[发明专利]基于工业互联网和智能制造的数据处理方法及系统

权利要求书

1.一种基于工业互联网和智能制造的数据处理方法，其特征在于，该方法包括：

基于历史传感器数据和数据异常阈值，计算当前时刻每个传感器数据的重要程度；

基于所述重要程度对传感器数据进行排序分组，基于自编码网络，按组进行传感器数据的压缩与传输；每组中在前传感器数据重要于在后传感器数据；每组中数据的个数为自编码网络输入层和输出层中神经元的个数；

其中，为自编码网络输入层和输出层的神经元设置位置惩罚系数，位置在前神经元的位置惩罚系数大于位置在后神经元的位置惩罚系数；基于位置惩罚系数对均方误差损失函数进行改进后监督自编码网络的训练；

当前时刻每个传感器数据重要程度的获取具体为：

根据当前时刻与历史相邻时刻的传感器数据获取当前数据变化量；当前数据变化量与历史的数据变化量均值的比值为当前时刻传感器数据的突变程度；

当前时刻传感器数据与数据异常阈值进行比较，获取当前时刻传感器数据的异常程度；

根据突变程度和异常程度获取当前时刻传感器数据的重要程度；

具体地：

表示当前时刻一个传感器数据的突变程度，当前时刻与历史相邻时刻的传感器数据的差值越小，说明数据越没有发生突变，差值越大，说明数据越是发生突变；和分别表示当前时刻和前一时刻的传感器数据；和分别表示时刻和前一时刻的传感器数据，为关联历史传感器数据的数量，表示历史的传感器数据的数据变化量均值；

当前时刻传感器数据的异常程度的获取具体为：

为当前时刻传感器数据的异常程度，为当前时刻的一个传感器数据，为数据异常阈值，为异常范围系数，函数用于把负数置为0正数不作处理；当前时刻传感器数据的突变程度与当前时刻传感器数据的异常程度的乘积为当前时刻传感器数据的重要程度，乘积值越大，说明传感器数据越重要；

改进的均方误差损失函数具体为：

为改进的均方误差损失函数，为自编码网络输入层和输出层中第个神经元的位置惩罚系数，和分别为自编码网络输入层和输出层中第个神经元对应的数据，自编码网络输入层和输出层中均包括个神经元；的获取方法为：。

2.如权利要求1所述的方法，其特征在于，基于所述重要程度对传感器数据进行排序分组，具体为：

对传感器数据进行重要性降序排序后，按照蛇形排列分组法，得到数据阵列；

若蛇形走向为横向，则数据阵列大小为行列，数据阵列中一列数据为一组；若蛇形走向为纵向，则数据阵列大小为行列，数据阵列中一行数据为一组；传感器数据的数量与神经元个数的比值向上取整后得到。

3.如权利要求2所述的方法，其特征在于，利用自编码网络中的编码模块对每组传感器数据进行压缩，对压缩数据进行传输；利用自编码网络中的解码模块对压缩数据进行解压；解码模块输出层神经元的位置越靠前，解压数据的误差越小。

4.一种基于工业互联网和智能制造的数据处理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-3任一项所述方法的步骤。