本发明涉及工业控制和机器学习领域，尤其涉及一种基于多元异构数据处理与深度学习技术的工厂智能预警方法。
背景技术：
在传统的制造生产领域，制造系统依赖人的判断过多，而且此种判断与特定人员的实际控制管理经验相关性很大，同时现有的erp系统无法高效整合制造过程中产生的多源异构数据，以至于生产中的预警不够智能，高效。例如，中国实用新型专利申请号201220224902.x公开了一种基于erp系统的机动物资仓储系统，涉及一种物资管理系统，包括erp系统，所述的erp系统通过网络与多个仓库的数据管理系统通信连接，数据管理系统包括入库系统、出库系统、移库系统和预警方法；入库系统扫描入库货物上的条码将货物信息记录在数据管理系统中，出库系统扫描出库货物上的条码将货物信息记录在数据管理系统中并对货物数量进行调整，移库系统将所要调拨的货物进行扫描并通过数据管理系统对货物的数量进行调整，预警方法监控货物储备的数量，低于设置值时预警方法发出警报；所述的数据管理系统将采集的数据通过网络传至erp系统。
技术实现要素：
为了克服现有技术中的上述缺陷，同时结合智能制造的大趋势，本发明提出了一种基于多元异构数据处理与深度学习技术的工厂智能预警方法。本发明构造一个可高速挖掘制造过程中产生的多元异构数据的关系并对生产过程中的潜在失败做出预测，通过将多元异构数据处理与深度学习技术相结合，实现高效，自主的学习和自主预测判断，减少制造过程中的失败，减轻人类管理控制负担，降低制造成本，提高生产效率。
本发明公开了一种基于多元异构数据处理与深度学习技术的工厂智能预警方法，包括：多元异构数据融合处理步骤，将制造过程产生的海量多元异构数据进行融合处理，分类，抽样，辅助进行数据的整理；基于循环神经网络
(rnn)的机器学习步骤，通过训练好的神经网络模型，根据当前产生的数据预测制造过程中可能产生的失败，基于循环积神经网络，用于提高预测精度，有高度的可扩展性，高并发性，达到高效的机器学习，精准预测的目的；信息预警步骤，将机器学习步骤产生的预警信息，精准分发给相关管理人员，达到高效，及时的调整与控制。
本发明提出的基于多元异构数据处理与深度学习技术的工厂智能预警方法中，所述多元异构数据融合处理步骤结合统计学方法技术，对待分析的数据进行融合处理，利用birch算法即平衡迭代削减聚类法，将数据分类，利用典型相关分析(canonicalcorrelationanalysis)方法进行相关性分析，分析传感器数据和可能产生的结果之间的相关性，利用simhash算法进行非结构数据去重，利用xml技术对数据进行统一的结构化定义，统一采集格式，解析格式，存储格式，实现数据融合。
本发明提出的基于多元异构数据处理与深度学习技术的工厂智能预警方法中，所述多元异构数据融合处理步骤，自动收集制造过程中产生的海量数据，进行去重，结构化等融合处理，快速提取有用信息。
本发明提出的基于多元异构数据处理与深度学习技术的工厂智能预警方法中，所述基于循环神经网络的机器学习步骤,利用循环神经网络，引入长短时记忆(lstm)单元解决上记忆消失的问题，同时隐含层中的节点之间采取有连接形式，克服数据特征提取困难的缺点，达到特征的高效提取，引入定向循环，所谓定向循环是节点之间的连接结构，处理输入之间前后关联的问题。
本发明提出的基于多元异构数据处理与深度学习技术的工厂智能预警方法中，所述基于循环神经网络的机器学习步骤，利用共轭梯度法训练分布式神经网络，每个节点存储一个模型的备份，在各节点上并行处理数据集的不同部分，并在参数更新时同步模型参数到其他节点，最后组合各个节点的输出结果，可满足大规模高并发数据处理的要求。
本发明提出的基于多元异构数据处理与深度学习技术的工厂智能预警方法中，所述基于循环神经网络的机器学习步骤，针对特征规模可能较小的情况，引入循环神经网络，将特征进行合理的扩充，同时引入多层隐含层，完善整体神经网络体系。
本发明提出的基于多元异构数据处理与深度学习技术的工厂智能预警方法中，所述基于循环神经网络的机器学习步骤，通过对大规模制造过程中产生的数据进行处理，用共轭梯度法训练所涉及的神经网络，实现在训练过程中自动调整完善神经网络。
本发明提出的基于多元异构数据处理与深度学习技术的工厂智能预警方法中，所述实时信息预警步骤利用预测分析结果，精准分发到相关管理人员；实现对问题及时反应，动态调整控制。
本发明提出的基于多元异构数据处理与深度学习技术的工厂智能预警方法，实现将深度学习技术应用到生产制造过程中的失败预警，可在数秒内对制造过程中的多元异构数据进行相关性分析，快速做出判断，评估系统的安全性。同时，可以对千万级的非结构化多元数据文件进行学习，不断调整，提高自演化能力，使预测更加趋向准确可靠。
本发明的有益效果在于：基于循环神经网络，将不断学习大量数据，使预测更加准确，灵活。避免制造过程中的失败，减轻人类管理的负担，降低制造成本。本发明的有益效果还在于：基于循环神经网络，更灵活自动演化，随着工厂预警需要的变化而调整。增加制造柔性，实现更高阶的智能化。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明基于多元异构数据处理与深度学习技术的工厂智能预警方法的原理示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明构造一个可高速分析处理制造过程实时数据的预警方法，通过以现有数据为基础，训练循环神经网络，得到特定的神经网络系统模型，对新产生的数据进行最快的分析预测，根据预测结果指导制造过程,通过多元异构数据处理技术和深度学习技术的结合，实现对生产过程涉及的多元异构数据进行智能分析处理。
如图1，本发明基于多元异构数据处理与深度学习技术的工厂智能预警方法，多元异构数据融合处理步骤(1)，及时收集工厂各子系统产生的数据，并基于xml技术进行去重，结构化，归一化，等处理；基于循环神经网络的机器学习步骤(2)，基于循环神经网络，用多元异构数据处理产生的数据，用共轭梯度法进行训练学习，不断调整参数，产生关于故障数据，故障现象的神经网络系统模型，用于对后续生产制造系统中产生的多元异构数据进行分析，并做出预测，产生预警信息和建议决策信息；信息预警步骤(3)，通过机器学习步骤(2)产生的分析结果智能推送提醒相关管理人员，达到协助决策管理工厂的目的。
其中，多元异构数据融合处理步骤(1)，利用birch算法即平衡迭代削减聚类法，将数据分类，利用典型相关分析(canonicalcorrelationanalysis)方法进行相关性分析，分析传感器数据和可能产生的结果之间的相关性，利用simhash算法进行非结构数据去重，利用xml技术对数据进行统一的结构化定义，统一采集格式，解析格式，存储格式，实现数据融合。
多元异构数据融合处理步骤(1)，利用机器学习技术，所处理的数据为制造过程中产生的多元异构数据，特点为：多元，异构，实时。
基于循环神经网络的机器学习步骤(2)，利用循环神经网络，引入长短时记忆(lstm)单元解决上记忆消失的问题，同时隐含层中的节点之间采取有连接形式，克服数据特征提取困难的缺点，达到特征的高效提取，引入定向循环，所谓定向循环是节点之间的连接结构，处理输入之间前后关联的问题。
基于循环神经网络的机器学习步骤(2)，利用共轭梯度法训练分布式神经网络，每个节点存储一个模型的备份，在各节点上并行处理数据集的不同部分，并在参数更新时同步模型参数到其他节点，最后组合各个节点的输出结果，可满足大规模高并发数据处理的要求。
信息预警步骤(3)，将机器学习步骤(2)产生的分析结果(包括可能发生的故障、失败，以及该避免该故障通常采取的措施)，智能推送提醒相关管理人员，建立特定紧急情况和特定备案措施的对应关系(可以是人工提前制定的备案措施，也可以是机器学习模块分析得到的以往通常采取的措施)，一旦发生，向控制机构发送相应控制指令，实现自动响应，达到减缓人类判断处理的压力，降低生产制造成本。
本发明基于多元异构数据处理与深度学习技术的工厂智能预警方法，实现将深度学习技术应用于制造过程中的潜在威胁预警，可在数秒内对生产制造过程中产生的海量实时数据进行分析预测，做出预警提示。同时，由于采用循环神经网络可以随时训练神经网络调整参数适应不同的生产制造场景需求。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。