一种工业互联网数据获取方法、系统、终端及储存介质与流程

本公开涉及数据处理、人工智能领域，并且更具体地，涉及一种工业互联网数据获取方法、系统、终端及储存介质。

背景技术：

1、在工业领域，越来越多的企业开始认识到数字化转型的重要性，而工业互联网作为数字化转型的关键手段之一，可以实现生产过程的数字化、智能化和自动化，从而提高企业的竞争力和生产效率。其中，物联网技术的成熟应用对工业互联网数据获取起到了重要推动作用。通过将传感器、设备、产品等与互联网连接，工业企业可以实时采集和传输生产过程中的各种物理信号和数据。这些数据包括生产环境的温度、湿度、压力等信息，设备的运行状态、能耗等指标，甚至是产品的质量参数等。通过物联网技术，这些数据可以实时、准确地被获取，为后续的分析和决策提供支持。

2、同时，大数据技术的兴起也为工业互联网数据获取带来了机遇。工业互联网通过收集和分析大量的工业数据，可以挖掘出隐藏在数据中的规律和洞察，为企业提供更准确、实时的决策支持。这些数据可以包括生产过程中的实时监测数据、历史记录、设备维修日志等，通过对这些数据进行分析，企业可以了解生产过程中存在的问题和潜在的优化空间，从而提高工作效率和质量水平。

3、为了提高数据采集、分析的效率和实时性，在数据获取的过程中，直接加入数据分析，实现生产过程的智能化、自动化和优化，该过程往往借助人工智能进行赋能。采用训练完成的人工智能网络，识别生产线监测的数据是否包含异常状态是主要的应用。保证人工智能网络的识别精度是主要的研究方向。

技术实现思路

1、有鉴于此，本技术实施例提供一种工业互联网数据获取方法、系统、终端及储存介质。

2、根据本公开实施例的一个方面，提供了一种工业互联网数据获取方法，应用于数据获取终端，所述方法包括：

3、获取拟进行状态识别的目标工业生产线的拟识别生产监测数据集；

4、获取所述拟识别生产监测数据集的表征载体挖掘参变量，其中，所述表征载体挖掘参变量通过工业生产线模板的工业生产线异常状态数据集、通过所述工业生产线异常状态数据集构建的第一异常状态增强数据集、以及通过所述第一异常状态增强数据集的推理结果与所述工业生产线异常状态数据集的推理结果生成的相似性代价函数进行调试以获得；

5、通过所述表征载体挖掘参变量，对所述拟识别生产监测数据集进行表征载体挖掘，获得所述拟识别生产监测数据集的数据集状态表征载体；

6、通过所述数据集状态表征载体进行推理，获得所述拟进行状态识别的目标工业生产线的生产状态识别结果；

7、基于所述生产状态识别结果，将所述目标工业生产线进行状态标记；

8、其中，所述表征载体挖掘参变量通过以下步骤进行调试获得：

9、通过预设生产状态识别网络中的表征载体挖掘模块，针对学习样例数据库中的各生产监测数据集学习样例进行表征载体挖掘，获得所述各生产监测数据集学习样例的学习样例表征载体，其中，所述学习样例数据库包括工业生产线异常状态数据集、以及通过所述工业生产线异常状态数据集构建的第一异常状态增强数据集；

10、通过所述预设生产状态识别网络中的推理分类模块，通过所述各生产监测数据集学习样例的学习样例表征载体进行推理，获得所述各生产监测数据集学习样例的推理结果，其中，所述各生产监测数据集学习样例的推理结果包括所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果；

11、通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值，确定所述预设生产状态识别网络的合并代价值；

12、通过所述合并代价值对所述预设生产状态识别网络的网络内部配置变量进行优化，直到满足设置的调试截止要求时，将所述预设生产状态识别网络作为调试完成的生产状态识别网络；

13、获取所述调试完成的生产状态识别网络中的表征载体挖掘模块的网络内部配置变量，确定为所述表征载体挖掘参变量。

14、根据本公开实施例的一个示例，其中，所述学习样例数据库还包括工业生产线常态数据集、以及通过所述工业生产线常态数据集构建的第二异常状态增强数据集，所述各生产监测数据集学习样例的推理结果还包括所述工业生产线常态数据集的推理结果和所述第二异常状态增强数据集的推理结果；

15、所述通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值，确定所述预设生产状态识别网络的合并代价值，包括：

16、通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果，获取所述预设生产状态识别网络的第一相似性代价值；

17、通过所述工业生产线常态数据集的推理结果和所述第二异常状态增强数据集的推理结果，获取所述预设生产状态识别网络的第二相似性代价值；

18、通过所述第一相似性代价值和所述第二相似性代价值，确定所述合并代价值。

19、根据本公开实施例的一个示例，其中，所述通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值，确定所述预设生产状态识别网络的合并代价值，包括：

20、通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果，获取所述预设生产状态识别网络的第一相似性代价值；

21、通过所述第一异常状态增强数据集的推理结果和所述第一异常状态增强数据集的指示信息，获取所述第一异常状态增强数据集的第一推理分类代价值；

22、通过所述第一相似性代价值和所述第一推理分类代价值，确定所述合并代价值。

23、根据本公开实施例的一个示例，其中，所述学习样例数据库还包括通过工业生产线常态数据集构建的第二异常状态增强数据集，所述各生产监测数据集学习样例的推理结果还包括所述第二异常状态增强数据集的推理结果；所述通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值，确定所述预设生产状态识别网络的合并代价值，包括：

24、通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果，获取所述预设生产状态识别网络的第一相似性代价值；

25、通过所述第二异常状态增强数据集的推理结果和所述第二异常状态增强数据集的指示信息，获取所述第二异常状态增强数据集的第二推理分类代价值；

26、通过所述第一相似性代价值和所述第二推理分类代价值，确定所述合并代价值。

27、根据本公开实施例的一个示例，其中，所述学习样例数据库还包括所述第一异常状态增强数据集与第二异常状态增强数据集合并得到的整合数据集，所述第二异常状态增强数据集通过工业生产线常态数据集生成，所述各生产监测数据集学习样例的推理结果还包括所述整合数据集的推理结果；所述通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果之间的第一相似性代价值，确定所述预设生产状态识别网络的合并代价值，包括：

28、通过所述工业生产线异常状态数据集的推理结果和所述第一异常状态增强数据集的推理结果，获取所述预设生产状态识别网络的第一相似性代价值；

29、通过所述整合数据集的推理结果和所述整合数据集的指示信息，获取所述整合数据集的第三推理分类代价值，其中，所述整合数据集的指示信息的数值位于所述工业生产线异常状态数据集的指示信息与所述工业生产线常态数据集的指示信息之间；

30、通过所述第一相似性代价值和所述第三推理分类代价值，确定所述合并代价值。

31、根据本公开实施例的一个示例，其中，所述通过所述数据集状态表征载体进行推理，获得所述拟进行状态识别的目标工业生产线的生产状态识别结果，包括：

32、获取所述调试完成的生产状态识别网络中的推理分类模块的网络内部配置变量，确定为所述拟识别生产监测数据集的推理参变量；

33、通过所述推理参变量，通过所述数据集状态表征载体进行推理，获得所述拟进行状态识别的目标工业生产线的生产状态识别结果。

34、根据本公开实施例的一个示例，其中，所述生产状态识别结果包括所述拟进行状态识别的目标工业生产线是异常状态工业生产线，所述通过所述数据集状态表征载体进行推理，获得所述拟进行状态识别的目标工业生产线的生产状态识别结果，包括：

35、通过所述数据集状态表征载体进行推理，获得所述拟进行状态识别的目标工业生产线为异常状态工业生产线的推理置信度；

36、如果所述推理置信度大于预设置信度参考值，则确定所述拟进行状态识别的目标工业生产线是异常状态工业生产线。

37、根据本公开实施例的另一方面，提供了一种数据获取系统，包括数据获取终端和至少一个数据采集终端，所述至少一个数据采集终端用于采集目标工业生产线的拟识别生产监测数据集，并发送至所述数据获取终端，所述数据获取终端包括：

38、处理器；

39、以及存储器，其中所述存储器中存储有计算机程序，所述计算机程序在由所述处理器运行时，使得所述处理器执行如上所述的方法。

40、根据本公开实施例的又一方面，提供了一种数据获取终端，包括：

41、处理器；

42、以及存储器，其中所述存储器中存储有计算机程序，所述计算机程序在由所述处理器运行时，使得所述处理器执行如上所述的方法。

43、根据本公开实施例的再一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序包括程序指令，当处理器执行所述程序指令时，执行以上所述的方法，

44、本技术至少包括的有益效果：

45、本技术实施例提供的工业互联网数据获取方法、系统、终端及储存介质，通过工业生产线模板的工业生产线异常状态数据集、通过工业生产线异常状态数据集构建的第一异常状态增强数据集、以及通过第一异常状态增强数据集的推理结果与工业生产线异常状态数据集的推理结果生成的相似性代价函数进行调试以获得的表征载体挖掘参变量，对拟识别生产监测数据集进行表征载体挖掘，获得拟识别生产监测数据集的数据集状态表征载体；通过数据集状态表征载体进行推理，获得拟进行状态识别的目标工业生产线的生产状态识别结果，基于生产状态识别结果，将目标工业生产线进行状态标记。首先，由于通过工业生产线异常状态数据集构建的第一异常状态增强数据集调试获得表征载体挖掘参变量，在原始工业生产线模板的异常生产状态监测数据集外，还可以增加完善学习样例，以令调试获得的表征载体挖掘参变量具有更好的泛化效果。此外，由于第一相似性代价值可以令工业生产线异常状态数据集与第一异常状态增强数据集的推理结果更近，以令算法可以使得生产线具有异常生产状态的同类特征信息之间聚拢，以令异常生产类型的生产线监测数据集的特征散布在更小的范围中，使得异常生产状态的生产监测数据集在状态识别分类时难度降低，提高生产状态识别的准确度。那么，通过表征载体挖掘参变量获取拟识别生产监测数据集的数据集状态表征载体用于推理获得拟进行状态识别的目标工业生产线的生产状态识别结果，能够增加生产线异常状态监测的精度；可以有效缓解调试过程效果优异，应用环节泛化效果差的情况。

46、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本技术的技术方案。