发明内容
本申请实施例的目的在于提供一种煎药监控方法、装置、电子设备及存储介质,用于改善难以精准地控制煎药机的煎制过程的问题。
本申请实施例提供了一种煎药监控方法,包括:对煎药设备的煎制过程进行监控,获得煎药设备产生的多种特征时序数据;从经验数据库中查找到多种特征时序数据对应的指标时序数据,指标时序数据是表征煎制效果的时间序列数据;根据多种特征时序数据和指标时序数据生成操作指令,并向煎药设备发送操作指令,以使煎药设备根据操作指令调整煎制过程中的特征时序数据。在上述的实施过程中,通过事先建立的经验数据库来对煎药设备的煎制过程中的特征时序数据进行调整,使得煎药设备的特征时序数据对应的煎制效果逐渐向经验数据库中的指标时序数据对应煎制效果靠近,即提高了煎制过程的控制精准度,通过精准地控制煎药机的煎制过程从而靠近最好的煎制效果。
可选地,在本申请实施例中,在从经验数据库中查找到多种特征时序数据对应的指标时序数据之前,还包括:获取多种特征时序数据,并获取多种特征时序数据对应的指标时序数据;将多种特征时序数据和多种特征时序数据对应的指标时序数据存储至经验数据库。在上述的实施过程中,通过获取多种特征时序数据对应的指标时序数据,并将多种特征时序数据和多种特征时序数据对应的指标时序数据存储至经验数据库,建立了可以使用的经验数据库,使得煎药设备的特征时序数据对应的煎制效果逐渐向经验数据库中的指标时序数据对应煎制效果靠近,从而提高了煎制过程的控制精准度。
可选地,在本申请实施例中,获取多种特征时序数据,包括:对多种特征时序数据进行相关性分析,获得相关性分析结果,并根据相关性分析结果对多种特征时序数据进行筛选;或者,使用长短期记忆模型对多种特征时序数据进行筛选。在上述的实施过程中,通过根据相关性分析结果对多种特征时序数据进行筛选;或者,使用长短期记忆模型对多种特征时序数据进行筛选,从而可以只对筛选后(即对指标时序数据影响最大的)的特征时序数据进行控制,使得能够控制对指标时序数据影响最大的特征时序数据进行控制,而不是控制所有的特征时序数据,有效地提高了煎制过程的控制效率。
可选地,在本申请实施例中,获取多种特征时序数据对应的指标时序数据,包括:在多种特征时序数据的每种特征时序数据对应的变动范围内生成多个操作数据;使用神经网络模型对多种特征时序数据和操作数据进行预测,获得多个预测指标数据;从多个预测指标数据筛选出最优指标数据,并将最优指标数据确定为多种特征时序数据对应的指标时序数据。在上述的实施过程中,通过从多个预测指标数据筛选出最优指标数据,并将最优指标数据确定为多种特征时序数据对应的指标时序数据,从而为操作指令的生成提供了依据和基础,有效地提高了煎制过程的控制精准度。
可选地,在本申请实施例中,在使用神经网络模型对多种特征时序数据和操作数据进行预测之前,还包括:获取多种样本特征数据和样本指标数据;从多种样本特征数据从筛选出至少一种与样本指标数据具有相关关系的样本特征数据;获取相关关系的样本特征数据对应的优化操作数据;以优化操作数据和相关关系的样本特征数据为训练数据,以样本指标数据为训练标签,对神经网络进行训练,获得神经网络模型。
可选地,在本申请实施例中,神经网络模型包括:卷积神经网络模型或者循环神经网络模型。
可选地,在本申请实施例中,在获得煎药设备产生的多种特征时序数据之后,还包括:针对多种特征时序数据中的每种特征时序数据,判断该特征时序数据是否在经验数据库中的变动范围内;若否,则根据该特征时序数据生成预警信息,并输出预警信息。在上述的实施过程中,通过在特征时序数据超出经验数据库的变动范围时,则根据该特征时序数据生成预警信息,并输出预警信息,从而避免了煎制过程可能出现的风险和隐含,增加了煎制过程的安全性。
本申请实施例还提供了一种煎药监控装置,包括:特征数据获得模块,用于对煎药设备的煎制过程进行监控,获得煎药设备产生的多种特征时序数据;指标数据查找模块,用于从经验数据库中查找到多种特征时序数据对应的指标时序数据,指标时序数据是表征煎制效果的时间序列数据;操作指令发送模块,用于根据多种特征时序数据和指标时序数据生成操作指令,并向煎药设备发送操作指令,以使煎药设备根据操作指令调整煎制过程中的特征时序数据。
可选地,在本申请实施例中,煎药监控装置,还包括:时序数据获取模块,用于获取多种特征时序数据,并获取多种特征时序数据对应的指标时序数据;时序数据存储模块,用于将多种特征时序数据和多种特征时序数据对应的指标时序数据存储至经验数据库。
可选地,在本申请实施例中,时序数据获取模块,包括:时序数据筛选模块,用于对多种特征时序数据进行相关性分析,获得相关性分析结果,并根据相关性分析结果对多种特征时序数据进行筛选;或者,使用长短期记忆模型对多种特征时序数据进行筛选。
可选地,在本申请实施例中,时序数据获取模块,包括:操作数据生成模块,用于在多种特征时序数据的每种特征时序数据对应的变动范围内生成多个操作数据;操作数据预测模块,用于使用神经网络模型对多种特征时序数据和操作数据进行预测,获得多个预测指标数据;指标数据确定模块,用于从多个预测指标数据筛选出最优指标数据,并将最优指标数据确定为多种特征时序数据对应的指标时序数据。
可选地,在本申请实施例中,煎药监控装置,还包括:样本数据获取模块,用于获取多种样本特征数据和样本指标数据;相关指标筛选模块,用于从多种样本特征数据从筛选出至少一种与样本指标数据具有相关关系的样本特征数据;操作数据获取模块,用于获取相关关系的样本特征数据对应的优化操作数据;神经网络训练模块,用于以优化操作数据和相关关系的样本特征数据为训练数据,以样本指标数据为训练标签,对神经网络进行训练,获得神经网络模型。
可选地,在本申请实施例中,煎药监控装置,还包括:特指数据判断模块,用于针对多种特征时序数据中的每种特征时序数据,判断该特征时序数据是否在经验数据库中的变动范围内;特指数据预警模块,用于若该特征时序数据没有在经验数据库中的变动范围内,则根据该特征时序数据生成预警信息,并输出预警信息。
本申请实施例还提供了一种电子设备,包括:处理器和存储器,存储器存储有处理器可执行的机器可读指令,机器可读指令被处理器执行时执行如上面描述的方法。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上面描述的方法。
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清楚、完整的描述。
在介绍本申请实施例提供的煎药监控方法之前,先介绍本申请实施例中所涉及的一些概念:
中药饮片,又被简称为饮片,是指中药根据需要经过炮制处理而形成的供配方用的中药,或可直接用于中医临床的中药。中药饮片是中医药的精华所在,药材经过不同的炮制方法,其药性和功效会改变,是中医用药的特点和优势。
指标时序数据,是指表征煎制效果的时间序列数据,煎制效果可以有多种方式来体现,具体包括:药液体浓度、出膏率(流浸膏或者干浸膏与药材的比值)或/和干膏率(即每种药材的干膏在所有药材的干膏比例)等等,但是在煎药设备的实际测量中,出膏率或干膏率都是很难实时测量获取的,比较容易测量的是药液体浓度,因此,在实践过程中通常采用的“指标时序数据”是药液体浓度的时间序列数据。
需要说明的是,本申请实施例提供的煎药监控方法可以被电子设备执行,这里的电子设备是指具有执行计算机程序功能的设备终端或者服务器,设备终端例如:煎药设备、煎药机、智能手机、个人电脑(personal computer,PC)、平板电脑或者移动上网设备(mobile Internet device,MID)等;当然,还可以是由煎药设备上的主控芯片,或者煎药机上的计算芯片来执行。服务器例如:x86服务器以及非x86服务器,非x86服务器包括:大型机、小型机和UNIX服务器。
下面介绍该煎药监控方法适用的应用场景,这里的应用场景包括但不限于:使用该煎药监控方法对中药饮片的煎制过程进行控制,从而达到精准地控制煎药机的煎制过程并靠近最好的煎制效果等;当然也可以使用该煎药监控方法改善或者增强煎药机或者煎药设备的功能,例如使用该煎药监控方法增加煎药设备的实时监控功能,有效地提高控制中药饮片的煎制过程的精准度。
本申请实施例提供的煎药监控方法的主要思路是,通过事先建立的经验数据库来对煎药设备的煎制过程中的特征时序数据进行调整,使得煎药设备的特征时序数据对应的煎制效果逐渐向经验数据库中的指标时序数据对应煎制效果靠近,即提高了煎制过程的控制精准度,通过精准地控制煎药机的煎制过程从而靠近最好的煎制效果。
请参见图1示出的本申请实施例提供的构建经验数据库阶段的流程示意图;上述的煎药监控方法可以包括:构建经验数据库和使用经验数据库的两个阶段,下面首先介绍构建经验数据库的阶段如下:
步骤S110:获取多种特征时序数据。
特征时序数据,是指影响煎药设备的煎制效果的时间序列数据,具体包括:药液温度、火力大小(武火/文火)、加热温度、料液比(即药材与药液之间的比例)和压力等等。在对中药饮片进行煎制的过程中,煎药设备可以通过控制这些特征时序数据,具体例如:可以通过控制火力大小、压力大小、放入药材的时间点和数量来控制煎制过程中的煎制效果。
上述步骤S110的实施方式有很多种,包括但不限于如下几种:
第一种实施方式,根据相关性分析结果来对特征时序数据进行筛选,该实施方式可以包括:
步骤S111:对多种特征时序数据进行相关性分析,获得相关性分析结果。
上述步骤S111的实施方式例如:对多种特征时序数据进行非线性相关性分析,获得相关性分析结果;具体例如:对多种特征时序数据的其中一种特征时序数据与指标时序数据进行非线性相关分析,获得互信息熵。如果特征时序数据
x与指标时序数据
y之间存在相关关系,那么两者的联合分布熵应该小于
x与
y的边际熵之和,即使用公式表示为
。然后,针对多种特征时序数据中的每种特征时序数据与指标时序数据进行非相关性分析,即可获得多个互信息熵,那么此处的多个互信息熵就是相关性分析结果。
步骤S112:根据相关性分析结果对多种特征时序数据进行筛选。
上述步骤S112的实施方式例如:上面提到相关性分析结果包括多个互信息熵,那么可以针对多个互信息熵中的每个互信息熵进行判断,判断该互信息熵是否大于预设阈值,若该互信息熵小于预设阈值,则将该互信息熵对应的特征时序数据从多个特征时序数据中筛选掉。也就是说,若该互信息熵大于或等于预设阈值,则将该互信息熵对应的特征时序数据保留,即该互信息熵对应的特征时序数据能够有效地影响煎制效果。
第二种实施方式,使用神经网络模型对特征时序数据进行筛选,该实施方式可以包括:
步骤S113:使用长短期记忆(Long Short-Term Memory,LSTM)模型对多种特征时序数据进行筛选。
上述步骤S113的实施方式例如:首先,收集古方剂的电子处方数据,然后,使用古方剂的电子处方数据对LSTM网络或者双向长短记忆(Bidirectional Long Short-TermMemory,Bi-LSTM)网络进行训练,获得训练后的LSTM模型或者Bi-LSTM模型;最后,使用训练后的LSTM模型或者Bi-LSTM模型对多种特征时序数据进行筛选。也就是说,LSTM模型或者Bi-LSTM模型在训练过程中能够从古方剂的电子处方数据中借鉴和学习到影响煎制效果的特征时序数据种类,然后,使用LSTM模型或者Bi-LSTM模型能够有效地从多种特征时序数据中筛选出影响煎制效果的特征时序数据,从而提高了对中药饮片进行煎制的效率。
第三种实施方式,根据现有成熟特征库来对特征时序数据进行筛选,该实施方式例如:直接从专家标准数据库、行业实践数据库或者实验室实践数据库中获取煎煮特征参数种类,并根据煎煮特征参数种类对所有特征时序数据进行筛选,获得多种特征时序数据。
在步骤S110之后,执行步骤S120:获取多种特征时序数据对应的指标时序数据。
其中,上述指标时序数据可以包括:药液体浓度、出膏率或/和干膏率等等,但是在煎药设备的实际测量中,出膏率或干膏率都是很难实时测量获取的,因此,在实践过程中通常采用药液体浓度作为指标时序数据。
上述步骤S120的实施方式可以包括:
步骤S121:在多种特征时序数据的每种特征时序数据对应的变动范围内生成多个操作数据。
上述的步骤S121的实施方式例如:针对多种特征时序数据的每种特征时序数据,以煎药设备的加热温度为例,其它的特征时序数据(料液比和压力)也是类似的。假设将加热温度的变化范围控制在0度到200度之内,使用不同的加热方式可以呈现不同的加热温度,例如:不同材质电阻丝的加热,或者,燃烧不同种类的可燃气体(天然气或者煤气等)。在0度到200度之内可以生成100度、140度和180度等等操作数据,即使用不同加热方式进行加热的温度。具体地,可以采用随机函数生成多种特征时序数据的每种特征时序数据对应的变动范围内的多个随机值,并将多个随机值确定为多个操作数据,当然还可以采用计算机穷举方式在多种特征时序数据的每种特征时序数据对应的变动范围内生成多个操作数据。
步骤S122:使用神经网络模型对多种特征时序数据和多个操作数据进行预测,获得多个预测指标数据。
其中,上述的神经网络模型是训练过的,该神经网络模型可以包括:卷积神经网络(Convolutional Neural Networks,CNN)模型或者循环神经网络(Recurrent NeuralNetwork,RNN)模型。
可以理解的是,在使用神经网络模型之前,还需要对神经网络模型进行训练,训练的过程可以包括:
步骤S1221:获取多种样本特征数据和样本指标数据。
样本特征数据,是指用于训练神经网络模型的特征时序数据。上述样本指标数据和指标时序数据是类似的,都是指表征煎制效果的时间序列数据,区别是,样本指标数据是用于训练的样本特征数据对应的煎制效果的时间序列数据,而指标时序数据特征时序数据对应的煎制效果的时间序列数据。
上述步骤S1221的实施方式例如:上述的样本特征数据和样本指标数据可以分开获取,具体例如:人工的搜集样本特征数据,并人工地识别样本特征数据的样本指标数据;当然,也可以将样本特征数据和样本指标数据打包为训练数据集一起获取,这里以训练数据集一起获取为例进行说明。该训练数据集的获得方式包括:第一种获得方式,接收其它终端设备发送的训练数据集,将训练数据集存储至文件系统或数据库中;第二种获得方式,获取预先存储的训练数据集,具体例如:从文件系统中获取训练数据集,或者从数据库中获取训练数据集;第三种获得方式,使用浏览器等软件获取互联网上的训练数据集,或者使用其它应用程序访问互联网获得训练数据集。
步骤S1222:从多种样本特征数据从筛选出至少一种与样本指标数据具有相关关系的样本特征数据。
上述步骤S1222的实施方式有很多种包括但不限于如下几种:
第一种实施方式,对多种特征时序数据的其中一种特征时序数据与指标时序数据进行非线性相关分析,获得互信息熵;可以理解的是,如果针对多种特征时序数据的每种特征时序数据与指标时序数据进行非线性相关分析,即可获得多个互信息熵。然后,针对多个互信息熵中的每个互信息熵进行判断,判断该互信息熵是否大于预设阈值,若该互信息熵大于或等于预设阈值,则将该互信息熵对应的特征时序数据确认为与样本指标数据具有相关关系的样本特征数据。
第二种实施方式,可以使用线性相关分析方法从多种样本特征数据从筛选出至少一种与样本指标数据具有相关关系的样本特征数据;其中,此处的线性相关分析方法包括但不限于:线性回归分析法和单线性相关分析法等等。
步骤S1223:获取相关关系的样本特征数据对应的优化操作数据。
上述步骤S1223的实施方式例如:事先将样本特征数据和该样本特征数据对应的优化操作数据存储于关系型数据库中,那么就可以从关系型数据库中获取相关关系的样本特征数据对应的优化操作数据。
步骤S1224:以优化操作数据和相关关系的样本特征数据为训练数据,以样本指标数据为训练标签,对神经网络进行训练,获得神经网络模型。
上述步骤S1224的实施方式例如:使用神经网络对优化操作数据和相关关系的样本特征数据进行预测,获得预测指标数据;然后,计算预测指标数据和样本指标数据之间的损失值,再根据该损失值更新神经网络的网络权重参数,直到损失值小于预设比例或者迭代次数(epoch)数量大于预设阈值时,即可获得训练后的神经网络模型。其中,该神经网络模型可以包括:CNN模型或者RNN模型;可以使用的CNN例如:LeNet网络模型、AlexNet网络模型和GoogLeNet网络模型等等;可以使用的RNN模型包括:LSTM模型或者Bi-LSTM模型等等;上述的预设比例可以根据具体情况设置,例如设置为5%或者10%等;上述的预设阈值也可以根据具体情况进行设置,例如设置为100或者1000等等。
步骤S123:从多个预测指标数据筛选出最优指标数据,并将最优指标数据确定为多种特征时序数据对应的指标时序数据。
上述步骤S123的实施方式例如:假设预测指标数据是药液体浓度,那么可以从多个药液体浓度筛选出值最大的药液体浓度,并将值最大的药液体浓度确定为最优指标数据,然后,将最优指标数据确定为多种特征时序数据对应的指标时序数据。
在步骤S120之后,执行步骤S130:将多种特征时序数据和多种特征时序数据对应的指标时序数据存储至经验数据库。
上述步骤S130的实施方式例如:将多种特征时序数据和多种特征时序数据对应的指标时序数据存储至经验数据库,此处的经验数据库可以采用关系型数据库和非关系型数据库。当然在具体的实践过程中,也可以将每种特征时序数据进行操作的操作数据存入经验数据库,以使得煎药设备能够更快地根据操作数据来进行操作;也可以根据经验数据库中的特征时序数据与煎药设备上实时获取的特征时序数据的差值来生成操作数据。当然还可以使用内存数据库来分担关系型数据库和非关系型数据库的访问压力,并加速数据的访问速度。上述的实现过程可以理解为,采用蒙特卡洛模拟思想来获取特征时序数据对应的指标时序数据,假设实验室中有很多个人在做煎制实验,那么通过模拟每个人的火力大小、火焰温度和压力和等等调节操作,从而获得多个操作数据;模拟实验室中的一个人的实验结果得到的预测指标数据,那么实验室中有多个人时,就可以获得多个预测指标数据;从多个预测指标数据筛选出最优指标数据,并将最优指标数据确定为指标时序数据。
请参见图2示出的本申请实施例提供的使用经验数据库阶段的流程示意图;上面介绍了构建经验数据库的阶段,下面介绍使用经验数据库的阶段如下:
步骤S210:对煎药设备的煎制过程进行监控,获得煎药设备产生的多种特征时序数据。
上述步骤S210的实施方式例如:对煎药设备的煎制过程进行监控,即实时监控对中药饮片进行煎制的过程中每种特征时序数据,获得煎药设备产生的多种特征时序数据。其中,特征时序数据可以包括:药液温度、火力大小(武火/文火)、加热温度和压力等等;上述获得煎药设备产生的多种特征时序数据的过程具体例如:使用煎药设备上的温度传感器检测药液温度、使用煎药设备上的加热传感器控制和返回火力大小或者(例如电阻丝的)加热温度等,以及使用压力传感器来检测煎药设备内部的压力大小等等。
在步骤S210之后,执行步骤S220:从经验数据库中查找到多种特征时序数据对应的指标时序数据。
其中,指标时序数据是表征煎制效果的时间序列数据。从上面的经验数据库的建立过程可以知道,经验数据库存放有多种特征时序数据与指标时序数据的关联关系,即经验数据库存储的是多种特征时序数据和多种特征时序数据对应的指标时序数据(即最优指标数据)。
上述步骤S220的实施方式包括:第一种实施方式,在煎药设备本地经验数据库中查找指标时序数据,该实施方式例如:从煎药设备上预先设置的经验数据库中查找到多种特征时序数据对应的指标时序数据。第二种实施方式,将多种特征时序数据发送给服务器,然后,让服务器从经验数据库中查找,该实施方式例如:煎药设备向服务器发送多种特征时序数据,以使服务器从经验数据库中查找到多种特征时序数据对应的指标时序数据,并向煎药设备发送该指标时序数据。最后,煎药设备接收服务器发送的多种特征时序数据对应的指标时序数据。
在步骤S220之后,执行步骤S230:根据多种特征时序数据和指标时序数据生成操作指令,并向煎药设备发送操作指令,以使煎药设备根据操作指令调整煎制过程中的特征时序数据。
上述步骤S230的实施方式有很多种,包括但不限于如下几种:
第一种实施方式,根据查询到的指标时序数据来确定是否继续煎制,根据查询到的特征时序数据来确定如何操作,该实施方式具体例如:获取煎药设备中药液的实时指标时序数据和实时特征时序数据,并判断实时指标时序数据是否大于或等于查询到的指标时序数据;若否,则将查询到的特征时序数据减去实时特征时序数据,获得特征差值,并根据特征差值生成操作指令,并向煎药设备发送操作指令;若是,则停止煎制过程。
具体地,假设特征时序数据为药液温度,且指标时序数据为药液体浓度;如果煎药设备中的实时药液体浓度小于查询到的药液体浓度,那么需要继续煎制过程,然后,再将查询到的药液温度(例如是100°)减去实时获取的药液温度(例如是90°),获得的温度差值是10°,因此,操作指令是将液体温度再提高10°。如果煎药设备中的实时药液体浓度大于或等于查询到的药液体浓度,那么就输出煎制过程已完成的操作指令或者信号信息等。当然在具体的实践过程中,也可以是根据温度差值生成操作建议,在煎药设备上显示“将液体温度再提高10°”的操作建议。
第二种实施方式,根据实时指标时序数据与查询到的指标时序数据之间的比例来确定操作权重,然后,根据查询到的特征时序数据与实时特征时序数据之间的特征差值,根据特征差值和操作权重来生成操作指令,该实施方式例如:假设特征时序数据为药液温度,且指标时序数据为药液体浓度;如果煎药设备中的实时药液体浓度(例如是0.3克每毫升)小于查询到的药液体浓度(例如是0.4克每毫升),那么需要继续煎制过程,可以将实时药液体浓度(例如是0.3克每毫升)除以查询到的药液体浓度(例如是0.4克每毫升),获得的操作权重为0.75,再将查询到的药液温度(例如是100°)减去实时获取的药液温度(例如是90°),获得的温度差值是10°;最后,根据公式操作数据=特征差值×(1-操作权重)对温度差值和操作权重进行计算,获得操作数据为10°×(1-0.75)=2.5°,因此,操作指令是将液体温度再提高2.5°。如果煎药设备中的实时药液体浓度大于或等于查询到的药液体浓度,那么就输出煎制过程已完成的操作指令或者信号信息等。当然在具体的实践过程中,也可以是根据温度差值生成操作建议,在煎药设备上显示“将液体温度再提高2.5°”的操作建议。
在上述的实施过程中,首先,获得煎药设备在煎制过程中产生的多种特征时序数据,然后,从经验数据库中查找到多种特征时序数据对应的指标时序数据,最后,根据多种特征时序数据和指标时序数据生成操作指令,并向煎药设备发送操作指令。也就是说,通过事先建立的经验数据库来对煎药设备的煎制过程中的特征时序数据进行调整,使得煎药设备的特征时序数据对应的煎制效果逐渐向经验数据库中的指标时序数据对应煎制效果靠近,即提高了煎制过程的控制精准度,通过精准地控制煎药机的煎制过程从而靠近最好的煎制效果。
请参见图3示出的本申请实施例提供的对煎制过程进行预警的流程示意图;可选地,在煎药设备的煎制过程中,还可以对煎制过程进行预警,预警过程可以包括:
在步骤S210之后,可以执行步骤S310:针对多种特征时序数据中的每种特征时序数据,判断该特征时序数据是否在经验数据库中的变动范围内。
上述步骤S310的实施方式例如:针对多种特征时序数据中的每种特征时序数据,查找该特征时序数据在经验数据库中的变动范围,可以判断该特征时序数据是否在经验数据库中的变动范围内。先以药液温度为例进行说明,从经验数据库中找到药液温度在2分钟时应该升至50°-70°。再以火力大小(武火/文火)为例进行说明,假设从经验数据库中找到火力大小在10秒至2分钟范围内应该是持续为武火(即火焰温度大于90°的最大火力状态)。
在步骤S310之后,可以执行步骤S320:若该特征时序数据没有在经验数据库中的变动范围内,则根据该特征时序数据生成预警信息,并输出预警信息。
上述步骤S320的实施方式例如:假设在2分钟时实时获取的药液温度一直持续在0℃,那么生成“药液温度一直持续在0°”的预警信息。假设在10秒时火焰温度一直为0°,且煤气开关一直打开,那么立即生成“煤气中毒预警”的预警信息,提醒可能存在煤气中毒的预警信息。
请参见图4示出的本申请实施例提供的煎药监控装置的结构示意图。本申请实施例提供了一种煎药监控装置400,包括:
特征数据获得模块410,用于对煎药设备的煎制过程进行监控,获得煎药设备产生的多种特征时序数据。
指标数据查找模块420,用于从经验数据库中查找到多种特征时序数据对应的指标时序数据,指标时序数据是表征煎制效果的时间序列数据。
操作指令发送模块430,用于根据多种特征时序数据和指标时序数据生成操作指令,并向煎药设备发送操作指令,以使煎药设备根据操作指令调整煎制过程中的特征时序数据。
可选地,在本申请实施例中,煎药监控装置,还包括:
时序数据获取模块,用于获取多种特征时序数据,并获取多种特征时序数据对应的指标时序数据。
时序数据存储模块,用于将多种特征时序数据和多种特征时序数据对应的指标时序数据存储至经验数据库。
可选地,在本申请实施例中,时序数据获取模块,包括:
时序数据筛选模块,用于对多种特征时序数据进行相关性分析,获得相关性分析结果,并根据相关性分析结果对多种特征时序数据进行筛选;或者,使用长短期记忆模型对多种特征时序数据进行筛选。
可选地,在本申请实施例中,时序数据获取模块,还可以包括:
操作数据生成模块,用于在多种特征时序数据的每种特征时序数据对应的变动范围内生成多个操作数据。
操作数据预测模块,用于使用神经网络模型对多种特征时序数据和操作数据进行预测,获得多个预测指标数据。
指标数据确定模块,用于从多个预测指标数据筛选出最优指标数据,并将最优指标数据确定为多种特征时序数据对应的指标时序数据。
可选地,在本申请实施例中,煎药监控装置,还可以包括:
样本数据获取模块,用于获取多种样本特征数据和样本指标数据。
相关指标筛选模块,用于从多种样本特征数据从筛选出至少一种与样本指标数据具有相关关系的样本特征数据。
操作数据获取模块,用于获取相关关系的样本特征数据对应的优化操作数据。
神经网络训练模块,用于以优化操作数据和相关关系的样本特征数据为训练数据,以样本指标数据为训练标签,对神经网络进行训练,获得神经网络模型。
可选地,在本申请实施例中,神经网络模型可以包括:卷积神经网络模型或者循环神经网络模型。
可选地,在本申请实施例中,该煎药监控装置,还可以包括:
特指数据判断模块,用于针对多种特征时序数据中的每种特征时序数据,判断该特征时序数据是否在经验数据库中的变动范围内。
特指数据预警模块,用于若该特征时序数据没有在经验数据库中的变动范围内,则根据该特征时序数据生成预警信息,并输出预警信息。
应理解的是,该装置与上述的煎药监控方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system,OS)中的软件功能模块。
本申请实施例提供的一种电子设备,包括:处理器和存储器,存储器存储有处理器可执行的机器可读指令,机器可读指令被处理器执行时执行如上的方法。本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上的方法。
以上的描述,仅为本申请实施例的可选实施方式,但本申请实施例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实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请实施例的保护范围之内。