CN117435901B - 一种工业互联网数据获取方法、系统、终端及储存介质 - Google Patents
一种工业互联网数据获取方法、系统、终端及储存介质 Download PDFInfo
- Publication number
- CN117435901B CN117435901B CN202311750494.0A CN202311750494A CN117435901B CN 117435901 B CN117435901 B CN 117435901B CN 202311750494 A CN202311750494 A CN 202311750494A CN 117435901 B CN117435901 B CN 117435901B
- Authority
- CN
- China
- Prior art keywords
- data set
- abnormal state
- state
- production line
- production
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000003860 storage Methods 0.000 title claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 527
- 238000004519 manufacturing process Methods 0.000 claims abstract description 497
- 238000009776 industrial production Methods 0.000 claims abstract description 273
- 238000012544 monitoring process Methods 0.000 claims abstract description 243
- 238000005065 mining Methods 0.000 claims abstract description 93
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000012512 characterization method Methods 0.000 claims description 132
- 230000006870 function Effects 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 21
- 230000000694 effects Effects 0.000 abstract description 17
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000010354 integration Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 19
- 238000010276 construction Methods 0.000 description 15
- 230000001965 increasing effect Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/26—Discovering frequent patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种工业互联网数据获取方法、系统、终端及储存介质,通过工业生产线异常状态数据集构建的第一异常状态增强数据集调试获得表征载体挖掘参变量,在原始工业生产线模板的异常生产状态监测数据集外,还可以增加完善学习样例,以令调试获得的表征载体挖掘参变量具有更好的泛化效果。此外,由于第一相似性代价值可以令工业生产线异常状态数据集与第一异常状态增强数据集的推理结果更近,以令算法可以使得生产线具有异常生产状态的同类特征信息之间聚拢,以令异常生产类型的生产线监测数据集的特征散布在更小的范围中,使得异常生产状态的生产监测数据集在状态识别分类时难度降低,提高生产状态识别的准确度。
Description
技术领域
本公开涉及数据处理、人工智能领域,并且更具体地,涉及一种工业互联网数据获取方法、系统、终端及储存介质。
背景技术
在工业领域,越来越多的企业开始认识到数字化转型的重要性,而工业互联网作为数字化转型的关键手段之一,可以实现生产过程的数字化、智能化和自动化,从而提高企业的竞争力和生产效率。其中,物联网技术的成熟应用对工业互联网数据获取起到了重要推动作用。通过将传感器、设备、产品等与互联网连接,工业企业可以实时采集和传输生产过程中的各种物理信号和数据。这些数据包括生产环境的温度、湿度、压力等信息,设备的运行状态、能耗等指标,甚至是产品的质量参数等。通过物联网技术,这些数据可以实时、准确地被获取,为后续的分析和决策提供支持。
同时,大数据技术的兴起也为工业互联网数据获取带来了机遇。工业互联网通过收集和分析大量的工业数据,可以挖掘出隐藏在数据中的规律和洞察,为企业提供更准确、实时的决策支持。这些数据可以包括生产过程中的实时监测数据、历史记录、设备维修日志等,通过对这些数据进行分析,企业可以了解生产过程中存在的问题和潜在的优化空间,从而提高工作效率和质量水平。
为了提高数据采集、分析的效率和实时性,在数据获取的过程中,直接加入数据分析,实现生产过程的智能化、自动化和优化,该过程往往借助人工智能进行赋能。采用训练完成的人工智能网络,识别生产线监测的数据是否包含异常状态是主要的应用。保证人工智能网络的识别精度是主要的研究方向。
发明内容
有鉴于此,本申请实施例提供一种工业互联网数据获取方法、系统、终端及储存介质。
根据本公开实施例的一个方面,提供了一种工业互联网数据获取方法,应用于数据获取终端,所述方法包括:
获取拟进行状态识别的目标工业生产线的拟识别生产监测数据集;
获取所述拟识别生产监测数据集的表征载体挖掘参变量,其中,所述表征载体挖掘参变量通过工业生产线模板的工业生产线异常状态数据集、通过所述工业生产线异常状态数据集构建的第一异常状态增强数据集、以及通过所述第一异常状态增强数据集的推理结果与所述工业生产线异常状态数据集的推理结果生成的相似性代价函数进行调试以获得;
通过所述表征载体挖掘参变量,对所述拟识别生产监测数据集进行表征载体挖掘,获得所述拟识别生产监测数据集的数据集状态表征载体;
通过所述数据集状态表征载体进行推理,获得所述拟进行状态识别的目标工业生产线的生产状态识别结果;
基于所述生产状态识别结果,将所述目标工业生产线进行状态标记;
其中,所述表征载体挖掘参变量通过以下步骤进行调试获得:
通过预设生产状态识别网络中的表征载体挖掘模块,针对学习样例数据库中的各生产监测数据集学习样例进行表征载体挖掘,获得所述各生产监测数据集学习样例的学习样例表征载体,其中,所述学习样例数据库包括工业生产线异常状态数据集、以及通过所述工业生产线异常状态数据集构建的第一异常状态增强数据集;
通过所述预设生产状态识别网络中的推理分类模块,通过所述各生产监测数据集学习样例的学习样例表征载体进行推理,获得所述各生产监测数据集学习样例的推理结果,其中,所述各生产监测数据集学习样例的推理结果包括所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果;
通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值,确定所述预设生产状态识别网络的合并代价值;
通过所述合并代价值对所述预设生产状态识别网络的网络内部配置变量进行优化,直到满足设置的调试截止要求时,将所述预设生产状态识别网络作为调试完成的生产状态识别网络;
获取所述调试完成的生产状态识别网络中的表征载体挖掘模块的网络内部配置变量,确定为所述表征载体挖掘参变量。
根据本公开实施例的一个示例,其中,所述学习样例数据库还包括工业生产线常态数据集、以及通过所述工业生产线常态数据集构建的第二异常状态增强数据集,所述各生产监测数据集学习样例的推理结果还包括所述工业生产线常态数据集的推理结果和所述第二异常状态增强数据集的推理结果;
所述通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值,确定所述预设生产状态识别网络的合并代价值,包括:
通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果,获取所述预设生产状态识别网络的第一相似性代价值;
通过所述工业生产线常态数据集的推理结果和所述第二异常状态增强数据集的推理结果,获取所述预设生产状态识别网络的第二相似性代价值;
通过所述第一相似性代价值和所述第二相似性代价值,确定所述合并代价值。
根据本公开实施例的一个示例,其中,所述通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值,确定所述预设生产状态识别网络的合并代价值,包括:
通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果,获取所述预设生产状态识别网络的第一相似性代价值;
通过所述第一异常状态增强数据集的推理结果和所述第一异常状态增强数据集的指示信息,获取所述第一异常状态增强数据集的第一推理分类代价值;
通过所述第一相似性代价值和所述第一推理分类代价值,确定所述合并代价值。
根据本公开实施例的一个示例,其中,所述学习样例数据库还包括通过工业生产线常态数据集构建的第二异常状态增强数据集,所述各生产监测数据集学习样例的推理结果还包括所述第二异常状态增强数据集的推理结果;所述通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值,确定所述预设生产状态识别网络的合并代价值,包括:
通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果,获取所述预设生产状态识别网络的第一相似性代价值;
通过所述第二异常状态增强数据集的推理结果和所述第二异常状态增强数据集的指示信息,获取所述第二异常状态增强数据集的第二推理分类代价值;
通过所述第一相似性代价值和所述第二推理分类代价值,确定所述合并代价值。
根据本公开实施例的一个示例,其中,所述学习样例数据库还包括所述第一异常状态增强数据集与第二异常状态增强数据集合并得到的整合数据集,所述第二异常状态增强数据集通过工业生产线常态数据集生成,所述各生产监测数据集学习样例的推理结果还包括所述整合数据集的推理结果;所述通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值,确定所述预设生产状态识别网络的合并代价值,包括:
通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果,获取所述预设生产状态识别网络的第一相似性代价值;
通过所述整合数据集的推理结果和所述整合数据集的指示信息,获取所述整合数据集的第三推理分类代价值,其中,所述整合数据集的指示信息的数值位于所述工业生产线异常状态数据集的指示信息与所述工业生产线常态数据集的指示信息之间;
通过所述第一相似性代价值和所述第三推理分类代价值,确定所述合并代价值。
根据本公开实施例的一个示例,其中,所述通过所述数据集状态表征载体进行推理,获得所述拟进行状态识别的目标工业生产线的生产状态识别结果,包括:
获取所述调试完成的生产状态识别网络中的推理分类模块的网络内部配置变量,确定为所述拟识别生产监测数据集的推理参变量;
通过所述推理参变量,通过所述数据集状态表征载体进行推理,获得所述拟进行状态识别的目标工业生产线的生产状态识别结果。
根据本公开实施例的一个示例,其中,所述生产状态识别结果包括所述拟进行状态识别的目标工业生产线是异常状态工业生产线,所述通过所述数据集状态表征载体进行推理,获得所述拟进行状态识别的目标工业生产线的生产状态识别结果,包括:
通过所述数据集状态表征载体进行推理,获得所述拟进行状态识别的目标工业生产线为异常状态工业生产线的推理置信度;
如果所述推理置信度大于预设置信度参考值,则确定所述拟进行状态识别的目标工业生产线是异常状态工业生产线。
根据本公开实施例的另一方面,提供了一种数据获取系统,包括数据获取终端和至少一个数据采集终端,所述至少一个数据采集终端用于采集目标工业生产线的拟识别生产监测数据集,并发送至所述数据获取终端,所述数据获取终端包括:
处理器;
以及存储器,其中所述存储器中存储有计算机程序,所述计算机程序在由所述处理器运行时,使得所述处理器执行如上所述的方法。
根据本公开实施例的又一方面,提供了一种数据获取终端,包括:
处理器;
以及存储器,其中所述存储器中存储有计算机程序,所述计算机程序在由所述处理器运行时,使得所述处理器执行如上所述的方法。
根据本公开实施例的再一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序包括程序指令,当处理器执行所述程序指令时,执行以上所述的方法,
本申请至少包括的有益效果:
本申请实施例提供的工业互联网数据获取方法、系统、终端及储存介质,通过工业生产线模板的工业生产线异常状态数据集、通过工业生产线异常状态数据集构建的第一异常状态增强数据集、以及通过第一异常状态增强数据集的推理结果与工业生产线异常状态数据集的推理结果生成的相似性代价函数进行调试以获得的表征载体挖掘参变量,对拟识别生产监测数据集进行表征载体挖掘,获得拟识别生产监测数据集的数据集状态表征载体;通过数据集状态表征载体进行推理,获得拟进行状态识别的目标工业生产线的生产状态识别结果,基于生产状态识别结果,将目标工业生产线进行状态标记。首先,由于通过工业生产线异常状态数据集构建的第一异常状态增强数据集调试获得表征载体挖掘参变量,在原始工业生产线模板的异常生产状态监测数据集外,还可以增加完善学习样例,以令调试获得的表征载体挖掘参变量具有更好的泛化效果。此外,由于第一相似性代价值可以令工业生产线异常状态数据集与第一异常状态增强数据集的推理结果更近,以令算法可以使得生产线具有异常生产状态的同类特征信息之间聚拢,以令异常生产类型的生产线监测数据集的特征散布在更小的范围中,使得异常生产状态的生产监测数据集在状态识别分类时难度降低,提高生产状态识别的准确度。那么,通过表征载体挖掘参变量获取拟识别生产监测数据集的数据集状态表征载体用于推理获得拟进行状态识别的目标工业生产线的生产状态识别结果,能够增加生产线异常状态监测的精度;可以有效缓解调试过程效果优异,应用环节泛化效果差的情况。
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
为了更清楚地说明本申请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申请的一些实施例,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。
图1是本申请提供的一种数据获取系统的架构示意图;
图2是本申请提供的一种工业互联网数据获取方法的流程示意图;
图3是本申请实施例提供的一种数据获取装置的结构示意图;
图4是本申请实施例提供的一种数据获取终端的计算机设备结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为了便于更清楚理解本申请,首先介绍实现本申请的媒体数据处理方法的媒体数据处理系统,如图1所示,该数据获取系统中包括数据获取终端10和终端集群,终端集群可以包括一个或者多个终端,这里将不对终端的数量进行限制。如图1所示,终端集群具体可以包括数据采集终端1、数据采集终端2、… 、数据采集终端n;可以理解的是,数据采集终端1、数据采集终端2、数据采集终端3、… 、数据采集终端n均可以与数据获取终端10进行网络连接,以便于每个数据采集终端均可以通过网络连接与数据获取终端10之间进行数据交互。
可理解的是,数据获取终端10可以是指执行数据分析的设备,该数据获取终端10还可以用于存储工业生产线监测数据集。数据获取终端10可以为服务器或者其他具有计算能力的计算机设备,其中,服务器可以是独立的一个物理服务器,也可以是至少两个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、中容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。数据采集终端具体可以是指工业生产线上的各种生产设备或者监测设备。各个数据采集终端以及数据获取终端可以通过有线或无线通信方式进行直接或间接地连接,同时,数据采集终端以及数据获取终端的数量可以为一个或至少两个,本申请在此不做限制。
本申请实施例中,数据采集终端位于工业互联网中的端层和/或边缘层,数据获取终端位于平台层(PaaS层)。在介绍本申请实施例的技术方案之前,下面先对本申请实施例可能涉及的知识或术语进行介绍:
1、工业互联网:工业互联网(Industrial Internet)是指将传统工业与互联网技术相结合,通过连接设备、传感器、生产线和企业系统,实现工业生产的数字化、智能化和自动化。工业互联网可以帮助企业提高生产效率、降低成本、优化资源利用,并为企业提供更多智能化的管理和决策支持。工业互联网平台的本质是工业云平台,它基于应用需求,搭建对工业数据采集、存储、分析和应用的模块体系,实现工业互联网辅助的生产功能。其核心由基础设施层(IaaS)、平台层(PaaS)、应用层(SaaS)三层组成,再加上端层、边缘层,共同组成工业互联网平台的基本架构。
1.1、端层:端层也称设备层,指生产现场的各种物联网型工业设备,如数控机床、工业传感器、工业机器人等,它们贯穿产品全生命周期,分别起到生产、检测、监控等不同作用,以监测生产现场,灵活处理生产过程中的不同情况。端层以物联网技术为基础,产生并汇聚大量的工业数据,包含历史数据和即时数据,也使得端层成为工业互联网平台的底层基础。
1.2、边缘层:边缘层对端层产生的工业数据进行采集,并对不同来源的工业数据进行协议解析和边缘处理。它兼容OPC/OPC UA、Mod-Bus等各类工业通信协议,把采集数据进行格式转换和统一,再通过光纤、以太网等链路,将相关数据以有线或无线方式(如5G、NB-IoT等)远程传输到工业互联网平台。边缘计算技术是边缘层的重要组成部分。它基于高性能计算芯片、实时高速处理方法、高精度计算系统等先进技术或工具支撑,在工业设备、智能终端等数据源头一侧,进行数据的先处理和预处理,提升系统反应速度和数据传输速度,解决数据传输和通信的时延问题。边缘计算的优点是具有较低的延迟以实现较短的响应时间,以及解决能源消耗、带宽负担和安全问题的潜力。
1.3、IaaS层:基础设施层(IaaS)主要提供云基础设施,如计算资源、网络资源、存储资源等,支撑工业互联网平台的整体运行。其核心是虚拟化技术,利用分布式存储、并发式计算、高负载调度等新技术,实现资源服务设施的动态管理,提升资源服务有效利用率,也确保资源服务的安全。IaaS层作为设备和平台应用的连接层,为PaaS层的功能运行和SaaS层的应用服务提供完整的底层基础设施服务。
1.4、PaaS层:平台层(PaaS)是整个工业互联网平台的核心,它由云计算技术构建,不仅能接收存储数据,还能提供强大的计算环境,对工业数据进行云处理或云控制8。它的根本是在IaaS平台上构建了一个扩展性强的支持系统,也为工业应用或软件的开发提供了良好的基础平台。PaaS层能以平台优势,利用数据库、算法分析等技术,实现数据进一步处理与计算、数据存储、应用或微服务开发等功能,以叠加、扩展的方式提供工业应用开发、部署的基础环境,形成完整度高、定制性好、移植复用程度高的工业操作系统。PaaS层还能根据业务进行资源调度,也能保障数据接入、平台运营、接口访问的安全机制,保障业务正常开展。
1.5、SaaS层:应用层(SaaS)是工业互联网平台的关键,它是对外服务的关口,与用户直接对接,体现了工业数据最终的应用价值。SaaS层基于PaaS层平台上丰富的工业微服务功能模块,以高效、便捷、多端适配等方式实现传统信息系统的云改造10,为平台用户提供各类工业APP等数字化解决方案,发展大数据分析等综合应用,实现资源集中化、服务精准化、知识复用化。
2、机器学习(Machine Learning , ML):是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
3、深度学习(Deep Learning , DL):是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是学习训练样本数据的内在规律和表示层次,这些调试过程中获得的信息对文字、图像、监测数据等数据的解释有很大的帮助。
4、神经网络(Neural Network,NN):在机器学习和认知科学领域的一种模仿生物神经网络结构和功能的深度学习模型。
5、表征载体:即表征对应数据的特征信息的承载数据,表现形式可以为向量、矩阵或张量。例如,表征向量、表征矩阵、表征张量。数据的特征信息表征是将对应数据表示为数值向量的过程。
6、表征载体挖掘参变量:即用于挖掘目标数据的表征载体的网络参数。如卷积核大小、卷积层数量、神经元数量、卷积步幅、激活函数、池化方式、权重、偏置、学习率等参数或超参数。
7、学习样例:即调试神经网络使用的训练用数据。
8、指示信息:即指示学习样例真实数值的信息,通常可以采用标签进行表示。
9、相似性代价:又称为对比代价、相似损失、对比损失、孪生对比损失,主要思想是将相似的样本映射到紧密的空间中,而将不相似的样本映射到较远的空间中。
10、推理分类代价:推理分类代价为对生产线状态推理分类时,与实际分类之间的差异。
进一步地,请参见图2,是本申请实施例提供的一种工业互联网数据获取方法的流程示意图。如图2所示,该方法可由图1中的数据获取终端10来执行,其中,该工业互联网数据获取方法可以包括如下步骤:
步骤S110,获取拟进行状态识别的目标工业生产线的拟识别生产监测数据集。
拟进行状态识别的目标工业生产线是工业现场中的生产线,例如自动封装生产线。拟识别生产监测数据集是目标工业生产线上的设备或者布设在生产线上的传感器产生或采集的数据构成的集合。在工业互联网的架构中,目标工业生产线位于端层。生产监测数据集中包括生产线上的各个设备的运行数据或环境数据,如转速、功率、温度、压力、流量等数据。对于采集的离散数据,如设备开关状态、故障代码等,可以通过独热编码转换为数值,便于后续的运算。
步骤S120,获取拟识别生产监测数据集的表征载体挖掘参变量。
本申请实施例中,表征载体挖掘参变量通过工业生产线模板的工业生产线异常状态数据集、通过工业生产线异常状态数据集构建的第一异常状态增强数据集、以及通过第一异常状态增强数据集的推理结果与工业生产线异常状态数据集的推理结果生成的相似性代价函数进行调试以获得。调试过程将于后续进行介绍。
步骤S120获取表征载体挖掘参变量的方式可以包括:
方式一、具体可以参照后续实施例中的步骤S210~S240中网络的调试方式,事先对预设生产状态识别网络进行调试获得调试完成的生产状态识别网络;步骤S120中,实时获取调试完成的生产状态识别网络的表征载体挖掘模块的网络内部配置变量,作为拟识别生产监测数据集的表征载体挖掘参变量。
方式二、具体可以参照步骤S210~S250的方式,事先获取调试完成的生产状态识别网络的表征载体挖掘模块的网络内部配置变量保存于存储空间中,步骤S120中直接在存储空间进行读取获得。
步骤S130,通过表征载体挖掘参变量,对拟识别生产监测数据集进行表征载体挖掘,获得拟识别生产监测数据集的数据集状态表征载体。
数据集状态表征载体是表征拟识别生产监测数据集的状态特征信息的载体,载体可以为特征向量。步骤S130中,确定拟识别生产监测数据集的数据集状态表征载体的过程例如是采用以下方式:
方式A、基于步骤S250中获取获得的表征载体挖掘参变量,对拟识别生产监测数据集进行表征载体挖掘,获得拟识别生产监测数据集的数据集状态表征载体。
方式B、将拟识别生产监测数据集输入步骤S240中调试完成的生产状态识别网络中,以通过调试完成的生产状态识别网络中的表征载体挖掘模块的表征载体挖掘参变量,对拟识别生产监测数据集进行表征载体挖掘,获得拟识别生产监测数据集的数据集状态表征载体。
步骤S140,通过数据集状态表征载体进行推理,获得拟进行状态识别的目标工业生产线的生产状态识别结果。
其中,拟进行状态识别的目标工业生产线的生产状态识别结果用于指示拟进行状态识别的目标工业生产线是否为异常状态工业生产线,即指示拟进行状态识别的目标工业生产线是常态工业生产线还是异常状态工业生产线。
步骤S140中,确定拟进行状态识别的目标工业生产线的生产状态识别结果的方式例如包括以下方式:
方式I、获取步骤S240中调试完成的生产状态识别网络中的推理分类模块的网络内部配置变量,确定为拟识别生产监测数据集的推理参变量(即推理得到的参变量);通过获取获得的推理参变量,通过拟识别生产监测数据集的数据集状态表征载体进行推理,获得拟进行状态识别的目标工业生产线的生产状态识别结果。
方式II、将拟识别生产监测数据集的数据集状态表征载体输入步骤S240中调试完成的生产状态识别网络中,通过调试完成的生产状态识别网络中的推理分类模块的网络内部配置变量,通过拟识别生产监测数据集的数据集状态表征载体进行推理,获得拟进行状态识别的目标工业生产线的生产状态识别结果。
举例而言,生产状态识别结果具体包括拟进行状态识别的目标工业生产线是异常状态工业生产线、以及拟进行状态识别的目标工业生产线是常态工业生产线,上述通过拟识别生产监测数据集的数据集状态表征载体进行推理,获得拟进行状态识别的目标工业生产线的生产状态识别结果,具体可以包括:通过数据集状态表征载体进行推理,获得拟进行状态识别的目标工业生产线为异常状态工业生产线的推理置信度;如果拟进行状态识别的目标工业生产线为异常状态工业生产线的推理置信度(如80%)大于预设置信度参考值(如75%),此时确定拟进行状态识别的目标工业生产线是异常状态工业生产线。如果拟进行状态识别的目标工业生产线为异常状态工业生产线的推理置信度(如10%)不大于预设置信度参考值(如75%),此时确定拟进行状态识别的目标工业生产线是常态工业生产线。其中,推理置信度参考值为一个阈值,其数值基于实际需要进行确定。
步骤S150,基于生产状态识别结果,将目标工业生产线进行状态标记。
例如通过标签进行标记,对于常态的生产状态识别结果对应的目标工业生产线,可以标记为0,对于异常的生产状态识别结果对应的目标工业生产线,可以标记为1,具体的标记方式不做限定。通过标记,可以帮助后续的进一步分析,例如统计能源异常分布、故障分布等信息。
本申请实施例中,预设生产状态识别网络为一个任意可行架构的神经网络,其调试的过程以及步骤S120中采取的表征载体挖掘参变量的获取过程,将在接下来进行介绍。预设生产状态识别网络的调试步骤包括如下步骤S210~步骤S240,以对预设生产状态识别网络进行调试获得调试完成的生产状态识别网络,并获取调试完成的生产状态识别网络的网络内部配置变量作为步骤S120中的表征载体挖掘参变量为例,表征载体挖掘参变量的调试过程包括如下步骤S210~步骤S250。
对于预设生产状态识别网络,其包括表征载体挖掘模块和推理分类模块。
首先,针对表征载体挖掘模块,其被配置为对生产监测数据集进行表征载体挖掘,获得生产监测数据集的特征信息。表征载体挖掘模块的输入数据为生产监测数据集、输出结果为生产监测数据集的特征信息的载体(表征载体)。举例而言,表征载体挖掘模块使用卷积神经网络架构,包括但不限于卷积模块、激活模块、池化模块和密集层网络模块等,在向表征载体挖掘模块输入生产监测数据集后,基于表征载体挖掘模块进行卷积、池化、非线性变换(如ReLU激活)操作,得到生产监测数据集的表征载体。比如,对学习样例数据库中的各生产监测数据集学习样例进行表征载体挖掘时,表征载体挖掘模块以学习样例数据库中的各生产监测数据集学习样例为输入数据,对学习样例数据库中的各生产监测数据集学习样例进行卷积、池化、非线性变换等操作,获得学习样例数据库中的各生产监测数据集学习样例的学习样例表征载体。或者,例如对拟识别生产监测数据集进行表征载体挖掘,表征载体挖掘模块将以拟识别生产监测数据集为输入数据,对拟识别生产监测数据集进行卷积、池化和非线性变换等操作,获得拟识别生产监测数据集的数据集状态表征载体。
对于推理分类模块,其被配置为基于生产监测数据集的表征载体进行分类推理,确定生产监测数据集是否存在异常状态。作为一种实施方式,可以推理生产监测数据集对应的生产线为异常状态工业生产线的置信度作为生产监测数据集的推理结果,比如以对学习样例数据库中的各生产监测数据集学习样例进行生产线状态识别为例,推理分类模块先基于各生产监测数据集学习样例的学习样例表征载体进行推理获得各生产监测数据集学习样例中生产监测数据集对应的生产线为异常状态工业生产线的置信度;如果生产监测数据集学习样例中生产监测数据集对应的生产线为异常状态工业生产线的置信度大于预设置信度参考值,则确定生产监测数据集学习样例中生产监测数据集对应的生产线为异常状态工业生产线(即生产监测数据集学习样例中生产监测数据集对应的生产线为异常状态工业生产线);如果生产监测数据集学习样例中生产监测数据集对应的生产线为异常状态工业生产线的置信度不大于预设置信度参考值,则确定生产监测数据集学习样例中生产监测数据集对应的生产线不为异常状态工业生产线(即生产监测数据集学习样例中生产监测数据集对应的生产线为常态工业生产线)。例如,以对拟识别生产监测数据集进行生产线状态识别为例,推理分类模块先基于拟识别生产监测数据集的数据集状态表征载体进行推理获得拟识别生产监测数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度;如果拟识别生产监测数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度大于预设置信度参考值,则确定拟识别生产监测数据集中生产监测数据集对应的生产线为异常状态工业生产线(即拟识别生产监测数据集中拟进行状态识别的目标工业生产线是异常状态工业生产线);如果拟识别生产监测数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度不大于预设置信度参考值,则确定拟识别生产监测数据集中生产监测数据集对应的生产线不为异常状态工业生产线(即拟识别生产监测数据集中生产监测数据集对应的生产线为常态工业生产线)。作为一种实施方式,也可以推理生产监测数据集对应的生产线不为异常状态工业生产线的置信度作为生产监测数据集的推理结果,比如以对学习样例数据库中的各生产监测数据集学习样例进行生产线状态识别为例,推理分类模块先基于各生产监测数据集学习样例的学习样例表征载体进行推理获得各生产监测数据集学习样例中生产监测数据集对应的生产线不为异常状态工业生产线的概率;如果生产监测数据集学习样例中生产监测数据集对应的生产线不为异常状态工业生产线的置信度小于预设置信度参考值,则确定生产监测数据集学习样例中生产监测数据集对应的生产线为异常状态工业生产线(即生产监测数据集学习样例中生产监测数据集对应的生产线为异常状态工业生产线);如果生产监测数据集学习样例中生产监测数据集对应的生产线不为异常状态工业生产线的置信度不小于预设置信度参考值,则确定生产监测数据集学习样例中生产监测数据集对应的生产线不为异常状态工业生产线(即生产监测数据集学习样例中生产监测数据集对应的生产线为常态工业生产线)。
S210,通过预设生产状态识别网络中的表征载体挖掘模块,针对学习样例数据库中的各生产监测数据集学习样例进行表征载体挖掘,获得各生产监测数据集学习样例的学习样例表征载体。
其中,学习样例数据库包括工业生产线异常状态数据集、以及通过工业生产线异常状态数据集构建的第一异常状态增强数据集。其中,工业生产线异常状态数据集为对应的生产线为异常状态工业生产线的生产监测数据集,异常状态例如是设备故障(如高频振动)、产品良率异常(如产品缺陷)、操作不规范(如违规操作)、安全隐患(如目标温度超过限值)等异常状态,这些异常状态可以基于采集的设备运行数据或者环境数据进行分析(即分类推理)得出。
其中,工业生产线常态数据集为包含的生产监测数据集对应的生产线不为异常状态工业生产线的生产监测数据集,也即常态工业生产线的生产监测数据集。
基于此,通过工业生产线异常状态数据集、工业生产线常态数据集对预设生产状态识别网络进行调试,调试完成的的生产状态识别网络也用于进行生产线状态识别,只是如此调试得到的生产状态识别网络可以比较好地去拟合调试时使用的学习样例,然而,在面对学习样例外的异常生产状态监测数据集,推理结果将会产生误差,置信度较差,则调试完成的的生产状态识别网络泛化效果不足。基于此,本申请实施例在网络调试步骤,提出两种增加调试完成的生产状态识别网络的泛化效果的策略方式,分别是增加完善学习样例和增加同类相似性代价值。下面对本申请的解决方案进行介绍:
首先,对于增加完善学习样例,除了基础生产监测数据集(工业生产线异常状态数据集、工业生产线常态数据集均视为基础生产监测数据集),本申请对学习样例进行了扩展增加,增加完善学习样例的方式可以包含多种,举例而言,包括:
一、增加第一异常状态增强数据集
其中,第一异常状态增强数据集是通过工业生产线异常状态数据集添加扰动信息,也就是加噪获得的新生产监测数据集。举例而言,对工业生产线异常状态数据集进行随机噪声(例如在温度传感器数据中添加一个小的随机数,以模拟传感器测量误差或其他环境因素的影响)、数据扩增(如通过对原始数据进行一些变换和扩展,生成更多样本。例如,对时间序列数据进行平移、缩放、旋转、镜像等操作)、数据丢失(例如删除一些数据点或特征值。这可以模拟传感器故障、数据损坏或传输错误等情况,从而使模型能够更好地适应这些情况)、异常值插入(入在基础数据中插入一些异常值,模拟设备故障、异常操作或其他突发事件,从而让模型学会检测和处理异常情况)、数据平滑(例如滑动平均或指数平滑,来减小数据的波动性)、数据采样(例如随机抽取或有放回地抽取部分数据,以减少数据量或改变数据分布)、增加离群点(如引入极端值、扩展极端分布)等等,以构建第一异常状态增强数据集。通过工业生产线异常状态数据集构建第一异常状态增强数据集,可以提高学习样例的多样性,以增加调试完成的生产状态识别网络的泛化效果。
第一异常状态增强数据集的指示信息与工业生产线异常状态数据集的指示信息(例如为L1)相同。
二、增加第二异常状态增强数据集
第二异常状态增强数据集是通过工业生产线常态数据集进行加噪后获得的新生产监测数据集。举例而言,可以参照第一异常状态增强数据集的加噪过程。
其中,第二异常状态增强数据集的指示信息与工业生产线常态数据集的指示信息(例如为L2)相同。
三、增加整合数据集。
整合数据集是将第一异常状态增强数据集与第二异常状态增强数据集线性合并获得的新生产监测数据集。例如,基于下述公式一通过第一异常状态增强数据集和第二异常状态增强数据集进行合并获得整合数据集,以同时拥有工业生产线异常状态数据集和工业生产线常态数据集的特征,且区别于工业生产线异常状态数据集和工业生产线常态数据集的生产监测数据集学习样例,增加学习样例的多样性,可增加调试完成的生产状态识别网络的泛化效果。
公式一:S3=a·S1+b·S2;b=1-a
其中,S3为整合数据集,S1为第一异常状态增强数据集,S2为第二异常状态增强数据集,a为任意设置的权重。
对于合并获得的整合数据集,包含工业生产线异常状态数据集S1和工业生产线常态数据集S2的特征。本申请中,将整合数据集的指示信息也进行更改,例如,将整合数据集的指示信息的数值(例如为L3)配置成位于工业生产线异常状态数据集的指示信息的数值(L1)与工业生产线常态数据集的指示信息的数值(L2)之间的值,在一个示例中,设工业生产线异常状态数据集的指示信息的数值L1等于1、工业生产线常态数据集的指示信息的数值L2等于0,那么整合数据集的指示信息的数值L3的值在[0,1]中。为整合数据集添加指示信息的公式如下公式二。
公式二:L3=a·L1+b·L2;b=1-a
其中,L3为整合数据集的指示信息,L1为工业生产线异常状态数据集的指示信息,L2为工业生产线常态数据集的指示信息,a为任意设置的权重。
基于此,步骤S210~S240中,用于调试预设生产状态识别网络的学习样例数据库的构建方式可以包括如下几种:
方式i:学习样例数据库包括工业生产线异常状态数据集和第一异常状态增强数据集。
具体地,学习样例数据库中的各生产监测数据集学习样例包括工业生产线异常状态数据集、第一异常状态增强数据集,在获取工业生产线异常状态数据集添加到初始学习样例库后,基于前述增加第一异常状态增强数据集的第一异常状态增强数据集的构建方式,对于初始学习样例库中的各工业生产线异常状态数据集构建第一异常状态增强数据集。通过构建得到的第一异常状态增强数据集、初始学习样例库中的各工业生产线异常状态数据集生成成学习样例数据库,用于对预设生产状态识别网络进行调试。那么,步骤S210中,基于预设生产状态识别网络中的表征载体挖掘模块,分别对工业生产线异常状态数据集、第一异常状态增强数据集进行表征载体挖掘,获得工业生产线异常状态数据集的学习样例表征载体、第一异常状态增强数据集的学习样例表征载体。
方式ii:学习样例数据库包括工业生产线异常状态数据集、第一异常状态增强数据集和第二异常状态增强数据集。
具体地,学习样例数据库中的各生产监测数据集学习样例包括工业生产线异常状态数据集、第一异常状态增强数据集、第二异常状态增强数据集,在获取工业生产线异常状态数据集、工业生产线常态数据集添加到初始学习样例库之后,基于上述增加第一异常状态增强数据集提到的第一异常状态增强数据集的构建方式、增加第二异常状态增强数据集中提到的第二异常状态增强数据集的构建方式,分别对初始学习样例库中的各工业生产线异常状态数据集构建第一异常状态增强数据集、对初始学习样例库中的各工业生产线常态数据集构建第二异常状态增强数据集。基于构建的第一异常状态增强数据集、构建的第二异常状态增强数据集、初始学习样例库中的各工业生产线异常状态数据集生成成学习样例数据库,用于对预设生产状态识别网络进行调试。步骤S210中,基于预设生产状态识别网络中的表征载体挖掘模块,分别对工业生产线异常状态数据集、第一异常状态增强数据集、第二异常状态增强数据集进行表征载体挖掘,获得工业生产线异常状态数据集的学习样例表征载体、第一异常状态增强数据集的学习样例表征载体、第二异常状态增强数据集的学习样例表征载体。
方式iii:学习样例数据库包括工业生产线异常状态数据集、第一异常状态增强数据集和整合数据集。
具体地,学习样例数据库中的各生产监测数据集学习样例包括工业生产线异常状态数据集、第一异常状态增强数据集、整合数据集,在获取工业生产线异常状态数据集、工业生产线常态数据集添加到初始学习样例库后,基于上述增加第一异常状态增强数据集中提到的第一异常状态增强数据集的构建方式、增加第二异常状态增强数据集中提到的第二异常状态增强数据集的构建方式、增加整合数据集中提到的整合数据集的构建方式,对初始学习样例库中的各工业生产线异常状态数据集构建第一异常状态增强数据集、对初始学习样例库中的各工业生产线常态数据集构建第二异常状态增强数据集、通过第一异常状态增强数据集和第二异常状态增强数据集构建整合数据集。基于构建的第一异常状态增强数据集、构建的整合数据集、初始学习样例库中的各工业生产线异常状态数据集生成成学习样例数据库,用于对预设生产状态识别网络进行调试。步骤S210中,基于预设生产状态识别网络中的表征载体挖掘模块,分别对工业生产线异常状态数据集、第一异常状态增强数据集、整合数据集进行表征载体挖掘,获得工业生产线异常状态数据集的学习样例表征载体、第一异常状态增强数据集的学习样例表征载体、整合数据集的学习样例表征载体。
方式iiii:学习样例数据库包括工业生产线异常状态数据集、第一异常状态增强数据集、第二异常状态增强数据集和整合数据集。
具体地,学习样例数据库中的各生产监测数据集学习样例包括工业生产线异常状态数据集、第一异常状态增强数据集、第二异常状态增强数据集、整合数据集,在获取工业生产线异常状态数据集、工业生产线常态数据集添加到初始学习样例库后,基于前述增加第一异常状态增强数据集中提到的第一异常状态增强数据集的构建方式、增加第二异常状态增强数据集中提到的第二异常状态增强数据集的构建方式、增加整合数据集中提到的整合数据集的构建方式,分别对初始学习样例库中的各工业生产线异常状态数据集构建第一异常状态增强数据集、对初始学习样例库中的各工业生产线常态数据集构建第二异常状态增强数据集、通过第一异常状态增强数据集和第二异常状态增强数据集构建整合数据集。基于构建的第一异常状态增强数据集、构建的第二异常状态增强数据集、构建的整合数据集、初始学习样例库中的各工业生产线异常状态数据集生成成学习样例数据库,用于对预设生产状态识别网络进行调试。步骤S210中,基于预设生产状态识别网络中的表征载体挖掘模块,分别对工业生产线异常状态数据集、第一异常状态增强数据集、整合数据集进行表征载体挖掘,获得工业生产线异常状态数据集的学习样例表征载体、第一异常状态增强数据集的学习样例表征载体、第二异常状态增强数据集的学习样例表征载体、整合数据集的学习样例表征载体。
方式iiiii:学习样例数据库包括工业生产线异常状态数据集、第一异常状态增强数据集、第二异常状态增强数据集、整合数据集和工业生产线常态数据集。
具体地,学习样例数据库中的各生产监测数据集学习样例包括工业生产线异常状态数据集、第一异常状态增强数据集、第二异常状态增强数据集、整合数据集,在获取工业生产线异常状态数据集、工业生产线常态数据集添加到初始学习样例库之后,基于前述增加第一异常状态增强数据集中提到的第一异常状态增强数据集的构建方式、增加第二异常状态增强数据集中提到的第二异常状态增强数据集的构建方式、增加整合数据集中提到的整合数据集的构建方式,分别对初始学习样例库中的各工业生产线异常状态数据集构建第一异常状态增强数据集、对初始学习样例库中的各工业生产线常态数据集构建第二异常状态增强数据集、通过第一异常状态增强数据集和第二异常状态增强数据集构建整合数据集。基于构建的第一异常状态增强数据集、构建的第二异常状态增强数据集、构建的整合数据集、初始学习样例库中的各工业生产线异常状态数据集、以及初始学习样例库中的各工业生产线常态数据集生成成学习样例数据库,用于对预设生产状态识别网络进行调试。步骤S210中,基于预设生产状态识别网络中的表征载体挖掘模块,分别对工业生产线异常状态数据集、第一异常状态增强数据集、整合数据集进行表征载体挖掘,获得工业生产线异常状态数据集的学习样例表征载体、第一异常状态增强数据集的学习样例表征载体、第二异常状态增强数据集的学习样例表征载体、整合数据集的学习样例表征载体、工业生产线常态数据集的学习样例表征载体。
二、增加同类相似性代价值
举例而言,增加同类相似性代价值包括以下方式:
方式a:增加工业生产线异常状态数据集与第一异常状态增强数据集间的推理结果相似性代价值,即第一相似性代价值。
方式b:增加工业生产线常态数据集与第二异常状态增强数据集间的推理结果相似性代价值,即第二相似性代价值。
增加同类相似性代价值的方式将在后续实施例中进行展开介绍。
步骤S220,通过预设生产状态识别网络中的推理分类模块,通过各生产监测数据集学习样例的学习样例表征载体进行推理,获得各生产监测数据集学习样例的推理结果。
其中,各生产监测数据集学习样例的推理结果包括工业生产线异常状态数据集的推理结果和第一异常状态增强数据集的推理结果。对应于步骤S210中学习样例数据库的构建方式,步骤S220中推理获得各生产监测数据集学习样例的推理结果的方式亦包含多种,将推理生产监测数据集学习样例中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为生产监测数据集学习样例的推理结果进行示例,举例而言,包括:
一、学习样例数据库包括工业生产线异常状态数据集和第一异常状态增强数据集。
步骤S210中,进行表征载体挖掘获得工业生产线异常状态数据集的学习样例表征载体、第一异常状态增强数据集的学习样例表征载体,步骤S220中推理获得的各生产监测数据集学习样例的推理结果,包括:工业生产线异常状态数据集的推理结果、第一异常状态增强数据集的推理结果。步骤S220中,基于预设生产状态识别网络中的推理分类模块,分别对工业生产线异常状态数据集的学习样例表征载体、第一异常状态增强数据集的学习样例表征载体进行推理,获得工业生产线异常状态数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度、第一异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度;并将工业生产线异常状态数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为工业生产线异常状态数据集的推理结果、将第一异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为第一异常状态增强数据集的推理结果。
二、学习样例数据库包括工业生产线异常状态数据集、第一异常状态增强数据集和第二异常状态增强数据集。
步骤S210中,进行表征载体挖掘获得工业生产线异常状态数据集的学习样例表征载体、第一异常状态增强数据集的学习样例表征载体、第二异常状态增强数据集的学习样例表征载体,步骤S220中推理获得的各生产监测数据集学习样例的推理结果,包括:工业生产线异常状态数据集的推理结果、第一异常状态增强数据集的推理结果、第二异常状态增强数据集的推理结果。步骤S220中,通过预设生产状态识别网络中的推理分类模块,分别针对工业生产线异常状态数据集的学习样例表征载体、第一异常状态增强数据集的学习样例表征载体、第二异常状态增强数据集的学习样例表征载体进行推理,获得工业生产线异常状态数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度、第一异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度、第二异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度;并将工业生产线异常状态数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为工业生产线异常状态数据集的推理结果、将第一异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为第一异常状态增强数据集的推理结果、将第二异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为第二异常状态增强数据集的推理结果。
三、学习样例数据库包括工业生产线异常状态数据集、第一异常状态增强数据集和整合数据集。
步骤S210中进行表征载体挖掘获得工业生产线异常状态数据集的学习样例表征载体、第一异常状态增强数据集的学习样例表征载体、整合数据集的学习样例表征载体,步骤S220中推理获得的各生产监测数据集学习样例的推理结果,包括:工业生产线异常状态数据集的推理结果、第一异常状态增强数据集的推理结果、整合数据集的推理结果。步骤S220中,基于预设生产状态识别网络中的推理分类模块,分别对工业生产线异常状态数据集的学习样例表征载体、第一异常状态增强数据集的学习样例表征载体、整合数据集的学习样例表征载体进行推理,获得工业生产线异常状态数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度、第一异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度、整合数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度;将工业生产线异常状态数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为工业生产线异常状态数据集的推理结果、将第一异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为第一异常状态增强数据集的推理结果、将整合数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为整合数据集的推理结果。
四、学习样例数据库包括工业生产线异常状态数据集、第一异常状态增强数据集、第二异常状态增强数据集和整合数据集。
步骤S210中进行表征载体挖掘获得工业生产线异常状态数据集的学习样例表征载体、第一异常状态增强数据集的学习样例表征载体、第二异常状态增强数据集的学习样例表征载体、整合数据集的学习样例表征载体,步骤S220中推理获得的各生产监测数据集学习样例的推理结果,包括:工业生产线异常状态数据集的推理结果、第一异常状态增强数据集的推理结果、第二异常状态增强数据集的推理结果、整合数据集的推理结果。步骤S220中,基于预设生产状态识别网络中的推理分类模块,分别对工业生产线异常状态数据集的学习样例表征载体、第一异常状态增强数据集的学习样例表征载体、第二异常状态增强数据集的学习样例表征载体、整合数据集的学习样例表征载体进行推理,获得工业生产线异常状态数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度、第一异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度、第二异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度、整合数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度;将工业生产线异常状态数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为工业生产线异常状态数据集的推理结果、将第一异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为第一异常状态增强数据集的推理结果、将第二异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为第二异常状态增强数据集的推理结果、整合数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为整合数据集的推理结果。
五、学习样例数据库包括工业生产线异常状态数据集、第一异常状态增强数据集、第二异常状态增强数据集、整合数据集和工业生产线常态数据集。
步骤S210中进行表征载体挖掘获得工业生产线异常状态数据集的学习样例表征载体、第一异常状态增强数据集的学习样例表征载体、第二异常状态增强数据集的学习样例表征载体、整合数据集的学习样例表征载体、工业生产线常态数据集的学习样例表征载体,步骤S220中推理获得的各生产监测数据集学习样例的推理结果,包括:工业生产线异常状态数据集的推理结果、第一异常状态增强数据集的推理结果、第二异常状态增强数据集的推理结果、整合数据集的推理结果、工业生产线常态数据集的学习样例表征载体。步骤S220中,基于预设生产状态识别网络中的推理分类模块,分别针对工业生产线异常状态数据集的学习样例表征载体、第一异常状态增强数据集的学习样例表征载体、第二异常状态增强数据集的学习样例表征载体、整合数据集的学习样例表征载体、工业生产线常态数据集的学习样例表征载体进行推理,获得工业生产线异常状态数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度、第一异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度、第二异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度、整合数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度、工业生产线常态数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度;并将工业生产线异常状态数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为工业生产线异常状态数据集的推理结果、将第一异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为第一异常状态增强数据集的推理结果、将第二异常状态增强数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为第二异常状态增强数据集的推理结果、整合数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为整合数据集的推理结果、工业生产线常态数据集中生产监测数据集对应的生产线为异常状态工业生产线的置信度作为工业生产线常态数据集的推理结果。
本申请实施例以推理生产监测数据集学习样例中生产监测数据集对应的生产线为异常状态工业生产线的置信度为生产监测数据集学习样例的推理结果进行示例,介绍了推理获得各生产监测数据集学习样例的推理结果的方式。在实际应用中,还可以基于推理生产监测数据集学习样例中生产监测数据集对应的生产线不为异常状态工业生产线的置信度作为生产监测数据集学习样例的推理结果。或者,同时推理多分类向量,该多分类向量的维度包括生产监测数据集学习样例中生产监测数据集对应的生产线不为异常状态工业生产线的置信度和生产监测数据集学习样例中生产监测数据集对应的生产线不为异常状态工业生产线的置信度,将多分类向量确定为生产监测数据集学习样例的推理结果。
S230,通过工业生产线异常状态数据集的推理结果和第一异常状态增强数据集的推理结果之间的第一相似性代价值,确定预设生产状态识别网络的合并代价值。
合并代价值是预设生产状态识别网络调试的代价值。为了增加调试完成的生产状态识别网络的泛化效果,步骤S230确定预设生产状态识别网络的合并代价值的过程中,不仅加入预设生产状态识别网络的总推理分类代价值,还增加同类总相似性代价值,总相似性代价值通过第一相似性代价值、第二相似性代价值中的一个或全部进行确定,步骤S230获取合并代价值的方式可以包含多种,举例而言,具有以下两种场景:
场景一:将第一相似性代价值确定为预设生产状态识别网络的同类总相似性代价值,可以结合总推理分类代价值和第一相似性代价值,确定合并代价值。第一相似性代价值是工业生产线异常状态数据集的推理结果与第一异常状态增强数据集的推理结果之间的代价值。此时,学习样例数据库中包括工业生产线异常状态数据集和第一异常状态增强数据集。举例而言,步骤S230具体包括:
S231a,通过工业生产线异常状态数据集的推理结果和第一异常状态增强数据集的推理结果,获取预设生产状态识别网络的第一相似性代价值。
S232a,通过各生产监测数据集学习样例的推理结果和各生产监测数据集学习样例的指示信息,获取预设生产状态识别网络的总推理分类代价值。
S233a,通过第一相似性代价值和总推理分类代价值,确定合并代价值。
实际实施时,先将各生产监测数据集学习样例的推理结果和各生产监测数据集学习样例的指示信息值,基于分类代价函数(如公式七)中,确定获得预设生产状态识别网络的总推理分类代价值;将工业生产线异常状态数据集的推理结果与第一异常状态增强数据集的推理结果基于预设的相似性代价值函数(如公式四),确定获得预设生产状态识别网络的第一相似性代价值,依据设定的线性公式(如公式三),将总推理分类代价值和第一相似性代价值求和获得合并代价值。
公式三:C=C1+w·C2
C为合并代价值,C1为预设生产状态识别网络的同类总相似性代价值,C2为总推理分类代价值,w为权重,可以平衡总推理分类代价值C2与总相似性代价值的比例。
场景一中,第一相似性代价值可以通过预设的相似性代价函数确定,例如下述公式四,以相似性代价函数是L1代价函数为例,将第一异常状态增强数据集的推理结果和工业生产线异常状态数据集的推理结果基于公式四的L1代价函数中,确定获得第一相似性代价值。
公式四:C1=
公式四及本文中,K为学习样例数据库中异常状态增强数据集的数量,场景一为第一异常状态增强数据集的数量、场景二为第一异常状态增强数据集和第二异常状态增强数据集的总数量,C1为总相似性代价值,Gm为学习样例数据库中第m个生产监测数据集学习样例的推理结果, 为学习样例数据库中第m个生产监测数据集学习样例构建的异常状态增强数据集的推理结果,场景一中为第一异常状态增强数据集的推理结果、场景二为第一异常状态增强数据集的推理结果和第二异常状态增强数据集的推理结果。
公式五:C11=
在公式五中,对一组生产监测数据集(例如第一异常状态增强数据集和工业生产线异常状态数据集)确定第一相似性代价值的过程中,将第一异常状态增强数据集的推理结果(例如为G’1)和第一异常状态增强数据集对应的工业生产线异常状态数据集的推理结果(例如为G1)进行代价确定,获得一组生产监测数据集的第一推理分类代价值(C11)。
公式六:C12=
在公式六中,对一组生产监测数据集(如第二异常状态增强数据集和工业生产线常态数据集)确定第二相似性代价值的过程中,将第二异常状态增强数据集的推理结果(例如为G’2)和第二异常状态增强数据集对应的工业生产线异常状态数据集的推理结果(例如为G2)进行代价确定,获得一组生产监测数据集的第二推理分类代价值(C12)。
为让调试完成的生产状态识别网络学习增加完善学习样例的特征和生产状态识别结果之间的相关性,从而增加调试完成的生产状态识别网络的泛化效果,不仅包含工业生产线常态数据集、工业生产线异常状态数据集的分类约束代价。还构建增加完善学习样例的分类约束代价。也就是步骤S232a中,总推理分类代价值不仅可通过工业生产线异常状态数据集和工业生产线常态数据集的推理分类代价值确定,还可通过第一异常状态增强数据集的第一推理分类代价值、第二异常状态增强数据集的第二推理分类代价值、整合数据集的第三推理分类代价值中的一个或多个进行确定。
作为一种实施例,对于步骤S210的示例的5种学习样例数据库的构建方式,步骤S232a中的总推理分类代价值可以采用以下5种方式进行确定:
方式1、学习样例数据库包括工业生产线异常状态数据集和第一异常状态增强数据集。此时,总推理分类代价值可以通过工业生产线异常状态数据集的推理分类代价值和第一异常状态增强数据集的第一推理分类代价值确定。
总推理分类代价值可以通过预设的分类代价函数,参照下述公式七,设分类代价函数为交叉熵代价函数:将第一异常状态增强数据集的推理结果和第一异常状态增强数据集的指示信息、以及工业生产线异常状态数据集的推理结果和工业生产线异常状态数据集的指示信息,基于公式七的分类代价函数确定获得预设生产状态识别网络的总推理分类代价值。此时,获得的总推理分类代价值包含了工业生产线异常状态数据集的推理分类代价值和第一异常状态增强数据集的第一推理分类代价值。
公式七:C2=
其中,C2为总推理分类代价值,为学习样例数据库中第m个生产监测数据集学习样例的指示信息,/>为学习样例数据库中第m个生产监测数据集学习样例的推理结果,K为学习样例数据库中生产监测数据集学习样例的数量。
公式八:C21=-(L1logG’1+(1-L1)log(1-G’1))
其中,如果第m个生产监测数据集学习样例为第一异常状态增强数据集,也就是对一个第一异常状态增强数据集确定第一推理分类代价值时,将第一异常状态增强数据集的指示信息(L1)和第一异常状态增强数据集的推理结果(例如为G’1)进行代价值确定,获得第一异常状态增强数据集的第一推理分类代价值(即C21)。相应的,如果第m个生产监测数据集学习样例为工业生产线异常状态数据集,也就是在针一个工业生产线异常状态数据集确定推理分类代价值时,将工业生产线异常状态数据集的指示信息(即L1)和工业生产线异常状态数据集的推理结果(例如为G1)进行代价值确定,即可获得工业生产线异常状态数据集的推理分类代价值。
公式九:C22=-(L2logG’2+(1-L2)log(1-G’2))
其中,如果第m个生产监测数据集学习样例为第二异常状态增强数据集,也就是对一个第二异常状态增强数据集确定第二推理分类代价值时,将第二异常状态增强数据集的指示信息(即L2)和第二异常状态增强数据集的推理结果(例如为 )进行代价值确定,获得第二异常状态增强数据集的第二推理分类代价值(即C22)。
方式2、学习样例数据库包括工业生产线异常状态数据集、第一异常状态增强数据集和第二异常状态增强数据集。总推理分类代价值通过工业生产线异常状态数据集的推理分类代价值、第一异常状态增强数据集的第一推理分类代价值、和第二异常状态增强数据集的第二推理分类代价值确定。那么,获得的总推理分类代价值具有工业生产线异常状态数据集的推理分类代价值、第一异常状态增强数据集的第一推理分类代价值和第二异常状态增强数据集的第二推理分类代价值。可以参照场景一的介绍。
方式3、学习样例数据库包括工业生产线异常状态数据集、第一异常状态增强数据集和整合数据集。那么,总推理分类代价值可以通过工业生产线异常状态数据集的推理分类代价值、第一异常状态增强数据集的第一推理分类代价值、和整合数据集的第三推理分类代价值确定。那么,获得的总推理分类代价值具有工业生产线异常状态数据集的推理分类代价值、第一异常状态增强数据集的第一推理分类代价值和整合数据集的第三推理分类代价值。可以参照场景一的介绍。
方式4、学习样例数据库包括工业生产线异常状态数据集、第一异常状态增强数据集、第二异常状态增强数据集和整合数据集。那么,总推理分类代价值可以通过工业生产线异常状态数据集的推理分类代价值、第一异常状态增强数据集的第一推理分类代价值、第二异常状态增强数据集的第二推理分类代价值、和整合数据集的第三推理分类代价值确定。那么,获得的总推理分类代价值具有工业生产线异常状态数据集的推理分类代价值、第一异常状态增强数据集的第一推理分类代价值、第二异常状态增强数据集的第二推理分类代价值和整合数据集的第三推理分类代价值。可以参照场景一的介绍。
方式5、学习样例数据库包括工业生产线异常状态数据集、第一异常状态增强数据集、第二异常状态增强数据集、整合数据集和工业生产线常态数据集。那么,总推理分类代价值可以通过工业生产线异常状态数据集的推理分类代价值、第一异常状态增强数据集的第一推理分类代价值、第二异常状态增强数据集的第二推理分类代价值、整合数据集的第三推理分类代价值、和工业生产线常态数据集的推理分类代价值确定。那么,获得的总推理分类代价值包含了工业生产线异常状态数据集的推理分类代价值、第一异常状态增强数据集的第一推理分类代价值、第二异常状态增强数据集的第二推理分类代价值、整合数据集的第三推理分类代价值和工业生产线常态数据集的推理分类代价值。可以参照场景一的介绍。
场景二:将第一相似性代价值与第二相似性代价值相加结果确定为预设生产状态识别网络的同类总相似性代价值,那么,结合总推理分类代价值、第一相似性代价值和第二相似性代价值,确定合并代价值。
第二相似性代价值为工业生产线常态数据集的推理结果与第二异常状态增强数据集的推理结果之间的代价值。那么,学习样例数据库中包括工业生产线异常状态数据集、工业生产线常态数据集、第一异常状态增强数据集和第二异常状态增强数据集。举例而言,步骤S230具体包括:
S231b,通过工业生产线异常状态数据集的推理结果和第一异常状态增强数据集的推理结果,获取预设生产状态识别网络的第一相似性代价值。
S232b,通过工业生产线常态数据集的推理结果和第二异常状态增强数据集的推理结果,获取预设生产状态识别网络的第二相似性代价值。
S233b,通过各生产监测数据集学习样例的推理结果和各生产监测数据集学习样例的指示信息,获取预设生产状态识别网络的总推理分类代价值。
S234b,通过第一相似性代价值和总推理分类代价值,确定合并代价值。
实际实施时,可以先将各生产监测数据集学习样例的推理结果和各生产监测数据集学习样例的指示信息值基于预设的分类代价函数(如公式七的分类代价函数)确定获得预设生产状态识别网络的总推理分类代价值;将工业生产线异常状态数据集的推理结果与第一异常状态增强数据集的推理结果、以及工业生产线常态数据集的推理结果与第二异常状态增强数据集的推理结果,基于预设的相似性代价函数(如公式四),确定获得预设生产状态识别网络的同类总相似性代价值,基于此,获得的总相似性代价值具有第一相似性代价值、第二相似性代价值,其中,第二相似性代价值的确定方式和第一相似性代价值同理,参照场景一公式五。之后,基于预设的线性比例(公式三),将总推理分类代价值和总相似性代价值求和,获得合并代价值。
场景二结合总推理分类代价值、第一相似性代价值和第二相似性代价值,确定合并代价值过程可以参照场景一。
S240,通过合并代价值对预设生产状态识别网络的网络内部配置变量进行优化,直到满足设置的调试截止要求时,将预设生产状态识别网络作为调试完成的生产状态识别网络。
举例而言,根据合并代价值C对预设生产状态识别网络进行梯度优化,调节网络内部配置变量(即各种参数、超参数),完成对预设生产状态识别网络的网络内部配置变量的优化,直到满足设置的调试截止要求(如调试的次数达到了预设的次数、网络的代价小于预设的代价等)时,将预设生产状态识别网络确定为调试完成的生产状态识别网络。
基于此,依据步骤S210~S240调试获得调试完成的生产状态识别网络,首先,基于总相似性代价值确定预设生产状态识别网络内部配置变量的优化方向,令网络可以让同类置信度分布聚拢,换言之,网络令同类表征载体更加靠近,第一相似性代价值让工业生产线异常状态数据集与第一异常状态增强数据集的推理置信度(即推理结果)接近,以令网络可以使得生产线具有异常生产状态的同类特征信息之间聚拢,以令异常生产类型的生产线监测数据集的特征散布在更小的范围中,使得异常生产状态的生产监测数据集在状态识别分类时难度降低提高生产状态识别的准确度;第二相似性代价值让工业生产线常态数据集与第二异常状态增强数据集的推理置信度(即推理结果)接近,以令网络可以让常态生产监测数据集的同类表征载体距离靠近,对常态生产监测数据集的推理预测更简单,提高生产状态识别的准确度,以提高调试完成的生产状态识别网络对异常生产的识别更精确。
此外,基于第一推理分类代价值、第二推理分类代价值、第三推理分类代价值确定了预设生产状态识别网络内部配置变量的调节方向,即网络通过以上过程包括工业生产线异常状态数据集的特征,且区别于工业生产线异常状态数据集的第一异常状态增强数据集,包括工业生产线常态数据集的特征,且区别于工业生产线常态数据集的第二异常状态增强数据集,同时包括工业生产线异常状态数据集和工业生产线常态数据集的特征,且区别于工业生产线异常状态数据集和工业生产线常态数据集的整合数据集进行学习,增加学习样例的丰富程度,以增加调试完成的生产状态识别网络的泛化效果。
通过将整合数据集的指示信息的数值(例如为L3)配置成位于工业生产线异常状态数据集的指示信息的数值L1与工业生产线常态数据集的指示信息的数值L2之间,令通过整合数据集进行学习,能拟合位于学习样例库中的工业生产线异常状态数据集与工业生产线常态数据集之间的其余生产监测数据集,以令调试完成的生产状态识别网络在学习样例库之外的数据也能做到准确识别,网络泛化效果得到加强。
S250,获取调试完成的生产状态识别网络中的表征载体挖掘模块的网络内部配置变量,确定为表征载体挖掘参变量。
调试结束后,可以获取调试完成的生产状态识别网络中的表征载体挖掘模块的网络内部配置变量,确定为表征载体挖掘参变量,应用于步骤S130,对拟识别生产监测数据集进行表征载体挖掘获得拟识别生产监测数据集的数据集状态表征载体。
本申请实施例通过通过工业生产线模板的工业生产线异常状态数据集、通过工业生产线异常状态数据集构建的第一异常状态增强数据集、以及通过第一异常状态增强数据集的推理结果与工业生产线异常状态数据集的推理结果生成的相似性代价函数进行调试以获得的表征载体挖掘参变量,对拟识别生产监测数据集进行表征载体挖掘,获得拟识别生产监测数据集的数据集状态表征载体;通过数据集状态表征载体进行推理,获得拟进行状态识别的目标工业生产线的生产状态识别结果。首先,由于通过工业生产线异常状态数据集构建的第一异常状态增强数据集调试获得表征载体挖掘参变量,不仅具有原始工业生产线模板异常生产状态监测数据集,还可以增加完善学习样例,以令调试获得的表征载体挖掘参变量具有更好的泛化效果。此外,因为第一相似性代价值能让工业生产线异常状态数据集与第一异常状态增强数据集的推理结果接近,以令网络可以使得生产线具有异常生产状态的同类特征信息之间聚拢,以令异常生产类型的生产线监测数据集的特征散布在更小的范围中,使得异常生产状态的生产监测数据集在状态识别分类时难度降低提高生产状态识别的准确度;那么,基于表征载体挖掘参变量获取拟识别生产监测数据集的数据集状态表征载体用于推理获得拟进行状态识别的目标工业生产线的生产状态识别结果,能够增加生产线异常状态监测的精度;可以有效缓解调试过程效果优异,应用环节泛化效果差的情况。
请参见图3,是本申请实施例提供的一种数据获取装置的结构示意图。上述数据获取装置可以是运行于网络设备中的一个计算机程序(包括程序代码),例如该数据获取装置为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。如图3所示,该数据获取装置可以包括:数据获取模块311、变量确定模块312、特征挖掘模块313、状态推理模块314、状态标记模块315、变量调试模块316。
其中,数据获取模块311用于获取拟进行状态识别的目标工业生产线的拟识别生产监测数据集;
变量确定模块312用于获取所述拟识别生产监测数据集的表征载体挖掘参变量,其中,所述表征载体挖掘参变量通过工业生产线模板的工业生产线异常状态数据集、通过所述工业生产线异常状态数据集构建的第一异常状态增强数据集、以及通过所述第一异常状态增强数据集的推理结果与所述工业生产线异常状态数据集的推理结果生成的相似性代价函数进行调试以获得;
特征挖掘模块313用于通过所述表征载体挖掘参变量,对所述拟识别生产监测数据集进行表征载体挖掘,获得所述拟识别生产监测数据集的数据集状态表征载体;
状态推理模块314用于通过所述数据集状态表征载体进行推理,获得所述拟进行状态识别的目标工业生产线的生产状态识别结果;
状态标记模块315用于基于所述生产状态识别结果,将所述目标工业生产线进行状态标记;
变量调试模块316用于对表征载体挖掘参变量进行如下调试:
通过预设生产状态识别网络中的表征载体挖掘模块,针对学习样例数据库中的各生产监测数据集学习样例进行表征载体挖掘,获得所述各生产监测数据集学习样例的学习样例表征载体,其中,所述学习样例数据库包括工业生产线异常状态数据集、以及通过所述工业生产线异常状态数据集构建的第一异常状态增强数据集;
通过所述预设生产状态识别网络中的推理分类模块,通过所述各生产监测数据集学习样例的学习样例表征载体进行推理,获得所述各生产监测数据集学习样例的推理结果,其中,所述各生产监测数据集学习样例的推理结果包括所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果;
通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值,确定所述预设生产状态识别网络的合并代价值;
通过所述合并代价值对所述预设生产状态识别网络的网络内部配置变量进行优化,直到满足设置的调试截止要求时,将所述预设生产状态识别网络作为调试完成的生产状态识别网络;
获取所述调试完成的生产状态识别网络中的表征载体挖掘模块的网络内部配置变量,确定为所述表征载体挖掘参变量。
根据本申请的一个实施例,图2所示的工业互联网数据获取方法所涉及的步骤可由图3所示的数据获取装置中的各个模块来执行。
根据本申请的一个实施例,图3所示的数据获取装置中的各个模块可以分别或全部合并为一个或若干个单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的至少两个子单元,可以实现同样的操作,而不影响本申请的实施例的技术效果的实现。上述模块是基于逻辑功能划分的,在实际应用中,一个模块的功能也可以由至少两个单元来实现,或者至少两个模块的功能由一个单元实现。在本申请的其它实施例中,数据获取装置也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由至少两个单元协作实现。
根据本申请的一个实施例,可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理组件和存储组件的例如计算机的通用计算机设备上运行能够执行如图2中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图3中所示的数据获取装置,以及来实现本申请实施例的工业互联网数据获取方法。上述计算机程序可以记载于例如计算机可读记录介质上,并通过计算机可读记录介质装载于上述计算设备中,并在其中运行。
请参见图4,是本申请实施例提供的一种数据获取终端10的计算机设备的结构示意图。如图4所示,上述计算机设备1000可以包括:处理器1001,网络接口1004和存储器1005,此外,上述计算机设备1000还可以包括:用户接口1003,和至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏(Display)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是非易失性的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个在远离前述处理器1001的存储装置。如图4所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图4所示的计算机设备1000中,网络接口1004可提供网络通讯功能;而用户接口1003主要用于提供输入的接口;而处理器1001可以用于调用存储器1005中存储的设备控制应用程序,以实现以上实施例中提供的方法。
应当理解,本申请实施例中所描述的计算机设备1000可执行前文图2对应实施例中对以上方法的描述,也可执行前文图3所对应实施例中对数据获取装置的描述,在此不再赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。
此外,这里需要指出的是:本申请实施例还提供了一种计算机可读存储介质,且上述计算机可读存储介质中存储有前文提及的数据获取装置所执行的计算机程序,且上述计算机程序包括程序指令,当上述处理器执行上述程序指令时,能够执行前文图2对应实施例中对上述工业互联网数据获取方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。
作为示例,上述程序指令可被部署在一个计算机设备上执行,或者被部署在一个地点的至少两个计算机设备上执行,又或者,在分布在至少两个地点且通过通信网络互连的至少两个计算机设备上执行,分布在至少两个地点且通过通信网络互连的至少两个计算机设备可以组成区块链网络。
上述计算机可读存储介质可以是前述任一实施例提供的数据获取装置或者上述计算机设备的中部存储单元,例如计算机设备的硬盘或中存。该计算机可读存储介质也可以是该计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(secure digital,SD)卡,闪存卡(flash card)等。进一步地,该计算机可读存储介质还可以既包括该计算机设备的中部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同媒体中容,而非用于描述特定顺序。此外,术语“包括”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、装置、产品或设备固有的其他步骤单元。
本申请实施例还提供了一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现前文图2对应实施例中对上述工业互联网数据获取方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机程序产品的实施例中未披露的技术细节,请参照本申请方法实施例的描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的,具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程网络连接设备的处理器以产生一个机器,使得通过计算机或其他可编程网络连接设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程网络连接设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程网络连接设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种工业互联网数据获取方法,其特征在于,应用于数据获取终端,所述方法包括:
获取拟进行状态识别的目标工业生产线的拟识别生产监测数据集;
获取所述拟识别生产监测数据集的表征载体挖掘参变量,其中,所述表征载体挖掘参变量通过工业生产线模板的工业生产线异常状态数据集、通过所述工业生产线异常状态数据集构建的第一异常状态增强数据集、以及通过所述第一异常状态增强数据集的推理结果与所述工业生产线异常状态数据集的推理结果生成的相似性代价函数进行调试以获得;
通过所述表征载体挖掘参变量,对所述拟识别生产监测数据集进行表征载体挖掘,获得所述拟识别生产监测数据集的数据集状态表征载体;
通过所述数据集状态表征载体进行推理,获得所述拟进行状态识别的目标工业生产线的生产状态识别结果;
基于所述生产状态识别结果,将所述目标工业生产线进行状态标记;
其中,所述表征载体挖掘参变量通过以下步骤进行调试获得:
通过预设生产状态识别网络中的表征载体挖掘模块,针对学习样例数据库中的各生产监测数据集学习样例进行表征载体挖掘,获得所述各生产监测数据集学习样例的学习样例表征载体,其中,所述学习样例数据库包括工业生产线异常状态数据集、以及通过所述工业生产线异常状态数据集构建的第一异常状态增强数据集;
通过所述预设生产状态识别网络中的推理分类模块,通过所述各生产监测数据集学习样例的学习样例表征载体进行推理,获得所述各生产监测数据集学习样例的推理结果,其中,所述各生产监测数据集学习样例的推理结果包括所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果;
通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值,确定所述预设生产状态识别网络的合并代价值;
通过所述合并代价值对所述预设生产状态识别网络的网络内部配置变量进行优化,直到满足设置的调试截止要求时,将所述预设生产状态识别网络作为调试完成的生产状态识别网络;
获取所述调试完成的生产状态识别网络中的表征载体挖掘模块的网络内部配置变量,确定为所述表征载体挖掘参变量。
2.根据权利要求1所述的工业互联网数据获取方法,其特征在于,所述学习样例数据库还包括工业生产线常态数据集、以及通过所述工业生产线常态数据集构建的第二异常状态增强数据集,所述各生产监测数据集学习样例的推理结果还包括所述工业生产线常态数据集的推理结果和所述第二异常状态增强数据集的推理结果;
所述通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值,确定所述预设生产状态识别网络的合并代价值,包括:
通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果,获取所述预设生产状态识别网络的第一相似性代价值;
通过所述工业生产线常态数据集的推理结果和所述第二异常状态增强数据集的推理结果,获取所述预设生产状态识别网络的第二相似性代价值;
通过所述第一相似性代价值和所述第二相似性代价值,确定所述合并代价值。
3.根据权利要求1所述的工业互联网数据获取方法,其特征在于,所述通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值,确定所述预设生产状态识别网络的合并代价值,包括:
通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果,获取所述预设生产状态识别网络的第一相似性代价值;
通过所述第一异常状态增强数据集的推理结果和所述第一异常状态增强数据集的指示信息,获取所述第一异常状态增强数据集的第一推理分类代价值;
通过所述第一相似性代价值和所述第一推理分类代价值,确定所述合并代价值。
4.根据权利要求1所述的工业互联网数据获取方法,其特征在于,所述学习样例数据库还包括通过工业生产线常态数据集构建的第二异常状态增强数据集,所述各生产监测数据集学习样例的推理结果还包括所述第二异常状态增强数据集的推理结果;所述通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值,确定所述预设生产状态识别网络的合并代价值,包括:
通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果,获取所述预设生产状态识别网络的第一相似性代价值;
通过所述第二异常状态增强数据集的推理结果和所述第二异常状态增强数据集的指示信息,获取所述第二异常状态增强数据集的第二推理分类代价值;
通过所述第一相似性代价值和所述第二推理分类代价值,确定所述合并代价值。
5.根据权利要求1所述的工业互联网数据获取方法,其特征在于,所述学习样例数据库还包括所述第一异常状态增强数据集与第二异常状态增强数据集合并得到的整合数据集,所述第二异常状态增强数据集通过工业生产线常态数据集生成,所述各生产监测数据集学习样例的推理结果还包括所述整合数据集的推理结果;所述通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值,确定所述预设生产状态识别网络的合并代价值,包括:
通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果,获取所述预设生产状态识别网络的第一相似性代价值;
通过所述整合数据集的推理结果和所述整合数据集的指示信息,获取所述整合数据集的第三推理分类代价值,其中,所述整合数据集的指示信息的数值位于所述工业生产线异常状态数据集的指示信息与所述工业生产线常态数据集的指示信息之间;
通过所述第一相似性代价值和所述第三推理分类代价值,确定所述合并代价值。
6.根据权利要求1所述的工业互联网数据获取方法,其特征在于,所述通过所述数据集状态表征载体进行推理,获得所述拟进行状态识别的目标工业生产线的生产状态识别结果,包括:
获取所述调试完成的生产状态识别网络中的推理分类模块的网络内部配置变量,确定为所述拟识别生产监测数据集的推理参变量;
通过所述推理参变量,通过所述数据集状态表征载体进行推理,获得所述拟进行状态识别的目标工业生产线的生产状态识别结果。
7.根据权利要求1所述的工业互联网数据获取方法,其特征在于,所述生产状态识别结果包括所述拟进行状态识别的目标工业生产线是异常状态工业生产线,所述通过所述数据集状态表征载体进行推理,获得所述拟进行状态识别的目标工业生产线的生产状态识别结果,包括:
通过所述数据集状态表征载体进行推理,获得所述拟进行状态识别的目标工业生产线为异常状态工业生产线的推理置信度;
如果所述推理置信度大于预设置信度参考值,则确定所述拟进行状态识别的目标工业生产线是异常状态工业生产线。
8.一种数据获取系统,其特征在于,包括数据获取终端和至少一个数据采集终端,所述至少一个数据采集终端用于采集目标工业生产线的拟识别生产监测数据集,并发送至所述数据获取终端,所述数据获取终端包括:
处理器;
以及存储器,其中所述存储器中存储有计算机程序,所述计算机程序在由所述处理器运行时,使得所述处理器执行如权利要求1~7任一项所述的方法。
9.一种数据获取终端,其特征在于,包括:
处理器;
以及存储器,其中所述存储器中存储有计算机程序,所述计算机程序在由所述处理器运行时,使得所述处理器执行如权利要求1~7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序包括程序指令,当处理器执行所述程序指令时,执行如权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311750494.0A CN117435901B (zh) | 2023-12-19 | 2023-12-19 | 一种工业互联网数据获取方法、系统、终端及储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311750494.0A CN117435901B (zh) | 2023-12-19 | 2023-12-19 | 一种工业互联网数据获取方法、系统、终端及储存介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117435901A CN117435901A (zh) | 2024-01-23 |
CN117435901B true CN117435901B (zh) | 2024-03-08 |
Family
ID=89546506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311750494.0A Active CN117435901B (zh) | 2023-12-19 | 2023-12-19 | 一种工业互联网数据获取方法、系统、终端及储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117435901B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600891A (zh) * | 2022-12-16 | 2023-01-13 | 台昌树脂(佛山)有限公司(Cn) | 应用于水性丙烯酸树脂生产监测的大数据分析方法及系统 |
CN116108604A (zh) * | 2023-04-13 | 2023-05-12 | 四川奥凸环保科技有限公司 | 一种供水管网异常检测方法、系统、设备及存储介质 |
CN117076991A (zh) * | 2023-10-16 | 2023-11-17 | 云境商务智能研究院南京有限公司 | 治污设备用电异常监测方法、装置及计算机设备 |
CN117171696A (zh) * | 2023-11-03 | 2023-12-05 | 深圳市欧利德仪器仪表有限公司 | 一种基于物联网的传感器生产监测方法及系统 |
-
2023
- 2023-12-19 CN CN202311750494.0A patent/CN117435901B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600891A (zh) * | 2022-12-16 | 2023-01-13 | 台昌树脂(佛山)有限公司(Cn) | 应用于水性丙烯酸树脂生产监测的大数据分析方法及系统 |
CN116108604A (zh) * | 2023-04-13 | 2023-05-12 | 四川奥凸环保科技有限公司 | 一种供水管网异常检测方法、系统、设备及存储介质 |
CN117076991A (zh) * | 2023-10-16 | 2023-11-17 | 云境商务智能研究院南京有限公司 | 治污设备用电异常监测方法、装置及计算机设备 |
CN117171696A (zh) * | 2023-11-03 | 2023-12-05 | 深圳市欧利德仪器仪表有限公司 | 一种基于物联网的传感器生产监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117435901A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021000556A1 (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
Li et al. | A novel deep autoencoder and hyperparametric adaptive learning for imbalance intelligent fault diagnosis of rotating machinery | |
CN106547882A (zh) | 一种智能电网中营销大数据的实时处理方法及系统 | |
CN106202489A (zh) | 一种基于大数据的农业病虫害智能诊断系统 | |
CN114399066B (zh) | 基于弱监督学习的机械设备预知性维护系统和维护方法 | |
CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
CN114925238B (zh) | 一种基于联邦学习的视频片段检索方法及系统 | |
CN110011990A (zh) | 内网安全威胁智能分析方法 | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
CN113886181A (zh) | 应用于AIOps故障预警的动态阈值预测方法、设备及介质 | |
CN114970926A (zh) | 一种模型训练方法、企业经营风险预测方法和装置 | |
CN115618269A (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
CN115983497A (zh) | 一种时序数据预测方法和装置、计算机设备、存储介质 | |
CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
CN116450486A (zh) | 多元异构计算系统内节点的建模方法、装置、设备及介质 | |
CN112947080B (zh) | 一种基于场景参数变换的智能决策模型性能评估系统 | |
CN117435901B (zh) | 一种工业互联网数据获取方法、系统、终端及储存介质 | |
CN115604131B (zh) | 一种链路流量预测方法、系统、电子设备及介质 | |
CN115905924B (zh) | 基于人工智能物联网的数据处理方法、系统及云平台 | |
CN116738354A (zh) | 一种电力物联网终端行为异常检测方法及系统 | |
CN115883424A (zh) | 一种高速骨干网间流量数据预测方法及系统 | |
Fu | [Retracted] A Research on the Realization Algorithm of Internet of Things Function for Smart Education | |
WO2022216599A1 (en) | System for generating natural language comment texts for multi-variate time series | |
CN107679478A (zh) | 输电线路空间负荷状态的提取方法和系统 | |
CN117667606B (zh) | 基于用户行为的高性能计算集群能耗预测方法及系统 |
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 |