一种智能车间数据采集分析方法、装置及计算机设备制造方法及图纸

本申请涉及数据处理、机器学习领域，并且更具体地涉及一种智能车间数据采集分析方法、装置及计算机设备，所述方法包括：获取车间物联网数据集，抽取多层级的生产状态表征向量，获取在预设模糊数据模板中抽取的多层级的模板表征向量，将多层级的生产状态表征向量和特征强化参考信息作为模板表征向量嵌入映射的参考信息，依据对应层级的生产状态表征向量和特征强化参考信息对对应的层级下的模板表征向量进行嵌入映射，生成数据集表征向量。此外，生产状态和强化特征整合得到的特征强化结果更能维持和突出生产状态的特征信息。嵌入映射得到整合了不同层级的生产状态表征向量和该强化特征的数据集表征向量，聚焦不同尺度的生产状态信息。产状态信息。产状态信息。

【技术实现步骤摘要】
一种智能车间数据采集分析方法、装置及计算机设备


[0001]本申请涉及数据处理、机器学习领域，并且更具体地，涉及一种智能车间数据采集分析方法、装置及计算机设备。

技术介绍

[0002]自第四次工业革命的来临，数字化生产已经成为普遍的商业模式，其本质是以数据为处理对象，以ICT平台为生产工具，以软件为载体，以服务为目的的生产过程。在工业化4.0进程的推进中，集中在数据采集环境搭建、数据采集、数据分析挖掘、数据智能化呈现等多个环节，涉及的技术包括物联网、互联网、人工智能、大数据、数字孪生等等，智能化程度高，逐渐淡化了人力的作用，解放高端生产力。在工厂智能化进程中，必不可少的生产要素是数据，针对数据的处理过程中，由于工厂数据海量的特性，为数据处理的效率带来挑战，那么，强化数据的特征是保障分析准确性和减少分析工作量的重要工作，例如清洗冗余数据、增强核心数据特征、数据归一化等。该过程需要确保强化的特征能够维持原数据中的目标特征，使强化后的特征数据具有代表性和准确性，现有的数据处理的效果还有改进的空间。

技术实现思路

[0003]有鉴于此，本申请实施例至少提供一种智能车间数据采集分析方法、装置及计算机设备。
[0004]根据本公开实施例的一个方面，提供了一种智能车间数据采集分析方法，应用于计算机设备，所述方法包括：获取车间物联网数据集，通过所述车间物联网数据集抽取多层级的生产状态表征向量；获取在预设模糊数据模板中抽取的所述多层级的模板表征向量；获取所述车间物联网数据集对应的特征强化参考信息；对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量；对所述多层级的数据集表征向量进行多层级的解析，获得特征强化数据集；所述特征强化数据集具有所述车间物联网数据集的生产状态，同时包含所述特征强化参考信息对应的强化特征。
[0005]根据本公开实施例的一个示例，其中，所述特征强化参考信息包括事先部署的强化要素数据集，所述事先部署的强化要素数据集用以限定出所述车间物联网数据集的特征强化要求强化要素；所述对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：对所述事先部署的强化要素数据集进行表征向量抽取，得到所述事先部署的强化要素数据集对应的强化要素表征向量；对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量。
[0006]根据本公开实施例的一个示例，其中，所述事先部署的强化要素数据集对应不同
层级的强化要素表征向量，所述不同层级的强化要素表征向量对应的层级个数少于所述多层级的生产状态表征向量对应的层级个数；所述多层级的生产状态表征向量对应的层级个数与所述多层级的模板表征向量对应的层级个数相等；所述对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：对于所述多层级的每个层级，如果存在对应的层级下的强化要素表征向量，依据对应层级的所述生产状态表征向量和所述强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得对应的层级下的数据集表征向量；如果不存在对应的层级下的强化要素表征向量，依据对应层级的所述生产状态表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得对应的层级下的数据集表征向量。
[0007]根据本公开实施例的一个示例，其中，所述事先部署的强化要素数据集包括所述车间物联网数据集对应的生产节点模块化数据集，所述方法还包括：获取依据生产节点分割的强化要素数据集样例，将所述车间物联网数据集依据所述车间物联网数据集所分割的节点进行分割，得到所述车间物联网数据集中的各节点数据范围；获取对所述强化要素数据集样例中的每个生产节点进行预设的特征强化所构建的生产节点模块化数据集；每个所述生产节点用于确定所述车间物联网数据集中相应节点数据范围的强化要素；其中，所述特征强化数据集具有所述车间物联网数据集的生产状态，同时所述特征强化数据集中的各节点数据范围包含所述生产节点模块化数据集中相应的生产节点所强化的特征；或者，所述事先部署的强化要素数据集包括所述车间物联网数据集对应的采集时序模块化数据集，所述方法还包括：对所述车间物联网数据集进行随机特征强化，得到强化过渡数据集；对所述强化过渡数据集进行数据分桶操作，得到所述车间物联网数据集的对应的基础采集时序模块化数据集，所述基础采集时序模块化数据集包括所述车间物联网数据集中各数据块分别对应的采集时序数据；通过对所述基础采集时序模块化数据集中的一个或多个所述采集时序数据的预设特征调节，获得采集时序模块化数据集；其中，所述特征强化数据集具有所述车间物联网数据集的生产状态，同时所述特征强化数据集中的各数据块包含所述采集时序模块化数据集中相应的采集时序数据对应的强化特征。
[0008]根据本公开实施例的一个示例，其中，所述方法还包括：获取针对所述车间物联网数据集的数据约束标签，所述数据约束标签用于指示所述车间物联网数据集的特征强化要求；对所述数据约束标签进行表征向量抽取，得到对应的数据约束表征向量；所述对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量、所述特征强化参考信息和所述数据约束表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量；所述对所述多层级的数据集表征向量进行多层级的解析，获得特征强化数据集，包括：对于所述多层级的解析中的每个层级，如果对应的层级为所述多层级的解析中的第一个层级，依据对应层级的数据集表征向量，对嵌入映射得到的末尾的层级的数据集表征向量进行解析，得到对应的层级的解析表征向量；如果对应的层级不是所述多层级的解析中的第一个层级或末尾的层级，依据对应层级的数据集表征向量，对对应的层级的前一层级的解析表征向量进行解析，得到对应的层级的解析表征向量；如果对应的层级为所
述末尾的层级，依据对应层级的数据集表征向量，对所述末尾的层级的前一层级的解析表征向量进行解析，得到特征强化数据集。
[0009]根据本公开实施例的一个示例，其中，所述方法通过预先调试得到的特征强化神经网络实现，所述特征强化神经网络通过以下步骤进行调试得到：获取车间物联网训练数据集，通过所述车间物联网训练数据集抽取多层级的生产状态训练表征向量；获取在模糊训练数据模板中抽取的所述多层级的模板训练表征向量；获取所述车间物联网训练数据集对应的特征强化训练参考信息；对于所述多层级的每个层级，依据对应层级的所述生产状态训练表征向量和所述特征强化训练参考信息，对对应的层级下的模板训练表征向量进行嵌入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能车间数据采集分析方法，其特征在于，应用于计算机设备，所述方法包括：获取车间物联网数据集，通过所述车间物联网数据集抽取多层级的生产状态表征向量；获取在预设模糊数据模板中抽取的所述多层级的模板表征向量；获取所述车间物联网数据集对应的特征强化参考信息；对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量；对所述多层级的数据集表征向量进行多层级的解析，获得特征强化数据集；所述特征强化数据集具有所述车间物联网数据集的生产状态，同时包含所述特征强化参考信息对应的强化特征。2.如权利要求1所述的方法，其特征在于，所述特征强化参考信息包括事先部署的强化要素数据集，所述事先部署的强化要素数据集用以限定出所述车间物联网数据集的特征强化要求强化要素；所述对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：对所述事先部署的强化要素数据集进行表征向量抽取，得到所述事先部署的强化要素数据集对应的强化要素表征向量；对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量。3.如权利要求2所述的方法，其特征在于，所述事先部署的强化要素数据集对应不同层级的强化要素表征向量，所述不同层级的强化要素表征向量对应的层级个数少于所述多层级的生产状态表征向量对应的层级个数；所述多层级的生产状态表征向量对应的层级个数与所述多层级的模板表征向量对应的层级个数相等；所述对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：对于所述多层级的每个层级，如果存在对应的层级下的强化要素表征向量，依据对应层级的所述生产状态表征向量和所述强化要素表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得对应的层级下的数据集表征向量；如果不存在对应的层级下的强化要素表征向量，依据对应层级的所述生产状态表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得对应的层级下的数据集表征向量。4.如权利要求2所述的方法，其特征在于，所述事先部署的强化要素数据集包括所述车间物联网数据集对应的生产节点模块化数据集，所述方法还包括：获取依据生产节点分割的强化要素数据集样例，将所述车间物联网数据集依据所述车间物联网数据集所分割的节点进行分割，得到所述车间物联网数据集中的各节点数据范围；获取对所述强化要素数据集样例中的每个生产节点进行预设的特征强化所构建的生
产节点模块化数据集；每个所述生产节点用于确定所述车间物联网数据集中相应节点数据范围的强化要素；其中，所述特征强化数据集具有所述车间物联网数据集的生产状态，同时所述特征强化数据集中的各节点数据范围包含所述生产节点模块化数据集中相应的生产节点所强化的特征；或者，所述事先部署的强化要素数据集包括所述车间物联网数据集对应的采集时序模块化数据集，所述方法还包括：对所述车间物联网数据集进行随机特征强化，得到强化过渡数据集；对所述强化过渡数据集进行数据分桶操作，得到所述车间物联网数据集的对应的基础采集时序模块化数据集，所述基础采集时序模块化数据集包括所述车间物联网数据集中各数据块分别对应的采集时序数据；通过对所述基础采集时序模块化数据集中的一个或多个所述采集时序数据的预设特征调节，获得采集时序模块化数据集；其中，所述特征强化数据集具有所述车间物联网数据集的生产状态，同时所述特征强化数据集中的各数据块包含所述采集时序模块化数据集中相应的采集时序数据对应的强化特征。5.如权利要求1所述的方法，其特征在于，所述方法还包括：获取针对所述车间物联网数据集的数据约束标签，所述数据约束标签用于指示所述车间物联网数据集的特征强化要求；对所述数据约束标签进行表征向量抽取，得到对应的数据约束表征向量；所述对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量和所述特征强化参考信息，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量，包括：对于所述多层级的每个层级，依据对应层级的所述生产状态表征向量、所述特征强化参考信息和所述数据约束表征向量，对对应的层级下的模板表征向量进行嵌入映射，获得多层级的数据集表征向量；所述对所述多层级的数据集表征向量进行多层级的解析，获得特征强化数据集，包括：对于所述多层级的解析中的每个层级，如果对应的层级为所述多层级的解析中的第一个层级，依据对应层级的数据集表征向量，对嵌入映射得到的末尾的层级的数据集表征向量进...

【专利技术属性】
技术研发人员：孙朝阳，董德，卢金平，周齐芳，王婷，王进龙，
申请(专利权)人：威海瑞沐精工科技有限公司，
类型：发明
国别省市：