一种基于工厂对象位置的运营设备编码相似性关联方法与流程

本发明涉及数据匹配领域，尤其涉及一种基于工厂对象位置的运营设备编码相似性关联方法。

背景技术：

1、在现代工厂的管理流程中，运营设备编码作为工厂实物资产管理的唯一标识，建立设备编号是工厂对象管理中必不可少的环节，目前在工程项目实物交接阶段，普遍采用的是手工方式建立工厂设备编号，一般要编码半年以上，存在耗时久且容易出错的问题。当某个新产线或设备编码时，由于对设备认识不同，具体设备的设备编号对应的生产线、大型装置或者一个大型装置上的部件对应的设备号，不同的人编码存在主观性，经常出现相同或相似产线、装备的编码颗粒度不同，局部设备或零件编码过细，关键设备或零部件编码缺失等现象，从而制约了后续资产管理、设备管理精细化，现场维护、备件采购的标准化。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种基于工厂对象位置的运营设备编码相似性关联方法解决了现有技术中存在的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：一种基于工厂对象位置的运营设备编码相似性关联方法，包括：

3、获取待关联工厂对象的位号信息，所述位号信息包括工厂对象位置以及工厂对象名称，所述工厂对象位置用于表征工厂对象在工厂中的具体工艺功能位置；

4、基于存量工厂对象对应的运营设备编码，对所述待关联工厂对象对应的工厂对象位置信息进行匹配，得到匹配结果，所述匹配结果用于表征采用工厂对象位置匹配到的存量工厂对象对应的运营设备编码；

5、将匹配结果中的运营设备编码与待关联工厂对象的工厂对象名称位置信息进行关联，得到相似性关联结果。

6、在一种可能的实施方式中，还包括：

7、重复获取多次相似性关联结果，并获取每种相似性关联结果的出现次数，按出现次数从大到小的顺序将相似性关联结果展示给用户；

8、接收用户人机交互所产生的相似性关联结果选择指令，并根据相似性关联结果选择指令确定目标相似性关联结果；

9、将目标相似性关联结果作为待关联工厂对象对应的最终相似性关联结果，并将最终相似性关联结果存储至数据库。

10、在一种可能的实施方式中，基于存量工厂对象对应的运营设备编码，对所述待关联工厂对象对应的工厂对象位置进行匹配，得到匹配结果，包括：

11、采用神经网络构建工厂对象位置与运营设备编码匹配模型；

12、从数据库中提取存量工厂对象对应的工厂对象位置，得到样本工厂对象位置；

13、从数据库中提取存量工厂对象对应的运营设备编码，得到样本运营设备编码；

14、以样本工厂对象位置以及样本工厂对象位置对应的样本运营设备编码构建训练数据集；

15、采用训练数据集对工厂对象位置与运营设备编码匹配模型进行训练，获取训练完成的工厂对象位置与运营设备编码匹配模型；

16、以待关联工厂对象对应的工厂对象位置作为训练完成的工厂对象位置与运营设备编码匹配模型的输入数据，获取工厂对象位置与运营设备编码匹配模型的输出数据，并将该输出数据作为匹配结果。

17、在一种可能的实施方式中，采用训练数据集对工厂对象位置与运营设备编码匹配模型进行训练，获取训练完成的工厂对象位置与运营设备编码匹配模型，包括：

18、将训练数据集中的样本工厂对象位置进行字符转换，得到样本工厂对象位置对应的样本位置字符串；

19、将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据，将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据，采用改进粒子群优化算法对工厂对象位置与运营设备编码匹配模型的参数进行更新，获取训练完成的工厂对象位置与运营设备编码匹配模型。

20、在一种可能的实施方式中，将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据，将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据，采用改进粒子群优化算法对工厂对象位置与运营设备编码匹配模型的参数进行更新，包括：

21、a1、初始化粒子的位置以及速度，所述粒子的位置用于表征工厂对象位置与运营设备编码匹配模型对应的网络参数，所述粒子的速度用于表征工厂对象位置与运营设备编码匹配模型对应的网络参数所对应的迭代步长，且所述粒子的位置位于预先设定的第一阈值范围中，所述粒子的速度位于预先设定的第二阈值范围中；

22、a2、多次重复步骤a1的操作，获取包含多个粒子的粒子群，并设置初始温度以及令当前温度为初始温度；

23、a3、将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据，将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据，获取粒子群中每个粒子对应的适应度值fi，并根据适应度值fi获取粒子群在当前更新轮数的全局最优值gbest以及每个粒子在当前更新轮数的个体最优值pibest；个体最优值pibest表示粒子个体pi在多轮迭代中产生的最优值，全局最优值gbest表示所有粒子个体中的最优值；i＝1,2,...,i，i表示粒子群中粒子个体总数；

24、a4、判断当前温度是否小于设定阈值，若是，则训练结束，将全局最优值作为工厂对象位置与运营设备编码匹配模型的最终网络参数，否则进行a5；

25、a5、判断粒子群中的粒子pi的适应度是否大于全局最优值gbest的适应度fbest，若是，则将全局最优值gbest更新为该粒子pi，并进入步骤a6，否则根据适应度以及适应度fbest获取更新概率，并基于该更新概率对全局最优值gbest进行更新，进入步骤a6；

26、a6、根据所述个体最优值pibest以及全局最优值gbest对粒子的位置以及速度进行更新；

27、a7、进行退火操作，并重新获取粒子群中每个粒子对应的适应度值fi，根据适应度值fi获取每个粒子在当前更新轮数的个体最优值pibest，并返回步骤a4。

28、在一种可能的实施方式中，将样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据，将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据，获取粒子群中每个粒子对应的适应度值fi，并根据适应度值fi获取粒子群在当前更新轮数的全局最优值gbest以及每个粒子在当前更新轮数的个体最优值pibest，包括：

29、a31、将粒子的当前位置带入工厂对象位置与运营设备编码匹配模型中，并以样本位置字符串作为工厂对象位置与运营设备编码匹配模型的输入数据，获取工厂对象位置与运营设备编码匹配模型的实际输出数据；

30、a32、将样本运营设备编码作为工厂对象位置与运营设备编码匹配模型的期望输出数据，并结合实际输出数据以及实际输出数据，获取工厂对象位置与运营设备编码匹配模型的损失函数值；

31、a33、取工厂对象位置与运营设备编码匹配模型的损失函数值的倒数作为适应度值；

32、a34、根据步骤a31-步骤a33所述方法，获取粒子群中每个粒子对应的适应度值fi；

33、a35、针对单个粒子，判断粒子在当前训练轮数的适应度值fi是否大于其个体最优值pibest对应的适应度值，若是，则采用粒子的当前位置对个体最优值pibest进行更新，否则保持个体最优值pibest不变；其中，训练轮数为1时，个体最优值pibest为粒子的初始位置；

34、a36、若训练轮数为1，则粒子群中适应度最大的粒子对应的位置作为当前更新轮数的全局最优值gbest；若训练轮数大于1，则保持当前更新轮数的全局最优值gbest不变。

35、在一种可能的实施方式中，根据适应度以及适应度fbest获取更新概率，并基于该更新概率对全局最优值gbest进行更新，包括：

36、获取适应度减去适应度fbest的差值为δf，并根据该差值δf获取更新概率为：其中，exp表示以自然常数e为底的指数函数，k表示玻尔兹曼常数，t表示当前温度；

37、以更新概率为基础，并采用轮盘赌策略对全局最优值gbest进行更新。

38、在一种可能的实施方式中，根据所述个体最优值pibest以及全局最优值gbest对粒子的位置以及速度进行更新，包括：

39、

40、

41、其中，表示粒子pi在第k轮训练时速度中的第j维元素，表示更新后的wi表示粒子pi对应的自适应权重，c1表示第一学习因子，c2表示第二学习因子，r1和r2均表示[0,1]之间的随机数，pibest,j表示粒子pi对应的个体最优值pibest中的第j维元素，gbest,j表示全局最优值gbest中的第j维元素，表示粒子pi在第k轮训练时位置中的第j维元素，表示更新后的j＝1,2,...,j，j表示速度或者位置的总维数。

42、在一种可能的实施方式中，所述自适应权重wi为：

43、

44、其中，wmax表示权重的最大值，wmin表示权重的最小值，favg表示整个粒子群的平均适应度值。

45、在一种可能的实施方式中，进行退火操作，包括：

46、tk+1＝λtk

47、其中，tk表示退火前的温度，tk+1表示退火后的温度，λ表示退火因子。

48、本发明提供的一种基于工厂对象位置的运营设备编码相似性关联方法，以存量设备的运营设备编码以及设备位置作为训练数据，对神经网络模型进行训练，从而使神经网络模型具备采用设备位置匹配对应运营设备编码的能力，有效地提高了工作效率。