一种工业互联网实验系统及方法

摘要

本发明公开了一种工业互联网实验系统及方法，属于数字信息的传输领域，本发明将实际实验场景下输出得到的质量监测值与设定的质量监测阈值进行对比，若质量监测值大于等于设定的质量监测阈值，则将得到的质量监测值与设定的质量监测阈值代入生产模型中输出实验设备的设定数据的调节值供维护人员进行实验设备的参数调节，调节后进行实验设备的运行，若质量监测值小于设定的质量监测阈值，则不对实验设备的参数进行调节，实验设备正常运行，随着外部环境参数的变化，快速对实验设备参数进行调节以对环境变化的影响进行抵消，提高了产品的生产质量。

权利要求

1.一种工业互联网实验方法，其特征在于，其包括以下具体步骤：

S1、获取工业互联网实验场景中各实验设备的参数数据信息、传感器感应得到的场景内环境数据信息和实验场景中的生产产品的数据；

S2、将获取的实验场景中的生产产品的数据导入质量监测策略中进行产品质量监测值的计算；

S3、将获取的实验场景中各实验设备的历史参数数据信息、传感器感应得到的场景内历史环境数据信息和计算得到的历史产品质量监测值代入生产模型构建策略中构建生产模型；

S4、将实际实验场景下输出得到的质量监测值与设定的质量监测阈值进行对比，若质量监测值大于等于设定的质量监测阈值，则进行S5，若质量监测值小于设定的质量监测阈值，则不对实验设备的参数进行调节，实验设备正常运行，其中，质量监测阈值包括像素差异阈值和距离差异阈值；

S5、将得到的质量监测值与设定的质量监测阈值代入生产模型中输出实验设备的设定数据的调节值供维护人员进行实验设备的参数调节，调节后进行实验设备的运行；

所述S2中质量监测策略的具体内容如下：

S21、获取采集的生产产品的各像素点像素值和产品表面各像素点的相对距离规格数据，同时采集标准的生产产品模板的各像素点像素值和产品表面各像素点的相对距离规格数据；

S22、将采集的生产产品的各像素点像素值和采集的标准的生产产品模板的各像素点像素值导入像素差异值计算公式中计算像素差异值，像素差异值计算公式为：，其中，n为生产产品上选择的像素点的个数， 为生产产品的第i个像素点像素值， 为标准的生产产品模板对应的第i个像素点像素值；

S23、获取产品表面各像素点的相对距离规格数据和标准的生产产品模板表面各像素点的相对距离规格数据导入距离差异值计算公式中计算距离差异值，距离差异值计算公式为： ，其中， 为产品表面第i个像素点的相对距离规格数据， 为标准的生产产品模板表面第i个像素点的相对距离规格数据；

S24、将获取的像素差异值和距离差异值构成二维向量的形式作为产品的质量监测值；

所述S3中的生产模型构建策略的具体内容为：

S31、获取实验场景中各实验设备的历史参数数据信息、传感器感应得到的场景内历史环境数据信息和计算得到的历史产品质量监测值，构建输入为传感器感应得到的场景内历史环境数据信息和实验场景中各实验设备的历史参数数据信息，输出为对应的计算得到的历史产品质量监测值数据的深度学习神经网络模型；

S32、将获取的实验场景中各实验设备的历史参数数据信息、传感器感应得到的场景内历史环境数据信息和计算得到的历史产品质量监测值分为70%的参数训练集和30%的参数测试集；将70%的参数训练集输入深度学习神经网络模型进行训练，以得到初始深度学习神经网络模型；利用30%的参数测试集对初始深度学习神经网络模型进行测试，输出满足预设产品质量监测值准确度的最优初始深度学习神经网络模型输出作为深度学习神经网络模型，其中，深度学习神经网络模型中的特定神经元的输出策略公式为：，其中 为n层s项神经元的输出， 为第n‑1层神经元j与n层s项神

经元的连接权重， 代表第n‑1层神经元j的输入， 代表第n‑1层神经元j与n层s项神经元的线性关系的偏置，sim()代表Sigmoid激活函数，w为第n‑1层神经元的数量；

S33、选择训练后输出的深度学习神经网络模型作为生产模型，并获取实际实验场景，获取实际环境下的环境数据信息和实验设备的参数数据信息，将获取的实际环境下的环境数据信息和实验设备的参数数据信息代入构建的生产模型中输出实际实验场景下得到的质量监测值。

2.如权利要求1所述的一种工业互联网实验方法，其特征在于，所述S1包括以下具体步骤：S11、获取工业互联网实验场景，通过实验设备数据采集模组采集实验场景中各实验设备的历史运行过程中参数数据信息，同时获取环境传感器感应得到的场景内环境数据信息；

S12、获取在对应历史运行过程中历史环境影响下的生产产品的数据，生产产品的数据包括产品的各像素点像素值和产品表面各像素点的相对距离规格数据。

3.如权利要求2所述的一种工业互联网实验方法，其特征在于，所述S4的具体内容包括以下具体步骤：S41、将实际实验场景下得到的质量监测值中的像素差异值、距离差异值分别与设定的像素差异阈值、距离差异阈值进行对比，若存在像素差异值大于等于像素差异阈值和/或距离差异值大于等于距离差异阈值，则进行S5；

S42、若不存在像素差异值大于等于像素差异阈值和/或距离差异值大于等于距离差异阈值，则不对实验设备的参数进行调节，实验设备正常运行。

4.如权利要求3所述的一种工业互联网实验方法，其特征在于，所述S5的具体内容包括以下具体步骤：S51、将设定的质量监测阈值导入构建的生产模型中，生成对应质量监测值的实验场景中各实验设备的参数数据信息，设为第一设备参数数据，同时生成对应设定的质量监测阈值的实验场景中各实验设备的参数数据信息，设为第二设备参数数据；

S52、获取得到的第一设备参数数据和第二设备参数数据，维护人员将各实验设备的参数数据信息调节至第二设备参数数据；

S53、调节后进行实验设备的运行。

5.一种工业互联网实验系统，其基于如权利要求1‑4任一项的所述一种工业互联网实验方法实现，其特征在于，其具体包括：数据获取模块、质量检测值计算模块、生产模型构建模块、数据对比模块、参数调节模块和控制模块，所述数据获取模块用于获取工业互联网实验场景中各实验设备的参数数据信息、传感器感应得到的场景内环境数据信息和实验场景中的生产产品的数据，所述质量检测值计算模块用于将获取的实验场景中的生产产品的数据导入质量监测策略中进行产品质量监测值的计算。

6.如权利要求5中所述的一种工业互联网实验系统，其特征在于，所述生产模型构建模块用于将获取的实验场景中各实验设备的历史参数数据信息、传感器感应得到的场景内历史环境数据信息和计算得到的历史产品质量监测值代入生产模型构建策略中构建生产模型，所述数据对比模块用于将实际实验场景下输出得到的质量监测值与设定的质量监测阈值进行对比，所述参数调节模块用于将得到的质量监测值与设定的质量监测阈值代入生产模型中输出实验设备的设定数据的调节值供维护人员进行实验设备的参数调节，调节后进行实验设备的运行。

7.如权利要求6中所述的一种工业互联网实验系统，其特征在于，所述控制模块用于控制数据获取模块、质量检测值计算模块、生产模型构建模块、数据对比模块、参数调节模块的运行。

8.一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；

所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1‑4任一项所述的一种工业互联网实验方法。

9.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1‑4任意一项所述的一种工业互联网实验方法。

说明书

一种工业互联网实验系统及方法

技术领域

[0001] 本发明属于数字信息的传输技术领域，具体的说是一种工业互联网实验系统及方法。

背景技术

[0002] 工业互联网实验是指在实际生产环境中，通过搭建工业互联网系统，引入新的技术、设备或管理方法，以提高生产效率、降低成本、优化生产流程等为目标，进行的一系列测试、验证和优化活动。

[0003] 例如授权公告号为CN115643123B的中国专利中公开一种物联网多网融合实验系统及方法，具体涉及物联网领域，用于解决目前的多网融合监控系统，并没有对采集过程的精确程度以及调试方案的实行速度进行针对性监测，导致实际分析的结果存在不确定性，调试效果存在不及时性的问题；包括数据采集模块、调节操作模块，通信网关模块以及数据分析模块；该发明是通过对数据采集过程的精确度进行判断，并进行反馈式循环采集，保证了数据获取的精确性，并根据采集的数据制定相应的调节手段，同时检测相应的调节时间从而对整体系统的调整能力进行评价，方便后续人员进行检修。

[0004] 同时例如在授权公告号为CN113489674B的中国专利中提供一种面向物联网系统的恶意流量智能检测方法及应用，针对网络流量，设计应用全新标准化处理，并获得向量化结果，再基于以分别对应于预设各向量类型的各特征提取网络为输入，依次经过多级特征连接层、融合层、分类层所设计构成的待训练网络，执行训练获得恶意流量检测模型，即可应用该模型实现对目标网络流量的恶意流量检测；整个设计方案中融合了流量的时序特征，短时统计特征、以及字节特征，使得检测模型相比其他模型更加强大，实验表现更好，鲁棒性更强。

[0005] 以上专利均存在本背景技术提出的问题：现有技术在利用工业物联网生产产品的过程中，通常产品的生产质量受外部环境和生产设备的运行双重影响，生产设备的运行无法随着外部环境的变化而进行设定参数的更改，这样导致经常会发生外部环境变化影响产品质量的情况，现有技术中均存在上述问题，为了解决这些问题，本申请设计了一种工业互联网实验系统及方法。

发明内容

[0006] 针对现有技术的不足，本发明提出了一种工业互联网实验系统及方法，本发明获取工业互联网实验场景中各实验设备的参数数据信息、传感器感应得到的场景内环境数据信息和实验场景中的生产产品的数据，将获取的实验场景中的生产产品的数据导入质量监测策略中进行产品质量监测值的计算，将获取的实验场景中各实验设备的历史参数数据信息、传感器感应得到的场景内历史环境数据信息和计算得到的历史产品质量监测值代入生产模型构建策略中构建生产模型，将实际实验场景下输出得到的质量监测值与设定的质量监测阈值进行对比，若质量监测值大于等于设定的质量监测阈值，则将得到的质量监测值与设定的质量监测阈值代入生产模型中输出实验设备的设定数据的调节值供维护人员进行实验设备的参数调节，调节后进行实验设备的运行，若质量监测值小于设定的质量监测阈值，则不对实验设备的参数进行调节，实验设备正常运行，随着外部环境参数的变化，快速对实验设备参数进行调节以对环境变化的影响进行抵消，提高了产品的生产质量。

[0007] 为实现上述目的，本发明提供如下技术方案：

[0008] 一种工业互联网实验方法，其包括以下具体步骤：

[0009] S1、获取工业互联网实验场景中各实验设备的参数数据信息、传感器感应得到的场景内环境数据信息和实验场景中的生产产品的数据；

[0010] S2、将获取的实验场景中的生产产品的数据导入质量监测策略中进行产品质量监测值的计算；

[0011] S3、将获取的实验场景中各实验设备的历史参数数据信息、传感器感应得到的场景内历史环境数据信息和计算得到的历史产品质量监测值代入生产模型构建策略中构建生产模型；

[0012] S4、将实际实验场景下输出得到的质量监测值与设定的质量监测阈值进行对比，若质量监测值大于等于设定的质量监测阈值，则进行S5，若质量监测值小于设定的质量监测阈值，则不对实验设备的参数进行调节，实验设备正常运行，其中，质量监测阈值包括像素差异阈值和距离差异阈值；

[0013] S5、将得到的质量监测值与设定的质量监测阈值代入生产模型中输出实验设备的设定数据的调节值供维护人员进行实验设备的参数调节，调节后进行实验设备的运行。

[0014] 具体的，所述S1包括以下具体步骤：

[0015] S11、获取工业互联网实验场景，通过实验设备数据采集模组采集实验场景中各实验设备的历史运行过程中参数数据信息，同时获取环境传感器感应得到的场景内环境数据信息，这里需要说明的是，这里的实验设备的历史运行过程中参数数据信息包括实验设备在各历史环境中的运行电压、电流等设备本身参数数据，这里的场景内环境数据信息包括各历史环境中温度、湿度等环境参数数据；

[0016] S12、获取在对应历史运行过程中历史环境影响下的生产产品的数据，生产产品的数据包括产品的各像素点像素值和产品表面各像素点的相对距离规格数据，这里的相对距离规格数据为在三维坐标系中各像素点对应位置相对于坐标原点的距离。

[0017] 具体的，所述S2中质量监测策略的具体内容如下：

[0018] S21、获取采集的生产产品的各像素点像素值和产品表面各像素点的相对距离规格数据，同时采集标准的生产产品模板的各像素点像素值和产品表面各像素点的相对距离规格数据；

[0019] S22、将采集的生产产品的各像素点像素值和采集的标准的生产产品模板的各像素点像素值导入像素差异值计算公式中计算像素差异值，像素差异值计算公式为：，其中，n为生产产品上选择的像素点的个数， 为生产产品的第i个像素点像
素值， 为标准的生产产品模板对应的第i个像素点像素值；

[0020] S23、获取产品表面各像素点的相对距离规格数据和标准的生产产品模板表面各像素点的相对距离规格数据导入距离差异值计算公式中计算距离差异值，距离差异值计算公式为： ，其中， 为产品表面第i个像素点的相对距离规格数据， 为标准的生产产品模板表面第i个像素点的相对距离规格数据；

[0021] S24、将获取的像素差异值和距离差异值构成二维向量的形式作为产品的质量监测值。

[0022] 具体的，所述S3中的生产模型构建策略的具体内容为：

[0023] S31、获取实验场景中各实验设备的历史参数数据信息、传感器感应得到的场景内历史环境数据信息和计算得到的历史产品质量监测值，构建输入为传感器感应得到的场景内历史环境数据信息和实验场景中各实验设备的历史参数数据信息，输出为对应的计算得到的历史产品质量监测值数据的深度学习神经网络模型；

[0024] S32、将获取的实验场景中各实验设备的历史参数数据信息、传感器感应得到的场景内历史环境数据信息和计算得到的历史产品质量监测值分为70%的参数训练集和30%的参数测试集；将70%的参数训练集输入深度学习神经网络模型进行训练，以得到初始深度学习神经网络模型；利用30%的参数测试集对初始深度学习神经网络模型进行测试，输出满足预设产品质量监测值准确度的最优初始深度学习神经网络模型输出作为深度学习神经网络模型，其中，深度学习神经网络模型中的特定神经元的输出策略公式为：，其中 为n层s项神经元的输出， 为第n‑1层神经元j与n层s项神
经元的连接权重， 代表第n‑1层神经元j的输入， 代表第n‑1层神经元j与n层s项神经元的线性关系的偏置，sim()代表Sigmoid激活函数，w为第n‑1层神经元的数量；

[0025] S33、选择训练后输出的深度学习神经网络模型作为生产模型，并获取实际实验场景，获取实际环境下的环境数据信息和实验设备的参数数据信息，将获取的实际环境下的环境数据信息和实验设备的参数数据信息代入构建的生产模型中输出实际实验场景下得到的质量监测值。

[0026] 具体的，所述S4的具体内容包括以下具体步骤：

[0027] S41、将实际实验场景下得到的质量监测值中的像素差异值、距离差异值分别与设定的像素差异阈值、距离差异阈值进行对比，若存在像素差异值大于等于像素差异阈值和/或距离差异值大于等于距离差异阈值，则进行S5；

[0028] S42、若不存在像素差异值大于等于像素差异阈值和/或距离差异值大于等于距离差异阈值，则不对实验设备的参数进行调节，实验设备正常运行。

[0029] 具体的，所述S5的具体内容包括以下具体步骤：

[0030] S51、将设定的质量监测阈值导入构建的生产模型中，生成对应质量监测值的实验场景中各实验设备的参数数据信息，设为第一设备参数数据，同时生成对应设定的质量监测阈值的实验场景中各实验设备的参数数据信息，设为第二设备参数数据；

[0031] S52、获取得到的第一设备参数数据和第二设备参数数据，维护人员将各实验设备的参数数据信息调节至第二设备参数数据；

[0032] S53、调节后进行实验设备的运行。

[0033] 这里需要说明的是，这里的质量监测阈值根据提取的1000组生产次品与生产优品的数据代入公式中计算生产次品与生产优品的像素差异值、距离差异值代入拟合软件中，得到区分生产次品与生产优品的最优质量监测阈值。

[0034] 一种工业互联网实验系统，其基于上述一种工业互联网实验方法实现，其具体包括：数据获取模块、质量检测值计算模块、生产模型构建模块、数据对比模块、参数调节模块和控制模块，所述数据获取模块用于获取工业互联网实验场景中各实验设备的参数数据信息、传感器感应得到的场景内环境数据信息和实验场景中的生产产品的数据，所述质量检测值计算模块用于将获取的实验场景中的生产产品的数据导入质量监测策略中进行产品质量监测值的计算。

[0035] 具体的，所述生产模型构建模块用于将获取的实验场景中各实验设备的历史参数数据信息、传感器感应得到的场景内历史环境数据信息和计算得到的历史产品质量监测值代入生产模型构建策略中构建生产模型，所述数据对比模块用于将实际实验场景下输出得到的质量监测值与设定的质量监测阈值进行对比，所述参数调节模块用于将得到的质量监测值与设定的质量监测阈值代入生产模型中输出实验设备的设定数据的调节值供维护人员进行实验设备的参数调节，调节后进行实验设备的运行。

[0036] 具体的，所述控制模块用于控制数据获取模块、质量检测值计算模块、生产模型构建模块、数据对比模块、参数调节模块的运行。

[0037] 一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；

[0038] 所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种工业互联网实验方法。

[0039] 一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如上述的一种工业互联网实验方法。

[0040] 与现有技术相比，本发明的有益效果是：

[0041] 本发明获取工业互联网实验场景中各实验设备的参数数据信息、传感器感应得到的场景内环境数据信息和实验场景中的生产产品的数据，将获取的实验场景中的生产产品的数据导入质量监测策略中进行产品质量监测值的计算，将获取的实验场景中各实验设备的历史参数数据信息、传感器感应得到的场景内历史环境数据信息和计算得到的历史产品质量监测值代入生产模型构建策略中构建生产模型，将实际实验场景下输出得到的质量监测值与设定的质量监测阈值进行对比，若质量监测值大于等于设定的质量监测阈值，则将得到的质量监测值与设定的质量监测阈值代入生产模型中输出实验设备的设定数据的调节值供维护人员进行实验设备的参数调节，调节后进行实验设备的运行，若质量监测值小于设定的质量监测阈值，则不对实验设备的参数进行调节，实验设备正常运行，随着外部环境参数的变化，快速对实验设备参数进行调节以对环境变化的影响进行抵消，提高了产品的生产质量。

附图说明

[0042] 图1为本发明一种工业互联网实验方法流程示意图。

[0043] 图2为本发明一种工业互联网实验方法S2步具体流程示意图。

[0044] 图3为本发明一种工业互联网实验方法S3步具体流程示意图。

[0045] 图4为本发明一种工业互联网实验系统构架示意图。

具体实施方式

[0046] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。

[0047] 实施例1：

[0048] 请参阅图1‑图3，本发明提供的一种实施例：一种工业互联网实验方法，其包括以下具体步骤：

[0049] S1、获取工业互联网实验场景中各实验设备的参数数据信息、传感器感应得到的场景内环境数据信息和实验场景中的生产产品的数据；

[0050] 以下是一个简单的示例代码，用于获取工业互联网实验场景中的设备参数数据、环境数据和生产产品数据，

[0051] #include 

[0052] // 设备参数数据结构

[0053] typedef struct {

[0054]     int deviceID;

[0055]     float temperature;

[0056]     float pressure;

[0057]     float speed;

[0058] } DeviceData;

[0059] // 环境数据结构

[0060] typedef struct {

[0061]     float temperature;

[0062]     float humidity;

[0063]     float luminosity;

[0064] } EnvironmentData;

[0065] // 生产产品数据结构

[0066] typedef struct {

[0067]     int productID;

[0068]     int quantity;

[0069]     float weight;

[0070] } ProductData;

[0071] // 获取设备参数数据

[0072] DeviceData getDeviceData(int deviceID) {

[0073]     DeviceData deviceData;

[0074]     // 这里可以根据设备ID查询数据库或者其他数据源获取对应的设备参数数据

[0075]     deviceData.deviceID = deviceID;

[0076]     deviceData.temperature = 25.5;

[0077]     deviceData.pressure = 3.2;

[0078]     deviceData.speed = 1200.0;

[0079]     return deviceData;

[0080] }

[0081] // 获取环境数据

[0082] EnvironmentData getEnvironmentData() {

[0083]     EnvironmentData environmentData;

[0084]     // 这里可以获取传感器感应得到的环境数据

[0085]     environmentData.temperature = 26.0;

[0086]     environmentData.humidity = 45.5;

[0087]     environmentData.luminosity = 800.0;

[0088]     return environmentData;

[0089] }

[0090] // 获取生产产品数据

[0091] ProductData getProductData(int productID) {

[0092]     ProductData productData;

[0093]     // 这里可以根据产品ID查询数据库或者其他数据源获取对应的生产产品数据

[0094]     productData.productID = productID;

[0095]     productData.quantity = 100;

[0096]     productData.weight = 50.0;

[0097]     return productData;

[0098] }

[0099] int main() {

[0100]     // 获取设备参数数据

[0101]     DeviceData deviceData = getDeviceData(1);

[0102]     printf("Device ID: %d\n", deviceData.deviceID);

[0103]     printf("Temperature: %.2f\n", deviceData.temperature);

[0104]     printf("Pressure: %.2f\n", deviceData.pressure);

[0105]     printf("Speed: %.2f\n", deviceData.speed);

[0106]     // 获取环境数据

[0107]     EnvironmentData environmentData = getEnvironmentData();

[0108]     printf("Temperature: %.2f\n", environmentData.temperature);

[0109]     printf("Humidity: %.2f\n", environmentData.humidity);

[0110]     printf("Luminosity: %.2f\n", environmentData.luminosity);

[0111]     // 获取生产产品数据

[0112]     ProductData productData = getProductData(1);

[0113]     printf("Product ID: %d\n", productData.productID);

[0114]     printf("Quantity: %d\n", productData.quantity);

[0115]     printf("Weight: %.2f\n", productData.weight);

[0116]     return 0;

[0117] }

[0118] 这只是一个简单的示例，实际的代码可能涉及更复杂的数据获取逻辑和数据处理，可以根据具体的应用场景和需求来修改和完善代码；

[0119] S2、将获取的实验场景中的生产产品的数据导入质量监测策略中进行产品质量监测值的计算；

[0120] S3、将获取的实验场景中各实验设备的历史参数数据信息、传感器感应得到的场景内历史环境数据信息和计算得到的历史产品质量监测值代入生产模型构建策略中构建生产模型；

[0121] S4、将实际实验场景下输出得到的质量监测值与设定的质量监测阈值进行对比，若质量监测值大于等于设定的质量监测阈值，则进行S5，若质量监测值小于设定的质量监测阈值，则不对实验设备的参数进行调节，实验设备正常运行，其中，质量监测阈值包括像素差异阈值和距离差异阈值；

[0122] S5、将得到的质量监测值与设定的质量监测阈值代入生产模型中输出实验设备的设定数据的调节值供维护人员进行实验设备的参数调节，调节后进行实验设备的运行；

[0123] 在本实施例中，S1包括以下具体步骤：

[0124] S11、获取工业互联网实验场景，通过实验设备数据采集模组采集实验场景中各实验设备的历史运行过程中参数数据信息，同时获取环境传感器感应得到的场景内环境数据信息，这里需要说明的是，这里的实验设备的历史运行过程中参数数据信息包括实验设备在各历史环境中的运行电压、电流等设备本身参数数据，这里的场景内环境数据信息包括各历史环境中温度、湿度等环境参数数据；

[0125] S12、获取在对应历史运行过程中历史环境影响下的生产产品的数据，生产产品的数据包括产品的各像素点像素值和产品表面各像素点的相对距离规格数据，这里的相对距离规格数据为在三维坐标系中各像素点对应位置相对于坐标原点的距离；

[0126] 在本实施例中，S2中质量监测策略的具体内容如下：

[0127] S21、获取采集的生产产品的各像素点像素值和产品表面各像素点的相对距离规格数据，同时采集标准的生产产品模板的各像素点像素值和产品表面各像素点的相对距离规格数据；

[0128] S22、将采集的生产产品的各像素点像素值和采集的标准的生产产品模板的各像素点像素值导入像素差异值计算公式中计算像素差异值，像素差异值计算公式为：，其中，n为生产产品上选择的像素点的个数， 为生产产品的第i个像素点像
素值，为标准的生产产品模板对应的第i个像素点像素值；

[0129] S23、获取产品表面各像素点的相对距离规格数据和标准的生产产品模板表面各像素点的相对距离规格数据导入距离差异值计算公式中计算距离差异值，距离差异值计算公式为： ，其中， 为产品表面第i个像素点的相对距离规格数据， 为标准的生产产品模板表面第i个像素点的相对距离规格数据；

[0130] S24、将获取的像素差异值和距离差异值构成二维向量的形式作为产品的质量监测值；

[0131] 在本实施例中，S3中的生产模型构建策略的具体内容为：

[0132] S31、获取实验场景中各实验设备的历史参数数据信息、传感器感应得到的场景内历史环境数据信息和计算得到的历史产品质量监测值，构建输入为传感器感应得到的场景内历史环境数据信息和实验场景中各实验设备的历史参数数据信息，输出为对应的计算得到的历史产品质量监测值数据的深度学习神经网络模型；

[0133] S32、将获取的实验场景中各实验设备的历史参数数据信息、传感器感应得到的场景内历史环境数据信息和计算得到的历史产品质量监测值分为70%的参数训练集和30%的参数测试集；将70%的参数训练集输入深度学习神经网络模型进行训练，以得到初始深度学习神经网络模型；利用30%的参数测试集对初始深度学习神经网络模型进行测试，输出满足预设产品质量监测值准确度的最优初始深度学习神经网络模型输出作为深度学习神经网络模型，其中，深度学习神经网络模型中的特定神经元的输出策略公式为：，其中 为n层s项神经元的输出， 为第n‑1层神经元j与n层s项神
经元的连接权重， 代表第n‑1层神经元j的输入， 代表第n‑1层神经元j与n层s项神经元的线性关系的偏置，sim()代表Sigmoid激活函数，w为第n‑1层神经元的数量；

[0134] S33、选择训练后输出的深度学习神经网络模型作为生产模型，并获取实际实验场景，获取实际环境下的环境数据信息和实验设备的参数数据信息，将获取的实际环境下的环境数据信息和实验设备的参数数据信息代入构建的生产模型中输出实际实验场景下得到的质量监测值；

[0135] 在本实施例中，S4的具体内容包括以下具体步骤：

[0136] S41、将实际实验场景下得到的质量监测值中的像素差异值、距离差异值分别与设定的像素差异阈值、距离差异阈值进行对比，若存在像素差异值大于等于像素差异阈值和/或距离差异值大于等于距离差异阈值，则进行S5；

[0137] S42、若不存在像素差异值大于等于像素差异阈值和/或距离差异值大于等于距离差异阈值，则不对实验设备的参数进行调节，实验设备正常运行；

[0138] 在本实施例中，S5的具体内容包括以下具体步骤：

[0139] S51、将设定的质量监测阈值导入构建的生产模型中，生成对应质量监测值的实验场景中各实验设备的参数数据信息，设为第一设备参数数据，同时生成对应设定的质量监测阈值的实验场景中各实验设备的参数数据信息，设为第二设备参数数据；

[0140] S52、获取得到的第一设备参数数据和第二设备参数数据，维护人员将各实验设备的参数数据信息调节至第二设备参数数据；

[0141] S53、调节后进行实验设备的运行；

[0142] 这里需要说明的是，这里的质量监测阈值根据提取的1000组生产次品与生产优品的数据代入公式中计算生产次品与生产优品的像素差异值、距离差异值并代入拟合软件中，得到区分生产次品与生产优品的最优质量监测阈值。

[0143] 通过本实施例能够实现：获取工业互联网实验场景中各实验设备的参数数据信息、传感器感应得到的场景内环境数据信息和实验场景中的生产产品的数据，将获取的实验场景中的生产产品的数据导入质量监测策略中进行产品质量监测值的计算，将获取的实验场景中各实验设备的历史参数数据信息、传感器感应得到的场景内历史环境数据信息和计算得到的历史产品质量监测值代入生产模型构建策略中构建生产模型，将实际实验场景下输出得到的质量监测值与设定的质量监测阈值进行对比，若质量监测值大于等于设定的质量监测阈值，则将得到的质量监测值与设定的质量监测阈值代入生产模型中输出实验设备的设定数据的调节值供维护人员进行实验设备的参数调节，调节后进行实验设备的运行，若质量监测值小于设定的质量监测阈值，则不对实验设备的参数进行调节，实验设备正常运行，随着外部环境参数的变化，快速对实验设备参数进行调节以对环境变化的影响进行抵消，提高了产品的生产质量。

[0144] 实施例2：

[0145] 如图4所示，一种工业互联网实验系统，其基于上述一种工业互联网实验方法实现，其具体包括：数据获取模块、质量检测值计算模块、生产模型构建模块、数据对比模块、参数调节模块和控制模块，数据获取模块用于获取工业互联网实验场景中各实验设备的参数数据信息、传感器感应得到的场景内环境数据信息和实验场景中的生产产品的数据，质量检测值计算模块用于将获取的实验场景中的生产产品的数据导入质量监测策略中进行产品质量监测值的计算；生产模型构建模块用于将获取的实验场景中各实验设备的历史参数数据信息、传感器感应得到的场景内历史环境数据信息和计算得到的历史产品质量监测值代入生产模型构建策略中构建生产模型，数据对比模块用于将实际实验场景下输出得到的质量监测值与设定的质量监测阈值进行对比，参数调节模块用于将得到的质量监测值与设定的质量监测阈值代入生产模型中输出实验设备的设定数据的调节值供维护人员进行实验设备的参数调节，调节后进行实验设备的运行；控制模块用于控制数据获取模块、质量检测值计算模块、生产模型构建模块、数据对比模块、参数调节模块的运行。

[0146] 实施例3：

[0147] 本实施例提供一种电子设备，包括：处理器和存储器，其中，存储器中存储有可供处理器调用的计算机程序；

[0148] 处理器通过调用存储器中存储的计算机程序，执行上述的一种工业互联网实验方法。

[0149] 该电子设备可因配置或性能不同而产生比较大的差异，能够包括一个或一个以上的处理器（Central Processing Units，CPU）和一个或一个以上的存储器，其中，该存储器中存储有至少一条计算机程序，该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种工业互联网实验方法。该电子设备还能够包括其他用于实现设备功能的部件，例如，该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件，以便进行数据的输入输出。本实施例在此不做赘述。

[0150] 实施例4：

[0151] 本实施例提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；

[0152] 当计算机程序在计算机设备上运行时，使得计算机设备执行上述的一种工业互联网实验方法。

[0153] 例如，计算机可读存储介质能够是只读存储器（Read‑Only Memory，简称：ROM）、随机存取存储器（Random Access Memory，简称：RAM）、只读光盘（Compact Disc Read‑Only Memory，简称：CD‑ROM）、磁带、软盘和光数据存储设备等。

[0154] 应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

[0155] 应理解，根据A确定B并不意味着仅仅根据A确定B，还能够根据A和/或其它信息确定B。

[0156] 上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或/和无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。

[0157] 本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

[0158] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0159] 在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0160] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0161] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

[0162] 在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

[0163] 以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可做很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。