CN117332992B - 一种用于产业互联网的协同制造方法及系统 - Google Patents

一种用于产业互联网的协同制造方法及系统 Download PDF

Info

Publication number
CN117332992B
CN117332992B CN202311577279.5A CN202311577279A CN117332992B CN 117332992 B CN117332992 B CN 117332992B CN 202311577279 A CN202311577279 A CN 202311577279A CN 117332992 B CN117332992 B CN 117332992B
Authority
CN
China
Prior art keywords
production
template
network
scheduling
decision
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
Application number
CN202311577279.5A
Other languages
English (en)
Other versions
CN117332992A (zh
Inventor
钱晓钧
张梅甫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Guolian Video Information Technology Co ltd
Original Assignee
Beijing Guolian Video Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Guolian Video Information Technology Co ltd filed Critical Beijing Guolian Video Information Technology Co ltd
Priority to CN202311577279.5A priority Critical patent/CN117332992B/zh
Publication of CN117332992A publication Critical patent/CN117332992A/zh
Application granted granted Critical
Publication of CN117332992B publication Critical patent/CN117332992B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • G06Q10/0633—Workflow analysis
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/101—Collaborative creation, e.g. joint development of products or services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明提供一种用于产业互联网的协同制造方法及系统，涉及电数据处理领域。其中，提供了一种将分类任务与预测建模任务进行融合的排产决策神经网络。采取分类任务联合促进排产数量数据的预测建模任务，采取多个模块层级充分学习不同排产数量级区间的关键数据的高层级特征描述，采取层级学习剪枝工具学习各模块层级分别输出的高层级特征描述的精确度，以克服因排产数量数据的失衡与有效信息不足带来的后果，提高生产需求决策结果的可靠性。

Description

一种用于产业互联网的协同制造方法及系统
技术领域
本申请涉及电数据处理领域，具体涉及一种用于产业互联网的协同制造方法及系统。
背景技术
随着产业互联网的不断发展和普及，越来越多的企业开始关注互联网技术在生产制造领域的应用。而在生产制造领域中，智能化排产是一项重要的技术，它可以在提高生产效率的同时，有效地降低生产成本，提高产品质量，为企业创造更大的经济价值。传统的排产方式大多依赖厂房内工人的经验和手工制定排产计划，这种方式存在着很多问题，如排产计划制定不及时、不准确，无法满足客户需求变化等。此外，由于人工排产计划制定需要考虑的因素过多，时间和精力成本也较高。因此，推广智能化排产技术已成为企业提高生产效率的重要手段。
智能化排产在产业互联网协同制造中的应用背景是多方面的。首先，随着信息化技术的不断发展，企业生产数据可以实时采集和处理。这些数据可以用于优化生产计划，提高生产效率，同时还能帮助企业更好地掌握生产过程中的各项指标，进一步提高产品质量和降低生产成本。其次，随着产业互联网的发展，越来越多的企业开始实现生产线的智能化改造。通过物联网技术实现设备之间的联网和信息交换，进一步提高生产的自动化程度，同时也为智能化排产提供了更多的数据来源。最后，智能化排产技术在产业互联网协同制造中的应用还可以进一步加强企业内部各部门之间的协作。通过采用云计算和大数据分析等技术，可以将生产、物流、销售等各个环节进行无缝对接，实现全流程的自动化控制和管理，提高生产效率和企业的整体竞争力。
如何提高智能化排产结果的准确性和可靠性，是智能化排产的重要课题。
发明内容
本申请提供了一种用于产业互联网的协同制造方法及系统。
根据本申请公开的一方面，提供了一种用于产业互联网的协同制造方法，所述方法包括：
获取待决策生产任务的排产参照关键数据，其中，所述排产参照关键数据被配置为在生产需求决策环节中提供参照依据；
根据排产决策神经网络中的多层级特征挖掘模块包括的x个模块层级，基于所述排产参照关键数据进行中间特征挖掘，得到x个层级挖掘特征；所述x为至少等于2的正整数，在所述排产决策神经网络的调优时中，所述x个模块层级分别被配置为学习不同排产数量级区间的关键数据的高层级特征描述；
根据所述排产决策神经网络中的层级学习剪枝工具，基于所述排产参照关键数据，确定所述x个层级挖掘特征分别对应的决策贡献评分；
根据所述排产决策神经网络中的融合仿射模块，基于所述x个层级挖掘特征及其分别对应的所述决策贡献评分，确定所述待决策生产任务对应的目标编码数组；
基于所述目标编码数组，确定所述待决策生产任务对应的生产需求决策结果，以便基于所述生产需求决策结果进行协同制造。
可选地，所述根据排产决策神经网络中的多层级特征挖掘模块包括的x个模块层级，基于所述排产参照关键数据进行中间特征挖掘，得到x个层级挖掘特征，包括：
根据所述多层级特征挖掘模块中的主干特征提炼单元，基于所述排产参照关键数据进行特征提炼，得到参照执行特征；
根据所述多层级特征挖掘模块中的每个所述模块层级，对所述参照执行特征进行中间特征挖掘，得到每个所述模块层级对应的层级挖掘特征；
所述根据所述排产决策神经网络中的层级学习剪枝工具，基于所述排产参照关键数据，确定所述x个层级挖掘特征分别对应的决策贡献评分，包括：
根据所述层级学习剪枝工具中的深度前馈网络结构，基于所述排产参照关键数据，确定推理描述数组；所述推理描述数组中包括x个维度的决策贡献评分，所述x个维度的决策贡献评分与所述x个层级挖掘特征成对映射；
根据所述层级学习剪枝工具中的标准化单元，对所述推理描述数组进行标准化执行，得到标准推理描述数组；所述标准推理描述数组中包括所述x个层级挖掘特征分别对应的决策贡献评分。
可选地，所述根据所述排产决策神经网络中的融合仿射模块，基于所述x个层级挖掘特征及其分别对应的所述决策贡献评分，确定所述待决策生产任务对应的目标编码数组，包括：
根据所述融合仿射模块中的特征交互单元，基于所述x个层级挖掘特征分别对应的所述决策贡献评分，对所述x个层级挖掘特征进行加权线性组合，得到所述目标编码数组；所述基于所述目标编码数组，确定所述待决策生产任务对应的生产需求决策结果，包括：根据所述融合仿射模块中的仿射单元，基于所述目标编码数组，确定所述待决策生产任务对应的生产需求决策结果。
可选地，所述获取待决策生产任务的排产参照关键数据，包括：
获取所述待决策生产任务对应的生产系统的历史排产数据，将所述历史排产数据作为所述排产参照关键数据。
可选地，所述方法还包括所述排产决策神经网络的调优过程，包括：
获取网络调优模板集合；其中，所述网络调优模板集合包括多个网络调优模板，每个所述网络调优模板包括模板关键数据和对应的生产需求注释信息；
根据待调优的排产决策神经网络中的多层级特征挖掘模块包括的x个模块层级，基于所述网络调优模板中的所述模板关键数据进行中间特征挖掘，得到x个模板层级挖掘特征；所述x为至少等于2的正整数，所述x个模块层级分别被配置为学习不同排产数量级区间的模板关键数据的高层级特征描述；
根据所述排产决策神经网络中的层级学习剪枝工具，基于所述网络调优模板中所述模板关键数据，确定所述x个模板层级挖掘特征分别对应的模板决策贡献评分；
根据所述排产决策神经网络中的融合仿射模块，基于所述x个模板层级挖掘特征及其分别对应的所述模板决策贡献评分，确定所述网络调优模板对应的模板编码数组；
根据所述模板编码数组，确定所述网络调优模板对应的模板生产需求决策结果；
基于所述网络调优模板集合中各所述网络调优模板分别对应的模板生产需求决策结果和各所述网络调优模板分别包括的生产需求注释信息，确定生产需求代价信息；
基于所述生产需求代价信息，修正所述排产决策神经网络的网络可学习参数。
可选地，所述网络调优模板集合包括x个排产数量级区间分别对应的网络调优模板子集，所述排产数量级区间对应的网络调优模板子集中各个所述网络调优模板分别包括的生产需求决策结果均属于所述排产数量级区间；所述x个排产数量级区间包括一个排产数量为设定数值的数量区间和x-1个排产数量不为设定数值的数量区间，所述x-1个排产数量不为设定数值的数量区间分别对应的网络调优模板子集包括的网络调优模板的数量差值小于设定的差值临界值；
所述方法还包括：
针对每个所述网络调优模板，根据所述网络调优模板包括的生产需求注释信息，确定所述网络调优模板对应的排产数量标签；所述排产数量标签中包括所述x个排产数量级区间分别对应的排产数量标签数据，所述生产需求注释信息所属的排产数量级区间对应的排产数量标签数据为第一数据，其它排产数量标签数据为第二数据；
基于所述网络调优模板集合中各所述网络调优模板分别对应的预估贡献度分布情况和各所述网络调优模板分别对应的排产数量标签，获取排产数量确定代价；所述网络调优模板对应的预估贡献度分布情况为所述层级学习剪枝工具根据所述网络调优模板中的所述模板关键数据确定的模板决策贡献评分；
所述基于所述生产需求代价信息，修正所述排产决策神经网络的网络可学习参数，包括：
基于所述生产需求代价信息和所述排产数量确定代价，修正所述排产决策神经网络的网络可学习参数。
可选地，所述方法还包括：
基于所述网络调优模板集合中各所述网络调优模板分别对应的所述模板编码数组和各所述网络调优模板分别包括的生产需求注释信息，确定匹配代价信息；
所述基于所述生产需求代价信息，修正所述排产决策神经网络的网络可学习参数，包括：
基于所述生产需求代价信息和所述匹配代价信息，修正所述排产决策神经网络的网络可学习参数。
可选地，所述基于所述网络调优模板集合中各所述网络调优模板分别对应的所述模板编码数组和各所述网络调优模板分别包括的生产需求注释信息，确定匹配代价信息，包括：
基于所述网络调优模板集合中各所述网络调优模板分别对应的所述模板编码数组，确定编码匹配张量；所述编码匹配张量中的张量单元被配置为表征两个所述模板编码数组之间的匹配程度；
基于所述网络调优模板集合中各所述网络调优模板分别包括的所述生产需求注释信息，确定排产数量匹配张量；所述排产数量匹配张量中的张量单元被配置为表征两个所述生产需求注释信息之间的匹配程度；
根据所述编码匹配张量以及所述排产数量匹配张量，确定所述匹配代价信息。
可选地，所述基于所述网络调优模板集合中各所述网络调优模板分别对应的所述模板编码数组，确定编码匹配张量，包括：
基于所述网络调优模板集合中各所述网络调优模板分别对应的所述模板编码数组，建立基础编码张量；
根据各所述网络调优模板分别对应的所述模板编码数组的欧式范数，建立标准编码匹配张量；
根据所述基础编码张量和对应的重置张量，及所述标准编码匹配张量和对应的重置张量，确定所述编码匹配张量；
所述基于所述网络调优模板集合中各所述网络调优模板分别包括的所述生产需求注释信息，确定排产数量匹配张量，包括：
基于所述网络调优模板集合中各所述网络调优模板分别包括的所述生产需求注释信息，建立排产数量结果张量；所述排产数量结果张量中包括M个相同的生产需求注释信息行，所述生产需求注释信息行包括M个所述生产需求注释信息，所述M为所述网络调优模板集合中所述网络调优模板的数量；
根据所述排产数量结果张量和对应的重置张量，确定所述排产数量匹配张量。
根据本申请公开的另一方面，提供了一种协同制造系统，包括互相通信连接的生产终端和管理终端，所述管理终端包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行以上所述的方法。
本申请至少包括如下有益效果：
本申请提供的用于产业互联网的协同制造方法中，提供一种将分类任务与预测建模任务进行融合的排产决策神经网络。具体地，先基于排产决策神经网络中基于分类任务的多层级特征挖掘模块和层级学习剪枝工具，基于待决策生产任务的排产参照关键数据，确定x个层级挖掘特征和这x个层级挖掘特征分别对应的决策贡献评分，由于多层级特征挖掘模块中的x个模块层级在网络调优过程中分别被配置为学习不同排产数量级区间的关键数据的高层级特征描述，且待决策生产任务的排产参照关键数据一定是和一个排产数量级区间对应的，则多层级特征挖掘模块中至少有一个模块层级能在排产参照关键数据中准确抽取到排产数量预估任务贡献度高的高层级特征描述，即层级挖掘特征，那么，采取层级学习剪枝工具输出的决策贡献评分对高贡献度的层级挖掘特征进行加权突出，并对低贡献度的层级挖掘特征进行加权淡化，以得到待决策生产任务对应的目标编码数组，目标编码数组能准确表征待决策生产任务对应的生产需求，因此，根据目标编码数组确定待决策生产任务对应的生产需求决策结果，能保障生产需求决策结果的准确可靠。基于以上过程，采取分类任务联合促进排产数量数据的预测建模任务，采取多个模块层级充分学习不同排产数量级区间的关键数据的高层级特征描述，采取层级学习剪枝工具学习各模块层级分别输出的高层级特征描述的精确度，以克服因排产数量数据的失衡与有效信息不足带来的后果，提高生产需求决策结果的可靠性。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本申请公开的实施例的用于产业互联网的协同制造方法的应用场景示意图。
图2示出了根据本申请的实施例的一种用于产业互联网的协同制造方法的流程图。
图3示出了根据本申请的实施例的管理装置的功能模块架构示意图。
图4示出了根据本申请的实施例的一种管理终端的组成示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本申请中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。在本申请中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本申请中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
图1示出了根据本申请的实施例提供的协同制造系统100的示意图。该协同制造系统100包括一个或多个生产终端101、管理终端120以及将一个或多个生产终端101耦接到管理终端120的一个或多个通信网络110。生产终端101可以被配置为执行一个或多个应用程序。
在本申请的实施例中，管理终端120可以运行使得能够执行用于产业互联网的协同制造方法的一个或多个服务或软件应用。
在某些实施例中，管理终端120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给生产终端101的用户。
在图1所示的配置中，管理终端120可以包括实现由管理终端120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作生产终端101的用户可以依次利用一个或多个应用程序来与管理终端120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与协同制造系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。生产终端101可以包括各种类型的生产设备，这些生产设备可以为智能化改造设备，具备记录数据和联网的能力。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
管理终端120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。管理终端120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，管理终端120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
管理终端120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。管理终端120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，管理终端120可以包括一个或多个应用程序，以分析和合并从生产终端101的用户接收的数据馈送和/或事件更新。管理终端120还可以包括一个或多个应用程序，以经由生产终端101的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，管理终端120可以为分布式系统的服务器，或者是结合了区块链的服务器。管理终端120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
协同制造系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储生产数据、市场需求数据、外部环境数据、设备运行数据等。数据库130可以驻留在各种位置。例如，由管理终端120使用的数据库可以在管理终端120本地，或者可以远离管理终端120且可以经由基于网络或专用的连接与管理终端120通信。数据库130可以是不同的类型。在某些实施例中，由管理终端120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。图1的系统100可以以各种方式配置和操作，以使得能够应用根据本申请所描述的各种方法和装置。
基于杜绝因排产数量数据的失衡与有效信息不足带来的后果，本申请提供的用于产业互联网的协同制造方法，能够采取将分类任务与预测建模任务进行融合的排产决策神经网络执行排产数量决策环节，增加确定的生产需求决策结果的可靠性。实际实施过程中，在本申请的用于产业互联网的协同制造方法先获取待决策生产任务的排产参照关键数据。然后，根据排产决策神经网络中的多层级特征挖掘模块包括的x个模块层级，基于排产参照关键数据进行中间特征挖掘，得到x个层级挖掘特征，x为至少等于2的正整数，在排产决策神经网络的调优时中，x个模块层级分别被配置为学习不同排产数量级区间的关键数据的高层级特征描述。此外，根据该排产决策神经网络中的层级学习剪枝工具，基于排产参照关键数据，确定x个层级挖掘特征分别对应的决策贡献评分，最后根据该排产决策神经网络中的融合仿射模块，基于x个层级挖掘特征及其分别对应的决策贡献评分确定待决策生产任务对应的目标编码数组，以及基于目标编码数组确定待决策生产任务对应的生产需求决策结果。因多层级特征挖掘模块中的x个模块层级在网络调优过程中分别被配置为学习不同排产数量级区间的关键数据的高层级特征描述，且待决策生产任务的排产参照关键数据一定是和一个排产数量级区间对应的，则多层级特征挖掘模块中至少有一个模块层级能在排产参照关键数据中精准抽取排产数量预估任务贡献度高的高层级特征描述，也即层级挖掘特征，采取层级学习剪枝工具输出的决策贡献评分，对高贡献度的层级挖掘特征进行加权突出，对低贡献度的层级挖掘特征进行加权淡化，以得到待决策生产任务对应的目标编码数组，目标编码数组能准确表征待决策生产任务对应的生产需求；因此，根据目标编码数组确定待决策生产任务对应的生产需求决策结果，能保障该生产需求决策结果的准确可靠。基于以上过程，采取分类任务联合促进排产数量数据的预测建模任务，即采取多个模块层级充分学习不同排产数量级区间的关键数据的高层级特征描述，并采取层级学习剪枝工具学习各模块层级分别输出的高层级特征描述的精确度，以克服排产数量数据的失衡与有效信息不足带来的后果，增加生产需求决策结果的可靠性。
以下介绍例如实施过程，请参照图2，本申请的实施例的一种用于产业互联网的协同制造方法200的流程图，该方法包括以下操作：
操作201：获取待决策生产任务的排产参照关键数据。
其中，排产参照关键数据被配置为在排产数量决策环节中提供参照依据。对于本申请实施例，在需要针对待决策生产任务预测排产数量时，获取待决策生产任务的排产参照关键数据，从而根据排产参照关键数据开启对待决策生产任务的排产数量决策环节。待决策生产任务的排产参照关键数据是可以在排产数量决策环节中提供参照依据的关键数据，体现了排产环节中参照的各种特征。具体而言，排产参照关键数据可以具有连续的数据，也可以具有离散的数据，例如可以包括生产数据（即生产系统的历史生产数据，例如过去一段时间内的生产计划、订单执行情况、生产工时和产量等数据）、市场需求数据（如对产品的市场需求量、变化趋势、销售数据等）、外部环境数据（例如与生产相关的外部环境因素，例如原材料价格、供应链状况、交通运输情况等）、设备运行数据（例如故障情况、维护情况等）等数据。可选地，在需要确定的待决策生产任务对应的生产需求决策结果时，可以根据以下方式，获取待决策生产任务的排产参照关键数据：获取待决策生产任务对应的生产系统的历史排产数据，将历史排产数据作为待决策生产任务的排产参照关键数据。
操作202：根据排产决策神经网络中的多层级特征挖掘模块包括的x个模块层级，基于所述排产参照关键数据进行中间特征挖掘，得到x个层级挖掘特征。
其中，x为至少等于2的正整数，在排产决策神经网络的调优时中，x个模块层级分别被配置为学习不同排产数量级区间的关键数据的高层级特征描述（即关键数据的深度特征）。
获取到待决策生产任务的排产参照关键数据后，可以将排产参照关键数据输入调优完成的排产决策神经网络，该排产决策神经网络中的多层级特征挖掘模块根据对输入的排产参照关键数据进行中间特征挖掘，将得到多个层级挖掘特征。例如，排产决策神经网络中包括x个并列的模块层级，x个模块层级并行地基于排产参照关键数据进行中间特征挖掘，得到对应的x个层级挖掘特征。X个模块层级即多层级特征挖掘模块中的x个特征通道（Feature Channel），在卷积神经网络中，又叫卷积通道（Convolution Channel），每个模块层级负责传递不同类型或不同方面的数据特征，中间特征挖掘即挖掘深度特征（又叫深度表示或深层特征）的过程，挖掘到的层级挖掘特征即对应层级的特征。本申请实施例中的排产决策神经网络是同时将分类任务与预测建模任务进行融合的神经网络，排产决策神经网络用于完成排产数量决策环节，确定待决策生产任务在的排产数量。排产决策神经网络为一个多核学习网络（Multi-Kernel Learning Net，MKLN），用于解决域自适应问题，通过结合多个核函数来建立不同域之间的关系，排产决策神经网络包括多层级特征挖掘模块、层级学习剪枝工具和融合仿射模块。
其中，多层级特征挖掘模块被配置为对输入排产决策神经网络的排产参照关键数据进行中间特征挖掘。多层级特征挖掘模块包括x个模块层级，分别为模块层级a、模块层级b、模块层级c……模块层级x。在排产决策神经网络的调优时中，x个模块层级分别被配置为学习不同排产数量级区间的关键数据的高层级特征描述，且x个模块层级分别学习的关键数据对应的排产数量级区间包容了排产数量取值的所有区间。举例而言，若x=4，排产数量的区间为0~10000，则模块层级a学习0~1000的排产数量对应的关键数据的高层级特征描述，模块层级b学习1000~3000的排产数量对应的关键数据的高层级特征描述，模块层级c学习3000~5000的排产数量对应的关键数据的高层级特征描述，模块层级d学习5000~8000的排产数量对应的关键数据的高层级特征描述，模块层级e学习8000~10000的排产数量对应的关键数据的高层级特征描述。
可选地，根据排产决策神经网络中的多层级特征挖掘模块包括的x个模块层级，基于排产参照关键数据进行中间特征挖掘，得到x个层级挖掘特征，具体可以包括：根据多层级特征挖掘模块中的主干特征提炼单元（即共享给多个网络的特征提炼单元），基于排产参照关键数据进行特征提炼，得到参照执行特征。然后，根据该多层级特征挖掘模块中的每个模块层级，对参照执行特征进行中间特征挖掘，得到每个模块层级对应的层级挖掘特征。
可选地，该排产决策神经网络中的多层级特征挖掘模块包括主干特征提炼单元和x个模块层级。多层级特征挖掘模块对输入的排产参照关键数据进行中间特征挖掘时，先根据主干特征提炼单元对排产参照关键数据进行特征提炼（即进行特征编码，如基于编码器实现），得到用于输入各个模块层级进行下一步操作的参照执行特征，参照执行特征用于通过标准化的形态表征排产参照关键数据的信息。接着多层级特征挖掘模块中的每个模块层级分别对参照执行特征进行中间特征挖掘，得到每个模块层级输出的层级挖掘特征。基于以上过程，根据多层级特征挖掘模块基于排产参照关键数据进行中间特征挖掘，令每个模块层级的数据执行量得到缓解。
操作203：根据排产决策神经网络中的层级学习剪枝工具，基于排产参照关键数据，确定x个层级挖掘特征分别对应的决策贡献评分。
获取到待决策生产任务的排产参照关键数据后，将排产参照关键数据输入调优完成的排产决策神经网络，排产决策神经网络中的层级学习剪枝工具根据对该排产参照关键数据进行分析处理，可以因此输出x个层级挖掘特征分别对应的决策贡献评分。可以理解，排产决策神经网络中包括层级学习剪枝工具，该层级学习剪枝工具可以为CLC，用于基于输入的排产参照关键数据，预估排产参照关键数据对应于各排产数量级区间（即x个模块层级分别学习的关键数据对应的排产数量级区间）的概率，排产参照关键数据属于各排产数量级区间的概率实质为x个模块层级分别输出的层级挖掘特征对应的决策贡献评分（本质上是一个表示重要性的权值，具体表征层级挖掘特征对应的重要性程度）。承上示例，若层级学习剪枝工具的执行结果反映输入的排产参照关键数据对应0~1000的概率最大，则排产决策神经网络应通过层级学习剪枝工具的输出，加权突出（即乘以更大的权值）多层级特征挖掘模块中第一个模块层级得到的层级挖掘特征，加权淡化（即乘以更小的权值）多层级特征挖掘模块中其它模块层级得到的层级挖掘特征。
可选地，根据以下方式，根据排产决策神经网络中的层级学习剪枝工具，基于排产参照关键数据，确定x个层级挖掘特征分别对应的决策贡献评分：根据层级学习剪枝工具中的深度前馈网络（DFN），基于排产参照关键数据确定推理描述数组，推理描述数组可以为一个包含多个元素的一维数组，推理描述数组中包括x个维度的决策贡献评分，x个维度的决策贡献评分与x个层级挖掘特征成对映射（即一对一映射，或称一一匹配）。接着根据层级学习剪枝工具中的标准化单元对推理描述数组进行标准化执行，得到标准推理描述数组，标准推理描述数组可以为一个一维的特征数组，可以通过归一化指数函数实现标准化执行的过程，标准推理描述数组中包括x个层级挖掘特征分别对应的决策贡献评分。
可选地，排产决策神经网络中的层级学习剪枝工具包括深度前馈网络结构和标准化单元。层级学习剪枝工具根据排产参照关键数据确定x个决策贡献评分时，可先根据深度前馈网络结构对排产参照关键数据进行处理，得到推理描述数组；该推理描述数组的维度等于x，不同的维度对应不同的层级挖掘特征对应的决策贡献评分，依上所言，决策贡献评分被配置为表征其对应的层级挖掘特征的重要性，或者说表征排产参照关键数据对应输出层级挖掘特征的模块层级对应的排产数量级区间的概率。以上所述推理描述数组中的x维的数据还不可以作为x个层级挖掘特征对应的决策贡献评分，还需要根据标准化单元（softmax函数）将其标准化成标准推理描述数组，该标准推理描述数组具有x各维度的数据，x维数据和等于1，不同维的数据为一层级挖掘特征对应的决策贡献评分。
基于以上过程，根据层级学习剪枝工具，基于排产参照关键数据确定x个层级挖掘特征分别对应的决策贡献评分，能保障确定的决策贡献评分准确表征排产参照关键数据对应各排产数量级区间的概率，从而保障确定得到的决策贡献评分精准表征x个层级挖掘特征分别的可靠性，生产需求决策结果更准确。
操作204：根据排产决策神经网络中的融合仿射模块，基于x个层级挖掘特征及其分别对应的决策贡献评分，确定待决策生产任务对应的目标编码数组；基于目标编码数组，确定待决策生产任务对应的生产需求决策结果，以便基于生产需求决策结果进行协同制造。
根据排产决策神经网络中的多层级特征挖掘模块得到x个层级挖掘特征，以及根据排产决策神经网络中的层级学习剪枝工具得到x个层级挖掘特征分别对应的决策贡献评分后，可以进一步将x个层级挖掘特征及其分别对应的决策贡献评分，输入排产决策神经网络中的融合仿射模块，融合仿射模块先基于x个层级挖掘特征及其分别对应的决策贡献评分，确定待决策生产任务对应的目标编码数组，再基于目标编码数组确定待决策生产任务对应的生产需求决策结果，该生产需求决策结果表示待决策生产任务对应的生产数量。
其中，排产决策神经网络包括融合仿射模块，该融合仿射模块用于基于多层级特征挖掘模块提供的x个层级挖掘特征和层级学习剪枝工具提供的x个层级挖掘特征分别对应的决策贡献评分，确定目标编码数组（即一个低维映射数组，如一维数组），目标编码数组被配置为表征待决策生产任务对应的生产需求的特征信息，融合仿射模块还根据确定得到的目标编码数组获得生产需求决策结果。
可选地，根据以下方式，根据排产决策神经网络中的融合仿射模块，基于x个层级挖掘特征及其分别对应的决策贡献评分，确定待决策生产任务对应的目标编码数组，并基于目标编码数组，确定待决策生产任务对应的生产需求决策结果，根据融合仿射模块中的特征交互单元（即完成特征融合的单元），基于x个层级挖掘特征分别对应的决策贡献评分，对x个层级挖掘特征进行加权线性组合（即先加权，再将各个加权结果求和的过程），得到目标编码数组。根据融合仿射模块中的仿射单元，基于目标编码数组，确定待决策生产任务对应的生产需求决策结果。
本申请实施例中，排产决策神经网络中的融合仿射模块包括特征交互单元和仿射单元。实现过程中，特征交互单元可以获取多层级特征挖掘模块输出的x个层级挖掘特征和层级学习剪枝工具输出的x个层级挖掘特征分别对应的决策贡献评分，然后特征交互单元根据x个层级挖掘特征分别对应的决策贡献评分，对x个层级挖掘特征分别进行加权，将各个加权结果进行相加，得到目标编码数组。接着将目标编码数组输入仿射单元，仿射单元根据对输入的目标编码数组进行处理，输出待决策生产任务对应的生产需求决策结果。
基于以上过程，根据融合仿射模块确定待决策生产任务对应的生产需求决策结果，可以基于层级学习剪枝工具确定的决策贡献评分将多层级特征挖掘模块输出的x个层级挖掘特征进行融合，获得能准确表征待决策生产任务对应的生产需求的目标编码数组，那么，基于目标编码数组确定生产需求决策结果，能保障确定的生产需求决策结果的准确可靠，此外，融合仿射模块的结构不复杂，在调优布置时的难度不大。
本申请实施例提供的用于产业互联网的协同制造方法，将分类任务与预测建模任务进行融合的排产决策神经网络。具体地，先基于排产决策神经网络中基于分类任务的多层级特征挖掘模块和层级学习剪枝工具，基于待决策生产任务的排产参照关键数据，确定x个层级挖掘特征和这x个层级挖掘特征分别对应的决策贡献评分，因为多层级特征挖掘模块中的x个模块层级在网络调优过程中分别被配置为学习不同排产数量级区间的关键数据的高层级特征描述，且待决策生产任务的排产参照关键数据一定是和一个排产数量级区间对应的，则多层级特征挖掘模块中至少有一个模块层级能在排产参照关键数据中准确抽取到排产数量预估任务贡献度高的高层级特征描述，也即层级挖掘特征，那么，采取层级学习剪枝工具输出的决策贡献评分，对高贡献度的层级挖掘特征进行加权突出，并对低贡献度的层级挖掘特征进行加权淡化，以得到待决策生产任务对应的目标编码数组，该目标编码数组能准确表征待决策生产任务对应的生产需求。因此，基于目标编码数组确定待决策生产任务对应的生产需求决策结果，能保障生产需求决策结果的准确可靠。基于以上过程，采取分类任务联合促进排产数量数据的预测建模任务，即采取多个模块层级充分学习不同排产数量级区间的关键数据的高层级特征描述，并采取层级学习剪枝工具学习各模块层级分别输出的高层级特征描述的精确度，以克服因排产数量数据的失衡与有效信息不足带来的后果，提高生产需求决策结果的可靠性。
本申请实施例还提供了排产决策神经网络的调优过程，具体包括以下操作：
操作301，获取网络调优模板集合。
其中，网络调优模板集合包括多个网络调优模板，每个网络调优模板包括模板关键数据和对应的生产需求注释信息（即注释具体的排产数量，可以理解排产数量是位于上述各个区间内的）。
对于本申请实施例，调优排产决策神经网络前，获取调优排产决策神经网络的网络调优模板集合，网络调优模板集合包括多个网络调优模板，每个网络调优模板包括模板关键数据和对应的生产需求注释信息。模板关键数据和以上实施例中的排产参照关键数据是同理的，为调优排产决策神经网络时采取排产决策神经网络处理的关键数据，即生产数据（即生产系统的历史生产数据，例如过去一段时间内的生产计划、订单执行情况、生产工时和产量等数据）、市场需求数据（如对产品的市场需求量、变化趋势、销售数据等）、外部环境数据（例如与生产相关的外部环境因素，例如原材料价格、供应链状况、交通运输情况等）、设备运行数据（例如故障情况、维护情况等）等数据。
可选地，网络调优模板集合中包括x个排产数量级区间分别对应的网络调优模板子集，一个排产数量级区间对应的网络调优模板子集中各个网络调优模板分别包括的生产需求决策结果均属于该排产数量级区间。此处的x个排产数量级区间包括一个排产数量为设定数值的数量区间和x-1个排产数量不为设定数值的数量区间，并且x-1个排产数量不为设定数值的数量区间分别对应的网络调优模板子集包括的网络调优模板的数量差值小于设定的差值临界值。为了平衡调优排产决策神经网络中多层级特征挖掘模块包括的x个模块层级，建立网络调优模板集合的过程中，可以建立x个排产数量级区间分别对应的网络调优模板子集，x个排产数量级区间为x个模块层级分别学习的关键数据所对应的排产数量级区间，针对一个排产数量级区间对应的网络调优模板子集，网络调优模板包括的生产需求注释信息属于排产数量级区间。
例如，划分x个排产数量级区间时，假设排产数量0~1000的场景在全部调优场景最常见，则独自划分一个排产数量为设定数值的数量区间，其对应的网络调优模板子集具有数量充实的网络调优模板，而对于排产数量大于1000的区间，基于各排产数量区间分别对应的分布情况，将余下的x-1个排产数量级区间进行划分，划分是需要确保x-1个排产数量级区间分别对应的网络调优模板子集涵盖的网络调优模板数量接近，换言之，这x-1个网络调优模板子集分别包括的网络调优模板的数量差值小于预设的差值临界值。
基于以上过程划分x个排产数量级区间，建立包括x个排产数量级区间分别对应的网络调优模板子集的网络调优模板集合，能保障除排产数量0~1000外的各个排产数量级区间分别对应的网络调优模板子集具有数量差异不大的网络调优模板，确保调优排产决策神经网络时，令其中各模块层级都能有效学习不同排产数量级区间的关键数据的高层级特征描述，同时学习排产数量为设定数值的数量区间的关键数据的模块层级拥有突出的隐藏特征挖掘效果，学习排产数量大于1000的关键数据的各个模块层级拥有平衡的隐藏特征挖掘效果。
操作302，根据待调优的排产决策神经网络中的多层级特征挖掘模块包括的x个模块层级，基于网络调优模板中的模板关键数据进行中间特征挖掘，得到x个模板层级挖掘特征。其中，x为至少等于2的正整数，x个模块层级分别被配置为学习不同排产数量级区间的模板关键数据的高层级特征描述。
操作303，根据排产决策神经网络中的层级学习剪枝工具，基于网络调优模板中模板关键数据，确定x个模板层级挖掘特征分别对应的模板决策贡献评分。
操作304，根据排产决策神经网络中的融合仿射模块，基于x个模板层级挖掘特征及其分别对应的模板决策贡献评分，确定网络调优模板对应的模板编码数组；根据模板编码数组，确定网络调优模板对应的模板生产需求决策结果。
操作302~操作304可以参照操作202~操作204。
可以理解，排产决策神经网络在正式使用时和调优时，使用的数据可能容易混淆，对于本申请实施例，把排产决策神经网络的调优时得到的层级挖掘特征称为模板层级挖掘特征，把排产决策神经网络的调优时得到的层级挖掘特征对应的决策贡献评分称为模板决策贡献评分，把排产决策神经网络的调优时得到的目标编码数组称为模板编码数组，把排产决策神经网络的调优时得到的生产需求决策结果称为模板生产需求决策结果，模板层级挖掘特征与层级挖掘特征实质是一样的，模板决策贡献评分与决策贡献评分实质是一样的，模板编码数组与目标编码数组实质是一样的，模板生产需求决策结果与生产需求决策结果实质是一样的。
操作305，基于网络调优模板集合中各网络调优模板分别对应的模板生产需求决策结果和各网络调优模板分别包括的生产需求注释信息，确定生产需求代价信息；基于生产需求代价信息，修正排产决策神经网络的网络可学习参数。
根据操作302~操作304，采取待调优的排产决策神经网络处理网络调优模板集合中各个网络调优模板分别包括的模板关键数据，将因此得到各个网络调优模板分别对应的模板生产需求决策结果。根据各网络调优模板分别对应的模板生产需求决策结果和各个网络调优模板分别包括的生产需求注释信息，确定生产需求代价信息。例如，可以根据通用的均方误差代价函数来确定生产需求代价信息。
在网络调优时，基于减小生产需求代价信息的目的去修正待调优的排产决策神经网络的网络可学习参数，该过程通常包含多轮，当调优的排产决策神经网络满足调优停止要求（如轮次达到了最大设定轮次，或者生产需求代价信息的数值达到最小）时，则得到调优完成的排产决策神经网络。
本申请实施例提供的网络调优方法，采取待调优的排产决策神经网络中基于分类任务的多层级特征挖掘模块和层级学习剪枝工具，基于网络调优模板中的模板关键数据，确定x个模板层级挖掘特征和x个模板层级挖掘特征分别对应的模板决策贡献评分。因多层级特征挖掘模块中的x个模块层级分别被配置为学习不同排产数量级区间的模板关键数据的高层级特征描述，充分学习了各排产数量级区间分别对应的模板关键数据，让各个模块层级都能对特定的排产数量级区间的关键数据抽取到准确的高层级特征描述。同时，层级学习剪枝工具可以在调优时中识别输入的关键数据对应的排产数量级区间，采取输出的模板决策贡献评分对各模块层级分别输出的模板层级挖掘特征进行加权突出或加权淡化，确定对应的模板编码数组。根据模板编码数组确定网络调优模板对应的模板生产需求决策结果，根据模板生产需求决策结果与网络调优模板包括的生产需求注释信息之间的代价对排产决策神经网络进行调优，让排产决策神经网络的性能越来越强，增加预估的排产数量的准确性。
可选地，除基于生产需求代价信息调优排产决策神经网络，本申请还可将生产需求代价信息与排产数量确定代价进行融合，采取两种代价信息一起调优排产决策神经网络。在获取排产数量确定代价时，对网络调优模板集合中的每个网络调优模板，根据网络调优模板包括的生产需求注释信息，确定网络调优模板对应的排产数量标签，排产数量标签中包括x个排产数量级区间分别对应的排产数量标签数据，网络调优模板中的生产需求注释信息对应的排产数量级区间对应的排产数量标签数据为第一数据（例如为1），其它排产数量标签数据为第二数据（例如为0）。
然后，基于网络调优模板集合中各网络调优模板分别对应的预估贡献度分布情况和各网络调优模板分别对应的排产数量标签，获取排产数量确定代价，网络调优模板对应的预估贡献度分布情况为层级学习剪枝工具基于网络调优模板中的模板关键数据确定的模板决策贡献评分。因此，可以基于生产需求代价信息和排产数量确定代价，修正排产决策神经网络的网络可学习参数。
举例而言，若调优的排产决策神经网络中的多层级特征挖掘模块包括的模块层级为五个，模块层级a对应学习0~1000的排产数量对应的关键数据的高层级特征描述，模块层级b对应学习1000~3000的排产数量对应的关键数据的高层级特征描述，模块层级c对应学习3000~5000的排产数量对应的关键数据的高层级特征描述，模块层级d对应学习5000~8000的排产数量对应的关键数据的高层级特征描述，模块层级e对应学习8000~10000的排产数量对应的关键数据的高层级特征描述。假设一网络调优模板中包括的生产需求决策结果为888，此时生产需求决策结果对应以上模块层级a的排产数量级区间，则网络调优模板对应的排产数量标签应为（1；0；0；0；0）。
如此确定得到网络调优模板集合中各网络调优模板分别对应的排产数量标签后，根据下述函数获取排产数量确定代价：
其中，H为排产数量确定代价；M为网络调优模板集合中网络调优模板的数量；D’m为网络调优模板集合中第m个网络调优模板对应的预估贡献度分布情况，为调优的排产决策神经网络中的层级学习剪枝工具基于第m个网络调优模板中的模板关键数据确定的x个模板决策贡献评分；Dm为第m个网络调优模板对应的排产数量标签。
可选地，除了基于网络调优模板包括的生产需求注释信息和网络调优模板对应的生产需求决策结果建立生产需求代价信息外，还可以基于网络调优模板对应的排产数量标签和预估贡献度分布情况建立排产数量确定代价H。将生产需求代价信息和该排产数量确定代价融合（例如直接相加或者加权后相加），以调优排产决策神经网络。
基于以上过程，在排产决策神经网络的调优时中加入基于排产决策神经网络中的层级学习剪枝工具输出的结果和网络调优模板对应的排产数量标签确定的排产数量确定代价，将排产数量确定代价和生产需求代价信息进行融合，一起调优排产决策神经网络，增加该排产决策神经网络的回归预测能力的同时增加了排产决策神经网络的分类能力，令排产决策神经网络中的层级学习剪枝工具可以准确完成分类，识别关键数据属于各排产数量级区间的概率，以便于促进对多层级特征挖掘模块中各个模块层级分别输出的层级挖掘特征进行精确加权突出或加权淡化。
可选地，除通过生产需求代价信息和排产数量确定代价调优排产决策神经网络外，还可将生产需求代价信息、排产数量确定代价与匹配代价信息融合，同时采取三种代价信息调优排产决策神经网络。例如基于网络调优模板集合中各网络调优模板分别对应的模板编码数组和各网络调优模板分别包括的生产需求注释信息，确定匹配代价信息。
匹配代价信息通过排产数量与编码数组间的关联关系建立，若两个调优模板的实际排产数量的差值大，则分别对应的模板编码数组之间的也会有较大的差别，调优模板对应的模板编码数组是排产决策神经网络中的融合仿射模块确定的，是融合仿射模块基于多层级特征挖掘模块输出的x个模板层级挖掘特征和层级学习剪枝工具输出的x个模板决策贡献评分确定的，x个模板层级挖掘特征和x个模板决策贡献评分都为通过调优模板的模板关键数据确定得到。那么，本申请实施例中的匹配代价信息用于基于不同生产需求注释信息之间的差别，调节对应的模板编码数组的匹配度，采取匹配代价信息能有效去除排产决策神经网络的回归误差，提高排产决策神经网络的回归预测能力。
例如，基于网络调优模板集合中各网络调优模板分别对应的模板编码数组和各网络调优模板分别包括的生产需求注释信息，确定匹配代价信息时，包括：基于网络调优模板集合中各网络调优模板分别对应的模板编码数组，确定编码匹配张量，编码匹配张量中的张量单元被配置为表征两个模板编码数组之间的匹配程度。基于网络调优模板集合中各网络调优模板分别包括的生产需求注释信息，确定排产数量匹配张量，该排产数量匹配张量中的张量单元被配置为表征两个生产需求注释信息之间的匹配程度。基于编码匹配张量和排产数量匹配张量确定匹配代价信息。
具体地，可以基于网络调优模板集合中各网络调优模板分别对应的模板编码数组，建立编码匹配张量Tensor1，在编码匹配张量Tensor1中，每个张量单元被配置为表征一个模板编码数组对对应的匹配程度（即二者的相似度），模板编码数组对是将任意两个模板编码数组组合的结果，一个模板编码数组对包括两个不同的模板编码数组。此外，基于网络调优模板集合中各网络调优模板分别包括的生产需求注释信息，建立排产数量匹配张量Tensor2；在排产数量匹配张量Tensor2中，每个张量单元被配置为表征一个生产需求注释信息对对应的匹配程度，生产需求注释信息对是将任意两个模板编码数组组合的结果，一个生产需求注释信息对包括两个不同的生产需求注释信息。根据编码匹配张量Tensor1和排产数量匹配张量Tensor2，确定匹配代价信息。
基于网络调优模板集合中各网络调优模板分别对应的模板编码数组，确定编码匹配张量时，可以是基于网络调优模板集合中各网络调优模板分别对应的模板编码数组，建立基础编码张量；基于网络调优模板集合中各网络调优模板分别对应的模板编码数组的欧式范数，建立标准编码匹配张量，根据基础编码张量和对应的重置张量，及标准编码匹配张量和对应的重置张量，确定编码匹配张量。
例如，可以采取网络调优模板集合中各网络调优模板分别对应的模板编码数组组成基础编码张量，基础编码张量中的每一行包括一个网络调优模板对应的模板编码数组。此外，获取网络调优模板集合中各网络调优模板分别对应的模板编码数组的欧式范数，采取各网络调优模板分别对应的模板编码数组的欧式范数组成标准编码匹配张量，该标准编码匹配张量中每一行包括一个模板编码数组的欧式范数。编码数组张量指代基础编码张量和标准编码匹配张量。
然后，可以根据如下公式，采取基础编码张量和对应的重置张量，及标准编码匹配张量和对应的重置张量，确定编码匹配张量：
Tensor1=（Tb/Ts）×（Tb T/Ts T）
其中，Tensor1为编码匹配张量，Tb为基础编码张量，Tb T为基础编码张量对应的重置张量（也即张量的转置），Ts为标准编码匹配张量，Ts T为标准编码匹配张量对应的重置张量。
基于以上过程确定编码匹配张量，可以保障得到的编码匹配张量可以准确保证网络调优模板集合中任意两个网络调优模板对应的模板编码数组之间的匹配度。
基于网络调优模板集合中各网络调优模板分别包括的生产需求注释信息，确定排产数量匹配张量，具体可以是基于网络调优模板集合中各网络调优模板分别包括的生产需求注释信息，建立排产数量结果张量，排产数量结果张量中包括M个相同的生产需求注释信息行，生产需求注释信息行中包括M个生产需求注释信息，M为网络调优模板集合中网络调优模板的数量，再基于排产数量结果张量和对应的重置张量，确定排产数量匹配张量。
例如先基于网络调优模板集合中各网络调优模板分别包括的生产需求注释信息，建立一个等长等宽的排产数量结果张量，即建立M×M的排产数量结果张量，M为网络调优模板集合包括的网络调优模板的数量。在排产数量结果张量中包括M个相同的生产需求注释信息行，每个生产需求注释信息行中包括M个网络调优模板分别包括的生产需求注释信息。
然后根据以下公式，采取排产数量结果张量和对应的重置张量，确定排产数量匹配张量：
Tensor2=丨Tr-TrT丨
其中，Tensor2为排产数量匹配张量，Tr为基于网络调优模板集合中各网络调优模板分别包括的生产需求注释信息建立的排产数量结果张量，TrT为排产数量结果张量对应的重置张量。
基于以上过程确定排产数量匹配张量，可以保障确定的排产数量匹配张量能准确表征网络调优模板集合中任意两个网络调优模板包括的生产需求注释信息的匹配度。
获得编码匹配张量和排产数量匹配张量后，根据如下公式，基于编码匹配张量和排产数量匹配张量来确定匹配代价信息：
Ht=（Score(1-Tensor1)-Score(Tensor2)）2
其中，Ht为匹配代价信息；Score为归一化函数；Tensor1为编码匹配张量，Tensor2为排产数量匹配张量。
基于以上过程保障了确定得到的匹配代价信息可以准确表征模板编码数组与生产需求注释信息的关系，有利于采取匹配代价信息优化调优的排产决策神经网络的回归预测能力。
在排产决策神经网络的调优时，除基于网络调优模板包括的生产需求注释信息和网络调优模板对应的生产需求决策结果建立生产需求代价信息，及网络调优模板对应的排产数量标签和预估贡献度分布情况建立排产数量确定代价外，还可基于网络调优模板包括的生产需求注释信息和网络调优模板对应的模板编码数组建立匹配代价信息，那么，将生产需求代价信息、排产数量确定代价以及匹配代价信息融合（如直接相加或者先乘以各自的权值，再相加），采取融合代价调优排产决策神经网络。
基于以上过程，在排产决策神经网络的调优时中加入基于排产决策神经网络中的融合仿射模块确定的模板编码数组和网络调优模板包括的生产需求决策结果确定的匹配代价信息，将匹配代价信息和生产需求代价信息、排产数量确定代价进行融合以调优排产决策神经网络，不仅增加排产决策神经网络的分类能力，也增加了数值预测能力，使得调优的排产决策神经网络能准确完成排产数量决策环节。
根据本申请的另一方面，还提供一种管理装置，请参图3，装置900包括：
数据获取模块910，用于获取待决策生产任务的排产参照关键数据，其中，所述排产参照关键数据被配置为在生产需求决策环节中提供参照依据；
特征挖掘模块920，用于根据排产决策神经网络中的多层级特征挖掘模块包括的x个模块层级，基于所述排产参照关键数据进行中间特征挖掘，得到x个层级挖掘特征；所述x为至少等于2的正整数，在所述排产决策神经网络的调优时中，所述x个模块层级分别被配置为学习不同排产数量级区间的关键数据的高层级特征描述；
贡献获取模块930，用于根据所述排产决策神经网络中的层级学习剪枝工具，基于所述排产参照关键数据，确定所述x个层级挖掘特征分别对应的决策贡献评分；
需求确定模块940，用于根据所述排产决策神经网络中的融合仿射模块，基于所述x个层级挖掘特征及其分别对应的所述决策贡献评分，确定所述待决策生产任务对应的目标编码数组；基于所述目标编码数组，确定所述待决策生产任务对应的生产需求决策结果，以便基于所述生产需求决策结果进行协同制造。
根据本申请的实施例，还提供了一种管理终端、一种可读存储介质和一种计算机程序产品。
请参考图4，为本申请的服务器或客户端的管理终端1000的结构框图，管理终端1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储管理终端1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
管理终端1000中的多个部件连接至I/O接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向管理终端1000输入信息的任何类型的设备，输入单元1006可以接收输入的数字或字符信息，以及产生与管理终端的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元1009允许管理终端1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到管理终端1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本申请的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本申请中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本申请之后出现的等同要素进行替换。

Claims (8)

1.一种用于产业互联网的协同制造方法，其特征在于，所述方法包括：
获取待决策生产任务的排产参照关键数据，其中，所述排产参照关键数据被配置为在生产需求决策环节中提供参照依据；
根据排产决策神经网络中的多层级特征挖掘模块包括的x个模块层级，基于所述排产参照关键数据进行中间特征挖掘，得到x个层级挖掘特征；所述x为至少等于2的正整数，在所述排产决策神经网络调优时，所述x个模块层级分别被配置为学习不同排产数量级区间的关键数据的高层级特征描述；
根据所述排产决策神经网络中的层级学习剪枝工具，基于所述排产参照关键数据，确定所述x个层级挖掘特征分别对应的决策贡献评分；
根据所述排产决策神经网络中的融合仿射模块，基于所述x个层级挖掘特征及其分别对应的所述决策贡献评分，确定所述待决策生产任务对应的目标编码数组；
基于所述目标编码数组，确定所述待决策生产任务对应的生产需求决策结果，以便基于所述生产需求决策结果进行协同制造；
其中，所述根据排产决策神经网络中的多层级特征挖掘模块包括的x个模块层级，基于所述排产参照关键数据进行中间特征挖掘，得到x个层级挖掘特征，包括：
根据所述多层级特征挖掘模块中的主干特征提炼单元，基于所述排产参照关键数据进行特征提炼，得到参照执行特征；
根据所述多层级特征挖掘模块中的每个所述模块层级，对所述参照执行特征进行中间特征挖掘，得到每个所述模块层级对应的层级挖掘特征；
所述根据所述排产决策神经网络中的层级学习剪枝工具，基于所述排产参照关键数据，确定所述x个层级挖掘特征分别对应的决策贡献评分，包括：
根据所述层级学习剪枝工具中的深度前馈网络结构，基于所述排产参照关键数据，确定推理描述数组；所述推理描述数组中包括x个维度的决策贡献评分，所述x个维度的决策贡献评分与所述x个层级挖掘特征成对映射；
根据所述层级学习剪枝工具中的标准化单元，对所述推理描述数组进行标准化执行，得到标准推理描述数组；所述标准推理描述数组中包括所述x个层级挖掘特征分别对应的决策贡献评分；
所述根据所述排产决策神经网络中的融合仿射模块，基于所述x个层级挖掘特征及其分别对应的所述决策贡献评分，确定所述待决策生产任务对应的目标编码数组，包括：
根据所述融合仿射模块中的特征交互单元，基于所述x个层级挖掘特征分别对应的所述决策贡献评分，对所述x个层级挖掘特征进行加权线性组合，得到所述目标编码数组；所述基于所述目标编码数组，确定所述待决策生产任务对应的生产需求决策结果，包括：根据所述融合仿射模块中的仿射单元，基于所述目标编码数组，确定所述待决策生产任务对应的生产需求决策结果。
2.根据权利要求1所述的方法，其特征在于，所述获取待决策生产任务的排产参照关键数据，包括：
获取所述待决策生产任务对应的生产系统的历史排产数据，将所述历史排产数据作为所述排产参照关键数据。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括所述排产决策神经网络的调优过程，包括：
获取网络调优模板集合；其中，所述网络调优模板集合包括多个网络调优模板，每个所述网络调优模板包括模板关键数据和对应的生产需求注释信息；
根据待调优的排产决策神经网络中的多层级特征挖掘模块包括的x个模块层级，基于所述网络调优模板中的所述模板关键数据进行中间特征挖掘，得到x个模板层级挖掘特征；所述x为至少等于2的正整数，所述x个模块层级分别被配置为学习不同排产数量级区间的模板关键数据的高层级特征描述；
根据所述排产决策神经网络中的层级学习剪枝工具，基于所述网络调优模板中所述模板关键数据，确定所述x个模板层级挖掘特征分别对应的模板决策贡献评分；
根据所述排产决策神经网络中的融合仿射模块，基于所述x个模板层级挖掘特征及其分别对应的所述模板决策贡献评分，确定所述网络调优模板对应的模板编码数组；
根据所述模板编码数组，确定所述网络调优模板对应的模板生产需求决策结果；
基于所述网络调优模板集合中各所述网络调优模板分别对应的模板生产需求决策结果和各所述网络调优模板分别包括的生产需求注释信息，确定生产需求代价信息；
基于所述生产需求代价信息，修正所述排产决策神经网络的网络可学习参数。
4.根据权利要求3所述的方法，其特征在于，所述网络调优模板集合包括x个排产数量级区间分别对应的网络调优模板子集，所述排产数量级区间对应的网络调优模板子集中各个所述网络调优模板分别包括的生产需求决策结果均属于所述排产数量级区间；所述x个排产数量级区间包括一个排产数量为设定数值的数量区间和x-1个排产数量不为设定数值的数量区间，所述x-1个排产数量不为设定数值的数量区间分别对应的网络调优模板子集包括的网络调优模板的数量差值小于设定的差值临界值；
所述方法还包括：
针对每个所述网络调优模板，根据所述网络调优模板包括的生产需求注释信息，确定所述网络调优模板对应的排产数量标签；所述排产数量标签中包括所述x个排产数量级区间分别对应的排产数量标签数据，所述生产需求注释信息所属的排产数量级区间对应的排产数量标签数据为第一数据，其它排产数量标签数据为第二数据；
基于所述网络调优模板集合中各所述网络调优模板分别对应的预估贡献度分布情况和各所述网络调优模板分别对应的排产数量标签，获取排产数量确定代价；所述网络调优模板对应的预估贡献度分布情况为所述层级学习剪枝工具根据所述网络调优模板中的所述模板关键数据确定的模板决策贡献评分；
所述基于所述生产需求代价信息，修正所述排产决策神经网络的网络可学习参数，包括：
基于所述生产需求代价信息和所述排产数量确定代价，修正所述排产决策神经网络的网络可学习参数。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
基于所述网络调优模板集合中各所述网络调优模板分别对应的所述模板编码数组和各所述网络调优模板分别包括的生产需求注释信息，确定匹配代价信息；
所述基于所述生产需求代价信息，修正所述排产决策神经网络的网络可学习参数，包括：
基于所述生产需求代价信息和所述匹配代价信息，修正所述排产决策神经网络的网络可学习参数。
6.根据权利要求5所述的方法，其特征在于，所述基于所述网络调优模板集合中各所述网络调优模板分别对应的所述模板编码数组和各所述网络调优模板分别包括的生产需求注释信息，确定匹配代价信息，包括：
基于所述网络调优模板集合中各所述网络调优模板分别对应的所述模板编码数组，确定编码匹配张量；所述编码匹配张量中的张量单元被配置为表征两个所述模板编码数组之间的匹配程度；
基于所述网络调优模板集合中各所述网络调优模板分别包括的所述生产需求注释信息，确定排产数量匹配张量；所述排产数量匹配张量中的张量单元被配置为表征两个所述生产需求注释信息之间的匹配程度；
根据所述编码匹配张量以及所述排产数量匹配张量，确定所述匹配代价信息。
7.根据权利要求6所述的方法，其特征在于，所述基于所述网络调优模板集合中各所述网络调优模板分别对应的所述模板编码数组，确定编码匹配张量，包括：
基于所述网络调优模板集合中各所述网络调优模板分别对应的所述模板编码数组，建立基础编码张量；
根据各所述网络调优模板分别对应的所述模板编码数组的欧式范数，建立标准编码匹配张量；
根据所述基础编码张量和对应的重置张量，及所述标准编码匹配张量和对应的重置张量，确定所述编码匹配张量；
所述基于所述网络调优模板集合中各所述网络调优模板分别包括的所述生产需求注释信息，确定排产数量匹配张量，包括：
基于所述网络调优模板集合中各所述网络调优模板分别包括的所述生产需求注释信息，建立排产数量结果张量；所述排产数量结果张量中包括M个相同的生产需求注释信息行，所述生产需求注释信息行包括M个所述生产需求注释信息，所述M为所述网络调优模板集合中所述网络调优模板的数量；
根据所述排产数量结果张量和对应的重置张量，确定所述排产数量匹配张量。
8.一种协同制造系统，其特征在于，包括互相通信连接的生产终端和管理终端，所述管理终端包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1~7中任一项所述的方法。
CN202311577279.5A 2023-11-24 2023-11-24 一种用于产业互联网的协同制造方法及系统 Active CN117332992B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311577279.5A CN117332992B (zh) 2023-11-24 2023-11-24 一种用于产业互联网的协同制造方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311577279.5A CN117332992B (zh) 2023-11-24 2023-11-24 一种用于产业互联网的协同制造方法及系统

Publications (2)

Publication Number Publication Date
CN117332992A CN117332992A (zh) 2024-01-02
CN117332992B true CN117332992B (zh) 2024-02-09

Family

ID=89279539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311577279.5A Active CN117332992B (zh) 2023-11-24 2023-11-24 一种用于产业互联网的协同制造方法及系统

Country Status (1)

Country Link
CN (1) CN117332992B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019063024A1 (zh) * 2017-09-30 2019-04-04 中铁工程装备集团有限公司 硬岩tbm掘进控制参数智能决策方法及系统
CN110163511A (zh) * 2019-05-24 2019-08-23 重庆大学 一种基于关联规则挖掘和模糊决策的制造质量控制方法
CN110675005A (zh) * 2019-10-15 2020-01-10 深圳埃克斯工业自动化有限公司 一种基于人工智能技术与ropn技术的智能决策方法
CN114880314A (zh) * 2022-05-23 2022-08-09 烟台聚禄信息科技有限公司 应用人工智能策略的大数据清洗决策方法及ai处理系统
CN115471108A (zh) * 2022-09-27 2022-12-13 陈浩川 数据分析决策方法、系统及大数据资源中心
CN116485512A (zh) * 2023-04-17 2023-07-25 李雨菲 基于强化学习的银行数据分析方法及系统
CN116882823A (zh) * 2023-07-11 2023-10-13 江西方兴科技股份有限公司 自纠错的多层级工程质量评定管理平台

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190164057A1 (en) * 2019-01-30 2019-05-30 Intel Corporation Mapping and quantification of influence of neural network features for explainable artificial intelligence

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019063024A1 (zh) * 2017-09-30 2019-04-04 中铁工程装备集团有限公司 硬岩tbm掘进控制参数智能决策方法及系统
CN110163511A (zh) * 2019-05-24 2019-08-23 重庆大学 一种基于关联规则挖掘和模糊决策的制造质量控制方法
CN110675005A (zh) * 2019-10-15 2020-01-10 深圳埃克斯工业自动化有限公司 一种基于人工智能技术与ropn技术的智能决策方法
CN114880314A (zh) * 2022-05-23 2022-08-09 烟台聚禄信息科技有限公司 应用人工智能策略的大数据清洗决策方法及ai处理系统
CN115471108A (zh) * 2022-09-27 2022-12-13 陈浩川 数据分析决策方法、系统及大数据资源中心
CN116485512A (zh) * 2023-04-17 2023-07-25 李雨菲 基于强化学习的银行数据分析方法及系统
CN116882823A (zh) * 2023-07-11 2023-10-13 江西方兴科技股份有限公司 自纠错的多层级工程质量评定管理平台

Also Published As

Publication number Publication date
CN117332992A (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
EP3757900A1 (en) Time series prediction with confidence estimates using sparse recurrent mixture density networks
AU2019202925A1 (en) Selecting threads for concurrent processing of data
CN110390425A (zh) 预测方法以及装置
CN113837308B (zh) 基于知识蒸馏的模型训练方法、装置、电子设备
US20220100772A1 (en) Context-sensitive linking of entities to private databases
CN111383100A (zh) 基于风险模型的全生命周期管控方法和装置
US20230011954A1 (en) Device, method, and system for business plan management
CN116340726A (zh) 一种能源经济大数据清洗方法、系统、设备及存储介质
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN116009495A (zh) 基于数字孪生的资源模型建立方法、装置、设备和介质
CN115130894A (zh) 基于人工智能的生产规划方法、装置、计算机设备及介质
CN114548494A (zh) 一种可视化造价数据预测智能分析系统
CN113222057A (zh) 数据预测模型训练、数据预测方法、装置、设备及介质
US20220100967A1 (en) Lifecycle management for customized natural language processing
CN117332992B (zh) 一种用于产业互联网的协同制造方法及系统
US11636377B1 (en) Artificial intelligence system incorporating automatic model updates based on change point detection using time series decomposing and clustering
US11651271B1 (en) Artificial intelligence system incorporating automatic model updates based on change point detection using likelihood ratios
CN114239934A (zh) 一种基于生成式对抗网络的电网负荷序列预测方法及系统
US11810022B2 (en) Contact center call volume prediction
CN112734086A (zh) 一种用于更新神经网络预测模型的方法和装置
US20230368035A1 (en) Multi-level time series forecasting using artificial intelligence techniques
CN115100461B (zh) 图像分类模型训练方法、装置、电子设备、介质
CN117666448B (zh) 基于物联网能耗预测的节能方法、装置、设备及介质
US11586705B2 (en) Deep contour-correlated forecasting
WO2022059183A1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム

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