1.基于数据的流程工业网络模型构建方法，其特征是，包括：

步骤(1)：设置数据节点：柔性作业车间包括若干个生产设备，每个生产设备称之为流程节点，每个生产设备上部署若干个传感器，每个传感器称之为数据节点；

步骤(2)：数据预处理：将每个传感器采集的数据存储到对应的二维表中，将所采集的数值前后比较，将后面的数据修改为+1、0和-1；其中，+1表示增大事件，0表示不变事件，-1表示缩小事件；

步骤(3)：为所选择的数据节点设置边：将步骤(2)得到的增大、不变和缩小事件作为Apriori算法的输入值，分别计算同一个生产设备上不同传感器之间的关联关系与前后衔接的不同生产设备上传感器之间的关联关系；如果传感器相关，就在数据节点之间设置边，否则不设置边；

步骤(4)：设置数据节点之间边的权值；

步骤(5)：按照步骤(1)-(4)所选取的数据节点、数据节点之间设置的边和数据节点之间边的权重，对网络进行连接，得到基于数据的流程工业网络模型。

2.如权利要求1所述的基于数据的流程工业网络模型构建方法，其特征是，所述步骤(1)的步骤为：利用部署在每个生产设备上的传感器采集流程节点的工作状态数据，得到柔性作业车间内所有生产设备的工作状态数据集合A＝{A1,A2,A3...Ai...An}，其中，Ai＝{ai1,ai2,ai3...aij...aim}是第i个生产设备的工作状态数据集合；i表示第i个生产设备，i的取值范围是1～n，n为正整数，n表示生产设备的总数；j表示第j个传感器，j的取值范围是1～m，m为正整数，m表示相应生产设备上安装的传感器的总数，aij表示第i个生产设备上第j个传感器采集的数据；

第i个生产设备上第j个传感器采集的数据aij包括：数据采集时间tij和采集数值

3.如权利要求1所述的基于数据的流程工业网络模型构建方法，其特征是，所述步骤(2)的步骤为：将每个传感器采集的数据存储到对应的二维表中，二维表第一列为数据采集时间tij，二维表第二列为数据采集时间对应的采集数值在每个传感器的二维表的采集数值 的列向量中，将每一条采集的数值均与前一条采集的数值进行比较，如果当前采集的数值大于前一条采集的数值，则将当前采集的数值修改为+1；

如果当前采集的数值等于前一条采集的数值，则将当前采集的数值修改为0；

如果当前采集的数值小于前一条采集的数值，则将当前采集的数值修改为-1；

最后，将第一条数值修改为0；

其中，+1表示增大事件，0表示不变事件，-1表示缩小事件；

从而，所有传感器采集数值的列向量均变成了只包含增大、减小、不变三种事件的事件集。

4.如权利要求1所述的基于数据的流程工业网络模型构建方法，其特征是，所述步骤(2)：将每一个生产设备的所有传感器的事件集作为一个集合；

假设Ai为第i台生产设备的所有传感器采集的数据的集合；Ai+1为第i+1台生产设备的所有传感器采集的数据的集合；在生产流程中第i台生产设备与第i+1台生产设备属于相邻生产设备；在生产流程中第i台生产设备位于第i+1台生产设备的上游。

5.如权利要求1所述的基于数据的流程工业网络模型构建方法，其特征是，所述步骤(3)的计算同一个生产设备上不同传感器之间的关联关系步骤为：将第i台生产设备的第1个传感器的事件集与第i台生产设备的第2个传感器的事件集，均输入到Apriori算法中，输出第i台生产设备的第1个传感器与第i台生产设备的第2个传感器的关联状态；

将第i台生产设备的第1个传感器的事件集与第i台生产设备的第3个传感器的事件集，均输入到Apriori算法中，输出第i台生产设备的第1个传感器的事件集与第i台生产设备的第3个传感器的关联状态；

将第i台生产设备的第1个传感器的事件集与第i台生产设备的第4个传感器的事件集，均输入到Apriori算法中，输出第i台生产设备的第1个传感器的事件集与第i台生产设备的第4个传感器的关联状态；

以此类推，得到第i台生产设备的第1个传感器与第i台生产设备的除了第1个传感器以外的其他所有传感器之间的关联关系，如果关联，则在两个数据节点之间设置边，否则不设置边；

以此类推，得到第i台生产设备自身的所有传感器之间的关联关系；

以此类推，得到每一台生产设备自身的传感器与生产设备自身的其他传感器之间的关联关系。

6.如权利要求1所述的基于数据的流程工业网络模型构建方法，其特征是，所述步骤(3)的前后衔接的不同生产设备上传感器之间的关联关系的计算步骤为：将第i台生产设备的第1个传感器的事件集与第i+1台生产设备的每个传感器的事件集，均输入到Apriori算法中，输出第i台生产设备的第1个传感器与第i+1台生产设备的每个传感器的关联状态；

将第i台生产设备的第2个传感器的事件集与第i+1台生产设备的每个传感器的事件集，均输入到Apriori算法中，输出第i台生产设备的第2个传感器与第i+1台生产设备的每个传感器的关联状态；

将第i台生产设备的第3个传感器的事件集与第i+1台生产设备的每个传感器的事件集，均输入到Apriori算法中，输出第i台生产设备的第3个传感器与第i+1台生产设备的每个传感器的关联状态；

以此类推，得到第i台生产设备的所有传感器与第i+1台生产设备的每个传感器之间的关联关系，如果关联，则在两个数据节点之间设置边，否则不设置边；

以此类推，得到任意两个相邻生产设备的传感器之间的关联关系。

7.如权利要求1所述的基于数据的流程工业网络模型构建方法，其特征是，所述步骤(3)关联的判断标准是：假设判断关联的两个传感器分别是第i台生产设备上的第j个传感器和第i+1台生产设备上的第l个传感器；

判断第i台生产设备上的第j个传感器Aij采集数值的列向量当前时刻的事件状态M与同一时刻下第i+1台生产设备上的第l个传感器A(i+1)l采集数值的列向量的事件状态N；所述事件状态包括：+1、0或-1；

如果M＝1且N＝1，则表示Aij采集数值升高且A(i+1)l采集数值升高的事件，事件的概率表示为P(1,1)；

如果M＝0且N＝0，则表示Aij采集数值不变且A(i+1)l采集数值不变的事件，事件的概率表示为P(0,0)；

如果M＝-1且N＝-1，则表示Aij采集数值降低且A(i+1)l采集数值降低的事件，事件的概率表示为P(-1,-1)；

如果M＝1且N＝-1，则表示Aij采集数值升高且A(i+1)l采集数值降低的事件，事件的概率表示为P(1,-1)；

如果M＝-1且N＝1，则表示Aij采集数值降低且A(i+1)l采集数值升高的事件，事件的概率表示为P(-1,1)；

如果M＝1且N＝0，则表示Aij采集数值升高且A(i+1)l采集数值不变的事件，事件的概率表示为P(1,0)；

如果M＝0且N＝1，则表示Aij采集数值不变且A(i+1)l采集数值升高的事件，事件的概率表示为P(0,1)；

如果M＝0且N＝-1，则表示Aij采集数值不变且A(i+1)l采集数值降低的事件，事件的概率表示为P(0,-1)；

如果M＝-1且N＝0，则表示Aij采集数值降低且A(i+1)l采集数值不变的事件，事件的概率表示为P(-1,0)；

若两组数据相关，则有三种情况，分别是正相关(同增同减)、负相关(此消彼长)、一组数据不发生改变且另一组数据也不发生改变；数据相关的事件概率分别是：P(1,1)∪P(0,

0)∪P(-1,-1)和P(1,-1)∪P(0,0)∪P(-1,1)；

若两组数据无关，则一组数据发生变动，另一组数据不发生改变，数据不相关的事件概率为P(1,0)∪P(0,1)∪P(0,-1)∪P(-1,0)；

支持度s(M,N)＝P(M∪N)；

其中，P(M∪N)表示事件状态M和N同时发生的事件占总事件的百分比；

置信度c(M,N)＝P(N|M)；

其中，P(N|M)表示事件状态M发生时，事件状态N也发生的概率；

最后，采用Apriori算法计算A，B的关联情况：

其中最小支持度为10％，最小置信度为75％，若支持度s(M,N)和置信度c(M,N)都大于预先定义好的最小支持度与最小置信度，则为强关联，A，B存在边。

8.如权利要求1所述的基于数据的流程工业网络模型构建方法，其特征是，所述步骤(4)的步骤为：计算每一时刻下，传感器A(i+1)l采集数值dt(i+1)l与传感器Aij采集的数值dtij的比值；

将所有时刻下的比值加和，再求平均值；将所述平均值作为数据节点之间边的权重。

9.基于数据的流程工业网络模型构建系统，其特征是，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令在被处理器运行时，执行以下步骤：步骤(1)：设置数据节点：柔性作业车间包括若干个生产设备，每个生产设备称之为流程节点，每个生产设备上部署若干个传感器，每个传感器称之为数据节点；

步骤(2)：数据预处理：将每个传感器采集的数据存储到对应的二维表中，将所采集的数值前后比较，将后面的数据修改为+1、0和-1；其中，+1表示增大事件，0表示不变事件，-1表示缩小事件；

步骤(3)：为所选择的数据节点设置边：将步骤(2)得到的增大、不变和缩小事件作为Apriori算法的输入值，分别计算同一个生产设备上不同传感器之间的关联关系与前后衔接的不同生产设备上传感器之间的关联关系；如果传感器相关，就在数据节点之间设置边，否则不设置边；

步骤(4)：设置数据节点之间边的权值；

步骤(5)：按照步骤(1)-(4)所选取的数据节点、数据节点之间设置的边和数据节点之间边的权重，对网络进行连接，得到基于数据的流程工业网络模型。

10.一种计算机可读存储介质，其上存储有计算机指令，其特征是，所述计算机指令在被处理器运行时，完成以下步骤：步骤(1)：设置数据节点：柔性作业车间包括若干个生产设备，每个生产设备称之为流程节点，每个生产设备上部署若干个传感器，每个传感器称之为数据节点；

步骤(2)：数据预处理：将每个传感器采集的数据存储到对应的二维表中，将所采集的数值前后比较，将后面的数据修改为+1、0和-1；其中，+1表示增大事件，0表示不变事件，-1表示缩小事件；

步骤(3)：为所选择的数据节点设置边：将步骤(2)得到的增大、不变和缩小事件作为Apriori算法的输入值，分别计算同一个生产设备上不同传感器之间的关联关系与前后衔接的不同生产设备上传感器之间的关联关系；如果传感器相关，就在数据节点之间设置边，否则不设置边；

步骤(4)：设置数据节点之间边的权值；

步骤(5)：按照步骤(1)-(4)所选取的数据节点、数据节点之间设置的边和数据节点之间边的权重，对网络进行连接，得到基于数据的流程工业网络模型。