CN116594364A - 基于预制菜生产控制系统的优化方法及系统 - Google Patents

Abstract

本申请实施例提供一种基于预制菜生产控制系统的优化方法及系统，可利用目标异常标签簇心对异常编码向量进行更新得到更新异常编码向量，基于更新异常编码向量确定生产控制异常数据对应的目标异常表征信息，由此获得更丰富的异常标签的异常生产节点的特征，通过目标异常标签簇心对异常编码向量进行更新来辅助异常根因定位过程，可以使得生成的目标异常表征信息更具有显著性。这样，基于目标异常表征信息对生产控制异常数据进行异常根因定位，生成的异常根因定位信息的精度更高，提高了系统优化的可靠性。

Description

基于预制菜生产控制系统的优化方法及系统

技术领域

本申请涉及系统优化技术领域，具体而言，涉及一种基于预制菜生产控制系统的优化方法及系统。

背景技术

预制菜，又称为预制调理食品，一般指以各类农、畜、禽、水产品为原辅料，配以调味料等辅料（含食品添加剂），经预选、调制等工艺加工而成的半成品或成品。相关技术中，通过预制菜生产控制系统可以实现预制菜的大批量生产，但是需要对其生产控制过程中的数据进行实时异常监测，以确定其可能存在的异常情况并进行异常根因追踪和定位，以便于后续进行系统优化。然而，现有技术的模型训练和识别方案中，在进行异常根因追踪和定位的过程中难以获得有效的、显著性的异常表征信息，导致生成的异常根因定位信息的精度不高，从而影响后续系统优化的可靠性。

发明内容

有鉴于此，本申请的目的在于提供一种基于预制菜生产控制系统的优化方法及系统，可利用目标异常标签簇心对异常编码向量进行更新得到更新异常编码向量，基于更新异常编码向量确定生产控制异常数据对应的目标异常表征信息，由此获得更丰富的异常标签的异常生产节点的特征，通过目标异常标签簇心对异常编码向量进行更新来辅助异常根因定位过程，可以使得生成的目标异常表征信息更具有显著性。这样，基于目标异常表征信息对生产控制异常数据进行异常根因定位，生成的异常根因定位信息的精度更高，提高了系统优化的可靠性。

依据本申请的第一方面，提供一种基于预制菜生产控制系统的优化方法，应用于云服务器，所述方法包括：

获取在指定生产控制模态下获取的预制菜生产控制系统的生产控制异常数据；

对所述生产控制异常数据进行编码得到异常编码向量；

基于所述异常编码向量与异常标签簇心数据序列中异常标签簇心的特征距离，从所述异常标签簇心数据序列中确定与所述异常编码向量相对应的目标异常标签簇心，所述异常标签簇心数据序列中包括不同异常标签的异常标签簇心，所述异常标签簇心是不同异常标签的异常生产节点所对应的显著性异常向量；

依据所述目标异常标签簇心对所述异常编码向量进行更新得到更新异常编码向量；

基于所述更新异常编码向量确定所述生产控制异常数据对应的目标异常表征信息；

基于所述目标异常表征信息对所述生产控制异常数据进行异常根因定位，生成异常根因定位信息，并根据所述异常根因定位信息对所述预制菜生产控制系统进行优化。

在第一方面的一种可能的实施方式中，所述方法还包括：

将所述生产控制异常数据加载到异常根因定位模型，所述异常根因定位模型包括特征编码器、异常标签簇心单元、融合单元和预测单元，所述异常标签簇心单元由所述异常标签簇心数据序列中的异常标签簇心构成；

所述对所述生产控制异常数据进行编码得到异常编码向量，包括：

依据所述特征编码器对所述生产控制异常数据进行编码得到所述异常编码向量；

所述基于所述异常编码向量与异常标签簇心数据序列中异常标签簇心的特征距离，从所述异常标签簇心数据序列中确定与所述异常编码向量相对应的目标异常标签簇心，包括：

依据所述异常标签簇心单元确定与所述异常编码向量相对应的所述目标异常标签簇心； 所述依据所述目标异常标签簇心对所述异常编码向量进行更新得到更新异常编码向量，包括：

依据所述融合单元将所述目标异常标签簇心与所述异常编码向量进行融合生成所述更新异常编码向量；

所述基于所述更新异常编码向量确定所述生产控制异常数据对应的目标异常表征信息，包括：

依据所述融合单元基于所述更新异常编码向量确定所述生产控制异常数据对应的所述目标异常表征信息；

所述基于所述目标异常表征信息对所述生产控制异常数据进行异常根因定位，生成异常根因定位信息，包括：

依据所述预测单元基于所述目标异常表征信息对所述生产控制异常数据进行异常根因定位，生成所述异常根因定位信息。

在第一方面的一种可能的实施方式中，所述方法还包括构建所述异常标签簇心单元，所述构建所述异常标签簇心单元包括：

在对所述异常根因定位模型进行模型权重参数迭代更新的过程中，依据所述特征编码器对模板生产控制异常数据进行编码，生成异常标签属性所标识的异常生产节点的参考异常编码向量，所述异常标签属性表征所述模板生产控制异常数据中包括的异常生产节点的异常标签；

基于所述异常生产节点的参考异常编码向量更新所述异常标签簇心单元中所述异常生产节点所属异常标签的异常标签簇心。

在第一方面的一种可能的实施方式中，所述基于所述异常生产节点的参考异常编码向量更新所述异常标签簇心单元中所述异常生产节点所属异常标签的异常标签簇心，包括：

如果所述异常生产节点所属异常标签的异常标签簇心为空集，则将所述异常生产节点的参考异常编码向量作为所述异常生产节点所属异常标签的异常标签簇心；

如果所述异常生产节点所属异常标签的异常标签簇心不为空集，则计算所述异常生产节点的参考异常编码向量与所述异常生产节点所属异常标签的异常标签簇心之间的特征距离；

基于所述特征距离更新所述异常标签簇心单元中所述异常生产节点所属异常标签的异常标签簇心；

所述基于所述特征距离更新所述异常标签簇心单元中所述异常生产节点所属异常标签的异常标签簇心，包括：

如果所述特征距离大于或等于门限距离，将所述异常生产节点的参考异常编码向量加入所述异常生产节点所属异常标签的异常标签簇心；

所述基于所述特征距离更新所述异常标签簇心单元中所述异常生产节点所属异常标签的异常标签簇心，包括：

如果所述特征距离大于或等于门限距离，确定所述异常生产节点所属异常标签的异常标签簇心的数量与门限数量之间的数量关系；

基于所述数量关系更新所述异常标签簇心单元中所述异常生产节点所属异常标签的异常标签簇心。

在第一方面的一种可能的实施方式中，所述构建所述异常标签簇心单元，包括：

基于所述异常标签属性和得到的参考更新异常编码向量之间的差异构建目标训练代价值；

基于所述目标训练代价值更新所述异常标签簇心单元中的异常标签簇心，以优化所述异常标签簇心单元。

在第一方面的一种可能的实施方式中，不同指定生产控制模态下对应不同的异常标签簇心数据序列，所述基于所述异常编码向量与异常标签簇心数据序列中异常标签簇心的特征距离，从所述异常标签簇心数据序列中确定与所述异常编码向量相对应的目标异常标签簇心，包括：

获取所述指定生产控制模态对应的异常标签簇心数据序列； 从所述指定生产控制模态对应的异常标签簇心数据序列中确定与所述异常编码向量相对应的所述目标异常标签簇心。

在第一方面的一种可能的实施方式中，所述基于所述更新异常编码向量确定所述生产控制异常数据对应的目标异常表征信息，包括：

将所述更新异常编码向量与所述异常编码向量进行融合生成所述目标异常表征信息。

在第一方面的一种可能的实施方式中，所述依据所述目标异常标签簇心对所述异常编码向量进行更新得到更新异常编码向量，包括：

基于所述目标异常标签簇心和所述异常编码向量计算特征距离衡量阵列，所述特征距离衡量阵列中的阵列成员表征每个目标异常标签簇心对于所述异常编码向量的权重值；

基于所述特征距离衡量阵列对所述目标异常标签簇心和所述异常编码向量进行加权求和，生成所述异常编码向量对应的所述更新异常编码向量。

在第一方面的一种可能的实施方式中，所述方法还包括：

获取参考生产控制模态下的模板生产控制异常数据，所述模板生产控制异常数据具有其所包括异常生产节点的异常标签属性；

将所述模板生产控制异常数据加载到初始化异常根因定位模型，所述初始化异常根因定位模型包括初始特征编码器、初始异常标签簇心单元、初始融合单元和初始预测单元，所述模板生产控制异常数据具有其所包括异常生产节点的异常标签属性；

依据所述初始特征编码器对所述模板生产控制异常数据进行编码得到参考异常编码向量；

依据所述初始异常标签簇心单元，基于所述参考异常编码向量与所述异常标签簇心数据序列中异常标签簇心的特征距离，从所述初始异常标签簇心单元中确定与所述参考异常编码向量相对应的目标参考异常标签簇心；

依据所述初始融合单元，利用所述目标参考异常标签簇心对所述参考异常编码向量进行更新得到参考更新异常编码向量； 依据所述初始融合单元，基于所述参考更新异常编码向量确定所述模板生产控制异常数据对应的目标参考异常表征信息；

依据所述初始预测单元，基于所述目标参考异常表征信息对所述生产控制异常数据进行异常根因定位，生成参考异常根因定位信息；

依据所述异常标签属性和所述参考异常根因定位信息对所述初始化异常根因定位模型进行模型权重参数迭代更新，生成所述异常根因定位模型。

依据本申请的第二方面，提供一种云服务器，所述云服务器包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该云服务器实现前述的基于预制菜生产控制系统的优化方法。

依据本申请的第三方面，提供提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，当所述计算机可执行指令被执行时，实现前述的基于预制菜生产控制系统的优化方法。

依据上述任一方面，本申请中，通过预先获取不同异常标签的异常标签簇心，异常标签簇心是不同异常标签的异常生产节点所对应的显著性异常向量，可以表征一个异常标签的原型特征。对在指定生产控制模态下获取的生产控制异常数据进行异常根因定位时，可以对生产控制异常数据进行编码得到异常编码向量，然后基于异常编码向量与异常标签簇心数据序列中异常标签簇心的特征距离，从异常标签簇心数据序列中确定与异常编码向量相对应的目标异常标签簇心。异常标签簇心数据序列中包括不同异常标签的异常标签簇心，异常标签簇心是不同异常标签的异常生产节点所对应的显著性异常向量，可利用目标异常标签簇心对异常编码向量进行更新得到更新异常编码向量，基于更新异常编码向量确定生产控制异常数据对应的目标异常表征信息，由此获得更丰富的异常标签的异常生产节点的特征，通过目标异常标签簇心对异常编码向量进行更新来辅助异常根因定位过程，可以使得生成的目标异常表征信息更具有显著性。这样，基于目标异常表征信息对生产控制异常数据进行异常根因定位，生成的异常根因定位信息的精度更高，提高了系统优化的可靠性。

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使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，还可以依据这些附图获得其它相关的附图。

图1本申请实施例所提供的基于预制菜生产控制系统的优化方法的流程示意图；

图2示出了本申请实施例所提供的用于实现上述的基于预制菜生产控制系统的优化方法的云服务器的组件结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将依据本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了基于本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中销毁一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。

图1示出了本申请实施例提供的基于预制菜生产控制系统的优化方法的流程示意图，应当理解，在其它实施例中，本实施例的基于预制菜生产控制系统的优化方法其中部分步骤的顺序可以依据实际需要相互共享，或者其中的部分步骤也可以省略或维持。该基于预制菜生产控制系统的优化方法的详细包括：

步骤S101、获取在指定生产控制模态下获取的预制菜生产控制系统的生产控制异常数据。

在实际实施过程中，本实施例可能在各种指定生产控制模态（如常规生产控制模态、加急生产控制模态、协同生产控制模态等）下采集生产控制异常数据，然后后续可以对这些指定生产控制模态下采集的生产控制异常数据进行异常根因定位，生成更为准确的异常根因定位信息。下述实施例将以指定生产控制模态为指定生产控制模态为例，在指定生产控制模态下采集的、以进行异常根因定位的生产控制异常数据可以称为生产控制异常数据。

步骤S102、对所述生产控制异常数据进行编码得到异常编码向量。

在得到生产控制异常数据后，可以将生产控制异常数据加载到异常根因定位模型，以便利用异常根因定位模型对生产控制异常数据进行异常根因定位，生成异常根因定位信息。

其中，异常根因定位模型可以包括特征编码器、异常标签簇心单元、融合单元和预测单元，异常标签簇心单元可以由异常标签簇心数据序列中的异常标签簇心构成。利用异常根因定位模型对生产控制异常数据进行异常根因定位主要包括两个阶段，第一个阶段主要是通过异常根因定位模型进行编码，例如通过特征编码器对生产控制异常数据进行编码得到异常编码向量。第二阶段主要是通过异常根因定位模型依据提取到的异常编码向量进行后续定位，第二阶段主要需要使用到异常标签簇心单元、融合单元和预测单元。

步骤S103、基于所述异常编码向量与异常标签簇心数据序列中异常标签簇心的特征距离，从所述异常标签簇心数据序列中确定与所述异常编码向量相对应的目标异常标签簇心。

一种示例性的设计思路中，本实施例可以预先构建异常标签簇心数据序列，异常标签簇心数据序列中包括不同异常标签的异常标签簇心，异常标签簇心是不同异常标签的异常生产节点所对应的显著性异常向量。这里的异常标签簇心数据序列可以构成异常标签簇心单元。

其中，异常标签簇心数据序列中的异常标签簇心可以是在异常根因定位模型的模型权重参数迭代更新过程中收集的，在对异常根因定位模型进行模型权重参数迭代更新的过程中，不断收集每一异常标签的异常生产节点的显著性异常向量作为这一类的异常标签簇心，异常标签簇心不仅参与模型权重参数迭代更新过程，还将被保存下来为异常根因定位提供辅助。

本实施例可以基于异常编码向量与异常标签簇心数据序列中异常标签簇心的特征距离，从异常标签簇心数据序列中选择与异常编码向量相对应的目标异常标签簇心。例如计算异常编码向量与异常标签簇心数据序列中每个异常标签簇心的特征距离，特征距离越小，表示该异常标签簇心所对应的异常生产节点与异常编码向量所对应的异常生产节点可能是一个异常标签的异常生产节点，故可以将特征距离小于设定距离的异常标签簇心作为目标异常标签簇心。由于异常标签簇心数据序列中包括不同异常标签的异常标签簇心，异常标签簇心是不同异常标签的异常生产节点所对应的显著性异常向量，而确定出的目标异常标签簇心可能是异常编码向量所对应异常生产节点的显著性异常向量，因此后续可以利用目标异常标签簇心对异常编码向量进行更新得到更新异常编码向量，由此获得更丰富的异常标签的异常生产节点的特征。

在使用上述异常根因定位模型进行异常根因定位的基础上，可以通过异常根因定位模型中的异常标签簇心单元确定与异常编码向量相对应的目标异常标签簇心。

对于同一异常生产节点，不同指定生产控制模态可能会使其对应的显著性异常向量有所不同，因此，可以构建不同指定生产控制模态下对应不同的异常标签簇心数据序列。此时步骤S103具体可以是：获取指定生产控制模态对应的异常标签簇心数据序列，从指定生产控制模态对应的异常标签簇心数据序列中确定与异常编码向量相对应的目标异常标签簇心。

步骤S104、依据所述目标异常标签簇心对所述异常编码向量进行更新得到更新异常编码向量。

同一异常标签的异常标签簇心(目标异常标签簇心)会带来更高价值的辅助特征信息，融合单元可以是依据注意力机制的融合单元。本实施例中，可以基于目标异常标签簇心和异常编码向量计算特征距离衡量阵列，特征距离衡量阵列中的阵列成员表征每个目标异常标签簇心对于异常编码向量的权重值，然后基于特征距离衡量阵列对目标异常标签簇心和异常编码向量进行加权求和，生成异常编码向量对应的更新异常编码向量。

步骤S105、基于所述更新异常编码向量确定所述生产控制异常数据对应的目标异常表征信息。

在使用上述异常根因定位模型进行异常根因定位的基础上，可以通过融合单元基于更新异常编码向量确定生产控制异常数据对应的目标异常表征信息。

基于更新异常编码向量确定生产控制异常数据对应的目标异常表征信息，可以是直接将更新异常编码向量作为目标异常表征信息，或者也可以是将更新异常编码向量与异常编码向量进行融合生成目标异常表征信息。

步骤S106、基于所述目标异常表征信息对所述生产控制异常数据进行异常根因定位，生成异常根因定位信息，并根据所述异常根因定位信息对所述预制菜生产控制系统进行优化。

在使用上述异常根因定位模型进行异常根因定位的基础上，在本实施例中可以通过预测单元基于目标异常表征信息对生产控制异常数据进行异常根因定位，生成异常根因定位信息。其中，异常根因定位信息可以包括生产控制异常数据中所包括异常生产节点的异常标签和异常生产节点在生产控制异常数据中的位置。由此，可以从云端优化方案库中提取所述异常生产节点的异常标签所对应的优化方案，并结合所述优化方案在对应的异常生产节点在生产控制异常数据中的位置进行生产控制源操作的优化。

基于以上步骤，本申请通过预先获取不同异常标签的异常标签簇心，异常标签簇心是不同异常标签的异常生产节点所对应的显著性异常向量，可以表征一个异常标签的原型特征。对在指定生产控制模态下获取的生产控制异常数据进行异常根因定位时，可以对生产控制异常数据进行编码得到异常编码向量，然后基于异常编码向量与异常标签簇心数据序列中异常标签簇心的特征距离，从异常标签簇心数据序列中确定与异常编码向量相对应的目标异常标签簇心。异常标签簇心数据序列中包括不同异常标签的异常标签簇心，异常标签簇心是不同异常标签的异常生产节点所对应的显著性异常向量，可利用目标异常标签簇心对异常编码向量进行更新得到更新异常编码向量，基于更新异常编码向量确定生产控制异常数据对应的目标异常表征信息，由此获得更丰富的异常标签的异常生产节点的特征，通过目标异常标签簇心对异常编码向量进行更新来辅助异常根因定位过程，可以使得生成的目标异常表征信息更具有显著性。这样，基于目标异常表征信息对生产控制异常数据进行异常根因定位，生成的异常根因定位信息的精度更高，提高了系统优化的可靠性。

接下来，将对前述实施例的异常根因定位模型的训练步骤进行说明，所述方法还包括：

步骤S201、获取参考生产控制模态下的模板生产控制异常数据，所述模板生产控制异常数据具有其所包括异常生产节点的异常标签属性。

步骤S202、将所述模板生产控制异常数据加载到初始化异常根因定位模型。

其中，初始化异常根因定位模型包括初始特征编码器、初始异常标签簇心单元、初始融合单元和初始预测单元，模板生产控制异常数据具有其所包括异常生产节点的异常标签属性。

步骤S203、依据所述初始特征编码器对所述模板生产控制异常数据进行编码得到参考异常编码向量。

步骤S204、依据所述初始异常标签簇心单元，基于所述参考异常编码向量与所述异常标签簇心数据序列中异常标签簇心的特征距离，从所述初始异常标签簇心单元中确定与所述参考异常编码向量相对应的目标参考异常标签簇心。

步骤S205、依据所述初始融合单元，利用所述目标参考异常标签簇心对所述参考异常编码向量进行更新得到参考更新异常编码向量。

步骤S206、依据所述初始融合单元，基于所述参考更新异常编码向量确定所述模板生产控制异常数据对应的目标参考异常表征信息。

步骤S207、依据所述初始预测单元，基于所述目标参考异常表征信息对所述生产控制异常数据进行异常根因定位，生成参考异常根因定位信息。

步骤S208、依据所述异常标签属性和所述参考异常根因定位信息对所述初始化异常根因定位模型进行模型权重参数迭代更新，生成所述异常根因定位模型。

在训练得到异常根因定位模型的过程中，可以构建异常标签簇心单元。构建异常标签簇心单元具体可以是在训练得到异常根因定位模型的过程中，通过特征编码器对模板生产控制异常数据进行编码，生成异常标签属性所标识的异常生产节点的参考异常编码向量，异常标签属性表征模板生产控制异常数据中包括的异常生产节点的异常标签；基于异常生产节点的参考异常编码向量更新异常标签簇心单元中异常生产节点所属异常标签的异常标签簇心。

在对异常根因定位模型进行训练过程中，引入构建了异常标签簇心单元，以通过异常标签簇心单元中的显著性异常向量改善损坏异常生产节点的判别性表示，有益于学习鲁棒的异常根因定位模型。

基于异常生产节点的参考异常编码向量更新异常标签簇心单元中异常生产节点所属异常标签的异常标签簇心的方式可以是将异常生产节点的参考异常编码向量作为异常标签簇心单元中异常生产节点所属异常标签的异常标签簇心。示例性地，本实施例可以基于异常标签簇心单元中异常生产节点所属异常标签的异常标签簇心的数量进行更新。若异常生产节点所属异常标签的异常标签簇心为空集，则将异常生产节点的参考异常编码向量作为异常生产节点所属异常标签的异常标签簇心；若异常生产节点所属异常标签的异常标签簇心不为空集，则计算异常生产节点的参考异常编码向量与异常生产节点所属异常标签的异常标签簇心之间的特征距离，基于特征距离更新异常标签簇心单元中异常生产节点所属异常标签的异常标签簇心。

为了避免由于异常编码向量的加入导致异常标签簇心单元中异常标签簇心的数量过多，基于特征距离更新异常标签簇心单元中异常生产节点所属异常标签的异常标签簇心的方式可以是若特征距离大于或等于门限距离，确定异常生产节点所属异常标签的异常标签簇心的数量与门限数量之间的数量关系，进而基于数量关系更新异常标签簇心单元中异常生产节点所属异常标签的异常标签簇心。

在对异常标签簇心单元中异常生产节点所属异常标签的异常标签簇心进行更新时，为了得到具有更好表示和可辩别性的更新异常编码向量E，可以构建目标训练代价值来对更新异常编码向量进行监督。例如基于异常标签属性和得到的参考更新异常编码向量之间的差异构建目标训练代价值，基于目标训练代价值更新异常标签簇心单元中的异常标签簇心，以优化异常标签簇心单元。

其中，目标训练代价值可以是不同类型的训练代价值，例如L2 norm loss、L2训练代价值、L1训练代价值等等。以L2 norm loss为例，其公式可以如下所示：

Ll2＝L2norm(L*Lt–E*Et)

其中，L是每一个异常标签属性，L2norm就是L2标准化，E是参考更新异常编码向量，Lt、Et分别是系数。

图2示意性地示出了可被用于实现本申请中所述的各个实施例的云服务器100。

对于一个实施例，图2示出了云服务器100，该云服务器100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的一个或多个输入/输出设备110，和被耦合到控制模块106的网络接口112。

处理器102可包括一个或多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些示例性的设计思路中，云服务器100能够作为本申请实施例中所述网关等服务器设备。

一些示例性的设计思路中，云服务器100可包括具有指令114的一个或多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相融合被配置为执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。

对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(一个或多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。

控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。

存储器106可被用于例如为云服务器100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些示例性的设计思路中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。

对于一个实施例，控制模块104可包括一个或多个输入/输出控制器，以向NVM/存储设备108及(一个或多个)输入/输出设备110提供接口。

例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。

NVM/存储设备108可包括在物理上作为云服务器100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。

(一个或多个)输入/输出设备110可为云服务器100提供接口以与任意其它适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为云服务器100提供接口以依据一个或多个网络通信，云服务器100可依据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入依据通信标准的无线网络，如WwFw、2G、3G、4G、5G等，或它们的组合进行无线通信。

对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器(例如，存储器控制器模块)的逻辑加载在一起。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑加载在一起以形成系统级加载(SwP)。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。

在各个实施例中，云服务器100可以但不限于是：云服务器、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，云服务器100可具有更多或更少的组件和/或不同的架构。例如，一些示例性的设计思路中，云服务器100包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于预制菜生产控制系统的优化方法，其特征在于，应用于所述云服务器，所述方法包括：

获取在指定生产控制模态下获取的预制菜生产控制系统的生产控制异常数据；

对所述生产控制异常数据进行编码得到异常编码向量；

基于所述异常编码向量与异常标签簇心数据序列中异常标签簇心的特征距离，从所述异常标签簇心数据序列中确定与所述异常编码向量相对应的目标异常标签簇心，所述异常标签簇心数据序列中包括不同异常标签的异常标签簇心，所述异常标签簇心是不同异常标签的异常生产节点所对应的显著性异常向量；

依据所述目标异常标签簇心对所述异常编码向量进行更新得到更新异常编码向量；

基于所述更新异常编码向量确定所述生产控制异常数据对应的目标异常表征信息；

基于所述目标异常表征信息对所述生产控制异常数据进行异常根因定位，生成异常根因定位信息，并根据所述异常根因定位信息对所述预制菜生产控制系统进行优化。

2.根据权利要求1所述的基于预制菜生产控制系统的优化方法，其特征在于，所述方法还包括：

将所述生产控制异常数据加载到异常根因定位模型，所述异常根因定位模型包括特征编码器、异常标签簇心单元、融合单元和预测单元，所述异常标签簇心单元由所述异常标签簇心数据序列中的异常标签簇心构成；

所述对所述生产控制异常数据进行编码得到异常编码向量，包括：

依据所述特征编码器对所述生产控制异常数据进行编码得到所述异常编码向量；

所述基于所述异常编码向量与异常标签簇心数据序列中异常标签簇心的特征距离，从所述异常标签簇心数据序列中确定与所述异常编码向量相对应的目标异常标签簇心，包括：

依据所述异常标签簇心单元确定与所述异常编码向量相对应的所述目标异常标签簇心； 所述依据所述目标异常标签簇心对所述异常编码向量进行更新得到更新异常编码向量，包括：

依据所述融合单元将所述目标异常标签簇心与所述异常编码向量进行融合生成所述更新异常编码向量；

所述基于所述更新异常编码向量确定所述生产控制异常数据对应的目标异常表征信息，包括：

依据所述融合单元基于所述更新异常编码向量确定所述生产控制异常数据对应的所述目标异常表征信息；

所述基于所述目标异常表征信息对所述生产控制异常数据进行异常根因定位，生成异常根因定位信息，包括：

依据所述预测单元基于所述目标异常表征信息对所述生产控制异常数据进行异常根因定位，生成所述异常根因定位信息。

3.根据权利要求2所述的基于预制菜生产控制系统的优化方法，其特征在于，所述方法还包括构建所述异常标签簇心单元，所述构建所述异常标签簇心单元包括：

在对所述异常根因定位模型进行模型权重参数迭代更新的过程中，依据所述特征编码器对模板生产控制异常数据进行编码，生成异常标签属性所标识的异常生产节点的参考异常编码向量，所述异常标签属性表征所述模板生产控制异常数据中包括的异常生产节点的异常标签；

基于所述异常生产节点的参考异常编码向量更新所述异常标签簇心单元中所述异常生产节点所属异常标签的异常标签簇心。

4.根据权利要求3所述的基于预制菜生产控制系统的优化方法，其特征在于，所述基于所述异常生产节点的参考异常编码向量更新所述异常标签簇心单元中所述异常生产节点所属异常标签的异常标签簇心，包括：

如果所述异常生产节点所属异常标签的异常标签簇心为空集，则将所述异常生产节点的参考异常编码向量作为所述异常生产节点所属异常标签的异常标签簇心；

如果所述异常生产节点所属异常标签的异常标签簇心不为空集，则计算所述异常生产节点的参考异常编码向量与所述异常生产节点所属异常标签的异常标签簇心之间的特征距离；

基于所述特征距离更新所述异常标签簇心单元中所述异常生产节点所属异常标签的异常标签簇心；

所述基于所述特征距离更新所述异常标签簇心单元中所述异常生产节点所属异常标签的异常标签簇心，包括：

如果所述特征距离大于或等于门限距离，将所述异常生产节点的参考异常编码向量加入所述异常生产节点所属异常标签的异常标签簇心；

所述基于所述特征距离更新所述异常标签簇心单元中所述异常生产节点所属异常标签的异常标签簇心，包括：

如果所述特征距离大于或等于门限距离，确定所述异常生产节点所属异常标签的异常标签簇心的数量与门限数量之间的数量关系；

基于所述数量关系更新所述异常标签簇心单元中所述异常生产节点所属异常标签的异常标签簇心。

5.根据权利要求3所述的基于预制菜生产控制系统的优化方法，其特征在于，所述构建所述异常标签簇心单元，包括：

基于所述异常标签属性和得到的参考更新异常编码向量之间的差异构建目标训练代价值；

基于所述目标训练代价值更新所述异常标签簇心单元中的异常标签簇心，以优化所述异常标签簇心单元。

6.根据权利要求1-5任一项所述的基于预制菜生产控制系统的优化方法，其特征在于，不同指定生产控制模态下对应不同的异常标签簇心数据序列，所述基于所述异常编码向量与异常标签簇心数据序列中异常标签簇心的特征距离，从所述异常标签簇心数据序列中确定与所述异常编码向量相对应的目标异常标签簇心，包括：

获取所述指定生产控制模态对应的异常标签簇心数据序列； 从所述指定生产控制模态对应的异常标签簇心数据序列中确定与所述异常编码向量相对应的所述目标异常标签簇心。

7.根据权利要求1-5任一项所述的基于预制菜生产控制系统的优化方法，其特征在于，所述基于所述更新异常编码向量确定所述生产控制异常数据对应的目标异常表征信息，包括：

将所述更新异常编码向量与所述异常编码向量进行融合生成所述目标异常表征信息。

8.根据权利要求1-5任一项所述的基于预制菜生产控制系统的优化方法，其特征在于，所述依据所述目标异常标签簇心对所述异常编码向量进行更新得到更新异常编码向量，包括：

基于所述目标异常标签簇心和所述异常编码向量计算特征距离衡量阵列，所述特征距离衡量阵列中的阵列成员表征每个目标异常标签簇心对于所述异常编码向量的权重值；

基于所述特征距离衡量阵列对所述目标异常标签簇心和所述异常编码向量进行加权求和，生成所述异常编码向量对应的所述更新异常编码向量。

9.根据权利要求1-8中任意一项所述的基于预制菜生产控制系统的优化方法，其特征在于，所述方法还包括：

获取参考生产控制模态下的模板生产控制异常数据，所述模板生产控制异常数据具有其所包括异常生产节点的异常标签属性；

将所述模板生产控制异常数据加载到初始化异常根因定位模型，所述初始化异常根因定位模型包括初始特征编码器、初始异常标签簇心单元、初始融合单元和初始预测单元，所述模板生产控制异常数据具有其所包括异常生产节点的异常标签属性；

依据所述初始特征编码器对所述模板生产控制异常数据进行编码得到参考异常编码向量；

依据所述初始异常标签簇心单元，基于所述参考异常编码向量与所述异常标签簇心数据序列中异常标签簇心的特征距离，从所述初始异常标签簇心单元中确定与所述参考异常编码向量相对应的目标参考异常标签簇心；

依据所述初始融合单元，利用所述目标参考异常标签簇心对所述参考异常编码向量进行更新得到参考更新异常编码向量； 依据所述初始融合单元，基于所述参考更新异常编码向量确定所述模板生产控制异常数据对应的目标参考异常表征信息；

依据所述初始预测单元，基于所述目标参考异常表征信息对所述生产控制异常数据进行异常根因定位，生成参考异常根因定位信息；

依据所述异常标签属性和所述参考异常根因定位信息对所述初始化异常根因定位模型进行模型权重参数迭代更新，生成所述异常根因定位模型。

10.一种基于预制菜生产控制系统的优化系统，其特征在于，所述基于预制菜生产控制系统的优化系统包括云服务器以及与所述云服务器通信连接的预制菜生产控制系统，所述云服务器具体用于：

获取在指定生产控制模态下获取的预制菜生产控制系统的生产控制异常数据；

对所述生产控制异常数据进行编码得到异常编码向量；

基于所述异常编码向量与异常标签簇心数据序列中异常标签簇心的特征距离，从所述异常标签簇心数据序列中确定与所述异常编码向量相对应的目标异常标签簇心，所述异常标签簇心数据序列中包括不同异常标签的异常标签簇心，所述异常标签簇心是不同异常标签的异常生产节点所对应的显著性异常向量；

依据所述目标异常标签簇心对所述异常编码向量进行更新得到更新异常编码向量；

基于所述更新异常编码向量确定所述生产控制异常数据对应的目标异常表征信息；

基于所述目标异常表征信息对所述生产控制异常数据进行异常根因定位，生成异常根因定位信息，并根据所述异常根因定位信息对所述预制菜生产控制系统进行优化。