特征强化数据集具有车间物联网训练数据集的生产状态，同时批注特征强化数据集中的各数据块包含采集时序模块化训练数据集中相应的采集时序训练数据对应的强化特征。
步骤T150，对多层级的训练数据集表征向量进行多层级的解析，获得预估特征强化数据集。
具体地，对多层级的训练数据集表征向量进行多层级的解析，在进行末尾的层级的解析后，得到预估特征强化数据集。该预估特征强化数据集可能具有车间物联网训练数据集的生产状态，同时可能包含特征强化训练参考信息对应的强化特征。本申请实施例中，对于多层级的解析中的每个层级，依据对应层级的训练数据集表征向量，对对应的层级的前一层级的训练解析表征向量进行解析，得到对应的层级的训练解析表征向量；进入后一层级的解析，将得到的对应的层级的训练解析表征向量作为后一层级的解析中的前一层级的训练解析表征向量，然后跳转到对对应的层级的前一层级的训练解析表征向量进行解析的步骤，重复进行直到进行末尾的层级的解析后，得到预估特征强化数据集。本申请实施例中，在嵌入映射中的多个层级的嵌入映射的执行次序和在解析中的多个层级的解析执行次序相反。
本申请实施例中，对多层级的训练数据集表征向量进行多层级的解析，获得预估特征强化数据集，包括：对于多层级的解析中的每个层级，如果对应的层级为多层级的解析中的第一个层级，依据对应层级的训练数据集表征向量，对嵌入映射得到的末尾的层级的训练数据集表征向量进行解析，得到对应的层级的训练解析表征向量；如果对应的层级不是多层级的解析中的第一个层级或末尾的层级，依据对应层级的训练数据集表征向量，对对应的层级的前一层级的训练解析表征向量进行解析，得到对应的层级的训练解析表征向量；如果对应的层级为末尾的层级，依据对应层级的训练数据集表征向量，对末尾的层级的前一层级的训练解析表征向量进行解析，得到预估特征强化数据集。
步骤T160，获取车间物联网训练数据集对应的批注特征强化数据集，通过预估特征强化数据集和批注特征强化数据集对初始特征强化神经网络进行调试，得到特征强化神经网络；批注特征强化数据集具有车间物联网训练数据集的生产状态，同时包含特征强化训练参考信息对应的强化特征。
其中，批注特征强化数据集为网络调试过程中的指示真实信息的标记，批注特征强化数据集具有车间物联网训练数据集的生产状态，同时包含特征强化训练参考信息对应的强化特征。
本申请实施例中，通过预估特征强化数据集和批注特征强化数据集对初始特征强化神经网络进行调试，得到特征强化神经网络，包括：确定预估特征强化数据集和批注特征强化数据集之间的生产状态误差和特征强化误差中的一个或多个，通过生产状态误差和特征强化误差中的一个或多个对初始特征强化神经网络进行调试，得到特征强化神经网络。
本申请实施例中，获取车间物联网训练数据集，通过车间物联网训练数据集抽取多层级的生产状态训练表征向量，高层级的生产状态训练表征向量涵盖更多的粗粒度含义的特征信息，低层级生产状态训练表征向量涵盖更多细粒度含义的特征信息。获取在模糊训练数据模板中抽取的多层级的模板训练表征向量，将多层级的生产状态训练表征向量和车间物联网训练数据集对应的特征强化训练参考信息作为模板训练表征向量嵌入映射的参考信息，以对于多层级的每个层级，依据对应层级的生产状态训练表征向量和特征强化训练参考信息，对对应的层级下的模板训练表征向量进行嵌入映射，以依据嵌入映射生成整合了生产状态训练表征向量和特征强化训练参考信息对应的强化特征的训练数据集表征向量。此外，令训练生产状态和强化特征相整合，便于令得到的特征强化数据集中的特征强化结果更能维持和突出生产状态的特征信息。
上述嵌入映射是多层级的，可以得到整合了不同层级的生产状态训练表征向量和该强化特征的训练数据集表征向量，以对多层级的训练数据集表征向量进行多层级的解析，得到预估特征强化数据集，获取车间物联网训练数据集对应的批注特征强化数据集，以通过预估特征强化数据集和批注特征强化数据集间的误差对初始特征强化神经网络进行调试，从而优化神经网络的内部配置变量，令调试得到的特征强化神经网络所构建的预估特征强化数据集具有车间物联网训练数据集的生产状态，同时包含特征强化训练参考信息对应的强化特征。此外，调试得到的特征强化神经网络可以构建生产状态更加具有状态代表性的特征强化数据集。
可选地，本申请实施例提供的方法还包括：获取针对车间物联网训练数据集的训练数据约束标签，训练数据约束标签用于指示车间物联网训练数据集的特征强化要求；对训练数据约束标签进行表征向量抽取，得到对应的训练数据约束表征向量；对于多层级的每个层级，依据对应层级的生产状态训练表征向量和特征强化训练参考信息，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量，包括：对于多层级的每个层级，依据对应层级的生产状态训练表征向量、特征强化训练参考信息和训练数据约束表征向量，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量。
可选地，初始特征强化神经网络包括初始数据集特征抽取层，初始数据集特征抽取层用于抽取多层级的生产状态训练表征向量；通过预估特征强化数据集和批注特征强化数据集对初始特征强化神经网络进行调试，得到特征强化神经网络，包括：确定预估特征强化数据集的生产状态和批注特征强化数据集的生产状态之间的生产状态误差；通过生产状态误差对初始特征强化神经网络的初始数据集特征抽取层进行调试，获得包括数据集特征抽取层的特征强化神经网络。其中，生产状态误差表征预估特征强化数据集的生产状态和批注特征强化数据集的生产状态间的误差，换言之，网络构建的特征强化数据集和实际的特征强化数据集在生产状态上的误差。
具体地，初始特征强化神经网络包括初始数据集特征抽取层，将车间物联网训练数据集输入初始特征强化神经网络，通过初始数据集特征抽取层对车间物联网训练数据集抽取多层级的生产状态训练表征向量。
获取模糊训练数据模板，通过初始特征强化神经网络从模糊训练数据模板中抽取的多层级的模板训练表征向量。获取车间物联网训练数据集对应的特征强化训练参考信息输入初始特征强化神经网络。初始特征强化神经网络对于多层级的每个层级，依据对应层级的生产状态训练表征向量和特征强化训练参考信息，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量。通过初始特征强化神经网络对多层级的训练数据集表征向量进行多层级的解析，获得初始特征强化神经网络生成的预估特征强化数据集。确定预估特征强化数据集的生产状态和批注特征强化数据集的生产状态之间的生产状态误差，通过生产状态误差调节该初始数据集特征抽取层的参数，然后再次进行调试，在达到收敛条件时得到包括数据集特征抽取层的特征强化神经网络。
本申请实施例中，初始特征强化神经网络包括初始数据集特征抽取层和初始数据集构建层，将车间物联网训练数据集输入初始数据集特征抽取层，将特征强化训练参考信息和模糊训练数据模板输入初始数据集构建层，通过初始数据集特征抽取层通过车间物联网训练数据集抽取多层级的生产状态训练表征向量。通过初始数据集构建层获取在模糊训练数据模板中抽取的多层级的模板训练表征向量，将多层级的生产状态训练表征向量输入初始数据集构建层。
对于多层级的每个层级，初始数据集构建层依据对应层级的生产状态训练表征向量和特征强化训练参考信息，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量；初始数据集构建层对多层级的训练数据集表征向量进行多层级的解析，获得预估特征强化数据集。通过生产状态误差对初始数据集特征抽取层和初始数据集构建层进行调试，获得包括数据集特征抽取层和数据集构建层的特征强化神经网络。
其中，初始数据集构建层中包括嵌入映射模块和解析模块，通过嵌入映射模块进行嵌入映射，获得多层级的训练数据集表征向量，通过解析模块进行多层级的解析，获得预估特征强化数据集。本申请实施例中，该初始特征强化神经网络包括初始数据集特征抽取层，通过初始数据集特征抽取层用于抽取多层级的生产状态训练表征向量，通过生产状态误差对初始特征强化神经网络的初始数据集特征抽取层进行调试，如此可以独自对影响生产状态确定的模块进行调试，完成梯度下降，减少误差，提高数据集特征抽取层生成生产状态的准确度，令获取的特征强化数据集的生产状态更精准。
可选地，初始特征强化神经网络还包括初始强化要素特征抽取层，特征强化训练参考信息包括用以限定出车间物联网训练数据集的特征强化要求强化要素的强化要素训练数据集，初始强化要素特征抽取层用于抽取强化要素训练数据集的强化要素训练表征向量；通过生产状态误差对初始特征强化神经网络的初始数据集特征抽取层进行调试，获得包括数据集特征抽取层的特征强化神经网络，包括：通过生产状态误差对初始数据集特征抽取层进行调试，得到数据集特征抽取层；数据集特征抽取层用于抽取多层级的生产状态训练表征向量，对于多层级的每个层级，依据对应层级的生产状态训练表征向量和强化要素训练表征向量，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量，对多层级的训练数据集表征向量进行多层级的解析，获得预估特征强化数据集，确定预估特征强化数据集和批注特征强化数据集之间的特征强化误差，通过生产状态误差对初始强化要素特征抽取层进行调试，获得包括数据集特征抽取层和强化要素特征抽取层的特征强化神经网络。
例如，初始特征强化神经网络包括初始数据集特征抽取层和初始强化要素特征抽取层，通过生产状态误差对初始数据集特征抽取层进行调试，得到调试好的数据集特征抽取层。获取数据集特征抽取层后，基于数据集特征抽取层抽取车间物联网训练数据集的多层级的生产状态训练表征向量，通过初始强化要素特征抽取层抽取强化要素训练数据集的强化要素训练表征向量。对于多层级的每个层级，依据对应层级的生产状态训练表征向量和强化要素训练表征向量，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量，对多层级的训练数据集表征向量进行多层级的解析，获得预估特征强化数据集。确定预估特征强化数据集和批注特征强化数据集之间的特征强化误差，通过生产状态误差对初始强化要素特征抽取层进行调试，得到包括数据集特征抽取层和强化要素特征抽取层的特征强化神经网络。
本申请实施例中，通过生产状态误差对初始数据集特征抽取层进行调试，得到数据集特征抽取层，以在调试获得数据集特征抽取层后再调试初始强化要素特征抽取层，两个网络层是互相独立调试的，通过数据集特征抽取层抽取多层级的生产状态训练表征向量，对于多层级的每个层级，依据对应层级的生产状态训练表征向量和强化要素训练表征向量，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量，对多层级的训练数据集表征向量进行多层级的解析，获得预估特征强化数据集，确定预估特征强化数据集和批注特征强化数据集之间的特征强化误差，通过生产状态误差对初始强化要素特征抽取层进行调试，获得包括数据集特征抽取层和强化要素特征抽取层的特征强化神经网络，令调试好的数据集特征抽取层和强化要素特征抽取层互不牵涉，以在特征强化神经网络的应用时，能独自调用数据集特征抽取层，生成具有生产状态和随机强化特征的特征强化数据集，在联合强化要素特征抽取层时，能结合设定的特征强化结果信息，精准构建具有生产状态和预定特征强化的特征强化数据集，以令特征强化神经网络可以运用到各类使用环境。
可选地，通过预估特征强化数据集和批注特征强化数据集对初始特征强化神经网络进行调试，得到特征强化神经网络，包括：确定预估特征强化数据集的生产状态和批注特征强化数据集的生产状态之间的生产状态误差；确定预估特征强化数据集的特征强化结果和批注特征强化数据集的特征强化结果之间的特征强化误差；基于生产状态误差和特征强化误差对初始特征强化神经网络进行调试，得到特征强化神经网络。
例如，计算预估特征强化数据集的生产状态和批注特征强化数据集的生产状态之间的生产状态误差，确定预估特征强化数据集的特征强化结果和批注特征强化数据集的特征强化结果之间的特征强化误差。基于生产状态误差和特征强化误差确定目标误差，通过目标误差去优化初始特征强化神经网络的参数，再反复调校直到达到收敛要求，得到特征强化神经网络。
本申请实施例中，基于生产状态误差和特征强化误差对初始特征强化神经网络进行调试，得到特征强化神经网络，包括：获取目标误差算法（在其他称谓中，还可以为损失函数、损失算子、代价函数等），基于目标误差算法、生产状态误差和特征强化误差，确定目标误差；通过目标误差对初始特征强化神经网络进行调试，得到特征强化神经网络。
本申请实施例中，将网络生成的预估特征强化数据集和批注特征强化数据集之间的生产状态误差和特征强化误差进行衡量，调节用于构建生产状态的网络参数和完成特征强化的网络参数，以在调试过程中缓慢减少生产状态误差和特征强化误差，得到可以精确构建生产状态和强化特征的特征强化神经网络。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的标签处理方法的智能车间数据采集分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个智能车间数据采集分析装置实施例中的具体限定可以参见上文中对于标签处理方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种智能车间数据采集分析装置400，包括：
数据特征获取模块410，用于获取车间物联网数据集，通过所述车间物联网数据集抽取多层级的生产状态表征向量；
模板特征获取模块420，用于获取在预设模糊数据模板中抽取的所述多层级的模板表征向量；
强化信息获取模块430，用于获取所述车间物联网数据集对应的特征强化参考信息；
特征嵌入映射模块440，用于对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量；
特征解析强化模块450，用于对所述多层级的数据集表征向量进行多层级的解析，获得特征强化数据集；所述特征强化数据集具有所述车间物联网数据集的生产状态，同时包含所述特征强化参考信息对应的强化特征
上述标签处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储包含车间物联网数据、车间物联网训练数据等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种智能车间数据采集分析方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的对象信息(包括但不限于对象的设备信息、对应的个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经对象授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (8)
1.一种智能车间数据采集分析方法，其特征在于，应用于计算机设备，所述方法包括：
获取车间物联网数据集，通过所述车间物联网数据集抽取多层级的生产状态表征向量；
获取在预设模糊数据模板中抽取的所述多层级的模板表征向量；
获取所述车间物联网数据集对应的特征强化参考信息；
对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量；
对所述多层级的数据集表征向量进行多层级的解析，获得特征强化数据集；所述特征强化数据集具有所述车间物联网数据集的生产状态，同时包含所述特征强化参考信息对应的强化特征；
所述特征强化参考信息包括事先部署的强化要素数据集，所述事先部署的强化要素数据集用以限定出所述车间物联网数据集的特征强化要求强化要素；
所述对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：
对所述事先部署的强化要素数据集进行表征向量抽取，得到所述事先部署的强化要素数据集对应的强化要素表征向量；
对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量；
所述事先部署的强化要素数据集对应不同层级的强化要素表征向量，所述不同层级的强化要素表征向量对应的层级个数少于所述多层级的生产状态表征向量对应的层级个数；
所述多层级的生产状态表征向量对应的层级个数与所述多层级的模板表征向量对应的层级个数相等；
所述对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：
对于所述多层级的每个层级，如果存在对应的层级下的强化要素表征向量，依据对应层级的所述生产状态表征向量和所述强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得对应的层级下的数据集表征向量；
如果不存在对应的层级下的强化要素表征向量，依据对应层级的所述生产状态表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得对应的层级下的数据集表征向量。
2.如权利要求1所述的方法，其特征在于，所述事先部署的强化要素数据集包括所述车间物联网数据集对应的生产节点模块化数据集，所述方法还包括：
获取依据生产节点分割的强化要素数据集样例，将所述车间物联网数据集依据所述车间物联网数据集所分割的节点进行分割，得到所述车间物联网数据集中的各节点数据范围；
获取对所述强化要素数据集样例中的每个生产节点进行预设的特征强化所构建的生产节点模块化数据集；
每个所述生产节点用于确定所述车间物联网数据集中相应节点数据范围的强化要素；其中，所述特征强化数据集具有所述车间物联网数据集的生产状态，同时所述特征强化数据集中的各节点数据范围包含所述生产节点模块化数据集中相应的生产节点所强化的特征；
或者，所述事先部署的强化要素数据集包括所述车间物联网数据集对应的采集时序模块化数据集，所述方法还包括：
对所述车间物联网数据集进行随机特征强化，得到强化过渡数据集；
对所述强化过渡数据集进行数据分桶操作，得到所述车间物联网数据集的对应的基础采集时序模块化数据集，所述基础采集时序模块化数据集包括所述车间物联网数据集中各数据块分别对应的采集时序数据；
通过对所述基础采集时序模块化数据集中的一个或多个所述采集时序数据的预设特征调节，获得采集时序模块化数据集；其中，所述特征强化数据集具有所述车间物联网数据集的生产状态，同时所述特征强化数据集中的各数据块包含所述采集时序模块化数据集中相应的采集时序数据对应的强化特征。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取针对所述车间物联网数据集的数据约束标签，所述数据约束标签用于指示所述车间物联网数据集的特征强化要求；
对所述数据约束标签进行表征向量抽取，得到对应的数据约束表征向量；
所述对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：
对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量、所述特征强化参考信息和所述数据约束表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量；
所述对所述多层级的数据集表征向量进行多层级的解析，获得特征强化数据集，包括：
对于所述多层级的解析中的每个层级，如果对应的层级为所述多层级的解析中的第一个层级，依据对应层级的数据集表征向量，对嵌入映射得到的末尾的层级的数据集表征向量进行解析，得到对应的层级的解析表征向量；
如果对应的层级不是所述多层级的解析中的第一个层级或末尾的层级，依据对应层级的数据集表征向量，对对应的层级的前一层级的解析表征向量进行解析，得到对应的层级的解析表征向量；
如果对应的层级为所述末尾的层级，依据对应层级的数据集表征向量，对所述末尾的层级的前一层级的解析表征向量进行解析，得到特征强化数据集。
4.如权利要求1~3任一项所述的方法，其特征在于，所述方法通过预先调试得到的特征强化神经网络实现，所述特征强化神经网络通过以下步骤进行调试得到：
获取车间物联网训练数据集，通过所述车间物联网训练数据集抽取多层级的生产状态训练表征向量；
获取在模糊训练数据模板中抽取的所述多层级的模板训练表征向量；
获取所述车间物联网训练数据集对应的特征强化训练参考信息；
对于所述多层级的每个层级，依据对应层级的所述生产状态训练表征向量和所述特征强化训练参考信息，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量；
对所述多层级的训练数据集表征向量进行多层级的解析，获得预估特征强化数据集；
获取所述车间物联网训练数据集对应的批注特征强化数据集，通过所述预估特征强化数据集和所述批注特征强化数据集对初始特征强化神经网络进行调试，得到特征强化神经网络；所述批注特征强化数据集具有所述车间物联网训练数据集的生产状态，同时包含所述特征强化训练参考信息对应的强化特征。
5.如权利要求4所述的方法，其特征在于，所述初始特征强化神经网络包括初始数据集特征抽取层，所述初始数据集特征抽取层用于抽取所述多层级的生产状态训练表征向量；
所述通过所述预估特征强化数据集和所述批注特征强化数据集对初始特征强化神经网络进行调试，得到特征强化神经网络，包括：
确定所述预估特征强化数据集的生产状态和所述批注特征强化数据集的生产状态之间的生产状态误差；
通过所述生产状态误差对所述初始特征强化神经网络的初始数据集特征抽取层进行调试，获得包括数据集特征抽取层的特征强化神经网络；
所述初始特征强化神经网络还包括初始强化要素特征抽取层，所述特征强化训练参考信息包括用以限定出所述车间物联网训练数据集的特征强化要求强化要素的强化要素训练数据集，所述初始强化要素特征抽取层用于抽取所述强化要素训练数据集的强化要素训练表征向量；
所述通过所述生产状态误差对所述初始特征强化神经网络的初始数据集特征抽取层进行调试，获得包括数据集特征抽取层的特征强化神经网络，包括：
通过所述生产状态误差对所述初始数据集特征抽取层进行调试，得到数据集特征抽取层；
所述数据集特征抽取层用于抽取所述多层级的生产状态训练表征向量；
对于所述多层级的每个层级，依据对应层级的所述生产状态训练表征向量和所述强化要素训练表征向量，对对应的层级下的模板训练表征向量进行嵌入映射，获得多层级的训练数据集表征向量；
对所述多层级的训练数据集表征向量进行多层级的解析，获得预估特征强化数据集；
确定所述预估特征强化数据集和所述批注特征强化数据集之间的特征强化误差，通过所述生产状态误差对所述初始强化要素特征抽取层进行调试，获得包括所述数据集特征抽取层和强化要素特征抽取层的特征强化神经网络。
6.如权利要求4所述的方法，其特征在于，所述通过所述预估特征强化数据集和所述批注特征强化数据集对初始特征强化神经网络进行调试，得到特征强化神经网络，包括：
确定所述预估特征强化数据集的生产状态和所述批注特征强化数据集的生产状态之间的生产状态误差；
确定所述预估特征强化数据集的特征强化结果和所述批注特征强化数据集的特征强化结果之间的特征强化误差；
基于所述生产状态误差和所述特征强化误差对初始特征强化神经网络进行调试，得到特征强化神经网络。
7.一种智能车间数据采集分析装置，其特征在于，包括：
数据特征获取模块，用于获取车间物联网数据集，通过所述车间物联网数据集抽取多层级的生产状态表征向量；
模板特征获取模块，用于获取在预设模糊数据模板中抽取的所述多层级的模板表征向量；
强化信息获取模块，用于获取所述车间物联网数据集对应的特征强化参考信息；
特征嵌入映射模块，用于对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量；
特征解析强化模块，用于对所述多层级的数据集表征向量进行多层级的解析，获得特征强化数据集；所述特征强化数据集具有所述车间物联网数据集的生产状态，同时包含所述特征强化参考信息对应的强化特征；
所述特征强化参考信息包括事先部署的强化要素数据集，所述事先部署的强化要素数据集用以限定出所述车间物联网数据集的特征强化要求强化要素；
所述对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：
对所述事先部署的强化要素数据集进行表征向量抽取，得到所述事先部署的强化要素数据集对应的强化要素表征向量；
对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量；
所述事先部署的强化要素数据集对应不同层级的强化要素表征向量，所述不同层级的强化要素表征向量对应的层级个数少于所述多层级的生产状态表征向量对应的层级个数；
所述多层级的生产状态表征向量对应的层级个数与所述多层级的模板表征向量对应的层级个数相等；
所述对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：
对于所述多层级的每个层级，如果存在对应的层级下的强化要素表征向量，依据对应层级的所述生产状态表征向量和所述强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得对应的层级下的数据集表征向量；
如果不存在对应的层级下的强化要素表征向量，依据对应层级的所述生产状态表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得对应的层级下的数据集表征向量。
8.一种计算机设备，其特征在于，包括：
一个或多个处理器；
以及一个或多个存储器，其中所述存储器中存储有计算机可读代码，所述计算机可读代码在由所述一个或多个处理器运行时，使得所述一个或多个处理器执行如权利要求1~6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310901511.XA CN116629348B (zh) | 2023-07-21 | 2023-07-21 | 一种智能车间数据采集分析方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310901511.XA CN116629348B (zh) | 2023-07-21 | 2023-07-21 | 一种智能车间数据采集分析方法、装置及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116629348A CN116629348A (zh) | 2023-08-22 |
| CN116629348B true CN116629348B (zh) | 2023-10-10 |
Family
ID=87617401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310901511.XA Active CN116629348B (zh) | 2023-07-21 | 2023-07-21 | 一种智能车间数据采集分析方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629348B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021042503A1 (zh) * | 2019-09-06 | 2021-03-11 | 平安科技（深圳）有限公司 | 信息分类抽取方法、装置、计算机设备和存储介质 |
| CN116303690A (zh) * | 2023-05-25 | 2023-06-23 | 深圳市联正通达科技有限公司 | 基于大数据的消防数据处理方法及系统 |
| CN116340315A (zh) * | 2023-03-09 | 2023-06-27 | 杨光城 | 基于数字工厂的数据归档方法及ai系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022087497A1 (en) * | 2020-10-22 | 2022-04-28 | Assent Compliance, Inc. | Multi-dimensional product information analysis, management, and application systems and methods |
-
2023
- 2023-07-21 CN CN202310901511.XA patent/CN116629348B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021042503A1 (zh) * | 2019-09-06 | 2021-03-11 | 平安科技（深圳）有限公司 | 信息分类抽取方法、装置、计算机设备和存储介质 |
| CN116340315A (zh) * | 2023-03-09 | 2023-06-27 | 杨光城 | 基于数字工厂的数据归档方法及ai系统 |
| CN116303690A (zh) * | 2023-05-25 | 2023-06-23 | 深圳市联正通达科技有限公司 | 基于大数据的消防数据处理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 海战场多传感器目标识别中神经网络的应用研究;刘楠楠;张永利;宋鹏汉;;中国电子科学研究院学报(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116629348A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163261B (zh) | 不平衡数据分类模型训练方法、装置、设备及存储介质 | |
| US20210232376A1 (en) | Vectorized representation method of software source code | |
| CN109214191A (zh) | 一种利用深度学习预测软件安全漏洞的方法 | |
| CN110119447A (zh) | 自编码神经网络处理方法、装置、计算机设备及存储介质 | |
| CN112434024B (zh) | 面向关系型数据库的数据字典生成方法、装置、设备及介质 | |
| CN114548591B (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| US6973446B2 (en) | Knowledge finding method | |
| CN111708760B (zh) | 模型迁移部署方法、装置、电子设备及存储介质 | |
| CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
| CN115274008A (zh) | 基于图神经网络的分子性质预测方法和系统 | |
| CN114816997A (zh) | 一种基于图神经网络与双向gru特征抽取的缺陷预测方法 | |
| CN115618269A (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
| CN117318033B (zh) | 一种结合数据孪生的电网数据管理方法及系统 | |
| CN114881343A (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
| CN116629348B (zh) | 一种智能车间数据采集分析方法、装置及计算机设备 | |
| CN116720079A (zh) | 基于多特征融合的风力发电机故障模式识别方法及系统 | |
| CN116933657A (zh) | 一种复杂型面加工参数特征提取方法、系统、设备及介质 | |
| CN116680258A (zh) | 基于pdm系统的数据处理方法、系统以及可读存储介质 | |
| CN111158732A (zh) | 访问数据处理方法、装置、计算机设备及存储介质 | |
| CN112579847A (zh) | 生产数据的处理方法和装置、存储介质及电子设备 | |
| CN116110630A (zh) | Dcs系统中反应堆堆芯热功率测量方法与装置 | |
| CN116010831A (zh) | 一种基于潜在决策结果的组合聚类场景缩减方法及系统 | |
| CN111026661B (zh) | 一种软件易用性全面测试方法及系统 | |
| CN117035562B (zh) | 基于电力大数据的环保智慧监测方法及数据分析设备 | |
| CN117493821B (zh) | 一种微模块机房环境监控方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method, device, and computer equipment for intelligent workshop data collection and analysis Effective date of registration: 20231121 Granted publication date: 20231010 Pledgee: Weihai City Commercial Bank Limited by Share Ltd. high tech branch Pledgor: Weihai Ruimu Precision Technology Co.,Ltd. Registration number: Y2023980066560 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |