CN113805580A - 一种设备控制方法、系统、装置及其存储介质 - Google Patents
一种设备控制方法、系统、装置及其存储介质 Download PDFInfo
- Publication number
- CN113805580A CN113805580A CN202110776951.8A CN202110776951A CN113805580A CN 113805580 A CN113805580 A CN 113805580A CN 202110776951 A CN202110776951 A CN 202110776951A CN 113805580 A CN113805580 A CN 113805580A
- Authority
- CN
- China
- Prior art keywords
- data
- preset
- control
- control instruction
- model
- 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 73
- 238000013499 data model Methods 0.000 claims abstract description 30
- 238000013506 data mapping Methods 0.000 claims abstract description 15
- 238000004088 simulation Methods 0.000 claims description 26
- 230000000007 visual effect Effects 0.000 claims description 24
- 238000013136 deep learning model Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 13
- 239000007787 solid Substances 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000001276 controlling effect Effects 0.000 description 24
- 230000000875 corresponding effect Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000017525 heat dissipation Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种设备控制方法、系统、装置及其存储介质。该方法包括:接收预定采集装置采集目标设备的第一状态数据;根据所述第一状态数据和预置数据按照预设的数据映射关系建构虚拟数据模型,所述虚拟数据模型按照预定逻辑关系构建数据之间的逻辑;根据所述数据模型按照预定标准规则进行比对生成比对结果;根据不同的所述比对结果按照预定的第一控制指令生成规则生成对应的第一控制指令,以通过所述第一控制指令对所述目标设备进行控制。通过所述预定逻辑关系构建复杂的数据关系,并与第一控制指令关联,实现在复杂数据下对目标设备进行控制,有助于解决现有技术中由于影响控制方式的因素过多,导致无法对设备进行控制的技术问题。
Description
技术领域
本发明涉及设备控制领域,尤其是指一种设备控制方法、系统、装置及其存储介质。
背景技术
目前,对于设备的控制方法相对孤立,都是对其中一个物理变化或者一个数据进行控制,比如温度、路径规划等,但是这种方式由于控制的物理变化或者属性相对单一,而往往需要控制的方式是受多个因素所影响,其情况非常复杂,所以现有技术中的控制方法很难应对如此复杂的控制,比如AGV小车的控制,其自动驾驶的控制可能需要周围环境的数据和自身的数据共同作用,其中AGV小车自身的数据可能要考虑电机功率、功耗、机械结构状态、机械磨损等等诸多方面,现有技术中的控制方法都不能满足这么复杂状况的控制,而不同的工况可能影响的控制方法的权重或因素也各不相同。
所以,急需一种设备控制方法、系统、装置及其存储介质,有助于解决现有技术中由于影响控制方式的因素过多,导致无法对设备进行控制的技术问题。
发明内容
本申请提供了一种设备控制方法,其目的在于通过构建虚拟数据模型,创建的虚拟数据模型具有预定逻辑关系,通过所述预定逻辑关系构建复杂的数据关系,并与第一控制指令关联,实现在复杂数据下对目标设备进行控制,有助于解决现有技术中由于影响控制方式的因素过多,导致无法对设备进行控制的技术问题。
该方法包括:
接收预定采集装置采集目标设备的第一状态数据;
根据所述第一状态数据和预置数据按照预设的数据映射关系建构虚拟数据模型,其中,所述虚拟数据模型为映射所述目标设备的数据模型,且按照预定逻辑关系构建数据之间的逻辑;
根据所述数据模型按照预定标准规则进行比对生成比对结果;
根据不同的所述比对结果按照预定的第一控制指令生成规则生成对应的第一控制指令,以通过所述第一控制指令对所述目标设备进行控制。
在另一可选实施例中,所述根据所述第一状态数据和预置数据按照预设的数据映射关系建构虚拟数据模型,其中,所述虚拟数据模型为映射所述目标设备的数据模型,且按照预定逻辑关系构建数据之间的逻辑步骤后,该方法包括:
根据所述第一状态数据构建所述目标设备的可视化实体模型,其中,所述第一状态数据包括所述目标设备的外形尺寸数据;
将所述可视化实体模型通过预置的显示设备予以显示。
在另一可选实施例中,所述根据所述第一状态数据构建所述目标设备的可视化实体模型,其中,所述第一状态数据包括所述目标设备的外形尺寸数据步骤后,该方法还包括:
接收所述预置采集装置采集的环境数据;
根据所述环境数据通过所述可视化实体模型和预置的深度学习模型进行仿真得到仿真结果。
在另一可选实施例中,所述根据所述环境数据通过所述可视化实体模型进行仿真得到仿真结果步骤后,该方法还包括:
根据所述仿真结果按照预定的第二控制指令生成规则生成第二控制指令;
发送所述第二控制指令实现对所述目标设备的控制。
在另一可选实施例中,所述发送所述第二控制指令实现对所述目标设备的控制步骤后,该方法包括:
接收所述目标设备的第二状态数据;
根据所述第二状态数据对所述深度学习模型进行训练得到目标深度学习模型。
在另一可选实施例中,所述目标设备为AGV小车。
在另一可选实施例中,本申请还提供了一种控制设备系统,所述系统包括目标设备和后台控制系统;
所述目标设备设置有预定采集装置和指令接收装置,所述目标设备通过所述预定采集装置采集第一状态数据,并将所述第一状态数据发送至所述后台控制系统;
所述后台控制系统,用于接收所述第一状态数据;根据所述第一状态数据和预置数据按照预设的数据映射关系建构虚拟数据模型,其中,所述虚拟数据模型为映射所述目标设备的数据模型,且按照预定逻辑关系构建数据之间的逻辑;根据所述数据模型按照预定标准规则进行比对生成比对结果;根据不同的所述比对结果按照预定的第一控制指令生成规则生成对应的第一控制指令,将所述第一控制指令发送至目标设备;
所述目标设备通过所述指令接收装置接收所述第一控制指令,并执行所述第一控制指令以实现所述后台控制系统对所述目标设置的控制。
在另一可选实施例中,本申请提供了一种控制设备装置,该装置包括:
接收模块,接收预定采集装置采集目标设备的第一状态数据;
构建模块,根据所述第一状态数据和预置数据按照预设的数据映射关系建构虚拟数据模型,其中,所述虚拟数据模型为映射所述目标设备的数据模型,且按照预定逻辑关系构建数据之间的逻辑;
比对模块,根据所述数据模型按照预定标准规则进行比对生成比对结果;
生成模块,根据不同的所述比对结果按照预定的第一控制指令生成规则生成对应的第一控制指令,以通过所述第一控制指令对所述目标设备进行控制。
在另一实施方式中,本申请提供了一种控制设备装置,所述装置包括:处理器和存储器;
所述存储器中存储有可被所述处理器执行的应用程序,用于使得所述处理器执行如所述的控制设备方法的步骤。
在另一实施方式中,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的控制设备方法的步骤。
如上可见,基于上述实施例,其目的在于通过构建虚拟数据模型,创建的虚拟数据模型具有预定逻辑关系,通过所述预定逻辑关系构建复杂的数据关系,并与第一控制指令关联,实现在复杂数据下对目标设备进行控制,有助于解决现有技术中由于影响控制方式的因素过多,导致无法对设备进行控制的技术问题。
附图说明
图1为本发明一实施例中控制设备方法的流程100示意图;
图2为本发明一实施例中控制设备方法的虚拟数据模型构建示意图;
图3为本发明一实施例中控制设备方法的流程200示意图;
图4为本发明一实施例中控制设备方法的流程300示意图;
图5为本发明一实施例中控制设备方法的流程400示意图;
图6为本发明一实施例中控制设备方法的流程500示意图;
图7为本发明一实施例中控制设备装置的架构示意图。
具体实施方式
目前,在现有技术中对设备的控制方式有很多种,随着数字化科技的不断成熟,数据控制慢慢成为了主流趋势,也是新的一种控制方式。现有技术中的数据控制方法主要是单一数据的控制,比如以AGV小车的数据控制为例,传感器从AGV小车的电池中获取电量的数值,然后将电量的数值发送至后台控制系统,后台控制系统会做出反馈,进而控制AGV小车,但是上述的过程只是对单一数据进行反馈,即电量,而在实际应用过程中,电量的数据和很多其他的数据相关,AGV小车的行驶模式、电器元件的开关状态等等,那么现有技术中的控制方法就比较片面,而且数据在控制过程中的权重也不同,所以如果采用比较精细复杂条件进行控制,现有技术中的控制方法显然就很难满足,而且随着科技的发展,控制上更追求大数据条件下进行控制,而这种控制现有技术更加无法实现。
在本申请中提供一种设备控制方法,首先,通过预定采集装置采集目标设备的第一状态数据。其中,所述第一状态数据并非只限于一类数据,比如电量数据等等,可能是多种数据类型。然后,根据所述第一状态数据和预置数据按照预设的数据映射关系建构虚拟数据模型,其中,所述虚拟数据模型为映射所述目标设备的数据模型,且按照预定逻辑关系构建数据之间的逻辑。所述虚拟数据模型是通过所述第一状态数据和所述预置数据构建而成,所述第一状态数据可以理解为外界通过所述预定采集装置采集得到,而所述预置数据是有一些数据由于无法从外界获取,或者是预先按照一定标准已经确定下来的数据,比如最大电量,3000毫安,那么这样的数据是在设计之初已经被限定的预值,还有一些比如从外界获取时,发现所述第一状态数据无法获取,但是后续的控制又必须通过所述第一状态数据进行计算,那么可能需要一个预值或者估算值,这个所述预值或者估算值都属于所述预置数据的范畴。根据所述数据模型按照预定标准规则进行比对生成比对结果,再然后根据所述数据模型按照预定标准规则生成所述比对结果,需要指出的是,在本步骤中不再使用单一的数据比对,而是根据所述数据模型进行更复杂的比对,得到所述比对结果。最后,根据不同的所述比对结果按照预定的第一控制指令生成规则生成对应的第一控制指令,以通过所述第一控制指令对所述目标设备进行控制。在本步骤中根据所述比对结果生成对应的第一控制指令,然后根据所述第一控制指令控制所述目标设备。通过所述虚拟数据模型构建数据之间的关系,然后通过数据之间的相互关系最终生成所述第一控制指令,进而控制所述目标设备,这种方法更加适应大数据环境下对所述目标设备的控制,有助于解决现有技术中由于影响控制方式的因素过多,导致无法对设备进行控制的技术问题。
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、完整地描述,显然,所描述的实施例仅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。
图1为本发明一实施例中控制设备方法的流程100示意图。图2为本发明一实施例中控制设备方法的虚拟数据模型构建示意图。如图1和图2所示,在一实施例中,本申请提供了一种设备控制方法,该方法包括:
S101,接收预定采集装置采集目标设备的第一状态数据。
在本步骤提供了一种采集第一状态数据的具体步骤。在本步骤中根据不同的所述目标设备配置不同的所述预定采集装置,并采集不同的所述第一状态数据,所述第一状态数据虽然是静态的,但是如果在后续控制过程中需要,可以接收预定采集装置实时采集目标设备的第一状态数据,将所述第一状态数据变为一种动态数据,具体如何采集,还需要根据所述目标设备的控制方式而决定。
S102,根据所述第一状态数据和预置数据按照预设的数据映射关系建构虚拟数据模型,其中,所述虚拟数据模型为映射所述目标设备的数据模型,且按照预定逻辑关系构建数据之间的逻辑。
在本步骤提供了一种通过所述第一状态数据和所述预置数据构建虚拟数据模型的具体步骤。所述目标设备属于实体目标,有具体的形状,比如长、宽、高等,以及各个部件的物理属性数据,比如电池的电量、电器元件的开关状态、温度、湿度等等,那么,这些数据之间其实存在着非常复杂的关系,并且相互影响。比如电池的电量可能因为外界的温度不同,导致同样的电量工作的时长就不同,再比如,所述目标设备上负载物品和不负载物品之间也存在电量损耗不同的情况,而这样都不是单一的数据可以构建的关系,于是在本步骤中构建所述虚拟数据模型,所述虚拟数据模型可以在数据层面复刻所述目标设备,具体所述虚拟数据模型需要复刻哪些数据,这就需要根据具体的需要进行建构,除此之外,构建所述虚拟数据模型只有数据还不够,还需要建构数据之间的逻辑关系,也就是建立数据之间的制约关系,比如,对于一个外形比较简单,或者可以简化为简单外形的所述目标设备而言,可以将所述目标设备的外形理解为长、宽、高,那么所述第一状态数据或者所述预置数据中具有长、宽、高的数据,那么就可以复刻出一个虚拟的所述目标设备外形,如果想复刻出所述目标设备外形,那么还要建构一个虚拟空间,所述虚拟空间中规定坐标系X、Y、Z三个轴的坐标轴,然后默认一个原点,将长、宽、高数据对应的图形构建在所述虚拟空间中,所以构建所述虚拟空间、坐标轴、原点,以及如何将长、宽、高的数据在所述虚拟空间中出现所述目标设备的外形,都是需要按照一定的所述预定逻辑关系进行配置。除了外形,不同的外形可能散热也不同,而且散热可能还会跟所述目标设备的材质有关,比如,如果所述目标设备为AGV小车,那么在AGV小车行驶过程中,行驶的速度、AGV小车的外部风速等等情况都有可能影响散热,那么通过大量的前置实验,可以得到行驶速度、外部风速、材质对散热的影响,这些都可以作为所述预定逻辑关系,简言之,就是在虚拟环境中构建一个真实环境下的所述目标设备,并且将真实环境中的自然规律和实验数据,人为配置以所述预定逻辑关系的方式赋予所述虚拟数据模型。这样的方式使数据的使用更加系统化,也更加符合大数据的应用环境。
S103,根据所述虚拟数据模型按照预定标准规则进行比对生成比对结果。
在本步骤中提供了一种通过所述预定标准规则对所述数据模型进行比对的具体步骤。在本步骤中比对的过程是所述预定标准规则和所述数据模型之间的比对,而非是单个数据的比对。正如之前所述,影响最终结果的数据可能不是一个单一数据,可能是多个数据,所述数据模型不但具有多个数据,还具有多个数据之间的关系,所以除了现有技术中比对单个数据,在本步骤中还会添加比对数据之间逻辑关系的问题。
S104,根据不同的所述比对结果按照预定的第一控制指令生成规则生成对应的第一控制指令,以通过所述第一控制指令对所述目标设备进行控制。
在本步骤中提供了一种根据所述比对结果生成所述第一控制指令,并通过所述第一控制指令控制所述目标设备的具体步骤。不同的所述比对结果可以对应不同的控制指令,如果所述比对结果符合所述第一控制指令生成规则中的条件,那么可能并不生成第一控制指令,如果所述比对结果表明需要对所述目标设备进行进一步的控制,那么可以生成对应的所述第一控制指令,对所述目标设备进行控制。
在本实施例中提供了一种设备控制方法的具体实施方式。以下通过AGV小车的能耗和温度,以及电器元件和行驶方式的数据为例对本实施方式进行详细说明,需要指出的是,AGV小车的举例只是为了更好的说明本实施例,并非是对本实施例的具体限定。首先,接收预定采集装置采集目标设备的第一状态数据。在本步骤中可以对AGV小车的电量数据、温度数据和电气元件状态数据,以及AGV小车的行驶状态数据进行采集,所述预定采集装置可以理解为对应的传感器。其中,所述行驶状态比如具有处于平滑地面行驶或者在沙石地面行驶的行驶状态,不同的行驶状态对应AGV小车不同的驱动方式,而不同的驱动方式能耗不同,因为电机的输出功率不同,在平滑地面时,电机的输出功率比较小,而在沙石地面行驶时,电机的输出功率比较大,进而电机在大功率和小功率下产热肯定不同,显然小功耗时产热少,大功耗时产热多,也就是说,处于平滑地面行驶模式下产热少,相应地,在沙石地面行驶模式下产热多。那么不同的行驶状态可以对应不同的平均产热值。在本步骤中可以只接收行驶状态数据即可,比如处于平滑地面行驶对应为A,沙石地面行驶的行驶状态为B。所述电量数据比如为60%,所述温度数据为36摄氏度,AGV小车采集10个不同的所述电器元件状态数据均为开状态。所述第一状态数据包括所述电量数据、所述温度数据和所述电气元件状态数据,以及所述AGV小车的行驶状态数据,另外所述第一状态数据的采集可以为实时采集。然后,根据所述第一状态数据和预置数据按照预设的数据映射关系建构虚拟数据模型,其中,所述虚拟数据模型为映射所述目标设备的数据模型,且按照预定逻辑关系构建数据之间的逻辑。所述虚拟数据模型,也就是说,用上述采集的数据形成一个数据模型虚拟温度能耗的逻辑关系,根据所述温度数据可以得到一个基础温度值,所述电气元件状态数据表明对应的10个电气元件都处于开的状态,那么在1个小时后,所述电气元件功耗的产热转化为温度可以使AGV小车的温度提高5摄氏度,1小时候温度提高5摄氏度可以通过实验得到,那么该数据就可以理解为所述预置数据。所述行驶状态数据为A,那么AGV小车应当处于平滑路面上行驶,A对应单位时间的产热单位1小时内可以使AGV小车升温1摄氏度,而B对应单位时间的产热单位1小时内可以使AGV小车升温3摄氏度。那么在所述虚拟数据模型中可以构建的所述预定逻辑关系为T=36+5+1=42。T为1小时后AGV小车的预估温度。根据所述虚拟数据模型按照预定标准规则进行比对生成比对结果。所述预定标准规则为AGV小车的温度不应超过40摄氏度,那么当T=42时,也就是说,一小时后AGV小车的温度会升至42摄氏度,显然这个温度高于所述预定标准规则的标准40摄氏度,所以所述比对结果会显示1小时后温度过高。最后,根据不同的所述比对结果按照预定的第一控制指令生成规则生成对应的第一控制指令,以通过所述第一控制指令对所述目标设备进行控制。当所述比对结果显示温度过高时,所述第一控制指令生成规则会对应的生成控制温度过高的几项控制指令,比如关闭所述电气元件的开关状态,或者降低所述电机的输出功耗,再或者其他降低温度的控制指令,即所述第一控制指令,至于选择其中的一项或几项控制指令,则可以通过预先设置进行配置。在本实施例中构建通过数据构建所述目标设备的数据模型,即所述虚拟数据模型。在虚拟数据环境中构建一个与所述目标设备映射的所述虚拟数据模型,通过所述虚拟数据模型与所述预定标准规则比对生成所述比对结果,可以在大数据条件下实现对所述目标设备进行控制。
在现有技术中比对过程和控制过程是基于所述目标设备,而本实施例是在虚拟环境下复刻所述目标设备,形成所述虚拟数据模型,通过所述虚拟数据模型进行数据的比对,本实施例只是和所述目标设备进行数据的采集和反馈,而所有的比对、运算、指令的生成都是基于所述虚拟数据模型。所述虚拟数据模型的本质在于构建一个完善可编辑、可配置、可扩展的数据结构,复刻对应真实的所述目标设备,其数据交互可以采用实时交互,形成数据闭环,数据处理层面是通过所述虚拟数据模型完成,在虚拟数据环境下完成数据层面的处理。另外,所述虚拟数据模型还具有多尺度、多物理、多层级的优势,可以包括各类数据。所述第一状态数据还可以包括外观、物理元器件状态、属性、内在机理等,甚至可以完全复刻所述目标设备。数据交互可以采用4G或者5G,再或者WIFI等方式,利用其低延时、大带宽等技术优势,保证系统的实时数据交互。虚拟实体实时动态映射物理实体状态,在虚拟空间通过仿真验证产生反馈,物理实体根据反馈做出相应的动作。
图3为本发明一实施例中控制设备方法的流程200示意图。如图3所示,在另一可选实施例中,所述根据所述第一状态数据和预置数据按照预设的数据映射关系建构虚拟数据模型,其中,所述虚拟数据模型为映射所述目标设备的数据模型,且按照预定逻辑关系构建数据之间的逻辑步骤后,该方法包括:
S201,根据所述第一状态数据构建所述目标设备的可视化实体模型,其中,所述第一状态数据包括所述目标设备的外形尺寸数据。
在本步骤中提供了一种所述第一状态数据构建所述目标设备实体模型的具体实施方式。因为所述第一状态数据包括所述外形尺寸数据,所以可以在虚拟环境中构建一个空间,然后建立坐标系并根据所述外形尺寸数据建立所述可视化实体模型,比如AGV小车,可以简单用长、宽、高的所述外形尺寸数据建立一个长方体实体模型,如之前实施例中提到AGV小车的所述行驶状态数据,所述外形尺寸数据还可以得到车轮的尺寸数据,也可以建立所述车轮,通过所述车轮的转动得到AGV小车的行驶速度等,至于所述外形尺寸数据需要包括哪些具体数据,需要根据具体工况进行配置。
S202,将所述可视化实体模型通过预置的显示设备予以显示。
在本步骤中提供了一种将所述可视化实体模型进行显示的具体实施方式。
在本实施例中提供了一种将所述目标设备在虚拟环境下实现可视化的具体实施方式。首先,根据所述第一状态数据构建所述目标设备的可视化实体模型,其中,所述第一状态数据包括所述目标设备的外形尺寸数据。根据具体的工况确定所述外形尺寸数据都包括哪些。然后,将所述可视化实体模型通过预置的显示设备予以显示。所述显示设备可以采用显示器等。
图4为本发明一实施例中控制设备方法的流程300示意图。如图4所示,在一可选实施例中,所述根据所述第一状态数据构建所述目标设备的可视化实体模型,其中,所述第一状态数据包括所述目标设备的外形尺寸数据步骤后,该方法还包括:
S301,接收所述预置采集装置采集的环境数据。
在本步骤中提供了一种通过所述预置采集装置采集所述环境数据的具体实施方式。比如AGV小车可以通过摄像头等所述预置采集装置采集周围的所述环境数据。
S302,根据所述环境数据通过所述可视化实体模型和预置的深度学习模型进行仿真得到仿真结果。
在本步骤中可以通过所述可视化实体模型和所述环境数据对所述目标设备进行运动仿真。另外,所述环境数据和所述可视化实体模型都可以在虚拟环境下建立实体模型,然后再通过所述深度学习模型仿真在所述目标设备的运动条件下是否会出现碰撞或者其他干涉等现象。所述深度学习模型是通过大量样本进行深度学习训练后得到的模型。
在本实施例中提供了一种通过所述环境数据和所述可视化实体模型进行仿真最终得到所述仿真结果的具体实施方式。首先,接收所述预置采集装置采集的环境数据。所述环境数据包括障碍物数据和地形数据,所述障碍物数据和所述地形数据都属于尺寸数据,可以在虚拟空间中模拟真实的环境,所述可视化实体模型则是在虚拟空间中模拟所述目标设备的外形,比如AGV小车。当在虚拟空间中构建了环境和AGV小车的模型后,可以使AGV小车模型模拟行驶,根据所述环境数据通过所述可视化实体模型和预置的深度学习模型进行仿真得到仿真结果。所述深度学习模型是根据大量样本训练后的模型,使AGV小车预估仿真行驶后的状态,当然除了碰撞干涉外,还可以仿真现在的行驶状态下,温度、适度、电量等等状态,这取决于所述深度学习模型构建和训练内容。除了可以进行机构方面的仿真外,还可以对物理状态、相态、时态进行仿真。除此之外,还可以引申到对所述目标设备的故障诊断方面,对所述目标设备进行监控、分析推理、优化参数和运行参数,实际决策等。所述第一状态数据可以包括设备数据和/或环境数据和/或流程数据。所述设备数据包括设备运行数据,如开机时长、作业时长、运行里程、充放电次数等。所述环境数据包括温度、气压、湿度等。所述流程数据包括生产调度、排产等等。所以所述深度学习模型可以扩展为其他各个方面的数据模型,所述深度学习模型还可以结合结构力学、电磁学、热学、流体学等物理规律和机理,计算、分析和预测物理对象的发展趋势。在研发阶段可以根据传感器反馈的数据,结合相应的模型,预测潜在的风险隐患。
图5为本发明一实施例中控制设备方法的流程400示意图。如图5所示,在另一可选实施例中,所述根据所述环境数据通过所述可视化实体模型进行仿真得到仿真结果步骤后,该方法还包括:
S401,根据所述仿真结果按照预定的第二控制指令生成规则生成第二控制指令。
在本步骤中提供了一种根据所述仿真结果生成第二控制指令的具体实施方式。
S402,发送所述第二控制指令实现对所述目标设备的控制。
在本步骤中提供了一种利用所述第二控制指令对所述目标设备进行控制的具体实施方式。
在本实施例中提供了一种通过所述仿真结果对所述目标设备进一步进行控制的具体实施方式。AGV小车发现前方有障碍物,根据所述仿真结果按照预定的第二控制指令生成规则生成第二控制指令。所以所述第二控制指令可以改变AGV小车的行驶方向,以避免AGV小车与障碍物发生碰撞。本实施例提供了一种根据所述仿真结果再次控制所述目标设备的具体实施方式。
图6为本发明一实施例中控制设备方法的流程500示意图。如图6所示,在另一可选实施例中,所述发送所述第二控制指令实现对所述目标设备的控制步骤后,该方法包括:
S501,接收所述目标设备的第二状态数据。
在本步骤提供了一种接收所述第二状态数据的具体步骤,在本步骤中基于所述第二控制指令后再次接收所述目标设备的所述第二状态数据。
S502,根据所述第二状态数据对所述深度学习模型进行训练得到目标深度学习模型。
在本步骤中提供了一种通过所述第二状态数据对所述深度学习模型再次进行训练的具体步骤。
在本实施例中提供了一种再对所述目标设备进行控制后,接收所述第二状态数据完善所述深度学习模型的具体实施方式。当通过所述第一状态数据对所述目标设备进行控制后,再次接收所述目标设备的数据。然后根据所述第二状态数据对所述深度学习模型进行训练得到目标深度学习模型。以所述第一状态数据和所述第二状态数据的变化作为数据样本对所述深度学习模型进行再次训练得到所述目标深度学习模型。
在另一可选实施例中,所述目标设备为AGV小车。
在本实施例中提供了一种所述目标设备的具体实施方式。另外,针对AGV小车依靠大量传感器数据。激光雷达可以提供车体前方的实际场景,是否存在障碍物,是否存在需要搬运的负载。IMU可以实时反馈车体的姿态,提示是否偏航,是否倾斜。里程计可以记录小车实际行驶里程,从而推算易损器件的使用情况。超声波用于防护车体侧方和后方,避免有障碍物进入运行区域产生危险。摄像头与地码配合可以准确给出小车在地图中的具体位置,车头方向,便于整体的调度。温度传感器实时检测车体关键零部件的问题,特别是电池温度,避免以为过温导致电池失控。压力传感器可以实时显示负载在车体上的重心偏移情况,便于对车体运行姿态进行控制。当然,AGV小车的应用层面可能还设计充电桩和货架等其他设备或位置节点,都可以通过所述虚拟数据模型进行建构。
在另一可选实施例中,本申请提供了一种控制设备系统,所述系统包括目标设备和后台控制系统;
所述目标设备设置有预定采集装置和指令接收装置,所述目标设备通过所述预定采集装置采集第一状态数据,并将所述第一状态数据发送至所述后台控制系统;
所述后台控制系统,用于接收所述第一状态数据;根据所述第一状态数据和预置数据按照预设的数据映射关系建构虚拟数据模型,其中,所述虚拟数据模型为映射所述目标设备的数据模型,且按照预定逻辑关系构建数据之间的逻辑;根据所述数据模型按照预定标准规则进行比对生成比对结果;根据不同的所述比对结果按照预定的第一控制指令生成规则生成对应的第一控制指令,将所述第一控制指令发送至目标设备;
所述目标设备通过所述指令接收装置接收所述第一控制指令,并执行所述第一控制指令以实现所述后台控制系统对所述目标设置的控制。
在本实施例中提供了一种控制设备系统的具体实施方式。
图7为本发明一实施例中控制设备装置的架构示意图。如图7所示,在另一可选实施例中,本申请提供了一种控制设备装置,该装置包括:
接收模块101,接收预定采集装置采集目标设备的第一状态数据;
构建模块102,根据所述第一状态数据和预置数据按照预设的数据映射关系建构虚拟数据模型,其中,所述虚拟数据模型为映射所述目标设备的数据模型,且按照预定逻辑关系构建数据之间的逻辑;
比对模块103,根据所述数据模型按照预定标准规则进行比对生成比对结果;
生成模块104,根据不同的所述比对结果按照预定的第一控制指令生成规则生成对应的第一控制指令,以通过所述第一控制指令对所述目标设备进行控制。
在另一可选实施例中,本申请提供了一种控制设备装置,所述装置包括:处理器和存储器;
所述存储器中存储有可被所述处理器执行的应用程序,用于使得所述处理器执行所述的控制设备方法的步骤。
在另一可选实施例中,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现所述的控制设备方法的步骤。
本领域技术人员可以理解,本申请公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本申请中。特别地,在不脱离本申请精神和教导的情况下,本申请的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,所有这些组合和/或结合均落入本申请公开的范围。
本文中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思路,并不用于限制本申请。对于本领域的技术人员来说,可以依据本发明的思路、精神和原则,在具体实施方式及应用范围上进行改变,其所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种设备控制方法,其特征在于,该方法包括:
接收预定采集装置采集目标设备的第一状态数据;
根据所述第一状态数据和预置数据按照预设的数据映射关系建构虚拟数据模型,其中,所述虚拟数据模型为映射所述目标设备的数据模型,且按照预定逻辑关系构建数据之间的逻辑;
根据所述虚拟数据模型按照预定标准规则进行比对生成比对结果;
根据不同的所述比对结果按照预定的第一控制指令生成规则生成对应的第一控制指令,以通过所述第一控制指令对所述目标设备进行控制。
2.根据权利要求1所述的设备控制方法,其特征在于,所述根据所述第一状态数据和预置数据按照预设的数据映射关系建构虚拟数据模型,其中,所述虚拟数据模型为映射所述目标设备的数据模型,且按照预定逻辑关系构建数据之间的逻辑步骤后,该方法包括:
根据所述第一状态数据构建所述目标设备的可视化实体模型,其中,所述第一状态数据包括所述目标设备的外形尺寸数据;
将所述可视化实体模型通过预置的显示设备予以显示。
3.根据权利要求2所述的控制设备方法,其特征在于,所述根据所述第一状态数据构建所述目标设备的可视化实体模型,其中,所述第一状态数据包括所述目标设备的外形尺寸数据步骤后,该方法还包括:
接收所述预置采集装置采集的环境数据;
根据所述环境数据通过所述可视化实体模型和预置的深度学习模型进行仿真得到仿真结果。
4.根据权利要求3所述的控制设备方法,其特征在于,所述根据所述环境数据通过所述可视化实体模型进行仿真得到仿真结果步骤后,该方法还包括:
根据所述仿真结果按照预定的第二控制指令生成规则生成第二控制指令;
发送所述第二控制指令实现对所述目标设备的控制。
5.根据权利要求4所述的控制设备方法,其特征在于,所述发送所述第二控制指令实现对所述目标设备的控制步骤后,该方法包括:
接收所述目标设备的第二状态数据;
根据所述第二状态数据对所述深度学习模型进行训练得到目标深度学习模型。
6.根据权利要求5所述的控制设备方法,其特征在于,所述目标设备为AGV小车。
7.一种控制设备系统,其特征在于,所述系统包括目标设备和后台控制系统;
所述目标设备设置有预定采集装置和指令接收装置,所述目标设备通过所述预定采集装置采集第一状态数据,并将所述第一状态数据发送至所述后台控制系统;
所述后台控制系统,用于接收所述第一状态数据;根据所述第一状态数据和预置数据按照预设的数据映射关系建构虚拟数据模型,其中,所述虚拟数据模型为映射所述目标设备的数据模型,且按照预定逻辑关系构建数据之间的逻辑;根据所述数据模型按照预定标准规则进行比对生成比对结果;根据不同的所述比对结果按照预定的第一控制指令生成规则生成对应的第一控制指令,将所述第一控制指令发送至目标设备;
所述目标设备通过所述指令接收装置接收所述第一控制指令,并执行所述第一控制指令以实现所述后台控制系统对所述目标设置的控制。
8.一种控制设备装置,其特征在于,该装置包括:
接收模块,接收预定采集装置采集目标设备的第一状态数据;
构建模块,根据所述第一状态数据和预置数据按照预设的数据映射关系建构虚拟数据模型,其中,所述虚拟数据模型为映射所述目标设备的数据模型,且按照预定逻辑关系构建数据之间的逻辑;
比对模块,根据所述数据模型按照预定标准规则进行比对生成比对结果;
生成模块,根据不同的所述比对结果按照预定的第一控制指令生成规则生成对应的第一控制指令,以通过所述第一控制指令对所述目标设备进行控制。
9.一种控制设备装置,其特征在于,所述装置包括:处理器和存储器;
所述存储器中存储有可被所述处理器执行的应用程序,用于使得所述处理器执行如权利要求1至6中任一项所述的控制设备方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至6任一项所述的控制设备方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776951.8A CN113805580A (zh) | 2021-07-09 | 2021-07-09 | 一种设备控制方法、系统、装置及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776951.8A CN113805580A (zh) | 2021-07-09 | 2021-07-09 | 一种设备控制方法、系统、装置及其存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113805580A true CN113805580A (zh) | 2021-12-17 |
Family
ID=78893077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110776951.8A Pending CN113805580A (zh) | 2021-07-09 | 2021-07-09 | 一种设备控制方法、系统、装置及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113805580A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180017964A1 (en) * | 2016-07-18 | 2018-01-18 | Zhuhai Makerwit Technology Co., Ltd. | 3d intelligent scheduling method based on logistics simulation software |
CN110850877A (zh) * | 2019-11-19 | 2020-02-28 | 北方工业大学 | 基于虚拟环境和深度双q网络的自动驾驶小车训练方法 |
CN112015180A (zh) * | 2020-08-28 | 2020-12-01 | 哈尔滨理工大学 | 一种智能实验小车及其控制系统 |
CN112100739A (zh) * | 2020-08-26 | 2020-12-18 | 福建摩尔软件有限公司 | 一种工厂agv的仿真管理方法、装置、系统、设备和介质 |
CN112124455A (zh) * | 2020-09-28 | 2020-12-25 | 劢微机器人科技(深圳)有限公司 | 无人搬运车仿真监控方法、装置、设备及存储介质 |
CN112525196A (zh) * | 2020-11-23 | 2021-03-19 | 山东亚历山大智能科技有限公司 | 一种基于多维数据的agv路线规划调度方法及系统 |
CN113064425A (zh) * | 2021-03-17 | 2021-07-02 | 诚信澳大利亚科技咨询有限公司 | 一种agv设备及其导航的控制方法 |
-
2021
- 2021-07-09 CN CN202110776951.8A patent/CN113805580A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180017964A1 (en) * | 2016-07-18 | 2018-01-18 | Zhuhai Makerwit Technology Co., Ltd. | 3d intelligent scheduling method based on logistics simulation software |
CN110850877A (zh) * | 2019-11-19 | 2020-02-28 | 北方工业大学 | 基于虚拟环境和深度双q网络的自动驾驶小车训练方法 |
CN112100739A (zh) * | 2020-08-26 | 2020-12-18 | 福建摩尔软件有限公司 | 一种工厂agv的仿真管理方法、装置、系统、设备和介质 |
CN112015180A (zh) * | 2020-08-28 | 2020-12-01 | 哈尔滨理工大学 | 一种智能实验小车及其控制系统 |
CN112124455A (zh) * | 2020-09-28 | 2020-12-25 | 劢微机器人科技(深圳)有限公司 | 无人搬运车仿真监控方法、装置、设备及存储介质 |
CN112525196A (zh) * | 2020-11-23 | 2021-03-19 | 山东亚历山大智能科技有限公司 | 一种基于多维数据的agv路线规划调度方法及系统 |
CN113064425A (zh) * | 2021-03-17 | 2021-07-02 | 诚信澳大利亚科技咨询有限公司 | 一种agv设备及其导航的控制方法 |
Non-Patent Citations (1)
Title |
---|
张远春;范秀敏;驹田邦久;: "基于仿真优化的多种类型AGV数量配置优化方法", 中国机械工程, no. 14, 25 July 2011 (2011-07-25), pages 1680 - 1685 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Continuous reinforcement learning of energy management with deep Q network for a power split hybrid electric bus | |
CN110456635B (zh) | 基于数字孪生技术的电动汽车动力系统的控制方法 | |
CN103915659B (zh) | 用以获得和使用电池系统中的温度信息的系统及方法 | |
Climent et al. | Exploiting driving history for optimising the energy management in plug-in hybrid electric vehicles | |
CN107479547B (zh) | 基于示教学习的决策树行为决策算法 | |
Wu et al. | Fast velocity trajectory planning and control algorithm of intelligent 4WD electric vehicle for energy saving using time‐based MPC | |
US20150158397A1 (en) | Method and Apparatus for Predicting Electric Vehicle Energy Consumption | |
US20200097015A1 (en) | System and method for motion planning of an autonomous driving machine | |
Dinçmen et al. | A control strategy for parallel hybrid electric vehicles based on extremum seeking | |
CN110781969B (zh) | 基于深度强化学习的空调风量控制方法、装置以及介质 | |
CN108229730B (zh) | 一种基于模糊奖励的无人驾驶车辆轨迹生成方法 | |
Qi et al. | A novel blended real-time energy management strategy for plug-in hybrid electric vehicle commute trips | |
CN103995968B (zh) | 无人飞行器对地面目标运动轨迹预测的装置及其方法 | |
CN111176272B (zh) | 一种基于运动约束的人工势场轨迹规划方法及系统 | |
Balaban et al. | A modeling framework for prognostic decision making and its application to uav mission planning | |
Zhou et al. | A two-term energy management strategy of hybrid electric vehicles for power distribution and gear selection with intelligent state-of-charge reference | |
CN110775103A (zh) | 控制车辆软着陆的方法及相关控制器和系统 | |
CN115130266A (zh) | 用于车辆的热管理控制的方法和系统 | |
Zhang et al. | Receding horizon optimal control of HEVs with on‐board prediction of driver's power demand | |
CN114254521A (zh) | 车辆能耗仿真方法、装置、设备及计算机存储介质 | |
CN113805580A (zh) | 一种设备控制方法、系统、装置及其存储介质 | |
Bruck et al. | A review of the relevance of driving condition mapping and vehicle simulation for energy management system design | |
Williams et al. | Approximate stochastic differential dynamic programming for hybrid vehicle energy management | |
Valenti et al. | Battery aging-aware online optimal control: An energy management system for hybrid electric vehicles supported by a bio-inspired velocity prediction | |
Wu et al. | A deep reinforcement learning based car following model for electric vehicle |
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 |