本發(fā)明涉及工業(yè)控制和機(jī)器學(xué)習(xí)領(lǐng)域，尤其涉及一種基于多元異構(gòu)數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)的工廠智能預(yù)警系統(tǒng)。

背景技術(shù)：

在傳統(tǒng)的制造生產(chǎn)領(lǐng)域，制造系統(tǒng)依賴人的判斷過(guò)多，而且此種判斷與特定人員的實(shí)際控制管理經(jīng)驗(yàn)相關(guān)性很大，同時(shí)現(xiàn)有的erp系統(tǒng)無(wú)法高效整合制造過(guò)程中產(chǎn)生的多源異構(gòu)數(shù)據(jù)，以至于生產(chǎn)中的預(yù)警不夠智能，高效。例如，中國(guó)實(shí)用新型專利申請(qǐng)?zhí)?01220224902.x公開(kāi)了一種基于erp系統(tǒng)的機(jī)動(dòng)物資倉(cāng)儲(chǔ)系統(tǒng)，涉及一種物資管理系統(tǒng)，包括erp系統(tǒng)，所述的erp系統(tǒng)通過(guò)網(wǎng)絡(luò)與多個(gè)倉(cāng)庫(kù)的數(shù)據(jù)管理系統(tǒng)通信連接，數(shù)據(jù)管理系統(tǒng)包括入庫(kù)系統(tǒng)、出庫(kù)系統(tǒng)、移庫(kù)系統(tǒng)和預(yù)警系統(tǒng)；入庫(kù)系統(tǒng)掃描入庫(kù)貨物上的條碼將貨物信息記錄在數(shù)據(jù)管理系統(tǒng)中，出庫(kù)系統(tǒng)掃描出庫(kù)貨物上的條碼將貨物信息記錄在數(shù)據(jù)管理系統(tǒng)中并對(duì)貨物數(shù)量進(jìn)行調(diào)整，移庫(kù)系統(tǒng)將所要調(diào)撥的貨物進(jìn)行掃描并通過(guò)數(shù)據(jù)管理系統(tǒng)對(duì)貨物的數(shù)量進(jìn)行調(diào)整，預(yù)警系統(tǒng)監(jiān)控貨物儲(chǔ)備的數(shù)量，低于設(shè)置值時(shí)預(yù)警系統(tǒng)發(fā)出警報(bào)；所述的數(shù)據(jù)管理系統(tǒng)將采集的數(shù)據(jù)通過(guò)網(wǎng)絡(luò)傳至erp系統(tǒng)。

技術(shù)實(shí)現(xiàn)要素：

為了克服現(xiàn)有技術(shù)中的上述缺陷，同時(shí)結(jié)合智能制造的大趨勢(shì)，本發(fā)明提出了一種基于多元異構(gòu)數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)的工廠智能預(yù)警系統(tǒng)。本發(fā)明構(gòu)造一個(gè)可高速挖掘制造過(guò)程中產(chǎn)生的多元異構(gòu)數(shù)據(jù)的關(guān)系并對(duì)生產(chǎn)過(guò)程中的潛在失敗做出預(yù)測(cè)，通過(guò)將多元異構(gòu)數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)相結(jié)合，實(shí)現(xiàn)高效，自主的學(xué)習(xí)和自主預(yù)測(cè)判斷，減少制造過(guò)程中的失敗，減輕人類管理控制負(fù)擔(dān)，降低制造成本，提高生產(chǎn)效率。

本發(fā)明公開(kāi)了一種基于多元異構(gòu)數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)的工廠智能預(yù)警系統(tǒng)，包括：多元異構(gòu)數(shù)據(jù)融合處理模塊，其將制造過(guò)程產(chǎn)生的海量多元異構(gòu)數(shù)據(jù)進(jìn)行融合處理，分類，抽樣，輔助進(jìn)行數(shù)據(jù)的整理；基于循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)的機(jī)器學(xué)習(xí)模塊，其通過(guò)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，根據(jù)當(dāng)前產(chǎn)生的數(shù)據(jù)預(yù)測(cè)制造過(guò)程中可能產(chǎn)生的失敗，系統(tǒng)基于循環(huán)積神經(jīng)網(wǎng)絡(luò)，用于提高系統(tǒng)的預(yù)測(cè)精度，有高度的可擴(kuò)展性，高并發(fā)性，達(dá)到高效的機(jī)器學(xué)習(xí)，精準(zhǔn)預(yù)測(cè)的目的；信息預(yù)警模塊，用于將機(jī)器學(xué)習(xí)模塊產(chǎn)生的預(yù)警信息，精準(zhǔn)分發(fā)給相關(guān)管理人員，達(dá)到高效，及時(shí)的調(diào)整與控制。

本發(fā)明提出的基于多元異構(gòu)數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)的工廠智能預(yù)警系統(tǒng)中，所述多元異構(gòu)數(shù)據(jù)融合處理模塊結(jié)合統(tǒng)計(jì)學(xué)方法技術(shù)，對(duì)待分析的數(shù)據(jù)進(jìn)行融合處理，利用birch算法即平衡迭代削減聚類法，將數(shù)據(jù)分類，利用典型相關(guān)分析(canonicalcorrelationanalysis)方法進(jìn)行相關(guān)性分析，分析傳感器數(shù)據(jù)和可能產(chǎn)生的結(jié)果之間的相關(guān)性，利用simhash算法進(jìn)行非結(jié)構(gòu)數(shù)據(jù)去重，利用xml技術(shù)對(duì)數(shù)據(jù)進(jìn)行統(tǒng)一的結(jié)構(gòu)化定義，統(tǒng)一采集格式，解析格式，存儲(chǔ)格式，實(shí)現(xiàn)數(shù)據(jù)融合。

本發(fā)明提出的基于多元異構(gòu)數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)的工廠智能預(yù)警系統(tǒng)中，所述多元異構(gòu)數(shù)據(jù)融合處理模塊，自動(dòng)收集制造過(guò)程中產(chǎn)生的海量數(shù)據(jù)，進(jìn)行去重，結(jié)構(gòu)化等融合處理，快速提取有用信息。

本發(fā)明提出的基于多元異構(gòu)數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)的工廠智能預(yù)警系統(tǒng)中，所述基于循環(huán)神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模塊,利用循環(huán)神經(jīng)網(wǎng)絡(luò)，引入長(zhǎng)短時(shí)記憶(lstm)單元解決上記憶消失的問(wèn)題，同時(shí)隱含層中的節(jié)點(diǎn)之間采取有連接形式，克服數(shù)據(jù)特征提取困難的缺點(diǎn)，達(dá)到特征的高效提取，引入定向循環(huán)，所謂定向循環(huán)是節(jié)點(diǎn)之間的連接結(jié)構(gòu)，處理輸入之間前后關(guān)聯(lián)的問(wèn)題。

本發(fā)明提出的基于多元異構(gòu)數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)的工廠智能預(yù)警系統(tǒng)中，所述基于循環(huán)神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模塊，利用共軛梯度法訓(xùn)練分布式神經(jīng)網(wǎng)絡(luò)，每個(gè)節(jié)點(diǎn)存儲(chǔ)一個(gè)模型的備份，在各節(jié)點(diǎn)上并行處理數(shù)據(jù)集的不同部分，并在參數(shù)更新時(shí)同步模型參數(shù)到其他節(jié)點(diǎn)，最后組合各個(gè)節(jié)點(diǎn)的輸出結(jié)果，可滿足大規(guī)模高并發(fā)數(shù)據(jù)處理的要求。

本發(fā)明提出的基于多元異構(gòu)數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)的工廠智能預(yù)警系統(tǒng)中，所述基于循環(huán)神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模塊，針對(duì)特征規(guī)?？赡茌^小的情況，引入循環(huán)神經(jīng)網(wǎng)絡(luò)，將特征進(jìn)行合理的擴(kuò)充，同時(shí)引入多層隱含層，完善整體神經(jīng)網(wǎng)絡(luò)體系。

本發(fā)明提出的基于多元異構(gòu)數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)的工廠智能預(yù)警系統(tǒng)中，所述基于循環(huán)神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模塊，通過(guò)對(duì)大規(guī)模制造過(guò)程中產(chǎn)生的數(shù)據(jù)進(jìn)行處理，用共軛梯度法訓(xùn)練所涉及的神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)在訓(xùn)練過(guò)程中自動(dòng)調(diào)整完善神經(jīng)網(wǎng)絡(luò)。

本發(fā)明提出的基于多元異構(gòu)數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)的工廠智能預(yù)警系統(tǒng)中，所述實(shí)時(shí)信息預(yù)警模塊利用預(yù)測(cè)分析結(jié)果，精準(zhǔn)分發(fā)到相關(guān)管理人員；實(shí)現(xiàn)對(duì)問(wèn)題及時(shí)反應(yīng)，動(dòng)態(tài)調(diào)整控制。

本發(fā)明提出的基于多元異構(gòu)數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)的工廠智能預(yù)警系統(tǒng)，實(shí)現(xiàn)將深度學(xué)習(xí)技術(shù)應(yīng)用到生產(chǎn)制造過(guò)程中的失敗預(yù)警，可在數(shù)秒內(nèi)對(duì)制造過(guò)程中的多元異構(gòu)數(shù)據(jù)進(jìn)行相關(guān)性分析，快速做出判斷，評(píng)估系統(tǒng)的安全性。同時(shí)，系統(tǒng)可以對(duì)千萬(wàn)級(jí)的非結(jié)構(gòu)化多元數(shù)據(jù)文件進(jìn)行學(xué)習(xí)，不斷調(diào)整，提高系統(tǒng)自演化能力，使預(yù)測(cè)更加趨向準(zhǔn)確可靠。

本發(fā)明的有益效果在于：基于循環(huán)神經(jīng)網(wǎng)絡(luò)，系統(tǒng)將不斷學(xué)習(xí)大量數(shù)據(jù)，使預(yù)測(cè)更加準(zhǔn)確，靈活。避免制造過(guò)程中的失敗，減輕人類管理的負(fù)擔(dān)，降低制造成本。本發(fā)明的有益效果還在于：基于循環(huán)神經(jīng)網(wǎng)絡(luò)，系統(tǒng)更靈活自動(dòng)演化，隨著工廠預(yù)警需要的變化而調(diào)整。增加制造柔性，實(shí)現(xiàn)更高階的智能化。

附圖說(shuō)明

通過(guò)閱讀下文優(yōu)選實(shí)施方式的詳細(xì)描述，各種其他的優(yōu)點(diǎn)和益處對(duì)于本領(lǐng)域普通技術(shù)人員將變得清楚明了。附圖僅用于示出優(yōu)選實(shí)施方式的目的，而并不認(rèn)為是對(duì)本發(fā)明的限制。而且在整個(gè)附圖中，用相同的參考符號(hào)表示相同的部件。在附圖中：

圖1是本發(fā)明基于多元異構(gòu)數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)的工廠智能預(yù)警系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將參照附圖更詳細(xì)地描述本公開(kāi)的示例性實(shí)施方式。雖然附圖中顯示了本公開(kāi)的示例性實(shí)施方式，然而應(yīng)當(dāng)理解，可以以各種形式實(shí)現(xiàn)本公開(kāi)而不應(yīng)被這里闡述的實(shí)施方式所限制。相反，提供這些實(shí)施方式是為了能夠更透徹地理解本公開(kāi)，并且能夠?qū)⒈竟_(kāi)的范圍完整的傳達(dá)給本領(lǐng)域的技術(shù)人員。

本發(fā)明構(gòu)造一個(gè)可高速分析處理制造過(guò)程實(shí)時(shí)數(shù)據(jù)的預(yù)警系統(tǒng)，通過(guò)以現(xiàn)有數(shù)據(jù)為基礎(chǔ)，訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)，得到特定的神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型，對(duì)新產(chǎn)生的數(shù)據(jù)進(jìn)行最快的分析預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果指導(dǎo)制造過(guò)程,通過(guò)多元異構(gòu)數(shù)據(jù)處理技術(shù)和深度學(xué)習(xí)技術(shù)的結(jié)合，實(shí)現(xiàn)對(duì)生產(chǎn)過(guò)程涉及的多元異構(gòu)數(shù)據(jù)進(jìn)行智能分析處理。

如圖1，本發(fā)明基于多元異構(gòu)數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)的工廠智能預(yù)警系統(tǒng)，多元異構(gòu)數(shù)據(jù)融合處理模塊(1)，及時(shí)收集工廠各子系統(tǒng)產(chǎn)生的數(shù)據(jù)，并基于xml技術(shù)進(jìn)行去重，結(jié)構(gòu)化，歸一化，等處理；基于循環(huán)神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模塊(2)，基于循環(huán)神經(jīng)網(wǎng)絡(luò)，用多元異構(gòu)數(shù)據(jù)處理產(chǎn)生的數(shù)據(jù)，用共軛梯度法進(jìn)行訓(xùn)練學(xué)習(xí)，不斷調(diào)整參數(shù)，產(chǎn)生關(guān)于故障數(shù)據(jù)，故障現(xiàn)象的神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型，用于對(duì)后續(xù)生產(chǎn)制造系統(tǒng)中產(chǎn)生的多元異構(gòu)數(shù)據(jù)進(jìn)行分析，并做出預(yù)測(cè)，產(chǎn)生預(yù)警信息和建議決策信息；信息預(yù)警模塊(3)，通過(guò)機(jī)器學(xué)習(xí)模塊(2)產(chǎn)生的分析結(jié)果智能推送提醒相關(guān)管理人員，達(dá)到協(xié)助決策管理工廠的目的。

其中，多元異構(gòu)數(shù)據(jù)融合處理模塊(1)，利用birch算法即平衡迭代削減聚類法，將數(shù)據(jù)分類，利用典型相關(guān)分析(canonicalcorrelationanalysis)方法進(jìn)行相關(guān)性分析，分析傳感器數(shù)據(jù)和可能產(chǎn)生的結(jié)果之間的相關(guān)性，利用simhash算法進(jìn)行非結(jié)構(gòu)數(shù)據(jù)去重，利用xml技術(shù)對(duì)數(shù)據(jù)進(jìn)行統(tǒng)一的結(jié)構(gòu)化定義，統(tǒng)一采集格式，解析格式，存儲(chǔ)格式，實(shí)現(xiàn)數(shù)據(jù)融合。

多元異構(gòu)數(shù)據(jù)融合處理模塊(1)，利用機(jī)器學(xué)習(xí)技術(shù)，所處理的數(shù)據(jù)為制造過(guò)程中產(chǎn)生的多元異構(gòu)數(shù)據(jù)，特點(diǎn)為：多元，異構(gòu)，實(shí)時(shí)。

基于循環(huán)神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模塊(2)，利用循環(huán)神經(jīng)網(wǎng)絡(luò)，引入長(zhǎng)短時(shí)記憶(lstm)單元解決上記憶消失的問(wèn)題，同時(shí)隱含層中的節(jié)點(diǎn)之間采取有連接形式，克服數(shù)據(jù)特征提取困難的缺點(diǎn)，達(dá)到特征的高效提取，引入定向循環(huán)，所謂定向循環(huán)是節(jié)點(diǎn)之間的連接結(jié)構(gòu)，處理輸入之間前后關(guān)聯(lián)的問(wèn)題。

基于循環(huán)神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模塊(2)，利用共軛梯度法訓(xùn)練分布式神經(jīng)網(wǎng)絡(luò)，每個(gè)節(jié)點(diǎn)存儲(chǔ)一個(gè)模型的備份，在各節(jié)點(diǎn)上并行處理數(shù)據(jù)集的不同部分，并在參數(shù)更新時(shí)同步模型參數(shù)到其他節(jié)點(diǎn)，最后組合各個(gè)節(jié)點(diǎn)的輸出結(jié)果，可滿足大規(guī)模高并發(fā)數(shù)據(jù)處理的要求。

信息預(yù)警模塊(3)，將機(jī)器學(xué)習(xí)模塊(2)產(chǎn)生的分析結(jié)果(包括可能發(fā)生的故障、失敗，以及該避免該故障通常采取的措施)，智能推送提醒相關(guān)管理人員，建立特定緊急情況和特定備案措施的對(duì)應(yīng)關(guān)系(可以是人工提前制定的備案措施，也可以是機(jī)器學(xué)習(xí)模塊分析得到的以往通常采取的措施)，一旦發(fā)生，向控制機(jī)構(gòu)發(fā)送相應(yīng)控制指令，實(shí)現(xiàn)自動(dòng)響應(yīng)。達(dá)到減緩人類判斷處理的壓力，降低生產(chǎn)制造成本。

本發(fā)明基于多元異構(gòu)數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)的工廠智能預(yù)警系統(tǒng)，實(shí)現(xiàn)將深度學(xué)習(xí)技術(shù)應(yīng)用于制造過(guò)程中的潛在威脅預(yù)警，可在數(shù)秒內(nèi)對(duì)生產(chǎn)制造過(guò)程中產(chǎn)生的海量實(shí)時(shí)數(shù)據(jù)進(jìn)行分析預(yù)測(cè)，做出預(yù)警提示。同時(shí)，由于系統(tǒng)采用循環(huán)神經(jīng)網(wǎng)絡(luò)可以隨時(shí)訓(xùn)練神經(jīng)網(wǎng)絡(luò)調(diào)整參數(shù)適應(yīng)不同的生產(chǎn)制造場(chǎng)景需求。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以所述權(quán)利要求的保護(hù)范圍為準(zhǔn)。