本发明涉及计算机人工智能的技术领域,尤其是指一种基于多模态数据的设备生产智能规划方法。
背景技术
目前,随着工业4.0时代的发展,人工智能开始渗透到传统制造行业,制造行业开始向智能化、信息化方向转变。在智能化制造的过程中,会产生大量类型不同、来源多样的多模态数据。如何利用这些制造过程中产生的多模态数据进行制造过程的规划,减少人工干预,提升生产规划的可解释性和准确性,成为制造过程迈向智能化的一个技术难点,也是现阶段智能制造研究领域的重点发展方向。
技术实现要素:
本发明的目的在于克服现有技术的缺点与不足,提出了一种基于多模态数据的设备生产智能规划方法,可有效利用多模态数据进行设备生产规划,充分利用制造过程中收集到的多模态数据和深度神经网络,不仅可以识别每个步骤的当前状态,并根据当前状态进行动作规划,实现制造过程的动作智能规划,减少人工干预,此外,还可以增加动作规划的可解释性和准确性。
为实现上述目的,本发明所提供的技术方案为:一种基于多模态数据的设备生产智能规划方法,包括以下步骤:
1)利用不同种类的传感器对制造过程进行数据采集,得到多模态数据,并存储在服务器中;
2)从服务器中提取出多模态数据,并将数据划分为图像数据、数值型数据两种类型进行预处理,得到预处理后的多模态数据;其中,针对图像数据,获取其像素值矩阵并将其进行标准化处理;针对数值型数据,直接进行数据标准化处理;
3)对于预处理后的多模态数据,提取关于制造过程t的多模态数据;然后根据专家知识,对数据进行人工标注,得到每条数据的标签,被提取的多模态数据与相应标签构成训练集;
4)构建类别-制造动作的映射关系,使步骤3)得到的训练集中,每个类别分别对应一个制造动作;
5)将步骤3)的训练集输入深度神经网络进行训练;其中,深度神经网络的激活函数选择ReLU函数,损失函数是交叉熵损失函数,采用softmax函数进行类别概率输出;通过优化损失函数,得到训练好的深度神经网络;
6)在实际设备生产时,利用不同种类的传感器进行数据采集,形成多模态数据流,用训练好的深度神经网络对多模态数据流进行预测,得到分类结果;
7)根据步骤4)构建的类别-制造动作映射关系,选择步骤6)分类结果对应的制造动作,完成对实际制造过程t的动作规划;
8)对实际运行的制造过程中的每个过程,重复进行步骤3)至步骤7),形成多模态数据下的设备生产制造过程的动作策略智能规划。
进一步,在步骤2)中,所述数据标准化处理是:存储于服务器的数值型数据经过读取后,将数据按照类别对数据分别进行标准化,数值型数据的标准化公式为:
式中,Xa是原始的数值型数据,为数值型数据的均值,为数值型数据的标准差,是Xa标准化后的数值型数据;
针对图像数据,首先将传感器得到的像素值矩阵展成一维向量,得到图像向量Xb,然后根据以下公式进行标准化:
式中,为图像向量的均值,为图像向量的标准差,是Xb经过标准化处理后的图像数据;
标准化后的图像和数值型数据是两个一维向量,对两者进行拼接,得到标准化后的数据X*:
进一步,在步骤3)中,收集制造过程t的数据M次,收集到的多模态数据表示为数据集Xt:
式中,是第M次收集的标准化后的数据;给上述收集到的多模态数据进行标注,得到数据集Xt的标签:
Yt={Y1t,Y2t,...,YMt}
式中,YMt是数据对应的标签,由专家确定;数据集Xt与相应标签Yt构成训练集。
进一步,在步骤4)中,针对制造过程t构建类别-制造动作的映射关系,具体如下:
假设制造过程t的类别有S个,则类别集合Ct表示为:
Ct={c1t,c2t,...,cSt}
式中,cSt是制造过程t的第S个类别;最后构建制造动作集合At:
At={a1t,a2t,...,aSt}
式中,aSt是类别cSt对应的制造动作,从而构建出类别-制造动作的映射关系。
进一步,在步骤5)中,将步骤3)的训练集输入深度神经网络Ht进行训练,网络的激活函数选择ReLU函数,损失函数是交叉熵损失函数,采用softmax函数进行概率计算;假设深度神经网络有L层,hk和hk 1分别为对应第k层和第k 1层的隐藏层网络,则对于第k 1层的隐藏层网络,能够用以下公式将第k 1层的隐藏层网络hk 1进行表示:
hk 1=δ(Wkhk)
式中,Wk为对应第k层隐藏层网络的权重参数;δ(·)是激活函数,在这里采用ReLU函数,为深度神经网络引入非线性,该ReLU函数δ(x)公式为:
然后,计算最后一层神经网络的输出Z:
Z=WLhL-1
式中,WL是最后一层隐藏层网络的权重参数,hL-1是倒数第二层隐藏层网络;使用softmax函数,计算输入数据属于类别i的概率pi,i=1,2,...,S,计算公式为:
式中,zi是输出Z的第i个元素,zj是输出Z的第j个元素,j=1,2,...,S;得到概率pi后,使用交叉熵损失函数Loss作为深度神经网络Ht的损失函数,其具体公式表达为:
式中,pr是类别r的概率输出,yr是类别r的标签,S是类别数量;最后,通过RMSprop优化方法,对深度神经网络进行优化,得到训练好的深度神经网络。
进一步,在步骤6)中,将步骤5)训练好的深度神经网络,对实际运行时的制造过程的多模态数据流Rt进行预测;将训练好的深度神经网络记为则分类结果表示为
进一步,在步骤7)中,将步骤6)得到的分类结果与步骤4)构建的类别-制造动作映射关系进行对应,选择对应的制造动作。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明方法可有效降低了人工设计复杂制造过程的难度,实现制造过程的动作策略智能规划。
2、本发明方法中通过收集每个制造步骤的多模态数据,并针对所收集的数据,对每个步骤分别训练一个深度神经网络。根据分类结果,对实际运行的多模态数据进行分类。针对不同的分类结果来规划不同的制造动作策略。
3、本发明方法为每个制造过程设计一个深度神经网络,可有效针对不同步骤的数据特性进行动作调整;同时可以自动识别制造过程中每个步骤的状态。
4、本发明方法根据每个制造过程的当前状态设计不同的动作,使制造过程中的动作调整具有更高的可解释性。这种动作策略规划方法在深度神经网络构建完成后,可根据制造过程中的多模态数据自动调整各步骤的动作,可有效减少人工干预,提高自动化水平。
附图说明
图1为本发明方法的逻辑流程示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1所示,本实施例所提供的基于多模态数据的设备生产智能规划方法,其具体情况如下:
1)利用不同种类的传感器对制造过程进行数据采集,得到多模态数据,并存储在服务器中。
2)从服务器中提取出多模态数据,并将数据划分为图像数据、数值型数据两种类型进行预处理,得到预处理后的多模态数据;其中,针对图像数据,获取其像素值矩阵并将其进行标准化处理;针对数值型数据,直接进行数据标准化处理。
所述数据标准化处理是:存储于服务器的数值型数据经过读取后,将数据按照类别对数据分别进行标准化,数值型数据的标准化公式为:
式中,Xa是原始的数值型数据,为数值型数据的均值,为数值型数据的标准差,是Xa标准化后的数值型数据;
针对图像数据,首先将传感器得到的像素值矩阵展成一维向量,得到图像向量Xb,然后根据以下公式进行标准化:
式中,为图像向量的均值,为图像向量的标准差,是Xb经过标准化处理后的图像数据;
标准化后的图像和数值型数据是两个一维向量,对两者进行拼接,得到标准化后的数据X*:
3)对于预处理后的多模态数据,提取关于制造过程t的多模态数据;然后根据专家知识,对数据进行人工标注,得到每条数据的标签,被提取的多模态数据与相应标签构成训练集,具体如下:
收集制造过程t的数据M次,收集到的多模态数据表示为数据集Xt:
式中,是第M次收集的标准化后的数据;给上述收集到的多模态数据进行标注,得到数据集Xt的标签:
Yt={Y1t,Y2t,...,YMt}
式中,YMt是数据对应的标签,由专家确定;数据集Xt与相应标签Yt构成训练集。
4)构建类别-制造动作的映射关系,使步骤3)得到的训练集中,每个类别分别对应一个制造动作;其中,针对制造过程t构建类别-制造动作的映射关系,具体如下:
假设制造过程t的类别有S个,则类别集合Ct可以表示为:
Ct={c1t,c2t,...,cSt}
式中,cSt是制造过程t的第S个类别;最后构建制造动作集合At:
At={a1t,a2t,...,aSt}
式中,aSt是类别cSt对应的制造动作,从而构建出类别-制造动作的映射关系。类别与制造动作的对应关系由专家进行确定。
5)将步骤3)的训练集输入深度神经网络Ht进行训练,其中,网络的激活函数选择ReLU函数,损失函数是交叉熵损失函数,采用softmax函数进行概率计算。假设深度神经网络有L层,hk和hk 1分别为对应第k层和第k 1层的隐藏层网络,则对于第k 1层的隐藏层网络,可以用以下公式将第k 1层的隐藏层网络hk 1进行表示:
hk 1=δ(Wkhk)
式中,Wk为对应第k层隐藏层网络的权重参数;δ(·)是激活函数,在这里采用ReLU函数,为深度神经网络引入非线性,该ReLU函数δ(x)公式为:
然后,计算最后一层神经网络的输出Z:
Z=WLhL-1
式中,WL是最后一层隐藏层网络的权重参数,hL-1是倒数第二层隐藏层网络。使用softmax函数,计算输入数据属于类别i的概率pi,i=1,2,...,S,计算公式为:
式中,zi是输出Z的第i个元素,zj是输出Z的第j个元素,j=1,2,...,S;得到概率pi后,使用交叉熵损失函数Loss作为深度神经网络Ht的损失函数,其具体公式表达为:
式中,pr是类别r的概率输出,yr是类别r的标签,S是类别数量;最后,通过RMSprop优化方法,对深度神经网络进行优化,得到训练好的深度神经网络。
6)利用步骤5)训练好的深度神经网络,对实际运行时的制造过程的多模态数据流Rt进行预测。将训练好的深度神经网络记为则分类结果可表示为:
7)将步骤6)得到的分类结果与步骤4)构建的类别-制造动作映射关系进行对应,选择对应的制造动作。假设在类别-制造动作中,对应制造动作则制造过程t的动作被规划为
8)对制造过程中的每个步骤,重复步骤3)至步骤7)的动作,形成多模态数据下的制造过程动作的智能规划方案其中是制造过程d(d=1,2,...,T)的制造动作,T是制造过程中的步骤数目。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
本文用于企业家、创业者技术爱好者查询,结果仅供参考。