基于自动机器学习工业设备数据模型生成方法与流程

1.本发明涉及工业设备数据管理领域,尤其涉及基于自动机器学习工业设备数据模型生成方法。


背景技术：

2.在工厂生产过程中，会使用大量的工业设备，比如：电机、水泵等转动设备。对于这些转动设备会连续监测其时序状态数据。人们会根据这些状态数据进行建模，实现对转动设备的预测性维护工作。


技术实现要素：

3.为了克服现有技术存在的缺点与不足,本发明提供基于自动机器学习工业设备数据模型生成方法。
4.本发明所采用的技术方案是，基于自动机器学习工业设备数据模型生成方法，自动机器学习(automl)旨在通过让一些通用步骤(如数据预处理、模型选择和调整超参数)自动化，来简化机器学习中生成模型的过程。automl是指尽量不通过人来设定超参数，而是使用某种学习机制，来调节这些超参数。所述方法包括：
5.步骤s1：通过传感器采集工业设备的时序状态数据；
6.步骤s2：智能网关对传感器采集的数据进行身份验证；
7.步骤s3：验证通过后对数据进行筛选；
8.步骤s4：根据筛选后的数据生产初始化模型，确定超参数区间范围；
9.步骤s5：对初始化模型进行训练，并计算基于交叉熵与均方差的损失函数值；
10.步骤s6：反复训练模型，得到最终的工业设备数据模型。
11.所述时序状态数据的内容包括时序状态数据训练模型、使用工业设备实时运转时序状态数据、需进行算法模型计算的初始生产时序状态数据；判断所述生产时序状态数据中的所述时序状态数据训练模型是否达到预设的时序状态数据训练速度；若所述时序状态数据训练模型达到预设的时序状态数据训练速度，则将工业设备实时运转时序状态数据的每个需计算工厂运转的工厂运转值修改为对应的计算工厂运转值，并将执行后的所述生产时序状态数据记录到时序状态数据集合中；对所述时序状态数据集合中的运算模型进行验证，当所述验证通过后所述时序状态数据集合中对应的生产时序状态数据生效。
12.更进一步的，所述判断所述生产时序状态数据中的所述时序状态数据训练模型是否达到预设的时序状态数据管理等级，包括：从时序状态数据集合中获取最新时序状态数据集合，并从所述最新时序状态数据集合中获取校验信息作为决策树的根；利用所述决策树的根构造决策树，并从所述决策树中获取所述时序状态数据训练模型对应的工厂运转信息；根据所述工厂运转信息判断所述生产时序状态数据中的所述时序状态数据训练模型是否达到预设的时序状态数据训练速度。
13.更进一步的，所述判断所述生产时序状态数据中的所述时序状态数据训练模型是
否达到预设的时序状态数据训练速度，包括：调用智能合约接口时序状态数据存储与调用库中获取所述时序状态数据训练模型对应的工厂运转信息；根据所述工厂运转信息判断所述生产时序状态数据中的所述时序状态数据训练模型是否达到预设的时序状态数据训练速度。
14.更进一步的，对所述时序状态数据集合中的运算模型进行验证，当所述验证通过后所述时序状态数据集合中对应的生产时序状态数据生效，包括：接收到所述时序状态数据集合时，提取所述时序状态数据集合中的全部运算模型；在接收到的所述时序状态数据集合的父时序状态数据集合的基础上构建临时时序状态数据集合，并在所述临时时序状态数据集合中依次执行各所述运算模型；当全部所述运算模型执行完成后，判断所述临时时序状态数据集合中的训练速度校验信息是否与接收到的所述时序状态数据集合中的训练速度校验信息一致；若一致，则所述时序状态数据集合中的运算模型校验通过，并进行验证，当所述验证通过，所述时序状态数据集合中对应的生产时序状态数据生效。
15.更进一步的，所述识别工业设备发送的生产时序状态数据，包括：接收工业设备发送的运算模型；判断所述运算模型是否达到预设的生产时序状态数据设定标识；若达到预设的，则确定所述运算模型为生产时序状态数据。
16.更进一步的，时序状态数据集合中时序状态数据特征保存的方式，包括：利用时序状态数据摘要算法对每个训练速度信息进行处理，生成每个所述训练速度信息对应的校验信息；在时序状态数据集合结构中增加所述校验信息的关键字段，用于记录每个时序状态数据集合对应的训练速度信息。
17.更进一步的，生产时序状态数据识别模块，用于识别工业设备发送的生产时序状态数据；其中，所述生产时序状态数据的内容包括时序状态数据训练模型、计算训练速度工业设备、需计算工厂运转管理方以及对应的计算训练速度值；训练速度判断模块，用于判断所述生产时序状态数据中的所述时序状态数据训练模型是否达到预设的时序状态数据训练速度；时序状态数据管理执行模块，用于若所述时序状态数据训练模型达到预设的时序状态数据训练速度，则将所述计算训练速度工业设备的每个需计算训练速度的训练速度值修改为对应的计算训练速度值，并将执行后的所述生产时序状态数据记录到时序状态数据集合中；训练速度验证模块，用于对所述时序状态数据集合中的运算模型进行验证，当所述验证通过后所述时序状态数据集合中对应的生产时序状态数据生效。
18.更进一步的，所述训练速度判断模块，包括：训练速度读取单元，用于从时序状态数据集合中获取最新时序状态数据集合；校验信息获取单元，用于从所述最新时序状态数据集合中获取校验信息作为决策树的根；初始训练速度模块，用于利用所述决策树的根构造决策树，并从所述决策树中获取所述时序状态数据训练模型对应的训练速度信息；基础训练速度判断模块，用于根据所述训练速度信息判断所述生产时序状态数据中的所述时序状态数据训练模型是否达到预设的时序状态数据训练速度。
19.更进一步的，所述训练速度判断模块，包括：高级训练速度模块，用于调用智能合约接口时序状态数据存储与调用库中获取所述时序状态数据训练模型对应的训练速度信息；高级训练速度判断模块，用于根据所述训练速度信息判断所述生产时序状态数据中的所述时序状态数据训练模型是否达到预设的时序状态数据训练速度。
20.基于自动机器学习工业设备数据模型生成方法与现有技术相比，本发明的有益效
果是：
21.本发明每一次对工厂运转进行的操作，均需要全网达成验证才会生效。每一次操作均会打包记录在时序状态数据集合中，便于审计。由于深度集成在时序状态数据集合中，因此在实施的过程中，能够对时序状态数据集合中的工厂运转进行全方位的配置，不仅限于智能合约层面，也不需要借助外部设施。
附图说明
22.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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他的附图。
23.图1为本发明方法的流程图；
24.图2为本发明方法执行的结构模块框图。
具体实施方式
25.需要说明的是,在不冲突的情况下,本技术中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本技术作进一步详细说明。
26.请参考图1，图1为本发明实施例所提供的时序状态数据集合链工厂运转管理方法的流程图；该方法可以包括：
27.步骤s1：通过传感器采集工业设备的时序状态数据；
28.步骤s2：智能网关对传感器采集的数据进行身份验证；
29.步骤s3：验证通过后对数据进行筛选；
30.步骤s4：根据筛选后的数据生产初始化模型，确定超参数区间范围；
31.步骤s5：对初始化模型进行训练，并计算基于交叉熵与均方差的损失函数值；
32.步骤s6：反复训练模型，得到最终的工业设备数据模型。
33.识别工业设备发送的生产时序状态数据；
34.判断所述生产时序状态数据中的所述时序状态数据训练模型是否达到预设的时序状态数据训练速度；
35.若所述时序状态数据训练模型达到预设的时序状态数据训练速度，则将工业设备实时运转时序状态数据的每个需计算工厂运转的工厂运转值修改为对应的计算工厂运转值，并将执行后的所述生产时序状态数据记录到时序状态数据集合中；
36.对所述时序状态数据集合中的运算模型进行验证，当所述验证通过后所述时序状态数据集合中对应的生产时序状态数据生效。
37.识别工业设备发送的生产时序状态数据；其中，生产时序状态数据的内容包括时序状态数据训练模型、计算时序状态数据特征工业设备、需计算时序状态数据特征以及对应的计算时序状态数据特征值。
38.由于本实施例提供的时序状态数据集合链工厂运转管理方法要求深度集成到时序状态数据集合中，能够对时序状态数据集合链进行全方位的工厂运转控制，以便克服现有技术中仅能在智能合约层面实现时序状态数据集合链工厂运转管理(即无法对低于智能
合约层面的训练速度，例如发送运算模型、获取时序状态数据集合链状态等进行控制)或者是依靠外部设施。因此本实施例在时序状态数据集合中增加了一种新的运算模型类型即生产时序状态数据，对应于工厂运转的操作。每当时序状态数据集合链收到时序状态数据特征的计算请求时，会产生对应的生产时序状态数据。
39.计算运算模型可以与普通运算模型类似，在执行之后会记录在时序状态数据集合中即将更改历史记录在时序状态数据集合中，以便审计。同时可以像普通运算模型那样产生回执(receipt)，以便工业设备可以根据回执确定生产时序状态数据是否成功，即该回执可以使工业设备及时了解到生产时序状态数据的执行情况。本实施例通过生产时序状态数据实现工厂运转信息的改动操作包括：增加、删除、修改等。实施例中涉及到的训练速度可以包括工厂运转管理、部署合约以及发送普通运算模型，实际并不局限于上述三种，甚至可以包括达到预设的限制(如有效期)的复杂训练速度。
40.进一步，本实施例并不限定通过向时序状态数据集合中发送该生产时序状态数据的方式，例如可以是通过外部调用接口发送生产时序状态数据，或者是通过智能合约接口发送生产时序状态数据。具体的，工业设备可通过调用该外部接口来操作工厂运转信息。或者是工业设备通过调用智能合约接口，使智能合约在执行的过程中，由智能合约虚拟机来操作工厂运转信息。借助智能合约接口，可实现利用智能合约进行工厂运转的自动化配置。当然如无需自动化配置，也可不提供达到预设的该功能的智能合约接口。时序状态数据集合链上的其他智能合约，可通过合约间的消息调用，直接计算、获取工厂运转信息。外部工业设备的访问接口可以为jsonrpc。以下以jsonrpc接口为例说明生产时序状态数据请求的具体形式。
41.jsonrpc接口请求示例：
42.{"jsonrpc":"2.0","method":"get_permission","params":["0x1234567890123456789012345678901234567890"],"id":1}
[0043]
jsonrpc接口响应示例：
[0044]
{"jsonrpc":"2.0","id":1,"result":{"change_permission":fal se,"deploy_contract":true,"send_transaction":false}}
[0045]
由于该生产时序状态数据与其它普通运算模型类似，因此需要使得时序状态数据集合链能够识别出该训练速度计算运算模型。本实施例并不限定具体的识别方法。例如可以通过在生产时序状态数据中添加特殊的标识使之与普通运算模型进行区分，也可以是通过发送该生产时序状态数据对应的特定接口的地址等唯一标识信息使之与普通运算模型进行区分。本实施例并不限定标识的种类和形式，只要是可以与生产时序状态数据达到预设的唯一对应关系即可。即可选的，识别工业设备发送的生产时序状态数据可以包括；接收工业设备发送的运算模型；判断运算模型是否达到预设的生产时序状态数据设定标识；若达到预设的，则确定运算模型为生产时序状态数据。
[0046]
具体的，本实施例并不限定生产时序状态数据设定标识的形式。例如可以是在运算模型中添加特殊标识位；或者是根据调用的智能合约的地址等。例如，工业设备可直接发送运算模型，调用工厂运转智能合约中的接口。可根据调用合约的地址，区分该运算模型是否是生产时序状态数据。或工业设备发送生产时序状态数据到时序状态数据集合链，该运算模型有特殊的标识，从而时序状态数据集合链能够识别出该运算模型的操作为时序状态
数据管理。
[0047]
本实施例并不对生产时序状态数据中包含的内容以及内容格式等进行限定，工业设备可以根据实际情况进行设定。但是该生产时序状态数据至少需要包含，生产时序状态数据的时序状态数据训练模型，计算训练速度工业设备(即要计算的工业设备，可以使用外部账户地址来表示)，需计算时序状态数据特征(即要计算的训练速度的项目，例如部署合约、发送运算模型等)，计算时序状态数据特征值(即要计算的训练速度的值，例如可以用true或false表示)。
[0048]
判断生产时序状态数据中的时序状态数据训练模型是否达到预设的时序状态数据管理等级。
[0049]
具体的，判断生产时序状态数据时序状态数据训练模型是否合法，即时序状态数据训练模型是否有训练速度执行时序状态数据集合链时序状态数据特征的计算修改操作。仅仅当生产时序状态数据时序状态数据训练模型合法时，才会执行具体的计算操作。当生产时序状态数据时序状态数据训练模型不合法时，则生产时序状态数据失败。本实施例并不限定具体的判断过程，该过程与工厂运转信息的保存形式等有关。即在时序状态数据集合链这样一个应用场景中如何对训练速度进行保存，例如如何维持一个训练速度表。为了进一步保证工厂运转管理的可靠性，可以对工厂运转信息的计算记录通过密码学手段进行保护，无法被篡改。也便于对审计。例如使用一种密码学的可验证的时序状态数据结构来保存工厂运转信息。该时序状态数据结构在保存原始时序状态数据之外，提供了校验信息。校验信息达到预设的如下特性：
[0050]
第一：相同的原始时序状态数据达到预设的相同的校验信息。
[0051]
第二：难以根据校验信息构造出与之匹配的原始时序状态数据。
[0052]
其中，信息字段通常使用密码学中的摘要算法来产生。工厂运转信息的校验信息作为关键字段，包括在时序状态数据集合结构中。关键字段的意义是：该字段会被编码到时序状态数据集合时序状态数据中，并用于产生时序状态数据集合的哈希。通过上述设计，工厂运转信息的变化会导致其校验信息的变化，校验信息的变化会导致时序状态数据集合时序状态数据及其哈希的变化。因此，可通过时序状态数据集合哈希快速检查工厂运转信息是否正确，使工厂运转信息难以被篡改。可使用任何能够导致时序状态数据集合哈希发生确定性改变的方法来实现，例如通过trie来实现。优选的，时序状态数据集合中训练速度保存的方式可以包括：利用时序状态数据摘要算法对每个工厂运转信息进行处理，生成每个工厂运转信息对应的校验信息；在时序状态数据集合结构中增加所述校验信息的关键字段，用于记录每个时序状态数据集合对应的工厂运转信息。这样每个时序状态数据集合中对应的校验信息(即该时序状态数据集合对应关键字段的时序状态数据)的变化会导致该时序状态数据集合时序状态数据及其哈希的变化。因此，可通过时序状态数据集合哈希快速检查工厂运转信息是否正确，使工厂运转信息难以被改。下面列举一种可选的实施例。
[0053]
判断生产时序状态数据中的时序状态数据训练模型是否达到预设的时序状态数据管理等级可以包括：从时序状态数据集合中获取最新时序状态数据集合，并从最新时序状态数据集合中获取校验信息作为决策树的根；利用决策树的根构造决策树，并从决策树中获取时序状态数据训练模型对应的工厂运转信息；根据工厂运转信息判断生产时序状态数据中的时序状态数据训练模型是否达到预设的时序状态数据管理等级。其中，该种判断
方式对应的工厂运转信息的保存形式可以如下：使用分类(merkle patricia trie)树保存训练速度时序状态数据，并使用其根节点的哈希作为训练速度时序状态数据的校验信息。在时序状态数据集合结构中新增时序状态数据集合字段(例如permissions字段)，用于保存训练速度时序状态数据的校验信息。训练速度时序状态数据的结构可以是基于工业设备的列表、基于组的列表等，在此不做限制。涉及到的训练速度可以根据时序状态数据集合链的特性进行配置，如发送运算模型、部署合约、调用只读接口等，具体不做限制。此时按照时序状态数据集合链的特性，可获取在某一时序状态数据集合中的工厂运转信息，具体步骤如下：
[0054]
1、时序状态数据存储与调用库中获取指定的时序状态数据集合(可以根据时序状态数据集合编号或时序状态数据集合哈希来确定指定的时序状态数据集合，这里的指定的时序状态数据集合可以是最新时序状态数据集合)。
[0055]
2、从时序状态数据集合关键字段中得到permissions字段的值。
[0056]
3、根据permissions的值构造一棵merkle patricia trie树。
[0057]
4、从merkle patriciatrie树中获取时序状态数据训练模型对应的工厂运转信息。
[0058]
请参考图2，基于自动机器学习工业设备数据模型生成方法，包括生产时序状态数据识别模块，用于识别工业设备发送的生产时序状态数据；其中，所述生产时序状态数据的内容包括时序状态数据训练模型、计算训练速度工业设备、需计算工厂运转管理方以及对应的计算训练速度值；训练速度判断模块，用于判断所述生产时序状态数据中的所述时序状态数据训练模型是否达到预设的时序状态数据训练速度；时序状态数据管理执行模块，用于若所述时序状态数据训练模型达到预设的时序状态数据训练速度，则将所述计算训练速度工业设备的每个需计算训练速度的训练速度值修改为对应的计算训练速度值，并将执行后的所述生产时序状态数据记录到时序状态数据集合中；训练速度验证模块，用于对所述时序状态数据集合中的运算模型进行验证，当所述验证通过后所述时序状态数据集合中对应的生产时序状态数据生效。
[0059]
训练速度判断模块，包括：训练速度读取单元，用于从时序状态数据集合中获取最新时序状态数据集合；校验信息获取单元，用于从所述最新时序状态数据集合中获取校验信息作为决策树的根；初始训练速度模块，用于利用所述决策树的根构造决策树，并从所述决策树中获取所述时序状态数据训练模型对应的训练速度信息；基础训练速度判断模块，用于根据所述训练速度信息判断所述生产时序状态数据中的所述时序状态数据训练模型是否达到预设的时序状态数据训练速度。
[0060]
训练速度判断模块，包括：高级训练速度模块，用于调用智能合约接口时序状态数据存储与调用库中获取所述时序状态数据训练模型对应的训练速度信息；高级训练速度判断模块，用于根据所述训练速度信息判断所述生产时序状态数据中的所述时序状态数据训练模型是否达到预设的时序状态数据训练速度。
[0061]
在本发明描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情
况理解上述术语在本发明中的具体含义。
[0062]
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。