【技術實現步驟摘要】
本專利技術涉及數據處理領域，尤其涉及一種基于人工智能的工業數據處理方法及系統。
技術介紹
1、在現代工業生產中，數據采集和分析能力至關重要。隨著工業自動化水平的不斷提升，各種傳感器和數據采集設備被廣泛應用于生產過程中，產生了海量的數據。然而，傳統的數據處理方法往往難以應對這些龐大而復雜的數據，難以有效地提取關鍵信息，往往存在著數據處理效率不高，無法提取準確的信息，因此，為了滿足現代工業數據處理的需求，需要一種更加智能化的工業數據處理方法。
技術實現思路
1、本專利技術為解決上述技術問題，提出了一種基于人工智能的工業數據處理方法及系統，以解決至少一個上述技術問題。
2、為實現上述目的，本專利技術提供一種基于人工智能的工業數據處理方法，包括以下步驟：
3、步驟s1：獲取歷史工業日志；對歷史工業日志進行均值濾波處理，并進行跨維度異構特征融合，從而生成異構融合工業特征數據；
4、步驟s2：基于異構融合工業特征數據得到時序趨勢變化數據；對時序趨勢變化數據進行深層時序依賴挖掘，從而得到階躍點時序依賴關系；
5、步驟s3：基于階躍點時序依賴關系對異構融合工業特征數據進行映射拓撲位置重構，構建工業特征映射空間模型；
6、步驟s4：對工業特征映射空間模型進行多維度異常檢測，并進行局部異常分布挖掘，從而得到高頻異常區域；
7、步驟s5：對高頻異常區域進行多點異常演化追蹤，并進行多維分布可視化，從而構建異常演化軌跡可視化視圖；>
8、步驟s6：對異常演化軌跡可視化視圖進行異常歸因量化分析，從而得到不同異常演化軌跡歸因數據；根據不同異常演化軌跡歸因數據進行自適應異常優化決策，構建異常軌跡優化策略。
9、本專利技術通過獲取歷史工業日志，建立對工業過程的全面了解，為后續分析提供重要數據支持，均值濾波處理和跨維度異構特征融合平滑數據、減少噪音，生成更可靠的異構融合工業特征數據，基于異構融合工業特征數據得到時序趨勢變化數據，揭示工業數據的變化趨勢，為后續分析提供時間維度的信息支持，深層時序依賴挖掘幫助發現數據之間的復雜關系，得到階躍點時序依賴關系，提供更深入的數據挖掘結果，通過對異構融合工業特征數據進行映射拓撲位置重構，構建工業特征映射空間模型，將數據關系可視化并整合，構建工業特征映射空間模型理解數據之間的關聯，提高數據分析的效率和準確性，對工業特征映射空間模型進行多維度異常檢測和局部異常分布挖掘，識別高頻異常區域，快速定位潛在問題，發現高頻異常區域幫助工程師和決策者及早發現問題，采取相應措施避免潛在風險，對高頻異常區域進行多點異常演化追蹤和多維分布可視化，構建異常演化軌跡可視化視圖，幫助理解異常數據演變過程，構建異常演化軌跡可視化視圖發現異常演變規律，為異常處理和決策提供更直觀的參考，對異常演化軌跡可視化視圖進行異常歸因量化分析，得到不同異常演化軌跡歸因數據，為問題的診斷和解決提供依據，根據不同異常演化軌跡歸因數據進行自適應異常優化決策，構建異常軌跡優化策略，提高問題解決效率和準確性。
10、優選地，步驟s1包括以下步驟：
11、步驟s11：獲取歷史工業日志；
12、步驟s12：對歷史工業日志進行頻率一致多點采樣，提取多維度工業數據；
13、步驟s13：對多維度工業數據進行數據類型分類，提取參數化工業數據及工業圖像數據；
14、步驟s14：對參數化工業數據進行均值濾波處理，以得到濾波優化工業數據；
15、步驟s15：對工業圖像數據進行多維卷積降噪處理，從而得到卷積降噪圖像；
16、步驟s16：對濾波優化工業數據及卷積降噪圖像進行跨維度異構特征融合，從而生成異構融合工業特征向量。
17、本專利技術通過獲取歷史工業日志，建立對工業過程的歷史記錄，為后續分析和比較提供基礎數據。采用頻率一致多點采樣確保數據一致性，提取多維度工業數據全面理解工業生產過程。對多維度工業數據進行分類提取，將數據按類型進行處理，提高后續分析的準確性和效率。均值濾波處理平滑數據、減少噪音，提高數據質量和穩定性，為后續分析提供更可靠的數據基礎。多維卷積降噪處理處理工業圖像數據中的噪音和干擾，提高圖像質量和清晰度，為后續分析提供更準確的圖像數據。對濾波優化工業數據和卷積降噪圖像進行跨維度異構特征融合，將不同類型的數據特征融合在一起，提高數據維度和特征的豐富性。生成異構融合工業特征向量綜合分析工業數據，發現數據之間的深層關聯和規律，為工業生產過程的優化和決策提供支持。
18、優選地，步驟s16具體步驟為：
19、對濾波優化工業數據進行小波變換，提取工業頻域特征數據；
20、對卷積降噪圖像進行抽象卷積特征提取，得到圖像抽象卷積特征；
21、對工業頻域特征數據及圖像抽象卷積特征進行降維壓縮統一，得到頻域一維特征向量及圖像抽象一維特征向量；
22、對頻域一維特征向量及圖像抽象一維特征向量進行特征序列聚合，得到一維特征向量序列；
23、對一維特征向量序列進行跨維度異構特征融合，從而生成異構融合工業特征向量。
24、本專利技術通過小波變換有效地提取工業數據的頻域特征，幫助捕捉數據中的周期性和頻域信息。提取工業頻域特征數據理解數據的頻域結構，揭示數據中隱藏的頻域特征。抽象卷積特征提取從圖像中捕獲高級別的抽象特征，圖像的表征和分析。得到圖像抽象卷積特征提取圖像的重要特征，為后續的特征融合和分析提供基礎。降維壓縮統一減少數據的維度，去除冗余信息，提高數據處理效率。得到頻域一維特征向量和圖像抽象一維特征向量簡化數據表示，為后續的特征融合提供更高效的數據結構。特征序列聚合能夠將不同特征向量融合為一個完整的序列，綜合考慮不同特征的信息。得到一維特征向量序列將不同來源的特征整合在一起，提供更全面的數據視角。跨維度異構特征融合將來自不同維度和來源的特征進行有機整合，提高特征的表達能力。生成異構融合工業特征向量綜合考慮不同類型特征的信息，為工業數據分析和應用提供更全面的特征表示。
25、優選地，步驟s2具體步驟為：
26、步驟s21：對異構融合工業特征數據進行時序解析，得到時序特征數據；
27、步驟s22：對時序特征數據進行時序趨勢變化分析，生成時序趨勢變化數據；
28、步驟s23：對時序趨勢變化數據進行階段變化擬合，構建時序趨勢變化曲線；
29、步驟s24：對時序趨勢變化曲線進行形態突變識別，提取多個曲線形態階躍點；
30、步驟s25：對多個曲線形態階躍點進行深層時序依賴挖掘，從而得到階躍點時序依賴關系。
31、本專利技術通過時序解析將異構融合的工業特征數據按時間順序組織，揭示數據隨時間的變化規律，得到時序特征數據將工業特征數據轉化為時間序列形式，為后續的時序分析提供基礎，時序趨勢變化分析揭示時序數據隨時間的趨勢特征，幫助理解數據的發展和變化規律，生成時序趨勢變化數據捕捉數據的動本文檔來自技高網...
【技術保護點】
1.一種基于人工智能的工業數據處理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于人工智能的工業數據處理方法，其特征在于，步驟S1具體步驟為：
3.根據權利要求2所述的基于人工智能的工業數據處理方法，其特征在于，步驟S16具體步驟為：
4.根據權利要求1所述的基于人工智能的工業數據處理方法，其特征在于，步驟S2具體步驟為：
5.根據權利要求1所述的方法，其特征在于，步驟S3具體步驟為：
6.根據權利要求1所述的方法，其特征在于，步驟S4的具體步驟為：
7.根據權利要求1所述的基于人工智能的工業數據處理方法，其特征在于，步驟S5的具體步驟為：
8.根據權利要求1所述的基于人工智能的工業數據處理方法，其特征在于，步驟S6的具體步驟為：
9.一種基于人工智能的工業數據處理系統，其特征在于，用于執行如權利要求1所述的基于人工智能的工業數據處理方法，包括：
【技術特征摘要】
1.一種基于人工智能的工業數據處理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于人工智能的工業數據處理方法，其特征在于，步驟s1具體步驟為：
3.根據權利要求2所述的基于人工智能的工業數據處理方法，其特征在于，步驟s16具體步驟為：
4.根據權利要求1所述的基于人工智能的工業數據處理方法，其特征在于，步驟s2具體步驟為：
5.根據權利要求1所述的方法，其特征在于，步驟...
【專利技術屬性】
技術研發人員：鄭川立，楊思維，
申請(專利權)人：深圳領馭科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。