本發(fā)明涉及智能推理領(lǐng)域，尤其是面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建方法及系統(tǒng)。

背景技術(shù)：

1、隨著離散制造工業(yè)迎來數(shù)字化轉(zhuǎn)型時代，數(shù)據(jù)驅(qū)動的智能推理成為提升生產(chǎn)效率和質(zhì)量、降低能耗的關(guān)鍵。在離散制造工業(yè)中，數(shù)據(jù)可能來自多個源頭，包括傳感器、設(shè)備、生產(chǎn)線等，而且在制造環(huán)境中，許多決策需要實時響應(yīng)，而不僅僅是對歷史數(shù)據(jù)的分析。工業(yè)環(huán)境中的條件也可能在不斷變化，需要推理系統(tǒng)能夠在不斷變化的環(huán)境中持續(xù)優(yōu)化性能，以適應(yīng)新的工藝和要求。制造業(yè)往往涉及復(fù)雜的生產(chǎn)過程，涉及多個環(huán)節(jié)和階段，所以，離散制造工業(yè)數(shù)據(jù)具有多源異構(gòu)，海量，高維，多尺度，多時空，實時性要求高等特點，建立準(zhǔn)確的模型來推理這些復(fù)雜過程非常具有挑戰(zhàn)性。

2、傳統(tǒng)的數(shù)據(jù)智能推理的方法一般較為靜態(tài)、簡單，難以靈活地適應(yīng)動態(tài)變化的環(huán)境和問題。對于實時性要求高的應(yīng)用場景，傳統(tǒng)方法可能顯得不夠靈活，針對某種單一類型的工業(yè)數(shù)據(jù)表現(xiàn)較好，但如果數(shù)據(jù)來源為多源數(shù)據(jù)或者多時空多尺度數(shù)據(jù)，則需要不斷地手動更新規(guī)則和邏輯或者選擇更合適的模型，這使得基于傳統(tǒng)模型的數(shù)據(jù)推理顯得不夠靈活。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：本發(fā)明的目的是提供一種基于強化學(xué)習(xí)的混成模型構(gòu)建方法及系統(tǒng)，用于離散制造工業(yè)數(shù)據(jù)智能推理，以解決離散制造工業(yè)數(shù)據(jù)多源異構(gòu)、多尺度的問題。

2、技術(shù)方案：本發(fā)明所述的面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建方法，包括如下步驟：

3、實時采集離散制造工業(yè)數(shù)據(jù)并進行特征提取，得到特征向量；

4、將所述特征數(shù)據(jù)分別通過第一模型和第二模型得到第一輸出和第二輸出；

5、將所述第一輸出和第二輸出加權(quán)求和，得到工業(yè)數(shù)據(jù)的混成模型；

6、所述第一模型用于在離散空間中得到所述特征數(shù)據(jù)的一條擬合曲線，所述第二模型用于以決策樹為弱學(xué)習(xí)器對所述特征數(shù)據(jù)進行集成學(xué)習(xí)。

7、進一步地，所述第一模型對于每個輸入的特征向量計算輸出，其中代表工業(yè)損耗，為輸入向量的權(quán)重向量，為高維特征空間，為輸入的特征向量，；

8、通過最小化求解得到和，求解過程中滿足約束條件：

9、；

10、其中，為懲罰項，為樣本的實際目標(biāo)值，為權(quán)重向量，為可容忍誤差的閾值，為松弛變量。

11、進一步地，所述第二模型對于每個輸入的特征向量計算輸出，，其中k為弱學(xué)習(xí)器數(shù)量，r為離散制造工業(yè)數(shù)據(jù)原始特征空間，為輸入的特征向量，；為r中的函數(shù)，代表的是訓(xùn)練的第 k棵樹的模型；

12、所述第二模型的目標(biāo)函數(shù)為，通過迭代地添加樹模型，以最小化目標(biāo)函數(shù)；其中l(wèi)oss為離散制造工業(yè)數(shù)據(jù)集損耗，m和為決策樹子節(jié)點數(shù)量及其權(quán)重， c為懲罰系數(shù)。

13、進一步地，所述混成模型為，其中為第一輸出，為第一輸出的權(quán)重，為第二輸出，為第二輸出的權(quán)重。

14、進一步地，利用最小二乘權(quán)值融合法計算所述第一輸出的權(quán)重和第二輸出的權(quán)重。

15、進一步地，采用r2指標(biāo)對所述混成模型的參數(shù)進行評價。

16、本發(fā)明所述的面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建系統(tǒng)，包括：

17、特征提取單元，用于實時采集離散制造工業(yè)數(shù)據(jù)并進行特征提取，得到特征向量；

18、數(shù)據(jù)處理單元，用于將所述特征數(shù)據(jù)分別通過第一模型和第二模型得到第一輸出和第二輸出；所述第一模型用于在離散空間中得到所述特征數(shù)據(jù)的一條擬合曲線，所述第二模型用于以決策樹為弱學(xué)習(xí)器對所述特征數(shù)據(jù)進行集成學(xué)習(xí)；

19、混成模型建立單元，用于將所述第一輸出和第二輸出加權(quán)求和，得到工業(yè)數(shù)據(jù)的混成模型。

20、進一步地，所述第一模型對于每個輸入的特征向量計算輸出，其中代表工業(yè)損耗，為輸入向量的權(quán)重向量，為高維特征空間，為輸入的特征向量，；

21、通過最小化求解得到和，求解過程中滿足約束條件：

22、；

23、其中，為懲罰項，為樣本的實際目標(biāo)值，為權(quán)重向量，為可容忍誤差的閾值，為松弛變量；

24、所述第二模型對于每個輸入的特征向量計算輸出，，其中k為弱學(xué)習(xí)器數(shù)量，r為離散制造工業(yè)數(shù)據(jù)原始特征空間，為輸入的特征向量，；為r中的函數(shù)，代表的是訓(xùn)練的第 k棵樹的模型；

25、所述第二模型的目標(biāo)函數(shù)為，通過迭代地添加樹模型，以最小化目標(biāo)函數(shù)；其中l(wèi)oss為離散制造工業(yè)數(shù)據(jù)集損耗，m和為決策樹子節(jié)點數(shù)量及其權(quán)重， c為懲罰系數(shù)。

26、本發(fā)明所述的電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述計算機程序被加載至處理器時實現(xiàn)所述的面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建方法。

27、本發(fā)明所述的計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述的面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建方法。

28、有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點在于：本發(fā)明提出了將離散制造工業(yè)數(shù)據(jù)分別通過兩種模型，應(yīng)用最小二乘權(quán)值融合法，輸出得到離散制造工業(yè)數(shù)據(jù)智能推理的混成模型，相交傳統(tǒng)的數(shù)據(jù)智能推理方法，更夠適應(yīng)動態(tài)變化的環(huán)境和問題，更加滿足離散制造業(yè)復(fù)雜多變的業(yè)務(wù)場景需求。

技術(shù)特征：

1.一種面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建方法，其特征在于，所述第一模型對于每個輸入的特征向量計算輸出，其中代表工業(yè)損耗，為輸入向量的權(quán)重向量，為高維特征空間，為輸入的特征向量，；

3.根據(jù)權(quán)利要求1所述的面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建方法，其特征在于，所述第二模型對于每個輸入的特征向量計算輸出，，其中k為弱學(xué)習(xí)器數(shù)量，r為離散制造工業(yè)數(shù)據(jù)原始特征空間，為輸入的特征向量，；為r中的函數(shù)，代表的是訓(xùn)練的第k棵樹的模型；

4.根據(jù)權(quán)利要求1所述的面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建方法，其特征在于，所述混成模型為，其中為第一輸出，為第一輸出的權(quán)重，為第二輸出，為第二輸出的權(quán)重。

5.根據(jù)權(quán)利要求4所述的面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建方法，其特征在于，利用最小二乘權(quán)值融合法計算所述第一輸出的權(quán)重和第二輸出的權(quán)重。

6.根據(jù)權(quán)利要求1所述的面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建方法，其特征在于，采用r2指標(biāo)對所述混成模型的參數(shù)進行評價。

7.一種面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建系統(tǒng)，其特征在于，包括：

8.根據(jù)權(quán)利要求7所述的面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建系統(tǒng)，其特征在于，所述第一模型對于每個輸入的特征向量計算輸出，其中代表工業(yè)損耗，為輸入向量的權(quán)重向量，為高維特征空間，為輸入的特征向量，；

9.一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述計算機程序被加載至處理器時實現(xiàn)根據(jù)權(quán)利要求1-6任一項所述的面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建方法。

10.一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)根據(jù)權(quán)利要求1-6任一項所述的面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建方法。

技術(shù)總結(jié)
本發(fā)明公開了一種面向離散制造的工業(yè)數(shù)據(jù)混成模型構(gòu)建方法及系統(tǒng)，該方法首先實時采集離散制造工業(yè)數(shù)據(jù)并進行特征提取，得到特征向量，然后將特征數(shù)據(jù)分別通過第一模型和第二模型得到第一輸出和第二輸出；將第一輸出和第二輸出加權(quán)求和，得到工業(yè)數(shù)據(jù)的混成模型；第一模型用于在離散空間中得到所述特征數(shù)據(jù)的一條擬合曲線，所述第二模型用于以決策樹為弱學(xué)習(xí)器對所述特征數(shù)據(jù)進行集成學(xué)習(xí)。本發(fā)明能夠針對離散制造業(yè)的業(yè)務(wù)場景復(fù)雜多變這一特性，提高了數(shù)據(jù)智能推理的靈活性。

技術(shù)研發(fā)人員：楊海根,張曉林,戴爾晗,葛艷,劉佶鑫,曾凡玉
受保護的技術(shù)使用者：南京郵電大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/14