CN116700403A - 基于工业系统角色划分的自动化系统及其方法 - Google Patents

Abstract

本发明公开了一种基于工业系统角色划分的自动化系统及其方法，其控制生产线的速度；监测所述生产线的温度和湿度；以及，控制所述生产线中机械设备的动作。这样，通过将自动化系统划分为不同的模块，可以更有效地控制和管理整个系统，而且，还能够对于生产线的工作状态进行实时准确地监测，从而帮助企业能够及时发现问题并采取措施，保障生产线设备的正常运行和生产效率。

Description

基于工业系统角色划分的自动化系统及其方法

技术领域

本发明涉及智能化自动化技术领域，尤其涉及一种基于工业系统角色划分的自动化系统及其方法。

背景技术

随着工业生产的不断发展，越来越多的自动化技术被应用到工业系统中，以提高工业生产效率和生产能力。在现代工业生产中，工业自动化系统已经成为不可或缺的一部分。在这些自动化系统中，角色划分对于实现自动化处理至关重要。

然而，传统的角色划分通常是静态的，无法动态地适应生产环境的变化，导致系统难以满足不同生产情境下的需求。并且，传统的工业角色划分系统通常是基于设备和生产任务进行划分，往往只能实现生产线的基本控制和执行，并没有关注到生产线的运行状态，导致生产线设备出现故障而影响生产效率。

因此，期望一种优化的基于工业系统角色划分的自动化系统。

发明内容

本发明实施例提供一种基于工业系统角色划分的自动化系统及其方法，其控制生产线的速度；监测所述生产线的温度和湿度；以及，控制所述生产线中机械设备的动作。这样，通过将自动化系统划分为不同的模块，可以更有效地控制和管理整个系统，而且，还能够对于生产线的工作状态进行实时准确地监测，从而帮助企业能够及时发现问题并采取措施，保障生产线设备的正常运行和生产效率。

本发明实施例还提供了一种基于工业系统角色划分的自动化系统，其包括：控制系统，用于控制生产线的速度；传感监测系统，用于监测所述生产线的温度和湿度；执行系统，用于控制所述生产线中机械设备的动作。

本发明实施例中，所述传感监测系统，包括：数据采集模块，用于获取预定时间段内多个预定时间点的温度值和湿度值；数据时序排列模块，用于将所述多个预定时间点的温度值和湿度值分别按照时间维度排列为温度时序输入向量和湿度时序输入向量；数据参数时序变化特征提取模块，用于将所述温度时序输入向量和湿度时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到温度时序特征向量和湿度时序特征向量；特征增模块，用于使用高斯密度图对所述温度时序特征向量和所述湿度时序特征向量进行特征增强以得到温度时序特征矩阵和湿度时序特征矩阵；关联编码模块，用于对所述温度时序特征向量和所述湿度时序特征向量进行关联编码以得到温度-湿度关联特征矩阵；特征融合模块，用于融合所述温度时序特征矩阵、所述湿度时序特征矩阵和所述温度-湿度关联特征矩阵以得到分类特征矩阵；以及，工作状态检测模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示生产线的工作状态是否正常。

本发明实施例还提供了一种基于工业系统角色划分的自动化方法，其包括：控制生产线的速度；监测所述生产线的温度和湿度；控制所述生产线中机械设备的动作。

本发明实施例中，基于工业系统角色划分的自动化系统及其方法，通过将自动化系统划分为不同的模块，可以更有效地控制和管理整个系统，而且，还能够对于生产线的工作状态进行实时准确地监测，从而帮助企业能够及时发现问题并采取措施，保障生产线设备的正常运行和生产效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

在附图中：图1为本发明实施例中提供的一种基于工业系统角色划分的自动化系统的框图。

图2为本发明实施例中提供的一种基于工业系统角色划分的自动化系统中所述传感监测系统的框图。

图3为本发明实施例中提供的一种基于工业系统角色划分的自动化系统中所述特征增模块的框图。

图4为本发明实施例中提供的一种基于工业系统角色划分的自动化系统中所述训练模块的框图。

图5为本发明实施例中提供的一种基于工业系统角色划分的自动化系统中所述分类损失单元的框图。

图6为本发明实施例中提供的一种基于工业系统角色划分的自动化方法的流程图。

图7为本发明实施例中提供的一种基于工业系统角色划分的自动化方法的系统架构的示意图。

图8为本发明实施例中提供的一种基于工业系统角色划分的自动化系统的应用场景图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

在本发明的一个实施例中，图1为本发明实施例中提供的一种基于工业系统角色划分的自动化系统的框图。如图1所示，根据本发明实施例的基于工业系统角色划分的自动化系统100，包括：控制系统110，用于控制生产线的速度；传感监测系统120，用于监测所述生产线的温度和湿度；执行系统130，用于控制所述生产线中机械设备的动作。

如上所述，传统的角色划分通常是静态的，无法动态地适应生产环境的变化，导致系统难以满足不同生产情境下的需求。并且，传统的工业角色划分系统通常是基于设备和生产任务进行划分，往往只能实现生产线的基本控制和执行，并没有关注到生产线的运行状态，导致生产线设备出现故障而影响生产效率。因此，期望一种优化的基于工业系统角色划分的自动化系统。

具体地，在本申请的技术方案中，提出了一种基于工业系统角色划分的自动化系统，其特征在于，包括：控制系统，用于控制生产线的速度；传感监测系统，用于监测所述生产线的温度和湿度；执行系统，用于控制所述生产线中机械设备的动作。这样，在工业生产线上，机器人负责完成许多重复性的任务，而传感器则负责监测生产线的温度和湿度等参数。通过将自动化系统划分为不同的模块，可以更有效地控制和管理整个系统。

控制生产线的速度是指通过调整生产线上各个环节的工作速度，以达到最优的生产效率和质量。这通常需要对生产线进行计划和调度，以确保各个环节的工作顺序和速度都能够协调一致。

控制生产线的速度可以通过多种方式实现，例如：通过调整机器设备的转速、输送带的速度等来控制生产线的整体速度；通过人工干预，例如调整工人的工作强度、工作时间等来控制生产线的速度；通过自动化系统，例如使用PLC等自动化设备来控制生产线的速度和工作顺序。无论使用何种方式，控制生产线的速度都是为了提高生产效率、降低成本、提高产品质量和保证生产线的安全性。

监测生产线的温度和湿度是为了确保生产环境的稳定性和产品质量的稳定性。在生产过程中，温度和湿度的变化可能会影响到生产线上的设备和产品，因此需要对其进行实时监测和控制。

常用的监测方法包括：1.温湿度传感器：通过安装在生产线上的温湿度传感器，可以实时监测生产环境的温度和湿度。这些传感器可以将数据传输到数据采集系统中，以便进行分析和控制。2.数据采集系统：通过数据采集系统，可以将温湿度传感器采集到的数据进行记录和分析。这些数据可以用于制定温湿度控制策略，以确保生产环境的稳定性和产品质量的稳定性。3.控制系统：通过控制系统，可以实现对生产环境的温湿度进行控制。例如，当温度或湿度超出设定范围时，控制系统可以自动调整空调、加湿器或除湿器等设备的工作状态，以恢复环境的稳定性。通过监测生产线的温度和湿度，可以及时发现和解决生产过程中可能出现的问题，确保产品质量的稳定性和生产线的安全性。

控制生产线中机械设备的动作是指通过各种控制手段，对生产线上的机械设备进行控制，以实现生产线的自动化和智能化。控制手段通常包括电气控制、PLC控制、传感器控制等。电气控制是指通过电气元器件，如继电器、接触器、开关等，对生产线上的机械设备进行控制。例如，通过电气控制可以实现对机械设备的启动、停止、正反转等操作。

PLC控制是指通过PLC（可编程逻辑控制器）对生产线上的机械设备进行控制。PLC是一种专门用于工业控制的计算机，可以实现对生产线上的机械设备的自动化控制和智能化管理。传感器控制是指通过安装传感器，如光电传感器、压力传感器、温度传感器等，对生产线上的机械设备进行控制。例如，通过光电传感器可以实现对生产线上的物料进行检测和计数，从而控制机械设备的动作。通过控制生产线中机械设备的动作，可以实现生产线的自动化和智能化，提高生产效率和产品质量，减少生产成本和人工干预，同时也能提高生产线的安全性和稳定性。

图2为本发明实施例中提供的一种基于工业系统角色划分的自动化系统中所述传感监测系统的框图。如图2所示，所述传感监测系统120，包括：数据采集模块121，用于获取预定时间段内多个预定时间点的温度值和湿度值；数据时序排列模块122，用于将所述多个预定时间点的温度值和湿度值分别按照时间维度排列为温度时序输入向量和湿度时序输入向量；数据参数时序变化特征提取模块123，用于将所述温度时序输入向量和湿度时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到温度时序特征向量和湿度时序特征向量；特征增模块124，用于使用高斯密度图对所述温度时序特征向量和所述湿度时序特征向量进行特征增强以得到温度时序特征矩阵和湿度时序特征矩阵；关联编码模块125，用于对所述温度时序特征向量和所述湿度时序特征向量进行关联编码以得到温度-湿度关联特征矩阵；特征融合模块126，用于融合所述温度时序特征矩阵、所述湿度时序特征矩阵和所述温度-湿度关联特征矩阵以得到分类特征矩阵；以及，工作状态检测模块127，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示生产线的工作状态是否正常。

具体地，在本发明实施例中，所述数据采集模块121，用于获取预定时间段内多个预定时间点的温度值和湿度值。相应地，考虑到在实际进行工业系统的角色划分来进行工业生产的过程中，监测所述生产线的温度和湿度尤为重要。应可以理解，所述生产线的温度和湿度可以影响到生产线设备的运行效率和寿命。如果环境温度过高或湿度过大，可能会导致设备过热、氧化或腐蚀，从而缩短设备的使用寿命，增加维护成本。

因此，监测温度和湿度可以帮助企业及时发现问题并采取措施，保障设备的正常运行和生产效率。但是，由于温度值和湿度值在时间维度上都是不断变化的，并且这两者之间还具有着相互影响的时序协同关联特征，共同对于生产线的工作状态检测产生影响。因此，在此过程中，难点在于如何进行所述温度值的时序变化特征和所述湿度值的时序变化特征之间的关联性特征分布信息的充分表达，以此来对于生产线的工作状态进行实时准确监测，从而帮助企业能够及时发现问题并采取措施，保障生产线设备的正常运行和生产效率。

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。深度学习以及神经网络的发展为挖掘所述温度值的时序变化特征和所述湿度值的时序变化特征之间的关联性特征分布信息提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的温度值和湿度值。

应可以理解，温度和湿度可以对工厂设备产生不同的影响。例如：温度过高可能会导致设备过热，从而降低设备寿命或导致设备故障。温度过低可能会使设备的某些部件变脆，从而增加设备的损坏风险。湿度过高可能会导致设备表面出现水珠，从而导致设备短路或腐蚀。湿度过低可能会导致设备中的某些部件变干，从而增加设备的摩擦和磨损。因此，对于工厂设备的正常运行，需要保持合适的温湿度环境。同时，温湿度的监测也是非常重要的，可以通过安装温湿度传感器和数据采集系统来实现实时监测和控制，以便及时采取措施来调整环境条件，保证设备的正常运行。

具体地，在本发明实施例中，所述数据时序排列模块122，用于将所述多个预定时间点的温度值和湿度值分别按照时间维度排列为温度时序输入向量和湿度时序输入向量。接着，考虑到由于所述温度值和所述湿度值在时间维度上都具有着动态性的变化规律，因此，为了能够对于所述温度值和所述湿度值在时间维度上的变化特征信息进行提取，在本申请的技术方案中，将所述多个预定时间点的温度值和湿度值分别按照时间维度排列为温度时序输入向量和湿度时序输入向量，以此来分别整合所述温度值和所述湿度值在时序上的分布信息，以便于后续对于所述温度值和所述湿度值进行时序的关联特征挖掘。

将温度值和湿度值排列为向量的有益效果在于：可以将它们作为一个整体来处理和分析，方便进行数学运算和数据处理。将温度和湿度分别作为向量的维度，可以将它们看作是在一个多维空间中的点，从而可以进行空间分析和可视化。此外，将温度和湿度排列为向量还可以方便地进行机器学习和深度学习等算法的应用，从而实现更加精准的预测和控制。

具体地，在本发明实施例中，所述数据参数时序变化特征提取模块123，用于将所述温度时序输入向量和湿度时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到温度时序特征向量和湿度时序特征向量。然后，为了能够捕捉所述温度值和所述湿度值分别在时间维度上的时序动态变化规律，在本申请的技术方案中，进一步将所述温度时序输入向量和湿度时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到温度时序特征向量和湿度时序特征向量。

这里，所述时序特征提取器能够利用一维卷积神经网络模型来分别进行所述温度值和所述湿度值的时序关联特征提取，以此来分别挖掘出所述温度值和所述湿度值在时间维度上的时序变化规律信息。

其中，所述数据参数时序变化特征提取模块123，用于：使用所述基于一维卷积神经网络模型的时序特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述温度时序特征向量和所述湿度时序特征向量，其中，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述温度时序输入向量和湿度时序输入向量。

卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。

卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。

应可以理解，基于一维卷积神经网络模型的时序特征提取器，可以用于对时间序列数据进行特征提取和分类。一维卷积神经网络模型是一种特殊的神经网络模型，它可以对时间序列数据进行卷积和池化操作，从而提取出时间序列中的特征。具体来说，一维卷积神经网络模型包含了卷积层、池化层和全连接层。其中，卷积层可以对时间序列数据进行卷积操作，提取出时间序列中的局部特征；池化层可以对卷积后的特征图进行降维操作，减少模型的计算量；全连接层可以将池化后的特征图映射到结果上。

时序特征提取器的输入是一个时间序列数据，输出是该时间序列数据的特征向量。在操作时，时序特征提取器会根据输入的时间序列数据和对应的标签进行训练，从而得到一个可以提取时序特征的模型。在测试时，时序特征提取器会根据输入的时间序列数据，通过模型提取出该时间序列数据的特征向量。时序特征提取器可以用于对所述温度时序输入向量和湿度时序输入向量进行特征提取，从而实现对设备状态的监测和预测。

具体地，在本发明实施例中，所述特征增模块124，用于使用高斯密度图对所述温度时序特征向量和所述湿度时序特征向量进行特征增强以得到温度时序特征矩阵和湿度时序特征矩阵。进一步地，还考虑到由于所述温度值和所述湿度值在时间维度上具有着波动性，导致其在不同时间周期跨度下呈现出不同的时序变化特征信息，并且所述温度值和所述湿度值的时序动态变化情况在实际监测的过程中并不明显。因此，在得到所述温度值和所述湿度值的时序动态变化特征后，期望对其进行特征表达强化。

应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以所述温度值和所述湿度值特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。

因此，在本申请的技术方案中，可以通过所述温度值和所述湿度值的先验分布，即高斯分布，来分别对于所述温度值和所述湿度值的时序动态变化特征进行数据增强，也就是，使用高斯密度图对所述温度时序特征向量和所述湿度时序特征向量进行特征增强以得到温度时序特征矩阵和湿度时序特征矩阵。

图3为本发明实施例中提供的一种基于工业系统角色划分的自动化系统中所述特征增模块的框图，如图3所示，所述特征增模块124，包括：第一高斯增强单元1241，用于以如下第一高斯公式构造所述温度时序特征向量的第一高斯密度图；其中，所述第一高斯公式为：，其中，/>表示所述温度时序特征向量，且 />的每个位置的值表示所述温度时序特征向量中相应两个位置的特征值之间的方差；第二高斯增强单元1242，用于以如下第二高斯公式构造所述湿度时序特征向量的第二高斯密度图；其中，所述第二高斯公式为：/>，其中，/>表示所述湿度时序特征向量，且/>的每个位置的值表示所述湿度时序特征向量中相应两个位置的特征值之间的方差；以及，高斯离散化单元1243，用于对所述第一高斯密度图和所述第二高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述温度时序特征矩阵和所述湿度时序特征矩阵。

在本申请的另一个实施例中，使用高斯密度图对温度时序特征向量和湿度时序特征向量进行特征增强，可以得到温度时序特征矩阵和湿度时序特征矩阵。具体步骤如下：首先，将温度时序特征向量和湿度时序特征向量分别排列为矩阵，即温度时序特征矩阵和湿度时序特征矩阵；然后，对温度时序特征矩阵和湿度时序特征矩阵进行高斯密度图处理。具体来说，可以使用高斯核函数对矩阵中的每个元素进行加权，得到加权后的矩阵。高斯核函数可以使得矩阵中距离较近的元素具有较大的权重，距离较远的元素具有较小的权重，从而实现特征增强的效果；最后，将加权后的温度时序特征矩阵和湿度时序特征矩阵拼接成一个新的矩阵，即特征增强后的时序特征矩阵。这个时序特征矩阵可以用于后续的处理。

需要注意的是，高斯密度图处理的参数需要根据具体的数据集和任务进行调整，以达到最好的特征增强效果。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。

具体地，在本发明实施例中，所述关联编码模块125，用于对所述温度时序特征向量和所述湿度时序特征向量进行关联编码以得到温度-湿度关联特征矩阵。接着，考虑到在实际进行生产线上各个设备的工作状态监测时，需要综合考虑所述温度值和所述湿度值的时序协同关联变化对机器设备性能的影响，因此需要将所述温度值和所述湿度值的时序变化特征信息进行关联分析，以便更好地监测和维护生产线上各个设备的运行状态。基于此，在本申请的技术方案中，进一步再对所述温度时序特征向量和所述湿度时序特征向量进行关联编码以得到温度-湿度关联特征矩阵，以此来表示特征增强后的所述温度值的时序变化特征和所述湿度值的时序变化特征之间的关联性特征分布信息。

其中，所述关联编码模块125，用于：以如下编码公式对所述温度时序特征向量和所述湿度时序特征向量进行关联编码以得到温度-湿度关联特征矩阵；其中，所述编码公式为：，其中，/>表示所述温度时序特征向量，/>表示所述温度时序特征向量的转置向量，/>表示所述湿度时序特征向量，/>表示温度-湿度关联特征矩阵，/>表示矩阵相乘。

进一步地，关联编码是将两个或多个特征向量进行组合，以得到一个更高级别的特征矩阵。对于温度和湿度时序特征向量，可以将它们进行关联编码，得到温度-湿度关联特征矩阵。其中，每个特征向量的元素可以表示为温度或湿度在某个时间点的值，而关联编码则将这些元素按照时间点进行对应，形成一个二维矩阵，其中每行代表一个时间点，每列代表一个特征。这个矩阵可以用于后续的数据分析和建模，以帮助监测和控制生产线的温湿度变化。

具体地，在本发明实施例中，所述特征融合模块126，用于融合所述温度时序特征矩阵、所述湿度时序特征矩阵和所述温度-湿度关联特征矩阵以得到分类特征矩阵。然后，还考虑到由于在对于生产线的工作状态进行检测的过程中，温度和湿度之间的时序协同关联变化规律会对于生产线上的各个设备的工作性能产生影响，而且所述温度值的时序变化情况和所述湿度值的时序变化情况也会单独对于所述各个设备的性能和工作状态产生影响。因此，在对于所述生产线上的各个设备的工作状态进行监测时，需要结合这些数据来综合进行检测。

具体地，在本申请的技术方案中，进一步融合所述温度时序特征矩阵、所述湿度时序特征矩阵和所述温度-湿度关联特征矩阵以得到分类特征矩阵，以此来表示所述温度值的时序变化特征、所述湿度值的时序变化特征以及所述温度和湿度的时序协同关联特征之间的融合关联特征信息，有利于更好地进行生产线的工作状态监测和优化。

在本申请中，融合温度时序特征矩阵、湿度时序特征矩阵和温度-湿度关联特征矩阵的方式包括：1.将温度时序特征矩阵、湿度时序特征矩阵和温度-湿度关联特征矩阵按照时间点进行横向拼接，形成一个新的特征矩阵。2.将三个特征矩阵进行逐行合并，形成一个新的特征矩阵，其中每行代表一个时间点，每列代表一个特征。3.将温度时序特征矩阵、湿度时序特征矩阵和温度-湿度关联特征矩阵进行加权平均，得到一个新的特征矩阵，其中每个元素的权重可以根据实际需求进行调整。

其中，融合温度时序特征矩阵、湿度时序特征矩阵和温度-湿度关联特征矩阵可以得到分类特征矩阵。具体来说，可以将这三个特征矩阵按照时间点进行横向拼接，形成一个新的特征矩阵，其中每行代表一个时间点，每列代表一个特征。这个新的特征矩阵可以用于监测和控制生产线的温湿度变化，并应用于分类模型进行训练和预测，以帮助提高生产效率和产品质量。

应可以理解，无论采用哪种方式，得到的分类特征矩阵都可以用于监测和控制生产线的温湿度变化，并应用于分类模型进行训练和预测。

具体地，在本发明实施例中，所述工作状态检测模块127，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示生产线的工作状态是否正常。继而，再将所述分类特征矩阵通过分类器中进行分类处理，以得到用于表示生产线的工作状态是否正常的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括生产线的工作状态正常(第一标签)，以及，生产线的工作状态不正常(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。

值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“生产线的工作状态是否正常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，生产线的工作状态是否正常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“生产线的工作状态是否正常”的语言文本意义。

应可以理解，在本申请的技术方案中，所述分类器的分类标签为生产线的工作状态是否正常的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来对于生产线的工作状态进行监测，从而帮助企业能够及时发现问题并采取措施，保障生产线设备的正常运行和生产效率。

具体来说，可以使用各种机器学习算法，如支持向量机、随机森林、神经网络等，对分类特征矩阵进行训练和预测，得到生产线的工作状态。如果分类结果为正常，则表示生产线的各个环节都在正常运行，反之则表示存在异常情况。这样可以及时发现和处理生产线的问题，提高生产效率和产品质量。

其中，所述工作状态检测模块127，包括：矩阵展开单元，用于将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；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。

进一步地，所述基于工业系统角色划分的自动化系统，还包括用于对所述基于一维卷积神经网络模型的时序特征提取器和所述分类器进行训练的训练模块。图4为本发明实施例中提供的一种基于工业系统角色划分的自动化系统中所述训练模块的框图，如图4所示，所述训练模块140，包括：训练数据采集单元141，用于获取预定时间段内多个预定时间点的训练温度值和训练湿度值，以及，所述生产线的工作状态是否正常的真实值；训练数据时序排列单元142，用于将所述多个预定时间点的训练温度值和训练湿度值分别按照时间维度排列为训练温度时序输入向量和训练湿度时序输入向量；训练数据参数时序变化特征提取单元143，用于将所述训练温度时序输入向量和训练湿度时序输入向量分别通过所述基于一维卷积神经网络模型的时序特征提取器以得到训练温度时序特征向量和训练湿度时序特征向量；训练特征增单元144，用于使用高斯密度图对所述训练温度时序特征向量和所述训练湿度时序特征向量进行特征增强以得到训练温度时序特征矩阵和训练湿度时序特征矩阵；训练关联编码单元145，用于对所述训练温度时序特征向量和所述训练湿度时序特征向量进行关联编码以得到训练温度-湿度关联特征矩阵；训练特征融合单元146，用于融合所述训练温度时序特征矩阵、所述训练湿度时序特征矩阵和所述训练温度-湿度关联特征矩阵以得到训练分类特征矩阵；分类损失单元147，用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；伪循环差异惩罚损失单元148，用于计算所述训练温度时序特征向量和所述训练湿度时序特征向量的伪循环差异惩罚因数作为伪循环差异惩罚损失函数值；以及，模型训练单元149，用于以所述分类损失函数值和所述伪循环差异惩罚损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述基于一维卷积神经网络模型的时序特征提取器和所述分类器进行训练。

在本申请的一个实施例中，时序特征提取器的训练包括：1. 准备训练数据集：将生产线的温度和湿度数据采集下来，并将其转换为时序数据格式，即每个时间点对应一个温度和湿度值。2. 对时序数据进行预处理：对时序数据进行去噪、归一化等预处理操作，以提高时序特征提取器的训练效果。3. 构建一维卷积神经网络模型：使用一维卷积神经网络（CNN）模型作为时序特征提取器，从时序数据中提取温度和湿度的时序特征。4. 训练模型：使用训练数据集对时序特征提取器进行训练，调整模型参数，以提高时序特征提取器的准确率和泛化能力。

分类器的训练包括：1. 准备训练数据集：将生产线的温度、湿度和分类标签数据采集下来，并将其转换为分类特征矩阵格式。2. 对分类特征矩阵进行预处理：对分类特征矩阵进行归一化、特征选择等预处理操作，以提高分类器的训练效果。3. 构建分类器模型：使用支持向量机（SVM）、随机森林（RF）或神经网络等机器学习算法作为分类器，对分类特征矩阵进行分类。4. 训练模型：使用训练数据集对分类器进行训练，调整模型参数，以提高分类器的准确率和泛化能力。

通过以上训练过程，可以得到一个基于一维卷积神经网络模型的时序特征提取器和一个分类器，用于监测和控制生产线的温湿度变化，并判断生产线的工作状态是否正常。

其中，图5为本发明实施例中提供的一种基于工业系统角色划分的自动化系统中所述分类损失单元的框图，如图5所示，所述分类损失单元147，包括：训练分类子单元1471，用于所述分类器以如下分类公式对所述训练分类特征矩阵进行处理以生成训练分类结果，其中，所述分类公式为： ，其中，/>表示将所述训练分类特征矩阵投影为向量，/>至/>为权重矩阵，/>至/>表示偏置矩阵；以及，函数值计算子单元1472，用于计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。

分类损失函数通常用来衡量分类器的性能，它可以表示分类器在对输入数据进行分类时产生的错误率。将训练分类特征矩阵通过分类器可以得到分类结果，然后将分类结果与标签进行比较，以计算分类器的分类损失函数值。分类损失函数的计算方法通常有很多种，比如交叉熵损失函数、均方误差损失函数等。在实际应用中，可以根据具体情况选择不同的损失函数来进行分类器的训练。

特别地，在本申请的技术方案中，考虑到所述温度时序特征矩阵和所述湿度时序特征矩阵分别是使用高斯密度图对所述温度时序特征向量和所述湿度时序特征向量进行特征增强得到的，而所述温度-湿度关联特征矩阵是对所述温度时序特征向量和所述湿度时序特征向量进行关联编码得到的，因此如果保持所述温度时序特征向量和所述湿度时序特征向量之间的时序特征分布的分布平衡性，则显然有利于提升所述温度时序特征矩阵、所述湿度时序特征矩阵和所述温度-湿度关联特征矩阵的融合效果。

这里，由于所述温度时序特征矩阵和所述湿度时序特征矩阵分别表示温度值和湿度值的局部时序关联特征，其源数据的差异本身就会导致时序分布上的分布差异，而在使用高斯密度图进行特征增强和进行逐位置关联编码之后，也会进一步提升所述温度时序特征矩阵、所述湿度时序特征矩阵和所述温度-湿度关联特征矩阵之间的分布不平衡。

因此，本申请的申请人在针对所述分类特征矩阵的分类损失函数之外，进一步引入针对所述温度时序特征向量，例如记为和所述湿度时序特征向量，例如记为/>的伪循环差异惩罚因数作为损失函数，具体表示为：以如下损失公式计算所述训练温度时序特征向量和所述训练湿度时序特征向量的伪循环差异惩罚因数作为所述伪循环差异惩罚损失函数值；其中，所述损失公式为：/>，其中，/>是所述训练温度时序特征向量，/>是所述训练湿度时序特征向量，/>为所述训练温度时序特征向量和所述训练湿度时序特征向量之间的距离矩阵，/> 表示矩阵的Frobenius范数，/>是特征向量的长度，/>是所述训练温度时序特征向量和所述训练湿度时序特征向量之间的距离，/>是向量的二范数，/>表示以2为底的对数函数，且 />和/>为加权超参数，/>是所述伪循环差异惩罚损失函数值。

这里，考虑到所述温度时序特征向量和所述湿度时序特征向量/>间的不平衡分布会在基于梯度下降的反向传播的模型训练过程当中导致梯度传播异常，从而形成模型参数更新的伪循环，所述伪循环差异惩罚因数通过引入用于表达特征值的密切关联数值对的空间关系和数值关系两者的惩罚因数，来在最小化损失函数的模型训练过程中，将模型参数更新的伪循环视为真实循环，以通过梯度传播的模拟激活的方式来实现所述温度时序特征向量/>和所述湿度时序特征向量/>各自的特征分布的渐进耦合，从而改进所述温度时序特征矩阵、所述湿度时序特征矩阵和所述温度-湿度关联特征矩阵的融合效果，以改进融合得到的所述分类特征矩阵的表达效果。这样，能够对于生产线的工作状态进行实时准确地监测，从而帮助企业能够及时发现问题并采取措施，保障生产线设备的正常运行和生产效率。

在本申请中，伪循环差异惩罚因数是用来惩罚时序特征向量中存在的伪循环差异的一种方法。在计算伪循环差异惩罚因数时，需要先计算温度时序特征向量和湿度时序特征向量的自相关矩阵，然后对自相关矩阵进行特征值分解，得到特征值和特征向量。接下来，可以通过计算特征向量之间的夹角来判断时序特征向量中是否存在伪循环差异，如果存在，则将其作为惩罚因数加入到伪循环差异惩罚损失函数中。

综上，基于本发明实施例的基于工业系统角色划分的自动化系统100被阐明，其控制生产线的速度；监测所述生产线的温度和湿度；以及，控制所述生产线中机械设备的动作。这样，通过将自动化系统划分为不同的模块，可以更有效地控制和管理整个系统，而且，还能够对于生产线的工作状态进行实时准确地监测，从而帮助企业能够及时发现问题并采取措施，保障生产线设备的正常运行和生产效率。

如上所述，根据本发明实施例的基于工业系统角色划分的自动化系统100可以实现在各种终端设备中，例如用于基于工业系统角色划分的自动化的服务器等。在一个示例中，根据本发明实施例的基于工业系统角色划分的自动化系统100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，该基于工业系统角色划分的自动化系统100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，该基于工业系统角色划分的自动化系统100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，该基于工业系统角色划分的自动化系统100与该终端设备也可以是分立的设备，并且该基于工业系统角色划分的自动化系统100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。

在本发明的一个实施例中，图6为本发明实施例中提供的一种基于工业系统角色划分的自动化方法的流程图。如图6所示，根据本发明实施例的基于工业系统角色划分的自动化方法，其包括：210，控制生产线的速度；220，监测所述生产线的温度和湿度；230，控制所述生产线中机械设备的动作。

图7为本发明实施例中提供的一种基于工业系统角色划分的自动化方法的系统架构的示意图。如图7所示，在所述基于工业系统角色划分的自动化方法的系统架构中，首先，获取预定时间段内多个预定时间点的温度值和湿度值；然后，将所述多个预定时间点的温度值和湿度值分别按照时间维度排列为温度时序输入向量和湿度时序输入向量；接着，将所述温度时序输入向量和湿度时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到温度时序特征向量和湿度时序特征向量；然后，使用高斯密度图对所述温度时序特征向量和所述湿度时序特征向量进行特征增强以得到温度时序特征矩阵和湿度时序特征矩阵；接着，对所述温度时序特征向量和所述湿度时序特征向量进行关联编码以得到温度-湿度关联特征矩阵；然后，融合所述温度时序特征矩阵、所述湿度时序特征矩阵和所述温度-湿度关联特征矩阵以得到分类特征矩阵；以及，最后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示生产线的工作状态是否正常。

本领域技术人员可以理解，上述基于工业系统角色划分的自动化方法中的各个步骤的具体操作已经在上面参考图1到图5的基于工业系统角色划分的自动化系统的描述中得到了详细介绍，并因此，将省略其重复描述。

图8为本发明实施例中提供的一种基于工业系统角色划分的自动化系统的应用场景图。如图8所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的温度值（例如，如图1中所示意的C1）和湿度值（例如，如图1中所示意的C2）；然后，将获取的温度值和湿度值输入至部署有基于工业系统角色划分的自动化算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于工业系统角色划分的自动化算法对所述温度值和所述湿度值进行处理，以生成用于表示生产线的工作状态是否正常的分类结果。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于工业系统角色划分的自动化系统，其特征在于，包括：控制系统，用于控制生产线的速度；传感监测系统，用于监测所述生产线的温度和湿度；执行系统，用于控制所述生产线中机械设备的动作。

2.根据权利要求1所述的基于工业系统角色划分的自动化系统，其特征在于，所述传感监测系统，包括：数据采集模块，用于获取预定时间段内多个预定时间点的温度值和湿度值；数据时序排列模块，用于将所述多个预定时间点的温度值和湿度值分别按照时间维度排列为温度时序输入向量和湿度时序输入向量；数据参数时序变化特征提取模块，用于将所述温度时序输入向量和湿度时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到温度时序特征向量和湿度时序特征向量；特征增模块，用于使用高斯密度图对所述温度时序特征向量和所述湿度时序特征向量进行特征增强以得到温度时序特征矩阵和湿度时序特征矩阵；关联编码模块，用于对所述温度时序特征向量和所述湿度时序特征向量进行关联编码以得到温度-湿度关联特征矩阵；特征融合模块，用于融合所述温度时序特征矩阵、所述湿度时序特征矩阵和所述温度-湿度关联特征矩阵以得到分类特征矩阵；以及工作状态检测模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示生产线的工作状态是否正常。

3.根据权利要求2所述的基于工业系统角色划分的自动化系统，其特征在于，所述数据参数时序变化特征提取模块，用于：使用所述基于一维卷积神经网络模型的时序特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述温度时序特征向量和所述湿度时序特征向量，其中，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述温度时序输入向量和湿度时序输入向量。

4.根据权利要求3所述的基于工业系统角色划分的自动化系统，其特征在于，所述特征增模块，包括：第一高斯增强单元，用于以如下第一高斯公式构造所述温度时序特征向量的第一高斯密度图；其中，所述第一高斯公式为：，

其中，表示所述温度时序特征向量，且 />的每个位置的值表示所述温度时序特征向量中相应两个位置的特征值之间的方差；第二高斯增强单元，用于以如下第二高斯公式构造所述湿度时序特征向量的第二高斯密度图；其中，所述第二高斯公式为：/>，其中，/>表示所述湿度时序特征向量，且/>的每个位置的值表示所述湿度时序特征向量中相应两个位置的特征值之间的方差；以及高斯离散化单元，用于对所述第一高斯密度图和所述第二高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述温度时序特征矩阵和所述湿度时序特征矩阵。

5.根据权利要求4所述的基于工业系统角色划分的自动化系统，其特征在于，所述关联编码模块，用于：以如下编码公式对所述温度时序特征向量和所述湿度时序特征向量进行关联编码以得到温度-湿度关联特征矩阵；其中，所述编码公式为：，其中，表示所述温度时序特征向量，/>表示所述温度时序特征向量的转置向量，/>表示所述湿度时序特征向量，/>表示温度-湿度关联特征矩阵，/>表示矩阵相乘。

6.根据权利要求5所述的基于工业系统角色划分的自动化系统，其特征在于，还包括用于对所述基于一维卷积神经网络模型的时序特征提取器和所述分类器进行训练的训练模块。

7.根据权利要求6所述的基于工业系统角色划分的自动化系统，其特征在于，所述训练模块，包括：训练数据采集单元，用于获取预定时间段内多个预定时间点的训练温度值和训练湿度值，以及，所述生产线的工作状态是否正常的真实值；训练数据时序排列单元，用于将所述多个预定时间点的训练温度值和训练湿度值分别按照时间维度排列为训练温度时序输入向量和训练湿度时序输入向量；训练数据参数时序变化特征提取单元，用于将所述训练温度时序输入向量和训练湿度时序输入向量分别通过所述基于一维卷积神经网络模型的时序特征提取器以得到训练温度时序特征向量和训练湿度时序特征向量；训练特征增单元，用于使用高斯密度图对所述训练温度时序特征向量和所述训练湿度时序特征向量进行特征增强以得到训练温度时序特征矩阵和训练湿度时序特征矩阵；训练关联编码单元，用于对所述训练温度时序特征向量和所述训练湿度时序特征向量进行关联编码以得到训练温度-湿度关联特征矩阵；训练特征融合单元，用于融合所述训练温度时序特征矩阵、所述训练湿度时序特征矩阵和所述训练温度-湿度关联特征矩阵以得到训练分类特征矩阵；分类损失单元，用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；伪循环差异惩罚损失单元，用于计算所述训练温度时序特征向量和所述训练湿度时序特征向量的伪循环差异惩罚因数作为伪循环差异惩罚损失函数值；以及模型训练单元，用于以所述分类损失函数值和所述伪循环差异惩罚损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述基于一维卷积神经网络模型的时序特征提取器和所述分类器进行训练。

8.根据权利要求7所述的基于工业系统角色划分的自动化系统，其特征在于，所述分类损失单元，包括：训练分类子单元，用于所述分类器以如下分类公式对所述训练分类特征矩阵进行处理以生成训练分类结果，其中，所述分类公式为： ，其中，/>表示将所述训练分类特征矩阵投影为向量，/>至/>为权重矩阵，/>至/>表示偏置矩阵；以及函数值计算子单元，用于计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。

9.根据权利要求8所述的基于工业系统角色划分的自动化系统，其特征在于，所述伪循环差异惩罚损失单元，用于：以如下损失公式计算所述训练温度时序特征向量和所述训练湿度时序特征向量的伪循环差异惩罚因数作为所述伪循环差异惩罚损失函数值；其中，所述损失公式为：，其中，/>是所述训练温度时序特征向量，/>是所述训练湿度时序特征向量，/>为所述训练温度时序特征向量和所述训练湿度时序特征向量之间的距离矩阵，/> 表示矩阵的Frobenius范数，/>是特征向量的长度，/>是所述训练温度时序特征向量和所述训练湿度时序特征向量之间的距离，/>是向量的二范数，/>表示以2为底的对数函数，且 />和/>为加权超参数，/>是所述伪循环差异惩罚损失函数值。

10.一种基于工业系统角色划分的自动化方法，其特征在于，包括：控制生产线的速度；监测所述生产线的温度和湿度；控制所述生产线中机械设备的动作。