CN111240288A - 计算模型构建及配置计算的方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开一种计算模型构建及配置计算的方法、装置、设备及存储介质,其中，一种计算模型构建方法包括步骤：获取至少一台设备的相关数据；对所述相关数据进行数据分析并得到所述相关数据中的每类数据的影响因素值；对所述相关数据进行数据分析并得到所述相关数据中的每类所述数据的关系系数；根据每类所述数据的影响因素值和每类所述数据的关系系数构建计算模型。本申请能够根据设备的各种参数构建计算模型并通过该计算模型计算目标任务的配置数据，以实现高效率完成目标任务。

Description

计算模型构建及配置计算的方法、装置、设备及存储介质

技术领域

本申请涉及工业自动化领域，尤其涉及一种计算模型构建及配置计算 的方法、装置、设备及存储介质。

背景技术

工业自动化是机器设备或生产过程在不需要人工直接干预的情况下， 按预期的目标实现测量、操纵等信息处理和过程控制的统称。工业生产线 上不同的生产工序需要不同类型的自动化设备相互协作共同完成，这些自 动化设备的工作效率都不尽相同，为了实现在各个环节分配最优数量的机 器人完成其额定任务量，而不会影响到上下游环节的生产需要，也不造成 供不应求和供大于求，目前，技术人员所采用的解决方式是根据自动化设 备的参数效率粗略地计算分配方案，但是，这种方式不能够综合考虑到其 他外因或各种异常情况。

发明内容

本申请目的在于公开一种计算模型构建及配置计算的方法、装置、设 备及存储介质，用于根据设备的各种参数构建计算模型并通过该计算模型 计算目标任务的配置数据，以实现高效率完成目标任务。

本申请第一方面公开计算模型构建方法，该方法包括：

获取至少一台设备的相关数据；

对所述相关数据进行数据分析并得到所述相关数据中的每类数据的 影响因素值；

对所述相关数据进行数据分析并得到所述相关数据中的每类所述数 据的关系系数；

根据每类所述数据的影响因素值和每类所述数据的关系系数构建计 算模型。

在本申请中，通过获取至少一台设备的相关数据能够得到每类数据 的影响因素值和关系系数，进而能够构建计算模型。

作为一种可选的实施方式，所述相关数据包括所述设备的单机执行 任务数据及所述设备的多机协作任务数据；

以及，对所述相关数据进行数据分析并得到所述相关数据中的每类 数据的影响因素值，包括：

根据控制单一变量法计算所述单机执行任务数据中的每个数据的影 响因素值，并将所述单机执行任务数据中的每个数据的影响因素值的算 术平均值作为所述单机执行任务数据的影响因素值；

对所述多机协作任务数据的每个数据进行分析得出所述多机协作任 务数据的影响因数值。

在本可选的实施方式中，根据控制单一变量法计算单机执行任务数 据中的每个数据的影响因素值，与此同时，对多机协作任务数据的每个 数据进行分析得出多机协作任务数据的影响因数值。

作为一种可选的实施方式，单机执行任务数据至少包括满载运行时 间、空载运行时间中的一项；以及，多机协作任务数据至少包括各机器 人对接时间、多机交管时间、各机器人不同状态下的完成任务总耗时中 的一项。

在本可选的实施方式中，由于单机执行任务数据至少包括满载运行 时间、空载运行时间中的一项，进而计算模型的构建能够考设备的满载 运行时间、空载运行时间等因素对任务完成效率的影响，进而使得计算 模型更加精确。另一方面，通过考虑多机协作任务数据的各机器人对接 时间、多机交管时间、各机器人不同状态下的完成任务总耗时等数据， 能够进一步提高计算模型的精确度。

作为一种可选的实施方式，对相关数据进行数据分析并得到相关数 据中的每类数据的关系系数，包括：

统计相关数据中的每类数据在相关数据中出现占比；

根据出现占比确定相关数据中的每类数据的关系系数。

在本可选的实施方式中，通过每类数据的出现占比可确定每类数据 的关系系数，进而可确定每类数据对任务完成的影响程度，从而能够使 得计算模型更加精确。

作为一种可选的实施方式，在获取至少一台设备的相关数据，对相 关数据进行数据分析并得到相关数据中的每类数据的影响因素值之前， 该方法还包括：

对相关数据进行数据清洗，以过滤相关数据中的异常数据。

在本可选的实施方式中，通过对相关数据进行数据清洗，能够去除 相关数据中的异常数据，进而得到具有参考价值的数据，从而可基于该 具有参考价值的数据构建计算精确度更高的计算模型。

本申请第二方面公开一种配置计算方法，该方法包括步骤：

接收目标任务的设置参数和至少一种设备的标识信息，其中，目标 任务的设置参数至少包括目标任务的预计完成时间和目标任务的任务量；

根据标识信息、任务量、标识信息和本申请第一方面的计算模型计 算目标任务的配置数据。

在本申请中，当接收目标任务的设置参数和至少一种设备的标识信 息时，能够通过计算模型计算出完成目标任务所需的配置数据，这样一 来，就能够使得每台设备能够更加高效地完成任务及每台设备之间的协 作更加高效。

本申请第三方面公开一种计算模型构建装置，该装置包括：

获取模块，用于获取至少一台设备的相关数据；

第一数据分析模块，用于对相关数据进行数据分析并得到相关数据 中的每类数据的影响因素值；

第二数据分析模块，用于对相关数据进行数据分析并得到相关数据 中的每类数据的关系系数；

构建模块，用于根据每类数据的影响因素值和每类数据的关系系数 构建计算模型。

在本申请中，计算模型构建装置通过执行计算模型构建方法，能够 获取至少一台设备的相关数据能够得到每类数据的影响因素值和关系系 数，进而能够构建计算模型。

本申请第四方面公开一种配置计算装置，该装置包括：

接收模块，用于接收目标任务的设置参数和至少一种设备的标识信 息，其中，目标任务的设置参数至少包括目标任务的预计完成时和目标 任务的任务量；

计算模块，用于根据标识信息、任务量、标识信息和如权利要求1- 5任一项的计算模型计算目标任务的配置数据。

在本申请中，配置计算装置通过执行配置计算方法，能够在接收目 标任务的设置参数和至少一种设备的标识信息时，能够通过计算模型计 算出完成目标任务所需的配置数据，这样一来，就能够使得每台设备能 够更加高效地完成任务及每台设备之间的协作更加高效。

本申请第五方面公开一种计算模型构建及配置计算设备，该设备包 括：

处理器；以及

存储器，配置用于存储机器可读指令，指令在由处理器执行时执行 本申请第一方面公开的计算模型构建方法及本申请第二方面公开的配置 计算方法。

本申请的计算模型构建及配置计算设备通过执行计算模型构建方法和配 置计算方，能够获取至少一台设备的相关数据能够得到每类数据的影响 因素值和关系系数，进而能够构建计算模型，另一方面，在接收目标任 务的设置参数和至少一种设备的标识信息时，能够通过计算模型计算出 完成目标任务所需的配置数据，这样一来，就能够使得每台设备能够更 加高效地完成任务及每台设备之间的协作更加高效。

本申请第五方面公开一种存储介质，存储介质存储有计算机程序， 计算机程序被处理器执行时执行本申请第一方面公开的计算模型构建方 法及本申请第二方面公开的配置计算方法。

本申请的存储介质通过执行计算模型构建方法和配置计算方，能够 获取至少一台设备的相关数据能够得到每类数据的影响因素值和关系系 数，进而能够构建计算模型，另一方面，在接收目标任务的设置参数和 至少一种设备的标识信息时，能够通过计算模型计算出完成目标任务所 需的配置数据，这样一来，就能够使得每台设备能够更加高效地完成任 务及每台设备之间的协作更加高效。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例 中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请 的某些实施例，因此不应被看作是对范围的限定，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相 关的附图。

图1为本申请实施例一公开的一种计算模型构建方法的流程示意图；

图2为本申请实施例二公开的一种计算模型构建方法的流程示意图；

图3为本申请实施例三公开的一种配置计算方法的流程示意图；

图4是本申请实施例公开的一种计算模型构建装置的结构示意图；

图5是本申请实施例公开的一种配置计算装置的结构示意图；

图6是本申请实施例公开的一种计算模型构建及配置计算设备的结构 示意图。

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 行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一 旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步 定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用 于区分描述，而不能理解为指示或暗示相对重要性。

实施例一

请参阅图1，图1是本申请实施例公开的一种计算模型构建方法的流 程示意图。如图1所示，该方法包括步骤：

101、获取至少一台设备的相关数据；

102、对相关数据进行数据分析并得到相关数据中的每类数据的影响 因素值；

103、对相关数据进行数据分析并得到相关数据中的每类数据的关系 系数；

104、根据每类数据的影响因素值和每类数据的关系系数构建计算模 型。

在本申请实施例中，通过获取至少一台设备的相关数据能够得到每 类数据的影响因素值和关系系数，进而能够构建计算模型。

作为一种可选的实施方式，相关数据包括设备的单机执行任务数据 及设备的多机协作任务数据；

以及，对相关数据进行数据分析并得到相关数据中的每类数据的影 响因素值，包括：

根据控制单一变量法计算单机执行任务数据中的每个数据的影响因 素值，并将单机执行任务数据中的每个数据的影响因素值的算术平均值 作为单机执行任务数据的影响因素值；

对多机协作任务数据的每个数据进行分析得出多机协作任务数据的 影响因数值。

在本可选的实施方式中，根据控制单一变量法计算单机执行任务数 据中的每个数据的影响因素值，与此同时，对多机协作任务数据的每个 数据进行分析得出多机协作任务数据的影响因数值。

在本可选的实施方式中，相关数据还包括自动化设备的相关技术参 数、环境的相关参数。进一步地，自动化设备的相关技术参数包括但不 限于电量、电池、续航时间、载重、运行速度、运行时间。进一步地， 环境的相关参数包括但不限于楼盘类型、过道大小、各自动化设备需要 工作的区域大小。

作为一种可选的实施方式，单机执行任务数据至少包括满载运行时 间、空载运行时间中的一项；以及，多机协作任务数据至少包括各机器 人对接时间、多机交管时间、各机器人不同状态下的完成任务总耗时中 的一项。

在本可选的实施方式中，由于单机执行任务数据至少包括满载运行 时间、空载运行时间中的一项，进而计算模型的构建能够考设备的满载 运行时间、空载运行时间等因素对任务完成效率的影响，进而使得计算 模型更加精确。另一方面，通过考虑多机协作任务数据的各机器人对接 时间、多机交管时间、各机器人不同状态下的完成任务总耗时等数据， 能够进一步提高计算模型的精确度。

作为一种可选的实施方式，对相关数据进行数据分析并得到相关数 据中的每类数据的关系系数，包括：

统计相关数据中的每类数据在相关数据中出现占比；

根据出现占比确定相关数据中的每类数据的关系系数。

在本可选的实施方式中，通过每类数据的出现占比可确定每类数据 的关系系数，进而可确定每类数据对任务完成的影响程度，从而能够使 得计算模型更加精确。

实施例二

请参阅图2，图2是本申请实施例公开的一种计算模型构建方法的流 程示意图。如图2所示，该方法包括步骤：

201、获取至少一台设备的相关数据；

202、对相关数据进行数据清洗，以过滤相关数据中的异常数据；

203、对相关数据进行数据分析并得到相关数据中的每类数据的影响 因素值；

204、对相关数据进行数据分析并得到相关数据中的每类数据的关系 系数；

205、根据每类数据的影响因素值和每类数据的关系系数构建计算模 型。

在本申请实施例中，通过对相关数据进行数据清洗，能够去除相关 数据中的异常数据，进而得到具有参考价值的数据，从而可基于该具有 参考价值的数据构建计算精确度更高的计算模型。

需要说明的是，关于步骤201、步骤203、步骤204、步骤205的详 细描述请参考本申请实施例一种的步骤101、步骤102、步骤103、步骤 104的详细描述，在此不作赘述。

实施例三

请参阅图3，图3是本申请实施例公开的一种配置计算方法的流程示 意图。如图3所示，该方法包括步骤：

301、接收目标任务的设置参数和至少一种设备的标识信息，其中， 目标任务的设置参数至少包括目标任务的预计完成时间和目标任务的任 务量；

302、根据标识信息、任务量、标识信息和本申请第一方面的计算模 型计算目标任务的配置数据。

在本申请实施例中，当接收目标任务的设置参数和至少一种设备的 标识信息时，能够通过计算模型计算出完成目标任务所需的配置数据， 这样一来，就能够使得每台设备能够更加高效地完成任务及每台设备之 间的协作更加高效。

在本申请实施例中，配置数据包括每种设备的所需数量。

示例性地，假设需要完成一个砂浆喷涂任务，砂浆喷涂任务需要搅 拌机器人、搬运机器人、喷涂机器人三个种类机器人的协作共同完成。 进一步假设，该砂浆喷涂任务的任务量是20T(T是任务量单位)、规定 完成时间是1H(H是时间单位)，搅拌机器人的工作1H的搅拌量是4T, 搬运机器人工作1H的搬运量是T，喷涂机器人工作1H的喷涂量是2T， 此时有：

需要的喷涂机器人数量是Count1＝20T/(Th1*(Q1/C1)*α)；

需要的搅拌机器人数量是Count2＝20T/(Th2*(Q2/C2)*γ)；

需要的搬运机器人数量是Count3＝20T/(Tk+Tm+Tz+(Th3* (Q3/(Sm+Sk)/2))+Count*β)，其中：

Tk表示搬运机器人的空车运行时间、Tm表示搬运机器人的满车运行 时间、Tz表示搬运机器人的对接时间，Th表示搬运机器人的单次换电耗 时，Th3表示搬运机器人的单次换电耗时，Sm表示搬运机器人的单位电 量满载续航里程，Sk表示搬运机器人的单位电量空载续航里程，Count *β表示搬运机器人的多机交汇的交管时间，Count表示数量，β表示交管效率系数；

Th1表示喷涂机器人的单次换电耗时、Q1表示喷涂机器人的电量、 C1表示喷涂机器人的喷涂单位面积的耗电量，α表示喷涂机器人的环境 影响系数；

Th2表示搅拌机器人的单次换电耗时、Q2表示搅拌机器人的电量， γ表示搅拌机器人的环境影响系数。在该示例中，α、β、γ均可通过 计算模型得到。

实施例四

请参阅图4，图4是本申请实施例公开的一种计算模型构建装置的结 构示意图。如图4所示，该计算模型构建装置包括：

获取模块401，用于获取至少一台设备的相关数据；

第一数据分析模块402，用于对相关数据进行数据分析并得到相关 数据中的每类数据的影响因素值；

第二数据分析模块403，用于对相关数据进行数据分析并得到相关 数据中的每类数据的关系系数；

构建模块404，用于根据每类数据的影响因素值和每类数据的关系 系数构建计算模型。

在本申请实施例中，计算模型构建装置通过执行计算模型构建方法， 能够获取至少一台设备的相关数据能够得到每类数据的影响因素值和关 系系数，进而能够构建计算模型。

作为一种可选的实施方式，相关数据包括设备的单机执行任务数据 及设备的多机协作任务数据。相应地，

以及，第一数据分析模块402执行对相关数据进行数据分析并得到 相关数据中的每类数据的影响因素值的具体方式为：

根据控制单一变量法计算单机执行任务数据中的每个数据的影响因 素值，并将单机执行任务数据中的每个数据的影响因素值的算术平均值 作为单机执行任务数据的影响因素值；

对多机协作任务数据的每个数据进行分析得出多机协作任务数据的 影响因数值。

在本可选的实施方式中，根据控制单一变量法计算单机执行任务数 据中的每个数据的影响因素值，与此同时，对多机协作任务数据的每个 数据进行分析得出多机协作任务数据的影响因数值。

在本可选的实施方式中，相关数据还包括自动化设备的相关技术参 数、环境的相关参数。进一步地，自动化设备的相关技术参数包括但不 限于电量、电池、续航时间、载重、运行速度、运行时间。进一步地， 环境的相关参数包括但不限于楼盘类型、过道大小、各自动化设备需要 工作的区域大小。

作为一种可选的实施方式，单机执行任务数据至少包括满载运行时 间、空载运行时间中的一项；以及，多机协作任务数据至少包括各机器 人对接时间、多机交管时间、各机器人不同状态下的完成任务总耗时中 的一项。

在本可选的实施方式中，由于单机执行任务数据至少包括满载运行 时间、空载运行时间中的一项，进而计算模型的构建能够考设备的满载 运行时间、空载运行时间等因素对任务完成效率的影响，进而使得计算 模型更加精确。另一方面，通过考虑多机协作任务数据的各机器人对接 时间、多机交管时间、各机器人不同状态下的完成任务总耗时等数据， 能够进一步提高计算模型的精确度。

作为一种可选的实施方式，第二数据分析模块403执行对相关数据 进行数据分析并得到相关数据中的每类数据的关系系数的具体方式为：

统计相关数据中的每类数据在相关数据中出现占比；

根据出现占比确定相关数据中的每类数据的关系系数。

在本可选的实施方式中，通过每类数据的出现占比可确定每类数据 的关系系数，进而可确定每类数据对任务完成的影响程度，从而能够使 得计算模型更加精确。

作为一种可选的实施方式，本申请实施例的计算模型构建装置还包 括数据清洗模块405，其中，数据清洗模块405用于对相关数据进行数 据清洗，以过滤相关数据中的异常数据。

在本可选的实施方式中，通过对相关数据进行数据清洗，能够去除 相关数据中的异常数据，进而得到具有参考价值的数据，从而可基于该 具有参考价值的数据构建计算精确度更高的计算模型。

实施例五

请参阅图5，图5是本申请实施例公开的一种配置计算装置的结构示 意图。如图5所示，该配置计算装置包括：

接收模块501，用于接收目标任务的设置参数和至少一种设备的标 识信息，其中，目标任务的设置参数至少包括目标任务的预计完成时和 目标任务的任务量；

计算模块502，用于根据标识信息、任务量、标识信息和计算模型 计算目标任务的配置数据。

在本申请实施例中，配置计算装置通过执行配置计算方法，能够在 接收目标任务的设置参数和至少一种设备的标识信息时，能够通过计算 模型计算出完成目标任务所需的配置数据，这样一来，就能够使得每台 设备能够更加高效地完成任务及每台设备之间的协作更加高效。

示例性地，假设需要完成一个砂浆喷涂任务，砂浆喷涂任务需要搅 拌机器人、搬运机器人、喷涂机器人三个种类机器人的协作共同完成。 进一步假设，该砂浆喷涂任务的任务量是20T(T是任务量单位)、规定 完成时间是1H(H是时间单位)，搅拌机器人的工作1H的搅拌量是4T, 搬运机器人工作1H的搬运量是T，喷涂机器人工作1H的喷涂量是2T， 此时有：

需要的喷涂机器人数量是Count1＝20T/(Th1*(Q1/C1)*α)；

需要的搅拌机器人数量是Count2＝20T/(Th2*(Q2/C2)*γ)；

需要的搬运机器人数量是Count3＝20T/(Tk+Tm+Tz+(Th3* (Q3/(Sm+Sk)/2))+Count*β)，其中：

Tk表示搬运机器人的空车运行时间、Tm表示搬运机器人的满车运行 时间、Tz表示搬运机器人的对接时间，Th表示搬运机器人的单次换电耗 时，Th3表示搬运机器人的单次换电耗时，Sm表示搬运机器人的单位电 量满载续航里程，Sk表示搬运机器人的单位电量空载续航里程，Count *β表示搬运机器人的多机交汇的交管时间，Count表示数量，β表示交管效率系数；

Th1表示喷涂机器人的单次换电耗时、Q1表示喷涂机器人的电量、 C1表示喷涂机器人的喷涂单位面积的耗电量，α表示喷涂机器人的环境 影响系数；

Th2表示搅拌机器人的单次换电耗时、Q2表示搅拌机器人的电量， γ表示搅拌机器人的环境影响系数。在该示例中，α、β、γ均可通过 计算模型得到。

实施例六

请参阅图6，图6是本申请实施例公开的一种计算模型构建及配置计 算设备的结构示意图。如图6所示，该计算模型构建及配置计算设备包括：

处理器602；以及

存储器601，配置用于存储机器可读指令，指令在由处理器602执 行时，使得处理器602执行本申请实施一、实施二公开的计算模型构建 方法及本申请实施三公开的配置计算方法。

本申请实施例的计算模型构建及配置计算设备通过执行计算模型构 建方法和配置计算方，能够获取至少一台设备的相关数据能够得到每类 数据的影响因素值和关系系数，进而能够构建计算模型，另一方面，在 接收目标任务的设置参数和至少一种设备的标识信息时，能够通过计算 模型计算出完成目标任务所需的配置数据，这样一来，就能够使得每台 设备能够更加高效地完成任务及每台设备之间的协作更加高效。

实施例七

本申请实施例公开一种存储介质，存储介质存储有计算机程序，计 算机程序被处理器执行时执行本申请实施一、实施二公开的计算模型构 建方法及本申请实施三公开的配置计算方法。

本申请实施例的存储介质通过执行计算模型构建方法和配置计算方， 能够获取至少一台设备的相关数据能够得到每类数据的影响因素值和关 系系数，进而能够构建计算模型，另一方面，在接收目标任务的设置参 数和至少一种设备的标识信息时，能够通过计算模型计算出完成目标任 务所需的配置数据，这样一来，就能够使得每台设备能够更加高效地完 成任务及每台设备之间的协作更加高效。

在本申请所公开的几个实施例中，应该理解到，所揭露的装置和方法， 也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的， 例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方 法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流 程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模 块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的 功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实 际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉 及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框 图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的 基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个 独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集 成形成一个独立的部分。

功能如果以软件功能模块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，定位基站， 或者网络设备等)执行本申请各个实施例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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者 光盘等各种可以存储程序代码的介质。

以上仅为本申请的实施例而已，并不用于限制本申请的保护范围，对 于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的 精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申 请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类 似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要 对其进行进一步定义和解释。

以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于 此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易 想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保 护范围应以权利要求的保护范围为准。

需要说明的是，在本文中，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)

1.一种计算模型构建方法，其特征在于，所述方法包括：

获取至少一台设备的相关数据；

对所述相关数据进行数据分析并得到所述相关数据中的每类数据的影响因素值；

对所述相关数据进行数据分析并得到所述相关数据中的每类所述数据的关系系数；

根据每类所述数据的影响因素值和每类所述数据的关系系数构建计算模型。

2.如权利要求1所述的方法，其特征在于，所述相关数据包括所述设备的单机执行任务数据及所述设备的多机协作任务数据；

以及，对所述相关数据进行数据分析并得到所述相关数据中的每类数据的影响因素值，包括：

根据控制单一变量法计算所述单机执行任务数据中的每个数据的影响因素值，并将所述单机执行任务数据中的每个数据的影响因素值的算术平均值作为所述单机执行任务数据的影响因素值；

对所述多机协作任务数据的每个数据进行分析得出所述多机协作任务数据的影响因数值。

3.如权利要求2所述的方法，其特征在于，所述单机执行任务数据至少包括满载运行时间、空载运行时间中的一项；

以及，所述多机协作任务数据至少包括各机器人对接时间、多机交管时间、各机器人不同状态下的完成任务总耗时中的一项。

4.如权利要求1所述的方法，其特征在于，对所述相关数据进行数据分析并得到所述相关数据中的每类所述数据的关系系数，包括：

统计所述相关数据中的每类所述数据在所述相关数据中的出现占比；

根据所述出现占比确定所述相关数据中的每类所述数据的关系系数。

5.如权利要求1所述的方法，其特征在于，在获取至少一台设备的相关数据，对所述相关数据进行数据分析并得到所述相关数据中的每类数据的影响因素值之前，所述方法还包括：

对所述相关数据进行数据清洗，以过滤所述相关数据中的异常数据。

6.一种配置计算方法，其特征在于，所述方法包括：

接收目标任务的设置参数和至少一种设备的标识信息，其中，所述目标任务的设置参数至少包括所述目标任务的预计完成时间和所述目标任务的任务量；

根据所述标识信息、所述任务量、所述标识信息和如权利要求1-5任一项所述的计算模型计算所述目标任务的配置数据。

7.一种计算模型构建装置，其特征在于，所述装置包括：

获取模块，用于获取至少一台设备的相关数据；

第一数据分析模块，用于对所述相关数据进行数据分析并得到所述相关数据中的每类数据的影响因素值；

第二数据分析模块，用于对所述相关数据进行数据分析并得到所述相关数据中的每类所述数据的关系系数；

构建模块，用于根据每类所述数据的影响因素值和每类所述数据的关系系数构建计算模型。

8.一种配置计算装置，其特征在于，所述装置包括：

接收模块，用于接收目标任务的设置参数和至少一种设备的标识信息，其中，所述目标任务的设置参数至少包括所述目标任务的预计完成时和所述目标任务的任务量；

计算模块，用于根据所述标识信息、所述任务量、所述标识信息和如权利要求1-5任一项所述的计算模型计算所述目标任务的配置数据。

9.一种计算模型构建及配置计算设备，其特征在于，所述设备包括：

处理器；以及

存储器，配置用于存储机器可读指令，所述指令在由所述处理器执行时执行如权利要求1-5任一项所述的计算模型构建方法及如权利要求6所述的配置计算方法。

10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时执行如权利要求1-5任一项所述的计算模型构建方法及如权利要求6所述的配置计算方法。

Images