CN114019921A - 基于组合模型的生产线设备控制方法、装置、设备及介质 - Google Patents
基于组合模型的生产线设备控制方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114019921A CN114019921A CN202111281563.9A CN202111281563A CN114019921A CN 114019921 A CN114019921 A CN 114019921A CN 202111281563 A CN202111281563 A CN 202111281563A CN 114019921 A CN114019921 A CN 114019921A
- Authority
- CN
- China
- Prior art keywords
- training
- model
- data
- cloud platform
- production line
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 278
- 238000003860 storage Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本申请公开了一种基于组合模型的生成线设备控制方法、装置、设备及存储介质,该方法包括:云端平台获取训练数据和训练模型;训练模型为业务场景下关联的至少两个单一因素模型组合后的模型,训练数据与业务场景关联;云端平台基于训练数据对训练模型进行训练,在确定训练模型达到收敛条件的情况下,将训练后的训练模型发送至边缘设备;边缘设备用于根据训练后的训练设备和生产线设备发送的实时数据获取模型输出数据,并基于模型输出数据控制生产线设备。上述方案可以实现以灵活组合的方式得到业务场景相关的训练模型,并将训练后的训练训练模型发送至边缘设备,由边缘设备基于训练后的训练模型对生产线设备进行控制,实现对生产线的生产优化。
Description
技术领域
本申请实施例涉及云平台的数据处理领域,尤其涉及一种基于组合模型的生成线设备控制方法、装置、设备及存储介质。
背景技术
传统的制造业还长期处于低自动化、低智能化的生产水平,尤其是在生产制造过程中,所使用的设备和工艺长期不能及时升级更新,面临着生产工艺智能化程度低、生产过程不可控,导致生产质量不稳定,以及生产能耗高等问题。
目前,实现制造业生产过程数字化和生产优化的方式主要有两种,一种是基于产线加装传感器并通过物联网收集基础数据,在云端做简单的数据统计和分析,另一种是使用物联网和产线自动化控制相结合,打通数据上报和自动化算法的远程更新。但是,第一种方式仅是实现单向上报数据,没有对生产现场的各类数据做实时处理和控制,无法优化生产线的生产。第二类方式中的自动化算法确定后基本不可修改,灵活性差,难以将多种算法组合形成新的功能算法,导致开发成本较高,并且云端和本地的运行环境不同,云端测试、开发完成后,还需要适配到本地开发环境中,联调交付困难。
发明内容
本申请提供了一种基于组合模型的生成线设备控制方法、装置、设备及存储介质,实现以灵活组合的方式得到业务场景相关的训练模型,并将训练后的训练训练模型发送至边缘设备,由边缘设备基于训练后的训练模型生成模型输出数据,对生产线设备进行控制,实现对生产线的生产优化。
第一方面,本申请实施例提供了一种基于组合模型的生产线设备控制方法,该方法包括:
云端平台获取训练数据和训练模型;
其中,训练模型为至少两个单一因素模型组合后的模型,至少两个单一因素模型为业务场景下关联的模型,训练数据与业务场景关联;
云端平台基于训练数据对训练模型进行训练,得到训练判断结果;
在云端平台确定训练判断结果达到收敛条件的情况下,云端平台将训练后的训练模型发送至边缘设备;
其中,边缘设备用于根据训练后的训练设备和生产线设备发送的实时数据获取模型输出数据,以及基于模型输出数据控制生产线设备。
第二方面,本申请实施例还提供了一种基于组合模型的生产线设备控制装置,该装置包括:
获取模块,用于获取训练数据和训练模型;
其中,训练模型为至少两个单一因素模型组合后的模型,至少两个单一因素模型为业务场景下关联的模型,训练数据与业务场景关联;
训练模块,用于基于训练数据对训练模型进行训练,得到训练判断结果;
通信模块,用于在确定训练判断结果达到收敛条件的情况下,将训练后的训练模型发送至边缘设备;
其中,边缘设备用于根据训练后的训练设备和生产线设备发送的实时数据获取模型输出数据,以及基于模型输出数据控制生产线设备。
第三方面,本申请实施例还提供了一种计算机设备,该设备包括:存储器、处理器,当存储器存储有计算机程序,处理器执行计算机程序时,实现如本申请实施例提供的一种基于组合模型的生产线设备控制方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,当该计算机程序被处理器执行时,实现如本申请实施例提供的一种基于组合模型的生产线设备控制方法。
本申请提供了一种基于组合模型的生成线设备控制方法、装置、设备及存储介质,该方法可以包括:云端平台获取训练数据和训练模型;其中,训练模型为至少两个单一因素模型组合后的模型,至少两个单一因素模型为业务场景下关联的模型,训练数据与业务场景关联;云端平台基于训练数据对训练模型进行训练;在云端平台确定训练模型达到收敛条件的情况下,云端平台将训练后的训练模型发送至边缘设备;其中,边缘设备用于根据训练后的训练设备和生产线设备发送的实时数据获取模型输出数据,以及基于模型输出数据控制生产线设备。通过上述方案,可以实现以灵活组合的方式得到业务场景相关的训练模型,并将训练后的训练训练模型发送至边缘设备,由边缘设备基于训练后的训练模型生成模型输出数据,对生产线设备进行控制,实现对生产线的生产优化。
附图说明
图1是本申请实施例提供的一种基于组合模型的生产线设备控制方法的流程图;
图2是本申请实施例提供的云端平台、边缘设备以及生产线设备的交互示意图;
图3是本申请实施例提供的云端平台基于训练数据对训练模型进行训练的方法流程图;
图4是本申请实施例提供的云端平台基于训练数据对训练模型进行训练,得到训练判断结果的方法流程图;
图5是本申请实施例提供的云端平台的框架示意图;
图6是本申请实施例提供的基于组合模型的生产线设备控制装置的结构示意图;
图7是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
另外,在本申请实施例中,“可选地”或者“示例性地”等词用于表示作例子、例证或说明。本申请实施例中被描述为“可选地”或者“示例性地”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“可选地”或者“示例性地”等词旨在以具体方式呈现相关概念。
图1为本申请实施例提供的一种基于组合模型的生产线设备控制方法的流程图,该方法可以应用于各行业(例如,制造业等)具有工业生产线的场景下,用于以智能化、自动化的方式对现有的生产方式进行优化,从而保证产品质量并降低生产线的生产能耗。该方法可以应用于云端平台,由集成于云端平台(例如,计算机、服务器)中的基于组合模型的生产线设备控制装置执行,该装置可以通过软件和/或硬件的方式实现相关功能。如图1所示,该方法可以包括但不限于以下步骤:
S101、云端平台获取训练数据和训练模型。
在本申请实施例中,训练数据与业务场景相关联,用于对训练模型进行训练。训练模型可以为至少两个单一因素模型组合后的模型,并且,该至少两个单一因素模型为业务场景下关联的模型。例如,以制造业生产线为例,上述单一因素模型可以包括能源算子模型、温度算子模型、电流算子模型、压力算子模型、转动算子模型等。业务场景可以包括设备运行场景、缺陷成因分析场景、产品加工场景、预测性维保场景等。假设在缺陷成因分析场景下,需要同时考虑电流、压力和温度三方面的因素,那么在该业务场景下,可以将温度算子模型、电流算子模型、压力算子模型进行组合,得到该业务场景下的训练模型。这样可以通过灵活组合的方式得到不同业务场景下不同的训练模型,从而满足不同业务场景的需求,降低前期开发成本。
需要说明的是,上述单一因素模型和业务场景与具体应用行业相关,不同的应用行业下,可以设置不同的单一因素模型与不同的业务场景,并且,单一因素模型也可以根据具体的业务场景进行相应的设计与选择。
S102、云端平台基于训练数据对训练模型进行训练,得到训练判断结果。
可以理解的是,由于训练数据与业务场景相关联,那么基于训练数据对训练模型进行训练时,可以更加贴近真实业务场景,使得训练后的训练模型也与真实业务场景之间的关联性更加紧密。本步骤中生成的训练判断结果用于判断是否可以停止对训练模型的训练,即是否达到停止条件或收敛条件。
S103、在云端平台确定训练判断结果达到收敛条件的情况下,云端平台将训练后的训练模型发送至边缘设备。
本申请实施例中的收敛条件可以为操作人员基于实际应用的业务场景下的真实情况设计的条件,例如,该收敛条件可以为达到训练次数、满足收敛要求等。如图2所示,本申请实施例中的边缘设备可以同时与云端平台和生产线设备交互,一方面,边缘设备可以接收云端平台发送的训练后的训练模型,另一方面,边缘设备可以接收生产线设备发送的实时数据。进而,边缘设备可以基于获取的训练后的训练模型以及实时数据生成模型输出数据,并基于该模型输出数据对生产线设备进行控制,实现对生产线的生产优化。
可选地,在本申请实施例中,上述边缘设备可以为运行Linux、arm、macOS、Android等操作系统的计算机设备。
本申请实施例提供了一种基于组合模型的生产线设备控制方法,该方法可以包括:云端平台获取训练数据和训练模型;其中,训练模型为至少两个单一因素模型组合后的模型,至少两个单一因素模型为业务场景下关联的模型,训练数据与业务场景关联;云端平台基于训练数据对训练模型进行训练;在云端平台确定训练模型达到收敛条件的情况下,云端平台将训练后的训练模型发送至边缘设备;其中,边缘设备用于根据训练后的训练设备和生产线设备发送的实时数据获取模型输出数据,以及基于模型输出数据控制生产线设备。通过上述方案,可以实现以灵活组合的方式得到业务场景相关的训练模型,并将训练后的训练训练模型发送至边缘设备,由边缘设备基于训练后的训练模型生成模型输出数据,对生产线设备进行控制,实现对生产线的生产优化。
在一种示例中,上述步骤S101中,云端平台获取训练数据的实现方式可以包括:
云端平台获取边缘设备采集的生产线设备的真实数据,将该真实数据作为训练数据;
和/或,云端平台根据获取的自定义参数分布生成仿真数据,并将仿真数据作为训练数据;其中,上述自定义参数分布与业务场景关联。
即云端平台获取的训练数据可以包括真实数据和/或仿真数据,其中,真实数据可以理解为真实生产线环境下的数据,即生产线现场的数据,该生产线现场的数据必然与真实业务场景相关。仿真数据可以理解为模拟的真实数据。例如,在不存在或未获取到真实数据,或者真实数据的数据量太少的情况下,可以将仿真数据作为训练数据。由于仿真数据是基于生产线现场操作人员设置的自定义参数分布生成的,并且该自定义参数分布与生产线现场的真实环境关联,那么该仿真数据也必然与真实业务场景相关。这样,基于获取的训练数据即可确定当前的业务场景。
如图3所示,在一种示例中,上述步骤S102中,云端平台基于训练数据对训练模型进行训练的实现方式可以包括但不限于以下过程:
S301、云端平台基于训练数据确定对应的学习算法。
由于训练数据是基于真实数据和/或仿真数据确定的,并且真实数据与仿真数据均与当前生产线的真实业务场景相关。那么基于训练数据即可确定出当前业务场景,例如,训练数据可以以多维数组的形式反映出当前业务场景下的生产流程、生产进度等业务场景信息。可选地,云端平台还可以存储有学习算法库,其中,学习算法库中存储有多种学习算法,不同的学习算法可以适用于不同的业务场景下。那么云端平台基于训练数据确定当前业务场景后,即可以根据存储的学习算法库确定出学习算法库中与当前业务场景对应的学习算法。
进一步地,无论训练数据仅由真实数据构成,或仅由仿真数据构成,或由真实数据和仿真数据混合构成。在本申请实施例中,均可以将训练数据按照一定比例划分为训练集数据和验证集数据,其中,训练集数据用于对网络模型进行初步训练,验证集数据用于对初步训练后的网络模型做进一步地优化训练,这两类数据都用于对网络模型进行训练,不同之处在于两类不同的数据用于在不同阶段或不同训练环境下对网络模型进行训练。
S302、云端平台搭建训练环境和真实模拟环境。
本步骤中的训练环境可以理解为普通的网络模型训练环境,真实模拟环境可以理解为对真实的生产线环境进行仿真得到的模型训练环境。示例性地,搭建训练环境和真实模拟环境的实现方式可以包括:云端平台获取训练环境参数和生产线现场参数,云端平台根据训练环境参数搭建训练环境,并根据生产线现场参数搭建真实模拟环境。其中,训练环境参数可以由技术人员基于实际情况进行设置与调整,生产线现场参数可以由技术人员基于真实的生产线环境进行设置,也可以由边缘设备与生产线设备通信,获取生产线现场参数后,传输至云端平台。
需要说明的是,在本申请实施例中,并不严格限定步骤S301和步骤S302两者之间的先后顺序,即可以先执行步骤S301后执行步骤S302,或者先执行步骤S302后执行步骤S301,当然,也可以同时执行步骤S301和步骤S302。
S303、云端平台基于学习算法、训练环境和训练集数据对训练模型进行训练,得到待验证模型。
在基于上述步骤分别获取学习算法、训练环境和训练集数据后,即可基于学习算法、训练环境和训练集数据对训练模型进行训练。进一步地,基于训练集数据在训练环境下对训练模型进行训练可以理解为对训练模型进行初步的训练,可选地,可以将基于训练集数据训练后得到的模型标记为待验证模型。
S304、云端平台基于学习算法、真实模拟环境和验证集数据对待验证模型进行训练。
同样地,可以在搭建好的真实模拟环境下,基于学习算法和验证集数据对初步训练后的待验证模型进行训练。这一过程可以理解为是在仿真的真实生产线环境下,对初步训练后的网络模型做进一步的优化训练,以使训练后的模型可以更好地适配到真实生产线环境下。
可选地,在本步骤中,在真实模拟环境下对训练模型进行训练时,还可以记录每次训练操作的训练结果,以获知当前的训练进度或模拟的生产线的生产进度。例如,云端平台在基于上述学习算法、真实模拟环境和验证集数据对待验证模型执行一次训练操作,生成一个与该训练操作对应的训练结果,基于该训练结果可以实时反映出当前的训练操作进度。
如图4所示,在一种示例中,上述步骤S102中对训练模型进行训练,得到训练判断结果的实现过程可以包括但不限于以下步骤:
S401、云端平台根据存储的目标函数和奖励函数,以及训练结果生成训练操作的评价结果。
在本申请实施例中,可以在云端平台中设立奖惩机制,具体地,可以设计目标函数和奖励函数,基于目标函数和奖励函数,以及每次训练记录的训练结果生成针对此次训练操作的评价结果。
S402、云端平台根据存储的随机数种子和评价结果确定训练判断结果。
示例性地,云端平台存储有随机数种子,基于自身存储的随机数种子可以生成随机数,并基于该随机数与生成的此次训练操作的评价结果,确定当前训练操作的训练判断结果。
如图5所示,为云端平台的框架示意图,可以将云端平台的执行层面划分为训练层、算法层和测试层。其中,算法层用于提供训练所需的学习算法,例如,算法层存储有学习算法库,该学习算法库中存储有各类业务场景下相关的学习算法。算法层还可以存储随机数种子,用于生成随机数。训练层和测试层分别用于基于训练集数据和验证集数据对训练模型进行训练,即训练层可以提供训练环境,实现对训练模型的初步训练,测试层可以提供真实模拟环境,以更加贴近真实生产线场景的方式对训练模型进行训练。进一步地,训练层和测试层还可以在训练过程中记录每次训练操作的训练结果,例如,以操作序号的方式记录。当然,训练层、算法层和测试层还可以提供上述方案中所需的相应信息或功能,在此不做详细划分。
如图6所示,为本申请实施例提供的一种基于组合模型的生产线设备控制装置的结构示意图,如图6所示,该装置可以包括:获取模块601、训练模块602、通信模块603;
获取模块,用于获取训练数据和训练模型;
其中,训练模型为至少两个单一因素模型组合后的模型,至少两个单一因素模型为业务场景下关联的模型,训练数据与业务场景关联;
训练模块,用于基于训练数据对训练模型进行训练,得到训练判断结果;
通信模块,用于在确定训练判断结果达到收敛条件的情况下,将训练后的训练模型发送至边缘设备;
其中,边缘设备用于根据训练后的训练设备和生产线设备发送的实时数据获取模型输出数据,以及基于模型输出数据控制生产线设备。
在一种示例中,获取模块,用于获取边缘设备采集的生产线设备的真实数据,将真实数据作为训练数据;
和/或,根据获取的自定义参数分布生成仿真数据,并将仿真数据作为训练数据;
其中,自定义参数分布与业务场景关联。
在一种示例中,训练模块用于基于训练数据确定对应的学习算法;其中,训练数据包括训练集数据和验证集数据;搭建训练环境和真实模拟环境;以及,基于学习算法、训练环境和训练集数据对训练模型进行训练,得到待验证模型;并基于学习算法、真实模拟环境和验证集数据对待验证模型进行训练。
可选地,上述训练模块还可以基于训练数据确定当前业务场景,并基于上述装置存储的学习算法库确定学习算法库中与当前业务场景相对应的学习算法。
可选地,上述训练模块还可以包括获取单元和搭建单元;
其中,获取单元,用于获取训练环境参数和生产线现场参数;
搭建单元,用于根据训练环境参数搭建训练环境,以及根据生产线现场参数搭建真实模拟环境。
可选地,训练模块,还用于基于学习算法、真实模拟环境和验证集数据对待验证模型执行一次训练操作,生成一个与训练操作对应的训练结果。
可选地,训练模块还用于根据存储的目标函数和奖励函数,以及训练结果生成训练操作的评价结果;并根据上述装置存储的随机数种子和评价结果确定训练判断结果。
本申请实施例所提供的基于组合模型的生产线设备控制装置可执行本申请图1实施例所提供的基于组合模型的生产线设备控制方法,具备执行方法相应的功能单元和有益效果。
图7为本申请实施例提供的一种计算机设备的结构示意图,如图7所示,该计算机设备包括处理器701、存储器702、输入装置703、输出装置704;计算机设备中处理器701的数量可以是一个或多个,图7中以一个处理器701为例;计算机设备中的处理器701、存储器702、输入装置703和输出装置704可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器702作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例图1中的基于组合模型的生产线设备控制方法对应的程序指令/模块(例如,基于组合模型的生产线设备控制装置中的获取模块601、训练模块602、通信模块603)。处理器701通过运行存储在存储器702中的软件程序、指令以及模块,从而执行计算机设备的各种功能以及数据处理,即实现上述的基于组合模型的生产线设备控制方法。
存储器702可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据云服务器的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器702可进一步包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置703可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置704可包括显示屏等显示计算机设备。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由处理器执行时用于执行一种基于组合模型的生产线设备控制方法,该方法包括:
云端平台获取训练数据和训练模型;
其中,训练模型为至少两个单一因素模型组合后的模型,至少两个单一因素模型为业务场景下关联的模型,训练数据与业务场景关联;
云端平台基于训练数据对训练模型进行训练,得到训练判断结果;
在云端平台确定训练判断结果达到收敛条件的情况下,云端平台将训练后的训练模型发送至边缘设备;
其中,边缘设备用于根据训练后的训练设备和生产线设备发送的实时数据获取模型输出数据,以及基于模型输出数据控制生产线设备。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本申请任意实施例所提供的基于组合模型的生产线设备控制方法。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本申请可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
值得注意的是,上述基于组合模型的生产线设备控制装置的实施例中,所包括的各个模块、单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于组合模型的生产线设备控制方法,其特征在于,包括:
云端平台获取训练数据和训练模型;
其中,所述训练模型为至少两个单一因素模型组合后的模型,所述至少两个单一因素模型为业务场景下关联的模型,所述训练数据与业务场景关联;
所述云端平台基于所述训练数据对所述训练模型进行训练,得到训练判断结果;
在所述云端平台确定所述训练判断结果达到收敛条件的情况下,所述云端平台将训练后的训练模型发送至边缘设备;
其中,所述边缘设备用于根据训练后的训练设备和生产线设备发送的实时数据获取模型输出数据,以及基于所述模型输出数据控制所述生产线设备。
2.根据权利要求1所述的方法,其特征在于,所述云端平台获取训练数据,包括:
所述云端平台获取所述边缘设备采集的所述生产线设备的真实数据,将所述真实数据作为训练数据;
和/或,所述云端平台根据获取的自定义参数分布生成仿真数据,并将所述仿真数据作为训练数据;
其中,所述自定义参数分布与业务场景关联。
3.根据权利要求1或2所述的方法,其特征在于,所述云端平台基于所述训练数据对所述训练模型进行训练,包括:
所述云端平台基于所述训练数据确定对应的学习算法;
其中,所述训练数据包括训练集数据和验证集数据;
所述云端平台搭建训练环境和真实模拟环境;
所述云端平台基于所述学习算法、所述训练环境和所述训练集数据对所述训练模型进行训练,得到待验证模型;
所述云端平台基于所述学习算法、所述真实模拟环境和所述验证集数据对所述待验证模型进行训练。
4.根据权利要求3所述的方法,其特征在于,所述云端平台基于所述训练数据确定对应的学习算法,包括:
所述云端平台基于所述训练数据确定当前业务场景;
所述云端平台基于存储的学习算法库确定所述学习算法库中与所述当前业务场景相对应的学习算法。
5.根据权利要求3所述的方法,其特征在于,所述云端平台搭建训练环境和真实模拟环境,包括:
所述云端平台获取训练环境参数和生产线现场参数;
所述云端平台根据所述训练环境参数搭建训练环境;
所述云端平台根据所述生产线现场参数搭建真实模拟环境。
6.根据权利要求3所述的方法,其特征在于,所述云端平台基于所述学习算法、所述真实模拟环境和所述验证集数据对所述待验证模型进行训练,包括:
所述云端平台基于所述学习算法、所述真实模拟环境和所述验证集数据对所述待验证模型执行一次训练操作,生成一个与所述训练操作对应的训练结果。
7.根据权利要求6所述的方法,其特征在于,所述云端平台基于所述训练数据对所述训练模型进行训练,得到训练判断结果,包括:
所述云端平台根据存储的目标函数和奖励函数,以及所述训练结果生成所述训练操作的评价结果;
所述云端平台根据存储的随机数种子和所述评价结果确定所述训练判断结果。
8.一种基于组合模型的生产线设备控制装置,其特征在于,包括:
获取模块,用于获取训练数据和训练模型;
其中,所述训练模型为至少两个单一因素模型组合后的模型,所述至少两个单一因素模型为业务场景下关联的模型,所述训练数据与业务场景关联;
训练模块,用于基于所述训练数据对所述训练模型进行训练,得到训练判断结果;
通信模块,用于在确定所述训练判断结果达到收敛条件的情况下,将训练后的训练模型发送至边缘设备;
其中,所述边缘设备用于根据训练后的训练设备和生产线设备发送的实时数据获取模型输出数据,以及基于所述模型输出数据控制所述生产线设备。
9.一种计算机设备,包括存储器、处理器,其特征在于,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-7任一项所述的基于组合模型的生产线设备控制方法。
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,所述计算机程序被处理器执行时,实现如权利要求1-7任一项所述的基于组合模型的生产线设备控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111281563.9A CN114019921B (zh) | 2021-11-01 | 基于组合模型的生产线设备控制方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111281563.9A CN114019921B (zh) | 2021-11-01 | 基于组合模型的生产线设备控制方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114019921A true CN114019921A (zh) | 2022-02-08 |
CN114019921B CN114019921B (zh) | 2024-07-05 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115766489A (zh) * | 2022-12-23 | 2023-03-07 | 中国联合网络通信集团有限公司 | 数据处理设备、方法及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109873610A (zh) * | 2019-03-19 | 2019-06-11 | 福州大学 | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 |
US20190258235A1 (en) * | 2016-09-14 | 2019-08-22 | flexciton Limited | Automated supervisory control system |
US20200013159A1 (en) * | 2018-07-09 | 2020-01-09 | Hitachi, Ltd. | Method and system of analytics system balancing lead time and accuracy of edge analytics modules |
CN110717600A (zh) * | 2019-09-30 | 2020-01-21 | 京东城市(北京)数字科技有限公司 | 样本池构建方法和装置、以及算法训练方法和装置 |
JP2020035107A (ja) * | 2018-08-28 | 2020-03-05 | 株式会社日立製作所 | プラントデータ解析システム |
CN111680736A (zh) * | 2020-06-03 | 2020-09-18 | 长春博立电子科技有限公司 | 一种基于虚拟现实的人工智能行为分析模型训练系统及其方法 |
CN112950400A (zh) * | 2021-03-30 | 2021-06-11 | 煤炭科学研究总院 | 数据处理平台 |
CN113095241A (zh) * | 2021-04-16 | 2021-07-09 | 武汉理工大学 | 一种基于carla模拟器的目标检测方法 |
CN113134683A (zh) * | 2021-05-13 | 2021-07-20 | 兰州理工大学 | 基于机器学习的激光标刻方法及装置 |
CN113420601A (zh) * | 2021-05-27 | 2021-09-21 | 南方电网调峰调频发电有限公司 | 异常场景的监控方法、装置、计算机设备和存储介质 |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190258235A1 (en) * | 2016-09-14 | 2019-08-22 | flexciton Limited | Automated supervisory control system |
US20200013159A1 (en) * | 2018-07-09 | 2020-01-09 | Hitachi, Ltd. | Method and system of analytics system balancing lead time and accuracy of edge analytics modules |
JP2020035107A (ja) * | 2018-08-28 | 2020-03-05 | 株式会社日立製作所 | プラントデータ解析システム |
CN109873610A (zh) * | 2019-03-19 | 2019-06-11 | 福州大学 | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 |
CN110717600A (zh) * | 2019-09-30 | 2020-01-21 | 京东城市(北京)数字科技有限公司 | 样本池构建方法和装置、以及算法训练方法和装置 |
CN111680736A (zh) * | 2020-06-03 | 2020-09-18 | 长春博立电子科技有限公司 | 一种基于虚拟现实的人工智能行为分析模型训练系统及其方法 |
CN112950400A (zh) * | 2021-03-30 | 2021-06-11 | 煤炭科学研究总院 | 数据处理平台 |
CN113095241A (zh) * | 2021-04-16 | 2021-07-09 | 武汉理工大学 | 一种基于carla模拟器的目标检测方法 |
CN113134683A (zh) * | 2021-05-13 | 2021-07-20 | 兰州理工大学 | 基于机器学习的激光标刻方法及装置 |
CN113420601A (zh) * | 2021-05-27 | 2021-09-21 | 南方电网调峰调频发电有限公司 | 异常场景的监控方法、装置、计算机设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115766489A (zh) * | 2022-12-23 | 2023-03-07 | 中国联合网络通信集团有限公司 | 数据处理设备、方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108566323B (zh) | 一种T-Box自动化测试方法及系统 | |
US20170315522A1 (en) | Virtual simulator and building management system including the same | |
CN104345726B (zh) | 过程控制系统中的非侵入式数据分析 | |
CN102419578B (zh) | 显示过程控制信息的方法和装置 | |
US10345793B2 (en) | Flexible assembly system for multi-product production, and method of reconfiguring production line | |
US11087053B1 (en) | Method, electronic device, and computer program product for information display | |
WO2004034204A2 (en) | Services portal | |
WO2023124103A1 (zh) | 生产线的测试方法、装置和设备 | |
CN102419577A (zh) | 用于显示过程控制装置信息的方法及装置 | |
US8170861B2 (en) | Method for distributed hybrid emulation of manufacturing systems | |
CN107563582A (zh) | 一种映射规则更新方法、设备和系统 | |
CN114019921B (zh) | 基于组合模型的生产线设备控制方法、装置、设备及介质 | |
CN112926756A (zh) | 一种中央空调设备ai维修知识库应用方法 | |
CN114019921A (zh) | 基于组合模型的生产线设备控制方法、装置、设备及介质 | |
KR101670471B1 (ko) | 빌딩 시뮬레이션을 제공하기 위한 방법 및 장치 | |
CN115220707B (zh) | 一种基于区块链的软件开发管理方法及系统 | |
CN112799965B (zh) | 自动化装备软件的虚拟调试系统及其调试方法 | |
KR20210075358A (ko) | 스마트공장의 운영 분석 시스템 및 방법 | |
KR100221473B1 (ko) | 발전설비 제어용 모의실험시스템 | |
CN116044867A (zh) | 基于自动编程的液压系统控制方法、系统、设备及介质 | |
CN116167935A (zh) | 二维码的修复方法、装置、设备及介质 | |
CN113179181B (zh) | 数据采集方法、装置、系统、数据处理装置及电子设备 | |
WO2017197829A1 (zh) | 测试信息管理方法、装置、测试用例执行系统及设备 | |
CN110555218A (zh) | 生产模型更新系统、装置、方法和计算机可读介质 | |
CN116700168B (zh) | 生产线的虚实同步方法及系统 |
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 | ||
GR01 | Patent grant |