CN111796513B - 一种数据处理方法及装置 - Google Patents
一种数据处理方法及装置 Download PDFInfo
- Publication number
- CN111796513B CN111796513B CN201910277153.3A CN201910277153A CN111796513B CN 111796513 B CN111796513 B CN 111796513B CN 201910277153 A CN201910277153 A CN 201910277153A CN 111796513 B CN111796513 B CN 111796513B
- Authority
- CN
- China
- Prior art keywords
- variables
- variable
- mapping function
- preset
- general
- 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
Images
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
-
- 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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种数据处理方法及装置,涉及计算机技术领域,主要目的在于提供通用化的优化控制平台,降低优化控制平台的应用成本。本发明主要的技术方案为:将预置变量与通用变量进行关联,所述通用变量是基于至少一个标准变量设置的;根据所述预置变量的取值确定所述通用变量的赋值;利用所述赋值以及预置的映射函数输出结果。本发明主要用于处理优化控制问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据处理方法及装置。
背景技术
数据智能是指基于大数据引擎,通过大规模机器学习和深度学习等技术,对海量数据进行处理、分析和挖掘,提取数据中所包含的有价值的信息和知识,使数据具有“智能”,并通过建立模型寻求现有问题的解决方案以及实现预测等。
目前,在工业领域中的控制与优化过程需要基于不同行业定制化开发相应的优化控制平台,以实现对指定业务流程的优化控制。可见,现有的优化控制平台与业务属性相关,难以复用到其他领域中,对于企业用户而言,并不是每个企业都具有根据自身需求进行定制化开发的能力,导致大量的中小企业无法通过优化控制平台提升业务质量,降低劳动价值的转化。
发明内容
鉴于上述问题,本发明提出了一种数据处理方法及装置,主要目的在于提供通用化的优化控制平台,降低优化控制平台的应用成本。
为达到上述目的,本发明主要提供如下技术方案:
一方面,本发明提供一种数据处理方法,具体包括:
将预置变量与通用变量进行关联,所述通用变量是基于至少一个标准变量设置的;
根据所述预置变量的取值确定所述通用变量的赋值;
利用所述赋值以及预置的映射函数输出结果。
另一方面,本发明提供一种数据处理装置,具体包括:
关联单元,用于将预置变量与通用变量进行关联,所述通用变量是基于至少一个标准变量设置的;
确定单元,用于根据所述预置变量的取值确定所述通用变量的赋值;
处理单元,用于利用所述确定单元得到的赋值以及预置的映射函数输出结果。
另一方面,本发明提供一种存储介质,所述存储介质用于存储计算机程序,其中,所述计算机程序运行时控制所述存储介质所在设备执行上述的数据处理方法。
另一方面,本发明提供一种电子设备,所述电子设备中包括处理器和存储器,所述处理器用于调用所述存储器中的程序指令,以执行上述的数据处理方法。
借由上述技术方案,本发明提供的一种数据处理方法及装置,主要应用于处理优化控制的问题,特别是对工业领域中的不同行业,提出了一种通用化的数据优化控制处理方案,通过设置通用变量,在用户指定的行业中,将用户选择的预置变量与通用变量进行关联,并基于通用变量的赋值,利用预置的映射函数计算优化控制结果,实现不同行业的用户通过使用本行业内的预置变量,求得具有针对性的优化控制结果。基于本发明所提出的通用优化控制处理方案,用户能够配置与本行业相匹配的通用变量,利用预置的映射函数进行计算,无需单独开发优化控制平台来提高业务质量,从而为用户、企业节省了生产控制成本。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提出的一种数据处理方法的流程图;
图2示出了本发明实施例提出的关联预置变量与通用变量的交互界面示意图;
图3示出了本发明实施例提出的一种数据处理装置的组成框图;
图4示出了本发明实施例提出的另一种数据处理装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例提供的一种数据处理方法,主要应用于控制优化平台,使得该控制优化平台能够为多个行业领域的用户提供通用化的优化控制服务。为此,本发明为不同行业的用户提供了通用变量进行优化控制,用户可根据通用变量在控制优化过程中所起到的功能将本行业内的预置变量与通用变量进行关联配置,并利用预置的映射函数去解决对应的优化控制问题。本发明实施例的具体实现方案如图1所示,包括:
步骤101、将预置变量与通用变量进行关联。
一般地,本步骤是基于用户的关联操作执行的,在实际应用中,需要应用优化控制服务的用户会涉及到很多的行业,比如,能源、化工、钢铁等,不同的行业中对于优化控制过程中所使用到的控制变量也存在明显差异。因此,本步骤中,预置变量是指针对某一行业的用户所指定的变量,而通用变量则是基于多个行业内所使用的变量抽象得到的变量。一般情况下,每个行业内在进行优化控制时会使用到多个行业内的标准变量,并且,标准变量在优化控制过程中所具有的功能也有所差异,而本发明中的通用变量就是针对不同标准变量之间的功能性差异,经过总结与抽象后得到的变量。该通用变量可以是一个,也可以是多个。
在针对不同的行业用户时,用户需要根据优化控制的需求选择相关的变量,即指定行业的预置变量,而本步骤则是将用户所选择的预置变量与所定义的通用变量进行关联。具体的,该关联过程不限定为自动关联或者是人工关联。
对于自动关联,可以是基于对用户选中的预置变量的分析,确定其所在优化控制中的具体功能,进而与通用变量的功能进行匹配,匹配成功时,就进行自动关联。而对于人工关联,可以是基于自动关联失败或存在错误的情况下,执行人工关联,也可以是完全基于用户的关联操作进行人工关联。在实际应用中,预置变量与通用变量一般为一对一关联,或者是多个预置变量与一个通用变量关联。
步骤102、根据预置变量的取值确定通用变量的赋值。
其中,预置变量的取值可以是由用户输入的设定值,也可以是采集实时数据得到的采集值。
在优化控制的过程中,涉及到控制的通用变量从功能上划分至少可分为目标变量和动作变量,目标变量为需要用户调节来实现优化控制结果的变量,而动作变量则是为了达到优化控制目标在控制过程中需要调节取值的变量。也就是说,本步骤中对通用变量的赋值一般是指对动作变量的赋值,而目标变量一般不需要赋值,其取值在优化控制的输出结果中。
步骤103、利用赋值以及预置的映射函数输出结果。
其中,本发明实施例中预置的映射函数是指具有输入到输出映射功能的函数、组件或模型。在实际应用中,较为常用的是以组件或模型的形式展示该映射函数,这些组件或模型是基于预置优化算法构建得到的,该预置优化算法可以是根据用户的指定行业进行自动匹配,也可以是由用户在设置的算法库中选择所需的优化算法。同时,这些组件或模型还具有优化学习能力,比如基于神经网络的控制模型或深度学习模型,可以基于已有的样本数据对模型进行优化训练,以提高映射函数输出结果的准确性。
将通用变量及其赋值输入预置的映射函数中进行优化计算,得到输出结果,该输出结果可以是调节目标变量的具体取值,也可以是针对优化目标得到的控制方案,该控制方案中包括对多个变量取值的调节。
此外,映射函数输出的优化控制结果主要为针对目标变量的调整方案时,在实际优化控制过程中,该优化控制结果可以直接作为控制指令,调节业务流程的执行过程,从而优化目标变量的实时数据,进而该实时数据又可以再次作为映射函数的输入,实现控制过程的迭代优化,最终实现优化控制的目标。
通过上述实施例可见,本发明实施例所提供的一种数据处理方法,主要用于处理优化控制问题,通过提供抽象化的通用变量为不同行业领域中使用不同变量的用户提供优化控制的计算服务。让用户通过通用化的控制平台实现有针对性的优化控制,节省了用户在优化控制方面的成本投入。
进一步的,针对上述关于优化控制问题的数据处理方法,在实际应用过程中,本发明的一个优选实施例将其分为了两个阶段:准备阶段和优化阶段。
其中,准备阶段的过程主要是针对预置的映射函数进行训练,使得映射函数的输出结果具有较高的准确性;而优化阶段的过程则是应用训练好的映射函数进行优化计算,输出优化控制结果。一般地,在准备阶段,是利用离线的数据样本训练映射函数,在优化阶段则是利用映射函数在线对实时数据进行分析,计算出优化控制结果。
以下分别对准备阶段和优化阶段进行说明,在此之前,需要说明的是,本发明为了提高解决优化控制问题的通用性,基于对多个行业中的优化控制过程的分析与总结,将不同行业中的变量分类抽象为三种通用变量,分别为:目标变量、动作变量、状态变量,具体的:
目标变量,为映射函数的输入,是控制对象的预期控制目标所对应的变量。其中,控制对象是指在优化控制的过程中指定被优化的具体参数,而预期控制目标就是该参数需要被优化得到的取值。一般的优化控制过程中,针对目标变量会存在两个值,一个为当前值,一个为目标值,比如,将温度由80度提高至100度,温度为控制对象,而80度为当前值,100度为目标值,即预期控制目标,再比如降低单位产品10%的能耗,能耗为控制对象,能耗的取值当前值(假设为100kw),目标值则为当前值的90%(即90kw)。
动作变量,为取值可根据需要进行调节、针对控制对象的控制参数对应的变量,为映射函数的输入,同时映射函数会输出动作变量的调节推荐值。在优化控制过程中,动作变量的作用是通过对其取值的调节,使得目标变量达到其设定的预期控制目标。其中,调节推荐值是经过映射函数的计算得到的动作变量取值。比如,若目标变量是将温度由80度提高至100度时,首先确定与温度(控制对象)相关联的控制参数,假设该控制参数为给煤量、进风量,那么,给煤量、进风量就是该优化控制过程中的动作变量,在映射函数计算时,需要将动作变量的当前值输入映射函数,如给煤量为A、进风量为B,即映射函数需要计算的是当前温度为80度,对应的动作变量输入为A、B时,要将温度升高到100度时,计算给煤量、进风量对应的调节值,该调节值为映射函数的输出(如给煤量为A1,进风量为B1)。需要说明的是,在一些比较复杂的优化控制过程中,动作变量的调节需要步进式调节,因此,其调节过程一般无法通过一次调节完成,而是需要根据多个动作变量调节量通过多轮的调节实现目标变量的预期控制目标。
状态变量,控制对象的状态或者控制对象所处环境的状态对应的变量,不可根据需要来人为调节,作为映射函数的输入。在优化控制过程中,状态变量的作用主要是用于限定与目标变量相关的环境参数,并且这些参数的取值是不可调节的,比如,要调节温度时,设定温度对应的状态变量为压力,也就是说,在相同的压力值下,对温度进行调节,该压力值为实际的测量值。在映射函数计算过程中,也需要将该压力值作为输入参与优化控制计算。
通过上述的说明可以看出,目标变量、动作变量、状态变量在优化控制过程中彼此关联的变量,通过状态变量限定优化控制过程中不可调节的参数值,在此基础上,通过计算动作变量的调节推荐值,实现对目标变量的优化控制,使其达到预期控制目标。
通过以上抽象化的状态变量、目标变量、动作变量,具体实现对预置映射函数的离线训练过程如下:
首先,根据关联的通用变量获取样本数据。
其中,样本数据的来源可以是用户提供的数据,也可以用户通过优化控制平台提供的云数据服务所指定的数据。这些样本数据均为离线数据。
用户在基于通用变量获取样本数据时,具体可通过本发明提供的交互界面实现,该交互界面如图2所示,该界面中主要分为左、中、右3个部分,其中,左边展示了用户可选择的指定行业内的标准变量集合,即图中的“数据字典”,中间部分为展示用户执行关联操作的配置界面,在该部分界面中,用户可以通过在数据字典中选择指定行业中涉及优化控制的标准变量,即预置变量,并将预置变量与通用变量进行关联,图中以连线的方式为例示意了所建立的关联关系,从图中可以看出,针对某一类通用变量,如状态变量、动作变量,可以同时关联多个标准变量。图2中的右边则是针对所关联的标准变量进行赋值的操作界面。此外,用户在该交互界面的右边还可以对映射函数进行具体的配置,即图中的“算法配置”,其中,用户对于具体的优化算法可以进行个性化的调节,以便在进行优化控制时更加符合自身需求。
需要说明的是,本发明实施例中所抽象出的通用变量是以变量在优化控制过程中所具有的功能进行分类的,对于其变量名称不做具体限定,比如,对于状态变量,也可以称为扰动变量(输入)、不可调节变量(输入)等,对于动作变量,也可称为可调节输入(变量),推荐参数输入(变量)、操作输入(变量)等,对于目标变量,也可称为被控目标输入(变量),控制目标输入(变量),优化目标输入(变量)等。
基于图2所示的交互界面,用户可实现对通用变量的关联、赋值等操作,而根据所确定的通用变量及其赋值,就可以获取符合配置的离线样本数据。
之后,利用所获取的样本数据对映射函数进行训练。其中,该映射函数可以是自动匹配的算法配置,也可以是用户指定的算法配置。
进一步的,为了提高映射函数的训练效果,本发明实施例还在离线训练映射函数之前,在交互界面中设置有时间变量,该时间变量用于设置样本数据的生成时间,用户可以通过时间变量设定具体的时间或时间段,实现对样本数据的筛选,比如,用户可以指定使用近一个月内所得到的离线数据作为训练样本训练优化控制模型。
基于上述的离线训练过程,在完成对映射函数的训练后,用户就可以使用该映射函数针对实时数据进行优化控制。在本发明的优选实施例中,在使用映射函数之前,为了提高优化控制结果的准确性,还可以对映射函数的训练结果进行识别判断,一般地,映射函数在训练完成后,会得到对应的训练报告,其中记录有该映射函数输出结果的准确度、收敛性、收敛速度等指标,根据这些指标可以判断该映射函数是否可用,若可用,则执行优化控制过程,即获取通用变量的赋值,该赋值为预置变量基于实时数据的取值,再将通用变量及其赋值输入该映射函数,并将映射函数的输出确定为优化控制的结果。若不可用,则需要提示用户需要对该映射函数进行再训练,以提高该映射函数的输出准确性。
具体在使用映射函数对实时数据进行优化控制的过程中,也可以基于交互界面对优化过程中的通用变量进行关联设置,其交互界面与图2的中间部分相类似,用户可以配置预置变量与通用变量的关联关系。需要特别说明的是,在优化阶段所配置的关联关系要基于准备阶段所配置的关联关系进行设置,也就是说,优化过程所建立的关联关系不能超出映射函数训练时所建立的关联关系,比如,图2中,在训练模型时使用的3个标准变量与动作变量相关联,基于此,在优化控制阶段,可以保持这3个标准变量与动作变量的关联关系,也可以在这3个中选择至少一个标准变量与动作变量进行关联,但是不能够新增加标准变量与该动作变量的关联关系。
进一步的,在本发明的一个优选实施例中,由于用户在预设的映射函数的离线训练阶段与在线优化阶段均可以配置预置变量与通用变量的关联关系。对于优化控制较为复杂的行业领域,针对用户所配置的关联关系也会更为复杂,为了降低用户在每次使用时都进行重复的关联关系配置,本发明实施例还提供配置文件的存储共享服务,即用户能够存储所配置的关联关系,方便在以后的应用中随时调用该配置,或基于该配置进行局部调整。具体的,在将预置变量与通用变量进行关联之后,根据用户的保存操作存储该关联关系,并将关联关系转化为对应的变量配置文件,该变量配置文件对应于用户在在的具体行业领域,在图2中,用户所配置的变量配置文件将对应于数据字典确定的标准标量集合,之后,共享该变量配置文件,以便该指定行业内的其他用户在具有相似优化控制需求时,能够直接加载该变量配置文件得到该关联关系。
综合上述实施例中所提出的数据处理方法,在解决优化控制问题的实际应用中,可以由一个通用的优化控制平台向不同行业的用户提供优化控制服务,对于优化控制问题,比如常见于工业生产领域中的过程优化控制,不同的行业,如能源、化工、钢铁、水泥等,在其各自行业的优化控制中都具有不同的标准变量,本发明是通过整合不同行业中具有相同功能的标准变量,将其抽象化为通用变量,让用户在使用该优化控制平台时,能够将本行业中的标准变量与通用变量进行关联配置,并利用预置的映射函数计算出优化控制结果。由此可见,对于中小型企业用户而言,使用该优化控制平台提供的优化控制服务所需的成本要远低于定制化的优化控制平台,在达到相同优化控制目的下,通过本发明可以大大降低企业的运营成本。
进一步的,作为对上述图1所示方法的实现,本发明实施例提供了一种数据处理装置,该装置主要用于创建智能化的数据融合流程,降低人工参与度,提高数据融合的效率。为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。该装置如图3所示,具体包括:
关联单元21,用于将预置变量与通用变量进行关联,所述通用变量是基于至少一个标准变量设置的;
确定单元22,用于根据所述预置变量的取值确定所述通用变量的赋值;
处理单元23,用于利用所述确定单元22得到的赋值以及预置的映射函数输出结果。
进一步的,所述关联单元21关联的通用变量具体包括:
目标变量,为映射函数的输入,是控制对象的预期控制目标所对应的变量;
动作变量,为取值可根据需要进行调节、针对控制对象的控制参数对应的变量,为映射函数的输入,同时映射函数会输出动作变量的调节推荐值;
状态变量,控制对象的状态或者控制对象所处环境的状态对应的变量,不可根据需要来人为调节,作为映射函数的输入。
进一步的,如图4所示,所述关联单元21包括:
第一展示模块211,用于展示用户选中的标准变量集合;
第二展示模块212,用于在配置界面中展示用户从所述第一展示模块211展示的标准变量集合中选中的预置变量,所述配置界面中还展示有所述通用变量;
关联模块213,用于根据用户的关联操作建立所述第二展示模块212展示的预置变量与通用变量的关联关系。
进一步的,如图4所示,所述关联单元21还包括:
生成模块214,用于存储所述关联关系,将所述关联关系转化为对应所述标准变量集合的变量配置文件;
分享模块215,用于共享所述生成模块214得到的变量配置文件,以便其他用户加载并配置所述关联关系。
进一步的,如图4所示,所述装置还包括:
样本获取单元24,用于根据所述关联单元21关联的通用变量获取样本数据;
训练单元25,用于利用所述样本获取单元24得到的样本数据训练所述映射函数。
进一步的,如图4所示,所述样本获取单元24包括:
获取模块241,用于获取时间变量,所述时间变量用于指定样本数据的生成时间;
筛选模块242,用于利用所述获取模块241得到的时间变量筛选所述样本数据。
进一步的,如图4所示,所述优化处理单元23包括:
判断模块231,用于根据所述映射函数的训练结果,判断所述映射函数是否可用;
获取模块232,用于若所述判断模块231确定所述映射函数可用,则获取通用变量的赋值,所述赋值为预置变量在基于实时数据的取值;
处理模块233,用于将所述获取模块232获取的通用变量及其赋值输入所述映射函数,获取映射函数的输出结果。
进一步的,本发明实施例还提供了处理器,该处理器用于运行程序,其中,所述程序运行时执行如图1所述的数据处理方法。
另外,本发明实施例还提供了一种电子设备,该电子设备中包括处理器和存储器,存储器用于存储程序,处理器耦合至所述存储器,用于运行所述程序,以执行如图1所述的数据处理方法。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法及装置中的相关特征可以相互参考。另外,上述实施例中的“第一”、“第二”等是用于区分各实施例,而并不代表各实施例的优劣。
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,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外,存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (16)
1.一种数据处理方法,其特征在于,所述方法包括:
将预置变量与通用变量进行关联,所述通用变量是基于至少一个标准变量设置的,其中,所述预置变量是在针对不同的行业用户时,用户根据优化控制的需求选择相关的变量,所述通用变量是基于多个行业内所使用的标准变量抽象得到的变量;
根据所述预置变量的取值确定所述通用变量的赋值;
利用所述赋值以及预置的映射函数输出结果。
2.根据权利要求1所述的方法,其特征在于,所述通用变量包括:
目标变量,为映射函数的输入,是控制对象的预期控制目标所对应的变量;
动作变量,为取值可根据需要进行调节、针对控制对象的控制参数对应的变量,为映射函数的输入,同时映射函数会输出动作变量的调节推荐值;
状态变量,控制对象的状态或者控制对象所处环境的状态对应的变量,不可根据需要来人为调节,作为映射函数的输入。
3.根据权利要求1或2所述的方法,其特征在于,所述将预置变量与通用变量进行关联,具体包括:
展示用户选中的标准变量集合;
在配置界面中展示用户从所述标准变量集合中选中的预置变量,所述配置界面中还展示有所述通用变量;
根据用户的关联操作建立预置变量与通用变量的关联关系。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
存储所述关联关系,将所述关联关系转化为对应所述标准变量集合的变量配置文件;
共享所述变量配置文件,以便其他用户加载并配置所述关联关系。
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:
根据关联的通用变量获取样本数据;
利用所述样本数据训练所述映射函数。
6.根据权利要求5所述的方法,其特征在于,根据关联的通用变量获取样本数据,具体包括:
获取时间变量,所述时间变量用于指定样本数据的生成时间;
利用所述时间变量筛选所述样本数据。
7.根据权利要求5所述的方法,其特征在于,利用所述赋值以及预置的映射函数输出结果,包括:
根据映射函数的训练结果,判断所述映射函数是否可用;
若可用,则获取通用变量的赋值,所述赋值为预置变量基于实时数据的取值;
将所述通用变量及其赋值输入所述映射函数,获取所述映射函数的输出结果。
8.一种数据处理装置,其特征在于,所述装置包括:
关联单元,用于将预置变量与通用变量进行关联,所述通用变量是基于至少一个标准变量设置的,其中,所述预置变量是在针对不同的行业用户时,用户根据优化控制的需求选择相关的变量,所述通用变量是基于多个行业内所使用的标准变量抽象得到的变量;
确定单元,用于根据所述预置变量的取值确定所述通用变量的赋值;
处理单元,用于利用所述确定单元得到的赋值以及预置的映射函数输出结果。
9.根据权利要求8所述的装置,其特征在于,所述关联单元关联的通用变量具体包括:
目标变量,为映射函数的输入,是控制对象的预期控制目标所对应的变量;
动作变量,为取值可根据需要进行调节、针对控制对象的控制参数对应的变量,为映射函数的输入,同时映射函数会输出动作变量的调节推荐值;
状态变量,控制对象的状态或者控制对象所处环境的状态对应的变量,不可根据需要来人为调节,作为映射函数的输入。
10.根据权利要求8或9所述的装置,其特征在于,所述关联单元包括:
第一展示模块,用于展示用户选中的标准变量集合;
第二展示模块,用于在配置界面中展示用户从所述第一展示模块展示的标准变量集合中选中的预置变量,所述配置界面中还展示有所述通用变量;
关联模块,用于根据用户的关联操作建立所述第二展示模块展示的预置变量与通用变量的关联关系。
11.根据权利要求10所述的装置,其特征在于,所述关联单元还包括:
生成模块,用于存储所述关联关系,将所述关联关系转化为对应所述标准变量集合的变量配置文件;
分享模块,用于共享所述生成模块得到的变量配置文件,以便其他用户加载并配置所述关联关系。
12.根据权利要求8所述的装置,其特征在于,所述装置还包括:
样本获取单元,用于根据所述关联单元关联的通用变量获取样本数据;
训练单元,用于利用所述样本获取单元得到的样本数据训练所述映射函数。
13.根据权利要求12所述的装置,其特征在于,所述样本获取单元包括:
获取模块,用于获取时间变量,所述时间变量用于指定样本数据的生成时间;
筛选模块,用于利用所述获取模块得到的时间变量筛选所述样本数据。
14.根据权利要求12所述的装置,其特征在于,所述处理单元包括:
判断模块,用于根据映射函数的训练结果,判断所述映射函数是否可用;
获取模块,用于若所述判断模块确定所述映射函数可用,则获取通用变量的赋值,所述赋值为预置变量基于实时数据的取值;
处理模块,用于将所述通用变量及其赋值输入所述映射函数,获取所述映射函数的输出结果。
15.一种计算机可读存储介质,其特征在于,所述存储介质用于存储计算机程序,其中,所述计算机程序运行时控制所述存储介质所在设备执行权利要求1-7中任意一项所述的数据处理方法。
16.一种电子设备,其特征在于,所述电子设备中包括处理器和存储器,所述处理器用于调用所述存储器中的程序指令,以执行权利要求1-7中任意一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910277153.3A CN111796513B (zh) | 2019-04-08 | 2019-04-08 | 一种数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910277153.3A CN111796513B (zh) | 2019-04-08 | 2019-04-08 | 一种数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111796513A CN111796513A (zh) | 2020-10-20 |
CN111796513B true CN111796513B (zh) | 2022-09-09 |
Family
ID=72805713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910277153.3A Active CN111796513B (zh) | 2019-04-08 | 2019-04-08 | 一种数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111796513B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114153313B (zh) * | 2021-11-29 | 2022-10-04 | 苏州密尔光子科技有限公司 | 激光手术器械控制方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441441A (zh) * | 2007-11-21 | 2009-05-27 | 新乡市起重机厂有限公司 | 起重机智能防摇控制系统的设计方法 |
CN102880046A (zh) * | 2012-09-24 | 2013-01-16 | 杭州电子科技大学 | 一种化工多变量过程解耦预测函数控制方法 |
CN102902201A (zh) * | 2012-09-24 | 2013-01-30 | 杭州电子科技大学 | 一种化工多变量过程的解耦状态空间预测控制方法 |
CN104807039A (zh) * | 2015-04-23 | 2015-07-29 | 华北电力大学 | 一种锅炉燃烧优化的变量降维建模方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2227240T3 (es) * | 2000-06-26 | 2005-04-01 | Siemens Aktiengesellschaft | Procedimiento universal para el calculo previo de parametros de procesos industriales. |
CN101110055B (zh) * | 2007-08-31 | 2011-07-13 | 中兴通讯股份有限公司 | 在单元测试中实现通用桩函数的装置及其实现方法 |
CN103605020B (zh) * | 2013-11-14 | 2016-06-08 | 广东电网公司电力科学研究院 | 一种电能质量数据的处理方法和装置 |
CN106682044B (zh) * | 2015-11-11 | 2021-01-15 | 北京国双科技有限公司 | 数据处理的方法及装置 |
CN106897550B (zh) * | 2017-02-04 | 2019-07-09 | 中国石油天然气股份有限公司 | 测井数据处理方法和装置 |
CN107066518B (zh) * | 2017-02-08 | 2021-01-08 | 创新先进技术有限公司 | 数据处理方法及系统 |
-
2019
- 2019-04-08 CN CN201910277153.3A patent/CN111796513B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441441A (zh) * | 2007-11-21 | 2009-05-27 | 新乡市起重机厂有限公司 | 起重机智能防摇控制系统的设计方法 |
CN102880046A (zh) * | 2012-09-24 | 2013-01-16 | 杭州电子科技大学 | 一种化工多变量过程解耦预测函数控制方法 |
CN102902201A (zh) * | 2012-09-24 | 2013-01-30 | 杭州电子科技大学 | 一种化工多变量过程的解耦状态空间预测控制方法 |
CN104807039A (zh) * | 2015-04-23 | 2015-07-29 | 华北电力大学 | 一种锅炉燃烧优化的变量降维建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111796513A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107943463B (zh) | 交互式自动化大数据分析应用开发系统 | |
Pfeiffer et al. | Manufacturing lead time estimation with the combination of simulation and statistical learning methods | |
CN106951576B (zh) | 一种仿真试验评估系统及评估方法 | |
Halenar et al. | Virtualization of production using digital twin technology | |
CN111241073A (zh) | 一种数据质量检查方法及装置 | |
CN113168564A (zh) | 用于生成人工智能模型的方法和系统 | |
CN111796513B (zh) | 一种数据处理方法及装置 | |
CN114091688B (zh) | 一种计算资源获取方法、装置、电子设备和存储介质 | |
Sanyal et al. | Supercomputer assisted generation of machine learning agents for the calibration of building energy models | |
CN113052322A (zh) | 机器学习的建模方法、装置、存储介质和处理器 | |
Rauch et al. | A STEP-NC approach for multi-process manufacturing, simulation and optimisation | |
Turconi et al. | A literature review on lean manufacturing in the industry 4.0: From integrated systems to iot and smart factories | |
Kardos et al. | Methodology and data-structure for a uniform system's specification in simulation projects | |
CN116134387B (zh) | 用于确定工业任务的ai模型的压缩率的方法和系统 | |
CN112149826B (zh) | 深度神经网络推理计算中一种基于Profile图的优化方法 | |
Martínez et al. | A hybrid approach for the initialization of tracking simulation systems | |
Moura et al. | Fuzzy System Modeling for Task Scheduling in Computational Grids | |
Laguionie et al. | A multi-process manufacturing approach based on STEP-NC data model | |
CN108932459A (zh) | 脸部识别模型训练方法和装置及脸部识别方法 | |
Ramnath et al. | Value stream evaluation and simulation to improve material flow and productivity | |
CN112232960A (zh) | 交易应用系统监控方法及装置 | |
Iriondo Pascual et al. | Optimizing ergonomics and productivity by connecting digital human modeling and production flow simulation software | |
CN115293466B (zh) | 基于云端的虚拟化智能配置制造节点的云制造方法及系统 | |
CN111124782A (zh) | 一种智能配置计算机集群的方法及装置 | |
CN116910393B (zh) | 一种基于递归神经网络的大批量新闻数据采集方法 |
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 |