CN111680749B - 用于获取点胶机输出结果的方法及装置 - Google Patents
用于获取点胶机输出结果的方法及装置 Download PDFInfo
- Publication number
- CN111680749B CN111680749B CN202010514205.7A CN202010514205A CN111680749B CN 111680749 B CN111680749 B CN 111680749B CN 202010514205 A CN202010514205 A CN 202010514205A CN 111680749 B CN111680749 B CN 111680749B
- Authority
- CN
- China
- Prior art keywords
- dispenser
- operation parameters
- glue
- trained
- parameters
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 239000003292 glue Substances 0.000 claims abstract description 226
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 77
- 238000007599 discharging Methods 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 13
- 230000002787 reinforcement Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 239000000084 colloidal system Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract 1
- 230000009471 action Effects 0.000 description 18
- 230000015654 memory Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010304 firing Methods 0.000 description 3
- 235000015110 jellies Nutrition 0.000 description 3
- 239000008274 jelly Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本申请公开了一种用于获取点胶机输出结果的方法和装置,涉及云计算、深度学习领域。具体实现方案为:将点胶机的运行参数输入预先训练的出胶状态预测模型,确定点胶机以运行参数运行时的出胶状态;响应于确定出胶状态为出胶,将运行参数输入预先训练的胶线特征预测模型,得到点胶机以运行参数运行时输出的胶线的特征信息,将胶线的特征信息确定为点胶机对应于运行参数的输出结果;响应于出胶状态为不出胶,将出胶状态确定为点胶机对应于运行参数的输出结果。通过预先训练的出胶状态预测模型和胶线特征预测模型,无需与真实点胶机进行交互即可获得点胶机的输出结果,降低了获取点胶机输出结果的时间消耗,提高了效率。
Description
技术领域
本申请公开了一种用于获取点胶机输出结果的方法及装置,涉及计算机技术领域,具体涉及人工智能领域。
背景技术
点胶机又称涂胶机、滴胶机,是一种将流体点滴、涂覆于产品表面或产品内部的自动化机器,主要用于产品工艺中的胶水、油漆以及其他液体精确点、注、涂、滴到产品的精确位置。点胶机运行时的运行参数直接关系到其出胶结果,因而在实际使用过程中,针对不同的环境参数和工艺要求,需要对点胶机的运行参数进行调整。点胶机运行参数的调整过程是一个不断交互的过程,首先将运行参数输入点胶机,然后获取点胶机的出胶结果,出胶结果包括点胶机是否出胶以及输出胶线的特征信息,如胶线的宽度、气泡数等,再根据出胶结果调整点胶机的运行参数,直至点胶机的出胶结果达到工艺要求。
相关技术中,获取点胶机出胶结果的方法是将运行参数输入点胶机中,待点胶机运行完毕之后,再对点胶机的出胶结果进行检测。
发明内容
提供了一种用于获取点胶机输出结果的方法、装置、设备以及存储介质。
根据第一方面,提供了一种用于获取点胶机输出结果的方法,该方法包括:将点胶机的运行参数输入预先训练的出胶状态预测模型中,确定点胶机以运行参数运行时的出胶状态;响应于确定出胶状态为出胶,将运行参数输入预先训练的胶线特征预测模型中,得到点胶机以运行参数运行时输出的胶线的特征信息,将胶线的特征信息确定为点胶机对应于运行参数的输出结果;响应于确定出胶状态为不出胶,将出胶状态确定为点胶机对应于运行参数的输出结果。
根据第二方面,提供了一种用于训练点胶机参数调整模型的方法,点胶机参数调整模型为强化学习模型,该方法包括:基于点胶机的运行参数,构建第三样本集;将第三样本集中的第三样本依次输入待训练的点胶机参数调整模型,经由预设的训练步骤得到训练后的点胶机参数调整模型,训练后的点胶机参数调整模型用于调整点胶机的运行参数;所述预设训练步骤包括:基于待训练的点胶机参数调整模型的当前状态,按照预设策略对输入的第三样本进行迭代,得到本次迭代后的点胶机的运行参数;基于预设的奖励函数,获取本次迭代对应的预期累计奖励值;若预期累计奖励值未达到期望奖励值,更新待训练的点胶机参数调整模型的当前状态并继续迭代该第三样本;若预期累计奖励值达到期望奖励值,完成该第三样本的训练步骤,得到更新后的待训练的点胶机参数调整模型;向更新后的待训练的点胶机参数调整模型中输入另一个第三样本,重复以上训练步骤;
其中,待训练的点胶机参数调整模型的当前状态采用如下步骤更新:经由上述用于获取点胶机输出结果的方法,预测出点胶机以迭代后的点胶机的运行参数运行时的输出结果;将预测出的点胶机的输出结果更新为待训练的点胶机参数调整模型的当前状态。
根据第三方面,提供了一种用于调整点胶机参数的方法,该方法包括:将点胶机的初始运行参数输入经由上述用于训练模型的方法训练得到的点胶机参数调整模型,得到点胶机参数调整模型执行迭代步骤后输出的迭代后的点胶机的运行参数;若迭代后的点胶机的运行参数对应的点胶机的输出结果不满足预设条件,基于迭代后的点胶机的运行参数对应的点胶机的输出结果更新点胶机参数调整模型的当前状态,并继续对该迭代后的点胶机的运行参数执行迭代步骤;若迭代后的点胶机的运行参数对应的点胶机的输出结果满足预设条件,将迭代后的点胶机的运行参数确定为点胶机的目标运行参数;其中,迭代后的点胶机的运行参数对应的点胶机的输出结果经由如下步骤获取:将迭代后的点胶机的运行参数输入点胶机,获取点胶机以迭代后的点胶机的运行参数运行时的输出结果;以及,基于迭代后的点胶机的运行参数对应的点胶机的输出结果更新点胶机参数调整模型的当前状态包括:将点胶机以迭代后的点胶机的运行参数运行时的输出结果更新为点胶机参数调整模型的当前状态。
根据第四方面,提供了一种用于获取点胶机输出结果的装置,该装置包括:出胶状态预测模块,将点胶机的运行参数输入预先训练的出胶状态预测模型中,确定点胶机以运行参数运行时的出胶状态;出胶结果确定模块,被配置成通过如下方式确定点胶机对应于运行参数的输出结果:响应于确定出胶状态为出胶,将运行参数输入预先训练的胶线特征预测模型中,得到点胶机以运行参数运行时输出的胶线的特征信息,将胶线的特征信息确定为点胶机对应于运行参数的输出结果;响应于出胶状态为不出胶,将出胶状态确定为点胶机对应于运行参数的输出结果。
根据第五方面,提供了一种用于训练点胶机参数调整模型的装置,所述点胶机参数调整模型为强化学习模型,该装置包括:点胶样本构建模块,被配置成基于点胶机的运行参数,构建第三样本集;点胶机模型训练模块,被配置成将第三样本集中的第三样本依次输入待训练的点胶机参数调整模型,经由预设训练步骤获得训练后的点胶机参数调整模型,该训练后的点胶机参数调整模型用于调整点胶机的运行参数;该模型训练模块被进一步配置成执行如下预设训练步骤:基于待训练的点胶机参数调整模型的当前状态,按照预设策略对输入的第三样本进行迭代,得到本次迭代后的点胶机的运行参数;基于预设环境获取本次迭代对应的预期累计奖励值;若确定预期累计奖励值未达到期望奖励值,更新待训练的点胶机参数调整模型的当前状态并继续迭代该训练样本;若预期累计奖励值达到期望奖励值,完成该第三样本的训练步骤,得到更新后的待训练的点胶机参数调整模型;向更新后的待训练的点胶机参数调整模型中输入另一个第三样本,重复以上训练步骤;其中,模型训练模块包括状态更新模块,被配置成通过如下步骤更新当前状态:经由上述用于获取点胶机输出结果的方法,预测出点胶机以迭代后的点胶机的运行参数运行时的输出结果;将预测出的点胶机的输出结果更新为待训练的点胶机参数调整模型的当前状态。
根据第六方面,提供了一种用于调整点胶机参数的装置,该装置包括:点胶参数调整模块,被配置成通过如下步骤确定点胶机的目标运行参数:将点胶机的初始运行参数输入由上述用于训练模型的方法训练得到的点胶机参数调整模型,得到点胶机参数调整模型执行迭代步骤后,输出的迭代后的点胶机的运行参数;若迭代后的点胶机的运行参数对应的点胶机的输出结果不满足预设条件,基于迭代后的点胶机的运行参数对应的点胶机的输出结果更新点胶机参数调整模型的当前状态,并继续对该迭代后的点胶机的运行参数执行迭代步骤;若迭代后的点胶机的运行参数对应的点胶机的输出结果满足预设条件,将迭代后的点胶机的运行参数确定为点胶机的目标运行参数;出胶结果获取模块,被配置成经由如下步骤获取迭代后的点胶机的运行参数对应的点胶机的输出结果:将迭代后的点胶机的运行参数输入点胶机,获取点胶机以迭代后的点胶机的运行参数运行时的输出结果;结果获取模块还被配置成经由如下步骤更新点胶机参数调整模型的当前状态:将点胶机以迭代后的点胶机的运行参数运行时的输出结果更新为点胶机参数调整模型的当前状态。
根据第七方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当所述一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述用于获取点胶机输出结果的方法。
根据第八方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当所述一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述用于训练模型的方法。
根据第九方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当所述一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述用于调整点胶机参数的方法。
根据第十方面,提供了一种存储计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使所述计算机执行上述用于获取点胶机输出结果的方法。
根据第十一方面,提供了一种存储计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使所述计算机执行上述用于训练模型的方法。
根据第十二方面,提供了一种存储计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使所述计算机执行上述用于调整点胶机参数的方法。
根据本申请的技术解决了相关技术中获取点胶机输出结果耗时较多的问题,将点胶机的运行参数输入预先训练的出胶状态预测模型和胶线特征预测模型中,无需与真实点胶机进行交互即可获得点胶机的输出结果,降低了获取点胶机输出结果的时间消耗,提高了效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请提供的用于获取点胶机输出结果的方法的第一实施例的示意图;
图2是根据本申请提供的用于训练点胶机参数调整模型的方法的第二实施例的示意图;
图3是根据本申请提供的用于训练点胶机参数调整模型的方法的一个应用场景示意图;
图4是根据本申请提供的用于调整点胶机运行参数的方法的第三实施例的示意图;
图5是根据本申请提供的用于调整点胶机运行参数的方法的一个应用场景示意图;
图6是本申请提供的用于获取点胶机输出结果的装置的一个实施例的结构示意图;
图7是本申请提供的用于训练模型的装置的一个实施例的结构示意图;
图8是本申请提供的用于调整点胶机参数的装置的一个实施例的结构示意图;
图9是根据本申请实施例的用于获取点胶机输出结果的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1示出了根据本申请公开的用于获取点胶机输出结果的方法第一实施例的流程图,包括以下步骤:
步骤S101、将点胶机的运行参数输入预先训练的出胶状态预测模型中,确定点胶机以运行参数运行时的出胶状态。
在本实施例中,点胶机的运行参数是指所有影响到点胶机的出胶结果的参数,例如可以包括环境参数和点胶机本身的性能参数,环境参数可以包括温度、湿度等,点胶机本身的性能参数包括胶阀的打开时间、胶阀的关闭时间、胶阀的移动速度、撞针行程等。
在本实施例中,出胶状态用于表征点胶机以输入的运行参数运行时是否能够输出胶线,相应的,出胶状态预测模型的预测结果为“出胶”或“不出胶”。作为示例,出胶状态预测模型可以是分类模型,执行主体将点胶机的运行参数输入出胶状态预测模型,得到的分类结果即为点胶机的出胶状态。
在本实施例的一些可选的实现方式中,该出胶状态预测模型可以经由如下步骤训练得到:基于已标记点胶机对应于运行参数的出胶状态的数据集,构建第一样本集;将第一样本集中的第一样本的运行参数输入预先构建的初始出胶状态预测模型中,将第一样本所标记的点胶机对应于运行参数的出胶状态作为期望输出,训练初始出胶状态预测模型,得到训练后的出胶状态预测模型。其中,第一训练样本的运行参数包括所有影响到点胶机的出胶结果的参数,而第一样本标记的点胶机的出胶状态则为点胶机出胶或不出胶。
作为示例,执行主体可以从网络上获取点胶机的运行参数及其对应的出胶结果,也可以根据技术人员的工作经验或实验记录获取点胶机的运行参数及其对应的出胶结果,每一组运行参数均包括所有影响到点胶机的出胶结果的运行参数,然后将获取到的点胶机的运行参数进行归一化处理,使得每一组运行参数对应一组由数字组成的特征序列,然后将该特征序列对应的出胶结果进行标记,例如用“0”标记该组运行参数对应的点胶机的出胶结果为“不出胶”,用“1”标记该组运行参数对应的点胶机的出胶结果为“出胶”。将一组特征序列和对应的标记组合在一起即构成一个第一样本。初始出胶状态预测模型可以采用分类模型,例如决策树模型、支持向量机模型等等,此处不作限制。将第一样本输入初始出胶状态预测模型,对初始出胶状态预测模型的参数进行优化,得到训练后的出胶状态预测模型。
在本实施例的一些可选的实现方式中,在构建第一样本的过程中,还可以根据技术人员的经验,对获取到的点胶机的运行参数赋予不同的权重,用于表征不同的运行参数对点胶机输出结果的影响程度,例如可以为与点胶机的胶阀相关的参数(例如胶阀的打开时间和关闭时间)设置较大的权重,而对于温度和湿度设置较小的权重,如此可以将技术人员的经验引入出胶状态预测模型中,有助于提高预测出胶状态的准确度。
步骤S102、判断出胶状态是否为出胶,若否,则执行步骤S105;若是则执行步骤S103和步骤S104。
步骤S103、将运行参数输入预先训练的胶线特征预测模型中,得到点胶机以运行参数运行时输出的胶线的特征信息。
在本实施例中,胶线的特征信息可以包括胶线的长度、宽度、断点数、气泡数等多种特征信息,技术人员可以根据胶线的特征信息判断胶线是否满足工艺需求。
在一个具体的示例中,胶线特征预测模型可以采用线性回归模型,执行主体将运行参数输入胶线特征预测模型,预测出胶线的特征信息。
在本实施例的一些可选的实现方式中,预先训练的胶线特征预测模型可以通过如下步骤训练得到:基于已标记点胶机对应于运行参数的胶线特征信息的数据集,构建第二样本集;将第二样本集中的第二样本的运行参数输入预先构建的初始胶线特征预测模型,将第二样本所标记的点胶机对应于运行参数的胶线的特征信息作为期望输出,训练初始胶线特征预测模型,得到训练后的胶线特征预测模型。
步骤S104、将胶线的特征信息确定为点胶机对应于运行参数的输出结果。
步骤S105、将出胶状态确定为点胶机对应于运行参数的输出结果。
结合步骤S104和步骤S105可以看出,在本实施例中,执行主体通过两个存在递进关系的模型获取点胶机的输出结果:首先通过点胶机出胶状态预测模型预测点胶机以输入的运行参数运行时是否能够输出胶线,若预测结果为不出胶,则直接将出胶状态(即不出胶)作为点胶机对应于该运行参数的输出结果;若预测结果为出胶,则继续将该运行参数输入胶线特征预测模型中,由此可以预测出点胶机以该运行参数运行时所输出的胶线的特征信息,并将胶线的特征信息作为点胶机对应于该运行参数的输出结果。
在上述实施例的一些可选的实现方式中,点胶机的运行参数可以进一步包括基于环境参数和性能参数计算得到的关联参数,关联参数用于表征多个单独的运行参数之间的耦合关系对点胶机输出结果的影响。作为示例,根据技术人员的经验可知,胶阀的脉冲次数和每个脉冲的宽度的乘积对点胶机的输出结果存在影响,因而可以将胶阀的脉冲次数和每个脉冲的宽度的乘积作为一个关联参数,经过归一化处理之后,加入到第一样本对应的特征序列中。可以理解的是,上述实施例中的第一样本和第二样本中可以进一步包括基于环境参数和性能参数计算得到的关联参数。
根据本申请提供的用于获取点胶机输出结果的方法,将点胶机的运行参数输入预先训练的出胶状态预测模型和胶线特征预测模型中,无需与真实点胶机进行交互即可获得点胶机的输出结果,降低了获取点胶机输出结果的时间消耗,提高了效率。
继续参考图2,图2示出了本申请提供的用于训练点胶机参数调整模型的方法的第二实施例的流程图,包括以下步骤:
步骤S201、基于点胶机的运行参数,构建第三样本集。
在本实施例中,点胶机参数调整模型为强化学习模型。
在本实施例中,点胶机的运行参数是指所有影响到点胶机的出胶结果的参数,例如可以包括环境参数和点胶机本身的性能参数,环境参数可以包括温度、湿度等,点胶机本身的性能参数包括胶阀的打开时间、胶阀的关闭时间、胶阀的移动速度、撞针行程等。每一个第三样本均包括一组点胶机的运行参数。
作为示例,可以将温度、湿度、胶阀的打开时间、胶阀的关闭时间、胶阀的移动速度、撞针行程等一系列参数值作归一化处理,再按照预设顺序对归一化后得到的数值进行排序,得到的序列即为一个第三样本。
在一个具体的示例中,点胶机的环境参数为温度20℃,湿度30%,胶阀的打开时间为1S,胶阀的关闭时间为2S,胶阀的移动速度为2mm/s,执行主体分别对以上参数进行归一化后得到的数值为:0.04、0.05、0.18、0.36、0.36,按照预设顺序将归一化后的数值进行排序得到的序列:(0.04,0.05,0.18,0.36,0.36),即可作为一个第三样本。
步骤S202、将第三样本集中的第三样本依次输入待训练的点胶机参数调整模型。经由以下步骤得到训练后的点胶机参数调整模型,该训练后的点胶机参数调整模型用于调整点胶机的运行参数。
步骤S203、基于待训练的点胶机参数调整模型的当前状态,按照预设策略对输入的第三样本进行迭代,得到本次迭代后的点胶机运行参数。
在本实施例中,待训练的点胶机参数调整模型的当前状态是指点胶机以迭代后的运行参数运行时的输出结果,执行主体可以通过如下步骤获得:经由上述用于获取点胶机输出结果的方法,预测出点胶机以迭代后的点胶机的运行参数运行时的输出结果;将预测出的点胶机的输出结果更新为待训练的点胶机参数调整模型的当前状态。
预设策略是在构建点胶机参数调整模型时确定的,例如可以是随机迭代策略、马尔科夫策略等。点胶机参数调整模型对输入的数据进行迭代时,根据当前状态和预设策略决定迭代动作。
在本实施例的一些可选的实现方式中,在模型构建阶段,确定迭代策略时还可以引入技术人员对点胶机的先验知识。例如,在实践中,如果点胶机输出的胶线长度过短,则应调整点胶机胶阀的打开时间和关闭时间,将该先验知识引入点胶机参数调整模型的迭代策略中即可实现如下效果:若点胶机参数调整模型根据当前状态判断出胶线的长度较短,则对点胶机运行参数中与胶阀打开时间和关闭时间对应的数值进行迭代。
结合步骤S201中的示例进行举例说明,若待训练的点胶机参数调整模型根据当前状态确定点胶机输出的胶线长度过短,此时,预设的迭代策略所依据的条件概率分布中对应于调整胶阀打开时间和关闭时间的迭代动作概率值较大,表示点胶机参数调整模型对这两个数值的进行迭代的概率也就越大。若预设的迭代步长为0.1,则第三样本(0.04,0.05,0.18,0.36,0.36)经过一次迭代步骤后,可以得到以下序列之一:(0.04,0.05,0.17,0.36,0.36)或(0.04,0.05,0.18,0.37,0.36),即待训练的点胶机参数调整模型分别将对应于胶阀打开时间和关闭时间的数值进行了迭代。
再例如,在另一个实践场景中,技术人员根据点胶机的输出结果判断出当前的运行参数需要进行较大幅度的调整,则会根据自己的经验确定调整幅度。将该先验知识引入点胶机参数调整模型的迭代策略中可以实现如下效果:点胶机参数调整模型可以根据当前状态自适应调整迭代步长。
继续结合步骤S201中的示例进行举例说明,若待训练的点胶机参数调整模型根据当前状态判断出点胶机输出的胶线长度过短,需要对胶阀的关闭时间进行较大幅度的调整(即迭代策略中对应于胶阀的关闭时间的迭代动作概率值最大),预设的迭代步长为0.1,待训练的点胶机参数调整模型可以自适应地将迭代步长调整至0.4,则第三样本(0.04,0.05,0.18,0.36,0.36)经过一次迭代步骤后,得到的迭代后的数据为(0.04,0.05,0.18,0.40,0.36)。
通过引入先验知识构建的点胶机参数调整模型,可以提高点胶机参数调整模型的迭代效率,缩短迭代时间。
步骤S204、基于预设的奖励函数,获取本次迭代对应的预期累计奖励值。
在强化学习模型中,奖励函数是一个期望函数,用于表征强化学习模型的迭代动作与期望的相符程度。每个迭代动作都会得到一个预设的延时奖励值,延时奖励值越高,表示当前迭代动作与期望的相符程度越高,因而可以将奖励值作为强化学习模型的收敛条件。
由于强化学习模型的迭代过程通常包括若干次迭代,当前迭代动作的延时奖励值高不代表后续的迭代动作也会得到较高的延时奖励值,因而,在本实施例中,采用预期累计奖励值作为预训练的点胶机参数调整模型的收敛条件,以更准确地约束预训练的点胶机参数调整模型的迭代动作。
作为示例,执行主体可以通过公式(1)确定预训练的点胶机参数调整模型的预期累计奖励。
vt(s)=Rt+1+γRt+2+γ2Rt+3+…γn-1Rt+n (1)
式中,vt(s)表示预训练的点胶机参数调整模型第t次迭代动作所对应的预期累计奖励,Rt+1表示预训练的点胶机参数调整模型第t次迭代动作的延时奖励值,Rt+n表示预训练的点胶机参数调整模型估计出的第t+n-1次迭代动作的延时奖励值,γ表示奖励衰减因子。
其中,预训练的点胶机参数调整模型可以根据预设的状态转化概率模型,预测出在当前状态下采取迭代动作后,得到下一个状态的概率值,由此可以估计出第t+n-1次迭代动作的延时奖励值Rt+n。
在本实施例的一些可选的实现方式中,在设定迭代动作的奖励值时,还可以引入技术人员的先验知识,将点胶机运行参数的取值范围确定为待训练的点胶机参数调整模型中第三样本的迭代边界,若第三样本的运行参数经过迭代后超出了迭代边界,则赋予该迭代动作一个较大的惩罚值(即取值为负的奖励值),使其回到迭代边界以内并继续迭代,以提高预训练的点胶机参数调整模型的合理性。
步骤S205、判断预期累计奖励值是否达到期望奖励值,若否,执行步骤S206;若是,则执行步骤S207。
在本实施例中,将预期累计奖励值作为预训练的点胶机参数调整模型迭代的收敛条件。
步骤S206、更新待训练的点胶机参数调整模型的当前状态,并跳转回步骤S203。若当前迭代动作所对应的预期累计奖励值小于期望奖励值,表示预训练的点胶机参数调整模型对第三样本的迭代仍不满足终止迭代的条件,需要在此基础上继续迭代动作。
步骤S207、完成该第三样本的训练步骤,得到更新后的待训练的点胶机参数调整模型。
步骤S208、判断是否遍历完第三样本集中所有的第三样本,若否则执行步骤S209,若是则执行步骤S210。
可以理解的是,参与模型训练的样本数据越多,所得到的模型的准确度也就越高。在本实施例中,第三样本集中所有的第三样本被遍历完成,表示所有的第三样本均被用于训练预训练的点胶机参数调整模型,此时可以终止训练。
在本实施例的一些可选的实现方式中,还可以将迭代次数作为终止训练的条件。例如,可以预设迭代次数为100万次,当预训练的点胶机参数调整模型对第三样本的迭代次数累计达到100万次,可以终止训练。
步骤S209、向更新后的待训练的点胶机参数调整模型输入另一个第三样本,并跳转回步骤S203。
步骤S210、得到训练后的点胶机参数调整模型。
接着参考图3,图3示出了本申请提供的用于训练点胶机参数调整模型的方法的一个应用场景示意图。在图3的应用场景中,将第三样本输入待训练的点胶机参数调整模型中,得到迭代后的运行参数,然后通过图1中示出的用于获取点胶机输出结果的方法预测出点胶机以该迭代后的运行参数运行时的输出结果,并将预测出的点胶机的输出结果作为预训练的点胶机参数调整模型下一次迭代的状态。通过预训练的点胶机参数调整模型与图1中所述的方法中包括的点胶机出胶状态预测模型和胶线特征预测模型之间的数据交互,完成对预训练的待训练的点胶机参数调整模型的训练。
根据本期申请用于训练模型的方法,在预训练的点胶机参数调整模型的训练过程中,采用预测出的点胶机的输出结果替代真实的点胶机的输出结果,可以大大缩减模型训练的耗费时间,进而可以使用更多的训练样本对预训练的点胶机参数调整模型进行训练,从而提高了点胶机参数调整模型的准确度。
图4是是根据本申请提供的用于调整点胶机运行参数的方法的第三实施例的流程图,包括以下步骤:
步骤S401、将点胶机的初始运行参数输入预先训练的点胶机参数调整模型。
在本实施例中,预先训练的点胶机参数调整模型为强化学习模型,用于对输入的点胶机的运行参数进行调整,以使得点胶机以调整后的参数运行时输出的胶线满足工艺要求,可以通过上述用于训练模型的方法得到。
在本实施例中,执行主体可以是各种具备数据交互能力的电子设备,其上运行有预先训练的点胶机参数调整模型,通过数据输入接口接收用户输入的点胶机的初始运行参数,并将初始运行参数输入预先训练的点胶机参数调整模型中。
步骤S402、由点胶机参数调整模型执行迭代步骤后,输出迭代后的点胶机运行参数。
步骤S403、判断迭代后的点胶机运行参数对应的点胶机的输出结果是否满足预设条件,若是,则执行步骤S405;若否,则执行步骤S404。
在本实施例中,执行主体可以经由如下步骤获取迭代后的点胶机运行参数对应的点胶机的输出结果:将迭代后的点胶机运行参数输入点胶机,获取点胶机的输出结果。
在一个具体的示例中,执行主体可以与点胶机建立通信连接,通过执行主体以及点胶机的API接口(Application Program Interface,应用程序接口),将迭代后的点胶机的运行参数输入点胶机中,然后由点胶机以该迭代后的点胶机的运行参数自动运行,若点胶机不能出胶,则获取到的迭代后的点胶机运行参数对应的点胶机的输出结果为“不出胶”;若点胶机能够输出胶线,则通过AOI技术(Automated Optical Inspection,自动光学检测)对点胶机输出的胶线进行测量,得到点胶机输出的胶线的特征信息,此时获取到的迭代后的点胶机运行参数对应的点胶机的输出结果为胶线的特征信息,然后由执行主体根据胶线的特征信息判断迭代后的点胶机运行参数对应的点胶机的输出结果是否满足预设条件。
步骤S404、更新点胶机参数调整模型的当前状态,跳转回步骤S402,继续对迭代后的点胶机的运行参数执行迭代步骤。
在本实施例中,执行主体可以经由如下步骤更新点胶机参数调整模型的当前状态:将点胶机以该迭代后的点胶机的运行参数运行时的输出结果更新为点胶机参数调整模型的当前状态,以继续及执行步骤S402,直至获得的迭代后的点胶机的运行参数所对应的点胶机的输出结果满足预设条件。
步骤S405、将迭代后的点胶机运行参数确定为目标运行参数。
若迭代后的点胶机运行参数对应的点胶机的输出结果满足预设条件,表示执行主体本次调整点胶机运行参数的任务已经完成。
继续参考图5,图5示出了根据本申请提供的用于调整点胶机运行参数的方法的一个应用场景示意图,在图5示出的应用场景中,用户将待调整的点胶机的初始运行参数输入执行主体,由执行主体将初始运行参数输入预先训练的点胶机参数调整模型,得到迭代后的运行参数,然后将迭代后的运行参数输入点胶机,并获取点胶机以该迭代后的运行参数运行时的输出结果,再根据点胶机的输出结果判断迭代后的运行参数是否满足预设条件,若不满足则重复上述步骤;若满足,则表示本次调整点胶机运行参数的任务完成。
根据本申请的用于调整点胶机运行参数的方法,通过预先训练的点胶机参数调整模型自动调整点胶机的运行参数,可以代替技术人员根据自身经验手动调节点胶机的运行参数,从而降低了点胶机参数调整过程所消耗的时间,并保证点胶机参数调整的准确度。
下面参考图6,图6是本申请提供的用于获取点胶机输出结果的装置的一个实施例的结构示意图。该电子设备600包括:出胶状态预测模块601,将点胶机的运行参数输入预先训练的出胶状态预测模型中,确定点胶机以运行参数运行时的出胶状态;出胶结果确定模块602,被配置成通过如下方式确定点胶机对应于运行参数的输出结果:响应于确定出胶状态为出胶,将运行参数输入预先训练的胶线特征预测模型中,得到点胶机以运行参数运行时输出的胶线的特征信息,将胶线的特征信息确定为点胶机对应于运行参数的输出结果;响应于出胶状态为不出胶,将出胶状态确定为点胶机对应于运行参数的输出结果。
在本实施例中,该装置还包括出胶状态模型训练模块,被配置成通过如下方式训练得到预先训练的出胶状态预测模型:基于已标记点胶机对应于运行参数的出胶状态的数据集,构建第一样本集;将第一样本集中的第一样本的运行参数输入预先构建的初始出胶状态预测模型中,将第一样本所标记的点胶机对应于运行参数的出胶状态作为期望输出,训练初始出胶状态预测模型,得到训练后的出胶状态预测模型。
在本实施例中,该装置还包括胶线特征预测模型训练模块,被配置成通过如下方式训练得到预先训练的胶线特征预测模型:基于已标记点胶机对应于运行参数的胶线特征信息的数据集,构建第二样本集;将第二样本集中的第二样本的运行参数输入预先构建的初始胶线特征预测模型,将第二样本所标记的点胶机对应于运行参数的胶线特征信息作为期望输出,训练初始胶线特征预测模型,得到训练后的胶线特征预测模型。
在本实施例中,点胶机的运行参数包括:点胶机的环境参数、点胶机本身的性能参数以及基于环境参数和性能参数计算得到的关联参数。
接着参考图7,图7是本申请提供的用于训练模型的装置的一个实施例的结构示意图,该电子设备700包括:点胶样本构建模块701,被配置成基于点胶机的运行参数,构建第三样本集;点胶机模型训练模块702,被配置成将第三样本集中的第三样本依次输入待训练的点胶机参数调整模型,经由预设训练步骤获得训练后的点胶机参数调整模型,该训练后的点胶机参数调整模型用于调整点胶机的运行参数;该模型训练模块被进一步配置成执行如下预设训练步骤:基于待训练的点胶机参数调整模型的当前状态,按照预设策略对输入的第三样本进行迭代,得到本次迭代后的点胶机的运行参数;基于预设环境获取本次迭代对应的预期累计奖励值;若确定预期累计奖励值未达到期望奖励值,更新待训练的点胶机参数调整模型的当前状态并继续迭代该训练样本;若预期累计奖励值达到期望奖励值,完成该第三样本的训练步骤,得到更新后的待训练的点胶机参数调整模型;向更新后的待训练的点胶机参数调整模型中输入另一个第三样本,重复以上训练步骤;其中,模型训练模块包括状态更新模块7021,被配置成通过如下步骤更新当前状态:经由上述用于获取点胶机输出结果的方法,预测出点胶机以迭代后的点胶机的运行参数运行时的输出结果;将预测出的点胶机的输出结果更新为待训练的点胶机参数调整模型的当前状态。
接着参考图8,图8是本申请提供的用于调整点胶机参数的装置的一个实施例的结构示意图,该电子设备800包括:点胶参数调整模块801,被配置成通过如下步骤确定点胶机的目标运行参数:将点胶机的初始运行参数输入由上述用于训练模型的方法训练得到的点胶机参数调整模型,得到点胶机参数调整模型执行迭代步骤后,输出的迭代后的点胶机的运行参数;若迭代后的点胶机的运行参数对应的点胶机的输出结果不满足预设条件,基于迭代后的点胶机的运行参数对应的点胶机的输出结果更新点胶机参数调整模型的当前状态,并继续对该迭代后的点胶机的运行参数执行迭代步骤;若迭代后的点胶机的运行参数对应的点胶机的输出结果满足预设条件,将迭代后的点胶机的运行参数确定为点胶机的目标运行参数;出胶结果获取模块802,被配置成经由如下步骤获取迭代后的点胶机的运行参数对应的点胶机的输出结果:将迭代后的点胶机的运行参数输入点胶机,获取点胶机以迭代后的点胶机的运行参数运行时的输出结果;结果获取模块还被配置成经由如下步骤更新点胶机参数调整模型的当前状态:将点胶机以迭代后的点胶机的运行参数运行时的输出结果更新为点胶机参数调整模型的当前状态。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质。
如图9所示,图9是根据本申请实施例的用于获取点胶机输出结果的方法的电子设备的框图,电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示,该电子设备包括:一个或多个处理器901、存储器902,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器901为例。
存储器902即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的用于获取点胶机输出结果的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用于获取点胶机输出结果的方法。
存储器902作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的计算机可存储介质的方法对应的程序指令/模块(例如,附图6所示的出胶状态预测模块601和出胶结果确定模块602)。处理器901通过运行存储在存储器902中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中用于获取点胶机输出结果的方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据用于获取点胶机输出结果的方法的电子设备的使用所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至用于获取点胶机输出结果的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于获取点胶机输出结果的方法的电子设备还可以包括:输入装置903和输出装置904。处理器901、存储器902、输入装置903和输出装置904可以通过总线或者其他方式连接,图9中以通过总线连接为例。
输入装置903可接收输入的数字或字符信息,以及产生与用于获取点胶机输出结果的方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,将点胶机的运行参数输入预先训练的预测模型中,无需与真实点胶机进行交互即可获得点胶机的输出结果,降低了获取点胶机输出结果的时间消耗,提高了效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
Claims (16)
1.一种用于获取点胶机输出结果的方法,包括:
将点胶机的运行参数输入预先训练的出胶状态预测模型中,确定点胶机以所述运行参数运行时的出胶状态,其中,所述运行参数包括所有影响到点胶机的出胶结果的参数;
响应于确定所述出胶状态为出胶,将所述运行参数输入预先训练的胶线特征预测模型中,得到点胶机以所述运行参数运行时输出的胶线的特征信息,将所述胶线的特征信息确定为点胶机对应于所述运行参数的输出结果;
响应于确定所述出胶状态为不出胶,将所述出胶状态确定为点胶机对应于所述运行参数的输出结果;
其中,所述预先训练的出胶状态预测模型通过如下方式训练得到:基于已标记点胶机对应于运行参数的出胶状态的数据集,构建第一样本集;将所述第一样本集中的第一样本的运行参数输入预先构建的初始出胶状态预测模型中,将所述第一样本所标记的点胶机对应于运行参数的出胶状态作为期望输出,训练所述初始出胶状态预测模型,得到训练后的出胶状态预测模型。
2.根据权利要求1所述的方法,其中,所述预先训练的胶线特征预测模型,通过如下方式训练得到:
基于已标记点胶机对应于运行参数的胶线特征信息的数据集,构建第二样本集;
将所述第二样本集中的第二样本的运行参数输入预先构建的初始胶线特征预测模型,将所述第二样本所标记的点胶机对应于运行参数的胶线的特征信息作为期望输出,训练所述初始胶线特征预测模型,得到训练后的胶线特征预测模型。
3.根据权利要求2所述的方法,其中,点胶机的运行参数包括:
点胶机的环境参数、点胶机本身的性能参数以及基于所述环境参数和所述性能参数计算得到的关联参数。
4.一种用于训练点胶机参数调整模型的方法,所述点胶机参数调整模型为强化学习模型,所述方法包括:
基于点胶机的运行参数,构建第三样本集,其中,所述运行参数包括所有影响到点胶机的出胶结果的参数;
将所述第三样本集中的第三样本依次输入待训练的点胶机参数调整模型,经由预设的训练步骤得到训练后的点胶机参数调整模型,所述训练后的点胶机参数调整模型用于调整点胶机的运行参数;
所述预设训练步骤包括:
基于所述待训练的点胶机参数调整模型的当前状态,按照预设策略对输入的第三样本进行迭代,得到本次迭代后的点胶机的运行参数;基于预设的奖励函数,获取本次迭代对应的预期累计奖励值;若所述预期累计奖励值未达到期望奖励值,更新所述待训练的点胶机参数调整模型的当前状态并继续迭代该第三样本;若所述预期累计奖励值达到期望奖励值,完成该第三样本的训练步骤,得到更新后的待训练的点胶机参数调整模型;向所述更新后的待训练的点胶机参数调整模型中输入另一个第三样本,重复以上训练步骤;
其中,所述待训练的点胶机参数调整模型的当前状态采用如下步骤更新:
经由权利要求1至3之一所述的用于获取点胶机输出结果的方法,预测出点胶机以迭代后的点胶机的运行参数运行时的输出结果;
将预测出的点胶机的输出结果更新为所述待训练的点胶机参数调整模型的当前状态。
5.一种用于调整点胶机参数的方法,包括:
将点胶机的初始运行参数输入经由权利要求4所述的方法训练得到的点胶机参数调整模型,得到所述点胶机参数调整模型执行迭代步骤后输出的迭代后的点胶机的运行参数,其中,所述运行参数包括所有影响到点胶机的出胶结果的参数;
若所述迭代后的点胶机的运行参数对应的点胶机的输出结果不满足预设条件,基于所述点胶机的输出结果更新所述点胶机参数调整模型的当前状态,并继续对所述迭代后的点胶机的运行参数执行迭代步骤;
若所述迭代后的点胶机的运行参数对应的点胶机的输出结果满足预设条件,停止迭代并将所述迭代后的点胶机的运行参数确定为目标运行参数;
其中,所述迭代后的运行参数对应的点胶机的输出结果经由如下步骤获取:将所述迭代后的点胶机的运行参数输入点胶机,获取点胶机以所述迭代后的点胶机的运行参数运行时的输出结果;以及,基于所述点胶机的输出结果更新所述点胶机参数调整模型的当前状态包括:将所述点胶机以所述迭代后的点胶机的运行参数运行时的输出结果更新为所述点胶机参数调整模型的当前状态。
6.一种用于获取点胶机输出结果的装置,包括:
出胶状态预测模块,将点胶机的运行参数输入预先训练的出胶状态预测模型中,确定点胶机以所述运行参数运行时的出胶状态,其中,所述运行参数包括所有影响到点胶机的出胶结果的参数;
出胶结果确定模块,被配置成通过如下方式确定点胶机对应于所述运行参数的输出结果:
响应于确定所述出胶状态为出胶,将所述运行参数输入预先训练的胶线特征预测模型中,得到点胶机以所述运行参数运行时输出的胶线的特征信息,将所述胶线的特征信息确定为点胶机对应于所述运行参数的输出结果;
响应于确定所述出胶状态为不出胶,将所述出胶状态确定为点胶机对应于所述运行参数的输出结果;
所述装置还包括出胶状态模型训练模块,被配置成通过如下方式训练得到所述预先训练的出胶状态预测模型:基于已标记点胶机对应于运行参数的出胶状态的数据集,构建第一样本集;将所述第一样本集中的第一样本的运行参数输入预先构建的初始出胶状态预测模型中,将所述第一样本所标记的点胶机对应于运行参数的出胶状态作为期望输出,训练所述初始出胶状态预测模型,得到训练后的出胶状态预测模型。
7.根据权利要求6所述的装置,其中,所述装置还包括胶线特征预测模型训练模块,被配置成通过如下方式训练得到所述预先训练的胶线特征预测模型:
基于已标记点胶机对应于运行参数的胶线特征信息的数据集,构建第二样本集;
将所述第二样本集中的第二样本的运行参数输入预先构建的初始胶线特征预测模型,将所述第二样本所标记的点胶机对应于运行参数的胶线特征信息作为期望输出,训练所述初始胶线特征预测模型,得到训练后的胶线特征预测模型。
8.根据权利要求7所述的装置,其中,点胶机的运行参数包括:
点胶机的环境参数、点胶机本身的性能参数以及基于所述环境参数和所述性能参数计算得到的关联参数。
9.一种用于训练点胶机参数调整模型的装置,所述点胶机参数调整模型为强化学习模型,所述装置包括:
点胶样本构建模块,被配置成基于点胶机的运行参数,构建第三样本集,其中,所述运行参数包括所有影响到点胶机的出胶结果的参数;
点胶机模型训练模块,被配置成将所述第三样本集中的第三样本依次输入待训练的点胶机参数调整模型,经由预设的训练步骤得到训练后的点胶机参数调整模型,所述训练后的点胶机参数调整模型用于调整点胶机的运行参数;
所述模型训练模块被进一步配置成执行如下预设训练步骤:
基于所述待训练的点胶机参数调整模型的当前状态,按照预设策略对输入的第三样本进行迭代,得到本次迭代后的点胶机的运行参数;基于预设环境获取本次迭代对应的预期累计奖励值;若所述预期累计奖励值未达到期望奖励值,更新所述待训练的点胶机参数调整模型的当前状态并继续迭代该第三样本;若所述预期累计奖励值达到期望奖励值,完成该第三样本的训练步骤,得到更新后的待训练的点胶机参数调整模型;向所述更新后的待训练的点胶机参数调整模型中输入另一个第三样本,重复以上训练步骤;
其中,所述模型训练模块包括状态更新模块,被配置成通过如下步骤更新所述待训练的点胶机参数调整模型的当前状态:
经由权利要求1至3之一所述的用于获取点胶机输出结果的方法,预测出点胶机以迭代后的点胶机的运行参数运行时的输出结果;
将预测出的点胶机的输出结果更新为所述待训练的点胶机参数调整模型的当前状态。
10.一种用于调整点胶机参数的装置,包括:
点胶参数调整模块,被配置成通过如下步骤确定点胶机的目标运行参数:
将点胶机的初始运行参数输入经由权利要求4所述的方法训练得到的点胶机参数调整模型,得到所述点胶机参数调整模型执行迭代步骤后输出的迭代后的点胶机的运行参数,其中,所述运行参数包括所有影响到点胶机的出胶结果的参数;若所述迭代后的点胶机的运行参数对应的点胶机的输出结果不满足预设条件,基于所述迭代后的点胶机的运行参数对应的点胶机的输出结果更新所述点胶机参数调整模型的当前状态,并继续对所述迭代后的点胶机的运行参数执行迭代步骤;若所述迭代后的点胶机的运行参数对应的点胶机的输出结果满足预设条件,停止迭代并将所述迭代后的点胶机的运行参数确定为点胶机的目标运行参数;
出胶结果获取模块,被配置成经由如下步骤获取所述迭代后的点胶机的运行参数对应的点胶机的输出结果:将所述迭代后的点胶机的运行参数输入点胶机,获取点胶机以所述迭代后的点胶机的运行参数运行时的输出结果;所述结果获取模块还被配置成经由如下步骤更新所述点胶机参数调整模型的当前状态:将点胶机以所述迭代后的点胶机的运行参数运行时的输出结果更新为所述点胶机参数调整模型的当前状态。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
12.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求4中所述的方法。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求5中所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求4中所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求5中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010514205.7A CN111680749B (zh) | 2020-06-08 | 2020-06-08 | 用于获取点胶机输出结果的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010514205.7A CN111680749B (zh) | 2020-06-08 | 2020-06-08 | 用于获取点胶机输出结果的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680749A CN111680749A (zh) | 2020-09-18 |
CN111680749B true CN111680749B (zh) | 2023-11-07 |
Family
ID=72454066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010514205.7A Active CN111680749B (zh) | 2020-06-08 | 2020-06-08 | 用于获取点胶机输出结果的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680749B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947339A (zh) * | 2021-02-22 | 2021-06-11 | 同济大学 | 一种基于性能指标的半导体生产线动态调度方法 |
CN112947264A (zh) * | 2021-04-21 | 2021-06-11 | 苏州希盟科技股份有限公司 | 点胶机控制方法、装置、电子设备及介质 |
CN114323725A (zh) * | 2022-01-26 | 2022-04-12 | 深圳市信润富联数字科技有限公司 | 点胶机健康度检测方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200827040A (en) * | 2006-12-29 | 2008-07-01 | Ind Tech Res Inst | Real-time dispenser fault detection and classification method |
CN101875040A (zh) * | 2010-02-09 | 2010-11-03 | 配天(安徽)电子技术有限公司 | 点胶控制方法及点胶机和相关装置 |
CN102764718A (zh) * | 2011-05-03 | 2012-11-07 | 深圳市腾盛流体控制设备有限公司 | 点胶机以及控制点胶机点胶的方法 |
CN107812674A (zh) * | 2017-12-07 | 2018-03-20 | 沈阳理工大学 | 一种汽车配件涂胶量自动控制装置及控制方法 |
CN109174559A (zh) * | 2018-10-10 | 2019-01-11 | 微云(武汉)科技有限公司 | 一种点胶机调试控制系统和方法 |
CN110170426A (zh) * | 2019-06-25 | 2019-08-27 | 常州铭赛机器人科技股份有限公司 | 精密点胶控制器及其出胶控制方法 |
CN110598761A (zh) * | 2019-08-26 | 2019-12-20 | 深圳大学 | 一种点胶检测方法、装置及计算机可读存储介质 |
CN110783206A (zh) * | 2019-11-08 | 2020-02-11 | 珠海景旺柔性电路有限公司 | 高厚度连接器点胶包裹焊脚的方法 |
CN110773378A (zh) * | 2018-07-30 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 点胶方法、设备、系统、服务端装置及存储介质 |
CN111230887A (zh) * | 2020-03-10 | 2020-06-05 | 合肥学院 | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7233320B1 (en) * | 1999-05-25 | 2007-06-19 | Silverbrook Research Pty Ltd | Computer system interface surface with reference points |
-
2020
- 2020-06-08 CN CN202010514205.7A patent/CN111680749B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200827040A (en) * | 2006-12-29 | 2008-07-01 | Ind Tech Res Inst | Real-time dispenser fault detection and classification method |
CN101875040A (zh) * | 2010-02-09 | 2010-11-03 | 配天(安徽)电子技术有限公司 | 点胶控制方法及点胶机和相关装置 |
CN102764718A (zh) * | 2011-05-03 | 2012-11-07 | 深圳市腾盛流体控制设备有限公司 | 点胶机以及控制点胶机点胶的方法 |
CN107812674A (zh) * | 2017-12-07 | 2018-03-20 | 沈阳理工大学 | 一种汽车配件涂胶量自动控制装置及控制方法 |
CN110773378A (zh) * | 2018-07-30 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 点胶方法、设备、系统、服务端装置及存储介质 |
CN109174559A (zh) * | 2018-10-10 | 2019-01-11 | 微云(武汉)科技有限公司 | 一种点胶机调试控制系统和方法 |
CN110170426A (zh) * | 2019-06-25 | 2019-08-27 | 常州铭赛机器人科技股份有限公司 | 精密点胶控制器及其出胶控制方法 |
CN110598761A (zh) * | 2019-08-26 | 2019-12-20 | 深圳大学 | 一种点胶检测方法、装置及计算机可读存储介质 |
CN110783206A (zh) * | 2019-11-08 | 2020-02-11 | 珠海景旺柔性电路有限公司 | 高厚度连接器点胶包裹焊脚的方法 |
CN111230887A (zh) * | 2020-03-10 | 2020-06-05 | 合肥学院 | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111680749A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680749B (zh) | 用于获取点胶机输出结果的方法及装置 | |
CN111667054B (zh) | 生成神经网络模型的方法、装置、电子设备以及存储介质 | |
JP7059471B2 (ja) | 分類モデルのトレーニング方法、使用方法、装置、設備、媒体、及びプログラム | |
CN111488971B (zh) | 神经网络模型搜索方法及装置、图像处理方法及装置 | |
CN112579758A (zh) | 模型训练方法、装置、设备、存储介质和程序产品 | |
CN111311321B (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
CN111738419B (zh) | 神经网络模型的量化方法和装置 | |
CN111460384B (zh) | 策略的评估方法、装置和设备 | |
US20210232986A1 (en) | Parking lot free parking space predicting method, apparatus, electronic device and storage medium | |
JP7223048B2 (ja) | タスク計算量決定方法、装置、電子機器及びコンピュータプログラム製品 | |
CN112559721B (zh) | 人机对话系统的调整方法、装置、设备、介质和程序产品 | |
CN111798114A (zh) | 一种模型训练、订单处理方法、装置、设备及存储介质 | |
CN115390161B (zh) | 基于人工智能的降水预测方法及装置 | |
US20190303787A1 (en) | Adaptive learning rate schedule in distributed stochastic gradient descent | |
CN114818913A (zh) | 决策生成方法和装置 | |
EP3933712A1 (en) | Optimizer learning method and apparatus, electronic device and readable storage medium | |
CN111311000B (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
CN113204614A (zh) | 模型训练方法、优化训练数据集的方法及其装置 | |
CN116562156B (zh) | 一种控制决策模型的训练方法、装置、设备及存储介质 | |
CN112965903A (zh) | 测试方法、装置、电子设备及计算机可读存储介质 | |
CN111582139B (zh) | 一种排污口识别方法、装置、电子设备和存储介质 | |
CN114968520B (zh) | 任务搜索方法及装置、服务器和存储介质 | |
CN111783872B (zh) | 训练模型的方法、装置、电子设备及计算机可读存储介质 | |
CN111767946A (zh) | 医学影像分级模型训练及预测方法、装置、设备及介质 | |
CN114331379B (zh) | 用于输出待办任务的方法、模型训练方法和装置 |
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 |