基于工厂生产过程的多源异构孪生数据融合方法及系统技术方案

公开一种基于工厂生产过程的多源异构孪生数据融合方法，包括：基于分层特征聚集模型的数据分类与语义解析，将采集到的多个传感器数据建模为传感器数据时序累积过程的网络拓扑图；根据时序动态拓扑图结构的特点，采用GCN

【技术实现步骤摘要】
基于工厂生产过程的多源异构孪生数据融合方法及系统


[0001]本专利技术涉及智能制造
，尤其涉及一种基于工厂生产过程的多源异构孪生数据融合方法及系统。

技术介绍

[0002]智能制造促使大型生产制造企业向智能化方向转型，其中，工厂拥有的海量数据，一方面给工厂智能化发展带来很大的压力，另外一方面，数据本身又是工厂智能化的核心驱动力。
[0003]数字孪生与智能制造的耦合度越来越高，数字孪生技术的落地是推动智能制造发展的关键要素之一，而数字孪生系统中存在着异构类型的数据，包括车间物理设备产生的物理实体数据，车间物理设备相对应的虚拟模型产生的与仿真预测相关的虚拟模型数据，描述车间物理设备物理属性的物理数据以及用于描述物理设备工艺流程、行为规则的行为规则数据等，如何将这些异构类型数据进行有效的融合，进而为上层用户输出统一的服务是值得研究的。
[0004]本专利技术人在实施本专利技术时发现，目前，对于孪生数据融合中存在的问题，主要通过数据孪生的方法，实现实体数据与虚拟数据的融合，并在车间及其它智能制造领域中，进行模拟和应用。但是，目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于工厂生产过程的多源异构孪生数据融合方法，其特征在于，包括：S1、采集工厂在不同生产过程中多个传感器的传感器数据；S2、基于分层特征聚集模型的数据分类与语义解析，包括：S21、针对所述传感器数据，将其建模为传感器数据时序累积过程的网络拓扑图；将传感器节点之间的边定义为顺序事件，建立一个由节点与其邻居之间交互事件驱动的动态过程构成的时序动态拓扑图结构；S22、根据所述时序动态拓扑图结构的特点，采用GCN
‑
LSTM结构将结构信息与时间信息相结合，利用网络嵌入将节点嵌入到低维空间中，同时捕捉网络的结构和性质，采用分层特征聚集法以在不同深度的邻域上学习不同的特征聚合器；并使用LSTM聚合不同深度的信息，以确保信息从更高的深度流向节点；S3、基于不完整多模态深度语义匹配融合模型建立，采用跨模态深度语义匹配机制，通过模态数据间多层非线性的相关性，建立不完整多模态的深度语义匹配融合模型；包括：构建模态间的共享特征子空间，以学习不完整多模态数据的共享；通过设置不变图规则化因子，保证共享子空间中各模态数据的局部相似特性；以及建立新的目标函数以描述不完整多模态数据深度语义匹配模型。2.根据权利要求1所述的基于工厂生产过程的多源异构孪生数据融合方法，其特征在于，所述步骤S21进一步通过以下方式构建异构多源传感器网络数据拓扑图：集合G＝(V,E,X,L)为异构多源传感器网络的数据拓扑图，其中V是传感器节点集合，E为节点之间的边的结合，为节点特征的集合，同时L表示不同节点标签的集合；一个节点v与v相邻的节点的距离为k，可以表示为已知该节点嵌入可以表示为则每一个嵌入的深度为k节点嵌入可以表示为3.根据权利要求2所述的基于工厂生产过程的多源异构孪生数据融合方法，其特征在于，所述步骤S22具体包括：S222、通过层次聚合框架学习节点嵌入：首先，使用类似于GraphSAGE的聚集方法，将深度k邻域的特征集合成单个向量，如公式(1)所示:其中s(x)给出邻域集合x中的节点样本，AGGREGATE是一种类似于GraphSAGE的特征聚合，并且k∈{1,
…
,K}，其中K为传感器数据网络能找到的最大深度；已学习到节点嵌入是从距离深度为k的邻域节点v'捕获道的信息；然后,结合LSTM元细胞，为每个节点v，学习其在不同深度的嵌入，并将最后一个节点嵌入h
v
分配为v，则有公式(2)成立：最后,将学习到的向量反馈给全连接层，完成下游节点的分类任务、实现对数据的语义解析；S223、训练监督多类节点分类任务：
利用分类交叉熵作为损失函数，训练监督多类节点分类任务(包括转换和归纳)的模型；使用相同的训练目标对模型进行端到端的训练；对于多标签、多类分类，对每一类使用二元交叉熵；在LSTM的每一步使用分类交叉熵损失函数，以提高训练效果。4.根据权利要求3所述的基于工厂生产过程的多源异构孪生数据融合方法，其特征在于，所述步骤S3具体包括：S31、非负矩阵分解：S31、非负矩阵分解：如公式(3)所示，为矩阵分解中的基矩阵，为不完整模态数据实例在子空间中的潜在表示；如此公式(1)中限定的每个模态都具有相同完整的模态数据编码矩阵P
c
，可以耦合及矩阵和模态偶编码矩阵来最小化目标函数；S32、局部不变图规则化：利用不变图模型对学习到的共享编码矩阵P
c
进行规则化表示，来保证每个模态数据与其在子空间中的几何结构一致；通过构建每个模态的最近邻图G
(v)
描述数据点间的局部几何结构；模态v中的每一个数据实例表示成G
(v)
中的一个点；W
(v)
为G
(v)
的权重邻接矩阵；在W
(v)
中表示数据实例和间的相近程度；度量方法如下公式(4)：其中，为数据实例和间的欧式距离，和分别表示和的p个最近邻数据实例；S33、不完整多模态深度语义匹配融合：采用融合深度学习网络与不完整多模态深度语义匹配数据，联合挖掘任意模态孪生数据的深度语义匹配特征；该模型可以由公式(5)表示：据的深度语义匹配特征；该模型可以由公式(5)表示：其中，为模态私有深度网络的特征输出，f为非线性激活函数，此处为Sigmod函数，W
v
、b
v
分别为相应的权重矩阵和偏置向量；通过联合优化模态私有深度学习网络、基矩阵和一致编码矩阵，得到多模态深度语义共享子空间，并对多模态数据特征进行融合分析。5.一种基于工厂生产过程的多源异构孪生数据融合系统，其特征在于，包括：传感器数据采集模块；基于分层特征聚集模型的数据分类与语义解析模块，其包括：
时序动态图结构构建单元，针对所述传感器数据，将其建模为传感器数据时序累积过程的网络拓扑...

【专利技术属性】
技术研发人员：张锐，郑敬莎，郭洪飞，何泰霖，王燕，丁新文，赵锦钰，杨思妍，
申请(专利权)人：天津科技大学暨南大学，
类型：发明
国别省市：