CN112270483A - 基于人工智能的化妆品生产信息监测方法及大数据中心 - Google Patents
基于人工智能的化妆品生产信息监测方法及大数据中心 Download PDFInfo
- Publication number
- CN112270483A CN112270483A CN202011211860.1A CN202011211860A CN112270483A CN 112270483 A CN112270483 A CN 112270483A CN 202011211860 A CN202011211860 A CN 202011211860A CN 112270483 A CN112270483 A CN 112270483A
- Authority
- CN
- China
- Prior art keywords
- production
- decision
- line configuration
- production line
- push
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 1395
- 238000012544 monitoring process Methods 0.000 title claims abstract description 318
- 239000002537 cosmetic Substances 0.000 title claims abstract description 247
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 48
- 238000005192 partition Methods 0.000 claims abstract description 385
- 239000002994 raw material Substances 0.000 claims abstract description 146
- 238000009826 distribution Methods 0.000 claims abstract description 104
- 238000004088 simulation Methods 0.000 claims description 98
- 238000012806 monitoring device Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 20
- 239000000463 material Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 239000012634 fragment Substances 0.000 claims description 7
- 238000003908 quality control method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 44
- 230000008569 process Effects 0.000 description 28
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Animal Behavior & Ethology (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种基于人工智能的化妆品生产信息监测方法及大数据中心,先基于化妆品原料生产图谱确定多个化妆品生产链的原料制造协同运行分布,将原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,每个生产决策推送网络都会进行至少一次产线配置分区匹配得到至少一个产线配置分区,并且匹配是基于关联大数据产线分区进行的,关联大数据产线分区关联至多个生产决策推送网络的其它生产决策推送网络提取的产线配置分区,这样不同生产决策推送网络中提取的产线配置分区之间可以进行至少一次的交换和融合,进而能够将不同层次的产线配置分区进行决策,以通过丰富产线配置分区的层次来提高生产行为推送的表征能力。
Description
技术领域
本申请涉及化妆品生产监测技术领域,具体而言,涉及一种基于人工智能的化妆品生产信息监测方法及大数据中心。
背景技术
伴随着工业互联网和科学技术的发展,现如今的化妆品生产大多为自动化生产,对于进行生产监控软件平台而言,通常会涉及到一些生产行为推送过程,传统的方案中,产线配置分区的层次往往比较单一,导致生产行为推送的表征能力较弱,在实现大数据量级别的生产行为推送过程中,生产行为推送针对性较差。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种基于人工智能的化妆品生产信息监测方法及大数据中心,先基于化妆品原料生产图谱确定多个化妆品生产链的原料制造协同运行分布,将原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,每个生产决策推送网络都会进行至少一次产线配置分区匹配得到至少一个产线配置分区。其中,每个生产决策推送网络都有至少一次产线配置分区匹配是基于关联大数据产线分区进行的,关联大数据产线分区关联至多个生产决策推送网络的其它生产决策推送网络提取的产线配置分区。这样,不同生产决策推送网络中提取的产线配置分区之间可以进行至少一次的交换和融合,进而能够将不同层次的产线配置分区进行决策,以通过丰富产线配置分区的层次来提高生产行为推送的表征能力,从而在基于生产决策推送模型提取的产线配置分区得到生产监测信息的推送序列结果时,推送针对性更佳。
第一方面,本申请提供一种基于人工智能的化妆品生产信息监测方法,应用于大数据中心,所述大数据中心与多个化妆品生产监控设备通信连接,所述方法包括:
获取针对所述化妆品生产监控设备的每个生产监控配置单元对应的生产监控配置信息,并基于所述生产监控配置信息对目标生产监测化妆品对象的生产监测信息进行信息索引,获得对应的生产监测索引片段;
基于所述生产监测索引片段获取对应的化妆品原料生产图谱,基于所述化妆品原料生产图谱,确定多个化妆品生产链的原料制造协同运行分布;
将所述原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,通过所述生产决策推送网络进行至少一次产线配置分区匹配得到至少一个产线配置分区;其中,通过所述生产决策推送网络进行的至少一次产线配置分区匹配是基于关联大数据产线分区进行的,所述关联大数据产线分区关联至所述多个生产决策推送网络的其它生产决策推送网络提取的产线配置分区,其中,所述生产决策推送网络基于人工智能网络和对应的训练样本训练获得,所述训练样本包括原料制造协同运行分布样本和对应的产线配置分区标签;
对所述多个生产决策推送网络输出的多个产线配置分区进行决策,得到决策产线配置分区,基于所述决策产线配置分区,得到所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果,并基于所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果进行生产行为推送。
在第一方面的一种可能的实现方式中,所述方法还包括:
将所述多个生产决策推送网络的其中一个生产决策推送网络作为目标生产决策推送网络;
获取所述目标生产决策推送网络提取的第一产线配置分区,以及所述多个生产决策推送网络中除所述目标生产决策推送网络之外的其它生产决策推送网络提取的第二产线配置分区;
当所述第二产线配置分区的化妆品生产链不匹配所述第一产线配置分区的化妆品生产链时,对所述第二产线配置分区进行状态添加,状态添加后的所述第二产线配置分区的化妆品生产链与所述第一产线配置分区的化妆品生产链相同;
通过所述目标生产决策推送网络,对状态添加后的所述第二产线配置分区和所述第一产线配置分区的分区重合结果进行产线配置分区匹配;
其中,所述第二产线配置分区的数量为至少两个;所述方法还包括:
当同时存在化妆品生产链不匹配所述第一产线配置分区的化妆品生产链的第二产线配置分区,以及化妆品生产链匹配所述第一产线配置分区的化妆品生产链的第二产线配置分区时,对化妆品生产链不匹配所述第一产线配置分区的化妆品生产链的第二产线配置分区进行状态添加,对化妆品生产链匹配所述第一产线配置分区的化妆品生产链的第二产线配置分区进行回溯状态添加,状态添加后的所述第二产线配置分区的化妆品生产链、回溯状态添加后的所述第二产线配置分区的化妆品生产链均与所述第一产线配置分区的化妆品生产链相同;
通过所述目标生产决策推送网络,对状态添加后的所述第二产线配置分区、回溯状态添加后的所述第二产线配置分区以及所述第一产线配置分区的分区重合结果进行产线配置分区匹配;
其中,所述方法还包括:
当所述第二产线配置分区的化妆品生产链匹配所述第一产线配置分区的化妆品生产链时,对所述第二产线配置分区进行回溯状态添加,回溯状态添加后的所述第二产线配置分区的化妆品生产链与所述第一产线配置分区的化妆品生产链相同;
通过所述目标生产决策推送网络,对回溯状态添加后的所述第二产线配置分区和所述第一产线配置分区的分区重合结果进行产线配置分区匹配。
在第一方面的一种可能的实现方式中,所述将所述原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,通过所述生产决策推送网络进行至少一次产线配置分区匹配得到至少一个产线配置分区的步骤,包括:
将所述原料制造协同运行分布分别输入所述生产决策推送模型中的多个生产决策推送网络;
对于其中一个生产决策推送网络,通过所述生产决策推送网络对相应的原料制造协同运行分布进行产线配置分区匹配,并在产线配置分区匹配得到第一产线配置分区后,获取通过所述多个生产决策推送网络的其它生产决策推送网络提取的第二产线配置分区与所述第一产线配置分区进行分区业务匹配,再基于分区业务匹配结果继续进行产线配置分区匹配,以使所述产线配置分区匹配和所述分区业务匹配交替进行。
在第一方面的一种可能的实现方式中,所述基于所述化妆品原料生产图谱,确定多个化妆品生产链的原料制造协同运行分布的步骤,包括:
对所述化妆品原料生产图谱进行化妆品生产链的索引匹配,得到多个不同化妆品生产链的原料制造协同运行分布;
所述将所述原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,通过所述生产决策推送网络进行至少一次产线配置分区匹配得到至少一个产线配置分区的步骤,包括:
将所述原料制造协同运行分布分别输入所述生产决策推送模型中的多个生产决策推送网络;所述原料制造协同运行分布分别与所述多个生产决策推送网络的其中一个生产决策推送网络一一对应;
通过所述生产决策推送网络对相应的原料制造协同运行分布进行至少一次产线配置分区匹配;
提取的产线配置分区的化妆品生产链与所述生产决策推送网络相应的原料制造协同运行分布的化妆品生产链保持一致。
在第一方面的一种可能的实现方式中,所述原料制造协同运行分布至少包括第一原料制造协同运行分布、第二原料制造协同运行分布和第三原料制造协同运行分布,所述生产决策推送模型包括第一生产决策推送网络、第二生产决策推送网络和第三生产决策推送网络,其中,所述第一原料制造协同运行分布、第二原料制造协同运行分布和第三原料制造协同运行分布分别对应生产质量控制点、物料供应点以及物料输出点的原料制造协同运行分布,所述第一生产决策推送网络、第二生产决策推送网络和第三生产决策推送网络分别对应生产质量控制点、物料供应点以及物料输出点的生产决策推送网络;
所述将所述原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,通过所述生产决策推送网络进行至少一次产线配置分区匹配得到至少一个产线配置分区,包括:
将所述第一原料制造协同运行分布输入第一生产决策推送网络进行第一决策层产线配置分区匹配,得到所述第一生产决策推送网络在第一决策层提取的产线配置分区;
对所述第一生产决策推送网络在第一决策层提取的产线配置分区和所述第二原料制造协同运行分布进行决策,得到所述第二生产决策推送网络在第二决策层相应的决策推送信息节点;
获取所述第一生产决策推送网络在第一决策层提取的产线配置分区,用作所述第一生产决策推送网络在第二决策层相应的决策推送信息节点;
通过所述第一生产决策推送网络,对所述第一生产决策推送网络在第二决策层相应的决策推送信息节点进行第二决策层首次产线配置分区匹配,得到所述第一生产决策推送网络在第二决策层首次提取的产线配置分区;
通过所述第二生产决策推送网络,对所述第二生产决策推送网络在第二决策层相应的决策推送信息节点进行第二决策层首次产线配置分区匹配,得到所述第二生产决策推送网络在第二决策层首次提取的产线配置分区;
将所述第一生产决策推送网络在第二决策层首次提取的产线配置分区传递给所述第二生产决策推送网络,并将所述第二生产决策推送网络在第二决策层首次提取的产线配置分区传递给所述第一生产决策推送网络;
通过所述第一生产决策推送网络对所述第一生产决策推送网络在第二决策层首次提取的产线配置分区和所述第二生产决策推送网络传递的产线配置分区进行决策,并对分区重合结果进行产线配置分区匹配;
通过所述第二生产决策推送网络对所述第二生产决策推送网络在第二决策层首次提取的产线配置分区和所述第一生产决策推送网络传递的产线配置分区进行决策,并对分区重合结果进行产线配置分区匹配;
对所述第一生产决策推送网络在第二决策层提取的产线配置分区、所述第二生产决策推送网络在第二决策层提取的产线配置分区和所述第三原料制造协同运行分布进行决策,得到所述第三生产决策推送网络在第三决策层相应的决策推送信息节点;
通过所述第一生产决策推送网络基于所述第一生产决策推送网络在第二决策层提取的产线配置分区进行第三决策层产线配置分区匹配,通过所述第二生产决策推送网络基于所述第二生产决策推送网络在第二决策层提取的产线配置分区进行第三决策层产线配置分区匹配,并通过所述第三生产决策推送网络对所述第三生产决策推送网络在第三决策层相应的决策推送信息节点进行第三决策层产线配置分区匹配。
在第一方面的一种可能的实现方式中,所述基于所述决策产线配置分区,得到所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果的步骤,包括:
确定所述生产监测信息相应的推送模型;
将所述决策产线配置分区输入所述推送模型,通过所述推送模型得到所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果;
所述生产决策推送模型和所述推送模型的配置步骤包括:
获取决策产线配置分区样本、所述生产决策推送模型和所述推送模型,所述决策产线配置分区样本的推送标签用于表示所述决策产线配置分区样本在所述生产监测信息下的标注结果;
基于所述决策产线配置分区样本,确定多个化妆品生产链的原料制造协同运行分布样本;
将所述原料制造协同运行分布样本分别输入所述生产决策推送模型中的多个生产决策推送网络,通过所述生产决策推送网络进行至少一次产线配置分区匹配得到至少一个决策产线配置分区;其中,通过所述生产决策推送网络进行的至少一次产线配置分区匹配是基于关联大数据产线分区进行的,所述关联大数据产线分区关联至所述多个生产决策推送网络的其它生产决策推送网络提取的决策产线配置分区;
对所述多个生产决策推送网络输出的多个产线配置分区进行决策,得到目标决策产线配置分区;
将所述目标决策产线配置分区输入所述推送模型,通过所述推送模型得到所述决策产线配置分区样本在所述生产监测信息下的决策结果;
基于所述决策结果和所述推送标签,配置所述生产决策推送模型和所述推送模型。
在第一方面的一种可能的实现方式中,所述基于所述生产监测索引片段获取对应的化妆品原料生产图谱的步骤,包括:
从预设产线分区集合中获取所述生产监测索引片段所对应的对应的化妆品原料生产图谱;
所述将所述决策产线配置分区输入所述推送模型,通过所述推送模型得到所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果的步骤,包括:
将所述目标决策产线配置分区输入所述推送模型,通过所述推送模型对所述目标决策产线配置分区进行推送信息索引,得到所述目标决策产线配置分区的推送序列结果。
在第一方面的一种可能的实现方式中,所述对所述多个生产决策推送网络输出的多个产线配置分区进行决策,得到决策产线配置分区的步骤,包括:
获取所述多个生产决策推送网络输出的多个产线配置分区,确定所述多个产线配置分区中全局化妆品生产链的目标产线配置分区;
对所述多个产线配置分区中除所述目标产线配置分区之外的其它产线配置分区进行决策,决策后的所述其它产线配置分区的化妆品生产链与所述目标产线配置分区的化妆品生产链相同;
列出决策后的所述其它产线配置分区和所述目标产线配置分区,得到所述决策产线配置分区。
在第一方面的一种可能的实现方式中,所述获取针对所述化妆品生产监控设备的每个生产监控配置单元对应的生产监控配置信息,并基于所述生产监控配置信息对目标生产监测化妆品对象的生产监测信息进行信息索引,获得对应的生产监测索引片段的步骤,包括:
通过调用预先进行生产监控软件平台更新后的目标生产监测化妆品对象的生产监控软件平台,对所述目标生产监测化妆品对象在各个生产模拟环境下进行生产模拟监控,得到生产模拟监控结果;
将所述生产模拟监控结果中生产监控配置单元的生产线切换行为误差数据与生产监控配置单元对应的生产线切换行为数据库中的生产线切换行为比较数据进行比对;
根据比对结果,确定所述生产模拟监控结果中误差数据存在差异的生产模拟监控线,并获取所述误差数据存在差异的生产模拟监控线在各个生产模拟监控环节的生产线结果参数;
根据所述误差数据存在差异的生产模拟监控线在各个生产模拟监控环节的生产线结果参数,更新所述目标生产监测化妆品对象的生产监控软件平台中针对该生产监控配置单元对应的生产监控配置信息,并基于更新后的生产监控配置信息对经由区块链访问的所述目标生产监测化妆品对象的生产监测信息进行信息索引,获得对应的生产监测索引片段。
第二方面,本申请实施例还提供一种基于人工智能的化妆品生产信息监测装置,应用于大数据中心,所述大数据中心与多个化妆品生产监控设备通信连接,所述装置包括:
获取索引模块,用于获取针对所述化妆品生产监控设备的每个生产监控配置单元对应的生产监控配置信息,并基于所述生产监控配置信息对目标生产监测化妆品对象的生产监测信息进行信息索引,获得对应的生产监测索引片段;
确定模块,用于基于所述生产监测索引片段获取对应的化妆品原料生产图谱,基于所述化妆品原料生产图谱,确定多个化妆品生产链的原料制造协同运行分布;
匹配模块,用于将所述原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,通过所述生产决策推送网络进行至少一次产线配置分区匹配得到至少一个产线配置分区;其中,通过所述生产决策推送网络进行的至少一次产线配置分区匹配是基于关联大数据产线分区进行的,所述关联大数据产线分区关联至所述多个生产决策推送网络的其它生产决策推送网络提取的产线配置分区,其中,所述生产决策推送网络基于人工智能网络和对应的训练样本训练获得,所述训练样本包括原料制造协同运行分布样本和对应的产线配置分区标签;
推送模块,用于对所述多个生产决策推送网络输出的多个产线配置分区进行决策,得到决策产线配置分区,基于所述决策产线配置分区,得到所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果,并基于所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果进行生产行为推送。
第三方面,本申请实施例还提供一种基于人工智能的化妆品生产信息监测***,所述基于人工智能的化妆品生产信息监测***包括大数据中心以及与所述大数据中心通信连接的多个化妆品生产监控设备;
所述大数据中心,用于:
获取针对所述化妆品生产监控设备的每个生产监控配置单元对应的生产监控配置信息,并基于所述生产监控配置信息对目标生产监测化妆品对象的生产监测信息进行信息索引,获得对应的生产监测索引片段;
基于所述生产监测索引片段获取对应的化妆品原料生产图谱,基于所述化妆品原料生产图谱,确定多个化妆品生产链的原料制造协同运行分布;
将所述原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,通过所述生产决策推送网络进行至少一次产线配置分区匹配得到至少一个产线配置分区;其中,通过所述生产决策推送网络进行的至少一次产线配置分区匹配是基于关联大数据产线分区进行的,所述关联大数据产线分区关联至所述多个生产决策推送网络的其它生产决策推送网络提取的产线配置分区,其中,所述生产决策推送网络基于人工智能网络和对应的训练样本训练获得,所述训练样本包括原料制造协同运行分布样本和对应的产线配置分区标签;
对所述多个生产决策推送网络输出的多个产线配置分区进行决策,得到决策产线配置分区,基于所述决策产线配置分区,得到所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果,并基于所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果进行生产行为推送。
第四方面,本申请实施例还提供一种大数据中心,所述大数据中心包括处理器、机器可读存储介质和网络接口,所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线***相连,所述网络接口用于与至少一个化妆品生产监控设备通信连接,所述机器可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述机器可读存储介质中的程序、指令或代码,以执行第一方面或者第一方面中任意一个可能的实现方式中的基于人工智能的化妆品生产信息监测方法。
第五方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其被执行时,使得计算机执行上述第一方面或者第一方面中任意一个可能的实现方式中的基于人工智能的化妆品生产信息监测方法。
基于上述任意一个方面,本申请先基于化妆品原料生产图谱确定多个化妆品生产链的原料制造协同运行分布,将原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,每个生产决策推送网络都会进行至少一次产线配置分区匹配得到至少一个产线配置分区。其中,每个生产决策推送网络都有至少一次产线配置分区匹配是基于关联大数据产线分区进行的,关联大数据产线分区关联至多个生产决策推送网络的其它生产决策推送网络提取的产线配置分区。这样,不同生产决策推送网络中提取的产线配置分区之间可以进行至少一次的交换和融合,进而能够将不同层次的产线配置分区进行决策,以通过丰富产线配置分区的层次来提高生产行为推送的表征能力,从而在基于生产决策推送模型提取的产线配置分区得到生产监测信息的推送序列结果时,推送针对性更佳。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要调用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它相关的附图。
图1为本申请实施例提供的基于人工智能的化妆品生产信息监测***的应用场景示意图;
图2为本申请实施例提供的基于人工智能的化妆品生产信息监测方法的流程示意图;
图3为本申请实施例提供的基于人工智能的化妆品生产信息监测装置的功能模块示意图;
图4为本申请实施例提供的用于实现上述的基于人工智能的化妆品生产信息监测方法的大数据中心的结构组件示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或***实施例中。
图1是本申请一种实施例提供的基于人工智能的化妆品生产信息监测***10的交互示意图。基于人工智能的化妆品生产信息监测***10可以包括大数据中心100以及与大数据中心100通信连接的化妆品生产监控设备200。图1所示的基于人工智能的化妆品生产信息监测***10仅为一种可行的示例,在其它可行的实施例中,该基于人工智能的化妆品生产信息监测***10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
本实施例中,基于人工智能的化妆品生产信息监测***10中的大数据中心100和化妆品生产监控设备200可以通过配合执行以下方法实施例所描述的基于人工智能的化妆品生产信息监测方法,具体大数据中心100和化妆品生产监控设备200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题,图2为本申请实施例提供的基于人工智能的化妆品生产信息监测方法的流程示意图,本实施例提供的基于人工智能的化妆品生产信息监测方法可以由图1中所示的大数据中心100执行,下面对该基于人工智能的化妆品生产信息监测方法进行详细介绍。
步骤S110,获取针对所述化妆品生产监控设备的每个生产监控配置单元对应的生产监控配置信息,并基于生产监控配置信息对目标生产监测化妆品对象的生产监测信息进行信息索引,获得对应的生产监测索引片段。
本实施例中,生产监控配置信息可以用于表征在进行生产监控过程中进行信息索引决策的参数指令,目标生产监测化妆品对象可以是指生产监测化妆品对象数据的标识化妆品业务,生产监测信息可以是指发起的生产监测请求相关的生产监测配置参数。生产监测索引片段可以是指针对目标生产监测化妆品对象的生产监测信息从预先配置的索引数据库中获得的与每个信息索引决策的参数指令匹配的索引片段,具体可以包括索引得到的生产监测行为、生产监测化妆品业务标签、生产监测班组、生产监测上市日期等等。
步骤S120,基于生产监测索引片段获取对应的化妆品原料生产图谱,基于化妆品原料生产图谱,确定多个化妆品生产链的原料制造协同运行分布。
本实施例中,化妆品原料生产图谱可以包括化妆品原料在各个化妆品生产线上的生产分布情况,化妆品生产链可以是指各个化妆品生产线构成运行关系集合,原料制造协同运行分布可以是指各个化妆品生产线在对化妆品原料进行生产过程中的协同运行关系的分布情况,协同运行关系可以是指生产过程中的输入输出控制的顺序。
步骤S130,将原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,通过生产决策推送网络进行至少一次产线配置分区匹配得到至少一个产线配置分区。
本实施例中,通过生产决策推送网络进行的至少一次产线配置分区匹配是基于关联大数据产线分区进行的,关联大数据产线分区关联至多个生产决策推送网络的其它生产决策推送网络提取的产线配置分区。其中,所述生产决策推送网络基于人工智能网络和对应的训练样本训练获得,所述训练样本包括原料制造协同运行分布样本和对应的产线配置分区标签。
步骤S140,对多个生产决策推送网络输出的多个产线配置分区进行决策,得到决策产线配置分区,基于决策产线配置分区,得到化妆品原料生产图谱在生产监测信息下的推送序列结果,并基于化妆品原料生产图谱在生产监测信息下的推送序列结果进行生产行为推送。
本实施例中,化妆品原料生产图谱在生产监测信息下的推送序列结果可以用于表征化妆品原料生产图谱在后续进行生产行为推送过程中的推送指令运行集合,也即在生产行为推送过程中控制推送数据节点的流向关系的推送控制指令,从而按照这些推送控制指令的执行顺序进行计算机程序的执行,从而进行生产行为推送。
基于上述步骤,本实施例先基于化妆品原料生产图谱确定多个化妆品生产链的原料制造协同运行分布,将原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,每个生产决策推送网络都会进行至少一次产线配置分区匹配得到至少一个产线配置分区,并且至少一次产线配置分区匹配是基于关联大数据产线分区进行的,关联大数据产线分区关联至多个生产决策推送网络的其它生产决策推送网络提取的产线配置分区,其中,所述生产决策推送网络基于人工智能网络和对应的训练样本训练获得,所述训练样本包括原料制造协同运行分布样本和对应的产线配置分区标签,这样不同生产决策推送网络中提取的产线配置分区之间可以进行至少一次的交换和融合,进而能够将不同层次的产线配置分区进行决策,以通过丰富产线配置分区的层次来提高生产行为推送的表征能力,从而推送针对性更佳。
在一种可能的实现方式中,在上述方案的基础上,本实施例还可以进一步将多个生产决策推送网络的其中一个生产决策推送网络作为目标生产决策推送网络,然后获取目标生产决策推送网络提取的第一产线配置分区,以及多个生产决策推送网络中除目标生产决策推送网络之外的其它生产决策推送网络提取的第二产线配置分区。
这样,当第二产线配置分区的化妆品生产链不匹配第一产线配置分区的化妆品生产链时,对第二产线配置分区进行状态添加,状态添加后的第二产线配置分区的化妆品生产链与第一产线配置分区的化妆品生产链相同。由此,可以通过目标生产决策推送网络,对状态添加后的第二产线配置分区和第一产线配置分区的分区重合结果进行产线配置分区匹配。
其中,第二产线配置分区的数量为至少两个。
在上述基础上,当同时存在化妆品生产链不匹配第一产线配置分区的化妆品生产链的第二产线配置分区,以及化妆品生产链匹配第一产线配置分区的化妆品生产链的第二产线配置分区时,对化妆品生产链不匹配第一产线配置分区的化妆品生产链的第二产线配置分区进行状态添加,对化妆品生产链匹配第一产线配置分区的化妆品生产链的第二产线配置分区进行回溯状态添加,状态添加后的第二产线配置分区的化妆品生产链、回溯状态添加后的第二产线配置分区的化妆品生产链均与第一产线配置分区的化妆品生产链相同。
如此,可以通过目标生产决策推送网络,对状态添加后的第二产线配置分区、回溯状态添加后的第二产线配置分区以及第一产线配置分区的分区重合结果进行产线配置分区匹配。
再例如,在上述基础上,当第二产线配置分区的化妆品生产链匹配第一产线配置分区的化妆品生产链时,对第二产线配置分区进行回溯状态添加,回溯状态添加后的第二产线配置分区的化妆品生产链与第一产线配置分区的化妆品生产链相同。如此,可以通过目标生产决策推送网络,对回溯状态添加后的第二产线配置分区和第一产线配置分区的分区重合结果进行产线配置分区匹配。
在一种可能的实现方式中,针对步骤S130而言,在将原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,通过生产决策推送网络进行至少一次产线配置分区匹配得到至少一个产线配置分区的过程中,可以通过以下示例性的子步骤来实现,详细描述如下。
子步骤S131,将原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络。
子步骤S132,对于其中一个生产决策推送网络,通过生产决策推送网络对相应的原料制造协同运行分布进行产线配置分区匹配,并在产线配置分区匹配得到第一产线配置分区后,获取通过多个生产决策推送网络的其它生产决策推送网络提取的第二产线配置分区与第一产线配置分区进行分区业务匹配,再基于分区业务匹配结果继续进行产线配置分区匹配,以使产线配置分区匹配和分区业务匹配交替进行。
再进一步地,针对步骤S120,在基于化妆品原料生产图谱,确定多个化妆品生产链的原料制造协同运行分布的过程中,可以对化妆品原料生产图谱进行化妆品生产链的索引匹配,得到多个不同化妆品生产链的原料制造协同运行分布。
例如,可以索引匹配化妆品原料生产图谱针对每个化妆品生产链的推送信息节点,并将所有推送信息节点按照各自之间的关联关系进行拼接,从而得到多个不同化妆品生产链的原料制造协同运行分布。
这样,在另一种并列可能的实现方式中,针对步骤S130,在将原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,通过生产决策推送网络进行至少一次产线配置分区匹配得到至少一个产线配置分区的过程中,可以通过以下示例性的子步骤来实现,详细描述如下。
子步骤S133,将原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络。
其中,原料制造协同运行分布分别与多个生产决策推送网络的其中一个生产决策推送网络一一对应。
子步骤S134,通过生产决策推送网络对相应的原料制造协同运行分布进行至少一次产线配置分区匹配。其中,提取的产线配置分区的化妆品生产链与生产决策推送网络相应的原料制造协同运行分布的化妆品生产链保持一致。
在一种并列可能的实现方式中,前述的原料制造协同运行分布至少包括第一原料制造协同运行分布、第二原料制造协同运行分布和第三原料制造协同运行分布,生产决策推送模型包括第一生产决策推送网络、第二生产决策推送网络和第三生产决策推送网络,其中,第一原料制造协同运行分布、第二原料制造协同运行分布和第三原料制造协同运行分布分别对应生产质量控制点、物料供应点以及物料输出点的原料制造协同运行分布,第一生产决策推送网络、第二生产决策推送网络和第三生产决策推送网络分别对应生产质量控制点、物料供应点以及物料输出点的生产决策推送网络。
在此基础上,仍旧针对步骤S130,在将原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,通过生产决策推送网络进行至少一次产线配置分区匹配得到至少一个产线配置分区的过程中,可以通过以下示例性的子步骤来实现,详细描述如下。
子步骤S135,将第一原料制造协同运行分布输入第一生产决策推送网络进行第一决策层产线配置分区匹配,得到第一生产决策推送网络在第一决策层提取的产线配置分区。
子步骤S136,对第一生产决策推送网络在第一决策层提取的产线配置分区和第二原料制造协同运行分布进行决策,得到第二生产决策推送网络在第二决策层相应的决策推送信息节点。
子步骤S137,获取第一生产决策推送网络在第一决策层提取的产线配置分区,用作第一生产决策推送网络在第二决策层相应的决策推送信息节点。
子步骤S138,通过第一生产决策推送网络,对第一生产决策推送网络在第二决策层相应的决策推送信息节点进行第二决策层首次产线配置分区匹配,得到第一生产决策推送网络在第二决策层首次提取的产线配置分区。
子步骤S1391,通过第二生产决策推送网络,对第二生产决策推送网络在第二决策层相应的决策推送信息节点进行第二决策层首次产线配置分区匹配,得到第二生产决策推送网络在第二决策层首次提取的产线配置分区。
子步骤S1392,将第一生产决策推送网络在第二决策层首次提取的产线配置分区传递给第二生产决策推送网络,并将第二生产决策推送网络在第二决策层首次提取的产线配置分区传递给第一生产决策推送网络。
子步骤S1393,通过第一生产决策推送网络对第一生产决策推送网络在第二决策层首次提取的产线配置分区和第二生产决策推送网络传递的产线配置分区进行决策,并对分区重合结果进行产线配置分区匹配。
子步骤S1394,通过第二生产决策推送网络对第二生产决策推送网络在第二决策层首次提取的产线配置分区和第一生产决策推送网络传递的产线配置分区进行决策,并对分区重合结果进行产线配置分区匹配。
子步骤S1395,对第一生产决策推送网络在第二决策层提取的产线配置分区、第二生产决策推送网络在第二决策层提取的产线配置分区和第三原料制造协同运行分布进行决策,得到第三生产决策推送网络在第三决策层相应的决策推送信息节点。
子步骤S1396,通过第一生产决策推送网络基于第一生产决策推送网络在第二决策层提取的产线配置分区进行第三决策层产线配置分区匹配,通过第二生产决策推送网络基于第二生产决策推送网络在第二决策层提取的产线配置分区进行第三决策层产线配置分区匹配,并通过第三生产决策推送网络对第三生产决策推送网络在第三决策层相应的决策推送信息节点进行第三决策层产线配置分区匹配。
进一步地,在一种可能的实现方式中,针对步骤S140而言,在基于决策产线配置分区,得到化妆品原料生产图谱在生产监测信息下的推送序列结果的过程中,可以通过以下示例性的子步骤来实现,详细描述如下。
子步骤S141,确定生产监测信息相应的推送模型。
子步骤S142,将决策产线配置分区输入推送模型,通过推送模型得到化妆品原料生产图谱在生产监测信息下的推送序列结果。
其中,生产决策推送模型和推送模型的配置方式可以通过以下示例性的实施方式来实现:
(1)获取决策产线配置分区样本、生产决策推送模型和推送模型,决策产线配置分区样本的推送标签用于表示决策产线配置分区样本在生产监测信息下的标注结果。
(2)基于决策产线配置分区样本,确定多个化妆品生产链的原料制造协同运行分布样本。
(3)将原料制造协同运行分布样本分别输入生产决策推送模型中的多个生产决策推送网络,通过生产决策推送网络进行至少一次产线配置分区匹配得到至少一个决策产线配置分区。
其中,通过生产决策推送网络进行的至少一次产线配置分区匹配是基于关联大数据产线分区进行的,关联大数据产线分区关联至多个生产决策推送网络的其它生产决策推送网络提取的决策产线配置分区。
(4)对多个生产决策推送网络输出的多个产线配置分区进行决策,得到目标决策产线配置分区。
(5)将目标决策产线配置分区输入推送模型,通过推送模型得到决策产线配置分区样本在生产监测信息下的决策结果。
(6)基于决策结果和推送标签,配置生产决策推送模型和推送模型。
进一步地,针对步骤S120而言,在基于生产监测索引片段获取对应的化妆品原料生产图谱的过程中,可以从预设产线分区集合中获取生产监测索引片段所对应的对应的化妆品原料生产图谱。
在此基础上,在上述步骤中,在将决策产线配置分区输入推送模型,通过推送模型得到化妆品原料生产图谱在生产监测信息下的推送序列结果的过程中,可以将目标决策产线配置分区输入推送模型,通过推送模型对目标决策产线配置分区进行推送信息索引,得到目标决策产线配置分区的推送序列结果。
进一步地,在一种可能的实现方式中,针对步骤S140而言,在对多个生产决策推送网络输出的多个产线配置分区进行决策,得到决策产线配置分区的过程中,可以通过以下示例性的子步骤来实现,详细描述如下。
子步骤S143,获取多个生产决策推送网络输出的多个产线配置分区,确定多个产线配置分区中全局化妆品生产链的目标产线配置分区。
子步骤S144,对多个产线配置分区中除目标产线配置分区之外的其它产线配置分区进行决策,决策后的其它产线配置分区的化妆品生产链与目标产线配置分区的化妆品生产链相同。
子步骤S145,列出决策后的其它产线配置分区和目标产线配置分区,得到决策产线配置分区。
进一步地,在一种可能的实现方式中,对于步骤S110而言,在获取针对所述化妆品生产监控设备的每个生产监控配置单元对应的生产监控配置信息,并基于生产监控配置信息对目标生产监测化妆品对象的生产监测信息进行信息索引,获得对应的生产监测索引片段的过程中,可以通过以下示例性的子步骤来实现,详细描述如下。
子步骤S111,通过调用预先进行生产监控软件平台更新后的目标生产监测化妆品对象的生产监控软件平台,对目标生产监测化妆品对象在各个生产模拟环境下进行生产模拟监控,得到生产模拟监控结果。
子步骤S112,将生产模拟监控结果中生产监控配置单元的生产线切换行为误差数据与生产监控配置单元对应的生产线切换行为数据库中的生产线切换行为比较数据进行比对。
子步骤S113,根据比对结果,确定生产模拟监控结果中误差数据存在差异的生产模拟监控线,并获取误差数据存在差异的生产模拟监控线在各个生产模拟监控环节的生产线结果参数。
子步骤S114,根据误差数据存在差异的生产模拟监控线在各个生产模拟监控环节的生产线结果参数,更新目标生产监测化妆品对象的生产监控软件平台中针对该生产监控配置单元对应的生产监控配置信息,并基于更新后的生产监控配置信息对经由区块链访问的所述目标生产监测化妆品对象的生产监测信息进行信息索引。
譬如,本实施例中,针对步骤S111,在调用预先进行生产监控软件平台更新后的目标生产监测化妆品对象的生产监控软件平台,对目标生产监测化妆品对象在各个生产模拟环境下进行生产模拟监控,得到生产模拟监控结果的过程中,生产模拟监控的过程例如可以是通过生产监控软件平台对目标生产监测化妆品对象在各个生产模拟环境下,针对每个生产模拟监控项目进行针对性地生产模拟监控,从而可以得到生产模拟监控结果中每个生产监控配置单元的生产线切换行为误差数据。其中,每个生产模拟监控项目对应于一个生产线切换行为误差数据,生产模拟监控项目可以是指针对不同生产模拟环境下的模拟监控项目,相对应的生产线切换行为误差数据可以是指在这些模拟监控项目下所产生的模拟指标参数,此外生产监控配置单元可以是指完成更新过程的生产监控配置脚本。
譬如,本实施例中,针对步骤S112,在将生产模拟监控结果中生产监控配置单元的生产线切换行为误差数据与生产监控配置单元对应的生产线切换行为数据库中的生产线切换行为比较数据进行比对的过程中,具体可以是比对生产线切换行为误差数据和生产线切换行为比较数据中存在的参数变化或者参数差异,从而可以去确定后续生产模拟监控结果中误差数据存在差异的生产模拟监控线。
譬如,本实施例中,生产线结果参数可以是指在进行生产模拟监控过程中用于控制整个生产监控过程中的配置参数,这些配置参数通常是与生产模拟监控项目有关。由此可以根据误差数据存在差异的生产模拟监控线在各个生产模拟监控环节的生产线结果参数,更新目标生产监测化妆品对象的生产监控软件平台中针对该生产监控配置单元对应的生产监控配置信息,并基于更新后的生产监控配置信息对经由区块链访问的所述目标生产监测化妆品对象的生产监测信息进行信息索引,在具体更新过程中可以是对生产线结果参数在每个生产模拟监控项目进行项目配置,具体项目配置的过程可以参照现有技术的方案执行,例如针对生产线切换项目,可以通过与生产线切换项目对应的生产线切换配置类别来进行项目配置,可以由开发人员进行手动配置,也可以通过预设的自动化脚本自动进行项目配置。
基于上述设计,本实施例通过将生产监控配置单元的生产线切换行为误差数据与生产监控配置单元对应的生产线切换行为数据库进行比对,确定生产模拟监控结果中误差数据存在差异的生产模拟监控线,然后根据误差数据存在差异的生产模拟监控线,自动更新目标生产监测化妆品对象的生产监控软件平台中针对该生产监控配置单元对应的生产监控配置信息,并基于更新后的生产监控配置信息对经由区块链访问的所述目标生产监测化妆品对象的生产监测信息进行信息索引,从而提高目标生产监测化妆品对象的生产监控软件平台的生产监控效果,减少人工参与,节约人工资源。此外,在整个过程中仅仅是对于生产监控配置信息进行更新,不会影响生产监控软件平台的在先更新效果。
譬如,在一种可能的实现方式中,针对步骤S113而言,在根据比对结果,确定生产模拟监控结果中误差数据存在差异的生产模拟监控线的过程中,可以选择多种实施规则来确定,例如可以至少包括如下之一或任意组合:
第一种实施方式:根据生产监控配置单元的生产线切换行为误差数据与生产线切换行为数据库的比对结果,确定生产模拟监控结果中的新增生产模拟监控线,新增生产模拟监控线可以包括:在生产线切换行为数据库中未出现但在生产线切换行为误差数据中出现的误差数据元素数量匹配第一设定误差数据元素数量,并且在生产线切换行为误差数据中各次出现时的属性贝叶斯后验概率达到第一预设贝叶斯后验概率的比例匹配设定比例的生产模拟监控线。
第二种实施方式:根据生产监控配置单元的生产线切换行为误差数据与生产线切换行为数据库的比对结果,确定生产监控配置单元内的失效生产模拟监控线。失效生产模拟监控线包括:在生产线切换行为数据库中出现但在生产线切换行为误差数据中未出现的连续误差数据元素数量匹配第二设定误差数据元素数量的生产模拟监控线。
第三种实施方式:根据生产监控配置单元的生产线切换行为误差数据与生产线切换行为数据库的比对结果,确定在生产监控配置单元内发生异常速切换的速切换生产模拟监控线。速切换生产模拟监控线包括:根据生产线切换行为数据库确定的事件时序追踪模拟监控节点信息与生产线切换行为误差数据中的事件时序追踪模拟监控节点信息不一致的生产模拟监控线。
进一步地,譬如,在一种可能的实现方式中,针对步骤S113,在获取误差数据存在差异的生产模拟监控线在各个生产模拟监控环节的生产线结果参数的过程中,可以通过以下示例性的子步骤来实现。
子步骤S1131,将每个生产线切换行为误差数据对应的误差数据时序追踪信息与生产模拟监控线的时序追踪对象进行信息匹配。
子步骤S1132,将匹配度达到设定匹配度的误差数据时序追踪信息添加至目标参考模拟监控库。
子步骤S1133,对于每个生产模拟监控环节,确定目标参考模拟监控库中在生产模拟监控环节的时序追踪模拟监控分段区间内的各个误差数据时序追踪信息。
子步骤S1134,根据确定的各个误差数据时序追踪信息上生产模拟监控线的属性贝叶斯后验概率以及各个误差数据时序追踪信息与生产模拟监控环节之间的差异,确定生产模拟监控线在生产模拟监控环节的生产线结果参数。
示例性地,譬如,在子步骤S1131中,对于连续的每个误差数据时序追踪信息,确定误差数据时序追踪信息在时序追踪对象中对应的时序追踪对象模拟组件,然后根据误差数据时序追踪信息与对应的时序追踪对象模拟组件之间的差异,确定误差数据时序追踪信息的匹配度。
又例如,譬如,在子步骤S1131中还可以将连续的多个误差数据时序追踪信息组成误差数据时序追踪单元序列,根据多个误差数据时序追踪信息中的起始误差数据时序追踪信息和生产线切换行为误差数据中的时序追踪参数,确定多个参考时序追踪分区,组成参考时序追踪分区集合,然后根据误差数据时序追踪单元序列与参考时序追踪分区集合之间的差异,确定误差数据时序追踪单元序列中每个误差数据时序追踪信息的匹配度。
进一步地,譬如,在一种可能的实现方式中,针对步骤S114,在根据误差数据存在差异的生产模拟监控线在各个生产模拟监控环节的生产线结果参数,更新目标生产监测化妆品对象的生产监控软件平台中针对该生产监控配置单元对应的生产监控配置信息,并基于更新后的生产监控配置信息对经由区块链访问的所述目标生产监测化妆品对象的生产监测信息进行信息索引的过程中,可以通过以下示例性的子步骤来实现。
子步骤S1141,根据误差数据存在差异的生产模拟监控线在各个生产模拟监控环节的生产线结果参数确定生产模拟监控线的兼容性评价指数。
子步骤S1142,若误差数据存在差异的生产模拟监控线的兼容性评价指数满足预设条件,则将误差数据存在差异的生产模拟监控线在各个生产模拟监控环节的生产线结果参数更新至目标生产监测化妆品对象的生产监控软件平台中针对该生产监控配置单元对应的生产监控配置信息,并基于更新后的生产监控配置信息对经由区块链访问的所述目标生产监测化妆品对象的生产监测信息进行信息索引中。
其中,具体更新的过程中在前述描述中已经有示例说明,在此不再赘述。
此外,在一些可能的示例中,预设条件可以包括以下之一或任意组合:
1)生产模拟监控线的时序追踪模拟监控分布的分布集合程度匹配设定分布集合程度。
2)生产模拟监控线的时序追踪模拟监控分布在相邻的时序追踪模拟监控节点。
3)生产模拟监控线的信号的覆盖范围在设定范围区间内。
4)生产模拟监控线的关键生产线结果参数匹配预设生产线结果参数。
可以理解的是,在实际实施过程中,可以采用上述预设条件的任意组合来实施,具体不作限定。
图3为本公开实施例提供的基于人工智能的化妆品生产信息监测装置300的功能模块示意图,本实施例可以根据上述大数据中心100执行的方法实施例对该基于人工智能的化妆品生产信息监测装置300进行功能模块的划分,也即该基于人工智能的化妆品生产信息监测装置300所对应的以下各个功能模块可以用于执行上述大数据中心100执行的各个方法实施例。其中,该基于人工智能的化妆品生产信息监测装置300可以包括获取索引模块310、确定模块320、匹配模块330以及推送模块340,下面分别对该基于人工智能的化妆品生产信息监测装置300的各个功能模块的功能进行详细阐述。
获取索引模块310,用于获取针对所述化妆品生产监控设备的每个生产监控配置单元对应的生产监控配置信息,并基于所述生产监控配置信息对目标生产监测化妆品对象的生产监测信息进行信息索引,获得对应的生产监测索引片段。其中,获取索引模块310可以用于执行上述的步骤S110,关于获取索引模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。
确定模块320,用于基于所述生产监测索引片段获取对应的化妆品原料生产图谱,基于所述化妆品原料生产图谱,确定多个化妆品生产链的原料制造协同运行分布。其中,确定模块320可以用于执行上述的步骤S120,关于确定模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。
匹配模块330,用于将所述原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,通过所述生产决策推送网络进行至少一次产线配置分区匹配得到至少一个产线配置分区;其中,通过所述生产决策推送网络进行的至少一次产线配置分区匹配是基于关联大数据产线分区进行的,所述关联大数据产线分区关联至所述多个生产决策推送网络的其它生产决策推送网络提取的产线配置分区,其中,所述生产决策推送网络基于人工智能网络和对应的训练样本训练获得,所述训练样本包括原料制造协同运行分布样本和对应的产线配置分区标签。其中,匹配模块330可以用于执行上述的步骤S130,关于匹配模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。
推送模块340,用于对所述多个生产决策推送网络输出的多个产线配置分区进行决策,得到决策产线配置分区,基于所述决策产线配置分区,得到所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果,并基于所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果进行生产行为推送。其中,推送模块340可以用于执行上述的步骤S140,关于推送模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,获取索引模块310可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上获取索引模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所描述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
图4示出了本公开实施例提供的用于实现上述的基于人工智能的化妆品生产信息监测方法的大数据中心100的硬件结构示意图,如图4所示,大数据中心100可包括处理器110、机器可读存储介质120、总线130以及收发器140。
在具体实现过程中,至少一个处理器110执行机器可读存储介质120存储的计算机执行指令(例如图3中所示的基于人工智能的化妆品生产信息监测装置300包括的获取索引模块310、确定模块320、匹配模块330以及推送模块340),使得处理器110可以执行如上方法实施例的基于人工智能的化妆品生产信息监测方法,其中,处理器110、机器可读存储介质120以及收发器140通过总线130连接,处理器110可以用于控制收发器140的收发动作,从而可以与前述的化妆品生产监控设备200进行数据收发。
处理器110的具体实现过程可参见上述大数据中心100执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述的图4所示的实施例中,应理解,处理器可以是中央处理器(英文:CentralProcessing Unit,CPU),还可以是其它通用处理器、数字信号处理器(英文:DigitalSignal Processor,DSP)、专用集成电路(英文:Application SpecificIntegratedCircuit,ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
机器可读存储介质120可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
总线130可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
此外,本申请实施例还提供一种可读存储介质,所述可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上基于人工智能的化妆品生产信息监测方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对它们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、***或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书处理元素和序列的顺序、数字字母的使用、或其它名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
最后,应当理解的是,本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种基于人工智能的化妆品生产信息监测方法,其特征在于,应用于大数据中心,所述大数据中心与多个化妆品生产监控设备通信连接,所述方法包括:
获取针对所述化妆品生产监控设备的每个生产监控配置单元对应的生产监控配置信息,并基于所述生产监控配置信息对目标生产监测化妆品对象的生产监测信息进行信息索引,获得对应的生产监测索引片段;
基于所述生产监测索引片段获取对应的化妆品原料生产图谱,基于所述化妆品原料生产图谱,确定多个化妆品生产链的原料制造协同运行分布;
将所述原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,通过所述生产决策推送网络进行至少一次产线配置分区匹配得到至少一个产线配置分区;其中,通过所述生产决策推送网络进行的至少一次产线配置分区匹配是基于关联大数据产线分区进行的,所述关联大数据产线分区关联至所述多个生产决策推送网络的其它生产决策推送网络提取的产线配置分区,其中,所述生产决策推送网络基于人工智能网络和对应的训练样本训练获得,所述训练样本包括原料制造协同运行分布样本和对应的产线配置分区标签;
对所述多个生产决策推送网络输出的多个产线配置分区进行决策,得到决策产线配置分区,基于所述决策产线配置分区,得到所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果,并基于所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果进行生产行为推送。
2.根据权利要求1所述的基于人工智能的化妆品生产信息监测方法,其特征在于,所述方法还包括:
将所述多个生产决策推送网络的其中一个生产决策推送网络作为目标生产决策推送网络;
获取所述目标生产决策推送网络提取的第一产线配置分区,以及所述多个生产决策推送网络中除所述目标生产决策推送网络之外的其它生产决策推送网络提取的第二产线配置分区;
当所述第二产线配置分区的化妆品生产链不匹配所述第一产线配置分区的化妆品生产链时,对所述第二产线配置分区进行状态添加,状态添加后的所述第二产线配置分区的化妆品生产链与所述第一产线配置分区的化妆品生产链相同;
通过所述目标生产决策推送网络,对状态添加后的所述第二产线配置分区和所述第一产线配置分区的分区重合结果进行产线配置分区匹配;
其中,所述第二产线配置分区的数量为至少两个;所述方法还包括:
当同时存在化妆品生产链不匹配所述第一产线配置分区的化妆品生产链的第二产线配置分区,以及化妆品生产链匹配所述第一产线配置分区的化妆品生产链的第二产线配置分区时,对化妆品生产链不匹配所述第一产线配置分区的化妆品生产链的第二产线配置分区进行状态添加,对化妆品生产链匹配所述第一产线配置分区的化妆品生产链的第二产线配置分区进行回溯状态添加,状态添加后的所述第二产线配置分区的化妆品生产链、回溯状态添加后的所述第二产线配置分区的化妆品生产链均与所述第一产线配置分区的化妆品生产链相同;
通过所述目标生产决策推送网络,对状态添加后的所述第二产线配置分区、回溯状态添加后的所述第二产线配置分区以及所述第一产线配置分区的分区重合结果进行产线配置分区匹配;
其中,所述方法还包括:
当所述第二产线配置分区的化妆品生产链匹配所述第一产线配置分区的化妆品生产链时,对所述第二产线配置分区进行回溯状态添加,回溯状态添加后的所述第二产线配置分区的化妆品生产链与所述第一产线配置分区的化妆品生产链相同;
通过所述目标生产决策推送网络,对回溯状态添加后的所述第二产线配置分区和所述第一产线配置分区的分区重合结果进行产线配置分区匹配。
3.根据权利要求1所述的基于人工智能的化妆品生产信息监测方法,其特征在于,所述将所述原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,通过所述生产决策推送网络进行至少一次产线配置分区匹配得到至少一个产线配置分区的步骤,包括:
将所述原料制造协同运行分布分别输入所述生产决策推送模型中的多个生产决策推送网络;
对于其中一个生产决策推送网络,通过所述生产决策推送网络对相应的原料制造协同运行分布进行产线配置分区匹配,并在产线配置分区匹配得到第一产线配置分区后,获取通过所述多个生产决策推送网络的其它生产决策推送网络提取的第二产线配置分区与所述第一产线配置分区进行分区业务匹配,再基于分区业务匹配结果继续进行产线配置分区匹配,以使所述产线配置分区匹配和所述分区业务匹配交替进行。
4.根据权利要求1所述的基于人工智能的化妆品生产信息监测方法,其特征在于,所述基于所述化妆品原料生产图谱,确定多个化妆品生产链的原料制造协同运行分布的步骤,包括:
对所述化妆品原料生产图谱进行化妆品生产链的索引匹配,得到多个不同化妆品生产链的原料制造协同运行分布;
所述将所述原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,通过所述生产决策推送网络进行至少一次产线配置分区匹配得到至少一个产线配置分区的步骤,包括:
将所述原料制造协同运行分布分别输入所述生产决策推送模型中的多个生产决策推送网络;所述原料制造协同运行分布分别与所述多个生产决策推送网络的其中一个生产决策推送网络一一对应;
通过所述生产决策推送网络对相应的原料制造协同运行分布进行至少一次产线配置分区匹配;
提取的产线配置分区的化妆品生产链与所述生产决策推送网络相应的原料制造协同运行分布的化妆品生产链保持一致。
5.根据权利要求1所述的基于人工智能的化妆品生产信息监测方法,其特征在于,所述原料制造协同运行分布至少包括第一原料制造协同运行分布、第二原料制造协同运行分布和第三原料制造协同运行分布,所述生产决策推送模型包括第一生产决策推送网络、第二生产决策推送网络和第三生产决策推送网络,其中,所述第一原料制造协同运行分布、第二原料制造协同运行分布和第三原料制造协同运行分布分别对应生产质量控制点、物料供应点以及物料输出点的原料制造协同运行分布,所述第一生产决策推送网络、第二生产决策推送网络和第三生产决策推送网络分别对应生产质量控制点、物料供应点以及物料输出点的生产决策推送网络;
所述将所述原料制造协同运行分布分别输入生产决策推送模型中的多个生产决策推送网络,通过所述生产决策推送网络进行至少一次产线配置分区匹配得到至少一个产线配置分区,包括:
将所述第一原料制造协同运行分布输入第一生产决策推送网络进行第一决策层产线配置分区匹配,得到所述第一生产决策推送网络在第一决策层提取的产线配置分区;
对所述第一生产决策推送网络在第一决策层提取的产线配置分区和所述第二原料制造协同运行分布进行决策,得到所述第二生产决策推送网络在第二决策层相应的决策推送信息节点;
获取所述第一生产决策推送网络在第一决策层提取的产线配置分区,用作所述第一生产决策推送网络在第二决策层相应的决策推送信息节点;
通过所述第一生产决策推送网络,对所述第一生产决策推送网络在第二决策层相应的决策推送信息节点进行第二决策层首次产线配置分区匹配,得到所述第一生产决策推送网络在第二决策层首次提取的产线配置分区;
通过所述第二生产决策推送网络,对所述第二生产决策推送网络在第二决策层相应的决策推送信息节点进行第二决策层首次产线配置分区匹配,得到所述第二生产决策推送网络在第二决策层首次提取的产线配置分区;
将所述第一生产决策推送网络在第二决策层首次提取的产线配置分区传递给所述第二生产决策推送网络,并将所述第二生产决策推送网络在第二决策层首次提取的产线配置分区传递给所述第一生产决策推送网络;
通过所述第一生产决策推送网络对所述第一生产决策推送网络在第二决策层首次提取的产线配置分区和所述第二生产决策推送网络传递的产线配置分区进行决策,并对分区重合结果进行产线配置分区匹配;
通过所述第二生产决策推送网络对所述第二生产决策推送网络在第二决策层首次提取的产线配置分区和所述第一生产决策推送网络传递的产线配置分区进行决策,并对分区重合结果进行产线配置分区匹配;
对所述第一生产决策推送网络在第二决策层提取的产线配置分区、所述第二生产决策推送网络在第二决策层提取的产线配置分区和所述第三原料制造协同运行分布进行决策,得到所述第三生产决策推送网络在第三决策层相应的决策推送信息节点;
通过所述第一生产决策推送网络基于所述第一生产决策推送网络在第二决策层提取的产线配置分区进行第三决策层产线配置分区匹配,通过所述第二生产决策推送网络基于所述第二生产决策推送网络在第二决策层提取的产线配置分区进行第三决策层产线配置分区匹配,并通过所述第三生产决策推送网络对所述第三生产决策推送网络在第三决策层相应的决策推送信息节点进行第三决策层产线配置分区匹配。
6.根据权利要求1-5中任意一项所述的基于人工智能的化妆品生产信息监测方法,其特征在于,所述基于所述决策产线配置分区,得到所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果的步骤,包括:
确定所述生产监测信息相应的推送模型;
将所述决策产线配置分区输入所述推送模型,通过所述推送模型得到所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果;
所述生产决策推送模型和所述推送模型的配置步骤包括:
获取决策产线配置分区样本、所述生产决策推送模型和所述推送模型,所述决策产线配置分区样本的推送标签用于表示所述决策产线配置分区样本在所述生产监测信息下的标注结果;
基于所述决策产线配置分区样本,确定多个化妆品生产链的原料制造协同运行分布样本;
将所述原料制造协同运行分布样本分别输入所述生产决策推送模型中的多个生产决策推送网络,通过所述生产决策推送网络进行至少一次产线配置分区匹配得到至少一个决策产线配置分区;其中,通过所述生产决策推送网络进行的至少一次产线配置分区匹配是基于关联大数据产线分区进行的,所述关联大数据产线分区关联至所述多个生产决策推送网络的其它生产决策推送网络提取的决策产线配置分区;
对所述多个生产决策推送网络输出的多个产线配置分区进行决策,得到目标决策产线配置分区;
将所述目标决策产线配置分区输入所述推送模型,通过所述推送模型得到所述决策产线配置分区样本在所述生产监测信息下的决策结果;
基于所述决策结果和所述推送标签,配置所述生产决策推送模型和所述推送模型。
7.根据权利要求6所述的基于人工智能的化妆品生产信息监测方法,其特征在于,所述基于所述生产监测索引片段获取对应的化妆品原料生产图谱的步骤,包括:
从预设产线分区集合中获取所述生产监测索引片段所对应的对应的化妆品原料生产图谱;
所述将所述决策产线配置分区输入所述推送模型,通过所述推送模型得到所述化妆品原料生产图谱在所述生产监测信息下的推送序列结果的步骤,包括:
将所述目标决策产线配置分区输入所述推送模型,通过所述推送模型对所述目标决策产线配置分区进行推送信息索引,得到所述目标决策产线配置分区的推送序列结果。
8.根据权利要求1所述的基于人工智能的化妆品生产信息监测方法,其特征在于,所述对所述多个生产决策推送网络输出的多个产线配置分区进行决策,得到决策产线配置分区的步骤,包括:
获取所述多个生产决策推送网络输出的多个产线配置分区,确定所述多个产线配置分区中全局化妆品生产链的目标产线配置分区;
对所述多个产线配置分区中除所述目标产线配置分区之外的其它产线配置分区进行决策,决策后的所述其它产线配置分区的化妆品生产链与所述目标产线配置分区的化妆品生产链相同;
列出决策后的所述其它产线配置分区和所述目标产线配置分区,得到所述决策产线配置分区。
9.根据权利要求1-8中任意一项所述的基于人工智能的化妆品生产信息监测方法,其特征在于,所述获取针对所述化妆品生产监控设备的每个生产监控配置单元对应的生产监控配置信息,并基于所述生产监控配置信息对目标生产监测化妆品对象的生产监测信息进行信息索引,获得对应的生产监测索引片段的步骤,包括:
通过调用预先进行生产监控软件平台更新后的目标生产监测化妆品对象的生产监控软件平台,对所述目标生产监测化妆品对象在各个生产模拟环境下进行生产模拟监控,得到生产模拟监控结果;
将所述生产模拟监控结果中生产监控配置单元的生产线切换行为误差数据与生产监控配置单元对应的生产线切换行为数据库中的生产线切换行为比较数据进行比对;
根据比对结果,确定所述生产模拟监控结果中误差数据存在差异的生产模拟监控线,并获取所述误差数据存在差异的生产模拟监控线在各个生产模拟监控环节的生产线结果参数;
根据所述误差数据存在差异的生产模拟监控线在各个生产模拟监控环节的生产线结果参数,更新所述目标生产监测化妆品对象的生产监控软件平台中针对该生产监控配置单元对应的生产监控配置信息,并基于更新后的生产监控配置信息对经由区块链访问的所述目标生产监测化妆品对象的生产监测信息进行信息索引,获得对应的生产监测索引片段。
10.一种大数据中心,其特征在于,所述大数据中心包括处理器、机器可读存储介质和网络接口,所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线***相连,所述网络接口用于与至少一个化妆品生产监控设备通信连接,所述机器可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述机器可读存储介质中的程序、指令或代码,以执行权利要求1-9中任意一项的基于人工智能的化妆品生产信息监测方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110518865.7A CN113327017A (zh) | 2020-11-03 | 2020-11-03 | 基于人工智能的模型配置方法、***及大数据中心 |
CN202011211860.1A CN112270483A (zh) | 2020-11-03 | 2020-11-03 | 基于人工智能的化妆品生产信息监测方法及大数据中心 |
CN202110518856.8A CN113327016A (zh) | 2020-11-03 | 2020-11-03 | 基于区块链的化妆品生产信息索引方法、***及数据中心 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211860.1A CN112270483A (zh) | 2020-11-03 | 2020-11-03 | 基于人工智能的化妆品生产信息监测方法及大数据中心 |
Related Child Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110518865.7A Division CN113327017A (zh) | 2020-11-03 | 2020-11-03 | 基于人工智能的模型配置方法、***及大数据中心 |
CN202110518856.8A Division CN113327016A (zh) | 2020-11-03 | 2020-11-03 | 基于区块链的化妆品生产信息索引方法、***及数据中心 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112270483A true CN112270483A (zh) | 2021-01-26 |
Family
ID=74345528
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110518865.7A Withdrawn CN113327017A (zh) | 2020-11-03 | 2020-11-03 | 基于人工智能的模型配置方法、***及大数据中心 |
CN202110518856.8A Withdrawn CN113327016A (zh) | 2020-11-03 | 2020-11-03 | 基于区块链的化妆品生产信息索引方法、***及数据中心 |
CN202011211860.1A Pending CN112270483A (zh) | 2020-11-03 | 2020-11-03 | 基于人工智能的化妆品生产信息监测方法及大数据中心 |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110518865.7A Withdrawn CN113327017A (zh) | 2020-11-03 | 2020-11-03 | 基于人工智能的模型配置方法、***及大数据中心 |
CN202110518856.8A Withdrawn CN113327016A (zh) | 2020-11-03 | 2020-11-03 | 基于区块链的化妆品生产信息索引方法、***及数据中心 |
Country Status (1)
Country | Link |
---|---|
CN (3) | CN113327017A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102929219A (zh) * | 2012-09-24 | 2013-02-13 | 四川大学 | 基于云计算的生产监控和智能调度决策*** |
CN103217960A (zh) * | 2013-04-08 | 2013-07-24 | 同济大学 | 一种半导体生产线动态调度策略自动选择方法 |
CN103439886A (zh) * | 2013-07-26 | 2013-12-11 | 同济大学 | 一种半导体生产线自适应动态调度装置 |
CN108985617A (zh) * | 2018-07-11 | 2018-12-11 | 广东人励智能工程有限公司 | 一种基于智能制造的产品生产流程调度方法及*** |
CN109255465A (zh) * | 2018-07-19 | 2019-01-22 | 中国矿业大学 | 一种基于粒子群算法的焊接生产线工类分配***与方法 |
CN110070248A (zh) * | 2018-01-19 | 2019-07-30 | 财团法人工业技术研究院 | 动态智能调度方法及装置 |
CN110378528A (zh) * | 2019-07-17 | 2019-10-25 | 南京大学 | 基于遗传算法的车间排产方法及*** |
CN110647975A (zh) * | 2018-06-27 | 2020-01-03 | 龙芯中科技术有限公司 | 一种数据处理方法、装置、设备以及介质 |
WO2020086214A1 (en) * | 2018-10-26 | 2020-04-30 | Dow Global Technologies Llc | Deep reinforcement learning for production scheduling |
CN111338304A (zh) * | 2020-03-02 | 2020-06-26 | 顺忠宝智能科技(深圳)有限公司 | 应用人工智能云计算对生产线产量实时预测与信息连通的方法 |
CN111738488A (zh) * | 2020-05-14 | 2020-10-02 | 华为技术有限公司 | 一种任务调度方法及其装置 |
-
2020
- 2020-11-03 CN CN202110518865.7A patent/CN113327017A/zh not_active Withdrawn
- 2020-11-03 CN CN202110518856.8A patent/CN113327016A/zh not_active Withdrawn
- 2020-11-03 CN CN202011211860.1A patent/CN112270483A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102929219A (zh) * | 2012-09-24 | 2013-02-13 | 四川大学 | 基于云计算的生产监控和智能调度决策*** |
CN103217960A (zh) * | 2013-04-08 | 2013-07-24 | 同济大学 | 一种半导体生产线动态调度策略自动选择方法 |
CN103439886A (zh) * | 2013-07-26 | 2013-12-11 | 同济大学 | 一种半导体生产线自适应动态调度装置 |
CN110070248A (zh) * | 2018-01-19 | 2019-07-30 | 财团法人工业技术研究院 | 动态智能调度方法及装置 |
CN110647975A (zh) * | 2018-06-27 | 2020-01-03 | 龙芯中科技术有限公司 | 一种数据处理方法、装置、设备以及介质 |
CN108985617A (zh) * | 2018-07-11 | 2018-12-11 | 广东人励智能工程有限公司 | 一种基于智能制造的产品生产流程调度方法及*** |
CN109255465A (zh) * | 2018-07-19 | 2019-01-22 | 中国矿业大学 | 一种基于粒子群算法的焊接生产线工类分配***与方法 |
WO2020086214A1 (en) * | 2018-10-26 | 2020-04-30 | Dow Global Technologies Llc | Deep reinforcement learning for production scheduling |
CN110378528A (zh) * | 2019-07-17 | 2019-10-25 | 南京大学 | 基于遗传算法的车间排产方法及*** |
CN111338304A (zh) * | 2020-03-02 | 2020-06-26 | 顺忠宝智能科技(深圳)有限公司 | 应用人工智能云计算对生产线产量实时预测与信息连通的方法 |
CN111738488A (zh) * | 2020-05-14 | 2020-10-02 | 华为技术有限公司 | 一种任务调度方法及其装置 |
Non-Patent Citations (3)
Title |
---|
何轶超: "MES生产调度与控制***设计与实现", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
刘骄剑 等: "面向网络化制造的知识集成与推送方法", 《中国机械工程》 * |
邱明辉: "不确定环境下半导体生产线关键参数预测与调度方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113327016A (zh) | 2021-08-31 |
CN113327017A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112163625B (zh) | 基于人工智能和云计算的大数据挖掘方法及云端服务中心 | |
US6363524B1 (en) | System and method for assessing the need for installing software patches in a computer system | |
CN112394942B (zh) | 基于云计算的分布式软件开发编译方法及软件开发平台 | |
CN106293798B (zh) | 电子装置的自我修复方法、***及服务器 | |
CN112163156B (zh) | 基于人工智能和云计算的大数据处理方法及云端服务中心 | |
CN114124567A (zh) | 基于大数据漏洞挖掘的云服务处理方法及人工智能*** | |
CN112308627A (zh) | 基于区块链和人工智能的广告数据接入方法及大数据中心 | |
CN111859139A (zh) | 应用程序推荐方法、装置、计算设备和介质 | |
CN112308626B (zh) | 基于区块链和人工智能的广告推送方法及大数据挖掘中心 | |
CN112395199B (zh) | 基于云计算的分布式软件实例测试方法及软件开发平台 | |
CN112199715B (zh) | 基于区块链和云计算的对象生成方法及数字金融服务中心 | |
CN112270484B (zh) | 基于化妆品生产过程的业务数据处理方法及人工智能中心 | |
CN112270483A (zh) | 基于人工智能的化妆品生产信息监测方法及大数据中心 | |
CN115996169A (zh) | 一种网络故障分析方法、装置、电子设备及存储介质 | |
CN114791865A (zh) | 一种基于关系图的配置项自洽性检测方法、***和介质 | |
CN112486969A (zh) | 应用于大数据和深度学习的数据清洗方法及云服务器 | |
CN112967059A (zh) | 一种测试资损监控***的变异智能合约生成方法和*** | |
CN111816286A (zh) | 一种移动查房数据处理方法及*** | |
CN116738082B (zh) | 基于人工智能的气象服务信息展示优化方法及服务器 | |
US20230385421A1 (en) | Automated conditional update | |
CN112633379A (zh) | 一种物联网数据融合方法及*** | |
CN115687656A (zh) | 一种知识图谱回溯方法、装置、电子设备及存储介质 | |
CN118377698A (zh) | 区块链性能测试的方法、装置、电子设备及介质 | |
CN117370182A (zh) | 算子测试方法、计算设备和存储介质 | |
CN118363932A (zh) | 基于无人机的智能巡逻方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20220107 |