CN110647354A - 设备运行控制方法、装置及设备 - Google Patents

设备运行控制方法、装置及设备 Download PDF

Info

Publication number
CN110647354A
CN110647354A CN201910939881.6A CN201910939881A CN110647354A CN 110647354 A CN110647354 A CN 110647354A CN 201910939881 A CN201910939881 A CN 201910939881A CN 110647354 A CN110647354 A CN 110647354A
Authority
CN
China
Prior art keywords
predicted
equipment
data
track
running
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.)
Granted
Application number
CN201910939881.6A
Other languages
English (en)
Other versions
CN110647354B (zh
Inventor
孙健
杨龙
梁国栋
张振国
赵兴海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Zhihe Medical Technology Co ltd
Original Assignee
Neusoft Medical Systems Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Neusoft Medical Systems Co Ltd filed Critical Neusoft Medical Systems Co Ltd
Priority to CN201910939881.6A priority Critical patent/CN110647354B/zh
Publication of CN110647354A publication Critical patent/CN110647354A/zh
Application granted granted Critical
Publication of CN110647354B publication Critical patent/CN110647354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/22—Microcontrol or microprogram arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
    • G06F9/30003—Arrangements for executing specific machine instructions
    • G06F9/3004—Arrangements for executing specific machine instructions to perform operations on memory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/4401—Bootstrapping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Security & Cryptography (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请公开了设备运行控制方法、装置及设备。该方法包括：获取设备运行指令；利用神经网络根据所述设备运行指令确定设备需要达到的目标运行状态；采集所述设备进入t时刻后，能够反映所述设备在所述t时刻运行状态的多模态数据，基于所述多模态数据和所述目标运行状态，对所述设备的包括所述t时刻在内的后续运行时段的运行轨迹进行预测，得到预测运行轨迹，控制所述设备按照所述预测运行轨迹运行。设备结合多模态数据进行轨迹预测，提高了预测结果的准确性，确保了设备安全运行以及顺利达到目标运行状态。

Description

设备运行控制方法、装置及设备
技术领域
本说明书涉及设备技术领域，尤其涉及一种设备运行控制方法、装置及设备。
背景技术
设备存有针对不同设备运行指令编写的运行程序，运行程序用于控制设备按照指定运行轨迹运行。设备接收到某一设备运行指令后，获取针对该设备运行指令编写的运行程序并根据该运行程序运行。例如，医疗设备接收初始化指令，获取用于设备初始化的运行程序，根据该运行程序控制自身设备运行，从而完成设备初始化。
在设备性能发生变化的情况下，例如，设备长时间使用后部件性能发生变化，导致设备性能发生变化，或者，设备发生部件更新，导致设备性能发生变化等，设备使用预先编写的固定运行程序运行，可能出现无法达到目标运行状态、部件损坏等不良现象发生。
发明内容
为克服相关技术中存在的问题，本说明书提供了一种设备运行控制方法、装置及设备。
具体地，本申请是通过如下技术方案实现的：
第一方面，提供一种设备运行控制方法，所述方法包括：
获取设备运行指令；
利用神经网络根据所述设备运行指令确定设备需要达到的目标运行状态；
采集所述设备进入t时刻后，能够反映所述设备在所述t时刻运行状态的多模态数据；
基于所述多模态数据和所述目标运行状态，对所述设备的包括所述t时刻在内的后续运行时段的运行轨迹进行预测，得到预测运行轨迹；
控制所述设备按照所述预测运行轨迹运行。
第二方面，提供一种设备运行控制装置，所述装置包括：
获取模块，被配置为获取设备运行指令；
确定模块，被配置为利用神经网络根据所述设备运行指令确定设备需要达到的目标运行状态；
采集模块，被配置为采集所述设备进入t时刻后，能够反映所述设备在所述t时刻运行状态的多模态数据；
预测模块，被配置为基于所述多模态数据和所述目标运行状态，对所述设备的包括所述t时刻在内的后续运行时段的运行轨迹进行预测，得到预测运行轨迹；
控制模块，被配置为控制所述设备按照所述预测运行轨迹运行。
第三方面，提供一种设备，包括：内部总线，以及通过内部总线连接的存储器、处理器和外部接口；其中，
所述外部接口，用于获取数据；
所述存储器，用于存储设备运行控制对应的机器可读指令；
所述处理器，用于读取所述存储器上的所述机器可读指令，并执行如下操作：
获取设备运行指令；
利用神经网络根据所述设备运行指令确定设备需要达到的目标运行状态；
采集所述设备进入t时刻后，能够反映所述设备在所述t时刻运行状态的多模态数据；
基于所述多模态数据和所述目标运行状态，对所述设备的包括所述t时刻在内的后续运行时段的运行轨迹进行预测，得到预测运行轨迹；
控制所述设备按照所述预测运行轨迹运行。
本说明书的实施例提供的技术方案可以包括以下有益效果：
本说明书实施例中，设备在获取设备运行指令后，利用神经网络根据设备运行指令确定设备需要达到的目标运行状态，采集设备进入当前时刻t后，能够反映设备当前运行状态的多模态数据，基于多模态数据和目标运行状态，对设备的包括t时刻在内的后续运行时段的运行轨迹进行预测，设备结合多模态数据进行轨迹预测，提高了预测结果的准确性，确保了设备安全运行以及顺利达到目标运行状态。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。
图1是本申请一示例性实施例示出的一种设备运行控制方法的流程图；
图2是本申请一示例性实施例示出的另一种设备运行控制方法的流程图；
图3是本申请一示例性实施例示出的另一种设备运行控制方法的流程图；
图4是本申请设备运行控制方法的一个实施例示意图；
图5是本申请设备运行控制方法的另一个实施例示意图；
图6是本申请一示例性实施例示出的一种设备运行控制装置的结构图；
图7是本申请一示例性实施例示出的一种设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
本申请提供了一种设备运行控制方法，应用于设备，设备可以是医疗设备、工厂内的加工设备等，其中，医疗设备可以是PET设备、CT设备、PET/CT设备等。本申请对设备的种类不做限制。
参见图1，为本申请设备运行控制方法的一个实施例流程图，该实施例可以包括以下步骤：
在步骤101中，获取设备运行指令。
设备在使用过程中，接收设备运行指令，根据设备运行指令控制设备运行。
不同设备对应的设备运行指令不同，例如，对于PET/CT设备，设备运行指令可以是初始化指令、图像扫描指令等。
获取设备运行指令的方式有多种，例如，接收用户对设备上物理按键的按压操作、接收用户对设备界面上显示的虚拟按键的选择操作、接收控制设备发送的设备运行指令等。
在步骤102中，利用神经网络根据设备运行指令确定设备需要达到的目标运行状态。
本实施例中，设备设有预先训练的神经网络，利用神经网络进行运行轨迹预测。
设备运行指令指示设备需要达到的目标运行状态，可以包括设备中多个部件需要达到的目标运行状态。例如，PET/CT设备的初始化指令，该初始化指令指示PET/CT设备在初始化结束后需要达到的目标运行状态，包括PET/CT设备中各部件需要达到的目标运行状态，如球管升温后的温度、高压发生器升压后的压力值等。
在步骤103中，采集设备进入t时刻后，能够反映设备在t时刻运行状态的多模态数据。
在控制设备运行过程中，t时刻可以是预设时刻，如用户指定的时刻，设备默认的时刻等，设备仅在预设的t时刻采集多模态数据及执行后续操作；或者，t时刻可以是设备运行过程中的当前时刻，可以理解为各运行时刻，设备在每个运行时刻均采集多模态数据及执行后续操作。
多模态数据能够反映设备在t时刻的运行状态，多模态数据包括多个模态的数据，模态可以理解为视角、角度。多模态数据包括的数据种类有多种，例如，多模态数据可以包括以下至少一项：设备的部件运行数据、设备性能指标、基于当前采集的数据生成的信息和校正信息的组合信息，校正日志、运行日志、环境参数。
例如，针对PET/CT设备，多模态数据可以包括以下至少一项：PET/CT设备中各图像数据和校正图像数据等；PET/CT设备中各电子部件的电压、电流和温度等；PET/CT设备中各机械部件的转速、位置、运动次数等；PET/CT设备中时间分辨率、空间分辨率、灵敏度和计数率等性能指标；PET/CT设备中探测器数据采集通道的数据传输指标；PET/CT设备的校正日志；PET/CT设备的维护日志；PET/CT系统的运行日志；PET/CT设备的运行气候数据、季节数据。
在步骤104中，基于多模态数据和目标运行状态，对设备的包括t时刻在内的后续运行时段的运行轨迹进行预测，得到预测运行轨迹。
设备在获取能够反映设备在t时刻运行状态的多模态数据后，基于多模态数据和目标运行状态，对设备的包括t时刻在内的后续运行时段的运行轨迹进行预测，得到预测运行轨迹。
得到的预测运行轨迹包括：设备的全部部件中每个部件的预测部件行为轨迹。每个部件的预测部件行为轨迹包括：t时刻至运行结束中各运行时刻该部件的预测部件运行数据。
例如，PET/CT设备基于初始化指令和多模态数据，得到的预测运行轨迹包括：球管的预测运行轨迹、电机的预测运行轨迹、升压部件的预测运行轨迹等，其中，球管的预测运行轨迹包括：t时刻至运行结束中各运行时刻球管的施加电压大小等，电机的预测运行轨迹包括：t时刻至运行结束中各运行时刻电机的转动速度和转动方向等。
基于设备中神经网络的结构，神经网络基于多模态数据和目标运行状态，可以预测出一个预测运行轨迹，或者，可以预测出多个预测运行轨迹。
在步骤105中，控制设备按照预测运行轨迹运行。
设备利用神经网络预测出运行轨迹后，按照预测出的运行轨迹控制自身设备运行。预测运行轨迹包括全部部件中每个部件的预测部件运行轨迹，设备使用预测部件运行轨迹控制相应的部件运行。
本实施例中，设备结合多模态数据进行轨迹预测，提高了预测结果的准确性，确保了设备安全运行以及顺利达到目标运行状态。
在一个可选的实施例中，神经网络预测出的预测运行轨迹的数目为多个，参见图2，为本申请设备运行控制方法的另一个实施例流程图，步骤105可以通过以下方式实现：在步骤1051中，按照预设筛选规则从多个预测运行轨迹中筛选出最佳预测运行轨迹；在步骤1052中，控制设备按照最佳预测运行轨迹运行。
基于步骤1051和步骤1052的设置，使得神经网络具有预测多个预测运行轨迹，并从多个预测运行轨迹中筛选出最佳预测运行轨迹的功能。
针对步骤1051，参见图3，为本申请设备运行控制方法的一个实施例示意图，神经网络包括轨迹预测子网络、轨迹评估子网络和行为确定子网络，其中，轨迹预测子网络用于轨迹预测；轨迹评估子网络用于轨迹评估；行为确定子网络用于从预测运行轨迹中确定出预测行为数据。组合轨迹预测子网络、轨迹评估子网络和行为确定子网络，得到行为预测子网络，即图3中的行为预测器。
基于上述神经网络的设置，参见图4，为本申请设备运行控制方法的另一个实施例流程图，步骤1051可以通过以下步骤1051-1至步骤1051-4实现：
在步骤1051-1中，针对每个预测运行轨迹，从预测运行轨迹中获取设备在t时刻的预测行为数据，预测行为数据包括设备的全部部件的预测部件行为数据，对所有预测部件行为数据进行加权和处理，得到加权和。
预测行为数据可以是预测运行轨迹中t时刻对应的所有预测数据；或者，预测行为数据可以是从预测运行轨迹中t时刻对应的所有预测数据中筛选出的数据，预测行为数据可以理解为预测行为的特征数据，例如，针对电机部件，预测运行轨迹中设置了t时刻电机的转速和转动方向，预测行为数据可以是电机的转速。
可以通过下面公式一，对所有预测部件行为数据进行加权和处理。
υt＝at，1υt，1+at，2υt，2+…+at，mυt，m 公式一
其中，υt为t时刻的加权和；υt，1为t时刻第一预测部件行为数据；at，1为υt，1对应的权重值；υt，2为t时刻第二预测部件行为数据；at，2为υt,2对应的权重值；υt，m为t时刻第m预测部件行为数据；at，m为υt，m对应的权重值。
在步骤1051-2中，获取设备在t-1时刻的历史行为标识at-1，历史行为标识at-1包括：全部部件的历史部件行为标识。
部件行为标识用于指示部件行为，不同部件行为对应的部件行为标识不同。例如，用编号1代表电机转动、用编号2代表电机停止。
在步骤1051-3中，对t-1时刻的第一历史上下文ht-1、步骤1051-2中获取的历史行为标识at-1和步骤1051-1中获取的加权和进行LSTM编码处理，得到t时刻的第二历史上下文ht。
LSTM编码全称是Long Short-Term Memory，它是RNN(Recurrent NeuralNetwork)的一种，基于其设计特点，使得LSTM特别适合用于对时序数据的建模，如文本数据。可以通过下面公式二，得到t时刻的第二历史上下文ht。
ht＝LSTM([υt，at-1]，ht-1) 公式二
其中，ht为t时刻的第二历史上下文；ht-1为t-1时刻的第一历史上下文；υt为t时刻的加权和；at-1为设备在t-1时刻的历史行为标识。
LSTM将υt、at-1和ht-1编码为ht。利用公式二进行迭代计算，获得h0至ht。
在步骤1051-4中，按照注意力机制对设备运行指令、每个预测运行轨迹对应的第二历史上下文和所有预测部件行为数据进行处理，确定最佳预测运行轨迹，设备运行指令包括多个部件运行指令。
步骤1051-4可以通过以下方式实现：
第一步骤、针对每个预测运行轨迹，按照注意力机制对对应的第二历史上下文和所有部件运行指令进行处理，得到t时刻的文本上下文。
使用语言编码器LSTM将设备运行指令X编码成一组文本特征
Figure BDA0002222584810000081
深度学习里的Attention model其实模拟的是人脑的注意力模型，本步骤学习了以历史上下文ht为条件的文本，通过注意力模型了解下一步应该关注哪些子指令。可以通过下面公式三，得到t时刻的文本上下文。
Figure BDA0002222584810000082
其中，
Figure BDA0002222584810000083
为t时刻的文本上下文；ht为t时刻的第二历史上下文；
Figure BDA0002222584810000084
为设备运行指令包括的部件运行指令w的文本集合；i为部件运行指令的标识；n为部件运行指令的数量。
第二步骤、按照注意力机制对t时刻的文本上下文和对应的所有预测部件行为数据进行处理，得到t时刻的状态上下文。
可以通过下面公式四，得到t时刻的状态上下文。
Figure BDA0002222584810000085
其中，为t时刻的状态上下文；
Figure BDA0002222584810000087
为t时刻的文本上下文；
Figure BDA0002222584810000088
为t时刻全部部件的预测部件行为数据的集合，j为部件的标识；m为部件的数量。
第三步骤、对对应的第二历史上下文、文本上下文和状态上下文进行双线性点积计算，得到预测运行轨迹的评估数据。
可以通过下面公式五，得到预测运行轨迹的评估数据。
Figure BDA0002222584810000089
其中，Pk为设备按照预测运行轨迹运行时的运行方向评估数据，以概率形式表示；ht为t时刻的第二历史上下文；
Figure BDA00022225848100000810
为t时刻的文本上下文；
Figure BDA00022225848100000811
为t时刻的状态上下文。
运行方向评估数据可以是设备正常运行的概率、设备出现故障的概率、设备能够达到目标运行状态的概率或设备无法达到目标运行状态的概率等。
第四步骤、将最佳评估数据对应的预测运行轨迹确定为最佳预测运行轨迹。
例如，当运行方向评估数据为设备能够达到目标运行状态的概率时，将概率最大的预测运行轨迹确定为最佳预测运行轨迹。当运行方向评估数据为设备出现故障的概率时，将概率最小的预测运行轨迹确定为最佳预测运行轨迹。
在一个可选的实施例中，设备可以在每个运行时刻使用上述预测方法，预测当前时刻的预测运行数据并按照该预测运行数据运行。该预测运行数据包括全局部件的预测部件运行数据。
这时步骤1052可以通过以下方式实现：从最佳预测运行轨迹中，获取设备在t时刻的最佳预测行为数据at，控制设备在t时刻按照最佳预测行为数据at运行。在进行到t+1时刻时，设备从t+1时刻预测的最佳预测运行轨迹中，获取设备在t+1时刻的最佳预测行为数据，控制设备在t+1时刻按照t+1时刻的最佳预测行为数据运行。
设备在每个运行时刻预测当前时刻的预测运行数据并按照该预测运行数据运行，能够根据自身设备的运行情况，及时对运行轨迹进行调整，更有利于设备向目标运行状态的方向运行。
在一个可选的实施例中，为提高学习到的策略的泛化性，提出了自监督学习方法，通过模仿自己以往的良好决策的方式预测没有先验知识的设备状态，从而得到更好、更高效的策略，这极大程度减小了在已有知识和无先验知识的环境中预测成功率的表现差别，提高了预测的准确性。
具体地，设备利用神经网络进行运行轨迹预测，使用预测运行轨迹和设备按照预测运行轨迹运行的情况，对神经网络的网络参数进行调整，使得神经网络对运行轨迹的预测结果更加准确。
使用预测运行轨迹和设备按照预测运行轨迹运行的情况，对神经网络进行网络参数调整的方式有多种。例如，第一种调整方式：当设备在每个运行时刻预测当前时刻的预测运行数据并按照预测运行数据运行时，设备在按照所有运行时刻的最佳预测行为数据运行结束后，即在按照预测运行轨迹运行结束后，获取设备的实际运行状态；当实际运行状态与目标运行状态满足差异范围时，根据实际运行状态和目标运行状态之间的差异，确定神经网络的第一网络损失；基于第一网络损失，对神经网络的网络参数进行调整。当实际运行状态与目标运行状态不满足差异范围时，判定预测运行轨迹不符合要求，不使实际运行状态进行神经网络优化。
可以将第一种调整方式称为外部奖励调整方式，外部奖励量度的是设备的每个部件的动作的成功信号和预测误差。
第二种调整方式：参见图5，为本申请设备运行控制方法的另一个实施例示意图，神经网络包括：轨迹预测子网络πθ、轨迹评估子网络Vβ、仿真子网络；其中，轨迹预测子网络πθ用于进行轨迹预测，得到多个预测运行轨迹{τ1,τ2,…,τK}，K为预测运行轨迹的数量，并将多个预测运行轨迹传输给轨迹评估子网络Vβ；轨迹评估子网络Vβ用于对多个预测运行轨迹进行轨迹评估，从中确定出最佳预测运行轨迹和非最佳预测运行轨迹，并将最佳预测运行轨迹和非最佳预测运行轨迹传输给仿真子网络；仿真子网络根据最佳预测运行轨迹和非最佳预测运行轨迹之间的差异，对神经网络的网络参数进行调整。
具体地，设备还可以执行以下操作：按照多个预测运行轨迹，仿真运行设备；确定每个预测运行轨迹执行结束后设备的性能评估数据；确定最优性能评估数据对应的预测运行轨迹为最佳预测运行轨迹，以及确定剩余的预测运行轨迹为非最佳预测运行轨迹；根据最佳预测运行轨迹和非最佳预测运行轨迹之间的差异，确定神经网络的第二网络损失值；基于第二网络损失值，对所述神经网络的网络参数进行调整。
性能评估数据可以包括以下至少一项：达到目标状态、未达到目标状态、与目标状态的匹配程度、发热量、使用功率等参数。最优性能评估数据包括：达到目标状态、与目标状态的匹配程度最大、发热量最小等。
可以将第二种调整方式称为内部奖励优化方式，内部奖励量度的是设备运行指令X与预测运行轨迹τ之间的匹配情况。
预先训练一个轨迹评估子网络Vβ来计算循环重构内部奖励Rintr，促进设备运行指令X与轨迹τ的匹配对齐。它鼓励尊重指令，并惩罚偏离指令指示的轨迹。
可以通过下面公式六，计算内部奖励Rintr。
Rintr＝Vβ(X，τ)＝Vβ(X，πθ(X)) 公式六
实现匹配评估的一种方法是测量循环重构奖励P＝(X＝X|πθ(X))，即给定轨迹下重构设备运行指令X的概率由τ＝πθ(X)执行。
可以通过下面公式七，计算内部奖励Rintr。
Rintr＝Pβ(X，πθ(X))＝Pβ(X，τ) 公式七
可以根据内部奖励Rintr确定RL损失和不可微损失函数梯度，基于此对神经网络的网络参数进行调整。
在一个可选的实施例中，步骤105可以通过以下方式实现：首先，获取预测运行轨迹中t时刻的预测行为数据；其次，判断预测行为数据是否满足预设运行数据条件，预设行为数据条件限定了设备正常运行时的运行数据范围；最后，当预测行为数据满足预设运行数据条件时，控制设备按照预测行为数据运行。当预测行为数据不满足预设运行数据条件时，输出故障预测提示信息；和/或，当预测行为数据不满足预设运行数据条件时，停止设备运行。
预设运行数据条件包括针对不同部件设置的部件运行数据条件。例如，针对电机设置的预设转速范围，当电机转速超过预设转速范围时，输出电机的故障提示信息；针对球管设置的预设温度范围，当球管升温过程中的温度超过预设温度范围，输出球管的故障提示信息。
基于上述操作的设置，使得设备具有故障预测功能，只在正常预测运行数据下运行，实现安全使用。
上述图1至图3所示流程中的各个步骤，其执行顺序不限制于流程图中的顺序。此外，各个步骤的描述，可以实现为软件、硬件或者其结合的形式，例如，本领域技术人员可以将其实现为软件代码的形式，可以为能够实现所述步骤对应的逻辑功能的计算机可执行指令。当其以软件的方式实现时，所述的可执行指令可以存储在存储器中，并被系统中的处理器执行。
与前述设备运行控制方法的实施例相对应，本申请还提供了设备运行控制方法装置及设备的实施例。
参见图6，为本申请设备运行控制方法装置的一个实施例框图，该装置可以包括：获取模块21、确定模块22、采集模块23、预测模块24和控制模块25；其中，
所述获取模块21，被配置为获取设备运行指令；
所述确定模块22，被配置为利用神经网络根据所述设备运行指令确定设备需要达到的目标运行状态；
所述采集模块23，被配置为采集所述设备进入t时刻后，能够反映所述设备在所述t时刻运行状态的多模态数据；
所述预测模块24，被配置为基于所述多模态数据和所述目标运行状态，对所述设备的包括所述t时刻在内的后续运行时段的运行轨迹进行预测，得到预测运行轨迹；
所述控制模块25，被配置为控制所述设备按照所述预测运行轨迹运行。
参见图7，为本申请设备的一个实施例示意图，该设备可以包括：通过内部总线310连接的存储器320、处理器330和外部接口340。
其中，所述外部接口340，用于获取数据；
存储器320，用于存储设备运行控制对应的机器可读指令；
处理器330，用于读取存储器320上的所述机器可读指令，并执行所述指令以实现如下操作：
获取设备运行指令；
利用神经网络根据所述设备运行指令确定设备需要达到的目标运行状态；
采集所述设备进入t时刻后，能够反映所述设备在所述t时刻运行状态的多模态数据；
基于所述多模态数据和所述目标运行状态，对所述设备的包括所述t时刻在内的后续运行时段的运行轨迹进行预测，得到预测运行轨迹；
控制所述设备按照所述预测运行轨迹运行。
在本申请实施例中，计算机可读存储介质可以是多种形式，比如，在不同的例子中，所述机器可读存储介质可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。特殊的，所述的计算机可读介质还可以是纸张或者其他合适的能够打印程序的介质。使用这些介质，这些程序可以被通过电学的方式获取到(例如，光学扫描)、可以被以合适的方式编译、解释和处理，然后可以被存储到计算机介质中。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (12)

1.一种设备运行控制方法，其特征在于，所述方法包括：
获取设备运行指令；
利用神经网络根据所述设备运行指令确定设备需要达到的目标运行状态；
采集所述设备进入t时刻后，能够反映所述设备在所述t时刻运行状态的多模态数据；
基于所述多模态数据和所述目标运行状态，对所述设备的包括所述t时刻在内的后续运行时段的运行轨迹进行预测，得到预测运行轨迹；
控制所述设备按照所述预测运行轨迹运行。
2.根据权利要求1所述的方法，其特征在于，所述预测运行轨迹的数目为多个，所述控制所述设备按照所述预测运行轨迹运行，包括：
按照预设筛选规则从多个所述预测运行轨迹中筛选出最佳预测运行轨迹；
控制所述设备按照所述最佳预测运行轨迹运行。
3.根据权利要求2所述的方法，其特征在于，所述按照预设筛选规则从多个所述预测运行轨迹中筛选出最佳预测运行轨迹，包括：
针对每个所述预测运行轨迹，从所述预测运行轨迹中获取所述设备在所述t时刻的预测行为数据，所述预测行为数据包括所述设备的全部部件的预测部件行为数据，对所有预测部件行为数据进行加权和处理，得到加权和；
获取所述设备在所述t-1时刻的历史行为标识，所述历史行为标识包括：所述全部部件的历史部件行为标识；
对所述t-1时刻的第一历史上下文、所述历史行为标识和所述加权和进行LSTM编码处理，得到所述t时刻的第二历史上下文；
按照注意力机制对所述设备运行指令、每个所述预测运行轨迹对应的第二历史上下文和所有预测部件行为数据进行处理，确定所述最佳预测运行轨迹，所述设备运行指令包括多个部件运行指令。
4.根据权利要求3所述的方法，其特征在于，所述按照注意力机制对所述设备运行指令、每个所述预测运行轨迹对应的第二历史上下文和所有预测部件行为数据进行处理，确定所述最佳预测运行轨迹，包括：
针对每个所述预测运行轨迹，按照注意力机制对对应的所述第二历史上下文和所有部件运行指令进行处理，得到所述t时刻的文本上下文；
按照注意力机制对所述文本上下文和对应的所述所有预测部件行为数据进行处理，得到所述t时刻的状态上下文；
对对应的所述第二历史上下文、所述文本上下文和所述状态上下文进行双线性点积计算，得到所述预测运行轨迹的评估数据；
将最佳评估数据对应的预测运行轨迹确定为所述最佳预测运行轨迹。
5.根据权利要求2所述的方法，其特征在于，所述设备在每个运行时刻预测当前时刻的预测运行数据并按照所述预测运行数据运行；所述控制所述设备按照所述最佳预测运行轨迹运行，包括：
从所述最佳预测运行轨迹中，获取所述设备在所述t时刻的最佳预测行为数据；
控制所述设备在所述t时刻按照所述最佳预测行为数据运行。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
在所述设备按照所有运行时刻的最佳预测行为数据运行结束后，获取所述设备的实际运行状态；
当所述实际运行状态与所述目标运行状态满足差异范围时，根据所述实际运行状态和所述目标运行状态之间的差异，确定所述神经网络的第一网络损失；
基于所述第一网络损失，对所述神经网络的网络参数进行调整。
7.根据权利要求2所述的方法，其特征在于，所述方法还包括：
按照多个所述预测运行轨迹，仿真运行所述设备；
确定每个所述预测运行轨迹执行结束后所述设备的性能评估数据；
确定最优性能评估数据对应的预测运行轨迹为最佳预测运行轨迹，以及确定剩余的预测运行轨迹为非最佳预测运行轨迹；
根据所述最佳预测运行轨迹和所述非最佳预测运行轨迹之间的差异，确定所述神经网络的第二网络损失值；
基于所述第二网络损失值，对所述神经网络的网络参数进行调整。
8.根据权利要求1所述的方法，其特征在于，所述控制所述设备按照所述预测运行轨迹运行，包括：
获取所述预测运行轨迹中所述t时刻的预测行为数据，
判断所述预测行为数据是否满足预设运行数据条件，所述预设行为数据条件限定了所述设备正常运行时的运行数据范围；
当所述预测行为数据满足所述预设运行数据条件时，控制所述设备按照所述预测行为数据运行。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
当所述预测行为数据不满足所述预设运行数据条件时，输出故障预测提示信息；和/或，
当所述预测行为数据不满足所述预设运行数据条件时，停止所述设备运行。
10.根据权利要求1所述的方法，其特征在于，所述多模态数据包括以下至少一项：所述设备的部件运行数据、设备性能指标、基于当前采集的数据生成的信息和校正信息的组合信息，校正日志、运行日志、环境参数。
11.一种设备运行控制方法装置，其特征在于，所述装置包括：
获取模块，被配置为获取设备运行指令；
确定模块，被配置为利用神经网络根据所述设备运行指令确定设备需要达到的目标运行状态；
采集模块，被配置为采集所述设备进入t时刻后，能够反映所述设备在所述t时刻运行状态的多模态数据；
预测模块，被配置为基于所述多模态数据和所述目标运行状态，对所述设备的包括所述t时刻在内的后续运行时段的运行轨迹进行预测，得到预测运行轨迹；
控制模块，被配置为控制所述设备按照所述预测运行轨迹运行。
12.一种设备，其特征在于，包括：内部总线，以及通过内部总线连接的存储器、处理器和外部接口；其中，
所述外部接口，用于获取数据；
所述存储器，用于存储设备运行控制对应的机器可读指令；
所述处理器，用于读取所述存储器上的所述机器可读指令，并执行如下操作：
获取设备运行指令；
利用神经网络根据所述设备运行指令确定设备需要达到的目标运行状态；
采集所述设备进入t时刻后，能够反映所述设备在所述t时刻运行状态的多模态数据；
基于所述多模态数据和所述目标运行状态，对所述设备的包括所述t时刻在内的后续运行时段的运行轨迹进行预测，得到预测运行轨迹；
控制所述设备按照所述预测运行轨迹运行。
CN201910939881.6A 2019-09-30 2019-09-30 设备运行控制方法、装置及设备 Active CN110647354B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910939881.6A CN110647354B (zh) 2019-09-30 2019-09-30 设备运行控制方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910939881.6A CN110647354B (zh) 2019-09-30 2019-09-30 设备运行控制方法、装置及设备

Publications (2)

Publication Number Publication Date
CN110647354A true CN110647354A (zh) 2020-01-03
CN110647354B CN110647354B (zh) 2021-11-05

Family

ID=69012044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910939881.6A Active CN110647354B (zh) 2019-09-30 2019-09-30 设备运行控制方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110647354B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021195970A1 (zh) * 2020-03-31 2021-10-07 西门子股份公司 工业系统的预测模型学习方法、装置和系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599520A (zh) * 2016-12-31 2017-04-26 中国科学技术大学 一种基于lstm‑rnn模型的空气污染物浓度预报方法
CN108009692A (zh) * 2017-12-26 2018-05-08 东软集团股份有限公司 设备维修信息处理方法、装置、计算机设备和存储介质
WO2019014266A1 (en) * 2017-07-10 2019-01-17 Findo, Inc. TEAM PERFORMANCE SUPERVISOR
CN109634120A (zh) * 2018-12-26 2019-04-16 东软集团（北京）有限公司 一种车辆控制方法及装置
CN109726771A (zh) * 2019-02-27 2019-05-07 深圳市赛梅斯凯科技有限公司 异常驾驶检测模型建立方法、装置及存储介质
CN109906460A (zh) * 2016-11-04 2019-06-18 易享信息技术有限公司 用于问答的动态协同注意力网络
CN109919358A (zh) * 2019-01-31 2019-06-21 中国科学院软件研究所 一种基于神经网络时空注意力机制的实时站点流量预测方法
CN109948830A (zh) * 2019-01-29 2019-06-28 青岛科技大学 面向人自混杂环境的自行车轨迹预测方法、设备和介质
CN110276439A (zh) * 2019-05-08 2019-09-24 平安科技（深圳）有限公司 基于注意力机制的时间序列预测方法、装置及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109906460A (zh) * 2016-11-04 2019-06-18 易享信息技术有限公司 用于问答的动态协同注意力网络
CN106599520A (zh) * 2016-12-31 2017-04-26 中国科学技术大学 一种基于lstm‑rnn模型的空气污染物浓度预报方法
WO2019014266A1 (en) * 2017-07-10 2019-01-17 Findo, Inc. TEAM PERFORMANCE SUPERVISOR
CN108009692A (zh) * 2017-12-26 2018-05-08 东软集团股份有限公司 设备维修信息处理方法、装置、计算机设备和存储介质
CN109634120A (zh) * 2018-12-26 2019-04-16 东软集团（北京）有限公司 一种车辆控制方法及装置
CN109948830A (zh) * 2019-01-29 2019-06-28 青岛科技大学 面向人自混杂环境的自行车轨迹预测方法、设备和介质
CN109919358A (zh) * 2019-01-31 2019-06-21 中国科学院软件研究所 一种基于神经网络时空注意力机制的实时站点流量预测方法
CN109726771A (zh) * 2019-02-27 2019-05-07 深圳市赛梅斯凯科技有限公司 异常驾驶检测模型建立方法、装置及存储介质
CN110276439A (zh) * 2019-05-08 2019-09-24 平安科技（深圳）有限公司 基于注意力机制的时间序列预测方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王斌: "智能汽车避障风险评估及轨迹规划", 《汽车技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021195970A1 (zh) * 2020-03-31 2021-10-07 西门子股份公司 工业系统的预测模型学习方法、装置和系统

Also Published As

Publication number Publication date
CN110647354B (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
US20220414464A1 (en) Method and server for federated machine learning
US11593589B2 (en) System and method for interpretable sequence and time-series data modeling
CN112100917B (zh) 一种基于专家对抗系统的智能船舶避碰仿真测试系统与方法
US11024019B2 (en) Image-based maintenance prediction and detection of operating errors
US20200410364A1 (en) Method for estimating a global uncertainty of a neural network
US20220067588A1 (en) Transforming a trained artificial intelligence model into a trustworthy artificial intelligence model
CN110458904B (zh) 胶囊式内窥镜图像的生成方法、装置及计算机存储介质
CN108846413A (zh) 一种基于全局语义一致网络的零样本学习方法
KR102115534B1 (ko) GAN(Generative Adversarial Networks)을 이용하는 이상 검출 방법, 장치 및 그 시스템
CN110647354B (zh) 设备运行控制方法、装置及设备
CN116309192B (zh) 基因测序图像对焦矫正方法及装置、设备、存储介质
CN114207664A (zh) 数据生成系统、学习装置、数据生成装置、数据生成方法及数据生成程序
WO2022207223A1 (en) Method and system for optimizing a digital twin simulation model using machine learning
CN110268338A (zh) 使用视觉输入进行代理导航
CN110414335A (zh) 视频识别方法、装置及计算机可读存储介质
CN114342003A (zh) 传感器无关的机械机器故障识别
CN112579759A (zh) 模型训练方法及任务型视觉对话问题的生成方法和装置
CN114549922A (zh) 卷积神经网络识别与评估系统动态特性的方法和装置
CN113393495A (zh) 基于强化学习的高空抛物轨迹识别方法
CN116033142B (zh) 一种基于摄像装置的环境光测量方法与系统
CN115031994B (zh) 一种车辆耐久试验方法和系统
KR102480150B1 (ko) 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법
CN113722975B (zh) 网络模型训练方法、室温预测方法、装置、设备及介质
CN110211092B (zh) 成像方向模型训练方法及装置、检测方法及装置、介质
US20220019944A1 (en) System and method for identifying and mitigating ambiguous data in machine learning architectures

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230427

Address after: Room 308, No. 177-2 Chuangxin Road, Hunnan District, Shenyang City, Liaoning Province, 110167

Patentee after: Shenyang Zhihe Medical Technology Co.,Ltd.

Address before: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Patentee before: Shenyang Neusoft Medical Systems Co.,Ltd.

TR01 Transfer of patent right