基于人工智能的生产异常处理方法及系统与流程

1.本发明涉及人工智能技术领域，特别涉及一种基于人工智能的生产异常处理方法及系统。


背景技术：

2.企业在产品的生产期间，需要实时监控生产加工过程，获取加工过程中的生产数据，并判定是否出现异常的生产数据，从而判断是否出现生产异常，进而确定异常数据的异常等级。在上述过程中，目前通常是采用简单的生产数据比对（与标准数据），或者是生产人员定时查看数据，以判断生产数据的异常等级，上述检测异常的方式效率较低，耗费人力；同时，也容易出现遗漏，造成安全隐患。


技术实现要素：

3.本发明的主要目的为提供一种基于人工智能的生产异常处理方法及系统，旨在克服检测生产异常等级的效率低以及容易出现遗漏的缺陷。
4.为实现上述目的，本发明提供了一种基于人工智能的生产异常处理方法，应用于第一管理端，所述方法包括以下步骤：接收用户端上报的生产异常数据；将所述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级，并根据所述异常等级生成对应的第一处理策略；获取第一管理用户对所述第一处理策略的校对结果，若校对结果为所述第一处理策略不符合要求，则将所述生产异常数据转发至所述第二管理端；其中，所述第二管理端用于接收第二管理用户针对所述生产异常数据作出的第二处理策略。
5.进一步地，所述用户端上报的生产异常数据，包括：定时获取指定产品生产过程中的生产数据；其中，所述生产数据中包括多个不同指标的指标参数；获取所述指定产品的生产过程中的标准数据，其中，所述标准数据中包括多个不同指标的标准参数区间；分别将各个指标的指标参数与对应的标准参数区间进行对比，判断所述指标参数是否处于所述标准参数区间；若处于，则判定对应的指标参数为正常参数；若不处于，则判定对应的指标参数为异常参数；统计异常参数的总数量，并判断所述总数量是否达到阈值，若达到阈值，则判定所述生产数据为生产异常数据。
6.进一步地，所述将所述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级的步骤之前，还包括：获取第二管理用户在第二管理端上下发的数据获取指令；其中，所述数据获取指
令中携带有授权字符；获取生产过程中的加密生产数据；其中，所述加密生产数据为加密数据，且所述生产数据均包括生产人员对所述生产数据的标注；基于所述授权字符对所述加密生产数据进行解密，得到生产数据以及对应的标注；基于所述生产数据以及所述生产数据对应的标注，得到训练样本数据；基于所述训练样本数据训练深度学习模型，直至模型收敛后，得到所述人工智能检测模型。
7.进一步地，所述基于所述训练样本数据训练深度学习模型，直至模型收敛后，得到所述人工智能检测模型的步骤，包括：获取历史项目中采用的历史深度学习模型；其中，历史项目中的所述历史深度学习模型用于检测历史的生产异常数据的异常等级；将所述训练样本数据输入至所述历史深度学习模型中进行迭代训练，直至模型收敛，得到预训练模型；随机获取一个未训练过的生产数据，将所述未训练过的生产数据同时输入至所述历史深度学习模型以及所述预训练模型中，输出对应的预测结果；当所述历史深度学习模型以及所述预训练模型输出的预测结果相同时，将所述预训练模型作为所述人工智能检测模型。
8.进一步地，所述将所述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级的步骤之前，还包括：获取所述生产异常数据的来源信息；其中，所述来源信息包括对应生产的产品类型信息；根据所述来源信息，在数据库中匹配对应的模型参数集合；其中，数据库中存储有来源信息与模型参数集合的对应关系，所述模型参数集合中包括多个模型参数；所述模型参数包括：损失函数、权重参数、偏置函数、阈值；获取初始的深度学习模型；基于所述模型参数集合中的模型参数，对应更新至所述初始的深度学习模型中，得到所述人工智能检测模型。
9.本发明还提供了一种基于人工智能的生产异常处理系统，包括用户端、第一管理端、第二管理端；所述用户端用于上报生产异常数据至第一管理端；所述第一管理端用于将所述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级，并根据所述异常等级生成对应的第一处理策略；获取第一管理用户对所述第一处理策略的校对结果，若校对结果为所述第一处理策略不符合要求；则将所述生产异常数据转发至所述第二管理端；所述第二管理端用于接收第二管理用户针对所述生产异常数据作出的第二处理策略。
10.进一步地，所述用户端还用于：定时获取指定产品生产过程中的生产数据；其中，所述生产数据中包括多个不同
指标的指标参数；获取所述指定产品的生产过程中的标准数据，其中，所述标准数据中包括多个不同指标的标准参数区间；分别将各个指标的指标参数与对应的标准参数区间进行对比，判断所述指标参数是否处于所述标准参数区间；若处于，则判定对应的指标参数为正常参数；若不处于，则判定对应的指标参数为异常参数；统计异常参数的总数量，并判断所述总数量是否达到阈值，若达到阈值，则判定所述生产数据为生产异常数据。
11.进一步地，所述第一管理端还用于：获取第二管理用户在第二管理端上下发的数据获取指令；其中，所述数据获取指令中携带有授权字符；获取生产过程中的加密生产数据；其中，所述加密生产数据为加密数据，且所述生产数据均包括生产人员对所述生产数据的标注；基于所述授权字符对所述加密生产数据进行解密，得到生产数据以及对应的标注；基于所述生产数据以及所述生产数据对应的标注，得到训练样本数据；基于所述训练样本数据训练深度学习模型，直至模型收敛后，得到所述人工智能检测模型。
12.进一步地，所述第一管理端基于所述训练样本数据训练深度学习模型，直至模型收敛后，得到所述人工智能检测模型，包括：获取历史项目中采用的历史深度学习模型；其中，历史项目中的所述历史深度学习模型用于检测历史的生产异常数据的异常等级；将所述训练样本数据输入至所述历史深度学习模型中进行迭代训练，直至模型收敛，得到预训练模型；随机获取一个未训练过的生产数据，将所述未训练过的生产数据同时输入至所述历史深度学习模型以及所述预训练模型中，输出对应的预测结果；当所述历史深度学习模型以及所述预训练模型输出的预测结果相同时，将所述预训练模型作为所述人工智能检测模型。
13.进一步地，所述第一管理端还用于：获取所述生产异常数据的来源信息；其中，所述来源信息包括对应生产的产品类型信息；根据所述来源信息，在数据库中匹配对应的模型参数集合；其中，数据库中存储有来源信息与模型参数集合的对应关系，所述模型参数集合中包括多个模型参数；所述模型参数包括：损失函数、权重参数、偏置函数、阈值；获取初始的深度学习模型；基于所述模型参数集合中的模型参数，对应更新至所述初始的深度学习模型中，得到所述人工智能检测模型。
14.本发明提供的基于人工智能的生产异常处理方法及系统，包括接收用户端上报的
生产异常数据；将所述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级，并根据所述异常等级生成对应的第一处理策略；获取第一管理用户对所述第一处理策略的校对结果，若校对结果为所述第一处理策略不符合要求，则将所述生产异常数据转发至所述第二管理端；其中，所述第二管理端用于接收第二管理用户针对所述生产异常数据作出的第二处理策略。本发明中基于人工智能检测模型自动检测生产异常数据的异常等级，检测效率高，且准确率高。
附图说明
15.图1 是本发明一实施例中基于人工智能的生产异常处理方法步骤示意图；图2 是本发明一实施例中基于人工智能的生产异常处理系统结构框图；本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
16.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
17.参照图1，本发明一实施例中提供了一种基于人工智能的生产异常处理方法，应用于第一管理端，所述方法包括以下步骤：步骤s1，接收用户端上报的生产异常数据；步骤s2，将所述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级，并根据所述异常等级生成对应的第一处理策略；步骤s3，获取第一管理用户对所述第一处理策略的校对结果，若校对结果为所述第一处理策略不符合要求，则将所述生产异常数据转发至所述第二管理端；其中，所述第二管理端用于接收第二管理用户针对所述生产异常数据作出的第二处理策略。
18.在本实施例中，上述方案应用于对生产车间中的生产数据进行异常等级检测，并生成对应的处理策略。
19.具体地，如上述步骤s1所述的，用户端是生产车间中的用户所持的终端，其可以将生产过程中的生产异常数据进行上报至第一管理端，第一管理端则可以接收到上述生产异常数据。上述生产异常数据是生产过程中出现异常的生产数据。
20.如上述步骤s2所述的，预先训练有上述人工智能检测模型，将上述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级。同时，第一管理端上还配置有对应各个异常等级的处理策略，因此，可以根据所述异常等级生成对应的第一处理策略。上述第一处理策略用于对上述生产异常数据进行处理。本发明中基于人工智能检测模型自动检测生产异常数据的异常等级，检测效率高，且准确率高。
21.如上述步骤s3所述的，上述第一管理端的管理用户为第一管理用户，为了核实上述第一处理策略是否合理，需要第一管理用户对所述第一处理策略进行校对，第一管理端获取该校对结果，若校对结果为所述第一处理策略不符合要求，则将所述生产异常数据转发至所述第二管理端；若第一处理策略符合要求，则由上述第一管理端执行上述第一处理策略，或者将上述第一处理策略发送至上述用户端上执行；进一步地，所述第二管理端用于
接收第二管理用户针对所述生产异常数据作出的第二处理策略。上述第二处理策略是经过更高基本的第二管理用户进行处理后做出的，其具有更强的针对性，便于处理异常的生产数据。
22.在一实施例中，所述用户端上报的生产异常数据，包括：定时获取指定产品生产过程中的生产数据；其中，所述生产数据中包括多个不同指标的指标参数；获取所述指定产品的生产过程中的标准数据，其中，所述标准数据中包括多个不同指标的标准参数区间；分别将各个指标的指标参数与对应的标准参数区间进行对比，判断所述指标参数是否处于所述标准参数区间；可以理解的是，标准参数通常是一个区间值，即上述标准参数区间，上述指标参数处于上述标准参数区间，则表明指标参数正常；若上述指标参数不处于上述标准参数区间，则表示出现异常。
23.若处于，则判定对应的指标参数为正常参数；若不处于，则判定对应的指标参数为异常参数；统计异常参数的总数量，并判断所述总数量是否达到阈值，若达到阈值，则判定所述生产数据为生产异常数据。
24.在本实施例中，不仅需要检测出哪些指标参数是异常的生产数据，还需要统计出异常参数的总数量，并判断所述总数量是否达到阈值，只有当总数量达到阈值时，才判定所述生产数据为生产异常数据。
25.在一实施例中，所述将所述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级的步骤s2之前，还包括：获取第二管理用户在第二管理端上下发的数据获取指令；其中，所述数据获取指令中携带有授权字符；获取生产过程中的加密生产数据；其中，所述加密生产数据为加密数据，且所述生产数据均包括生产人员对所述生产数据的标注；基于所述授权字符对所述加密生产数据进行解密，得到生产数据以及对应的标注；基于所述生产数据以及所述生产数据对应的标注，得到训练样本数据；基于所述训练样本数据训练深度学习模型，直至模型收敛后，得到所述人工智能检测模型。
26.在本实施例中，还需要预先对深度学习模型进行训练，得到上述人工智能检测模型。训练上述深度学习模型的训练样本数据来自于生产过程中的生产数据；而为了数据安全，生产过程中的生产数据通常是需要加密的，因此在本实施例中，对生产数据的加密密码是由第二管理用户所管理的，因此需要预先获取第二管理用户在第二管理端上下发的数据获取指令；其中，所述数据获取指令中携带有授权字符，该授权字符用于生产数据解密。
27.然后，获取生产过程中的加密生产数据；其中，所述加密生产数据为加密数据，且所述生产数据均包括生产人员对所述生产数据的标注；进而，基于所述授权字符对所述加密生产数据进行解密，得到生产数据以及对应的标注；最后，便可以基于所述生产数据以及所述生产数据对应的标注，得到训练样本数据。上述训练样本数据则用于训练深度学习模
型。
28.在一实施例中，所述基于所述训练样本数据训练深度学习模型，直至模型收敛后，得到所述人工智能检测模型的步骤，包括：获取历史项目中采用的历史深度学习模型；其中，历史项目中的所述历史深度学习模型用于检测历史的生产异常数据的异常等级；将所述训练样本数据输入至所述历史深度学习模型中进行迭代训练，直至模型收敛，得到预训练模型；随机获取一个未训练过的生产数据，将所述未训练过的生产数据同时输入至所述历史深度学习模型以及所述预训练模型中，输出对应的预测结果；当所述历史深度学习模型以及所述预训练模型输出的预测结果相同时，将所述预训练模型作为所述人工智能检测模型。
29.在本实施例中，为了减少深度学习模型的训练时间，提升模型训练效果，可以获取历史项目中采用的历史深度学习模型，然后将当前项目中的生产数据制定的训练样本数据输入到历史项目中采用的历史深度学习模型中进行训练，不仅可以减少训练样本数据的数据量，而且可以减少训练时间，快速得到上述人工智能检测模型。
30.在一实施例中，所述将所述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级的步骤之前，还包括：获取所述生产异常数据的来源信息；其中，所述来源信息包括对应生产的产品类型信息；根据所述来源信息，在数据库中匹配对应的模型参数集合；其中，数据库中存储有来源信息与模型参数集合的对应关系，所述模型参数集合中包括多个模型参数；所述模型参数包括：损失函数、权重参数、偏置函数、阈值；获取初始的深度学习模型；基于所述模型参数集合中的模型参数，对应更新至所述初始的深度学习模型中，得到所述人工智能检测模型。
31.在本实施例中，针对不同类型的产品，预先配置有对应的异常等级检测的人工智能检测模型所对应的模型参数集合；即不同类型的产品，采用不同的模型参数。因此在需要检测生产异常数据的异常等级时，可以获取生产异常数据的来源信息；其中，所述来源信息包括对应生产的产品类型信息；进而在数据库中匹配对应的模型参数集合，最后基于所述模型参数集合中的模型参数，对应更新至所述初始的深度学习模型中，得到所述人工智能检测模型用于对生产异常数据进行异常等级检测。
32.参照图2，本发明一实施例中还提供了一种基于人工智能的生产异常处理系统，包括用户端、第一管理端、第二管理端；所述用户端用于上报生产异常数据至第一管理端；所述第一管理端用于将所述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级，并根据所述异常等级生成对应的第一处理策略；获取第一管理用户对所述第一处理策略的校对结果，若校对结果为所述第一处理策略不符合要求；则将所述生产异常数据转发至所述第二管理端；所述第二管理端用于接收第二管理用户针对所述生产异常数据作出的第二处理
策略。
33.在一实施例中，所述用户端还用于：定时获取指定产品生产过程中的生产数据；其中，所述生产数据中包括多个不同指标的指标参数；获取所述指定产品的生产过程中的标准数据，其中，所述标准数据中包括多个不同指标的标准参数区间；分别将各个指标的指标参数与对应的标准参数区间进行对比，判断所述指标参数是否处于所述标准参数区间；若处于，则判定对应的指标参数为正常参数；若不处于，则判定对应的指标参数为异常参数；统计异常参数的总数量，并判断所述总数量是否达到阈值，若达到阈值，则判定所述生产数据为生产异常数据。
34.在一实施例中，所述第一管理端还用于：获取第二管理用户在第二管理端上下发的数据获取指令；其中，所述数据获取指令中携带有授权字符；获取生产过程中的加密生产数据；其中，所述加密生产数据为加密数据，且所述生产数据均包括生产人员对所述生产数据的标注；基于所述授权字符对所述加密生产数据进行解密，得到生产数据以及对应的标注；基于所述生产数据以及所述生产数据对应的标注，得到训练样本数据；基于所述训练样本数据训练深度学习模型，直至模型收敛后，得到所述人工智能检测模型。
35.在一实施例中，所述第一管理端基于所述训练样本数据训练深度学习模型，直至模型收敛后，得到所述人工智能检测模型，包括：获取历史项目中采用的历史深度学习模型；其中，历史项目中的所述历史深度学习模型用于检测历史的生产异常数据的异常等级；将所述训练样本数据输入至所述历史深度学习模型中进行迭代训练，直至模型收敛，得到预训练模型；随机获取一个未训练过的生产数据，将所述未训练过的生产数据同时输入至所述历史深度学习模型以及所述预训练模型中，输出对应的预测结果；当所述历史深度学习模型以及所述预训练模型输出的预测结果相同时，将所述预训练模型作为所述人工智能检测模型。
36.在一实施例中，所述第一管理端还用于：获取所述生产异常数据的来源信息；其中，所述来源信息包括对应生产的产品类型信息；根据所述来源信息，在数据库中匹配对应的模型参数集合；其中，数据库中存储有来源信息与模型参数集合的对应关系，所述模型参数集合中包括多个模型参数；所述模型参数包括：损失函数、权重参数、偏置函数、阈值；获取初始的深度学习模型；
基于所述模型参数集合中的模型参数，对应更新至所述初始的深度学习模型中，得到所述人工智能检测模型。
37.在本实施例中，上述系统实施例中的终端的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。
38.综上所述，为本发明实施例中提供的基于人工智能的生产异常处理方法及系统，包括接收用户端上报的生产异常数据；将所述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级，并根据所述异常等级生成对应的第一处理策略；获取第一管理用户对所述第一处理策略的校对结果，若校对结果为所述第一处理策略不符合要求，则将所述生产异常数据转发至所述第二管理端；其中，所述第二管理端用于接收第二管理用户针对所述生产异常数据作出的第二处理策略。本发明中基于人工智能检测模型自动检测生产异常数据的异常等级，检测效率高，且准确率高。
39.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram通过多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双速据率sdram（ssrsdram）、增强型sdram（esdram）、同步链路（synchlink）dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
40.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
41.以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种基于人工智能的生产异常处理方法，其特征在于，应用于第一管理端，所述方法包括以下步骤：接收用户端上报的生产异常数据；将所述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级，并根据所述异常等级生成对应的第一处理策略；获取第一管理用户对所述第一处理策略的校对结果，若校对结果为所述第一处理策略不符合要求，则将所述生产异常数据转发至所述第二管理端；其中，所述第二管理端用于接收第二管理用户针对所述生产异常数据作出的第二处理策略。2.根据权利要求1所述的基于人工智能的生产异常处理方法，其特征在于，所述用户端上报的生产异常数据，包括：定时获取指定产品生产过程中的生产数据；其中，所述生产数据中包括多个不同指标的指标参数；获取所述指定产品的生产过程中的标准数据，其中，所述标准数据中包括多个不同指标的标准参数区间；分别将各个指标的指标参数与对应的标准参数区间进行对比，判断所述指标参数是否处于所述标准参数区间；若处于，则判定对应的指标参数为正常参数；若不处于，则判定对应的指标参数为异常参数；统计异常参数的总数量，并判断所述总数量是否达到阈值，若达到阈值，则判定所述生产数据为生产异常数据。3.根据权利要求1所述的基于人工智能的生产异常处理方法，其特征在于，所述将所述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级的步骤之前，还包括：获取第二管理用户在第二管理端上下发的数据获取指令；其中，所述数据获取指令中携带有授权字符；获取生产过程中的加密生产数据；其中，所述加密生产数据为加密数据，且所述生产数据均包括生产人员对所述生产数据的标注；基于所述授权字符对所述加密生产数据进行解密，得到生产数据以及对应的标注；基于所述生产数据以及所述生产数据对应的标注，得到训练样本数据；基于所述训练样本数据训练深度学习模型，直至模型收敛后，得到所述人工智能检测模型。4.根据权利要求3所述的基于人工智能的生产异常处理方法，其特征在于，所述基于所述训练样本数据训练深度学习模型，直至模型收敛后，得到所述人工智能检测模型的步骤，包括：获取历史项目中采用的历史深度学习模型；其中，历史项目中的所述历史深度学习模型用于检测历史的生产异常数据的异常等级；将所述训练样本数据输入至所述历史深度学习模型中进行迭代训练，直至模型收敛，得到预训练模型；随机获取一个未训练过的生产数据，将所述未训练过的生产数据同时输入至所述历史
深度学习模型以及所述预训练模型中，输出对应的预测结果；当所述历史深度学习模型以及所述预训练模型输出的预测结果相同时，将所述预训练模型作为所述人工智能检测模型。5.根据权利要求1所述的基于人工智能的生产异常处理方法，其特征在于，所述将所述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级的步骤之前，还包括：获取所述生产异常数据的来源信息；其中，所述来源信息包括对应生产的产品类型信息；根据所述来源信息，在数据库中匹配对应的模型参数集合；其中，数据库中存储有来源信息与模型参数集合的对应关系，所述模型参数集合中包括多个模型参数；所述模型参数包括：损失函数、权重参数、偏置函数、阈值；获取初始的深度学习模型；基于所述模型参数集合中的模型参数，对应更新至所述初始的深度学习模型中，得到所述人工智能检测模型。6.一种基于人工智能的生产异常处理系统，其特征在于，包括用户端、第一管理端、第二管理端；所述用户端用于上报生产异常数据至第一管理端；所述第一管理端用于将所述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级，并根据所述异常等级生成对应的第一处理策略；获取第一管理用户对所述第一处理策略的校对结果，若校对结果为所述第一处理策略不符合要求；则将所述生产异常数据转发至所述第二管理端；所述第二管理端用于接收第二管理用户针对所述生产异常数据作出的第二处理策略。7.根据权利要求6所述的基于人工智能的生产异常处理系统，其特征在于，所述用户端还用于：定时获取指定产品生产过程中的生产数据；其中，所述生产数据中包括多个不同指标的指标参数；获取所述指定产品的生产过程中的标准数据，其中，所述标准数据中包括多个不同指标的标准参数区间；分别将各个指标的指标参数与对应的标准参数区间进行对比，判断所述指标参数是否处于所述标准参数区间；若处于，则判定对应的指标参数为正常参数；若不处于，则判定对应的指标参数为异常参数；统计异常参数的总数量，并判断所述总数量是否达到阈值，若达到阈值，则判定所述生产数据为生产异常数据。8.根据权利要求6所述的基于人工智能的生产异常处理系统，其特征在于，所述第一管理端还用于：获取第二管理用户在第二管理端上下发的数据获取指令；其中，所述数据获取指令中携带有授权字符；获取生产过程中的加密生产数据；其中，所述加密生产数据为加密数据，且所述生产数
据均包括生产人员对所述生产数据的标注；基于所述授权字符对所述加密生产数据进行解密，得到生产数据以及对应的标注；基于所述生产数据以及所述生产数据对应的标注，得到训练样本数据；基于所述训练样本数据训练深度学习模型，直至模型收敛后，得到所述人工智能检测模型。9.根据权利要求8所述的基于人工智能的生产异常处理系统，其特征在于，所述第一管理端基于所述训练样本数据训练深度学习模型，直至模型收敛后，得到所述人工智能检测模型，包括：获取历史项目中采用的历史深度学习模型；其中，历史项目中的所述历史深度学习模型用于检测历史的生产异常数据的异常等级；将所述训练样本数据输入至所述历史深度学习模型中进行迭代训练，直至模型收敛，得到预训练模型；随机获取一个未训练过的生产数据，将所述未训练过的生产数据同时输入至所述历史深度学习模型以及所述预训练模型中，输出对应的预测结果；当所述历史深度学习模型以及所述预训练模型输出的预测结果相同时，将所述预训练模型作为所述人工智能检测模型。10.根据权利要求6所述的基于人工智能的生产异常处理系统，其特征在于，所述第一管理端还用于：获取所述生产异常数据的来源信息；其中，所述来源信息包括对应生产的产品类型信息；根据所述来源信息，在数据库中匹配对应的模型参数集合；其中，数据库中存储有来源信息与模型参数集合的对应关系，所述模型参数集合中包括多个模型参数；所述模型参数包括：损失函数、权重参数、偏置函数、阈值；获取初始的深度学习模型；基于所述模型参数集合中的模型参数，对应更新至所述初始的深度学习模型中，得到所述人工智能检测模型。

技术总结
本发明提供了一种基于人工智能的生产异常处理方法及系统，包括接收用户端上报的生产异常数据；将所述生产异常数据输入至人工智能检测模型中，检测所述生产异常数据的异常等级，并根据所述异常等级生成对应的第一处理策略；获取第一管理用户对所述第一处理策略的校对结果，若校对结果为所述第一处理策略不符合要求，则将所述生产异常数据转发至所述第二管理端；其中，所述第二管理端用于接收第二管理用户针对所述生产异常数据作出的第二处理策略。本发明中基于人工智能检测模型自动检测生产异常数据的异常等级，检测效率高，且准确率高。高。高。


技术研发人员：石中
受保护的技术使用者：深圳欧斯普瑞智能科技有限公司
技术研发日：2023.04.25
技术公布日：2023/8/21