基于工业互联网和智能制造的数据处理方法及系统技术方案

本发明专利技术涉及数据处理技术领域，具体涉及一种基于工业互联网和智能制造的数据处理方法及系统，该方法包括：基于历史传感器数据和数据异常阈值，计算当前时刻每个传感器数据的重要程度；基于所述重要程度对传感器数据进行排序分组，基于自编码网络，按组进行传感器数据的压缩与传输；每组中在前传感器数据重要于在后传感器数据；每组中数据的个数为自编码网络输入层和输出层中神经元的个数；其中，为自编码网络输入层和输出层的神经元设置位置惩罚系数，位置在前神经元的位置惩罚系数大于位置在后神经元的位置惩罚系数；基于位置惩罚系数对均方误差损失函数进行改进后监督自编码网络的训练。本发明专利技术可以减少数据传输的数据量。本发明专利技术可以减少数据传输的数据量。本发明专利技术可以减少数据传输的数据量。

【技术实现步骤摘要】
基于工业互联网和智能制造的数据处理方法及系统


[0001]本专利技术涉及数据处理领域，具体涉及一种基于工业互联网和智能制造的数据处理方法及系统。

技术介绍

[0002]智能制造场景下，需要实时检测大量设备的多种状态，即各设备需要监测温度、距离等多类数据，每个时刻采集到的状态数据是海量的，经常超出对应的带宽传输能力或者硬件设备的处理能力，同时数据的价值密度较低，冗余程度较高。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的在于提供一种基于工业互联网和智能制造的数据处理方法及系统，所采用的技术方案具体如下：
[0004]第一方面，本专利技术一个实施例提供了一种基于工业互联网和智能制造的数据处理方法，该方法包括以下具体步骤：
[0005]基于历史传感器数据和数据异常阈值，计算当前时刻每个传感器数据的重要程度；
[0006]基于所述重要程度对传感器数据进行排序分组，基于自编码网络，按组进行传感器数据的压缩与传输；每组中在前传感器数据重要于在后传感器数据；每组中数据的个数为自编码网络输入层和输出层中神经元的个数；
[0007]其中，为自编码网络输入层和输出层的神经元设置位置惩罚系数，位置在前神经元的位置惩罚系数大于位置在后神经元的位置惩罚系数；基于位置惩罚系数对均方误差损失函数进行改进后监督自编码网络的训练。
[0008]进一步地，当前时刻每个传感器数据重要程度的获取具体为：
[0009]根据当前时刻与历史相邻时刻的传感器数据获取当前数据变化量；当前数据变化量与历史的数据变化量均值的比值为当前时刻传感器数据的突变程度；
[0010]当前时刻传感器数据与数据异常阈值进行比较，获取当前时刻传感器数据的异常程度；
[0011]根据突变程度和异常程度获取当前时刻传感器数据的重要程度。
[0012]进一步地，当前时刻传感器数据的异常程度的获取具体为：
[0013][0014]yc为当前时刻传感器数据的异常程度，sj为当前时刻的一个传感器数据，yz为数据异常阈值，α为异常范围系数，relu函数用于把负数置为0。
[0015]进一步地，改进的均方误差损失函数具体为：
[0016][0017]loss为改进的均方误差损失函数，ε
i
为自编码网络输入层和输出层中第i个神经元的位置惩罚系数，P
i
和Y
i
分别为自编码网络输入层和输出层中第i个神经元对应的数据，自编码网络输入层和输出层中均包括I个神经元。
[0018]进一步地，基于所述重要程度对传感器数据进行排序分组，具体为：
[0019]对传感器数据进行重要性降序排序后，按照蛇形排列分组法，得到数据阵列；
[0020]若蛇形走向为横向，则数据阵列大小为I行J列，数据阵列中一列数据为一组；若蛇形走向为纵向，则数据阵列大小为J行I列，数据阵列中一行数据为一组；传感器数据的数量与神经元个数I的比值向上取整后得到J。
[0021]进一步地，利用自编码网络中的编码模块对每组传感器数据进行压缩，对压缩数据进行传输；利用自编码网络中的解码模块对压缩数据进行解压；解码模块输出层神经元的位置越靠前，解压数据的误差越小。
[0022]第二方面，本专利技术另一个实施例提供了一种基于工业互联网和智能制造的数据处理系统，该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于工业互联网和智能制造的数据处理方法的步骤。
[0023]本专利技术实施例至少具有如下有益效果：本专利技术基于自编码网络对大量传感器数据进行压缩传输，减小传输的数据量，实现实时传输。且利用本专利技术中基于改进的均方误差损失函数进行监督训练的自编码网络进行压缩和解压，位置越靠前的输出层神经元解压后输出的数据与对应的输入数据越一致，误差越小；即按照本专利技术的数据输入方法和自编码网络，可实现越重要的传感器数据对应的解压精度越高。
附图说明
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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它附图。
[0025]图1为本专利技术方法实施例的步骤流程图。
[0026]图2为本专利技术实施例中的分组示意图。
具体实施方式
[0027]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种基于工业互联网和智能制造的数据处理方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0028]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0029]本专利技术的主要目的是，利用深度学习神经网络技术来对传感器数据进行降维压缩，以使数据能够实现整体的传输，并且降低数据传输过程中的带宽压力，满足智能制造场
景下对加工设备实时监测的需求。本专利技术实施例以下面的应用场景为例对本专利技术进行说明：
[0030]该应用场景为：智能制造场景中，整个生产线上存在多类工序，而每个工序下的每个设备都需要布置对应的传感器来采集各类数据，而为了实时掌握产品的加工情况，需要采集的各类传感器数据传输给控制中心，从而根据产品状态及设备状态结合智能控制算法来自动调节生产线的生产参数。但是实时采集的数据量往往较大，无线传输的数据流量有限，很难实现实时传输的需求，所以需要压缩传输，而目前多数压缩方式都是基于数据空间冗余的，自编码神经网络能够根据映射关系，直接进行数据降维压缩，更加适合数据的压缩传输，但是其又存在准确性的缺陷，因此，本专利技术对自编码网络进行改进。
[0031]下面结合附图具体的说明本专利技术所提供的一种基于工业互联网和智能制造的数据处理方法及系统的具体方案。
[0032]请参阅图1，其示出了本专利技术一个实施例提供的一种基于工业互联网和智能制造的数据处理方法的步骤流程图，该方法包括以下步骤：
[0033]基于历史传感器数据和数据异常阈值，计算当前时刻每个传感器数据的重要程度；
[0034]基于所述重要程度对传感器数据进行排序分组，基于自编码网络，按组进行传感器数据的压缩与传输；每组中在前传感器数据重要于在后传感器数据；每组中数据的个数为自编码网络输入层和输出层中神经元的个数；
[0035]其中，为自编码网络输入层和输出层的神经元设置位置惩罚系数，位置在前神经元的位置惩罚系数大于位置在后神经元的位置惩罚系数；基于位置惩罚系数对均方误差损失函数进行改进后监督自编码网络的训练。
[0036]下面对上述步骤进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于工业互联网和智能制造的数据处理方法，其特征在于，该方法包括：基于历史传感器数据和数据异常阈值，计算当前时刻每个传感器数据的重要程度；基于所述重要程度对传感器数据进行排序分组，基于自编码网络，按组进行传感器数据的压缩与传输；每组中在前传感器数据重要于在后传感器数据；每组中数据的个数为自编码网络输入层和输出层中神经元的个数；其中，为自编码网络输入层和输出层的神经元设置位置惩罚系数，位置在前神经元的位置惩罚系数大于位置在后神经元的位置惩罚系数；基于位置惩罚系数对均方误差损失函数进行改进后监督自编码网络的训练。2.如权利要求1所述的方法，其特征在于，当前时刻每个传感器数据重要程度的获取具体为：根据当前时刻与历史相邻时刻的传感器数据获取当前数据变化量；当前数据变化量与历史的数据变化量均值的比值为当前时刻传感器数据的突变程度；当前时刻传感器数据与数据异常阈值进行比较，获取当前时刻传感器数据的异常程度；根据突变程度和异常程度获取当前时刻传感器数据的重要程度。3.如权利要求2所述的方法，其特征在于，当前时刻传感器数据的异常程度的获取具体为：yc为当前时刻传感器数据的异常程度，sj为当前时刻的一个传感器数据，yz为数据异常阈值，α为异常范围系数，relu函数用于把负数置为0。4.如权利要求3所述的方法，其特征在于，改进...

【专利技术属性】
技术研发人员：翁长征，
申请(专利权)人：苏州捷布森智能科技有限公司，
类型：发明
国别省市：