CN113067870A

CN113067870A - 设备数据的处理方法、装置以及服务端设备

Info

Publication number: CN113067870A
Application number: CN202110294026.1A
Authority: CN
Inventors: 宫文浩; 宁哲; 王家华
Original assignee: Shandong Bojutong Cloud Computing Co ltd
Current assignee: Shandong Bojutong Cloud Computing Co ltd
Priority date: 2021-03-18
Filing date: 2021-03-18
Publication date: 2021-07-02

Abstract

本申请提供了一种设备数据的处理方法、装置以及服务端设备，涉及数据采集技术领域，包括：接收数据采集端发送的原始设备数据，其中，原始设备数据为数据采集端采集的所述设备的运行数据，利用神经网络预测模型对原始设备数据进行预测，得到针对设备的运行数据的预测结果，基于来自客户端的预测查询请求，向客户端发送所述预测结果，以使客户端显示所述预测结果，缓解了对设备数据的处理便利度较低的技术问题。

Description

设备数据的处理方法、装置以及服务端设备

技术领域

本申请涉及数据采集技术领域，尤其是涉及一种设备数据的处理方法、装置以及服务端设备。

背景技术

工业设备指的是工业生产设备和各类机床，比如车床、铣床、磨床、刨床等机器。

目前制造业产品配置，制造流程复杂多变，但是，现有设备数据应用需要人为分析实验，导致对设备数据的处理便利度程度较低从而影响数据处理效率，因此，目前对设备数据的处理便利度较低。

发明内容

本发明的目的在于提供一种设备数据的处理方法、装置以及服务端设备，以缓解对设备数据的处理便利度较低的技术问题。

第一方面，本申请实施例提供了一种设备数据的处理方法，应用于服务器集群，所述服务器集群的服务器中预设有训练完成的神经网络预测模型；所述方法包括：

接收数据采集端发送的原始设备数据，其中，所述原始设备数据为所述数据采集端采集的所述设备的运行数据；

利用所述神经网络预测模型对所述原始设备数据进行预测，得到针对所述设备的运行数据的预测结果；

基于来自客户端的预测查询请求，向所述客户端发送所述预测结果，以使所述客户端显示所述预测结果。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，还包括：

将所述原始设备数据作为训练样本，并基于所述训练样本对所述神经网络预测模型进行优化训练，得到优化后的神经网络预测模型。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，还包括：

将所述原始设备数据以及所述预测结果存储于本地服务器中。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述利用所述神经网络预测模型对所述原始设备数据进行预测，得到针对所述设备的运行数据的预测结果的步骤，包括：

利用所述神经网络预测模型对所述原始设备数据进行分析，得到针对所述设备的运行数据的分析结果；

基于所述分析结果利用所述神经网络预测模型进行预测，得到针对所述设备的运行数据的预测结果。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述基于来自客户端的预测查询请求，向所述客户端发送所述预测结果，以使所述客户端显示所述预测结果的步骤，包括：

接收客户端发送的预测查询请求，并基于所述预测查询请求向所述客户端发送所述预测结果，以使所述客户端显示所述预测结果。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，还包括：

接收来自所述客户端的数据查询请求；

基于所述数据查询请求向所述客户端发送所述原始设备数据，以使所述客户端显示所述原始设备数据。

第二方面，本发明实施例提供了一种设备数据的处理装置，应用于服务器集群，所述服务器集群的服务器中预设有训练完成的神经网络预测模型；所述装置包括：

接收模块，用于接收数据采集端发送的原始设备数据，其中，所述原始设备数据为所述数据采集端采集的所述设备的运行数据；

预测模块，用于利用所述神经网络预测模型对所述原始设备数据进行预测，得到针对所述设备的运行数据的预测结果；

发送模块，用于基于来自客户端的预测查询请求，向所述客户端发送所述预测结果，以使所述客户端显示所述预测结果。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，还包括：

优化模块，用于将所述原始设备数据作为训练样本，并基于所述训练样本对所述神经网络预测模型进行优化训练，得到优化后的神经网络预测模型。

第三方面，本发明实施例还提供一种服务端设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。

第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述第一方面所述的方法。

本申请实施例带来了以下有益效果：

本申请实施例提供的一种设备数据的处理方法、装置以及服务端设备，该方法可以应用于服务器集群，该服务器集群的服务器中预设有训练完成的神经网络预测模型，该方法包括：首先，接收数据采集端发送的原始设备数据，其中的原始设备数据为数据采集端采集的设备的运行数据，然后再利用神经网络预测模型对原始设备数据进行预测从而得到针对设备的运行数据的预测结果，之后基于来自客户端的预测查询请求来向客户端发送预测结果，进而使客户端显示预测结果，本方案中，通过利用服务器中预设有且训练完成的神经网络预测模型，能够对原始设备数据进行预测，得到针对设备的运行数据的预测结果，实现了能够向客户端发送预测结果，从而使客户端能够显示预测结果，通过服务器端的预测能够为客户端的设备数据处理过程提供更多的便利，缓解了对设备数据的处理便利度较低的技术问题。

附图说明

为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体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，下面描述中的附图是本申请的一些实施方式，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为本申请实施例提供的一种设备数据的处理方法的流程示意图；

图2为本申请实施例提供的一种设备数据的处理方法的另一流程示意图；

图3为本申请实施例提供的一种设备数据的处理装置的结构示意图；

图4为示出了本申请实施例所提供的一种服务端设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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例，都属于本申请保护的范围。

目前，随着数字化工厂改造进行的发展，制造业各类产品配置，制造流程更加复杂多变，在数字化工厂当中，工人更多地是处理异常情况，调整设备。但是，现有设备数据应用需要人为分析实验，导致对设备数据的处理便利度程度较低从而影响数据处理效率，因此，目前对设备数据的处理便利度较低。

基于此，本申请实施例提供了一种设备数据的处理方法、装置以及服务端设备，通过该方法可以缓解对设备数据的处理便利度较低的技术问题。

实施例一：

图1为本申请实施例提供的一种设备数据的处理方法的流程示意图。应用于服务器集群，服务器集群的服务器中预设有训练完成的神经网络预测模型，如图1所示，该方法包括：

步骤S110，接收数据采集端发送的原始设备数据。

需要说明的是，其中，原始设备数据为数据采集端采集的设备的运行数据。

步骤S120，利用神经网络预测模型对原始设备数据进行预测，得到针对设备的运行数据的预测结果。

步骤S130，基于来自客户端的预测查询请求，向客户端发送预测结果，以使客户端显示预测结果。

通过利用服务器中预设有且训练完成的神经网络预测模型，能够对原始设备数据进行预测，得到针对设备的运行数据的预测结果，实现了能够向客户端发送预测结果，从而使客户端能够显示预测结果，通过服务器端的预测能够为客户端的设备数据处理过程提供更多的便利，缓解了对设备数据的处理便利度较低的技术问题。

在一些实施例中，设备数据的处理方法还包括：

步骤a)，将原始设备数据作为训练样本，并基于训练样本对神经网络预测模型进行优化训练，得到优化后的神经网络预测模型。

利用原始设备数据作为训练样本能够不断的对神经网络预测模型进行优化，再通过优化后的神经网络模型对这些采集到的工业设备数据进行更加精确的分析预测，能够使客户通过APP可以从云端服务器查看工业设备数据及其分析预测结果，保证了工业设备数据的应用便利程度得到提高。

在一些实施例中，设备数据的处理方法还包括：

步骤b)，将原始设备数据以及预测结果存储于本地服务器中。

通过在本地服务器中存储原始设备数据以及预测结果，能够无需再人为分析实验，便于对数据的参考应用。

在一些实施例中，上述步骤S120的步骤包括：

步骤c)，利用神经网络预测模型对原始设备数据进行分析，得到针对设备的运行数据的分析结果。

步骤d)，基于分析结果利用述神经网络预测模型进行预测，得到针对设备的运行数据的预测结果。

通过训练好的神经网络模型对这些采集到的工业设备数据进行分析预测，能够对采集到的工业设备数据的提前预测分析，便于对数据的参考应用。

在一些实施例中，上述步骤S130包括：

步骤e)，接收客户端发送的预测查询请求，并基于预测查询请求向客户端发送预测结果，以使客户端显示预测结果。

通过客户端APP可以从云端服务器查看工业设备数据及其分析预测结果，既能够使客户方便地实现现场设备的远程数据采集，又能使应用便利程度得到提高。

在一些实施例中，如图2所示，设备数据的处理方法还包括：

步骤f)，接收来自客户端的数据查询请求。

步骤g)，基于数据查询请求向客户端发送原始设备数据，以使客户端显示原始设备数据。

通过基于来自客户端的数据查询请求向客户端发送原始设备数据，能够向客户端发送原始设备数据，以使客户端显示原始设备数据，又能保证客户便于对数据方便掌握。

实施例二：

图3为本申请实施例提供的一种设备数据的处理装置的结构示意图。应用于服务器集群，服务器集群的服务器中预设有训练完成的神经网络预测模型。如图3所示，设备数据的处理装置300包括：

接收模块301，用于接收数据采集端发送的原始设备数据，其中，原始设备数据为数据采集端采集的所述设备的运行数据。

预测模块302，用于利用神经网络预测模型对原始设备数据进行预测，得到针对设备的运行数据的预测结果。

发送模块303，用于基于来自客户端的预测查询请求，向客户端发送所述预测结果，以使客户端显示预测结果。

在一些实施例中，设备数据的处理装置还包括：

优化模块，用于将原始设备数据作为训练样本，并基于训练样本对神经网络预测模型进行优化训练，得到优化后的神经网络预测模型。

通过训练好的神经网络模型对这些采集到的工业设备数据进行分析预测，能够使客户通过APP可以从云端服务器查看工业设备数据及其分析预测结果，保证了工业设备数据的应用便利程度得到提高。

本申请实施例提供的设备数据的处理装置，与上述实施例提供的设备数据的处理方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

实施例三：

如图4所示，本申请实施例提供的一种服务端设备400，包括：存储器401、处理器402和总线，所述存储器401存储有所述处理器402可执行的机器可读指令，当电子设备运行时，所述处理器402与所述存储器401之间通过总线通信，所述处理器402执行所述机器可读指令，以执行如上述设备数据的处理方法的步骤。

具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述设备数据的处理方法。

实施例四：

对应于上述设备数据的处理方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述基于视觉训练的训练控制方法的步骤。

本申请实施例所提供的设备数据的处理装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。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，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，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，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

再例如，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，所述模块、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。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元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，服务器，或者网络设备等)执行本申请各个实施例所述设备数据的处理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(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

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，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的范围。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。

Claims

1.一种设备数据的处理方法，其特征在于，应用于服务器集群，所述服务器集群的服务器中预设有训练完成的神经网络预测模型；所述方法包括：

2.根据权利要求1所述的设备数据的处理方法，其特征在于，还包括：

3.根据权利要求1所述的设备数据的处理方法，其特征在于，还包括：

4.根据权利要求1所述的设备数据的处理方法，其特征在于，所述利用所述神经网络预测模型对所述原始设备数据进行预测，得到针对所述设备的运行数据的预测结果的步骤，包括：

5.根据权利要求1所述的设备数据的处理方法，其特征在于，所述基于来自客户端的预测查询请求，向所述客户端发送所述预测结果，以使所述客户端显示所述预测结果的步骤，包括：

6.根据权利要求1所述的设备数据的处理方法，其特征在于，还包括：

接收来自所述客户端的数据查询请求；

7.一种设备数据的处理装置，其特征在于，应用于服务器集群，所述服务器集群的服务器中预设有训练完成的神经网络预测模型；所述装置包括：

8.根据权利要求7所述的设备数据的处理装置，其特征在于，还包括：

9.一种服务端设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述权利要求1至6任一项所述的方法。