一种云组态平台的模型匹配处理方法及系统技术方案

本发明专利技术涉及一种云组态平台的模型匹配处理方法，包括下列步骤，将现实设备的特征信息转换为中心处理模块可识别信息，建立深度模型匹配神经网络，通过现实设备的特征变量对实例模型进行匹配，得出若干匹配模型，对若干匹配模型进行匹配度评价，最终由用户从若干匹配模型中选择模型，基于用户的模型选择对深度神经网络进行进化训练，获得更适合用户的组态模型。本发明专利技术所述云组态平台的模型匹配处理方法具有计算速度快，模型匹配度高，并且随着模型数量的增加及客户的选择性可进行自动优化的有益效果。有益效果。有益效果。

【技术实现步骤摘要】
一种云组态平台的模型匹配处理方法及系统


[0001]本专利技术涉及计算机、智能计算领域，尤其涉及一种云组态平台的模型匹配处理方法及系统。

技术介绍

[0002]随着科技的发展，云组态平台在各行业应用广泛，而组态模型作为现实设备的一种表现方式，在组态平台是必不可少的部分，高效的制作的选择组态模型对快速完成组态平台具有重要意义。由于不同设备的数据状态及控制方式不同，现有技术对于组态模型，大多都是根据用户设备情况实时创建的，而这种情况大大增加了云组态平台的组建时间。

技术实现思路

[0003]本专利技术要解决的问题是提供一种云组态平台的模型匹配处理方法及系统。
[0004]为解决上述技术问题，本专利技术的云组态平台的模型匹配处理方法，包括下列步骤，S1将现实设备的特征信息转换为中心处理模块可识别信息；
[0005]S2建立深度模型匹配神经网络，通过现实设备的特征变量对实例模型进行匹配，得出若干匹配模型；
[0006]S3对若干匹配模型进行匹配度评价，最终由用户从若干匹配模型中选择模型；
[0007]S4基于用户的模型选择对深度神经网络进行进化训练，获得更适合用户的组态模型。
[0008]进一步的，所述S1中，令现实设备特征信息Info＝[ind,place,type,input,output,ctrol]，其中：ind表示设备使用行业，place表示设备使用场景，type表示设备类型，input表示设备输入接口数量，output表示设备输出接口数量，ctrol表示是否有控制功能；
[0009]建立一个数据转换模型，将现有设备的特征信息转换为中心处理模块可识别的数字信息，将使用行业ind分类并进行数字编码，则有ind
→
ch1∈[001,002，003，...]，即通过数字编码来代替不同的行业信息；同样将使用场景place及设备类型type分类并进行数字编码，使place
→
ch2∈[1,2,3,...]，type
→
ch3∈[0001,0002,0003,...]；设备输入、输出接口数量分别进行转换使用ch4，ch5表示；ch6代表是否设备具有控制功能，用0或1表示；具体特征信息的数量由用户根据实际情况自行设定；由此，CH＝[ch1,ch2,...,ch
N
]即为转换后的特征信息，N表示特征信息总数。
[0010]进一步的，所述S2中，建立一个深度模型匹配神经网络，包括第一输入层，第二输入层，三个隐含层，第一输出层及第二输出层；其中，第一输出层输出做为第二输入层的输入。
[0011]进一步的，所述S2中，第一输入层，维度为N，样本个数为M，其中一个样本的输入为CH＝[ch1,ch2,...,ch
N
]T
其对应的样本输出为GM＝[gm1,gm2,...,gm
K
]T
，K表示匹配组态模型的,数量，用户根据实际情况确定组态模型匹配数量；f
1m
为第一隐含层神经元传递函数，f
2q
为第二隐含层神经元的传递函数；
[0012]第一输入层有N个神经元，为现实设备转换后的特征信息，第一隐含层与第一输入层全连接，层内无连接，第一隐含层神经元个数与样本个数相等，即等于M，第一隐含层神经元激活函数为：
[0013][0014]第一隐含层的输出为输入变量与其对应的样本CH之间Euclid距离平方的指数平方的指数形式；式中，CH为输入变量，CH
m
为第m个神经元对应的学习样本；
[0015]第二隐含层中有两类神经元，第一类神经元为第一隐含层每个神经元的输出和，其与各神经元的连接权值为1；第二类神经元为第一隐含层每个神经元输出的加权和；
[0016]一类的计算公式为
[0017][0018]它对所有第一隐含层神经元的输出进行算术求和，传递函数为：
[0019]另一类计算公式为
[0020][0021]它对所有第一隐含层的输出进行加权求和，第一隐含层中第m个神经元与第二隐含层第q个分子求和，神经元之间的连接权值为ω
mq
，传递函数为
[0022][0023]第一输出层中的神经元数目等于学习样本中输出向量的维数q，输出结果是第二隐含层的第二个节点除以第一个节点，即：
[0024][0025]则第一输出层获得的输出为第一输出层的输出为第二输入层的输入，包含Q个神经元，将第一输入层输入的特征信息进行归一化处理后，引入第三隐含层，参与激活函数，包含有N个神经元；为了防止引入状态影响网络波动，设置第四隐含层，包含P个神经元；第二输入层、第三隐含层、第四隐含层、第二输出层之前的权值分别为ω
qn
、ω
np
、ω
pk
(1≤q≤Q,1≤n≤N,1≤p≤P,1≤k≤K)；
[0026]将第一输入层的输入进行归一化处理，则有ch
min
表示数据中的最小值，ch
max
表示数据中的最大值；进过归一化处理的信息转换为CH
′
＝[ch1′
,ch2′
,...,ch
′
N
]；
[0027]当第二输入层输入为out
q
时，结合第一输入层归一化处理信息计算，第三隐含层
的输出为第四隐含层的输出为其中第三隐含层的激活函数为第四隐含层的激活函数为第二输出层的输出为
[0028]获得输出组态模型信息为GM
′
＝[gm1′
,gm
′2,...,gm
′
K
]，测试神经网络的训练效果时，根据实际需要设置阈值ε，通过与样本输出GM＝[gm1,gm2,...,gm
K
]进行均方误差计算：
[0029][0030]若满足MSE(GM,GM
′
)＜ε，则认为满足实际需求，训练完毕，否则循环执行直至满足需求。
[0031]进一步的，所述S2中，深度模型匹配神经网络训练完成后，则进行对所需模型的匹配，将转化后的现实设备数据信息输入神经网络，输出即为匹配的组态模型的相应编码。
[0032]进一步的，所述S3中，选择模块接收到中心处理模块发送的模型编码，通过编码匹配从存储模块50中选择组态模型，获得相应个数的组态模型，同时获得各个模型的特征信息
[0033]将各个模型的特征信息发送至评价模块，与原设备特征信息CH＝[ch1,ch2,...,ch
N
]进行对比；
[0034]将原设备与获得的模型之间的特征信息进行平方差计算，获得各个模型的匹配度，
[0035][0036]δ
k
表示k模型与现实设备的匹配度；
[0037]将选出的组态模型按匹配度进行排序，并将匹配度最高模型作为推荐模型，同时将K个模型及模型对应的匹配度推送本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种云组态平台的模型匹配处理方法，其特征在于：包括下列步骤，S1将现实设备的特征信息转换为中心处理模块可识别信息；S2建立深度模型匹配神经网络，通过现实设备的特征变量对实例模型进行匹配，得出若干匹配模型；S3对若干匹配模型进行匹配度评价，最终由用户从若干匹配模型中选择模型；S4基于用户的模型选择对深度神经网络进行进化训练，获得更适合用户的组态模型。2.按照权利要求1所述的基于工业互联网协同制造控制方法，其特征在于：所述S1中，令现实设备特征信息Info＝[ind,place,type,input,output,ctrol]，其中：ind表示设备使用行业，place表示设备使用场景，type表示设备类型，input表示设备输入接口数量，output表示设备输出接口数量，ctrol表示是否有控制功能；建立一个数据转换模型，将现有设备的特征信息转换为中心处理模块可识别的数字信息，将使用行业ind分类并进行数字编码，则有ind
→
ch1∈[001,002，003，...]，即通过数字编码来代替不同的行业信息；同样将使用场景place及设备类型type分类并进行数字编码，使place
→
ch2∈[1,2,3,...]，type
→
ch3∈[0001,0002,0003,...]；设备输入、输出接口数量分别进行转换使用ch4，ch5表示；ch6代表是否设备具有控制功能，用0或1表示；具体特征信息的数量由用户根据实际情况自行设定；由此，CH＝[ch1,ch2,...,ch
N
]即为转换后的特征信息，N表示特征信息总数。3.按照权利要求2所述的基于工业互联网协同制造控制方法，其特征在于：所述S2中，建立一个深度模型匹配神经网络，包括第一输入层，第二输入层，三个隐含层，第一输出层及第二输出层；其中，第一输出层输出做为第二输入层的输入。4.按照权利要求3所述的基于工业互联网协同制造控制方法，其特征在于：所述S2中，第一输入层，维度为N，样本个数为M，其中一个样本的输入为CH＝[ch1,ch2,...,ch
N
]
T
，其对应的样本输出为GM＝[gm1,gm2,...,gm
K
]
T
，K表示匹配组态模型的数量，用户根据实际情况确定组态模型匹配数量；f
1m
为第一隐含层神经元传递函数，f
2q
为第二隐含层神经元的传递函数；第一输入层有N个神经元，为现实设备转换后的特征信息，第一隐含层与第一输入层全连接，层内无连接，第一隐含层神经元个数与样本个数相等，即等于M，第一隐含层神经元激活函数为：第一隐含层的输出为输入变量与其对应的样本CH之间Euclid距离平方的指数平方的指数形式；式中，CH为输入变量，CH
m
为第m个神经元对应的学习样本；第二隐含层中有两类神经元，第一类神经元为第一隐含层每个神经元的输出和，其与各神经元的连接权值为1；第二类神经元为第一隐含层每个神经元输出的加权和；一类的计算公式为
它对所有第一隐含层神经元的输出进行算术求和，传递函数为：另一类计算公式为它对所有第一隐含层的输出进行加权求和，第一隐含层中第m个神经元与第二隐含层第q个分子求和，神经元之间的连接权值为ω
mq
，传递函数为第一输出层中的神经元数目等于学习样本中输出向量的维数q，输出结果是第二隐含层的第二个节点除以第一个节点，即：则第一输出层获得的输出为第一输出层的输出为第二输入层的输入，包含Q个神经元，将第一输入层输入的特征信息进行归一化处理后，引入第三隐含层，参与激活函数，包含有N个神经元；为了防止引入状态影响网络波动，设置第四隐含层，包含P个神经元；第二输入层、第三隐含层、第四隐含层、第二输出层之前的权值分别为ω
qn
、ω
np
、ω
pk
(1≤q≤Q,1≤n≤N,1≤p≤P,1≤k≤K)；将第一输入层的输入进行归一化处理，则有ch
min
表示数据中的最小值，ch

【专利技术属性】
技术研发人员：焦清国，于小鹏，孙洪喜，王思刚，张连鹤，陈柏臣，傅文举，
申请(专利权)人：青岛弯弓信息技术有限公司，
类型：发明
国别省市：