CN116994609B - 应用于智能生产线的数据分析方法及系统 - Google Patents
应用于智能生产线的数据分析方法及系统 Download PDFInfo
- Publication number
- CN116994609B CN116994609B CN202311275881.3A CN202311275881A CN116994609B CN 116994609 B CN116994609 B CN 116994609B CN 202311275881 A CN202311275881 A CN 202311275881A CN 116994609 B CN116994609 B CN 116994609B
- Authority
- CN
- China
- Prior art keywords
- network
- audio
- information
- optimized
- audio unit
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 128
- 238000007405 data analysis Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 285
- 238000005457 optimization Methods 0.000 claims abstract description 169
- 238000012549 training Methods 0.000 claims abstract description 138
- 238000012544 monitoring process Methods 0.000 claims abstract description 55
- 238000000605 extraction Methods 0.000 claims description 331
- 230000009467 reduction Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Abstract
本发明提供的应用于智能生产线的数据分析方法及系统，涉及人工智能技术领域。在本发明中，利用第i阶段优化的音频信息分析组件和训练生产线监控信息，确定出初始优化用信息；依据初始优化用信息包括的训练初始音频单元和初始需抽取还原音频单元，优化第i阶段优化的音频信息分析组件，得到优化音频信息分析组件；利用优化音频信息分析组件，对目标生产线监控信息进行分析操作，输出音频信息分析结果。基于上述内容，可以在一定程度上提高数据分析的可靠度。
Description
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种应用于智能生产线的数据分析方法及系统。
背景技术
生产目标的性能在一定程度上会受到生产目标的生产设备的影响，例如，生产设备的运行状态的良好程度可以与生产目标的性能优异程度之间具有正相关的关系。基于此，在一些应用中，需要对生产目标的生产设备的运行状态进行分析，以得到对应的状态分析结果，但是，在现有技术中，存在着状态分析结果的可靠度不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种应用于智能生产线的数据分析方法及系统，以在一定程度上提高数据分析的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种应用于智能生产线的数据分析方法，包括：
对训练生产线监控信息进行加载，使其被加载到第i阶段优化的包括在前信息抽取网络的音频信息分析组件中，利用所述第i阶段优化的音频信息分析组件和所述训练生产线监控信息，确定出初始优化用信息，所述初始优化用信息包括用作优化标识的训练初始音频单元和所述训练初始音频单元对应的初始需抽取还原音频单元，所述初始需抽取还原音频单元属于在利用所述第i阶段优化的音频信息分析组件将所述训练初始音频单元进行还原的时候，还没有被所述在前信息抽取网络进行信息抽取操作的还原音频单元，所述训练初始音频单元属于所述训练生产线监控信息中的音频单元；
依据所述训练初始音频单元和所述初始需抽取还原音频单元，优化所述音频信息分析组件，得到优化音频信息分析组件；
利用所述优化音频信息分析组件，对接收到的目标生产设备的目标生产线监控信息进行分析操作，输出所述目标生产设备对应的音频信息分析结果，所述目标生产线监控信息通过音频采集设备对所述目标生产设备的运行过程进行信息采集以得到，所述音频信息分析结果用于反映所述目标生产设备的运行状态，所述优化音频信息分析组件还包括设备运行状态分析网络，所述设备运行状态分析网络用于对经过信息抽取网络处理后的目标生产线监控信息进行状态分析操作，输出音频信息分析结果。
在一些优选的实施例中，在上述应用于智能生产线的数据分析方法中，所述依据所述训练初始音频单元和所述初始需抽取还原音频单元，优化所述音频信息分析组件，得到优化音频信息分析组件的步骤，包括：
依据所述训练初始音频单元和所述初始需抽取还原音频单元，将所述第i阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的在后信息抽取网络；
将所述第i阶段优化的音频信息分析组件中的在前信息抽取网络替换为所述在后信息抽取网络，以形成第j阶段优化的音频信息分析组件，所述第j阶段为所述第i阶段的后一个阶段；
基于所述第j阶段优化的音频信息分析组件，确定出对应的优化音频信息分析组件；
所述在前信息抽取网络包括用于将属于单元内部分析种类的需抽取还原音频单元进行信息抽取操作的第一内部抽取子网络；
所述第一内部抽取子网络通过对第m阶段优化的音频信息分析组件中的候选内部抽取子网络进行网络优化操作以形成，所述第m阶段为所述第i阶段的前一个阶段；
所述第i阶段优化的音频信息分析组件还包括没有进行过网络优化操作的候选外部抽取子网络；
所述候选外部抽取子网络用于将属于单元外部分析种类的需抽取还原音频单元进行信息抽取操作；
所述第i阶段优化的音频信息分析组件中的需优化信息抽取网络包括所述候选外部抽取子网络和所述第一内部抽取子网络。
在一些优选的实施例中，在上述应用于智能生产线的数据分析方法中，所述依据所述训练初始音频单元和所述初始需抽取还原音频单元，将所述第i阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的在后信息抽取网络的步骤，包括：
从所述初始需抽取还原音频单元中，确定出属于单元外部分析种类的需抽取外部还原音频单元，以及，对所述训练初始音频单元中的所述需抽取外部还原音频单元对应的训练初始音频单元进行标记，使其被标记为第一音频单元标识信息；
从所述初始需抽取还原音频单元中，确定出属于单元内部分析种类的第一需抽取内部还原音频单元，以及，对所述训练初始音频单元中的所述第一需抽取内部还原音频单元对应的训练初始音频单元进行标记，使其被标记为第二音频单元标识信息；
依据所述需抽取外部还原音频单元和所述第一音频单元标识信息，将所述候选外部抽取子网络进行网络优化操作，形成与目标优化条件匹配的第一外部抽取子网络；
依据所述需抽取内部还原音频单元和所述第二音频单元标识信息，将所述第一内部抽取子网络进行网络优化操作，形成与目标优化条件匹配的第二内部抽取子网络；
基于所述第一外部抽取子网络和所述第二内部抽取子网络，形成与目标优化条件匹配的在后信息抽取网络。
在一些优选的实施例中，在上述应用于智能生产线的数据分析方法中，所述将所述第i阶段优化的音频信息分析组件中的在前信息抽取网络替换为所述在后信息抽取网络，以形成第j阶段优化的音频信息分析组件的步骤，包括：
基于所述第二内部抽取子网络，对所述第i阶段优化的音频信息分析组件中的所述第一内部抽取子网络进行调整；
基于所述第一外部抽取子网络，对所述第i阶段优化的音频信息分析组件中的所述候选外部抽取子网络进行调整。
在一些优选的实施例中，在上述应用于智能生产线的数据分析方法中，所述在前信息抽取网络包括用于将属于单元内部分析种类的需抽取还原音频单元进行信息抽取操作的第一内部抽取子网络；
所述第一内部抽取子网络通过对第m阶段优化的音频信息分析组件中的候选内部抽取子网络进行网络优化操作以形成，所述第m阶段为所述第i阶段的前一个阶段；
所述第i阶段优化的音频信息分析组件还包括没有进行过网络优化操作的第一候选抽取子网络与第二候选抽取子网络；
所述第一候选抽取子网络用于将属于第一单元外部分析种类的需抽取还原音频单元进行信息抽取操作；
所述第二候选抽取子网络用于将属于第二单元外部分析种类的需抽取还原音频单元进行信息抽取操作，所述第一单元外部分析种类和所述第二单元外部分析种类属于不同的单元外部分析种类。
在一些优选的实施例中，在上述应用于智能生产线的数据分析方法中，所述依据所述训练初始音频单元和所述初始需抽取还原音频单元，将所述第i阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的在后信息抽取网络的步骤，包括：
对所述第i阶段优化的音频信息分析组件中的所述第一内部抽取子网络和所述第一候选抽取子网络进行标记，使其被标记为所述第i阶段优化的音频信息分析组件的需优化信息抽取网络；
从所述初始需抽取还原音频单元中，提取出属于第一单元外部分析种类的第一种类的需抽取外部还原音频单元，以及，对所述训练初始音频单元中的所述第一种类的需抽取外部还原音频单元对应的训练初始音频单元进行标记，使其被标记为第三音频单元标识信息；
从所述初始需抽取还原音频单元中，提取出属于单元内部分析种类的第二需抽取内部还原音频单元，以及，对所述训练初始音频单元中的所述第二需抽取内部还原音频单元对应的训练初始音频单元进行标记，使其被标记为第四音频单元标识信息；
依据所述第一种类的需抽取外部还原音频单元和所述第三音频单元标识信息，将所述第一候选抽取子网络进行网络优化操作，形成与目标优化条件匹配的第一种类外部抽取子网络；
依据所述第二需抽取内部还原音频单元和所述第四音频单元标识信息，将所述第一内部抽取子网络进行网络优化操作，形成与目标优化条件匹配的第二内部抽取子网络；
基于所述第一种类外部抽取子网络和所述第二内部抽取子网络，形成与目标优化条件匹配的在后信息抽取网络。
在一些优选的实施例中，在上述应用于智能生产线的数据分析方法中，所述基于所述第j阶段优化的音频信息分析组件，确定出对应的优化音频信息分析组件的步骤，包括：
在所述第j阶段优化的音频信息分析组件与预先确定的信息抽取指标不匹配的情况，利用所述第j阶段优化的音频信息分析组件和所述训练生产线监控信息，确定出深度优化用信息，所述深度优化用信息包括用作优化标识的所述训练初始音频单元和所述训练初始音频单元对应的深度需抽取还原音频单元，所述深度需抽取还原音频单元属于在利用所述第j阶段优化的音频信息分析组件将所述训练初始音频单元进行还原的时候，还没有被所述在后信息抽取网络进行信息抽取操作的音频单元；
依据所述训练初始音频单元和所述深度需抽取还原音频单元，将所述第j阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的深度优化信息抽取网络；
基于所述深度优化信息抽取网络，将所述第j阶段优化的音频信息分析组件进行优化操作，形成第n阶段优化的音频信息分析组件，所述第n阶段为所述第j阶段的后一个阶段；
在所述第n阶段优化的音频信息分析组件与所述信息抽取指标匹配的情况下，对所述第n阶段优化的音频信息分析组件进行标记，使其被标记为对应的所述优化音频信息分析组件。
在一些优选的实施例中，在上述应用于智能生产线的数据分析方法中，所述第j阶段优化的音频信息分析组件中的需优化信息抽取网络包括所述第二候选抽取子网络；以及，所述依据所述训练初始音频单元和所述深度需抽取还原音频单元，将所述第j阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的深度优化信息抽取网络的步骤，包括：
从所述深度需抽取还原音频单元中，提取出属于第二单元外部分析种类的第二种类的需抽取外部还原音频单元，以及，对所述训练初始音频单元中的所述第二种类的需抽取外部还原音频单元对应的训练初始音频单元进行标记，使其被标记为第五音频单元标识信息；
依据所述第二种类的需抽取外部还原音频单元和所述第五音频单元标识信息，将所述第二候选抽取子网络进行网络优化操作，形成与目标优化条件匹配的第二种类外部抽取子网络；
对所述第二种类外部抽取子网络进行标记，使其被标记为与目标优化条件匹配的深度优化信息抽取网络。
在一些优选的实施例中，在上述应用于智能生产线的数据分析方法中，所述依据所述训练初始音频单元和所述初始需抽取还原音频单元，将所述第i阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的在后信息抽取网络的步骤，包括：
对所述初始需抽取还原音频单元进行加载，使其被加载到所述在前信息抽取网络中，利用所述在前信息抽取网络分析出所述初始需抽取还原音频单元对应的训练抽取还原音频单元；
计算出所述训练抽取还原音频单元和所述训练初始音频单元之间的网络优化代价指标，以及，基于所述网络优化代价指标，对所述在前信息抽取网络的网络参数进行优化，以形成具有优化后的网络参数的在前信息抽取网络；
在所述具有优化后的网络参数的在前信息抽取网络与目标优化条件匹配的情况下，对所述具有优化后的网络参数的在前信息抽取网络进行标记，使其被标记为所述目标优化条件匹配的在后信息抽取网络。
本发明实施例还提供一种应用于智能生产线的数据分析系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的应用于智能生产线的数据分析方法。
本发明实施例提供的应用于智能生产线的数据分析方法及系统，可以先利用第i阶段优化的音频信息分析组件和训练生产线监控信息，确定出初始优化用信息；依据初始优化用信息包括的训练初始音频单元和初始需抽取还原音频单元，优化第i阶段优化的音频信息分析组件，得到优化音频信息分析组件；利用优化音频信息分析组件，对目标生产线监控信息进行分析操作，输出音频信息分析结果。基于前述的内容，由于会对音频信息分析组件中的信息抽取网络进行优化，即优化音频信息分析组件中包括优化后的信息抽取网络，使得在进行状态分析操作之前，会先进行信息抽取操作，从而保障状态分析操作的依据可以更为精简，因此，可以在一定程度上提高数据分析的可靠度，从而改善现有技术中存在的数据分析的可靠度（即状态分析的可靠度）不高的问题。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的应用于智能生产线的数据分析系统的结构框图。
图2为本发明实施例提供的应用于智能生产线的数据分析方法包括的各步骤的流程示意图。
图3为本发明实施例提供的应用于智能生产线的数据分析装置包括的各模块的示意图。
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种应用于智能生产线的数据分析系统。其中，所述应用于智能生产线的数据分析系统可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的应用于智能生产线的数据分析方法。
可以理解的是，在一种可能的实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。
可以理解的是，在一种可能的实施方式中，所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解的是，在一种可能的实施方式中，所述应用于智能生产线的数据分析系统可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种应用于智能生产线的数据分析方法，可应用于上述应用于智能生产线的数据分析系统。其中，所述应用于智能生产线的数据分析方法有关的流程所定义的方法步骤，可以由所述应用于智能生产线的数据分析系统实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S100，对训练生产线监控信息进行加载，使其被加载到第i阶段优化的包括在前信息抽取网络的音频信息分析组件中，利用所述第i阶段优化的音频信息分析组件和所述训练生产线监控信息，确定出初始优化用信息。
在本发明实施例中，所述应用于智能生产线的数据分析系统可以对训练生产线监控信息进行加载，使其被加载到第i阶段优化的包括在前信息抽取网络的音频信息分析组件中，利用所述第i阶段优化的音频信息分析组件和所述训练生产线监控信息，确定出初始优化用信息。所述初始优化用信息包括用作优化标识的训练初始音频单元和所述训练初始音频单元对应的初始需抽取还原音频单元，所述初始需抽取还原音频单元属于在利用所述第i阶段优化的音频信息分析组件将所述训练初始音频单元进行还原的时候，还没有被所述在前信息抽取网络进行信息抽取操作的还原音频单元，所述训练初始音频单元属于所述训练生产线监控信息中的音频单元。也就是说，对于所述训练初始音频单元，一般会经过所述第i阶段优化的音频信息分析组件的还原操作，形成对应的还原音频单元，例如，所述第i阶段优化的音频信息分析组件还包括音频信息还原网络，所述音频信息还原网络可以用于将所述训练初始音频单元还原出对应的还原音频单元，即得到所述初始需抽取还原音频单元，然后，可以利用所述在前信息抽取网络，对所述初始需抽取还原音频单元进行信息抽取操作。其中，所述训练生产线监控信息是指训练的生产线监控信息，即用于进行网络优化操作的一种生产线监控信息，而生产线监控信息是基于音频采集设备对生产目标生产设备的运行过程进行信息采集和传输以得到，一般来说，在传输的过程中，一般会先进行压缩操作然后再进行传输，因此，所述音频信息还原网络可以用于将压缩的生产线监控信息进行解压，这样的一个过程，可能会导致生产线监控信息发生变形，从而导致基于该生产线监控信息的状态分析的可靠度不高，因此，还需要进行信息抽取操作，抽取出其中真实的生产线监控信息，然后，再进行状态分析操作，保障状态分析的可靠度。
步骤S200，依据所述训练初始音频单元和所述初始需抽取还原音频单元，优化所述音频信息分析组件，得到优化音频信息分析组件。
在本发明实施例中，所述应用于智能生产线的数据分析系统可以依据所述训练初始音频单元和所述初始需抽取还原音频单元，优化所述音频信息分析组件，得到优化音频信息分析组件。
步骤S300，利用所述优化音频信息分析组件，对接收到的目标生产设备的目标生产线监控信息进行分析操作，输出所述目标生产设备对应的音频信息分析结果。
在本发明实施例中，所述应用于智能生产线的数据分析系统可以利用所述优化音频信息分析组件，对接收到的目标生产设备的目标生产线监控信息进行分析操作，输出所述目标生产设备对应的音频信息分析结果。所述目标生产线监控信息通过音频采集设备对所述目标生产设备的运行过程进行信息采集和传输以得到，所述音频信息分析结果用于反映所述目标生产设备的运行状态，所述优化音频信息分析组件还包括设备运行状态分析网络，所述设备运行状态分析网络用于对经过信息抽取网络处理后的目标生产线监控信息进行状态分析操作，输出所述音频信息分析结果。所述设备运行状态分析网络可以依据生产线监控信息和对应的运行状态标识信息进行学习以形成，使得所述设备运行状态分析网络可以学习到生产线监控信息和运行状态标识信息之间的映射关系，从而基于该映射关系，对经过所述在后信息抽取网络处理后的目标生产线监控信息进行映射操作，得到音频信息分析结果。另外，由于各种生产设备的运行过程中，在产生故障等问题时，一般声音都会发生改变，因此，所述目标生产设备的具体类型不受限制，可以适用于各种生产加工领域，如打磨、切削等领域。
基于前述的内容（如前述的步骤S100-步骤S300），由于会对音频信息分析组件中的信息抽取网络进行优化，即优化音频信息分析组件中包括优化后的信息抽取网络，使得在进行状态分析操作之前，会先进行信息抽取操作，从而保障状态分析操作的依据可以更为精简，因此，可以在一定程度上提高数据分析的可靠度，从而改善现有技术中存在的数据分析的可靠度（即状态分析的可靠度）不高的问题。
可以理解的是，在一种可能的实施方式中，上述的步骤S200可以包括如下所述的步骤S120、步骤S130和步骤S140。
步骤S120，依据所述训练初始音频单元和所述初始需抽取还原音频单元，将所述第i阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的在后信息抽取网络。
在本发明实施例中，所述应用于智能生产线的数据分析系统可以依据所述训练初始音频单元和所述初始需抽取还原音频单元，将所述第i阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的在后信息抽取网络。示例性地，所述需优化信息抽取网络可以为所述在前信息抽取网络。
步骤S130，将所述第i阶段优化的音频信息分析组件中的在前信息抽取网络替换为所述在后信息抽取网络，以形成第j阶段优化的音频信息分析组件。
在本发明实施例中，所述应用于智能生产线的数据分析系统可以将所述第i阶段优化的音频信息分析组件中的在前信息抽取网络替换为所述在后信息抽取网络，以形成第j阶段优化的音频信息分析组件。所述第j阶段为所述第i阶段的后一个阶段，一个阶段可以是指一次优化。例如，可以将所述第1阶段优化的音频信息分析组件中的在前信息抽取网络替换为所述在后信息抽取网络，以形成第2阶段优化的音频信息分析组件，可以将所述第2阶段优化的音频信息分析组件中的在前信息抽取网络替换为所述在后信息抽取网络，以形成第3阶段优化的音频信息分析组件，可以将所述第3阶段优化的音频信息分析组件中的在前信息抽取网络替换为所述在后信息抽取网络，以形成第4阶段优化的音频信息分析组件。另外，对不不同阶段的优化，具体的优化过程可以是相同的。
步骤S140，基于所述第j阶段优化的音频信息分析组件，确定出对应的优化音频信息分析组件。
在本发明实施例中，所述应用于智能生产线的数据分析系统可以基于所述第j阶段优化的音频信息分析组件，确定出对应的优化音频信息分析组件。例如，直接将所述第j阶段优化的音频信息分析组件作为优化音频信息分析组件，或者，将所述第j阶段优化的音频信息分析组件进行下一个阶段的网络优化操作，形成优化音频信息分析组件。
可以理解的是，在一种可能的实施方式中，所述在前信息抽取网络包括用于将属于单元内部分析种类的需抽取还原音频单元进行信息抽取操作的第一内部抽取子网络。所述第一内部抽取子网络通过对第m阶段优化的音频信息分析组件中的候选内部抽取子网络进行网络优化操作以形成，所述第m阶段为所述第i阶段的前一个阶段。所述第i阶段优化的音频信息分析组件还包括没有进行过网络优化操作的候选外部抽取子网络。所述候选外部抽取子网络用于将属于单元外部分析种类的需抽取还原音频单元进行信息抽取操作。所述第i阶段优化的音频信息分析组件中的需优化信息抽取网络包括所述候选外部抽取子网络和所述第一内部抽取子网络。
其中，所述属于单元内部分析种类的需抽取还原音频单元和所述属于单元外部分析种类的需抽取还原音频单元，可以是指两种不同种类的需要进行信息抽取操作的还原音频单元。如前所述，所述音频信息还原网络可以用于将压缩的生产线监控信息进行解压，即实现还原，而基于还原的方式不同，可以形成不同种类的需要进行信息抽取操作的还原音频单元。由于还原的方式不同，可能会导致音频信息的变形也不同，基于此，可以针对不同种类的需要进行信息抽取操作的还原音频单元，采用不同的子网络进行处理，如候选内部抽取子网络和候选外部抽取子网络，即两个不同的信息抽取子网络，两者之间的网络架构可以一致，具体的网络参数可以在相应的网络优化过程中优化形成。具体来说，所述属于单元内部分析种类的需抽取还原音频单元可以是指，对于当前待解压的音频单元，可以依据当前待解压的音频单元中的一部分音频数据（如未压缩的音频数据），对其它部分音频数据（如压缩的音频数据）进行解压，压缩的音频数据的数据量一般小于解压后的音频数据的数据量。所述属于单元外部分析种类的需抽取还原音频单元可以是指，将当前待解压的音频单元，依据在前的已经解压的音频单元进行解压，以形成当前解压的音频单元，例如，将当前待解压的音频单元中空置的数据位置对应的参数还原为在前的已经解压的音频单元中相应数据位置对应的参数，即数据位置的映射关系（在传输的过程中等）若出现错误等，就可能导致解压后的音频单元发生变形。
可以理解的是，在一种可能的实施方式中，基于前述的内容，上述描述中的步骤S120，可以进一步包括以下所述的具体实施内容：
从所述初始需抽取还原音频单元中，确定出属于单元外部分析种类的需抽取外部还原音频单元，以及，对所述训练初始音频单元中的所述需抽取外部还原音频单元对应的训练初始音频单元进行标记，使其被标记为第一音频单元标识信息；
从所述初始需抽取还原音频单元中，确定出属于单元内部分析种类的第一需抽取内部还原音频单元，以及，对所述训练初始音频单元中的所述第一需抽取内部还原音频单元对应的训练初始音频单元进行标记，使其被标记为第二音频单元标识信息；
依据所述需抽取外部还原音频单元和所述第一音频单元标识信息，将所述候选外部抽取子网络进行网络优化操作，形成与目标优化条件匹配的第一外部抽取子网络，示例性地，可以基于所述候选外部抽取子网络，对所述需抽取外部还原音频单元进行信息抽取操作，然后，可以将信息抽取操作的结果和所述第一音频单元标识信息进行对比，以确定差异，然后，可以沿着降低该差异的方向，将候选外部抽取子网络进行网络优化操作；另外，所述候选外部抽取子网络可以是滤波网络，可以包括一个或多个滤波算子，以对还原音频单元进行滤波操作，可以理解的是，可以先将还原音频单元进行向量化操作，形成对应的音频表征向量，如此，再对音频表征向量进行滤波操作，最后，对滤波操作进行音频重建，如此，就可以得到信息抽取操作后的音频单元；
依据所述需抽取内部还原音频单元和所述第二音频单元标识信息，将所述第一内部抽取子网络进行网络优化操作，形成与目标优化条件匹配的第二内部抽取子网络，示例性地，可以基于所述第一内部抽取子网络，对所述需抽取内部还原音频单元进行信息抽取操作，然后，可以将信息抽取操作的结果和所述第二音频单元标识信息进行对比，以确定差异，然后，可以沿着降低该差异的方向，将第一内部抽取子网络进行网络优化操作；另外，所述第一内部抽取子网络可以是滤波网络，可以包括一个或多个滤波算子，以对还原音频单元进行滤波操作，可以理解的是，可以先将还原音频单元进行向量化操作，形成对应的音频表征向量，如此，再对音频表征向量进行滤波操作，最后，对滤波操作进行音频重建，如此，就可以得到信息抽取操作后的音频单元；其中，可以理解的是，音频单元的粒度可以根据实际需求进行配置，如一帧音频或指定数量帧的连续的音频帧；
基于所述第一外部抽取子网络和所述第二内部抽取子网络，形成与目标优化条件匹配的在后信息抽取网络，例如，所述在后信息抽取网络可以包括网络优化后的所述第一外部抽取子网络和所述第二内部抽取子网络。
可以理解的是，在一种可能的实施方式中，上述描述中的步骤S130，可以进一步包括以下所述的具体实施内容：
基于所述第二内部抽取子网络，对所述第i阶段优化的音频信息分析组件中的所述第一内部抽取子网络进行调整，例如，可以将所述第i阶段优化的音频信息分析组件中的所述第一内部抽取子网络，替换为所述第二内部抽取子网络；
基于所述第一外部抽取子网络，对所述第i阶段优化的音频信息分析组件中的所述候选外部抽取子网络进行调整，例如，可以将所述第i阶段优化的音频信息分析组件中的所述候选外部抽取子网络，替换为所述第一外部抽取子网络，如此，通过两个步骤的替换，可以实现阶段性的优化，从而形成第j阶段优化的音频信息分析组件。
可以理解的是，在一种可能的实施方式中，所述在前信息抽取网络包括用于将属于单元内部分析种类的需抽取还原音频单元进行信息抽取操作的第一内部抽取子网络。所述第一内部抽取子网络通过对第m阶段优化的音频信息分析组件中的候选内部抽取子网络进行网络优化操作以形成，所述第m阶段为所述第i阶段的前一个阶段。所述第i阶段优化的音频信息分析组件还包括没有进行过网络优化操作的第一候选抽取子网络与第二候选抽取子网络。所述第一候选抽取子网络用于将属于第一单元外部分析种类的需抽取还原音频单元进行信息抽取操作。所述第二候选抽取子网络用于将属于第二单元外部分析种类的需抽取还原音频单元进行信息抽取操作，所述第一单元外部分析种类和所述第二单元外部分析种类属于不同的单元外部分析种类。也就是说，可以将单元外部分析种类进一步进行划分，即划分为所述第一单元外部分析种类和所述第二单元外部分析种类，使得相应的需抽取还原音频单元的处理精度更高。可以理解的是，在其它实施方式中，可以将单元外部分析种类进一步划分为更多的种类，如3、4、5、6等数量的种类。同理，也可以将单元内部分析种类进行进一步的划分。
举例来说，所述第一单元外部分析种类的需抽取还原音频单元可以是指，依据在前的一个音频单元进行解压得到的还原音频单元。所述第二单元外部分析种类的需抽取还原音频单元可以是指，依据在前的两个音频单元进行解压得到的还原音频单元。
可以理解的是，在一种可能的实施方式中，基于前述的内容，上述描述中的步骤S120，可以进一步包括以下所述的具体实施内容：
对所述第i阶段优化的音频信息分析组件中的所述第一内部抽取子网络和所述第一候选抽取子网络进行标记，使其被标记为所述第i阶段优化的音频信息分析组件的需优化信息抽取网络，也就是说，所述需优化信息抽取网络包括所述第一内部抽取子网络和所述第一候选抽取子网络；
从所述初始需抽取还原音频单元中，提取出属于第一单元外部分析种类的第一种类的需抽取外部还原音频单元，以及，对所述训练初始音频单元中的所述第一种类的需抽取外部还原音频单元对应的训练初始音频单元进行标记，使其被标记为第三音频单元标识信息；
从所述初始需抽取还原音频单元中，提取出属于单元内部分析种类的第二需抽取内部还原音频单元，以及，对所述训练初始音频单元中的所述第二需抽取内部还原音频单元对应的训练初始音频单元进行标记，使其被标记为第四音频单元标识信息；
依据所述第一种类的需抽取外部还原音频单元和所述第三音频单元标识信息，将所述第一候选抽取子网络进行网络优化操作，形成与目标优化条件匹配的第一种类外部抽取子网络，如前相关描述；
依据所述第二需抽取内部还原音频单元和所述第四音频单元标识信息，将所述第一内部抽取子网络进行网络优化操作，形成与目标优化条件匹配的第二内部抽取子网络，如前相关描述；
基于所述第一种类外部抽取子网络和所述第二内部抽取子网络，形成与目标优化条件匹配的在后信息抽取网络，也就是说，该在后信息抽取网络可以包括所述第一种类外部抽取子网络和所述第二内部抽取子网络。
可以理解的是，在一种可能的实施方式中，上述描述中的步骤S140，可以进一步包括以下所述的具体实施内容：
在所述第j阶段优化的音频信息分析组件与预先确定的信息抽取指标不匹配的情况（如后相关描述），利用所述第j阶段优化的音频信息分析组件和所述训练生产线监控信息，确定出深度优化用信息，所述深度优化用信息包括用作优化标识的所述训练初始音频单元和所述训练初始音频单元对应的深度需抽取还原音频单元，所述深度需抽取还原音频单元属于在利用所述第j阶段优化的音频信息分析组件将所述训练初始音频单元进行还原的时候，还没有被所述在后信息抽取网络进行信息抽取操作的音频单元；
依据所述训练初始音频单元和所述深度需抽取还原音频单元，将所述第j阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的深度优化信息抽取网络；
基于所述深度优化信息抽取网络，将所述第j阶段优化的音频信息分析组件进行优化操作，形成第n阶段优化的音频信息分析组件，所述第n阶段为所述第j阶段的后一个阶段，例如，基于所述深度优化信息抽取网络，对所述第j阶段优化的音频信息分析组件中的所述在后信息抽取网络进行替换操作，形成第n阶段优化的音频信息分析组件；
在所述第n阶段优化的音频信息分析组件与所述信息抽取指标匹配的情况下，对所述第n阶段优化的音频信息分析组件进行标记，使其被标记为对应的所述优化音频信息分析组件。
可以理解的是，在一种可能的实施方式中，所述第j阶段优化的音频信息分析组件中的需优化信息抽取网络包括所述第二候选抽取子网络，基于此，所述依据所述训练初始音频单元和所述深度需抽取还原音频单元，将所述第j阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的深度优化信息抽取网络的步骤，可以进一步包括以下所述的具体实施内容：
从所述深度需抽取还原音频单元中，提取出属于第二单元外部分析种类的第二种类的需抽取外部还原音频单元，以及，对所述训练初始音频单元中的所述第二种类的需抽取外部还原音频单元对应的训练初始音频单元进行标记，使其被标记为第五音频单元标识信息；
依据所述第二种类的需抽取外部还原音频单元和所述第五音频单元标识信息，将所述第二候选抽取子网络进行网络优化操作，形成与目标优化条件匹配的第二种类外部抽取子网络，如前所述；
对所述第二种类外部抽取子网络进行标记，使其被标记为与目标优化条件匹配的深度优化信息抽取网络。
可以理解的是，在一种可能的实施方式中，上述描述中的步骤S120，还可以进一步包括以下所述的具体实施内容：
对所述初始需抽取还原音频单元进行加载，使其被加载到所述在前信息抽取网络中，利用所述在前信息抽取网络分析出所述初始需抽取还原音频单元对应的训练抽取还原音频单元，如前相关描述；
计算出所述训练抽取还原音频单元和所述训练初始音频单元之间的网络优化代价指标，以及，基于所述网络优化代价指标，对所述在前信息抽取网络的网络参数进行优化，以形成具有优化后的网络参数的在前信息抽取网络，如沿着降低网络优化代价指标的方向进行网络参数的优化；
在所述具有优化后的网络参数的在前信息抽取网络与目标优化条件匹配的情况下，对所述具有优化后的网络参数的在前信息抽取网络进行标记，使其被标记为所述目标优化条件匹配的在后信息抽取网络，示例性地，所述具有优化后的网络参数的在前信息抽取网络与目标优化条件匹配可以是指，所述具有优化后的网络参数的在前信息抽取网络对应的网络优化代价指标小于或等于预先确定的参考网络优化代价指标，所述参考网络优化代价指标可以根据实际需求进行配置，在此不做具体的限定。
其中，可以理解的是，在一种可能的实施方式中，所述计算出所述训练抽取还原音频单元和所述训练初始音频单元之间的网络优化代价指标，以及，基于所述网络优化代价指标，对所述在前信息抽取网络的网络参数进行优化，以形成具有优化后的网络参数的在前信息抽取网络的步骤，可以进一步包括以下所述的具体实施内容：
确定出所述第i阶段优化的音频信息分析组件对应的代价指标分析规则，所述代价指标分析规则可以是一种函数关系等；
依据所述代价指标分析规则，分析出所述训练初始音频单元对应的第一音频单元品质参数，以及，对所述第一音频单元品质参数进行标记，使其被标记为对应的音频单元品质参数标识，示例性地，音频单元对应的音频单元品质参数，可以基于相应的神经网络，对音频单元进行评估以得到，该神经网络在网络优化的过程中，还可以对训练音频单元和相应的实际品质参数进行学习，以学习到两者之间的映射关系，使得可以基于该映射关系，对音频单元进行处理，以得到对应的音频单元品质参数；或者，在其它实施方式中，也可以基于音频单元包括的多帧音频之间的平滑性确定出音频单元品质参数，如平滑性越高，对应的音频单元品质参数越高，或者说，也可以对音频单元进行毛刺检测，其中，音频单元品质参数可以与毛刺检测的结果负相关，如没有毛刺，可以对应的音频单元品质参数最大；
依据所述代价指标分析规则，分析出所述训练抽取还原音频单元对应的第二音频单元品质参数（如前），以及，基于所述代价指标分析规则、所述音频单元品质参数标识和所述第二音频单元品质参数，计算出所述训练抽取还原音频单元与所述训练初始音频单元之间的网络优化代价指标；
基于所述网络优化代价指标，对所述在前信息抽取网络的网络参数进行优化，以形成具有优化后的网络参数的在前信息抽取网络。
其中，可以理解的是，在一种可能的实施方式中，所述代价指标分析规则可以包括第一代价指标分析规则和第二代价指标分析规则，基于此，所述依据所述代价指标分析规则，分析出所述训练抽取还原音频单元对应的第二音频单元品质参数，以及，基于所述代价指标分析规则、所述音频单元品质参数标识和所述第二音频单元品质参数，计算出所述训练抽取还原音频单元与所述训练初始音频单元之间的网络优化代价指标的步骤，可以进一步包括以下所述的具体实施内容：
基于所述第二代价指标分析规则、所述音频单元品质参数标识和所述第二音频单元品质参数，分析出所述训练抽取还原音频单元与所述训练初始音频单元之间的第一网络优化代价指标；
基于所述第一代价指标分析规则、所述音频单元品质参数标识和所述第二音频单元品质参数，分析出所述训练抽取还原音频单元与所述训练初始音频单元之间的第二网络优化代价指标，所述第二代价指标分析规则和所述第一代价指标分析规则可以是任意的两种不同的代价指标分析规则，即任意的两种误差函数，以基于不同的方式计算相应的误差；
对所述第一网络优化代价指标和所述第二网络优化代价指标进行融合操作，及，将融合操作的结果进行标记，使其被标记为所述训练抽取还原音频单元与所述训练初始音频单元之间的网络优化代价指标，示例性地，可以对所述第一网络优化代价指标和所述第二网络优化代价指标进行加权求和计算，以得到该网络优化代价指标。
其中，可以理解的是，在一种可能的实施方式中，所述应用于智能生产线的数据分析方法，还可以进一步包括以下所述的具体实施内容：
对所述训练生产线监控信息进行加载，使其被加载到所述第j阶段优化的音频信息分析组件中，利用所述第j阶段优化的音频信息分析组件，分析出对应的目标抽取音频信息，如前相关描述；
确定出所述目标抽取音频信息对应的抽取音频信息品质参数，并确定出所述训练生产线监控信息对应的训练音频信息品质参数，如前对于所述音频单元品质参数的相关描述；
基于所述抽取音频信息品质参数和所述训练音频信息品质参数，将所述第j阶段优化的音频信息分析组件进行评估操作，确定所述第j阶段优化的音频信息分析组件与预先确定的信息抽取指标是否匹配。
其中，可以理解的是，在一种可能的实施方式中，所述基于所述抽取音频信息品质参数和所述训练音频信息品质参数，将所述第j阶段优化的音频信息分析组件进行评估操作，确定所述第j阶段优化的音频信息分析组件与预先确定的信息抽取指标是否匹配的步骤，可以进一步包括以下所述的具体实施内容：
对所述抽取音频信息品质参数和所述训练音频信息品质参数进行求差计算操作，输出对应的音频信息品质参数差值；
在所述音频信息品质参数差值小于或等于预先确定的参考音频信息品质参数的情况下，判定所述第j阶段优化的音频信息分析组件与预先确定的信息抽取指标匹配，所述参考音频信息品质参数的具体数值不受限制，可以根据实际需求进行配置；在所述音频信息品质参数差值大于所述参考音频信息品质参数的情况下，判定所述第j阶段优化的音频信息分析组件与所述信息抽取指标不匹配。
结合图3，本发明实施例还提供一种应用于智能生产线的数据分析装置，可应用于上述应用于智能生产线的数据分析系统。其中，所述应用于智能生产线的数据分析装置可以包括：
优化用信息确定模块，用于对训练生产线监控信息进行加载，使其被加载到第i阶段优化的包括在前信息抽取网络的音频信息分析组件中，利用所述第i阶段优化的音频信息分析组件和所述训练生产线监控信息，确定出初始优化用信息，所述初始优化用信息包括用作优化标识的训练初始音频单元和所述训练初始音频单元对应的初始需抽取还原音频单元，所述初始需抽取还原音频单元属于在利用所述第i阶段优化的音频信息分析组件将所述训练初始音频单元进行还原的时候，还没有被所述在前信息抽取网络进行信息抽取操作的还原音频单元，所述训练初始音频单元属于所述训练生产线监控信息中的音频单元；
网络优化模块，用于依据所述训练初始音频单元和所述初始需抽取还原音频单元，优化所述音频信息分析组件，得到优化音频信息分析组件；
状态分析模块，用于利用所述优化音频信息分析组件，对接收到的目标生产设备的目标生产线监控信息进行分析操作，输出所述目标生产设备对应的音频信息分析结果，所述目标生产线监控信息通过音频采集设备对所述目标生产设备的运行过程进行信息采集和传输以得到，所述音频信息分析结果用于反映所述目标生产设备的运行状态，所述优化音频信息分析组件还包括设备运行状态分析网络，所述设备运行状态分析网络用于对经过信息抽取网络处理后的目标生产线监控信息进行状态分析操作，输出所述音频信息分析结果。
综上所述，本发明提供的应用于智能生产线的数据分析方法及系统，可以先利用第i阶段优化的音频信息分析组件和训练生产线监控信息，确定出初始优化用信息；依据初始优化用信息包括的训练初始音频单元和初始需抽取还原音频单元，优化第i阶段优化的音频信息分析组件，得到优化音频信息分析组件；利用优化音频信息分析组件，对目标生产线监控信息进行分析操作，输出音频信息分析结果。基于前述的内容，由于会对音频信息分析组件中的信息抽取网络进行优化，即优化音频信息分析组件中包括优化后的信息抽取网络，使得在进行状态分析操作之前，会先进行信息抽取操作，从而保障状态分析操作的依据可以更为精简，因此，可以在一定程度上提高数据分析的可靠度，从而改善现有技术中存在的数据分析的可靠度不高的问题。
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)
1.一种应用于智能生产线的数据分析方法，其特征在于，包括：
对训练生产线监控信息进行加载，使其被加载到第i阶段优化的包括在前信息抽取网络的音频信息分析组件中，利用所述第i阶段优化的音频信息分析组件和所述训练生产线监控信息，确定出初始优化用信息，所述初始优化用信息包括用作优化标识的训练初始音频单元和所述训练初始音频单元对应的初始需抽取还原音频单元，所述初始需抽取还原音频单元属于在利用所述第i阶段优化的音频信息分析组件将所述训练初始音频单元进行还原的时候，还没有被所述在前信息抽取网络进行信息抽取操作的还原音频单元，所述训练初始音频单元属于所述训练生产线监控信息中的音频单元；
依据所述训练初始音频单元和所述初始需抽取还原音频单元，优化所述音频信息分析组件，得到优化音频信息分析组件；
利用所述优化音频信息分析组件，对接收到的目标生产设备的目标生产线监控信息进行分析操作，输出所述目标生产设备对应的音频信息分析结果，所述目标生产线监控信息通过音频采集设备对所述目标生产设备的运行过程进行信息采集以得到，所述音频信息分析结果用于反映所述目标生产设备的运行状态，所述优化音频信息分析组件还包括设备运行状态分析网络，所述设备运行状态分析网络用于对经过信息抽取网络处理后的目标生产线监控信息进行状态分析操作，输出音频信息分析结果；
所述依据所述训练初始音频单元和所述初始需抽取还原音频单元，优化所述音频信息分析组件，得到优化音频信息分析组件的步骤，包括：
依据所述训练初始音频单元和所述初始需抽取还原音频单元，将所述第i阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的在后信息抽取网络；
将所述第i阶段优化的音频信息分析组件中的在前信息抽取网络替换为所述在后信息抽取网络，以形成第j阶段优化的音频信息分析组件，所述第j阶段为所述第i阶段的后一个阶段；
基于所述第j阶段优化的音频信息分析组件，确定出对应的优化音频信息分析组件；
所述在前信息抽取网络包括用于将属于单元内部分析种类的需抽取还原音频单元进行信息抽取操作的第一内部抽取子网络；
所述第一内部抽取子网络通过对第m阶段优化的音频信息分析组件中的候选内部抽取子网络进行网络优化操作以形成，所述第m阶段为所述第i阶段的前一个阶段；
所述第i阶段优化的音频信息分析组件还包括没有进行过网络优化操作的候选外部抽取子网络；
所述候选外部抽取子网络用于将属于单元外部分析种类的需抽取还原音频单元进行信息抽取操作；
所述第i阶段优化的音频信息分析组件中的需优化信息抽取网络包括所述候选外部抽取子网络和所述第一内部抽取子网络。
2.如权利要求1所述的应用于智能生产线的数据分析方法，其特征在于，所述依据所述训练初始音频单元和所述初始需抽取还原音频单元，将所述第i阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的在后信息抽取网络的步骤，包括：
从所述初始需抽取还原音频单元中，确定出属于单元外部分析种类的需抽取外部还原音频单元，以及，对所述训练初始音频单元中的所述需抽取外部还原音频单元对应的训练初始音频单元进行标记，使其被标记为第一音频单元标识信息；
从所述初始需抽取还原音频单元中，确定出属于单元内部分析种类的第一需抽取内部还原音频单元，以及，对所述训练初始音频单元中的所述第一需抽取内部还原音频单元对应的训练初始音频单元进行标记，使其被标记为第二音频单元标识信息；
依据所述需抽取外部还原音频单元和所述第一音频单元标识信息，将所述候选外部抽取子网络进行网络优化操作，形成与目标优化条件匹配的第一外部抽取子网络；
依据所述需抽取内部还原音频单元和所述第二音频单元标识信息，将所述第一内部抽取子网络进行网络优化操作，形成与目标优化条件匹配的第二内部抽取子网络；
基于所述第一外部抽取子网络和所述第二内部抽取子网络，形成与目标优化条件匹配的在后信息抽取网络。
3.如权利要求2所述的应用于智能生产线的数据分析方法，其特征在于，所述将所述第i阶段优化的音频信息分析组件中的在前信息抽取网络替换为所述在后信息抽取网络，以形成第j阶段优化的音频信息分析组件的步骤，包括：
基于所述第二内部抽取子网络，对所述第i阶段优化的音频信息分析组件中的所述第一内部抽取子网络进行调整；
基于所述第一外部抽取子网络，对所述第i阶段优化的音频信息分析组件中的所述候选外部抽取子网络进行调整。
4.如权利要求1所述的应用于智能生产线的数据分析方法，其特征在于，所述在前信息抽取网络包括用于将属于单元内部分析种类的需抽取还原音频单元进行信息抽取操作的第一内部抽取子网络；
所述第一内部抽取子网络通过对第m阶段优化的音频信息分析组件中的候选内部抽取子网络进行网络优化操作以形成，所述第m阶段为所述第i阶段的前一个阶段；
所述第i阶段优化的音频信息分析组件还包括没有进行过网络优化操作的第一候选抽取子网络与第二候选抽取子网络；
所述第一候选抽取子网络用于将属于第一单元外部分析种类的需抽取还原音频单元进行信息抽取操作；
所述第二候选抽取子网络用于将属于第二单元外部分析种类的需抽取还原音频单元进行信息抽取操作，所述第一单元外部分析种类和所述第二单元外部分析种类属于不同的单元外部分析种类。
5.如权利要求4所述的应用于智能生产线的数据分析方法，其特征在于，所述依据所述训练初始音频单元和所述初始需抽取还原音频单元，将所述第i阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的在后信息抽取网络的步骤，包括：
对所述第i阶段优化的音频信息分析组件中的所述第一内部抽取子网络和所述第一候选抽取子网络进行标记，使其被标记为所述第i阶段优化的音频信息分析组件的需优化信息抽取网络；
从所述初始需抽取还原音频单元中，提取出属于第一单元外部分析种类的第一种类的需抽取外部还原音频单元，以及，对所述训练初始音频单元中的所述第一种类的需抽取外部还原音频单元对应的训练初始音频单元进行标记，使其被标记为第三音频单元标识信息；
从所述初始需抽取还原音频单元中，提取出属于单元内部分析种类的第二需抽取内部还原音频单元，以及，对所述训练初始音频单元中的所述第二需抽取内部还原音频单元对应的训练初始音频单元进行标记，使其被标记为第四音频单元标识信息；
依据所述第一种类的需抽取外部还原音频单元和所述第三音频单元标识信息，将所述第一候选抽取子网络进行网络优化操作，形成与目标优化条件匹配的第一种类外部抽取子网络；
依据所述第二需抽取内部还原音频单元和所述第四音频单元标识信息，将所述第一内部抽取子网络进行网络优化操作，形成与目标优化条件匹配的第二内部抽取子网络；
基于所述第一种类外部抽取子网络和所述第二内部抽取子网络，形成与目标优化条件匹配的在后信息抽取网络。
6.如权利要求4所述的应用于智能生产线的数据分析方法，其特征在于，所述基于所述第j阶段优化的音频信息分析组件，确定出对应的优化音频信息分析组件的步骤，包括：
在所述第j阶段优化的音频信息分析组件与预先确定的信息抽取指标不匹配的情况，利用所述第j阶段优化的音频信息分析组件和所述训练生产线监控信息，确定出深度优化用信息，所述深度优化用信息包括用作优化标识的所述训练初始音频单元和所述训练初始音频单元对应的深度需抽取还原音频单元，所述深度需抽取还原音频单元属于在利用所述第j阶段优化的音频信息分析组件将所述训练初始音频单元进行还原的时候，还没有被所述在后信息抽取网络进行信息抽取操作的音频单元；
依据所述训练初始音频单元和所述深度需抽取还原音频单元，将所述第j阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的深度优化信息抽取网络；
基于所述深度优化信息抽取网络，将所述第j阶段优化的音频信息分析组件进行优化操作，形成第n阶段优化的音频信息分析组件，所述第n阶段为所述第j阶段的后一个阶段；
在所述第n阶段优化的音频信息分析组件与所述信息抽取指标匹配的情况下，对所述第n阶段优化的音频信息分析组件进行标记，使其被标记为对应的所述优化音频信息分析组件。
7.如权利要求6所述的应用于智能生产线的数据分析方法，其特征在于，所述第j阶段优化的音频信息分析组件中的需优化信息抽取网络包括所述第二候选抽取子网络；以及，所述依据所述训练初始音频单元和所述深度需抽取还原音频单元，将所述第j阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的深度优化信息抽取网络的步骤，包括：
从所述深度需抽取还原音频单元中，提取出属于第二单元外部分析种类的第二种类的需抽取外部还原音频单元，以及，对所述训练初始音频单元中的所述第二种类的需抽取外部还原音频单元对应的训练初始音频单元进行标记，使其被标记为第五音频单元标识信息；
依据所述第二种类的需抽取外部还原音频单元和所述第五音频单元标识信息，将所述第二候选抽取子网络进行网络优化操作，形成与目标优化条件匹配的第二种类外部抽取子网络；
对所述第二种类外部抽取子网络进行标记，使其被标记为与目标优化条件匹配的深度优化信息抽取网络。
8.如权利要求1所述的应用于智能生产线的数据分析方法，其特征在于，所述依据所述训练初始音频单元和所述初始需抽取还原音频单元，将所述第i阶段优化的音频信息分析组件中的需优化信息抽取网络进行网络优化操作，形成与目标优化条件匹配的在后信息抽取网络的步骤，包括：
对所述初始需抽取还原音频单元进行加载，使其被加载到所述在前信息抽取网络中，利用所述在前信息抽取网络分析出所述初始需抽取还原音频单元对应的训练抽取还原音频单元；
计算出所述训练抽取还原音频单元和所述训练初始音频单元之间的网络优化代价指标，以及，基于所述网络优化代价指标，对所述在前信息抽取网络的网络参数进行优化，以形成具有优化后的网络参数的在前信息抽取网络；
在所述具有优化后的网络参数的在前信息抽取网络与目标优化条件匹配的情况下，对所述具有优化后的网络参数的在前信息抽取网络进行标记，使其被标记为所述目标优化条件匹配的在后信息抽取网络。
9.一种应用于智能生产线的数据分析系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-8任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311275881.3A CN116994609B (zh) | 2023-09-28 | 2023-09-28 | 应用于智能生产线的数据分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311275881.3A CN116994609B (zh) | 2023-09-28 | 2023-09-28 | 应用于智能生产线的数据分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116994609A CN116994609A (zh) | 2023-11-03 |
| CN116994609B true CN116994609B (zh) | 2023-12-01 |
Family
ID=88521807
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311275881.3A Active CN116994609B (zh) | 2023-09-28 | 2023-09-28 | 应用于智能生产线的数据分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116994609B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113450827A (zh) * | 2021-06-23 | 2021-09-28 | 成都瑞贝英特信息技术有限公司 | 基于压缩神经网络的设备异常工况声纹分析算法 |
| CN113470694A (zh) * | 2021-04-25 | 2021-10-01 | 重庆市科源能源技术发展有限公司 | 水轮机组遥听监测方法、装置和系统 |
| KR20220102940A (ko) * | 2021-01-14 | 2022-07-21 | 서울대학교산학협력단 | 사운드 기반 다중 기기 운영 모니터링 방법과 이를 위한 시스템 |
| WO2022205835A1 (zh) * | 2021-04-02 | 2022-10-06 | 上海商汤科技开发有限公司 | 深度学习模型生产系统、电子设备和存储介质 |
| CN115565525A (zh) * | 2022-12-06 | 2023-01-03 | 四川大学华西医院 | 音频异常检测方法、装置、电子设备及存储介质 |
| CN116013367A (zh) * | 2022-12-30 | 2023-04-25 | 阿里巴巴（中国）有限公司 | 音频质量的分析方法和装置、电子设备以及存储介质 |
| CN116109988A (zh) * | 2023-04-12 | 2023-05-12 | 天之翼(苏州)科技有限公司 | 基于人工智能和无人机的异常监控方法及系统 |
-
2023
- 2023-09-28 CN CN202311275881.3A patent/CN116994609B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220102940A (ko) * | 2021-01-14 | 2022-07-21 | 서울대학교산학협력단 | 사운드 기반 다중 기기 운영 모니터링 방법과 이를 위한 시스템 |
| WO2022205835A1 (zh) * | 2021-04-02 | 2022-10-06 | 上海商汤科技开发有限公司 | 深度学习模型生产系统、电子设备和存储介质 |
| CN113470694A (zh) * | 2021-04-25 | 2021-10-01 | 重庆市科源能源技术发展有限公司 | 水轮机组遥听监测方法、装置和系统 |
| CN113450827A (zh) * | 2021-06-23 | 2021-09-28 | 成都瑞贝英特信息技术有限公司 | 基于压缩神经网络的设备异常工况声纹分析算法 |
| CN115565525A (zh) * | 2022-12-06 | 2023-01-03 | 四川大学华西医院 | 音频异常检测方法、装置、电子设备及存储介质 |
| CN116013367A (zh) * | 2022-12-30 | 2023-04-25 | 阿里巴巴（中国）有限公司 | 音频质量的分析方法和装置、电子设备以及存储介质 |
| CN116109988A (zh) * | 2023-04-12 | 2023-05-12 | 天之翼(苏州)科技有限公司 | 基于人工智能和无人机的异常监控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116994609A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116126945B (zh) | 基于数据分析的传感器运行状态分析方法和系统 | |
| CN115174231B (zh) | 一种基于AI Knowledge Base的网络欺诈分析方法及服务器 | |
| CN116126947B (zh) | 应用于企业管理系统的大数据分析方法及系统 | |
| CN110376519B (zh) | 高压断路器故障诊断方法、装置及终端设备 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
| CN116994609B (zh) | 应用于智能生产线的数据分析方法及系统 | |
| CN116310914B (zh) | 基于人工智能的无人机监控方法及系统 | |
| CN116109988B (zh) | 基于人工智能和无人机的异常监控方法及系统 | |
| CN115267035B (zh) | 一种色谱仪故障诊断分析方法及系统 | |
| CN116757870A (zh) | 一种能源物联网的智慧能源监控数据处理方法及系统 | |
| CN115687674A (zh) | 服务于智慧云服务平台的大数据需求分析方法及系统 | |
| CN116070149A (zh) | 基于人工智能的数据分析方法、系统及云平台 | |
| CN116996403B (zh) | 应用ai模型的网络流量诊断方法及系统 | |
| CN116910729B (zh) | 应用于多组织架构的核身处理方法及系统 | |
| CN116501285B (zh) | 基于虚拟数字形象交互的ai对话处理方法及数字化系统 | |
| CN115631448B (zh) | 一种音视频质检处理方法及系统 | |
| CN115980279B (zh) | 氖气纯度检测系统的稳定性优化方法及系统 | |
| CN116501876B (zh) | 用于云端协同数字化服务的大数据跟踪方法及ai系统 | |
| CN117236617B (zh) | 一种企业业务管理方法及系统 | |
| CN117149846A (zh) | 一种基于数据融合的电力数据分析方法和系统 | |
| CN117668962A (zh) | 一种基于建筑信息化的监控方法及系统 | |
| CN117251790A (zh) | 一种智慧物流数据的采集方法及系统 | |
| CN117278586A (zh) | 一种物联网设备的管控方法及系统 | |
| CN117113033A (zh) | 一种新能源汽车的充电数据采集方法及系统 |
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 |