CN112395100A - 一种数据驱动的复杂产品云服务数据包调用方法及系统 - Google Patents
一种数据驱动的复杂产品云服务数据包调用方法及系统 Download PDFInfo
- Publication number
- CN112395100A CN112395100A CN202011077235.2A CN202011077235A CN112395100A CN 112395100 A CN112395100 A CN 112395100A CN 202011077235 A CN202011077235 A CN 202011077235A CN 112395100 A CN112395100 A CN 112395100A
- Authority
- CN
- China
- Prior art keywords
- cloud service
- service data
- algorithm
- complex product
- data packet
- 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 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 118
- 238000013461 design Methods 0.000 claims abstract description 56
- 238000007726 management method Methods 0.000 claims abstract description 48
- 238000011161 development Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007670 refining Methods 0.000 claims abstract description 11
- 238000004806 packaging method and process Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 238000002360 preparation method Methods 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000012800 visualization Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000013439 planning Methods 0.000 claims description 7
- 238000013479 data entry Methods 0.000 claims 1
- 238000004886 process control Methods 0.000 claims 1
- 238000012938 design process Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 abstract description 5
- 238000013523 data management Methods 0.000 abstract description 5
- 239000000306 component Substances 0.000 description 65
- 239000010410 layer Substances 0.000 description 19
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 238000013499 data model Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 239000012792 core layer Substances 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
- 238000005520 cutting process Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/547—Remote procedure calls [RPC]; Web services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F9/445—Program loading or initiating
- G06F9/44521—Dynamic linking or loading; Link editing at or after load time, e.g. Java class loading
- G06F9/44526—Plug-ins; Add-ons
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种数据驱动的复杂产品云服务数据包调用方法及系统，其中复杂产品云服务数据包调用方法包括：构建复杂产品对应的智慧云设计支撑平台系统；基于问题类别，利用算法开发模块建立AI算法模型，并将所述AI算法模型训练至收敛状态；利用在线解决方案管理模块将收敛后的AI算法模型的实验流程提炼为解决方案信息，并将解决方案信息封装为云服务数据包；基于用户需求调用所述云服务数据包；本发明能够为任务管理和数据管理提供集成环境，驱动任务并行开展的同时，有效组织设计过程中的大量中间结果，提升数据可重用性，保障模型统一性、参数的一致性和结果的匹配性，提高多学科跨专业沟通效率。
Description
技术领域
本发明涉及数据驱动技术领域，更具体的，涉及一种数据驱动的复杂产品云服务数据包调用方法及系统。
背景技术
AI驱动的设计是当前利用数据加速设计方案创新、改进原有设计的热点方向，特别是针对多参数耦合、多专业协同的复杂产品，需要一套将数据+算法+算力快速有效组织起来为设计团队服务的智慧设计支撑平台，能够基于高性能计算资源统一调度共享，将多专业设计人员融合成项目团队，在统一的图形化数据分析建模平台下为单专业设计人员提供快速构建AI模型以及为多专业团队提供群体智能系统优化决策的支撑。
当前，各类AI开发平台已经初具成效，典型的包括Deep Cognition公司的DeepLearning Studio和Sony公司的Neural Network Console，支持拖拽式的深度学习模型创建，对深度学习算法的建模组件支撑较为完整，但缺乏对其他AI算法的支撑；Microsoft公司的Azure Machine Learning Studio和IBM公司的Watson Studio支持拖拽式的常用机器学习算法模型创建，但对深度学习算法缺乏细粒度的建模支撑，且不支持训练过程可视化；国内百度、阿里、华为、联想等人工智能研究与应用单位也纷纷开发了自己的AI平台，但上述平台普遍存在数据维度缺乏基于仿真模型的实时/离线数据交互支撑、算力维度缺乏多机/多卡并行调度支撑、算法维度缺乏对自学习类算法的可视化建模支撑，同时，以上平台对团队协作式的数据模型开发缺乏多方案对比、结果可视化、应用封装等功能的支撑。
发明内容
为了解决上述问题中的至少一个，本发明第一方面提供一种数据驱动的复杂产品云服务数据包调用方法，包括：
构建复杂产品对应的智慧云设计支撑平台系统；所述智慧云设计支撑平台系统包括设计资源管理模块，算法开发模块以及在线解决方案管理模块；
基于问题类别，利用所述算法开发模块建立AI算法模型，并将所述AI算法模型训练至收敛状态；
利用所述在线解决方案管理模块将收敛后的所述AI算法模型的实验流程提炼为解决方案信息，并将所述解决方案信息封装为云服务数据包；
基于用户需求调用所述云服务数据包。
在优选的实施方式中，构建所述设计资源管理模块包括获取支撑平台系统分解问题的求解类型，并进行数据准备工作，其中，所述数据准备工作包括：数据上传、仿真模型的接口测试、规划模型的自变量编码和评估函数的接口测试。
在优选的实施方式中，构建所述算法开发模块包括选定预设类别的AI算法模型，并对数据参数和训练环境的参数进行设计，以使AI算法模型收敛稳定。
在优选的实施方式中，构建所述在线解决方案管理模块包括构建和共享云服务数据包。
在优选的实施方式中，还包括构建组件库，所述组件库包括流程控制组件、算法建模组件、数据输入组件以及可视化与评估组件。
本发明第二方面提供一种数据驱动的复杂产品云服务数据包调用系统，包括：
构建模块，构建复杂产品对应的智慧云设计支撑平台系统；所述智慧云设计支撑平台系统包括设计资源管理模块，算法开发模块以及在线解决方案管理模块；
开发模块，基于问题类别，利用所述算法开发模块建立AI算法模型，并将所述AI算法模型训练至收敛状态；
提炼模块，利用所述在线解决方案管理模块将收敛后的所述AI算法模型的实验流程提炼为解决方案信息，并将所述解决方案信息封装为云服务数据包；
调用模块，基于用户需求调用所述云服务数据包。
在优选的实施方式中，所述设计资源管理模块包括获取支撑平台系统分解问题的求解类型，进行数据准备工作，其中，所述数据准备工作包括：数据上传、仿真模型的接口测试、规划模型的自变量编码和评估函数的接口测试。
在优选的实施方式中，所述算法开发模块包括选定预设类别的AI算法模型，并对数据参数和训练环境的参数进行设计，以使AI算法模型收敛稳定。
在优选的实施方式中，所述在线解决方案管理模块包括构建和共享云服务数据包。
在优选的实施方式中，还包括组件库模块，所述组件库模块包括流程控制组件、算法建模组件、数据输入组件以及可视化与评估组件。
本发明的有益效果
本发明提供一种数据驱动的复杂产品云服务数据包调用方法及系统，其中复杂产品云服务数据包调用方法包括：构建复杂产品对应的智慧云设计支撑平台系统；所述智慧云设计支撑平台系统包括设计资源管理模块，算法开发模块以及在线解决方案管理模块；基于问题类别，利用所述算法开发模块建立AI算法模型，并将所述AI算法模型训练至收敛状态；利用所述在线解决方案管理模块将收敛后的所述AI算法模型的实验流程提炼为解决方案信息，并将所述解决方案信息封装为云服务数据包；基于用户需求调用所述云服务数据包；本发明能够为任务管理和数据管理提供集成环境，驱动任务并行开展的同时，有效组织设计过程中的大量中间结果，提升数据可重用性，保障模型统一性、参数的一致性和结果的匹配性，提高多学科跨专业沟通效率。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式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发明的一些实施方式，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为本发明一种数据驱动的复杂产品云服务数据包调用方法示意图；
图2为本发明实施方式中一种智慧云设计的支撑平台系统的结构示意图；
图3为本发明实施方式中一种开发数据模型的业务流程示意图。
具体实施方式
下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
以下公开内容提供了许多用于实现本发明的不同特征的不同实施方式或实例。下面描述了组件和布置的具体实例以简化本发明。当然，这些仅仅是实例，而不旨在限制本发明，另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
目前，复杂产品定义为“客户需求复杂、产品组成复杂、产品技术复杂、制造流程复杂、制造管理复杂的一类产品”，如航天器、飞机、汽车、船舶、复杂机电产品等。复杂产品的总体方案论证和创新设计过程涉及到多种学科技术，需要多学科工程师灵活创新的协同工作，解决多学科应用集成和多学科优化问题，完成对不同方案的快速设计和比对分析，最终形成设计结果。
复杂产品创新协同设计是一个多方案尝试和多轮次迭代的过程，复杂产品的协同设计过程存在如下问题：
(1)复杂产品创新协同设计是多任务并行开展、紧密配合并反复迭代的过程，难以用固定流程描述，利用传统的工作流方式管理设计过程，容易造成大量任务处于挂起状态，协同效率低。
(2)多专业并行工作时，会产生多版本的各专业数据，数据模型的统一性和结果的匹配性无法保证。
基于此，本发明第一方面提供一种数据驱动的复杂产品云服务数据包调用方法，包括：
S1：构建复杂产品对应的智慧云设计支撑平台系统；智慧云设计支撑平台系统包括设计资源管理模块，算法开发模块以及在线解决方案管理模块；
S2：基于问题类别，利用算法开发模块建立AI算法模型，并将AI算法模型训练至收敛状态；
S3：利用在线解决方案管理模块将收敛后的AI算法模型的实验流程提炼为解决方案信息，并将解决方案信息封装为云服务数据包；
S4：基于用户需求调用云服务数据包。
本发明通过构建智慧云设计的支撑平台系统、建立AI算法模型以及共享云服务数据包，能够为多专业在线协同开发数据驱动的设计方案提供全过程的业务支撑，能够为任务管理和数据管理提供集成环境，驱动任务并行开展的同时，有效组织设计过程中的大量中间结果，提升数据可重用性，保障模型统一性、参数的一致性和结果的匹配性，提高多学科跨专业沟通效率。
在优选的实施方式中，构建设计资源管理模块包括获取支撑平台系统分解问题的求解类型，并进行数据准备工作，其中，数据准备工作包括：数据上传、仿真模型的接口测试、规划模型的自变量编码和评估函数的接口测试。
在优选的实施方式中，构建算法开发模块包括选定预设类别的AI算法模型，并对数据参数和训练环境的参数进行设计，以使AI算法模型收敛稳定。
在优选的实施方式中，构建在线解决方案管理模块包括构建和共享云服务数据包。
在优选的实施方式中，还包括构建组件库，组件库包括流程控制组件、算法建模组件、数据输入组件以及可视化与评估组件。
下面结合附图与具体实施方式，对本发明第一方面提供一种数据驱动的复杂产品云服务数据包调用方法进行说明，
请参阅图1、图2和图3，该方法包括已下具体步骤：
第一步构建智慧云设计支撑平台系统
智慧云设计支撑平台围绕算法、算力、数据”的管理和应用，由三大基本功能模块组成(如图1所示)：(1)基于云的设计资源管理：项目团队管理用户能够提交创建工作区间的申请，其中申请内容包含基础资源(数据、模型、计算资源、存储资源、仿真环境)的权限分配。同时，项目团队管理用户可以将其他设计师分配为该工作空间里的阅读者或参与者用户，分配相应的基础资源。(2)在线算法模型开发工具：算法模型开发者可以通过拖拽式/脚本式的方式构建新的算法，允许开发者在已有算法组件基础上通过微调结构/超参数形成新的算法，也允许开发者利用更细粒度的算法描述控件构建新的算法。(3)在线解决方案管理工具：解决方案开发者可以通过拖拽式/脚本式的使用方式将数据准备、模型构建/运行/验证、仿真资源交互/多实例启用、评估/发布等组件串联起来形成“pipeline”式的学习流程；同时，可以将实验效果好的内容发布成为解决方案，供其他用户通过不同的方式共享使用。
第二步用于团队协作开发数据模型/解决方案的业务流程
利用智慧云设计支撑平台将不同用户组织起来开发面向应用的数据模型/解决方案需要经过以下几步业务流程：
(1)数据准备：数据使用者首先会根据平台提示分解问题的求解类型，进行数据准备工作。数据准备工作根据实际的问题求解方法分为：1)数据上传、结构化和清理；2)与仿真模型的接口测试；3)与规划模型的自变量编码和评估函数的接口测试。配置完数据准备工作中的相关参数后，需要管理员进行审批并配置相关资源；
(2)多算法建模、运行测试与评估改进：根据问题的类别，算法开发者选定AI算法的模型，并设计相关AI算法的超参数。然后构建AI算的并行训练环境，并向管理员请求相关的仿真、计算资源。配置结束后，可以开展AI模型的训练。在训练过程中，会根据AI训练的运行效率动态调整训练环境的参数。同时根据AI模型训练的相关结果及可视化的解释过程，可由用户动态修改AI算法的模型或可由平台提供的求解方案自动化的调整算法处理流程，直至算法模型收敛稳定。
(3)解决方案发布共享：在算法模型收敛稳定之后，解决方案发布者会将相关算法模型实验流程提炼为领域级解决方案，并封装形成不同类型的云服务。其他用户如对相关解决方案有使用需求，则可以通过云服务的调用开展业务工作。
整个业务流程涉及到数据使用者/数据提供者、算法模型使用者/算法模型开发者、算力使用者/算力管理者、解决方案发布者/决绝方案使用者4大类服务使用者/提供者的角色，同时还涉及到数据、算法、算力、解决方案的权限管理的管理员角色。此外所有用户都具有权限范围内的数据、算法、算力、解决方案的阅读权限。
第三步定义数据分析业务与算法的可视化建模组件库
为了实现可视化的数据分析业务与算法建模，智慧云设计支撑平台包含以下组件库：
(1)流程控制组件：包括选择和连接线工具，选择工具实现组件的选择和拖拽；连接线实现设计区组件之间的连接，定义组件之间的数据传递和依赖关。基础组件包括开始、结束、定时器、循环和条件分支，开始和结束组件分别表示流程的开始和结束标识；定时器可以指定下一个组件任务的开始执行时间，通过在其日历属性中指定日期时间，当到达该时间时开始执行下一个组件的任务；循环组件用于流程中需要循环多次执行某些固定组件的情况，可在该组件的属性区设置循环次数以控制循环范围内组件的执行次数；条件分支组件用于流程中出现条件判断的情况，可在该组件的属性区设置判断准则，当结果为真时执行一个分支流程，结果为假时执行另一个分支。
(2)算法建模组件：包括机器学习类、神经网络类、自学习类算法组件。其中机器学习类算法组件包含分类、回归和聚类三类算法，针对不同的算法可编辑其算法属性完成新算法建模(例如SVM的主要属性包括惩罚系数、核函数、阈值等)；神经网络类算法包含BP/CNN/RNN三类算法，以及支持用户自定义的混合神经网络，针对不同类型的算法可进一步通过可视化组件展示神经网络详细的网络结构和属性参数，用户可通过删减神经网络结构控件(主要包括全连接层、激活层、防过拟合层、重塑层、重复层、噪声层、卷积层、裁剪层、采样层、池化层、标准化层、扁平化层、循环神经网络基层、全连接RNN层、全连接RNN层、长短期记忆层、卷积LSTM层等)或修改属性参数完成新算法建模；自学习类算法包含Value-based/Policy-based/AC类算法，针对不同类型的算法可进一步通过可视化组件展示算法细节，用户可通过修改代理层、核心层(主要包括网络结构、优化器、记忆单元、预处理、回报函数)、环境层的组件完成新算法建模。
(3)数据输入组件：包括数据库/文件类的数据输入组件和云仿真交互数据组件。其中数据库/文件类的数据输入组件允许用户从已链接的数据源中直接加载相关数据集，选择对应需导入的数据项，添加对本数据集的描述信息以构成面向领域问题的数据集合；云仿真交互数据组件允许用户选择已按标准接口封装好的仿真模型，填写运行环境配置信息后提交到云仿真平台测试运行，支撑仿真模型与算法的实时数据交互。
(4)可视化与评估组件：包括图表/图数据/神经网络结构/自学习训练效果四类组件。图表类组件包含常用的二维/三维折线/柱状/饼图等，图数据组件支持用户基于关联关系开展交互分析，神经网络结构组件展示每层神经网络的结构和输出结果，自学习训练效果组件展示算法结构/数据流以及训练过程中的收敛曲线。
第四步适用于不同业务需求的数据服务封装与应用模式
为了支持解决方案的共享使用，智慧云设计系统提供三种解决方案封装方式，包括：(1)解决方案在线服务：通过解决方案在线服务可以解决异地使用的问题，用户将数据分析应用上传至服务器，使用虚拟交互随时随地按需访问；(2)本地APP云端共享服务：通过本地APP云端共享服务，能够支持本地APP的自主部署和数据验证，并可以形成集成接口实现组件化的数据分析能力；(3)在线APP开发及服务：通过在线APP开发及服务，用户在本地即可更直观、方便地在线开发APP和使用大数据平台中的数据资源，并进行统一的数据分析。
从上述实施方式可以知晓，本发明能够为任务管理和数据管理提供集成环境，驱动任务并行开展的同时，有效组织设计过程中的大量中间结果，提升数据可重用性，保障模型统一性、参数的一致性和结果的匹配性，提高多学科跨专业沟通效率。
本发明第二方面提供一种数据驱动的复杂产品云服务数据包调用系统，包括：构建模块，构建复杂产品对应的智慧云设计支撑平台系统；智慧云设计支撑平台系统包括设计资源管理模块，算法开发模块以及在线解决方案管理模块；开发模块，基于问题类别，利用算法开发模块建立AI算法模型，并将AI算法模型训练至收敛状态；提炼模块，利用在线解决方案管理模块将收敛后的AI算法模型的实验流程提炼为解决方案信息，并将解决方案信息封装为云服务数据包；调用模块，基于用户需求调用云服务数据包。
在优选的实施方式中，设计资源管理模块包括获取支撑平台系统分解问题的求解类型，进行数据准备工作，其中，数据准备工作包括：数据上传、仿真模型的接口测试、规划模型的自变量编码和评估函数的接口测试。
在优选的实施方式中，算法开发模块包括选定预设类别的AI算法模型，并对数据参数和训练环境的参数进行设计，以使AI算法模型收敛稳定。
在优选的实施方式中，在线解决方案管理模块包括构建和共享云服务数据包。
在优选的实施方式中，还包括组件库模块，组件库模块包括流程控制组件、算法建模组件、数据输入组件以及可视化与评估组件。
本发明能够为任务管理和数据管理提供集成环境，驱动任务并行开展的同时，有效组织设计过程中的大量中间结果，提升数据可重用性，保障模型统一性、参数的一致性和结果的匹配性，提高多学科跨专业沟通效率。
可以理解，针对数据驱动的复杂产品智能设计模式缺乏一套融合“数据+算法+算力”资源快速开展团队协作式设计方案开发的难题，研究数据驱动的复杂产品云服务数据包调用系统，包括：(1)构建模块，涉及基于云的设计资源管理、在线算法模型开发工具、在线解决方案管理工具三个核心组件；(2)开发模块，涉及数据准备、多算法建模、运行测试与评估改进、解决方案发布共享三大基本环节；(3)提炼模块，涉及流程控制组件、算法建模组件、数据输入组件、可视化与评估组件四大类；(4)调用模块，涉及解决方案在线服务、本地APP云端共享服务、在线APP开发及服务三大类。
从上述实施方式可以知晓，通过对智慧云设计系统各模块的构建，能够为多专业在线协同开发数据驱动的设计方案提供全过程的业务支撑，通过基础资源自主申请分配、可视化算法/解决方案建模、多算法模型测试对比、多模式应用封装，能够屏蔽复杂的代码实现，降低开发难度，实现数据所有者、算法工程师、基础资源管理者、领域问题专家等不同类型用户在统一的平台下开展设计工作。
在本说明书的描述中，参考术语“一个实施方式”、“一些实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式或示例描述的具体特征、结构、材料或者特点包含于本说明书实施方式的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施方式或示例。
此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施方式或示例以及不同实施方式或示例的特征进行结合和组合。以上所述仅为本说明书实施方式的实施方式而已，并不用于限制本说明书实施方式。对于本领域技术人员来说，本说明书实施方式可以有各种更改和变化。凡在本说明书实施方式的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施方式的权利要求范围之内。
Claims (10)
1.一种数据驱动的复杂产品云服务数据包调用方法，其特征在于，包括：
构建复杂产品对应的智慧云设计支撑平台系统；所述智慧云设计支撑平台系统包括设计资源管理模块，算法开发模块以及在线解决方案管理模块；
基于问题类别，利用所述算法开发模块建立AI算法模型，并将所述AI算法模型训练至收敛状态；
利用所述在线解决方案管理模块将收敛后的所述AI算法模型的实验流程提炼为解决方案信息，并将所述解决方案信息封装为云服务数据包；
基于用户需求调用所述云服务数据包。
2.根据权利要求1所述复杂产品云服务数据包调用方法，其特征在于，构建所述设计资源管理模块包括获取支撑平台系统分解问题的求解类型，并进行数据准备工作，其中，所述数据准备工作包括：数据上传、仿真模型的接口测试、规划模型的自变量编码和评估函数的接口测试。
3.根据权利要求1所述复杂产品云服务数据包调用方法，其特征在于，构建所述算法开发模块包括选定预设类别的AI算法模型，并对数据参数和训练环境的参数进行设计，以使AI算法模型收敛稳定。
4.根据权利要求1所述复杂产品云服务数据包调用方法，其特征在于，构建所述在线解决方案管理模块包括构建和共享云服务数据包。
5.根据权利要求1所述复杂产品云服务数据包调用方法，其特征在于，还包括构建组件库，所述组件库包括流程控制组件、算法建模组件、数据输入组件以及可视化与评估组件。
6.一种数据驱动的复杂产品云服务数据包调用系统，其特征在于，包括：
构建模块，构建复杂产品对应的智慧云设计支撑平台系统；所述智慧云设计支撑平台系统包括设计资源管理模块，算法开发模块以及在线解决方案管理模块；
开发模块，基于问题类别，利用所述算法开发模块建立AI算法模型，并将所述AI算法模型训练至收敛状态；
提炼模块，利用所述在线解决方案管理模块将收敛后的所述AI算法模型的实验流程提炼为解决方案信息，并将所述解决方案信息封装为云服务数据包；
调用模块，基于用户需求调用所述云服务数据包。
7.根据权利要求6所述复杂产品云服务数据包调用系统，其特征在于，所述设计资源管理模块包括获取支撑平台系统分解问题的求解类型，进行数据准备工作，其中，所述数据准备工作包括：数据上传、仿真模型的接口测试、规划模型的自变量编码和评估函数的接口测试。
8.根据权利要求6所述复杂产品云服务数据包调用系统，其特征在于，所述算法开发模块包括选定预设类别的AI算法模型，并对数据参数和训练环境的参数进行设计，以使AI算法模型收敛稳定。
9.根据权利要求6所述复杂产品云服务数据包调用系统，其特征在于，所述在线解决方案管理模块包括构建和共享云服务数据包。
10.根据权利要求6所述复杂产品云服务数据包调用系统，其特征在于，还包括组件库模块，所述组件库模块包括流程控制组件、算法建模组件、数据输入组件以及可视化与评估组件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011077235.2A CN112395100A (zh) | 2020-10-10 | 2020-10-10 | 一种数据驱动的复杂产品云服务数据包调用方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011077235.2A CN112395100A (zh) | 2020-10-10 | 2020-10-10 | 一种数据驱动的复杂产品云服务数据包调用方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112395100A true CN112395100A (zh) | 2021-02-23 |
Family
ID=74596346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011077235.2A Pending CN112395100A (zh) | 2020-10-10 | 2020-10-10 | 一种数据驱动的复杂产品云服务数据包调用方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112395100A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962663A (zh) * | 2021-10-27 | 2022-01-21 | 温州大学 | 一种高校智慧商圈门户 |
| CN114418440A (zh) * | 2022-01-27 | 2022-04-29 | 郑镒晚 | 一种解决方案封装方法、装置、设备及可读存储介质 |
| CN114879944A (zh) * | 2022-07-11 | 2022-08-09 | 湖南迈曦软件有限责任公司 | 可视化多学科智能设计平台及其任务创建方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108171422A (zh) * | 2017-12-28 | 2018-06-15 | 鞍钢集团自动化有限公司 | 一种钢铁智能工厂的平台构建方法 |
| CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
| CN110209574A (zh) * | 2019-05-14 | 2019-09-06 | 深圳极视角科技有限公司 | 一种基于人工智能的数据开发系统 |
| CN111047190A (zh) * | 2019-12-12 | 2020-04-21 | 广西电网有限责任公司 | 一种基于交互式学习技术的多元化业务建模框架系统 |
-
2020
- 2020-10-10 CN CN202011077235.2A patent/CN112395100A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108171422A (zh) * | 2017-12-28 | 2018-06-15 | 鞍钢集团自动化有限公司 | 一种钢铁智能工厂的平台构建方法 |
| CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
| CN110209574A (zh) * | 2019-05-14 | 2019-09-06 | 深圳极视角科技有限公司 | 一种基于人工智能的数据开发系统 |
| CN111047190A (zh) * | 2019-12-12 | 2020-04-21 | 广西电网有限责任公司 | 一种基于交互式学习技术的多元化业务建模框架系统 |
Non-Patent Citations (2)
| Title |
|---|
| SANMAOSPACE: "模型训练竞品收集-阿里", 《HTTPS://WWW.CNBLOGS.COM/SANMAOSPACE/P/11679259.HTML》, pages 1 - 10 * |
| 简单坚持: "深度解读华为云 AI 开发平台 ModelArts 技术架构", 《HTTPS://BBS.HUAWEICLOUD.COM/BLOGS/108339》, pages 1 - 15 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962663A (zh) * | 2021-10-27 | 2022-01-21 | 温州大学 | 一种高校智慧商圈门户 |
| CN114418440A (zh) * | 2022-01-27 | 2022-04-29 | 郑镒晚 | 一种解决方案封装方法、装置、设备及可读存储介质 |
| CN114879944A (zh) * | 2022-07-11 | 2022-08-09 | 湖南迈曦软件有限责任公司 | 可视化多学科智能设计平台及其任务创建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Iarovyi et al. | Cyber–physical systems for open-knowledge-driven manufacturing execution systems | |
| Cupek et al. | Agent-based manufacturing execution systems for short-series production scheduling | |
| Zhang et al. | Agent technology for collaborative process planning: a review | |
| BüyüKözkan et al. | A survey on the methods and tools of concurrent new product development and agile manufacturing | |
| Da Silva et al. | A community roadmap for scientific workflows research and development | |
| CN112395100A (zh) | 一种数据驱动的复杂产品云服务数据包调用方法及系统 | |
| Abrahão et al. | Model-based intelligent user interface adaptation: challenges and future directions | |
| CN103984818A (zh) | 基于Flex技术的AUV设计流程可视化建模方法 | |
| Davami et al. | Fog-based architecture for scheduling multiple workflows with high availability requirement | |
| Küster et al. | Integrating process modelling into multi-agent system engineering | |
| Bhattacharjee et al. | Stratum: A bigdata-as-a-service for lifecycle management of iot analytics applications | |
| Youssef et al. | EOS: enterprise operating systems | |
| Brazier et al. | Compositional design of a generic design agent | |
| AboElHassan et al. | General purpose digital twin framework using digital shadow and distributed system concepts | |
| US20100262451A1 (en) | Simplified Approach for Service Composition and Orchestration | |
| Zheng et al. | Multi-agent collaborative conceptual design method for robotic manufacturing systems in small-and mid-sized enterprises | |
| Zha et al. | A knowledge intensive multi-agent system for cooperative/collaborative assembly modeling and process planning | |
| Bryndin | Ensembles of intelligent agents with expanding communication abilities | |
| Verhagen et al. | Challenges of CE | |
| Sobolewski | Technology foundations | |
| Kong et al. | An agent-based collaborative assembly process planning system | |
| Tseng et al. | A novel approach to collaborative product design and development environment | |
| Baskin et al. | Integrated design as a cooperative problem solving activity | |
| Ajidarma et al. | Skill and Knowledge Sharing in Cyber-Augmented Collaborative Physical Work Systems with HUB-CI | |
| Janssen et al. | Custom Digital workflows with user-defined data transformations via property graphs |
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 |