CN109521740A - 一种工业控制方法、系统及电子设备和存储介质 - Google Patents
一种工业控制方法、系统及电子设备和存储介质 Download PDFInfo
- Publication number
- CN109521740A CN109521740A CN201811375925.9A CN201811375925A CN109521740A CN 109521740 A CN109521740 A CN 109521740A CN 201811375925 A CN201811375925 A CN 201811375925A CN 109521740 A CN109521740 A CN 109521740A
- Authority
- CN
- China
- Prior art keywords
- data information
- information
- industrial control
- key message
- control method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 46
- 230000004927 fusion Effects 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 239000000284 extract Substances 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000033228 biological regulation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 5
- 230000009123 feedback regulation Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004904 shortening 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]
- G05B19/41865—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 job scheduling, process planning, material flow
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
本申请公开了一种工业控制方法、系统及一种电子设备和计算机可读存储介质,该方法包括:在生产过程中获取多尺度的数据信息,提取所述数据信息中的关键信息;其中,所述关键信息为控制所述生产过程的信息;利用宽度学习模型对所述关键信息进行特征提取和数据融合,得到决策数据信息;根据所述决策数据信息对所述生产过程中的参数进行调节。本申请公开的工业控制方法,能够根据融合后的数据,即决策数据信息对工业控制系统中的动态变化作出相应的反馈调节,不断调整生产流程及关键参数,优化全局调度决策方案。因此能实现对工业控制系统进行快速、实时和高效的控制。
Description
技术领域
本申请涉及控制技术领域,更具体地说,涉及一种工业控制方法、系统及一种电子设备和一种计算机可读存储介质。
背景技术
目前的工业控制系统在工况分析、参数调节和工艺流程设计等方面的工作主要依赖于知识型工作者。生产过程中没有考虑整个生产流程的全局最优调度,无法按照生产需求优化调度各个智能装备和调节加工参数。随着工业系统的日益复杂,传统的工业控制系统已经无法满足工业现场的生产需求和生产工作的管理要求。
因此,如何在生产过程中自动优化调度各参数是本领域技术技术人员需要解决的问题。
发明内容
本申请的目的在于提供一种工业控制方法、系统及一种电子设备和一种计算机可读存储介质,在生产过程中实现了自动优化调度各参数。
为实现上述目的,本申请提供了一种工业控制方法,包括:
在生产过程中获取多尺度的数据信息,提取所述数据信息中的关键信息;其中,所述关键信息为控制所述生产过程的信息;
利用宽度学习模型对所述关键信息进行特征提取和数据融合,得到决策数据信息;
根据所述决策数据信息对所述生产过程中的参数进行调节。
其中,所述多尺度的数据信息包括时间尺度的数据信息和空间尺度的数据信息。
其中,所述利用宽度学习模型对所述关键信息进行特征提取和数据融合,得到决策数据信息之前,还包括:
通过稀疏自编码方式得到所述宽度学习模型的权值矩阵;
利用所述权值矩阵训练所述关键信息建立所述宽度学习模型。
其中,根据所述决策数据信息对所述生产过程中的参数进行调节之后,还包括:
对参数调节结果进行特征表示得到特征矩阵,并显示所述特征矩阵。
其中,所述利用宽度学习模型对所述关键信息进行特征提取和数据融合,得到决策数据信息,包括:
将所述关键信息输入所述宽度学习模型中得到每个尺度的特征信息;
通过非线性变换将所有所述特征信息融合为所述决策数据信息。
其中,将所述关键信息输入所述宽度学习模型中得到每个尺度的特征信息,包括:
对所述关键信息进行线性变换得到每个尺度的中间特征信息;
对所述中间特征信息进行激活函数非线性变换得到所述特征信息。
为实现上述目的,本申请提供了一种工业控制系统,包括:
获取模块,用于在生产过程中获取多尺度的数据信息,提取所述数据信息中的关键信息;其中,所述关键信息为控制所述生产过程的信息;
特征模块,用于利用宽度学习模型对所述关键信息进行特征提取和数据融合,得到决策数据信息;
调节模块,用于根据所述决策数据信息对所述生产过程中的参数进行调节。
其中,所述特征模块包括:
提取单元,用于将所述关键信息输入所述宽度学习模型中得到每个尺度的特征信息;
融合单元,用于通过非线性变换将所有所述特征信息融合为所述决策数据信息。
为实现上述目的,本申请提供了一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述工业控制方法的步骤。
为实现上述目的,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质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如上述工业控制方法的步骤。
通过以上方案可知,本申请提供的一种工业控制方法,包括:在生产过程中获取多尺度的数据信息,提取所述数据信息中的关键信息;其中,所述关键信息为控制所述生产过程的信息;利用宽度学习模型对所述关键信息进行特征提取和数据融合,得到决策数据信息;根据所述决策数据信息对所述生产过程中的参数进行调节。
本申请公开的工业控制方法,能够在生产过程中实时多尺度的数据信息,并利用宽度学习模型对其中的关键信息进行特征提取和融合,将多源信息进行物理信息融合能够获得更加准确可靠的数据。根据融合后的数据,即决策数据信息对工业控制系统中的动态变化作出相应的反馈调节,不断调整生产流程及关键参数,优化全局调度决策方案。因此能实现对工业控制系统进行快速、实时和高效的控制。本申请还公开了一种工业控制系统及一种电子设备和一种计算机可读存储介质,同样能实现上述技术效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种工业控制方法的流程图;
图2为图1中S102步骤的细化流程图;
图3为本申请实施例公开的另一种工业控制方法的流程图;
图4为本申请实施例公开的一种工业控制系统的结构图;
图5为本申请实施例公开的一种电子设备的结构图;
图6为本申请实施例公开的另一种电子设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例公开了一种工业控制方法,在生产过程中实现了自动优化调度各参数。
参见图1,本申请实施例公开的一种工业控制方法的流程图,如图1所示,包括:
S101:在生产过程中获取多尺度的数据信息,提取所述数据信息中的关键信息;其中,所述关键信息为控制所述生产过程的信息;
在具体实施中,可以建立了大规模的协同优化网络感知机制,该机制能够对周围环境进行多尺度数据信息的智能感知,例如时间尺度和空间尺度等,从而获取大量的实时动态数据。协同优化感知机制可以采用分布式的结构,能满足无人系统高机动,高可靠,强实时性的高性能感知需求。还可以设置具有网络拓扑分层结构的协同自组织识别机制,能够快速高效的识别对工业控制系统有用的信息(即本步骤中的关键信息),及时处理多元异构的海量信息。
S102:利用宽度学习模型对所述关键信息进行特征提取和数据融合,得到决策数据信息;
传统的神经网络如BP网络,宽度学习神经网络达到缩短了反向传播计算的运行时间,不容易陷入局部最优等缺陷。宽度学习具有强大的数学理论支撑、简单的平层网络结构、快速的增量建模过程等优点从大量多元异构的工业数据中发掘出内部隐含关联模式,也能更高效的完成训练过程。
可以理解的是,在本步骤之前默认存在宽度学习模型的建立过程。在神经网络模型的建立过程中,可以在生成节点层采用了稀疏自编码,以便在解码过程中选取了最优权值,在后续特征提取过程中自动去除了冗余信息,减小了训练样本的计算复杂度和训练时间。即通过稀疏自编码方式得到宽度学习模型的权值矩阵,并利用该权值矩阵训练上一步骤得到的关键信息建立宽度学习模型。
在建立的宽度学习模型后,利用该宽度学习模型对上一步骤得到的关键信息进行特征提取和数据融合,得到融合后的信息,即本步骤中的决策数据信息,以便后续步骤进行相应的调控策略。通过宽度学习模型中的融合映射层能够有效地将多源有效信息融合起来,涉及到物理信息融合系统,实现工业物理信息融合,增强了采集到信息的准确性与可靠性。
S103:根据所述决策数据信息对所述生产过程中的参数进行调节。
在具体实施中,可以设置基于误差反馈的有序化协同自组织策略机制,实时根据决策数据信息作出相应的调控策略,即对所述生产过程中的参数进行调节。其中,该机制可以采用闭环控制,即能够作出连续的反馈与决策,实现了系统的动态平衡,也即实现了系统滚动优化控制。
作为一种优选实施方式,在本步骤之后还可以包括对参数调节结果进行特征表示得到特征矩阵,并显示所述特征矩阵的步骤。在具体实施中,对参数调节结果进行特征表示得到其对应的特征矩阵,即系统可视化。这一过程能够让工作人员在后台对系统进行实时远程移动监控,随时掌握系统的动态变化及系统的安全防护。
优选的,还可以在整个控制系统中能够增加其它模块,可对该系统进行扩展,能与其它智能自主控制系统相互协同,实现制造流程全局优化。
本申请实施例公开的工业控制方法,能够在生产过程中实时多尺度的数据信息,并利用宽度学习模型对其中的关键信息进行特征提取和融合,将多源信息进行物理信息融合能够获得更加准确可靠的数据。根据融合后的数据,即决策数据信息对工业控制系统中的动态变化作出相应的反馈调节,不断调整生产流程及关键参数,优化全局调度决策方案。因此能实现对工业控制系统进行快速、实时和高效的控制。
下面详细介绍宽度学习模型的特征提取和数据融合过程,即如图2所示,上述实施例中的S102可以包括:
S201:将所述关键信息输入所述宽度学习模型中得到每个尺度的特征信息;
在具体实施中,将关键信息输入宽度学习模型中得到每个尺度的特征信息。作为一种优选实施方式,本步骤可以包括对所述关键信息进行线性变换得到每个尺度的中间特征信息;对所述中间特征信息进行激活函数非线性变换得到所述特征信息。
具体的,对各个尺度的数据信息建立的基于宽度学习模型能够利用三个节点层,即特征节点层,增强节点层,融合节点层,实现对信息提取过程的的逐渐强化。通过融合映射层能够进行有效地将多尺度的信息融合起来,得到有效的融合信息。
在具体实施中,宽度学习模型将关键信息作为输入样本经过一次线性变换后将特征表达映射在特征平面上形成特征节点。其中,特征平面上的特征式为RN×c=XN×L·WL×c,其中,R为特征节点,N为输入样本个数,L为每个样本的特征维度,c为特征节点个数,W为稀疏自编码求得的最优输入权值矩阵,X为给定输入数据。将得到的特征节点再经过激活函数非线性变换生成增强节点,进一步增强特征信息,实现对关键信息的特征提取,其中,特征提取结果可以表示为,其中,S为增强节点,f为增强节点个数,Wh为随机矩阵,γh为偏置,φ()为可选的非线性激活函数。
S202:通过非线性变换将所有所述特征信息融合为所述决策数据信息。
在本实施例中,在宽度学习模型的融合节点层,将提取出的特征信息经过一个非线性变换抽象融合起来,得到决策数据信息。融合后的决策数据信息包括多个尺度的数据信息的特征,具有更高的准确性和可靠性。
本申请实施例公开了一种工业控制方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
参见图3,本申请实施例提供的另一种工业控制方法的流程图,如图3所示,包括:
S301:在生产过程中获取多尺度的数据信息,提取所述数据信息中的关键信息;
S302:对所述关键信息进行线性变换得到每个尺度的中间特征信息;
S303:对所述中间特征信息进行激活函数非线性变换得到特征信息;
S304:通过非线性变换将所有所述特征信息融合为决策数据信息;
S305:根据所述决策数据信息对所述生产过程中的参数进行调节。
下面对本申请实施例提供的一种工业控制系统进行介绍,下文描述的一种工业控制系统与上文描述的一种工业控制方法可以相互参照。
参见图4,本申请实施例提供的一种工业控制系统的结构图,如图4所示,包括:
获取模块401,用于在生产过程中获取多尺度的数据信息,提取所述数据信息中的关键信息;其中,所述关键信息为控制所述生产过程的信息;
特征模块402,用于利用宽度学习模型对所述关键信息进行特征提取和数据融合,得到决策数据信息;
调节模块403,用于根据所述决策数据信息对所述生产过程中的参数进行调节。
本申请实施例公开的工业控制系统,能够在生产过程中实时多尺度的数据信息,并利用宽度学习模型对其中的关键信息进行特征提取和融合,将多源信息进行物理信息融合能够获得更加准确可靠的数据。根据融合后的数据,即决策数据信息对工业控制系统中的动态变化作出相应的反馈调节,不断调整生产流程及关键参数,优化全局调度决策方案。因此能实现对工业控制系统进行快速、实时和高效的控制。
在上述实施例的基础上,作为一种优选实施方式,所述多尺度的数据信息包括时间尺度的数据信息和空间尺度的数据信息。
在上述实施例的基础上,作为一种优选实施方式,还包括:
编码模块,用于通过稀疏自编码方式得到所述宽度学习模型的权值矩阵;
建立模块,用于利用所述权值矩阵训练所述关键信息建立所述宽度学习模型。
在上述实施例的基础上,作为一种优选实施方式,还包括:
显示模块,用于对参数调节结果进行特征表示得到特征矩阵,并显示所述特征矩阵。
在上述实施例的基础上,作为一种优选实施方式,所述特征模块402包括:
提取单元,用于将所述关键信息输入所述宽度学习模型中得到每个尺度的特征信息;
融合单元,用于通过非线性变换将所有所述特征信息融合为所述决策数据信息。
在上述实施例的基础上,作为一种优选实施方式,所述提取单元包括:
线性变换子单元,用于对所述关键信息进行线性变换得到每个尺度的中间特征信息;
非线性变换子单元,用于对所述中间特征信息进行激活函数非线性变换得到所述特征信息。
本申请还提供了一种电子设备,参见图5,本申请实施例提供的一种电子设备的结构图,如图5所示,包括:
存储器100,用于存储计算机程序;
处理器200,用于执行所述计算机程序时可以实现上述实施例所提供的步骤。
具体的,存储器100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和计算机可读指令,该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。处理器200在一些实施例中可以是一中央处理器(CentralProcessing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,为电子设备提供计算和控制能力,执行所述存储器100中保存的计算机程序时,可以实现上述任一实施例提供的工业控制方法的步骤。
本申请实施例能够在生产过程中实时多尺度的数据信息,并利用宽度学习模型对其中的关键信息进行特征提取和融合,将多源信息进行物理信息融合能够获得更加准确可靠的数据。根据融合后的数据,即决策数据信息对工业控制系统中的动态变化作出相应的反馈调节,不断调整生产流程及关键参数,优化全局调度决策方案。因此能实现对工业控制系统进行快速、实时和高效的控制。
在上述实施例的基础上,作为优选实施方式,参见图6,所述电子设备还包括:
输入接口300,与处理器200相连,用于获取外部导入的计算机程序、参数和指令,经处理器200控制保存至存储器100中。该输入接口300可以与输入装置相连,接收用户手动输入的参数或指令。该输入装置可以是显示屏上覆盖的触摸层,也可以是终端外壳上设置的按键、轨迹球或触控板,也可以是键盘、触控板或鼠标等。
显示单元400,与处理器200相连,用于显示处理器12处理的数据以及用于显示可视化的用户界面。该显示单元15可以为LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。
网络端口500,与处理器200相连,用于与外部各终端设备进行通信连接。该通信连接所采用的通信技术可以为有线通信技术或无线通信技术,如移动高清链接技术(MHL)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术等。
图6仅示出了具有组件100-500的电子设备,本领域技术人员可以理解的是,图6示出的结构并不构成对电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
本申请还提供了一种计算机可读存储介质,该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-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。该存储介质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实施例提供的工业控制方法的步骤。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他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、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种工业控制方法,其特征在于,包括:
在生产过程中获取多尺度的数据信息,提取所述数据信息中的关键信息;其中,所述关键信息为控制所述生产过程的信息;
利用宽度学习模型对所述关键信息进行特征提取和数据融合,得到决策数据信息;
根据所述决策数据信息对所述生产过程中的参数进行调节。
2.根据权利要求1所述工业控制方法,其特征在于,所述多尺度的数据信息包括时间尺度的数据信息和空间尺度的数据信息。
3.根据权利要求1所述工业控制方法,其特征在于,所述利用宽度学习模型对所述关键信息进行特征提取和数据融合,得到决策数据信息之前,还包括:
通过稀疏自编码方式得到所述宽度学习模型的权值矩阵;
利用所述权值矩阵训练所述关键信息建立所述宽度学习模型。
4.根据权利要求1所述工业控制方法,其特征在于,根据所述决策数据信息对所述生产过程中的参数进行调节之后,还包括:
对参数调节结果进行特征表示得到特征矩阵,并显示所述特征矩阵。
5.根据权利要求1-4中任一项所述工业控制方法,其特征在于,所述利用宽度学习模型对所述关键信息进行特征提取和数据融合,得到决策数据信息,包括:
将所述关键信息输入所述宽度学习模型中得到每个尺度的特征信息;
通过非线性变换将所有所述特征信息融合为所述决策数据信息。
6.根据权利要5所述工业控制方法,其特征在于,将所述关键信息输入所述宽度学习模型中得到每个尺度的特征信息,包括:
对所述关键信息进行线性变换得到每个尺度的中间特征信息;
对所述中间特征信息进行激活函数非线性变换得到所述特征信息。
7.一种工业控制系统,其特征在于,包括:
获取模块,用于在生产过程中获取多尺度的数据信息,提取所述数据信息中的关键信息;其中,所述关键信息为控制所述生产过程的信息;
特征模块,用于利用宽度学习模型对所述关键信息进行特征提取和数据融合,得到决策数据信息;
调节模块,用于根据所述决策数据信息对所述生产过程中的参数进行调节。
8.根据权利要求7所述工业控制方法,其特征在于,所述特征模块包括:
提取单元,用于将所述关键信息输入所述宽度学习模型中得到每个尺度的特征信息;
融合单元,用于通过非线性变换将所有所述特征信息融合为所述决策数据信息。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述工业控制方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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如权利要求1至6任一项所述工业控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811375925.9A CN109521740A (zh) | 2018-11-19 | 2018-11-19 | 一种工业控制方法、系统及电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811375925.9A CN109521740A (zh) | 2018-11-19 | 2018-11-19 | 一种工业控制方法、系统及电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109521740A true CN109521740A (zh) | 2019-03-26 |
Family
ID=65776479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811375925.9A Pending CN109521740A (zh) | 2018-11-19 | 2018-11-19 | 一种工业控制方法、系统及电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109521740A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334775A (zh) * | 2019-07-12 | 2019-10-15 | 广东工业大学 | 一种基于宽度学习的无人机线路故障识别方法和装置 |
CN110505301A (zh) * | 2019-08-26 | 2019-11-26 | 电子科技大学 | 一种航空制造车间工业大数据处理框架 |
CN114384885A (zh) * | 2022-03-23 | 2022-04-22 | 希望知舟技术(深圳)有限公司 | 基于异常工况的工艺参数调整方法、装置、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160110617A1 (en) * | 2014-10-20 | 2016-04-21 | Denso Corporation | Apparatus for recognizing lane partition lines |
CN107369147A (zh) * | 2017-07-06 | 2017-11-21 | 江苏师范大学 | 基于自我监督学习的图像融合方法 |
CN107992904A (zh) * | 2017-12-22 | 2018-05-04 | 重庆邮电大学 | 基于多源信息融合的林业生态环境人机交互方法 |
CN108829671A (zh) * | 2018-06-04 | 2018-11-16 | 北京百度网讯科技有限公司 | 基于调查数据的决策的方法、装置、存储介质和终端设备 |
-
2018
- 2018-11-19 CN CN201811375925.9A patent/CN109521740A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160110617A1 (en) * | 2014-10-20 | 2016-04-21 | Denso Corporation | Apparatus for recognizing lane partition lines |
CN107369147A (zh) * | 2017-07-06 | 2017-11-21 | 江苏师范大学 | 基于自我监督学习的图像融合方法 |
CN107992904A (zh) * | 2017-12-22 | 2018-05-04 | 重庆邮电大学 | 基于多源信息融合的林业生态环境人机交互方法 |
CN108829671A (zh) * | 2018-06-04 | 2018-11-16 | 北京百度网讯科技有限公司 | 基于调查数据的决策的方法、装置、存储介质和终端设备 |
Non-Patent Citations (1)
Title |
---|
贾晨等: "基于宽度学习方法的多模态信息融合", 《智能系统学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334775A (zh) * | 2019-07-12 | 2019-10-15 | 广东工业大学 | 一种基于宽度学习的无人机线路故障识别方法和装置 |
CN110505301A (zh) * | 2019-08-26 | 2019-11-26 | 电子科技大学 | 一种航空制造车间工业大数据处理框架 |
CN114384885A (zh) * | 2022-03-23 | 2022-04-22 | 希望知舟技术(深圳)有限公司 | 基于异常工况的工艺参数调整方法、装置、设备和介质 |
CN114384885B (zh) * | 2022-03-23 | 2022-06-03 | 希望知舟技术(深圳)有限公司 | 基于异常工况的工艺参数调整方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109521740A (zh) | 一种工业控制方法、系统及电子设备和存储介质 | |
Faria et al. | Reducing the conservatism of LMI-based stabilisation conditions for TS fuzzy systems using fuzzy Lyapunov functions | |
Jian et al. | A cloud edge-based two-level hybrid scheduling learning model in cloud manufacturing | |
CN105740217A (zh) | 一种基于文档模板的文档生成方法及装置 | |
JP2011040059A5 (zh) | ||
US10528855B2 (en) | Generating parts with encoded geometry for passively representing information | |
CN111178507A (zh) | 图谱卷积神经网络数据处理方法及装置 | |
CN107280693A (zh) | 基于vr交互电子沙盘的心理分析系统及方法 | |
US20230025522A1 (en) | Process optimization using mixed integer nonlinear programming | |
CN107273104A (zh) | 一种配置数据结构的处理方法及装置 | |
US20210166058A1 (en) | Image generation method and computing device | |
CN109035028A (zh) | 智能投顾策略生成方法及装置、电子设备、存储介质 | |
US11568254B2 (en) | Electronic apparatus and control method thereof | |
CN116341678A (zh) | 多模态对比学习模型训练方法及装置、电子设备、介质 | |
US11593637B2 (en) | Convolution streaming engine for deep neural networks | |
US20210279589A1 (en) | Electronic device and control method thereof | |
US8655630B2 (en) | Apparatus, system, and method for construction of a design workflow | |
JP7390442B2 (ja) | 文書処理モデルのトレーニング方法、装置、機器、記憶媒体及びプログラム | |
CN110222226A (zh) | 基于神经网络的以词生成节奏的方法、装置及存储介质 | |
US9645973B2 (en) | Matrix calculation apparatus, matrix calculation method, and computer readable medium having matrix calculation process program stored thereon | |
CN110503378A (zh) | 一种bom标准化方法、系统及电子设备和存储介质 | |
Raaj | Navigating Challenges and Innovations in Contemporary Data Management | |
CN114936715A (zh) | 一种基于气味信息的水果鲜度预测方法、系统及存储介质 | |
JP2022165395A (ja) | ニューラルネットワークモデルの最適化方法及びニューラルネットワークモデルに関するグラフィックユーザインターフェースを提供する方法 | |
CN104035881A (zh) | 一种车辆参数修改方法及车辆控制器 |
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: 20190326 |