基于数字工厂的数据归档方法及AI系统与流程

本技术涉及数字工厂与人工智能，具体而言，涉及一种基于数字工厂的数据归档方法及ai系统。

背景技术：

1、随着工业4.0概念的普及，数字工厂被认为是制造业的未来。制造企业要最大化利用资源，将生产变得更高效，需要借助数字化手段将制造流程进行精确地分析管控，把握生产态势，使得各个环节灵活变动，生产更加柔性。数字工厂是以物理工厂为基础，借助工业互联网的架构，为智能制造提供基础条件，数字工厂从数据的采集开始，通过信息技术手段对数据进行存储、加工、分析和呈现，从而反馈到生产中。在根据数字工厂的工厂大数据进行分析，反馈前端之前，对工厂大数据集进行合理的归档有助于后续的分析，例如将相同类型的工厂大数据集归档在同一存储空间中，便于后续针对对应存储空间的工厂大数据集进行集中分析，调节生产计划或寻找异常环节。那么，如何合理准确对工厂大数据集进行归类归档，是需要考虑的技术问题。

2、需要说明，上述的内容仅为便于理解本技术方案的产生背景，不作为评判本技术新创性的依据。

技术实现思路

1、本发明的目的在于提供一种基于数字工厂的数据归档方法及ai系统，以改善上述的问题。

2、本技术实施例是这样实现的：

3、第一方面，本技术实施例提供了一种基于数字工厂的数据归档方法，应用于数据归档ai系统，所述方法包括：

4、响应于数据归档指令，获取待归档工厂大数据集；

5、通过事先调试完成的工厂数据归档模型中的相似性训练挖掘网络，挖掘所述待归档工厂大数据集的第一表层整体描述向量；其中，所述第一表层整体描述向量指示所述待归档工厂大数据集的整体初始信息表示；

6、通过所述工厂数据归档模型中的底层状态信息挖掘网络，挖掘所述待归档工厂大数据集的第一生产态势描述向量；其中，所述第一生产态势描述向量指示所述待归档工厂大数据集的生产态势信息表示；

7、通过所述工厂数据归档模型中的生产态势推理网络，对所述第一表层整体描述向量与所述第一生产态势描述向量进行描述向量整合，然后通过得到的第一整合描述向量对所述待归档工厂大数据集采取组合指示信息归类，得到所述待归档工厂大数据集的归类信息；其中，所述工厂数据归档模型为基于对所述相似性训练挖掘网络和所述底层状态信息挖掘网络采取协同调试获取到；

8、通过所述待归档工厂大数据集的归类信息对所述待归档工厂大数据集进行归档。

9、作为一种可能的实施方案，所述通过得到的第一整合描述向量对所述待归档工厂大数据集采取组合指示信息归类，还包括：

10、通过所述相似性训练挖掘网络，分别挖掘工厂大数据集存储空间中的每一个参考工厂大数据集的第二表层整体描述向量；

11、通过所述底层状态信息挖掘网络，分别挖掘所述待归档工厂大数据集的第二生产态势描述向量；

12、通过所述生产态势推理网络，逐一将每一所述第二表层整体描述向量和对应的第二生产态势描述向量进行描述向量整合，得到每一所述参考工厂大数据集各自对应的第二整合描述向量；

13、分别通过所述第一整合描述向量和所述每一参考工厂大数据集对应的第二整合描述向量，确定所述每一参考工厂大数据集各自和所述待归档工厂大数据集的共性度量结果；

14、通过每一所述共性度量结果确定所述待归档工厂大数据集对应的匹配工厂大数据集。

15、作为一种可能的实施方案，所述工厂数据归档模型还包括初始线性处理网络；

16、所述通过事先调试完成的工厂数据归档模型中的相似性训练挖掘网络，挖掘待归档工厂大数据集的第一表层整体描述向量之前，所述方法还包括：

17、将所述待归档工厂大数据集加载到所述工厂数据归档模型中的初始线性处理网络，通过所述初始线性处理网络对所述待归档工厂大数据集进行整体描述向量挖掘，得到所述待归档工厂大数据集对应的整体描述向量集；

18、所述通过事先调试完成的工厂数据归档模型中的相似性训练挖掘网络，挖掘待归档工厂大数据集的第一表层整体描述向量，包括：通过所述相似性训练挖掘网络，对所述整体描述向量集进行查询表映射操作，得到所述待归档工厂大数据集对应的第一表层整体描述向量；

19、所述底层状态信息挖掘网络包括线性变换模块和查表模块；所述通过所述工厂数据归档模型中的底层状态信息挖掘网络，挖掘所述待归档工厂大数据集的第一生产态势描述向量，包括：通过所述底层状态信息挖掘网络中的线性变换模块，对所述整体描述向量集中的生产态势信息进行描述向量挖掘，并通过所述底层状态信息挖掘网络中的查表模块，对挖掘得到的生产态势信息进行查询表映射操作，得到所述待归档工厂大数据集对应的第一生产态势描述向量；

20、所述生产态势推理网络的调谐参变量大于其余网络的调谐参变量，所述其余网络包括所述初始线性处理网络、所述相似性训练挖掘网络和所述底层状态信息挖掘网络。

21、作为一种可能的实施方案，所述初始线性处理网络包括多个线性变换模块；

22、所述初始线性处理网络中的线性变换模块对应的网络参变量为通过预设调试模板集合事先调试完成的参变量预处理得到，所述底层状态信息挖掘网络中的线性变换模块对应的网络参变量为通过任意方式预处理得到。

23、作为一种可能的实施方案，所述工厂数据归档模型的调试过程包括如下步骤：

24、获取调试模板库，在所述调试模板库中确定调试模板集合；

25、将确定的调试模板集合加载到调试好的所述工厂数据归档模型，获取通过所述工厂数据归档模型中的相似性训练挖掘网络产出的第三表层整体描述向量，所述底层状态信息挖掘网络产出的第三生产态势描述向量和所述生产态势推理网络产出的推理结果，所述推理结果表征调试模板对于每一个归类指示信息对应的推理置信度；

26、通过所述第三表层整体描述向量、所述第三生产态势描述向量和所述推理结果建立目标误差结果，以及通过所述目标误差结果对所述工厂数据归档模型的网络参变量进行迭代优化直到所述工厂数据归档模型满足预设的优化截止条件，得到调试好的工厂数据归档模型；

27、所述通过所述第三表层整体描述向量、所述第三生产态势描述向量和所述推理结果建立误差结果，包括：通过所述调试模板集合中的每一个调试模板对应的第三表层整体描述向量，建立第一多元误差结果；通过所述的每一个调试模板对应的第三生产态势描述向量，建立第二多元误差结果；通过所述的每一个调试模板各自对应的推理结果和对应的组合指示信息向量，建立组合指示信息误差结果，所述组合指示信息向量表征调试模板对于每一个归类指示信息对应的实际置信度；通过所述的每一个调试模板各自对应的推理结果，获取交叉熵误差结果；将所述第一多元误差结果、所述第二多元误差结果、所述组合指示信息误差结果和所述交叉熵误差结果按照预设计算方式进行计算，得到目标误差结果。

28、作为一种可能的实施方案，每一所述调试模板集合均包含三个调试模板，分别为参考模板、积极模板和消极模板；

29、所述通过所述调试模板集合中的每一个调试模板对应的第三表层整体描述向量，建立第一多元误差结果，包括：

30、确定所述调试模板集合中的参考模板对应的第三表层整体描述向量和积极模板组应的第三表层整体描述向量之间的第一欧式距离，并确定所述参考模板对应的第三表层整体描述向量和消极模板对应的第三表层整体描述向量之间的第二欧式距离；

31、将所述第一欧式距离和所述第二欧式距离的差值，与预设参考值进行求和得到求和结果，将所述求和结果确定为第一目标参变量，所述预设参考值用于表征积极模板和消极模板之间共性度量结果的差值极值；

32、将所述第一目标参变量与候选参变量中较大的参变量确定为所述第一多元误差结果；

33、作为一种可能的实施方案，每一所述调试模板集合均包含三个调试模板，分别为参考模板、积极模板和消极模板；

34、所述通过所述的每一个调试模板对应的第三生产态势描述向量，建立第二多元误差结果，包括：

35、通过所述调试模板集合中的参考模板对应的第三生产态势描述向量与积极模板组应的第三生产态势描述向量之间的第三欧式距离，所述参考模板对应的第三生产态势描述向量与消极模板对应的第三生产态势描述向量之间的第四欧式距离；

36、将所述第三欧式距离和所述第四欧式距离的差值，与预设参考值进行求和得到求和结果，将所述求和结果确定为第二目标参变量，所述第三预设参考值用于表征积极模板与消极模板之间共性度量结果的差值极值；

37、将所述第二目标参变量和候选参变量中较大的参变量确定为所述第二多元误差结果。

38、作为一种可能的实施方案，所述通过所述目标误差结果对所述工厂数据归档模型的网络参变量进行迭代优化之前，所述方法还包括：

39、将所述第一多元误差结果、所述组合指示信息误差结果和所述交叉熵误差结果按照预设计算方式进行计算，获得临时误差结果；

40、通过所述临时误差结果，对所述工厂数据归档模型中的底层状态信息挖掘网络的网络参变量按照预设的优化轮次进行迭代调试。

41、作为一种可能的实施方案，所述调试模板库中的调试模板集合为基于如下步骤获取到：

42、基于获取的多个工厂大数据集模板之间的共性度量结果，将共性度量结果大于预设共性度量结果的每两个工厂大数据集模板构建一个积极模板组；

43、通过每一所述积极模板组进行模板组合，得到用于建立所述调试模板库的多个调试模板集合，每一所述调试模板集合均包含三个调试模板，分别为参考模板、积极模板和消极模板，其中，所述参考模板和所述积极模板为共性度量结果大于预设共性度量结果的工厂大数据集模板，所述消极模板和所述积极模板为共性度量结果不大于预设共性度量结果的工厂大数据集模板；

44、所述基于积极模板组进行模板组合，得到用于建立所述调试模板库的多个调试模板集合，包括：

45、确定一个积极模板组中的一个工厂大数据集模板，将其确定为选定模板，在其余模板组中分别确定一个工厂大数据集模板作为临时模板；

46、分别确定所述选定模板和每一个所述临时模板之间的距离；

47、将多个所述临时模板依据相应的距离按照递增或递减的顺序罗列，确定不少于一个设定顺次的临时模板确定为所述选定模板对应的消极模板；

48、分别将确定的每个消极模板与所述积极模板组构建一个调试模板集合，其中，所述积极模板组中的选定模板为所述调试模板集合中的积极模板，所述积极模板组中的另一个模板为所述调试模板集合中的参考模板。

49、第二方面，本技术实施例提供了一种数据归档ai系统，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序，以实现以上所述的方法。

50、本技术实施例提供的基于数字工厂的数据归档方法及ai系统，基于用于对挖掘表层整体描述向量的相似性训练挖掘网络和用于挖掘生产态势描述向量的底层状态信息挖掘网络，获得可以进行两个维度训练的模型，采用本技术实施例提供的工厂数据归档模型对待归档工厂大数据集进行归档的过程中，可以基于结合表层描述向量和生产态势描述向量对工厂大数据进行表达描述，提高了协同调试后的模型性能，增加了描述向量挖掘的效率，通过得到的工厂大数据集整合描述向量进行工厂大数据集归类，能够得到精确可靠的归类信息，以增加工厂大数据集归档的精确度、可靠度和速度。

51、在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。