CN109240228A - 一种数据处理方法及处理设备 - Google Patents
一种数据处理方法及处理设备 Download PDFInfo
- Publication number
- CN109240228A CN109240228A CN201811029963.9A CN201811029963A CN109240228A CN 109240228 A CN109240228 A CN 109240228A CN 201811029963 A CN201811029963 A CN 201811029963A CN 109240228 A CN109240228 A CN 109240228A
- Authority
- CN
- China
- Prior art keywords
- parameter
- processing equipment
- linear regression
- multiple linear
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 128
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000012417 linear regression Methods 0.000 claims abstract description 77
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000001419 dependent effect Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 23
- 230000001960 triggered effect Effects 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 64
- 230000006870 function Effects 0.000 description 44
- 238000010586 diagram Methods 0.000 description 10
- 238000006073 displacement reaction Methods 0.000 description 10
- 238000012886 linear function Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 241000208340 Araliaceae Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013070 change management Methods 0.000 description 2
- 238000000262 chemical ionisation mass spectrometry Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31282—Data acquisition, BDE MDE
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种数据处理方法及处理设备，用于预测工业设备的第一参数，进而可预测工业设备的工作状态。本申请提供的数据处理方法包括：处理设备获取工业设备对应的第一参数样本以及第二参数样本，第一参数样本为第一参数的实测值的集合，第二参数样本为多个第二参数的实测值的集合，第一参数以及第二参数分别与工业设备对应；处理设备根据第一参数样本以及第二参数样本，进行多元线性回归分析处理，得到对应的多元线性回归函数，多元线性回归函数用于指示第一参数与第二参数之间的数量关系，第一参数为因变量，第二参数为自变量；处理设备根据多元线性回归函数，预测第一参数。
Description
技术领域
本申请涉及物联网领域，尤其涉及一种数据处理方法及处理设备。
背景技术
物联网的概念随着相关技术的不断发展以及用户需求的不断更新，在实际生活中的应用上也不断落实。
如何对接入物联网的相关设备的设备数据进行合理分析，在物联网的应用中处于关键的一环。
然而，在工业物联网领域中，如何对工业设备上的数据进行合理处理，仍然需要进一步的优化。
发明内容
本申请提供了一种数据处理方法及处理设备，用于预测工业设备的第一参数，进而可预测工业设备的工作状态。
本申请在第一方面，提供一种数据处理方法，包括：
处理设备获取工业设备对应的第一参数样本以及第二参数样本，第一参数样本为第一参数的实测值的集合，第二参数样本为多个第二参数的实测值的集合，第一参数以及第二参数分别与工业设备对应；
处理设备根据第一参数样本以及第二参数样本，进行多元线性回归分析处理，得到对应的多元线性回归函数，多元线性回归函数用于指示第一参数与第二参数之间的数量关系，第一参数为因变量，第二参数为自变量；
处理设备根据多元线性回归函数，预测第一参数。
结合本申请第一方面，在本申请第一方面第一种可能的实现方式中，第二参数包括时间参数。
结合本申请第一方面，在本申请第一方面第二种可能的实现方式中，方法还包括：
处理设备根据多元线性回归函数，判断第二参数是否对第一参数具有显著性的影响；
当处理设备判断第二参数对第一参数具有显著性的影响时，触发处理设备根据多元线性回归函数，预测第一参数。
结合本申请第一方面第二种可能的实现方式，在本申请第一方面第三种可能的实现方式中，在触发处理设备根据多元线性回归函数，预测第一参数之前，方法还包括：
处理设备根据置信水平以及多元线性回归函数，进行第一参数的置信区间估计。
结合本申请第一方面，在本申请第一方面第四种可能的实现方式中，方法还包括：
处理设备根据第一参数的预测结果，控制工业设备的工作状态。
本申请在第二方面，提供一种处理设备，包括：
获取单元，用于获取工业设备对应的第一参数样本以及第二参数样本，第一参数样本为第一参数的实测值的集合，第二参数样本为多个第二参数的实测值的集合，第一参数以及第二参数分别与工业设备对应；
处理单元，用于根据第一参数样本以及第二参数样本，进行多元线性回归分析处理，得到对应的多元线性回归函数，多元线性回归函数用于指示第一参数与第二参数之间的数量关系，第一参数为因变量，第二参数为自变量；
预测单元，用于根据多元线性回归函数，预测第一参数。
结合本申请第二方面，在本申请第二方面第一种可能的实现方式中，第二参数包括时间参数。
结合本申请第二方面，在本申请第二方面第二种可能的实现方式中，处理设备还包括：
判断单元，用于根据多元线性回归函数，判断第二参数是否对第一参数具有显著性的影响，当处理设备判断第二参数对第一参数具有显著性的影响时，触发预测单元。
结合本申请第二方面第二种可能的实现方式，在本申请第二方面第三种可能的实现方式中，处理设备还包括：
估计单元，用于根据置信水平以及多元线性回归函数，进行第一参数的置信区间估计。
结合本申请第二方面，在本申请第二方面第四种可能的实现方式中，方法还包括：
控制单元，用于根据第一参数的预测结果，控制工业设备的工作状态。
本申请在第三方面，提供又一种处理设备，处理设备可以包括一个或一个以上处理器、存储器以及通信接口。
处理器、存储器以及通信接口通过总线相接。
存储器用于存储程序指令，处理器调用存储器中存储的程序指令，以执行上述第一方面或者第一方面任一种实现方式中的数据处理方法中的步骤。
本申请在第四方面，提供一种计算机可读存储介质，计算机可读存储介质包括指令，当该指令在处理设备上运行时，使得处理设备执行上述第一方面或者第一方面任一种实现方式中的数据处理方法中的步骤。
本申请在第五方面，提供一种计算机程序产品，该计算机程序产品包括计算机软件指令，当计算机软件指令在处理设备上运行时，使得处理设备执行上述第一方面或者第一方面任一种实现方式中的数据处理方法中的步骤。
从以上技术方案可以看出，本申请具有以下优点：
通过对第一参数以及多个第二参数的多元线性回归分析，第一参数为因变量，第二参数为自变量，得到多元线性回归函数，表征多参数之间的协同变化，从而可预测第一参数，进而可预测工业设备的工作状态，可及时根据预测结果管理工业设备的工作状态，节省人力成本以及保障工业设备正常运行，方便工业设备的智能化管理，促进工厂的智能化运行。
附图说明
图1为本申请提供的数据处理方法的一种实施例示意图；
图2为本申请提供的数据处理方法的又一种实施例示意图；
图3为本申请提供的处理设备的一种实施例示意图；
图4为本申请提供的处理设备的又一种实施例示意图；
图5为本申请提供的处理设备的又一种实施例示意图。
具体实施方式
本申请提供了一种数据处理方法及处理设备，用于预测工业设备的第一参数，进而可预测工业设备的工作状态。
首先，介绍本申请涉及的处理设备以及工业设备。
本申请中，处理设备为工业物联网中所涉及的具有数据处理能力的设备，在实际应用中，处理设备具体可以为服务器、控制器等设备，或者还可以具体为电脑、手机等设备，具体在此不做限定。
工业设备不仅可以理解为在工业产品的生产过程中涉及的设备，进一步的，生产设备还可以理解为多个设备组合形成的生产线，或者原料仓、成品仓等等，具体在此不做限定。
下面，则开始介绍本申请的具体内容。
首先，参阅图1，图1示出了本申请提供的数据处理方法的一种实施例示意图，具体的，包括：
步骤101，处理设备获取工业设备对应的第一参数样本以及第二参数样本；
其中，第一参数样本为第一参数的实测值的集合，第二参数样本为多个第二参数的实测值的集合，第一参数以及第二参数分别与工业设备对应。
可以理解，一方面，处理设备可直接从工业设备获取原始的第一参数样本以及第二参数样本，本申请中的第一参数样本以及第二参数样本，分别为第一参数以及第二参数在工业设备运行过程中所形成的实测值的集合，例如具体可以为横向位移X、纵向位移Y、响应时间T、故障次数N、误差E或者生产效率P等参数，具体在此不做限定。
进一步的，获取方式不限，例如可通过对接工业设备的控制器，工业设备的控制器在工业设备的工作中可存储工业设备的第一参数样本以及第二参数样本；或者，处理设备也可通过布设于工业设备的传感器获取工业设备的第一参数样本以及第二参数样本，具体在此不做限定。
另一方面，处理设备还可间接获取工业设备的第一参数样本以及第二参数样本，例如可以通过工业设备对应的设备管理系统，具体的如制造执行系统(manufacturingexecution system，MES)、计算机/现代集成制造系统(computer/contemporaryintegrated manufacturing systems，CIMS)等工业设备的管理系统；或者，处理设备也可从其他存储有第一参数样本以及第二参数样本的设备上获取；又或者，处理设备还可采取人工的方式接收用户输入的第一参数样本以及第二参数样本，具体在此不做限定。
需要说明的是，第一参数可预先设置，或者，由用户手动设置，具体在此不做限定。
第二参数可预先设置参数的种类；或者，处理设备也可将工业设备除第一参数以外的参数依次作为第二参数；或者，处理设备还可根据用户的手动设置，确定第二参数。具体在此不做限定。
步骤102，处理设备根据第一参数样本以及第二参数样本，进行多元线性回归分析处理，得到对应的多元线性回归函数；
其中，多元线性回归函数用于指示第一参数与第二参数之间的数量关系，第一参数为因变量，第二参数为自变量。
可以理解，在获取到第一参数样本以及第二参数样本后，处理设备可以进行对应的多元线性回归分析，拟合得到多元线性函数，以多元线性函数确定第一参数与第二参数之间的相关性。
步骤103，处理设备根据多元线性回归函数，预测第一参数。
在确定多元线性函数后，处理设备可设置在不同条件(包括不同时间点、不同运行环境、不同运行时长等条件)下的第二参数，通过多元线性函数，预测出对应的第一参数。
从而，处理设备可预测第一参数的变化，进而可预测工业设备的工作状态，为工业设备的工作状态的管理提供数据支持，用户和/或处理设备可清晰获知工业设备的工作状态的变化趋势，从而可针对性地管理工业设备的工作状态。
以一应用场景为例：
当处理设备根据多元线性函数，预测机床A上的输送带随着横向位移X以及磨损度M的增大，工件成品的误差E在横向位移X以及磨损度M达到H临界值时将骤增，这意味着工件成品的坏品率将骤增，此时可及时探究工业设备的横向位移X以及磨损度M为何增大，以及如何避免横向位移X以及磨损度M增大甚至增大至H临界值，从而可避免误差E的骤增，保证工业设备的正常运行以及良品率。
从上述可看出，在本申请中，通过对第一参数以及多个第二参数的多元线性回归分析，第一参数为因变量，第二参数为自变量，得到多元线性回归函数，表征多参数之间的协同变化，从而可预测第一参数，进而可预测工业设备的工作状态，可及时根据预测结果管理工业设备的工作状态，节省人力成本以及保障工业设备正常运行，方便工业设备的智能化管理，促进工厂的智能化运行。
继续参阅图2，图2示出了本申请提供的数据处理方法的又一种实施例示意图，具体的包括：
步骤201，处理设备获取工业设备对应的第一参数样本以及第二参数样本；
可以理解，步骤201的说明可参照上述图1对应步骤101的说明，具体在此不再赘述。
步骤202，处理设备根据第一参数样本以及第二参数样本，进行多元线性回归分析处理，得到对应的多元线性回归函数；
具体的，以参数形式为例，介绍本申请中的多元线性回归分析。
假设第一参数集合以及第二参数集合分别为：
以及n为实测值的组数，m为第二参数的个数；
则所求的多元线性回归函数y＝xβ+δ，其中，y用于指示第一参数，x用于指示第二参数，β用于指示x的常数系数，δ用于指示y的随机扰动项；以及
E(δ)＝0(δ零均值)，var(δ)＝σ2In(δ同方差)；
利用β＝(xTx)-1(xTy)计算得到β，从而可确定多元线性回归函数。
可以理解，多元线性回归分析处理，还可以通过其他函数确定多元线性回归函数，例如正态线性回归分析处理、多项式(三角多项式)回归分析处理、时间序列分析处理等，具体在此不做限定。
步骤203，处理设备根据多元线性回归函数，判断第二参数是否对第一参数具有显著性的影响，若是，则可进行下一步的步骤；
在得到多元线性回归函数后，即可对该多元线性回归函数进行显著性影响的校验。
应当理解，显著性影响的校验可采用F校验、t校验或者R校验等校验方法，具体在此不再赘述。
在判断第二参数对第一参数具有显著性的影响后，即可进行下一步的步骤。
需要说明的是，步骤203可触发步骤204，步骤204执行后再执行步骤205；或者，步骤203可直接触发步骤205，具体在此不做限定。
步骤204，处理设备根据置信水平以及多元线性回归函数，进行第一参数的置信区间估计；
可以理解，处理设备可设置一置信水平α，α具体可以为0.5等参数值，具体在此不做限定。
此时，当置信区间为1-α时，βi的置信区间为：
代入上述提及的多元线性回归函数，从而可得到y的最大值与最小值，确定y在α下的估计范围。
步骤205，处理设备根据多元线性回归函数，预测第一参数；
可以理解，第二参数具体还可以包括时间参数，从而，处理设备可预测第一参数在未来具体时间点或者未来一段时间的参数值。
步骤206，处理设备根据第一参数的预测结果，控制工业设备的工作状态。
在得到第一参数的预测结果后，处理设备可清晰获知工业设备的工作状态的变化趋势，从而可自动管理工业设备的工作状态，实现工业设备的闭环动态控制，保证工业设备的智能化管理以及智能化运行。
以上是对本申请提供的数据处理方法的介绍，下面则介绍本申请提供的处理设备。
参与图3，图3示出了本申请提供的处理设备的一种实施例示意图，处理设备具体的，可包括：
获取单元301，用于获取工业设备对应的第一参数样本以及第二参数样本；
其中，第一参数样本为第一参数的实测值的集合，第二参数样本为多个第二参数的实测值的集合，第一参数以及第二参数分别与工业设备对应。
可以理解，一方面，处理设备可直接从工业设备获取原始的第一参数样本以及第二参数样本，本申请中的第一参数样本以及第二参数样本，分别为第一参数以及第二参数在工业设备运行过程中所形成的实测值的集合，例如具体可以为横向位移X、纵向位移Y、响应时间T、故障次数N、误差E或者生产效率P等参数，具体在此不做限定。
进一步的，获取方式不限，例如可通过对接工业设备的控制器，工业设备的控制器在工业设备的工作中可存储工业设备的第一参数样本以及第二参数样本；或者，处理设备也可通过布设于工业设备的传感器获取工业设备的第一参数样本以及第二参数样本，具体在此不做限定。
另一方面，处理设备还可间接获取工业设备的第一参数样本以及第二参数样本，例如可以通过工业设备对应的设备管理系统，具体的如MES、CIMS等工业设备的管理系统；或者，处理设备也可从其他存储有第一参数样本以及第二参数样本的设备上获取；又或者，处理设备还可采取人工的方式接收用户输入的第一参数样本以及第二参数样本，具体在此不做限定。
需要说明的是，第一参数可预先设置，或者，由用户手动设置，具体在此不做限定。
第二参数可预先设置参数的种类；或者，处理设备也可将工业设备除第一参数以外的参数依次作为第二参数；或者，处理设备还可根据用户的手动设置，确定第二参数。具体在此不做限定。
处理单元302，用于根据第一参数样本以及第二参数样本，进行多元线性回归分析处理，得到对应的多元线性回归函数；
其中，多元线性回归函数用于指示第一参数与第二参数之间的数量关系，第一参数为因变量，第二参数为自变量。
可以理解，在获取到第一参数样本以及第二参数样本后，处理设备可以进行对应的多元线性回归分析，拟合得到多元线性函数，以多元线性函数确定第一参数与第二参数之间的相关性。
预测单元303，用于根据多元线性回归函数，预测第一参数。
在确定多元线性函数后，处理设备可设置在不同条件(包括不同时间点、不同运行环境、不同运行时长等条件)下的第二参数，通过多元线性函数，预测出对应的第一参数。
从而，处理设备可预测第一参数的变化，进而可预测工业设备的工作状态，为工业设备的工作状态的管理提供数据支持，用户和/或处理设备可清晰获知工业设备的工作状态的变化趋势，从而可针对性地管理工业设备的工作状态。
以一应用场景为例：
当处理设备根据多元线性函数，预测机床A上的输送带随着横向位移X以及磨损度M的增大，工件成品的误差E在横向位移X以及磨损度M达到H临界值时将骤增，这意味着工件成品的坏品率将骤增，此时可及时探究工业设备的横向位移X以及磨损度M为何增大，以及如何避免横向位移X以及磨损度M增大甚至增大至H临界值，从而可避免误差E的骤增，保证工业设备的正常运行以及良品率。
从上述可看出，在本申请中，通过对第一参数以及多个第二参数的多元线性回归分析，第一参数为因变量，第二参数为自变量，得到多元线性回归函数，表征多参数之间的协同变化，从而可预测第一参数，进而可预测工业设备的工作状态，可及时根据预测结果管理工业设备的工作状态，节省人力成本以及保障工业设备正常运行，方便工业设备的智能化管理，促进工厂的智能化运行。
继续参阅图4，图4示出了本申请提供的处理设备的又一种实施例示意图，处理设备具体的，还可包括：
获取单元401，用于获取工业设备对应的第一参数样本以及第二参数样本；
可以理解，获取单元401的说明可参照上述图3对应获取单元301的说明，具体在此不再赘述。
处理单元402，用于根据第一参数样本以及第二参数样本，进行多元线性回归分析处理，得到对应的多元线性回归函数；
具体的，以参数形式为例，介绍本申请中的多元线性回归分析。
假设第一参数集合以及第二参数集合分别为：
以及n为实测值的组数，m为第二参数的个数；
则所求的多元线性回归函数y＝xβ+δ，其中，y用于指示第一参数，x用于指示第二参数，β用于指示x的常数系数，δ用于指示y的随机扰动项；以及
E(δ)＝0(δ零均值)，var(δ)＝σ2In(δ同方差)；
利用β＝(xTx)-1(xTy)计算得到β，从而可确定多元线性回归函数。
可以理解，多元线性回归分析处理，还可以通过其他函数确定多元线性回归函数，例如正态线性回归分析处理、多项式(三角多项式)回归分析处理、时间序列分析处理等，具体在此不做限定。
判断单元403，用于根据多元线性回归函数，判断第二参数是否对第一参数具有显著性的影响，若是，则可触发下一个单元；
在得到多元线性回归函数后，即可对该多元线性回归函数进行显著性影响的校验。
应当理解，显著性影响的校验可采用F校验、t校验或者R校验等校验方法，具体在此不再赘述。
在判断第二参数对第一参数具有显著性的影响后，即可触发下一个单元。
需要说明的是，判断单元403可触发估计单元404，估计单元404执行对应动作后再触发预测单元405；或者，判断单元403可直接触发预测单元405，具体在此不做限定。
估计单元404，用于根据置信水平以及多元线性回归函数，进行第一参数的置信区间估计；
可以理解，处理设备可设置一置信水平α，α具体可以为0.5等参数值，具体在此不做限定。
此时，当置信区间为1-α时，βi的置信区间为：
代入上述提及的多元线性回归函数，从而可得到y的最大值与最小值，确定y在α下的估计范围。
预测单元405，用于根据多元线性回归函数，预测第一参数；
可以理解，第二参数具体还可以包括时间参数，从而，处理设备可预测第一参数在未来具体时间点或者未来一段时间的参数值。
控制单元406，用于根据第一参数的预测结果，控制工业设备的工作状态。
在得到第一参数的预测结果后，处理设备可清晰获知工业设备的工作状态的变化趋势，从而可自动管理工业设备的工作状态，实现工业设备的闭环动态控制，保证工业设备的智能化管理以及智能化运行。
接着，下面还从硬件实体的角度介绍本申请提供的处理设备。
参阅图5，图5示出了本申请提供的处理设备的又一种实施例示意图，处理设备可以包括一个或一个以上处理器501、存储器502以及通信接口503。
处理器501、存储器502以及通信接口503通过总线504相接。
存储器502用于存储程序指令，处理器501调用存储器502中存储的程序指令，以执行图1或者图2对应方法实施例中处理设备所执行的步骤。
可以理解，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，上述提及的处理设备的具体工作过程，可以参考图1或者图2对应方法实施例中的对应过程，具体在此不再赘述。
此外，本申请还提供一种计算机可读存储介质，计算机可读存储介质包括指令，当该指令在处理设备上运行时，使得服务器执行图1或者图2对应实施例中处理设备所执行的步骤。
本申请还提供一种计算机程序产品，该计算机程序产品包括计算机软件指令，当计算机软件指令在处理设备上运行时，使得处理设备执行图1或者图2对应实施例中处理设备所执行的步骤。
综上所述，本申请提供的数据处理方法以及处理设备，通过对第一参数以及第二参数的多元线性回归分析，第一参数为因变量，第二参数为自变量，得到多元线性回归函数，表征多参数之间的协同变化，从而可预测第一参数，进而可预测工业设备的工作状态，可及时根据预测结果管理工业设备的工作状态，节省人力成本以及保障工业设备正常运行，方便工业设备的智能化管理，促进工厂的智能化运行。
可以理解，本申请各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请各实施例中处理设备中的单元可以根据实际需要进行合并、划分和删减。
在本申请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，所述单元的划分，仅仅为一种逻辑功能划分，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。
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。
另外，在本申请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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(rread-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种数据处理方法，其特征在于，包括：
处理设备获取工业设备对应的第一参数样本以及第二参数样本，所述第一参数样本为第一参数的实测值的集合，所述第二参数样本为多个第二参数的实测值的集合，所述第一参数以及所述第二参数分别与所述工业设备对应；
所述处理设备根据所述第一参数样本以及所述第二参数样本，进行多元线性回归分析处理，得到对应的多元线性回归函数，所述多元线性回归函数用于指示所述第一参数与所述第二参数之间的数量关系，所述第一参数为因变量，所述第二参数为自变量；
所述处理设备根据所述多元线性回归函数，预测所述第一参数。
2.根据权利要求1所述的方法，其特征在于，所述第二参数包括时间参数。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
所述处理设备根据所述多元线性回归函数，判断所述第二参数是否对所述第一参数具有显著性的影响；
当所述处理设备判断所述第二参数对所述第一参数具有显著性的影响时，触发所述处理设备根据所述多元线性回归函数，预测所述第一参数。
4.根据权利要求3所述的方法，其特征在于，在触发所述处理设备根据所述多元线性回归函数，预测所述第一参数之前，所述方法还包括：
所述处理设备根据置信水平以及所述多元线性回归函数，进行所述第一参数的置信区间估计。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
所述处理设备根据所述第一参数的预测结果，控制所述工业设备的工作状态。
6.一种处理设备，其特征在于，包括：
获取单元，用于获取工业设备对应的第一参数样本以及第二参数样本，所述第一参数样本为第一参数的实测值的集合，所述第二参数样本为多个第二参数的实测值的集合，所述第一参数以及所述第二参数分别与所述工业设备对应；
处理单元，用于根据所述第一参数样本以及所述第二参数样本，进行多元线性回归分析处理，得到对应的多元线性回归函数，所述多元线性回归函数用于指示所述第一参数与所述第二参数之间的数量关系，所述第一参数为因变量，所述第二参数为自变量；
预测单元，用于根据所述多元线性回归函数，预测所述第一参数。
7.根据权利要求6所述的处理设备，其特征在于，所述第二参数包括时间参数。
8.根据权利要求6所述的处理设备，其特征在于，所述处理设备还包括：
判断单元，用于根据所述多元线性回归函数，判断所述第二参数是否对所述第一参数具有显著性的影响，当所述处理设备判断所述第二参数对所述第一参数具有显著性的影响时，触发所述预测单元。
9.根据权利要求8所述的处理设备，其特征在于，所述处理设备还包括：
估计单元，用于根据置信水平以及所述多元线性回归函数，进行所述第一参数的置信区间估计。
10.根据权利要求6所述的处理设备，其特征在于，所述处理设备还包括：
控制单元，用于根据所述第一参数的预测结果，控制所述工业设备的工作状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811029963.9A CN109240228A (zh) | 2018-09-03 | 2018-09-03 | 一种数据处理方法及处理设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811029963.9A CN109240228A (zh) | 2018-09-03 | 2018-09-03 | 一种数据处理方法及处理设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109240228A true CN109240228A (zh) | 2019-01-18 |
Family
ID=65061212
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811029963.9A Pending CN109240228A (zh) | 2018-09-03 | 2018-09-03 | 一种数据处理方法及处理设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109240228A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116661403A (zh) * | 2023-07-28 | 2023-08-29 | 深圳市彼洋自动化科技有限公司 | 一种柔性生产线的自适应匹配控制系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0161672A2 (en) * | 1984-05-15 | 1985-11-21 | Sumitomo Chemical Company, Limited | Data processing system for chromatography |
| RU2330243C2 (ru) * | 2006-06-19 | 2008-07-27 | Государственное образовательное учреждение Высшего профессионального образования "Тамбовский государственный технический университет" ГОУ ВПО "ТГТУ" | Способ температурной компенсации дифференциальных датчиков с линейными характеристиками |
| CN106124714A (zh) * | 2016-06-16 | 2016-11-16 | 中国农业大学 | 用于葡萄酒酿造过程中的二氧化硫在线监测方法及装置 |
-
2018
- 2018-09-03 CN CN201811029963.9A patent/CN109240228A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0161672A2 (en) * | 1984-05-15 | 1985-11-21 | Sumitomo Chemical Company, Limited | Data processing system for chromatography |
| RU2330243C2 (ru) * | 2006-06-19 | 2008-07-27 | Государственное образовательное учреждение Высшего профессионального образования "Тамбовский государственный технический университет" ГОУ ВПО "ТГТУ" | Способ температурной компенсации дифференциальных датчиков с линейными характеристиками |
| CN106124714A (zh) * | 2016-06-16 | 2016-11-16 | 中国农业大学 | 用于葡萄酒酿造过程中的二氧化硫在线监测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 刘晓平: "《计量统计学》", 30 April 2018, 中国经济出版社 * |
| 李政君: "船用中厚钢板高频感应热应力成形实验及神经网络预测模型研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 蒋思瑀: "温度预测智能算法在工业控制中的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116661403A (zh) * | 2023-07-28 | 2023-08-29 | 深圳市彼洋自动化科技有限公司 | 一种柔性生产线的自适应匹配控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Asefi et al. | A hybrid NSGA-II and VNS for solving a bi-objective no-wait flexible flowshop scheduling problem | |
| CN110826782B (zh) | 一种数据处理的方法、装置、可读存储介质和电子设备 | |
| CN109240228A (zh) | 一种数据处理方法及处理设备 | |
| Pomorova et al. | Artificial neural network for software quality evaluation based on the metric analysis | |
| CN107194489A (zh) | 数据预测方法及装置 | |
| CN105740111A (zh) | 一种性能检测方法及装置 | |
| CN113254153A (zh) | 流程任务处理方法、装置、计算机设备和存储介质 | |
| CN106936611B (zh) | 一种预测网络状态的方法及装置 | |
| CN109254550A (zh) | 一种数据处理方法及处理设备 | |
| CN116594349A (zh) | 机床预测方法、装置、终端设备以及计算机可读存储介质 | |
| CN109800975B (zh) | 一种资源评估方法、装置、计算机设备和存储介质 | |
| CN111290360A (zh) | 一种铸造生产线多目标优化方法 | |
| García-Villoria et al. | Heuristics and simulated annealing procedures for the accessibility windows assembly line problem level 1 (AWALBP-L1) | |
| Zhu | Optimizing DTC in case-based development with parametric modeling tools | |
| CN115427977A (zh) | 用于确定神经网络和用于运行车辆的方法、装置、计算机程序和计算机可读的存储介质 | |
| CN113204411A (zh) | 一种数据处理方法、中间处理设备及存储介质 | |
| Singh et al. | PyBADS: Fast and robust black-box optimization in Python | |
| Heger et al. | Improving production scheduling with machine learning | |
| Vaisi et al. | Bi-criteria robotic cell scheduling and operation allocation in the presence of break-downs | |
| KR102157843B1 (ko) | 전투체계 소프트웨어 빌드 시스템 | |
| CN116450187B (zh) | 应用于ai分析的数字化在线应用处理方法及ai应用系统 | |
| Engelsberger et al. | Dynamic management of cloud-and fog-based resources for cyber-physical production systems with a realistic validation architecture and results | |
| KR102162030B1 (ko) | 전투체계 소프트웨어 빌드 방법 | |
| Zou et al. | A Progressive Output Strategy for Real-time Feedback Control Systems. | |
| C̆apkovic̆ | Modelling, Control and Performance Evaluation of a Combined Robotic Cell by Petri Nets |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |