基于嵌入式和深度学习的制造边缘实时事件洞察方法技术

本发明专利技术基于孪生深度时空网络，涉及生产制造过程现场管控技术领域，具体公开一种基于嵌入式和深度学习的制造边缘实时事件洞察方法，通过利用相同或不同工艺路线的生产状态变化时间序列样本对来学习，解决不同工作条件下的事件规则参数的设定问题。本发明专利技术针对如何利用采集到的少数一种或多种产品无法按时加工的异常样本，用于有限数据的产品按时完工的事件洞察。本发明专利技术解决不同工艺路线、不同订单紧急程度、不同工艺要求等变化工作条件下的生产现场的实时事件洞察困难，所构建的孪生深度时空网络能够在样本缺乏情况下实现在不同的工作条件之间、具有很大差异的同类事件的准确识别与洞察。与洞察。与洞察。

【技术实现步骤摘要】
基于嵌入式和深度学习的制造边缘实时事件洞察方法


[0001]本专利技术涉及生产制造过程现场管控
，具体说是一种基于嵌入式和深度学习的制造边缘实时事件洞察方法。

技术介绍

[0002]多品种、变批量生产模式的离散制造过程涉及同时生产具有多种工艺路线的产品。制造现场的人、机、料、法等生产要素按照不同的工艺路线车间各个工位之间流转，在采集设备、物料、物料站和人员生产要素的时空、状态数据的基础上，通过定义简单事件、定义复合事件规则，并手工指定复合事件规则中的参数，从而完成复杂事件的构建，以从大量的数据中提取制造现场的状态信息，实现对制造边缘生产过程状态的感知，已在生产过程监控中得到广泛应用。
[0003]但是，大多数上述复杂事件处理技术应用于实际生产过程管控中时，相同的事件哪怕依据相同的业务逻辑设置相同的事件触发、复合规则，但在不同的工作条件下，比如不同产品的不同工艺路线、不同订单紧急程度、不同工艺要求等，为了洞察发生的事件，需要依据工作条件手工设定和调整复合事件规则中的各种参数，让系统既能探测到发生的事件，而又不至于频繁探测到对生产影响本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于嵌入式和深度学习的制造边缘实时事件洞察方法，其特征在于，基于孪生深度时空网络，利用相同或不同工艺路线的生产状态，变化时间序列样本来学习，具体步骤如下：步骤1：获取不同工艺路线下的正常样本和异常样本，构建数据集，每种工艺路线采集一种以上异常样本，形成异常加工状态序列数据，采集实际的正常样本，形成合格加工状态序列数据；对于加工状态序列数据中的某个时间点的部分缺失，把缺失的某个时间点的数据用同一类序列数据最近10个的均值进行填充；对预处理后的加工状态序列数据采用滑动窗口方法，以1024个数据为一个周期、以步长为100进行滑窗，以窗口内的序列数据为样本；基于合格加工状态序列数据得到的样本为正常样本，基于异常加工状态序列数据得到的样本为异常样本；基于正常样本和异常样本构建数据集，并将数据集划分为训练数据集、测试数据集和验证数据集；训练数据集的正常样本和异常样本分别是数据集正常样本和异常样本的70％，测试数据集的正常样本和异常样本分别是数据集正常样本和异常样本的20％，验证数据集的正常样本和异常样本分别是数据集正常样本和异常样本的10％。步骤2：孪生深度时空神经网络模型；用于制造边缘实时事件洞察的少量学习模型，基于具有深度时空神经网络的孪生神经网络；在此网络模型中，使用相同的网络体系结构和共享权重设置两个相同的深度时空神经网络；输入数据是相同或不同类别的样本对；直接使用深度时空神经网络从原始时间序列数据中提取特征；在孪生神经网络中，其采用的损失函数是contrastive loss，有效的处理孪生神经网络中的样本对的关系；contrastive loss的表达式如下：其中，代表两个样本特征X1和X1的欧氏距离，即二范数,P表示样本的特征维数，一般取64或128，Y为两个样本是否匹配的标签，Y＝1代表两个样本相似或者匹配，Y＝0则代表不匹配，m为人为设定的阈值，N为样本个数；两个样本的距离，可以用于估计带估计样本可能的完工拖延时间；步骤3：孪生深度时空神经网络训练与模型选择；利用孪...

【专利技术属性】
技术研发人员：毛淇，白敏霞，
申请(专利权)人：武汉智能装备工业技术研究院有限公司，
类型：发明
国别省市：