CN113792435A - 数据模型建立方法和装置、服务器 - Google Patents
数据模型建立方法和装置、服务器 Download PDFInfo
- Publication number
- CN113792435A CN113792435A CN202111087999.4A CN202111087999A CN113792435A CN 113792435 A CN113792435 A CN 113792435A CN 202111087999 A CN202111087999 A CN 202111087999A CN 113792435 A CN113792435 A CN 113792435A
- Authority
- CN
- China
- Prior art keywords
- data model
- data
- model
- component
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Stored Programmes (AREA)
Abstract
本发明提供了一种数据模型建立方法和装置、服务器,其中,该方法包括:从数据模型库中选定数据模型组件,其中,数据模型组件是通过样本设备的历史运行数据建立的;建立所述数据模型组件与目标设备参数之间的绑定关系,得到已绑定设备参数的数据模型组件;通过所述目标设备的实时运行数据对已绑定设备参数的数据模型组件的可变参数进行调整,将可变参数调整后的数据模型组件作为为所述目标设备部署的数据模型。通过上述方案解决了现有的模型迁移性差,与实时数据关联性低的问题,达到了提升模型迁移性,将模型建立与实时运行数据关联的技术效果。
Description
技术领域
本发明涉及大数据处理技术领域,具体而言,涉及一种数据模型建立方法、装置和服务器。
背景技术
随着智慧楼宇系统的不断发展,越来越多的楼宇设备被接入到集中监控系统中,产生了大量的历史运行数据。然而,目前使用这些历史数据的应用大多是采用离线建模方式的方式,历史数据与实时数据结合的应用方式较少。
进一步的,针对历史数据的离线建模往往需要花费大量的时间,且建立的模型迁移性和延续性较差,模型与实时数据存在功能层面的脱节。
针对如何充分利用楼宇历史数据,同时使得实时数据能够直接参与模型的计算和控制以及工程调试中,以达到系统模型快速部署的目的,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种数据模型建立方法和装置、服务器,以解决现有的模型迁移性差,与实时数据关联性低的问题。
一方面,提供了一种数据模型建立方法,包括:
从数据模型库中选定数据模型组件,其中,数据模型组件是通过样本设备的历史运行数据建立的;
建立所述数据模型组件与目标设备参数之间的绑定关系,得到已绑定设备参数的数据模型组件;
通过所述目标设备的实时运行数据对已绑定设备参数的数据模型组件的可变参数进行调整,将可变参数调整后的数据模型组件作为为所述目标设备部署的数据模型。
在一个实施方式中,从数据模型库中选定数据模型组件,包括:
接收用户通过Web数据模型组态界面对数据模型组件的选定操作;
将所述选定操作所选择的数据模型组件,作为从数据模型库中选定数据模型组件。
在一个实施方式中,通过所述目标设备的实时运行数据对已绑定设备参数的数据模型组件的可变参数进行调整,包括:
获取所述目标设备的实时运行数据;
将已绑定设备参数的数据模型组件作为样本模型;
将所述实时运行数据输入所述样本模型中,对所述样本模型进行参数求解和循环优化处理;
将循环优化后得到的参数值,作为所述样本模型调整后的可变参数。
在一个实施方式中,将可变参数调整后的数据模型组件作为为所述目标设备部署的数据模型之后还包括:
将调整后的可变参数与Web数据输出组件绑定;
将绑定了调整后的可变参数的Web数据输出组件转换为Web脚本;
将所述Web脚本存储到数据库中。
在一个实施方式中,将绑定了调整后的可变参数的Web数据输出组件转换为Web脚本之后,还包括:
获取目标设备的工程属性;
根据所述工程属性生成接口参数;
建立接口参数与所述Web脚本之间的关联关系。
在一个实施方式中,所述数据模型库中包括以下数据模型组件至少之一:空调故障诊断数据模型、空调故障预测数据模型、灯带节能控制模型和空调压缩机寿命预测模型。
在一个实施方式中,可变参数包括以下至少之一:权重矩阵、输入单元数、输出单元数。
另一方面,提供了一种数据模型建立装置,包括:
选定模块,用于从数据模型库中选定数据模型组件,其中,数据模型组件是通过样本设备的历史运行数据建立的;
建立模块,用于建立所述数据模型组件与目标设备参数之间的绑定关系,得到已绑定设备参数的数据模型组件;
调整模块,用于通过所述目标设备的实时运行数据对已绑定设备参数的数据模型组件的可变参数进行调整,将可变参数调整后的数据模型组件作为为所述目标设备部署的数据模型。
又一方面,提供了一种服务器,包括:上述的数据模型建立装置。
又一方面,提供了一种网络设备,包括:存储器、处理器及存储在存储器上并可在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方法的步骤。
又一方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
在上述实施例中,通过样本设备的历史运行数据建立数据模型组件,在为目标设备建立数据模型的时候,只需要选择这些数据模型组件,然后进行参数绑定,再基于目标数据的实时运行数据对模型进行参数调优,就可以得到适用于目标设备的数据模型。通过上述方案解决了现有的模型迁移性差,与实时数据关联性低的问题,达到了提升模型迁移性,将模型建立与实时运行数据关联的技术效果,低了数据模型的使用难度,提升了工程化部署的效率。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的数据模型建立方法的方法流程图;
图2是根据本发明实施例的种组态化数据模型系统示意图;
图3是根据本发明实施例的数据模型库中的数据模型的建立的逻辑示意图;
图4是根据本发明实施例的模型迁移、在线求解和调优以得到可使用的模型的逻辑示意图;
图5是根据本发明实施例的基于Web组件的模型建立示意图;
图6是根据本发明实施例的数据模型建立装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
针对现有的历史数据的离线建模往往需要花费大量的时间,且建立的模型迁移性和延续性较差,模型与实时数据存在功能层面脱节的问题,在本例中提供了一种数据模型建立方法,实现数据模型的组态化处理和模型迁移,具体的,可以如图1所示,包括如下步骤:
步骤101:从数据模型库中选定数据模型组件,其中,数据模型组件是通过样本设备的历史运行数据建立的;
其中,该数据模型库中可以包括但不限于以下数据模型组件至少之一:空调故障诊断数据模型、空调故障预测数据模型、灯带节能控制模型和空调压缩机寿命预测模型。基于数据模型库中的模型,用户可以按照需求选定,例如,打算对空调进行故障诊断,那么就选择空调故障诊断数据模型,如果打算对压缩机进行寿命预测,那么就选择空调压缩机寿命预测模型。
对于这些模型可以是根据样本设备(例如样本楼宇设备中的空调、压缩机等)的历史运行数据建立的。这些模型可以作为基础模型,作为后续相似设备基于迁移方式的模型建立的基础,从而可以快速建立针对目标设备的数据模型。
步骤102:建立所述数据模型组件与目标设备参数之间的绑定关系,得到已绑定设备参数的数据模型组件;
例如,在选择完具体的数据模型后,该模型是可以带有固定的超参数的,例如:模型层数、采用的激活函数等。用户可以通过Web数据输入组件(该Web数据输入组件可以是基于topo.js的Web数据输入组件),绑定参与该模型的设备和参数。即,对于服务器侧而言,可以建立选定的数据模型组件与目标设备参数之间的绑定关系。
例如,如果目标设备是空调,那么目标设备参数可以包括:温度、湿度、模式、风速、环境温度等;如果目标设备是灯带,那么目标设备参数可以包括:灯的个数、照度、环境亮度等;如果目标设备是压缩机,那么目标设备参数可以包括:额定功率、输入电流、输入电压等。即,将这些目标设备参数与选定的数据模型组件进行绑定。
步骤103:通过所述目标设备的实时运行数据对已绑定设备参数的数据模型组件的可变参数进行调整,将可变参数调整后的数据模型组件作为为所述目标设备部署的数据模型。
对于目标设备而言,可以获取其实时运行数据,然后通过实时运行数据对已绑定设备参数的数据模型组件的可变参数进行调整,即,对数据模型进行在线的新参数求解和调优,以实时数据模型组件可以适用于新的场景,适用于目标设备。
其中,上述可变参数可以包括但不限于以下至少之一:权重矩阵、输入单元数、输出单元数。
具体的,上述从数据模型库中选定数据模型组件可以是用户选择的,即,对于服务器而言,可以接收用户通过Web数据模型组态界面对数据模型组件的选定操作;将所述选定操作所选择的数据模型组件,作为从数据模型库中选定数据模型组件。例如,可以在Web界面上设置多个数据模型组件,用户可以通过点选等方式从多个数据模型组件中选择一个作为选定的数据模型组件。
在一个实施方式中,通过目标设备的实时运行数据对已绑定设备参数的数据模型组件的可变参数进行调整,可以是获取所述目标设备的实时运行数据;将已绑定设备参数的数据模型组件作为样本模型;将所述实时运行数据输入所述样本模型中,对所述样本模型进行参数求解和循环优化处理;将循环优化后得到的参数值,作为所述样本模型调整后的可变参数。即,通过目标设备的实时运行数据对模型进行在线的参数寻优,实现对模型的参数优化。
为了实现对最终生成的数据模型的存储,在将可变参数调整后的数据模型组件作为为所述目标设备部署的数据模型之后,可以将调整后的可变参数与Web数据输出组件绑定;将绑定了调整后的可变参数的Web数据输出组件转换为Web脚本;将所述Web脚本存储到数据库中。进一步的,在将绑定了调整后的可变参数的Web数据输出组件转换为Web脚本之后,还可以获取目标设备的工程属性;根据所述工程属性生成接口参数;建立接口参数与所述Web脚本之间的关联关系。其中,该工程属性可以包括但不限于以下至少之一:工程地址、子系统、设备类型等。即,将这些工程属性作为接口参数,在数据库中可以通过外键与Web脚本进行关联,从而实现接口的灵活调用。
在实际实现的时候,通过历史运行数据建立模型,以及通过实时运行数据进行模型参数优化,之前,都可以对获取的数据进行预处理,其中,预处理操作可以包括但不限于:去均值、归一化以及特征降维等操作。
下面结合一个具体实施例对上述方法进行说明,然而,值得注意的是,该具体实施例仅是为了更好地说明本申请,并不构成对本申请的不当限定。
在本例中提供了一种组态化的数据模型建立方法,以有效解决历史数据与实时数据之间的功能结合存在的脱节问题,从而加快工程搭建和部署的速度,减少人力消耗,降低模型使用人员的学习成本和使用难度。
具体的,提供了一种组态化数据模型系统,可以如图2所示,包括:楼宇设备、楼宇设备通过通讯模块与服务器相连。对于服务器而言,可以执行获取历史数据,对数据进行预处理从而形成历史数据库,然后进行模型训练,得到数据模型库,在数据模型库中存储有模型超变参数和模型变参数。
数据模型库中的数据模型可以是按照如图3所示的方式建立的,可以是获取历史数据,对获取的历史数据进行数据预处理,然后对模型进行训练得到模型的超参数,超参数可以包括:模型类型、模型层数、模型单元数、判别函数等,基于得到的模型超参数建立超参数模型库。
在得到模型数据库后,可以进行模型迁移,模型迁移是指针对相类似的问题或楼宇设备或是使用场景,使用迁移学习的思想快速在新的系统中使用已有的模型。为了实现模型迁移,可以建立数据预处理组件、模型组态组件、模型评价组件,从而得到可使用的模型。
具体的,模型迁移、在线求解和调优以得到可使用的模型,可以如图4所示,获取实时数据,通过迁移模型进行可变参数求解,模型可变参数包括:权重矩阵、输入单元数和输出单元数,从而得到模型组件。即,将已有的模型迁移过来后,针对该模型进行在线的新的参数求解和调优,使得其适用于新的场景。
通过本例所提供的装置和方法实现复杂的数据模型组态化创建,在实际的实施过程中,主要依赖于数据采集服务器和数据模型存储服务器,具体可以包括如下步骤:
S1:用户进入Web数据模型组态界面,从数据模型库中可选择以下数据模型组件:
1)空调故障诊断数据模型;
2)空调故障预测数据模型;
3)灯带节能控制模型;
4)空调压缩机寿命预测模型。
S2:用户在选择完具体的数据模型后,该模型带有固定的超参数,例如:模型层数、采用的激活函数等。如图5所示,用户可以通过Web数据输入组件(该Web数据输入组件可以是基于topo.js的Web数据输入组件),绑定参与该模型的设备和参数,例如:
1)空调机组1:温度、湿度、模式、风速、环境温度等;
2)灯带:灯的个数、照度、环境亮度等;
3)压缩机:额定功率、输入电流、输入电压等。
S3:用户将所选的数据模型与具体设备和点位进行绑定后,可以在工程调试的过程中启动整个系统,对数据模型的可变参数进行在线调整,直至达到用户要求的效果为止。
S4:确定好数据模型的可变参数后,如图5所示,将这些参数与Web数据输出组件(该Web数据输出组件可以是基于topo.js的Web数据输出组件)绑定,同时转化为Web脚本,存储到数据库中。
S5:在完成上述组态化绑定后,可以清除调试数据,将组态化后的脚本保留,并通过Web接口的形式提供给界面展示使用。
S6:在上述组态组件转化为Web接口的过程中,可以结合实际工程中的工程属性,例如:工程地址、子系统、设备类型等作为接口参数,在数据库中通过外键与Web脚本进行关联,从而实现接口的灵活调用。
其中,topo.js指的是可视化的Web人机交互插件,提供卡片式的模块交互方式。Web脚本可以包括Web组件与数据模型组件结合后的html、js以及css等类型的脚本文本。
其中,上述的数据模型组态化指的是将通用的数据模型与组态化的人机交互思想进行结合,提供组态化的模型搭建系统。模型迁移指的是针对相类似的问题或楼宇设备或是使用场景,使用迁移学习的思想快速在新的系统中使用已有的模型。模型在线求解和调优指的是针对新的使用场景,将已有的模型迁移过来后,针对该模型进行在线的新的参数求解和调优,使得其适用于新的场景。
对于楼宇设备与服务器之间可以建立通讯模块,例如,可以支持通过以太网、WiFi、NB-IOT、5G等有线或者无线的通讯方式。
在本例中,还可以设置数据预处理组件,通过数据预处理组件对采集到的数据进行预处理,主要预处理可以包括:去均值、归一化以及特征降维等。
在上例中,通过数据模型的组态化处理,使得可以一次建模,迁移使用的目的,且可以在线对模型进行求解和调优。通过在不同的使用场景下,对具有超参数的数据模型进行工程化迁移使用,降低了数据模型的使用难度,加快了工程化部署。
基于同一发明构思,本发明实施例中还提供了一种数据模型建立装置,如下面的实施例所述。由于数据模型建立装置解决问题的原理与数据模型建立方法相似,因此数据模型建立装置的实施可以参见数据模型建立方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。图6是本发明实施例的数据模型建立装置的一种结构框图,如图6所示,可以包括:选定模块601、建立模块602和调整模块603,下面对该结构进行说明。
选定模块601,用于从数据模型库中选定数据模型组件,其中,数据模型组件是通过样本设备的历史运行数据建立的;
建立模块602,用于建立所述数据模型组件与目标设备参数之间的绑定关系,得到已绑定设备参数的数据模型组件;
调整模块603,用于通过所述目标设备的实时运行数据对已绑定设备参数的数据模型组件的可变参数进行调整,将可变参数调整后的数据模型组件作为为所述目标设备部署的数据模型。
在一个实施方式中,上述选定模块601具体可以接收用户通过Web数据模型组态界面对数据模型组件的选定操作;将所述选定操作所选择的数据模型组件,作为从数据模型库中选定数据模型组件。
在一个实施方式中,上述调整模块603具体可以获取所述目标设备的实时运行数据;将已绑定设备参数的数据模型组件作为样本模型;将所述实时运行数据输入所述样本模型中,对所述样本模型进行参数求解和循环优化处理;将循环优化后得到的参数值,作为所述样本模型调整后的可变参数。
在一个实施方式中,上述数据模型建立装置在将可变参数调整后的数据模型组件作为为所述目标设备部署的数据模型之后还可以将调整后的可变参数与Web数据输出组件绑定;将绑定了调整后的可变参数的Web数据输出组件转换为Web脚本;将所述Web脚本存储到数据库中。
在一个实施方式中,上述数据模型建立装置在将绑定了调整后的可变参数的Web数据输出组件转换为Web脚本之后,还可以获取目标设备的工程属性;根据所述工程属性生成接口参数;建立接口参数与所述Web脚本之间的关联关系。
在一个实施方式中,上述数据模型库中包括以下数据模型组件至少之一:空调故障诊断数据模型、空调故障预测数据模型、灯带节能控制模型和空调压缩机寿命预测模型。
在一个实施方式中,上述可变参数可以包括但不限于以下至少之一:权重矩阵、输入单元数、输出单元数。
在另外一个实施例中,还提供了一种软件,该软件用于执行上述实施例及优选实施方式中描述的技术方案。
在另外一个实施例中,还提供了一种存储介质,该存储介质中存储有上述软件,该存储介质包括但不限于:光盘、软盘、硬盘、可擦写存储器等。
从以上的描述中,可以看出,本发明实施例实现了如下技术效果:通过样本设备的历史运行数据建立数据模型组件,在为目标设备建立数据模型的时候,只需要选择这些数据模型组件,然后进行参数绑定,再基于目标数据的实时运行数据对模型进行参数调优,就可以得到适用于目标设备的数据模型。通过上述方案解决了现有的模型迁移性差,与实时数据关联性低的问题,达到了提升模型迁移性,将模型建立与实时运行数据关联的技术效果,低了数据模型的使用难度,提升了工程化部署的效率。
尽管本申请内容中提到不同的具体实施例,但是,本申请并不局限于必须是行业标准或实施例所描述的情况等,某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、处理、输出、判断方式等的实施例,仍然可以属于本申请的可选实施方案范围之内。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。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、产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、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
上述实施例阐明的装置或模块等,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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,例如多个模块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。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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,移动终端,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本申请,本领域普通技术人员知道,本申请有许多变形和变化而不脱离本申请的精神,希望所附的实施方式包括这些变形和变化而不脱离本申请。
Claims (11)
1.一种数据模型建立方法,其特征在于,包括:
从数据模型库中选定数据模型组件,其中,数据模型组件是通过样本设备的历史运行数据建立的;
建立所述数据模型组件与目标设备参数之间的绑定关系,得到已绑定设备参数的数据模型组件;
通过所述目标设备的实时运行数据对已绑定设备参数的数据模型组件的可变参数进行调整,将可变参数调整后的数据模型组件作为为所述目标设备部署的数据模型。
2.根据权利要求1所述的方法,其特征在于,从数据模型库中选定数据模型组件,包括:
接收用户通过Web数据模型组态界面对数据模型组件的选定操作;
将所述选定操作所选择的数据模型组件,作为从数据模型库中选定数据模型组件。
3.根据权利要求1所述的方法,其特征在于,通过所述目标设备的实时运行数据对已绑定设备参数的数据模型组件的可变参数进行调整,包括:
获取所述目标设备的实时运行数据;
将已绑定设备参数的数据模型组件作为样本模型;
将所述实时运行数据输入所述样本模型中,对所述样本模型进行参数求解和循环优化处理;
将循环优化后得到的参数值,作为所述样本模型调整后的可变参数。
4.根据权利要求1所述的方法,其特征在于,将可变参数调整后的数据模型组件作为为所述目标设备部署的数据模型之后还包括:
将调整后的可变参数与Web数据输出组件绑定;
将绑定了调整后的可变参数的Web数据输出组件转换为Web脚本;
将所述Web脚本存储到数据库中。
5.根据权利要求4所述的方法,其特征在于,将绑定了调整后的可变参数的Web数据输出组件转换为Web脚本之后,还包括:
获取目标设备的工程属性;
根据所述工程属性生成接口参数;
建立接口参数与所述Web脚本之间的关联关系。
6.根据权利要求1所述的方法,其特征在于,所述数据模型库中包括以下数据模型组件至少之一:空调故障诊断数据模型、空调故障预测数据模型、灯带节能控制模型和空调压缩机寿命预测模型。
7.根据权利要求1所述的方法,其特征在于,可变参数包括以下至少之一:权重矩阵、输入单元数、输出单元数。
8.一种数据模型建立装置,其特征在于,包括:
选定模块,用于从数据模型库中选定数据模型组件,其中,数据模型组件是通过样本设备的历史运行数据建立的;
建立模块,用于建立所述数据模型组件与目标设备参数之间的绑定关系,得到已绑定设备参数的数据模型组件;
调整模块,用于通过所述目标设备的实时运行数据对已绑定设备参数的数据模型组件的可变参数进行调整,将可变参数调整后的数据模型组件作为为所述目标设备部署的数据模型。
9.一种服务器,包括:权利要求8所述的数据模型建立装置。
10.一种网络设备,包括:存储器、处理器及存储在存储器上并可在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权利要求1至7中任一项所述方法的步骤。
11.一种非易失性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111087999.4A CN113792435A (zh) | 2021-09-16 | 2021-09-16 | 数据模型建立方法和装置、服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111087999.4A CN113792435A (zh) | 2021-09-16 | 2021-09-16 | 数据模型建立方法和装置、服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113792435A true CN113792435A (zh) | 2021-12-14 |
Family
ID=78878739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111087999.4A Pending CN113792435A (zh) | 2021-09-16 | 2021-09-16 | 数据模型建立方法和装置、服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792435A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116610320A (zh) * | 2023-07-21 | 2023-08-18 | 江苏橙智云信息技术有限公司 | 一种建筑自控系统组态页面的配置平台 |
-
2021
- 2021-09-16 CN CN202111087999.4A patent/CN113792435A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116610320A (zh) * | 2023-07-21 | 2023-08-18 | 江苏橙智云信息技术有限公司 | 一种建筑自控系统组态页面的配置平台 |
CN116610320B (zh) * | 2023-07-21 | 2023-10-17 | 江苏橙智云信息技术有限公司 | 一种建筑自控系统组态页面的配置系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112433819B (zh) | 异构集群调度的模拟方法、装置、计算机设备及存储介质 | |
CN109034394B (zh) | 一种机器学习模型的更新方法和装置 | |
CN104864548A (zh) | 一种空调运行的控制方法及系统 | |
CN112888268A (zh) | 数据中心机房节能控制方法、装置、设备及存储介质 | |
CN114282721B (zh) | 污染物预报模型训练方法、装置、电子设备及存储介质 | |
CN111580411A (zh) | 控制参数优化方法、装置和系统 | |
CN114911492B (zh) | 推理服务部署方法、装置、设备以及存储介质 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN111950706A (zh) | 基于人工智能的数据处理方法、装置、计算机设备及介质 | |
CN113792435A (zh) | 数据模型建立方法和装置、服务器 | |
CN111509728A (zh) | 一种基于多源异构虚拟负荷的优化调控方法及系统 | |
CN110296514B (zh) | 空调的智能化控制方法、装置及空调 | |
CN112283882B (zh) | 采样值的获取方法和装置、空调 | |
CN104008046A (zh) | 程序的测试方法以及用于测试程序的设备 | |
JP2012230538A (ja) | ソフトウェア評価装置、ソフトウェア評価方法およびシステム評価装置 | |
KR20230161721A (ko) | 딥 러닝 기반 재생 에너지 소비 및 생산 예측 방법 및 그 장치 | |
Khanna et al. | Adaptive mobile computation offloading for data stream applications | |
Lee et al. | Self-adaptive framework with game theoretic decision making for Internet of things | |
CN111786824A (zh) | 数据中心能效比优化方法、系统、设备及可读存储介质 | |
CN111881885A (zh) | 一种开放式的电力ai应用平台 | |
CN111310644A (zh) | 一种针对电器类型及其工作状态的智能识别方法及装置 | |
CN114237915B (zh) | 分布式环境下基于机器学习的数据修复方法、装置及设备 | |
CN114167223B (zh) | 供电异常的检测方法、装置及计算机可读存储介质 | |
WO2023028778A1 (en) | Methods, systems and storage medium for industrial app development | |
Schuhmacher et al. | ecoBLE: A Low-Computation Energy Consumption Prediction Framework for Bluetooth Low Energy |
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 |