本申請涉及人工智能，具體而言，涉及一種基于nlp的小麥胚芽生產(chǎn)異常根因追溯方法及系統(tǒng)。
背景技術(shù)：
1、在小麥胚芽生產(chǎn)領(lǐng)域，現(xiàn)有的生產(chǎn)異常診斷與根因追溯技術(shù)面臨著諸多挑戰(zhàn)，嚴(yán)重制約了生產(chǎn)效率和產(chǎn)品質(zhì)量的提升。當(dāng)前，行業(yè)內(nèi)普遍采用的生產(chǎn)異常分析方法主要依賴于單一數(shù)據(jù)源或簡單的數(shù)據(jù)統(tǒng)計(jì)分析，缺乏對多源異構(gòu)數(shù)據(jù)的有效整合與深度挖掘。具體而言，現(xiàn)有技術(shù)在處理生產(chǎn)工序文本數(shù)據(jù)時(shí)，大多僅進(jìn)行關(guān)鍵詞匹配或簡單的文本分類，無法準(zhǔn)確解析工序語義并提取其深層特征，導(dǎo)致對生產(chǎn)過程的理解停留在表面層次。同時(shí)，對于環(huán)境監(jiān)測時(shí)序數(shù)據(jù)，現(xiàn)有方法通常僅進(jìn)行基本的統(tǒng)計(jì)描述或趨勢分析，難以捕捉環(huán)境因素的動(dòng)態(tài)波動(dòng)特征及其對生產(chǎn)過程的潛在影響。
技術(shù)實(shí)現(xiàn)思路
1、鑒于上述提及的問題，結(jié)合本申請的第一方面，本申請實(shí)施例提供一種基于nlp的小麥胚芽生產(chǎn)異常根因追溯方法，所述方法包括：
2、獲取目標(biāo)生產(chǎn)線對應(yīng)的多批次小麥胚芽生產(chǎn)記錄數(shù)據(jù)集合，所述生產(chǎn)記錄數(shù)據(jù)集合包括每個(gè)生產(chǎn)批次的生產(chǎn)工序文本數(shù)據(jù)、環(huán)境監(jiān)測時(shí)序數(shù)據(jù)及原料質(zhì)量指標(biāo)數(shù)據(jù)；
3、對所述生產(chǎn)工序文本數(shù)據(jù)執(zhí)行語義特征解析處理，得到工序語義特征向量，對所述環(huán)境監(jiān)測時(shí)序數(shù)據(jù)執(zhí)行動(dòng)態(tài)波動(dòng)特征提取處理，得到環(huán)境波動(dòng)特征向量，將所述工序語義特征向量與所述環(huán)境波動(dòng)特征向量進(jìn)行跨模態(tài)特征融合處理，生成融合生產(chǎn)特征集合；
4、調(diào)用預(yù)訓(xùn)練的多層感知網(wǎng)絡(luò)模型對所述融合生產(chǎn)特征集合進(jìn)行異常根因權(quán)重分配處理，生成所述生產(chǎn)批次對應(yīng)的異常關(guān)聯(lián)度評分集合，其中所述異常關(guān)聯(lián)度評分集合包含原料質(zhì)量指標(biāo)數(shù)據(jù)與各個(gè)生產(chǎn)工序之間的異常關(guān)聯(lián)度分布；
5、基于所述異常關(guān)聯(lián)度分布對所述原料質(zhì)量指標(biāo)數(shù)據(jù)和生產(chǎn)工序文本數(shù)據(jù)進(jìn)行聯(lián)合根因追溯處理，生成所述生產(chǎn)批次的異常根因追溯結(jié)果，所述異常根因追溯結(jié)果用于指示異常來源的生產(chǎn)環(huán)節(jié)及原料缺陷類型；
6、根據(jù)所述異常根因追溯結(jié)果生成生產(chǎn)線參數(shù)動(dòng)態(tài)優(yōu)化策略，并將所述動(dòng)態(tài)優(yōu)化策略反饋至生產(chǎn)控制系統(tǒng)以觸發(fā)參數(shù)校準(zhǔn)操作。
7、再一方面，本申請實(shí)施例還提供一種生產(chǎn)服務(wù)系統(tǒng)，包括處理器、機(jī)器可讀存儲介質(zhì)，所述機(jī)器可讀存儲介質(zhì)和所述處理器連接，所述機(jī)器可讀存儲介質(zhì)用于存儲程序、指令或代碼，所述處理器用于運(yùn)行所述機(jī)器可讀存儲介質(zhì)中的程序、指令或代碼，以實(shí)現(xiàn)上述的方法。
8、基于以上方面，本申請實(shí)施例將生產(chǎn)工序文本數(shù)據(jù)的語義解析、環(huán)境監(jiān)測時(shí)序數(shù)據(jù)的動(dòng)態(tài)特征提取以及原料質(zhì)量指標(biāo)數(shù)據(jù)的量化分析進(jìn)行深度整合，通過跨模態(tài)特征融合處理，生成了全面反映生產(chǎn)過程內(nèi)在關(guān)聯(lián)的融合生產(chǎn)特征集合。在此基礎(chǔ)上，預(yù)訓(xùn)練的多層感知網(wǎng)絡(luò)模型通過精準(zhǔn)的異常根因權(quán)重分配，不僅揭示了原料質(zhì)量指標(biāo)與各生產(chǎn)工序之間的復(fù)雜交互作用機(jī)制，還量化了各因素對生產(chǎn)異常的貢獻(xiàn)度。進(jìn)一步地，基于異常關(guān)聯(lián)度分布的聯(lián)合根因追溯處理，實(shí)現(xiàn)了從數(shù)據(jù)關(guān)聯(lián)到實(shí)際生產(chǎn)環(huán)節(jié)和原料缺陷類型的精準(zhǔn)映射，顯著提升了根因追溯的準(zhǔn)確性和效率。最終，通過生成生產(chǎn)線參數(shù)動(dòng)態(tài)優(yōu)化策略并反饋至生產(chǎn)控制系統(tǒng)，形成了閉環(huán)控制機(jī)制，不僅能夠有效解決當(dāng)前生產(chǎn)異常問題，還能預(yù)防潛在風(fēng)險(xiǎn)。
1.一種基于nlp的小麥胚芽生產(chǎn)異常根因追溯方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于nlp的小麥胚芽生產(chǎn)異常根因追溯方法，其特征在于，所述對所述生產(chǎn)工序文本數(shù)據(jù)執(zhí)行語義特征解析處理，得到工序語義特征向量，包括：
3.根據(jù)權(quán)利要求1所述的基于nlp的小麥胚芽生產(chǎn)異常根因追溯方法，其特征在于，所述對所述環(huán)境監(jiān)測時(shí)序數(shù)據(jù)執(zhí)行動(dòng)態(tài)波動(dòng)特征提取處理，得到環(huán)境波動(dòng)特征向量，包括：
4.根據(jù)權(quán)利要求1所述的基于nlp的小麥胚芽生產(chǎn)異常根因追溯方法，其特征在于，所述將所述工序語義特征向量與所述環(huán)境波動(dòng)特征向量進(jìn)行跨模態(tài)特征融合處理，生成融合生產(chǎn)特征集合，包括：
5.根據(jù)權(quán)利要求1所述的基于nlp的小麥胚芽生產(chǎn)異常根因追溯方法，其特征在于，所述調(diào)用預(yù)訓(xùn)練的多層感知網(wǎng)絡(luò)模型對所述融合生產(chǎn)特征集合進(jìn)行異常根因權(quán)重分配處理，生成所述生產(chǎn)批次對應(yīng)的異常關(guān)聯(lián)度評分集合，包括：
6.根據(jù)權(quán)利要求1所述的基于nlp的小麥胚芽生產(chǎn)異常根因追溯方法，其特征在于，所述基于所述異常關(guān)聯(lián)度分布對所述原料質(zhì)量指標(biāo)數(shù)據(jù)和生產(chǎn)工序文本數(shù)據(jù)進(jìn)行聯(lián)合根因追溯處理，生成所述生產(chǎn)批次的異常根因追溯結(jié)果，包括：
7.根據(jù)權(quán)利要求6所述的基于nlp的小麥胚芽生產(chǎn)異常根因追溯方法，其特征在于，所述調(diào)用預(yù)訓(xùn)練的根因推理模型對所述原料質(zhì)量缺陷描述和所述生產(chǎn)工序異常描述進(jìn)行聯(lián)合因果推理處理，生成根因推理路徑集合，包括：
8.根據(jù)權(quán)利要求6所述的基于nlp的小麥胚芽生產(chǎn)異常根因追溯方法，其特征在于，所述對所述根因推理路徑集合進(jìn)行置信度評估處理，包括：
9.根據(jù)權(quán)利要求1所述的基于nlp的小麥胚芽生產(chǎn)異常根因追溯方法，其特征在于，所述根據(jù)所述異常根因追溯結(jié)果生成生產(chǎn)線參數(shù)動(dòng)態(tài)優(yōu)化策略，包括：
10.一種生產(chǎn)服務(wù)系統(tǒng)，其特征在于，所述生產(chǎn)服務(wù)系統(tǒng)包括處理器和存儲器，所述存儲器和所述處理器連接，所述存儲器用于存儲程序、指令或代碼，所述處理器用于運(yùn)行所述存儲器中的程序、指令或代碼，以實(shí)現(xiàn)上述權(quán)利要求1-9任意一項(xiàng)所述的基于nlp的小麥胚芽生產(chǎn)異常根因追溯方法。