本发明涉及工业物联网技术领域，提供一种基于工业物联网的数据处理方法、装置和计算机设备，包括：通过互联网协议连接工业机器人，并接入工业物联网系统；获取所述工业机器人上的数据；其中，所述数据包括设备参数数据以及产品检测数据；所述产品检测数据是所述工业机器人所检测产品对应的数据；按照预设方式，对所述产品检测数据进行分类汇总，并根据汇总结果对所述工业机器人检测的产品进行分类；基于所述设备参数数据对预设的深度学习模型进行训练，得到对应的分类模型；其中，所述分类模型用于工业机器人的分类。本发明对设备参数数据以及产品检测数据分别进行对应的处理，实现了对设备参数以及产品参数进行统一管理。
1.一种基于工业物联网的数据处理方法，其特征在于，包括以下步骤：通过互联网协议连接工业机器人，并接入工业物联网系统；
获取所述工业机器人上的数据；其中，所述数据包括设备参数数据以及产品检测数据；
所述产品检测数据是所述工业机器人所检测产品对应的数据；
按照预设方式，对所述产品检测数据进行分类汇总，并根据汇总结果对所述工业机器人检测的产品进行分类；
基于所述设备参数数据对预设的深度学习模型进行训练，得到对应的分类模型；其中，所述分类模型用于工业机器人的分类；
所述按照预设方式，对所述产品检测数据进行分类汇总的步骤，包括：从所述产品检测数据中选择出多个指定数据；按照预设排序对所述指定数据排序，得到数据序列；其中，所述指定数据为指定的核心数据；
获取所述数据序列中各个指定数据的值，并将所述指定数据的值表征为对应的第一数值集合；
获取预设的云数据库中，存储的第二数值集合；其中，所述云数据库中存储有多个第二数值集合，第二数值集合中的元素是产品参数基于预设的哈希函数运算所得到的值，且每个第二数值集合对应一个产品分类；
基于多个预设的哈希函数，分别将所述第一数值集合中的元素映射至目标哈希表中；
其中，所述目标哈希表中的元素为第一数值集合中各个元素对应的哈希值；且每一个哈希函数只对所述第一数值集合中对应位置上的一个元素进行哈希映射；
将所述目标哈希表中的元素与所述第二数值集合中的元素进行对比；其中，在对比时，只对相同位置上的元素进行对比；
获取所述目标哈希表中与所述第二数值集合中相同的元素的数量；以获取具有相同元素最多的第二数值集合，作为目标数值集合；
获取所述目标数值集合所对应的产品分类，并将所述产品分类作为所述工业机器人所检测产品的分类。
2.根据权利要求1所述的基于工业物联网的数据处理方法，其特征在于，所述基于所述设备参数数据对预设的深度学习模型进行训练，得到对应的分类模型的步骤，包括：获取所述设备参数数据的特征信息，以及获取所述工业机器人的分类标签；其中，所述特征信息包括所述设备参数数据的类型特征以及数值特征；
将所述设备参数数据的类型特征、数值特征与所述工业机器人的分类标签形成训练对，将所述训练对输入至初始的第一深度学习模型中进行训练，得到所述第一深度学习模型的第一权重参数；
根据所述设备参数数据的类型特征、数值特征，匹配多个对应的机器人管理设备；其中，各个所述机器人管理设备上存储有训练数据；且各个训练数据中包括对应的类型特征、数值特征；
基于各个所述机器人管理设备上的训练数据训练各所述机器人管理设备上预设的第二深度学习模型，得到各所述第二深度学习模型的第二权重参数；
对所述第一权重参数以及各所述第二权重参数进行聚合计算，得到对应的聚合值；
基于所述聚合值对所述第一深度学习模型的第一权重参数进行更新，得到更新后的网络模型作为所述分类模型。
3.根据权利要求2所述的基于工业物联网的数据处理方法，其特征在于，所述对所述第一权重参数以及各所述第二权重参数进行聚合计算，得到对应的聚合值的步骤，包括：与各个所述机器人管理设备共同进行通讯协商，并从第三方数据库中确定出一个可信任的第三方终端；其中，所述第三方数据库中存储有多个可信任的第三方终端；
生成一个随机的干扰参数，并对所述干扰参数添加标记；将所述干扰参数与所述第一权重参数合并之后得到合并权重参数发送至所述第三方终端；
基于各个所述机器人管理设备将所述第二权重参数发送至所述第三方终端；
基于所述第三方终端，对所述合并权重参数进行标记识别，当识别到标记时，将所述标记对应的干扰参数从所述合并权重参数中去除，得到所述第一权重参数；并对所述第一权重参数以及第二权重参数进行融合计算，得到对应的融合值；
基于所述第三方终端，将所述融合值与所述干扰参数进行合并得到所述聚合值。
4.根据权利要求3所述的基于工业物联网的数据处理方法，其特征在于，所述基于所述聚合值对所述第一深度学习模型的第一权重参数进行更新的步骤，包括：接收所述第三方终端反馈的所述聚合值；
对所述聚合值进行标记识别；若识别到标记，则将所述标记对应的干扰参数从所述聚合值中删除，得到所述融合值；
将所述第一深度学习模型的第一权重参数更新为所述融合值。
5.根据权利要求3所述的基于工业物联网的数据处理方法，其特征在于，所述与各个所述机器人管理设备共同进行通讯协商，并从第三方数据库中确定出一个可信任的第三方终端的步骤，包括：依次获取所述第三方数据库中各个可信任的第三方终端的可信度，并对所述可信度进行高低排序，选择出排列前三的预选第三方终端；
依序将选择出的所述预选第三方终端的信息发送至各个所述机器人管理设备，以获取各个所述机器人管理设备的反馈；其中，所述反馈包括可信与不可信；
若各个所述机器人管理设备的反馈均为可信，则将对应的预选第三方终端作为协商确定的第三方终端。
6.一种基于工业物联网的数据处理装置，其特征在于，包括：连接单元，用于通过互联网协议连接工业机器人，并接入工业物联网系统；
获取单元，用于获取所述工业机器人上的数据；其中，所述数据包括设备参数数据以及产品检测数据；所述产品检测数据是所述工业机器人所检测产品对应的数据；
分类单元，用于按照预设方式，对所述产品检测数据进行分类汇总，并根据汇总结果对所述工业机器人检测的产品进行分类；
训练单元，用于基于所述设备参数数据对预设的深度学习模型进行训练，得到对应的分类模型；其中，所述分类模型用于工业机器人的分类；
从所述产品检测数据中选择出多个指定数据；按照预设排序对所述指定数据排序，得到数据序列；其中，所述指定数据为指定的核心数据；
获取所述数据序列中各个指定数据的值，并将所述指定数据的值表征为对应的第一数值集合；
获取预设的云数据库中，存储的第二数值集合；其中，所述云数据库中存储有多个第二数值集合，第二数值集合中的元素是产品参数基于预设的哈希函数运算所得到的值，且每个第二数值集合对应一个产品分类；
基于多个预设的哈希函数，分别将所述第一数值集合中的元素映射至目标哈希表中；
其中，所述目标哈希表中的元素为第一数值集合中各个元素对应的哈希值；且每一个哈希函数只对所述第一数值集合中对应位置上的一个元素进行哈希映射；
将所述目标哈希表中的元素与所述第二数值集合中的元素进行对比；其中，在对比时，只对相同位置上的元素进行对比；
获取所述目标哈希表中与所述第二数值集合中相同的元素的数量；以获取具有相同元素最多的第二数值集合，作为目标数值集合；
获取所述目标数值集合所对应的产品分类，并将所述产品分类作为所述工业机器人所检测产品的分类。
7.根据权利要求6所述的基于工业物联网的数据处理装置，其特征在于，所述训练单元具体用于：获取所述设备参数数据的特征信息，以及获取所述工业机器人的分类标签；其中，所述特征信息包括所述设备参数数据的类型特征以及数值特征；
将所述设备参数数据的类型特征、数值特征与所述工业机器人的分类标签形成训练对，将所述训练对输入至初始的第一深度学习模型中进行训练，得到所述第一深度学习模型的第一权重参数；
根据所述设备参数数据的类型特征、数值特征，匹配多个对应的机器人管理设备；其中，各个所述机器人管理设备上存储有训练数据；且各个训练数据中包括对应的类型特征、数值特征；
基于各个所述机器人管理设备上的训练数据训练各所述机器人管理设备上预设的第二深度学习模型，得到各所述第二深度学习模型的第二权重参数；
对所述第一权重参数以及各所述第二权重参数进行聚合计算，得到对应的聚合值；
基于所述聚合值对所述第一深度学习模型的第一权重参数进行更新，得到更新后的网络模型作为所述分类模型。
8.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
基于工业物联网的数据处理方法、装置和计算机设备
技术领域
[0001] 本发明涉及工业物联网的技术领域，特别涉及一种基于工业物联网的数据处理方法、装置、计算机设备和存储介质。
背景技术
[0002] 工业机器人设备在工业物联网系统中有着至关重要的作用，工业机器人可在产品线上实现各种产品加工，在对不同产品进行加工时，其采用的设备参数不同，同时对产品所检测的产品参数数据也不同，上述参数数量较多，不便于进行参数的统一管理；而在实际生产中，通常也只是产线人员利用相关设备进行参数的简单记录，并没有进行统一管理。
发明内容
[0003] 本发明的主要目的为提供一种基于工业物联网的数据处理方法、装置、计算机设备和存储介质，旨在克服目前没有对设备参数以及产品参数进行统一管理的缺陷。
[0004] 为实现上述目的，本发明提供了一种基于工业物联网的数据处理方法，包括以下步骤：
[0005] 通过互联网协议连接工业机器人，并接入工业物联网系统；
[0006] 获取所述工业机器人上的数据；其中，所述数据包括设备参数数据以及产品检测数据；所述产品检测数据是所述工业机器人所检测产品对应的数据；
[0007] 按照预设方式，对所述产品检测数据进行分类汇总，并根据汇总结果对所述工业机器人检测的产品进行分类；
[0008] 基于所述设备参数数据对预设的深度学习模型进行训练，得到对应的分类模型；其中，所述分类模型用于工业机器人的分类。
[0009] 进一步地，所述基于所述设备参数数据对预设的深度学习模型进行训练，得到对应的分类模型的步骤，包括：
[0010] 获取所述设备参数数据的特征信息，以及获取所述工业机器人的分类标签；其中，所述特征信息包括所述设备参数数据的类型特征以及数值特征；
[0011] 将所述设备参数数据的类型特征、数值特征与所述工业机器人的分类标签形成训练对，将所述训练对输入至初始的第一深度学习模型中进行训练，得到所述第一深度学习模型的第一权重参数；
[0012] 根据所述设备参数数据的类型特征、数值特征，匹配多个对应的机器人管理设备；其中，各个所述机器人管理设备上存储有训练数据；且各个训练数据中包括对应的类型特征、数值特征；
[0013] 基于各个所述机器人管理设备上的训练数据训练各所述机器人管理设备上预设的第二深度学习模型，得到各所述第二深度学习模型的第二权重参数；
[0014] 对所述第一权重参数以及各所述第二权重参数进行聚合计算，得到对应的聚合值；
[0015] 基于所述聚合值对所述第一深度学习模型的第一权重参数进行更新，得到更新后的网络模型作为所述分类模型。
[0016] 进一步地，所述对所述第一权重参数以及各所述第二权重参数进行聚合计算，得到对应的聚合值的步骤，包括：
[0017] 与各个所述机器人管理设备共同进行通讯协商，并从第三方数据库中确定出一个可信任的第三方终端；其中，所述第三方数据库中存储有多个可信任的第三方终端；
[0018] 生成一个随机的干扰参数，并对所述干扰参数添加标记；将所述干扰参数与所述第一权重参数合并之后得到合并权重参数发送至所述第三方终端；
[0019] 基于各个所述机器人管理设备将所述第二权重参数发送至所述第三方终端；
[0020] 基于所述第三方终端，对所述合并权重参数进行标记识别，当识别到标记时，将所述标记对应的干扰参数从所述合并权重参数中去除，得到所述第一权重参数；并对所述第一权重参数以及第二权重参数进行融合计算，得到对应的融合值；
[0021] 基于所述第三方终端，将所述融合值与所述干扰参数进行合并得到所述聚合值。
[0022] 进一步地，所述基于所述聚合值对所述第一深度学习模型的第一权重参数进行更新的步骤，包括：
[0023] 接收所述第三方终端反馈的所述聚合值；
[0024] 对所述聚合值进行标记识别；若识别到标记，则将所述标记对应的干扰参数从所述聚合值中删除，得到所述融合值；
[0025] 将所述第一深度学习模型的第一权重参数更新为所述融合值。
[0026] 进一步地，所述与各个所述机器人管理设备共同进行通讯协商，并从第三方数据库中确定出一个可信任的第三方终端的步骤，包括：
[0027] 依次获取所述第三方数据库中各个可信任的第三方终端的可信度，并对所述可信度进行高低排序，选择出排列前三的预选第三方终端；
[0028] 依序将选择出的所述预选第三方终端的信息发送至各个所述机器人管理设备，以获取各个所述机器人管理设备的反馈；其中，所述反馈包括可信与不可信；
[0029] 若各个所述机器人管理设备的反馈均为可信，则将对应的预选第三方终端作为协商确定的第三方终端。
[0030] 进一步地，所述按照预设方式，对所述产品检测数据进行分类汇总的步骤，包括：
[0031] 从所述产品检测数据中选择出多个指定数据；按照预设排序对所述指定数据排序，得到数据序列；其中，所述指定数据为指定的核心数据；
[0032] 获取所述数据序列中各个指定数据的值，并将所述指定数据的值表征为对应的第一数值集合；
[0033] 获取预设的云数据库中，存储的第二数值集合；其中，所述云数据库中存储有多个第二数值集合，第二数值集合中的元素是产品参数基于预设的哈希函数运算所得到的值，且每个第二数值集合对应一个产品分类；
[0034] 基于多个预设的哈希函数，分别将所述第一数值集合中的元素映射至目标哈希表中；其中，所述目标哈希表中的元素为第一数值集合中各个元素对应的哈希值；且每一个哈希函数只对所述第一数值集合中对应位置上的一个元素进行哈希映射；
[0035] 将所述目标哈希表中的元素与所述第二数值集合中的元素进行对比；其中，在对比时，只对相同位置上的元素进行对比；
[0036] 获取所述目标哈希表中与所述第二数值集合中相同的元素的数量；以获取具有相同元素最多的第二数值集合，作为目标数值集合；
[0037] 获取所述目标数值集合所对应的产品分类，并将所述产品分类作为所述工业机器人所检测产品的分类。
[0038] 本发明还提供了一种基于工业物联网的数据处理装置，包括：
[0039] 连接单元，用于通过互联网协议连接工业机器人，并接入工业物联网系统；
[0040] 获取单元，用于获取所述工业机器人上的数据；其中，所述数据包括设备参数数据以及产品检测数据；所述产品检测数据是所述工业机器人所检测产品对应的数据；
[0041] 分类单元，用于按照预设方式，对所述产品检测数据进行分类汇总，并根据汇总结果对所述工业机器人检测的产品进行分类；
[0042] 训练单元，用于基于所述设备参数数据对预设的深度学习模型进行训练，得到对应的分类模型；其中，所述分类模型用于工业机器人的分类。
[0043] 进一步地，所述训练单元具体用于：
[0044] 获取所述设备参数数据的特征信息，以及获取所述工业机器人的分类标签；其中，所述特征信息包括所述设备参数数据的类型特征以及数值特征；
[0045] 将所述设备参数数据的类型特征、数值特征与所述工业机器人的分类标签形成训练对，将所述训练对输入至初始的第一深度学习模型中进行训练，得到所述第一深度学习模型的第一权重参数；
[0046] 根据所述设备参数数据的类型特征、数值特征，匹配多个对应的机器人管理设备；其中，各个所述机器人管理设备上存储有训练数据；且各个训练数据中包括对应的类型特征、数值特征；
[0047] 基于各个所述机器人管理设备上的训练数据训练各所述机器人管理设备上预设的第二深度学习模型，得到各所述第二深度学习模型的第二权重参数；
[0048] 对所述第一权重参数以及各所述第二权重参数进行聚合计算，得到对应的聚合值；
[0049] 基于所述聚合值对所述第一深度学习模型的第一权重参数进行更新，得到更新后的网络模型作为所述分类模型。
[0050] 本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
[0051] 本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
[0052] 本发明提供的基于工业物联网的数据处理方法、装置、计算机设备和存储介质，包括：通过互联网协议连接工业机器人，并接入工业物联网系统；获取所述工业机器人上的数据；其中，所述数据包括设备参数数据以及产品检测数据；所述产品检测数据是所述工业机器人所检测产品对应的数据；按照预设方式，对所述产品检测数据进行分类汇总，并根据汇总结果对所述工业机器人检测的产品进行分类；基于所述设备参数数据对预设的深度学习模型进行训练，得到对应的分类模型；其中，所述分类模型用于工业机器人的分类。本发明对设备参数数据以及产品检测数据分别进行对应的处理，实现了对设备参数以及产品参数进行统一管理。
附图说明
[0053] 图1是本发明一实施例中基于工业物联网的数据处理方法步骤示意图；
[0054] 图2是本发明一实施例中基于工业物联网的数据处理装置结构框图；
[0055] 图3是本发明一实施例的计算机设备的结构示意框图。
[0056] 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
[0057] 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。
[0058] 参照图1，本发明一实施例中提供了一种基于工业物联网的数据处理方法，包括以下步骤：
[0059] 步骤S1，通过互联网协议连接工业机器人，并接入工业物联网系统；
[0060] 步骤S2，获取所述工业机器人上的数据；其中，所述数据包括设备参数数据以及产品检测数据；所述产品检测数据是所述工业机器人所检测产品对应的数据；
[0061] 步骤S3，按照预设方式，对所述产品检测数据进行分类汇总，并根据汇总结果对所述工业机器人检测的产品进行分类；
[0062] 步骤S4，基于所述设备参数数据对预设的深度学习模型进行训练，得到对应的分类模型；其中，所述分类模型用于工业机器人的分类。
[0063] 在本实施例中，上述方法应用于对工业物联网系统中管理终端对工业机器人进行数据管理。具体地，如上述步骤S1所述的，通过互联网协议连接工业机器人，并接入工业物联网系统，使得各个工业机器人都可以通过网络进行数据信息的传输；工业机器人也可以通过网络受控于管理设备以进行远程交互。如上述步骤S2所述的，获取上述工业机器人上的数据，上述数据主要包括设备参数数据以及产品检测数据；其中，设备参数数据指的是工业机器人自身的参数数据，产品检测数据是上述工业机器人所检测产品对应的数据。不同的工业机器人具有不同的参数数据，而同一个工业机器人也可以适用于检测不同的产品，不同的产品具备不同的产品检测数据；获取到上述数据，便于对工业机器人的工作进行分类管理。
[0064] 如上述步骤S3所述的，对上述产品检测数据进行分类汇总，并根据汇总结果对所述工业机器人检测的产品进行分类。由于不同的产品具有不同的产品检测数据，因此获取到产品检测数据之后，便可以根据产品检测数据的特性对检测的产品进行分类，从而便于工业机器人所检测产品进行分类管理。
[0065] 如上述步骤S4所述的，不同的工业机器人具有不同的设备参数数据，因此可以根据上述设备参数数据对工业机器人进行分类；进一步地，可以利用所述设备参数数据对预设的深度学习模型进行训练，得到对应的分类模型；后续便可以采用该分类模型对工业机器人进行分类。上述分类模型的输入数据即为工业机器人的设备参数数据。
[0066] 在一实施例中，所述基于所述设备参数数据对预设的深度学习模型进行训练，得到对应的分类模型的步骤S4，包括：
[0067] 步骤S41，获取所述设备参数数据的特征信息，以及获取所述工业机器人的分类标签；其中，所述特征信息包括所述设备参数数据的类型特征以及数值特征；
[0068] 步骤S42，将所述设备参数数据的类型特征、数值特征与所述工业机器人的分类标签形成训练对，将所述训练对输入至初始的第一深度学习模型中进行训练，得到所述第一深度学习模型的第一权重参数；
[0069] 步骤S43，根据所述设备参数数据的类型特征、数值特征，匹配多个对应的机器人管理设备；其中，各个所述机器人管理设备上存储有训练数据；且各个训练数据中包括对应的类型特征、数值特征；
[0070] 步骤S44，基于各个所述机器人管理设备上的训练数据训练各所述机器人管理设备上预设的第二深度学习模型，得到各所述第二深度学习模型的第二权重参数；
[0071] 步骤S45，对所述第一权重参数以及各所述第二权重参数进行聚合计算，得到对应的聚合值；
[0072] 步骤S46，基于所述聚合值对所述第一深度学习模型的第一权重参数进行更新，得到更新后的网络模型作为所述分类模型。
[0073] 在本实施例中，采用上述设备参数数据训练深度学习模型时，需要构建训练对，具体地，获取所述设备参数数据的特征信息，以及获取所述工业机器人的分类标签，特征信息包括所述设备参数数据的类型特征以及数值特征，将所述设备参数数据的类型特征、数值特征与所述工业机器人的分类标签形成训练对，将所述训练对输入至初始的第一深度学习模型中进行训练，得到所述第一深度学习模型的第一权重参数。由于上述训练对的数据有限，训练模型的效果不好，为了提升训练效果，可以联合其它厂商进行联合训练。
[0074] 因此，可以根据所述设备参数数据的类型特征、数值特征，匹配多个对应的机器人管理设备；其中，各个机器人管理设备为其它生厂商的管理设备，其存储有对应的训练数据，每个训练数据包括设备参数数据对应的类型特征、数值特征；匹配时，根据设备参数数据的类型特征、数值特征进行匹配，选择具有相同类型特征、数值特征的管理设备作为上述机器人管理设备。进而，基于各个所述机器人管理设备上的训练数据训练各所述机器人管理设备上预设的第二深度学习模型，得到各所述第二深度学习模型的第二权重参数，对所述第一权重参数以及各所述第二权重参数进行聚合计算，得到对应的聚合值；上述聚合值融合了多个权重参数，相当于进行了多次训练，而且每个工业机器人管理设备上的训练数据具有相应的差异，基于上述训练方式，不仅拓展了训练数据，而且在联合训练时，不需要交换训练数据，只需交互权重参数，因此不会造成各个管理设备上的训练数据的泄密，保障了数据安全性。最后，基于所述聚合值对所述第一深度学习模型的第一权重参数进行更新，得到更新后的网络模型作为所述分类模型。基于上述联合训练方式，提升了分类模型的置信度。
[0075] 在一实施例中，所述对所述第一权重参数以及各所述第二权重参数进行聚合计算，得到对应的聚合值的步骤，包括：
[0076] 与各个所述机器人管理设备共同进行通讯协商，并从第三方数据库中确定出一个可信任的第三方终端；其中，所述第三方数据库中存储有多个可信任的第三方终端；
[0077] 生成一个随机的干扰参数，并对所述干扰参数添加标记；将所述干扰参数与所述第一权重参数合并之后得到合并权重参数发送至所述第三方终端；在本实施例中，为了进一步加权数据交互时的安全性、隐私性，生成一个随机的干扰参数，上述随机的干扰参数与上述第一权重参数合并后发送至所述第三方终端。为了避免干扰参数影响最终的训练效果，还需要对上述干扰参数进行标记，以便后续进行识别。
[0078] 基于各个所述机器人管理设备将所述第二权重参数发送至所述第三方终端；
[0079] 基于所述第三方终端，对所述合并权重参数进行标记识别，当识别到标记时，将所述标记对应的干扰参数从所述合并权重参数中去除，得到所述第一权重参数；并对所述第一权重参数以及第二权重参数进行融合计算，得到对应的融合值；
[0080] 基于所述第三方终端，将所述融合值与所述干扰参数进行合并得到所述聚合值。由于上述聚合值需要反馈至管理终端，为了避免数据泄露，因此仍然需要将上述融合值与上述干扰参数进行合并处理得到上述聚合值。由于上述干扰参数的存在，可以对上述模型参数进行干扰，避免参数泄露。
[0081] 在一实施例中，所述基于所述聚合值对所述第一深度学习模型的第一权重参数进行更新的步骤，包括：
[0082] 接收所述第三方终端反馈的所述聚合值；
[0083] 对所述聚合值进行标记识别；若识别到标记，则将所述标记对应的干扰参数从所述聚合值中删除，得到所述融合值；
[0084] 将所述第一深度学习模型的第一权重参数更新为所述融合值。
[0085] 在本实施例中，为了增强上述第一深度学习模型的效果，需要将其初步训练得到的第一权重参数进行更新，更新时，对第三方终端反馈的所述聚合值进行标记识别，识别出其中的干扰参数，并从聚合值中删除上述干扰参数，从而得到上述融合值，进而将所述第一深度学习模型的第一权重参数更新为所述融合值。
[0086] 在一实施例中，所述与各个所述机器人管理设备共同进行通讯协商，并从第三方数据库中确定出一个可信任的第三方终端的步骤，包括：
[0087] 依次获取所述第三方数据库中各个可信任的第三方终端的可信度，并对所述可信度进行高低排序，选择出排列前三的预选第三方终端；
[0088] 依序将选择出的所述预选第三方终端的信息发送至各个所述机器人管理设备，以获取各个所述机器人管理设备的反馈；其中，所述反馈包括可信与不可信；
[0089] 若各个所述机器人管理设备的反馈均为可信，则将对应的预选第三方终端作为协商确定的第三方终端。
[0090] 在另一实施例中，所述按照预设方式，对所述产品检测数据进行分类汇总的步骤S3，包括：
[0091] 从所述产品检测数据中选择出多个指定数据；按照预设排序对所述指定数据排序，得到数据序列；上述产品检测数据中包括多个数据，为了避免后续处理的数据量过大，本实施例中可以选择出多个指定的核心数据，并按照预设排序对所述指定数据排序，得到数据序列。
[0092] 获取所述数据序列中各个指定数据的值，并将所述指定数据的值表征为对应的第一数值集合；上述各个指定数据都具备对应的值，根据指定数据的值便可以表征得到上述第一数值集合，例如各个指定数据的值为a、b、c、d，上述第一数值集合可以表达为{a，b，c，d}。
[0093] 获取预设的云数据库中，存储的第二数值集合；其中，所述云数据库中存储有多个第二数值集合，第二数值集合中的元素是产品参数基于预设的哈希函数运算所得到的值，且每个第二数值集合对应一个产品分类；
[0094] 基于多个预设的哈希函数，分别将所述第一数值集合中的元素映射至目标哈希表中；其中，所述目标哈希表中的元素为第一数值集合中各个元素对应的哈希值；且每一个哈希函数只对所述第一数值集合中对应位置上的一个元素进行哈希映射；可以理解的是，上述预设的哈希函数与上述云数据库中的哈希函数一致，每个哈希函数只进行特定位置上的一个元素进行哈希映射。例如，针对上述第一数值集合{a，b，c，d}，可以基于预设的四个哈希函数分别为函数A、函数B、函数C、函数D，其中，函数A用于对第一数值集合中第一位的元素a进行哈希计算，函数B用于对第一数值集合中第二位的元素b进行哈希计算，函数C用于对第一数值集合中第三位的元素c进行哈希计算，函数D用于对第一数值集合中第四位的元素d进行哈希计算。
[0095] 将所述目标哈希表中的元素与所述第二数值集合中的元素进行对比；其中，在对比时，只对相同位置上的元素进行对比；在本实施例中，不会进行原始数据的直接对比，而是对比对应的哈希映射值，可以避免数据泄露。
[0096] 获取所述目标哈希表中与所述第二数值集合中相同的元素的数量；以获取具有相同元素最多的第二数值集合，作为目标数值集合；可以理解的是，当目标哈希表中的元素与所述第二数值集合中的元素相同时，则表明目标哈希表中的元素与所述第二数值集合中的元素对应的原始数据也相同；若存在多个元素相同，则表明两个产品之间的相似度较高，相同的元素数量越多，相似度越高。
[0097] 获取所述目标数值集合所对应的产品分类，并将所述产品分类作为所述工业机器人所检测产品的分类。在本实施例中，获取工业机器人所检测产品的分类时，无需进行原始产品检测数据的交互，只进行对应哈希值的传输，因此不会造成数据泄露。
[0098] 参照图2，本发明一实施例中还提供了一种基于工业物联网的数据处理装置，包括：
[0099] 连接单元，用于通过互联网协议连接工业机器人，并接入工业物联网系统；
[0100] 获取单元，用于获取所述工业机器人上的数据；其中，所述数据包括设备参数数据以及产品检测数据；所述产品检测数据是所述工业机器人所检测产品对应的数据；
[0101] 分类单元，用于按照预设方式，对所述产品检测数据进行分类汇总，并根据汇总结果对所述工业机器人检测的产品进行分类；
[0102] 训练单元，用于基于所述设备参数数据对预设的深度学习模型进行训练，得到对应的分类模型；其中，所述分类模型用于工业机器人的分类。
[0103] 在一实施例中，所述训练单元具体用于：
[0104] 获取所述设备参数数据的特征信息，以及获取所述工业机器人的分类标签；其中，所述特征信息包括所述设备参数数据的类型特征以及数值特征；
[0105] 将所述设备参数数据的类型特征、数值特征与所述工业机器人的分类标签形成训练对，将所述训练对输入至初始的第一深度学习模型中进行训练，得到所述第一深度学习模型的第一权重参数；
[0106] 根据所述设备参数数据的类型特征、数值特征，匹配多个对应的机器人管理设备；其中，各个所述机器人管理设备上存储有训练数据；且各个训练数据中包括对应的类型特征、数值特征；
[0107] 基于各个所述机器人管理设备上的训练数据训练各所述机器人管理设备上预设的第二深度学习模型，得到各所述第二深度学习模型的第二权重参数；
[0108] 对所述第一权重参数以及各所述第二权重参数进行聚合计算，得到对应的聚合值；
[0109] 基于所述聚合值对所述第一深度学习模型的第一权重参数进行更新，得到更新后的网络模型作为所述分类模型。
[0110] 在本实施例中，上述装置实施例中各个单元的具体实现方式请参照上述方法实施例中所述，在此不再进行赘述。
[0111] 参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储物联网数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于工业物联网的数据处理方法。
[0112] 本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定。
[0113] 本发明一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于工业物联网的数据处理方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
[0114] 综上所述，为本发明实施例中提供的基于工业物联网的数据处理方法、装置、计算机设备和存储介质，包括：通过互联网协议连接工业机器人，并接入工业物联网系统；获取所述工业机器人上的数据；其中，所述数据包括设备参数数据以及产品检测数据；所述产品检测数据是所述工业机器人所检测产品对应的数据；按照预设方式，对所述产品检测数据进行分类汇总，并根据汇总结果对所述工业机器人检测的产品进行分类；基于所述设备参数数据对预设的深度学习模型进行训练，得到对应的分类模型；其中，所述分类模型用于工业机器人的分类。本发明对设备参数数据以及产品检测数据分别进行对应的处理，实现了对设备参数以及产品参数进行统一管理。
[0115] 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。
[0116] 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。
[0117] 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。
