[发明专利]一种工厂智能预警系统

说明书

技术领域

本发明涉及工业控制和机器学习领域，尤其涉及一种基于多元异构数据处理与深度学习技术的工厂智能预警系统。

背景技术

在传统的制造生产领域，制造系统依赖人的判断过多，而且此种判断与特定人员的实际控制管理经验相关性很大，同时现有的ERP系统无法高效整合制造过程中产生的多源异构数据，以至于生产中的预警不够智能，高效。例如，中国实用新型专利申请号201220224902.X公开了一种基于ERP系统的机动物资仓储系统，涉及一种物资管理系统，包括ERP系统，所述的ERP系统通过网络与多个仓库的数据管理系统通信连接，数据管理系统包括入库系统、出库系统、移库系统和预警系统；入库系统扫描入库货物上的条码将货物信息记录在数据管理系统中，出库系统扫描出库货物上的条码将货物信息记录在数据管理系统中并对货物数量进行调整，移库系统将所要调拨的货物进行扫描并通过数据管理系统对货物的数量进行调整，预警系统监控货物储备的数量，低于设置值时预警系统发出警报；所述的数据管理系统将采集的数据通过网络传至ERP系统。

发明内容

为了克服现有技术中的上述缺陷，同时结合智能制造的大趋势，本发明提出了一种基于多元异构数据处理与深度学习技术的工厂智能预警系统。本发明构造一个可高速挖掘制造过程中产生的多元异构数据的关系并对生产过程中的潜在失败做出预测，通过将多元异构数据处理与深度学习技术相结合，实现高效，自主的学习和自主预测判断，减少制造过程中的失败，减轻人类管理控制负担，降低制造成本，提高生产效率。

本发明公开了一种基于多元异构数据处理与深度学习技术的工厂智能预警系统，包括：多元异构数据融合处理模块，其将制造过程产生的海量多元异构数据进行融合处理，分类，抽样，辅助进行数据的整理；基于循环神经网络(RNN)的机器学习模块，其通过训练好的神经网络模型，根据当前产生的数据预测制造过程中可能产生的失败，系统基于循环积神经网络，用于提高系统的预测精度，有高度的可扩展性，高并发性，达到高效的机器学习，精准预测的目的；信息预警模块，用于将机器学习模块产生的预警信息，精准分发给相关管理人员，达到高效，及时的调整与控制。

本发明提出的基于多元异构数据处理与深度学习技术的工厂智能预警系统中，所述多元异构数据融合处理模块结合统计学方法技术，对待分析的数据进行融合处理，利用BIRCH算法即平衡迭代削减聚类法，将数据分类，利用典型相关分析(Canonical Correlation Analysis)方法进行相关性分析，分析传感器数据和可能产生的结果之间的相关性，利用SimHash算法进行非结构数据去重，利用xml技术对数据进行统一的结构化定义，统一采集格式，解析格式，存储格式，实现数据融合。

本发明提出的基于多元异构数据处理与深度学习技术的工厂智能预警系统中，所述多元异构数据融合处理模块，自动收集制造过程中产生的海量数据，进行去重，结构化等融合处理，快速提取有用信息。

本发明提出的基于多元异构数据处理与深度学习技术的工厂智能预警系统中，所述基于循环神经网络的机器学习模块,利用循环神经网络，引入长短时记忆(LSTM)单元解决上记忆消失的问题，同时隐含层中的节点之间采取有连接形式，克服数据特征提取困难的缺点，达到特征的高效提取，引入定向循环，所谓定向循环是节点之间的连接结构，处理输入之间前后关联的问题。

本发明提出的基于多元异构数据处理与深度学习技术的工厂智能预警系统中，所述基于循环神经网络的机器学习模块，利用共轭梯度法训练分布式神经网络，每个节点存储一个模型的备份，在各节点上并行处理数据集的不同部分，并在参数更新时同步模型参数到其他节点，最后组合各个节点的输出结果，可满足大规模高并发数据处理的要求。

本发明提出的基于多元异构数据处理与深度学习技术的工厂智能预警系统中，所述基于循环神经网络的机器学习模块，针对特征规模可能较小的情况，引入循环神经网络，将特征进行合理的扩充，同时引入多层隐含层，完善整体神经网络体系。

本发明提出的基于多元异构数据处理与深度学习技术的工厂智能预警系统中，所述基于循环神经网络的机器学习模块，通过对大规模制造过程中产生的数据进行处理，用共轭梯度法训练所涉及的神经网络，实现在训练过程中自动调整完善神经网络。

本发明提出的基于多元异构数据处理与深度学习技术的工厂智能预警系统中，所述实时信息预警模块利用预测分析结果，精准分发到相关管理人员；实现对问题及时反应，动态调整控制。