模型确定方法、装置、设备、可读存储介质及程序产品与流程
本申请涉及工业设备,具体涉及一种模型确定方法、装置、设备、可读存储介质及程序产品。
背景技术:
1、目前,针对工业设备的状态评估,通常通过匹配一个基础采集间隔,对设备的运行状态等数据进行采集和监控;然后通过构建的模型根据设备的运行状态进行评估预测,最终根据评估结果对数据的采集频率进行调整,优化数据的采集质量,从而对设备的运行状态进行监控和预警。然而对于设备运行的评估模型,需要专业的技术人员进行构建,导致针对工业设备数据的预测以及判断所采用的建模自动化深度不足、技术门槛高、开发效率低。
技术实现思路
1、本申请的至少一个实施例提供了一种模型确定方法、装置、设备、可读存储介质及程序产品,用于解决现有技术中针对设备数据的预测以及判断所采用的建模自动化深度不足、技术门槛高的问题。
2、为了解决上述技术问题,本申请是这样实现的:
3、第一方面,本申请实施例提供了一种模型确定方法,包括:
4、接收用户发送的元模型生成请求;所述元模型生成请求中携带有所述用户所需要的目标模型的行业应用场景;
5、根据所述元模型生成请求,确定工业知识库中与所述行业应用场景对应的行业模式和历史模型数据;所述工业知识库中存储有多种所述行业应用场景的不同设备与知识数据的对应关系;
6、确定模型数据库中与所述行业模式对应的目标元模型;所述模型数据库为存储于区块链中的数据库;
7、根据所述历史模型数据对所述目标元模型进行训练学习,得到所述目标模型。
8、可选地,所述工业知识库为通过以下方式预先生成的知识图谱:
9、获取多种所述行业应用场景对应的设备基本数据以及设备布局数据;所述设备基本数据包括:设备技术文档和/或设备生产流程日志;
10、从所述设备基本数据以及设备布局数据中提取所述知识数据;
11、通过图神经网络对不同类型的所述知识数据进行关系推理与融合处理,得到初始工业知识图谱;
12、对所述初始工业知识图谱进行去重和冲突解决处理,得到所述工业知识库。
13、可选地,通过图神经网络对不同类型的所述知识数据进行关系推理与融合处理,得到初始工业知识图谱,包括:
14、对不同类型的所述知识数据进行关系推理,构建所述知识数据与设备的映射关系;
15、对所述知识数据进行关系分析,得到关系数据;所述关系数据包括:每种所述行业应用场景对应的多种设备之间的空间关系、时序关系以及语义关系中的至少一项;所述空间关系包括:多种设备物理的位置关系、连接关系;所述时序关系包括:所述多种设备的生产流程的时间顺序和依赖关系;所述语义关系包括:所述多种设备间的功能关系和逻辑关系;
16、通过图神经网络对所述关系数据进行特征融合,得到所述初始工业知识图谱。
17、可选地,所述行业模式包括:行业类型、设备类型以及数据类型;
18、确定模型数据库中与所述行业模式对应的目标元模型,包括:
19、基于规则引擎确定所述模型数据库中与所述行业模式对应的所述目标元模型;
20、所述目标元模型为根据国际标准或者行业实践确定的模型模板。
21、可选地,根据所述历史模型数据对所述目标元模型进行训练学习,得到所述目标模型,包括:
22、提取所述历史模型数据中的关键特征;所述关键特征包括以下至少一项:统计特征、时序特征、频谱特征以及数据质量特征;
23、根据所述目标元模型对所述关键特征进行训练学习,得到对所述目标元模型进行更改的优化策略;
24、将所述目标元模型与所述优化策略进行融合,得到所述目标模型。
25、可选地,所述方法还包括:
26、将所述目标模型或者所述目标模型的哈希值、所述用户的用户标识、时间戳以及所述目标元模型打包为第一区块;
27、将所述第一区块上链至所述模型数据库所保存的区块链上。
28、可选地,所述方法还包括:
29、接收第一用户针对第一模型的模型版本查询请求;
30、根据所述模型版本查询请求,根据所述第一模型对应的所有版本的模型生成数据包;
31、将所述数据包发送给所述第一用户。
32、可选地,所述方法还包括:
33、接收第二用户的代码生成请求;所述模型查看请求包括所述第二用户使用的平台标识信息以及所述目标模型;
34、根据平台标识信息以及所述目标模型,确定代码模式库中与所述平台标识信息以及所述目标模型匹配的目标代码模式;
35、根据所述平台标识信息以及所述目标模型,对所述目标代码模式进行性能预测,得到预测结果;
36、根据所述预测结果,生成代码优化策略;
37、根据所述目标代码模式以及代码优化策略,生成目标代码。
38、第二方面,本申请实施例提供了一种模型确定装置,包括:
39、接收模块,用于接收用户发送的元模型生成请求;所述元模型生成请求中携带有所述用户所需要的目标模型的行业应用场景;
40、第一确定模块,用于根据所述元模型生成请求,确定工业知识库中与所述行业应用场景对应的行业模式和历史模型数据;所述工业知识库中存储有多种所述行业应用场景的不同设备与知识数据的对应关系;
41、第二确定模块,用于确定模型数据库中与所述行业模式对应的目标元模型;所述模型数据库为存储于区块链中的数据库;
42、训练模块,用于根据所述历史模型数据对所述目标元模型进行训练学习,得到所述目标模型。
43、第三方面,本申请实施例提供了一种模型确定设备,包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序,所述程序被所述处理器执行时实现如上所述的模型确定方法的步骤。
44、第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有程序,所述程序被处理器执行时,实现如上所述的模型确定方法的步骤。
45、第五方面,本申请实施例提供了一种计算机程序产品,包括计算机指令,所述计算机指令被处理器执行时实现如上所述的模型确定方法的步骤。
46、与现有技术相比,本申请实施例提供的模型确定方法、装置、设备、可读存储介质及程序产品,通过用户发送的元模型生成请求,确定所述工业知识库中与所述元模型生成请求中携带的行业应用场景对应的行业模式和历史模型数据;再根据模型数据库确定与所述行业模式对应的目标元模型,从而通过所述历史模型数据对所述目标元模型进行训练学习,得到自适应的所述目标模型,能够通过所述目标模型对所述行业应用场景的设备的运行状态进行预测评估。本申请的方案无需代码即可完成自适应模型的确定,解决了现有技术中有效解决了针对工业设备数据的预测以及判断所采用的建模自动化深度不足、技术门槛高、开发效率低的问题,显著降低了工业数字化转型的技术门槛和实施成本。
1.一种模型确定方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述工业知识库为通过以下方式预先生成的知识图谱:
3.根据权利要求2所述的方法,其特征在于,通过图神经网络对不同类型的所述知识数据进行关系推理与融合处理,得到初始工业知识图谱,包括:
4.根据权利要求1所述的方法,其特征在于,所述行业模式包括:行业类型、设备类型以及数据类型;
5.根据权利要求1所述的方法,其特征在于,根据所述历史模型数据对所述目标元模型进行训练学习,得到所述目标模型,包括:
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
9.一种模型确定装置,其特征在于,包括:
10.一种模型确定设备,其特征在于,包括:收发器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令;所述处理器执行所述程序或指令时实现如权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品,其特征在于,包括计算机指令,所述计算机指令被处理器执行时实现如权利要求1至8中任一项所述的方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com