CN114418456A - 一种基于工况的机器学习进度管控方法及相关装置 - Google Patents
一种基于工况的机器学习进度管控方法及相关装置 Download PDFInfo
- Publication number
- CN114418456A CN114418456A CN202210235253.1A CN202210235253A CN114418456A CN 114418456 A CN114418456 A CN 114418456A CN 202210235253 A CN202210235253 A CN 202210235253A CN 114418456 A CN114418456 A CN 114418456A
- Authority
- CN
- China
- Prior art keywords
- learning
- condition
- stage
- target
- working condition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000010801 machine learning Methods 0.000 title claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000004519 manufacturing process Methods 0.000 claims description 147
- 238000002360 preparation method Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 31
- 238000004891 communication Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种基于工况的机器学习进度管控方法及相关装置,所述方法包括:获取来自所述电子设备的进度查询请求;根据所述目标工况编码确定所述目标工况的当前学习情况;根据所述当前学习情况确定所述目标工况是否存在预备学习阶段;若存在,则向所述电子设备发送所述当前学习情况和提示信息,所述提示信息用于提示用户创建所述目标工况在所述预备学习阶段的任务;若不存在,则向所述电子设备发送所述当前学习情况。这样通过工况自动识别训练阶段,并通过信息展现和发送提示消息的方式协助用户完成机器学习的全过程,极大的提升了机器学习的效率,且用户可以快速了解到当前的学习进度,降低了用户的决策难度。
Description
技术领域
本申请属于互联网产业的一般数据处理领域,具体涉及一种基于工况的机器学习进度管控方法及相关装置。
背景技术
目前通过机器学习训练生产,帮助优化工艺参数是越来越流行的趋势,但是传统的机器学习训练,是通过人员的计划安排,产生学习工艺参数数据,再安排到生产流程中,靠人工管理试产训练的过程的进度和质量,同时训练有多个阶段例如训练、学习,验证都需要人员决策,协调管控,一方面效率比较低,也依靠人员的技能经验,同时也容易出错。
发明内容
本申请实施例提供了一种基于工况的机器学习进度管控方法及相关装置,以期提高机器学习效率,提高用户对机器学习的全过程进行管控的便捷度。
第一方面,本申请实施例提供了一种基于工况的机器学习进度管控方法,应用于进度管控系统的服务器,所述进度管控系统包括所述服务器和电子设备,所述方法包括:
获取来自所述电子设备的进度查询请求,所述进度查询请求包括目标工况编码,所述目标工况编码用于指示目标工况;
根据所述目标工况编码确定所述目标工况的当前学习情况,所述当前学习情况用于指示所述目标工况当前在各学习阶段的学习情况;
根据所述当前学习情况确定所述目标工况是否存在预备学习阶段,所述预备学习阶段为所述目标工况当前可进入但还未进入的学习阶段;
若存在所述预备学习阶段,则向所述电子设备发送所述当前学习情况和提示信息,所述提示信息用于提示用户创建所述目标工况在所述预备学习阶段的任务;
若不存在所述预备学习阶段,则向所述电子设备发送所述当前学习情况。
第二方面,本申请实施例提供了一种基于工况的机器学习进度管控方法,应用于进度管控系统的电子设备,所述进度管控系统包括服务器和所述电子设备,所述方法包括:
向所述服务器发送进度查询请求,所述进度查询请求包括目标工况编码,所述目标工况编码用于指示目标工况,所述目标工况用于指示当前学习情况,所述当前学习情况用于指示所述目标工况当前在各学习阶段的学习情况,所述当前学习情况用于确定所述目标工况是否存在预备学习阶段,所述预备学习阶段为所述目标工况当前可进入但还未进入的学习阶段;
若存在所述预备学习阶段,获取来自所述服务器发送的所述当前学习情况和提示信息,所述提示信息用于提示用户创建所述目标工况在所述预备学习阶段的任务;
若不存在所述预备学习阶段,则获取来自所述服务器的所述当前学习情况。
第三方面,本申请实施例提供了一种基于工况的机器学习进度管控装置,应用于进度管控系统的服务器,所述进度管控系统包括所述服务器和电子设备,所述装置包括:
获取单元,用于获取来自所述电子设备的进度查询请求,所述进度查询请求包括目标工况编码,所述目标工况编码用于指示目标工况;
第一确定单元,用于根据所述目标工况编码确定所述目标工况的当前学习情况,所述当前学习情况用于指示所述目标工况当前在各学习阶段的学习情况;
第二确定单元,用于根据所述当前学习情况确定所述目标工况是否存在预备学习阶段,所述预备学习阶段为所述目标工况当前可进入但还未进入的学习阶段;
第一发送单元,用于若存在所述预备学习阶段,则向所述电子设备发送所述当前学习情况和提示信息,所述提示信息用于提示用户创建所述目标工况在所述预备学习阶段的任务;
第二发送单元,用于若不存在所述预备学习阶段,则向所述电子设备发送所述当前学习情况。
第四方面,本申请实施例提供了一种基于工况的机器学习进度管控装置,应用于进度管控系统的电子设备,所述进度管控系统包括服务器和所述电子设备,所述装置包括:
发送单元,用于向所述服务器发送进度查询请求,所述进度查询请求包括目标工况编码,所述目标工况编码用于指示目标工况,所述目标工况用于指示当前学习情况,所述当前学习情况用于指示所述目标工况当前在各学习阶段的学习情况,所述当前学习情况用于确定所述目标工况是否存在预备学习阶段,所述预备学习阶段为所述目标工况当前可进入但还未进入的学习阶段;
第一获取单元,用于若存在所述预备学习阶段,获取来自所述服务器发送的所述当前学习情况和提示信息,所述提示信息用于提示用户创建所述目标工况在所述预备学习阶段的任务;
第二获取单元,用于若不存在所述预备学习阶段,则获取来自所述服务器的所述当前学习情况。
第五方面,本申请实施例提供了一种服务器,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行本申请实施例第一方面中的步骤的指令。
第六方面,本申请实施例提供了一种电子设备,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行本申请实施例第二方面中的步骤的指令。
第七方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面或第二方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出,本申请实施例中,服务器首先获取来自所述电子设备的进度查询请求,然后根据所述目标工况编码确定所述目标工况的当前学习情况,再然后根据所述当前学习情况确定所述目标工况是否存在预备学习阶段,若存在所述预备学习阶段,则向所述电子设备发送所述当前学习情况和提示信息,所述提示信息用于提示用户创建所述目标工况在所述预备学习阶段的任务,若不存在所述预备学习阶段,则向所述电子设备发送所述当前学习情况。这样通过工况自动识别训练阶段,并通过信息展现和发送提示消息的方式协助用户完成机器学习的全过程,极大的提升了机器学习的效率,且用户可以快速了解到当前的学习进度,降低了用户的决策难度,提高了用户的使用体验。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本申请的一些实施例,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是本申请实施例提供的一种进度管控系统的结构示意图;
图2是本申请实施例提供的一种服务器的结构示意图;
图3是本申请实施例提供的一种电子设备的结构示意图;
图4是本申请实施例提供的一种基于工况的机器学习进度管控方法的流程示意图;
图5是本申请实施例提供的一种机器学习进度管控界面示意图;
图6是本申请实施例提供的另一种机器学习进度管控界面示意图;
图7是本申请实施例提供的另一种机器学习进度管控界面示意图;
图8是本申请实施例提供的一种基于工况的机器学习进度管控装置的功能单元组成框图;
图9是本申请实施例提供的另一种基于工况的机器学习进度管控装置的功能单元组成框图;
图10是本申请实施例提供的另一种基于工况的机器学习进度管控装置的功能单元组成框图;
图11是本申请实施例提供的另一种基于工况的机器学习进度管控装置的功能单元组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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作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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在流程制造业例如:化工,冶金,钢铁等行业,面临很多新产品的试生产,以及老的产品面临的新工况需要通过生产工艺优化爬坡的流程,随着人工智能技术的发展,目前通过机器学习训练生产,帮助优化工艺参数是越来越流行的趋势,但是传统的机器学习训练,是通过人员的计划安排,产生学习工艺参数数据,安排到生产流程中,靠人工管理试产训练的过程的进度和质量,同时训练有多个阶段,例如训练、学习,验证都需要人员决策,协调管控,一方面效率比较低,也依靠人员的技能经验,同时也容易出错。
针对上述问题,本申请实施例提供了一种基于工况的机器学习进度管控方法及相关装置,下面结合附图对本申请实施例进行详细介绍。
请参阅图1,图1是本申请实施例提供的一种进度管控系统的结构示意图。如图所示,所述进度管控系统10包括服务器101和电子设备102,所述电子设备102用于向服务器发送进度查询请求,服务器101根据电子设备102的查询请求获取进度信息,并将该进度进行反馈给电子设备102供用户查看。且用户还可以通过电子设备102向服务器101发送更改信息,对当前进度进行更新或机器学习过程中的信息进行更改。
该服务器101结构图如图2所示,所述服务器101包括处理器120、存储器130、通信接口140以及一个或多个程序131,其中,所述一个或多个程序131被存储在上述存储器130中,且被配置由上述处理器120执行,所述一个或多个程序131包括用于执行下述方法实施例中任一步骤的指令。具体实现中,所述处理器120用于执行如下述方法实施例中由服务器执行的任一步骤,且在执行诸如接收等数据传输操作时,可选择的调用所述通信接口140来完成相应操作。需要说明的是,本方案中服务器的存储方式可以是分布式的,不同产线和车间和质量化验室多个服务器,然后再利用区块链的数据库存储技术,分别同时实时记录每批次物料的生产信息,并且按不同的生产设备的生产时间顺序上链保存。
该电子设备102结构图如图3所示,所述电子设备102包括处理器220、存储器230、通信接口240以及一个或多个程序231,其中,所述一个或多个程序231被存储在上述存储器230中,且被配置由上述处理器220执行,所述一个或多个程序231包括用于执行下述方法实施例中任一步骤的指令。具体实现中,所述处理器220用于执行如下述方法实施例中由电子设备执行的任一步骤,且在执行诸如接收等数据传输操作时,可选择的调用所述通信接口240来完成相应操作。
请参阅图4,图4是本申请实施例提供的一种基于工况的机器学习进度管控方法的流程示意图。如图所述,所述基于工况的机器学习进度管控方法应用于进度管控系统的服务器,所述进度管控系统包括所述服务器和电子设备,所述方法包括:
S201,获取来自所述电子设备的进度查询请求,所述进度查询请求包括目标工况编码,所述目标工况编码用于指示目标工况。
其中,每一个工况编码对应一种类型的工况,该工况用于指示当前生产情况,包括生产环境情况、生产设备情况和生产人员情况等。针对每一个工况编码都可以建立一个机器学习任务,以使得根据机器学习得到的结果对该工况下的生产参数进行控制。
S202,根据所述目标工况编码确定所述目标工况的当前学习情况,所述当前学习情况用于指示所述目标工况当前在各学习阶段的学习情况。
其中,由于一整个机器学习的流程多且耗时长,而同时可能有多个工况编码对应的工况在进行机器学习,因此用户可能无法快速的对每个机器学习过程进行有效率和精准的管控,因此在本方案下,用户向电子设备输入需要查询的机器学习过程对应的工况编码,服务器就可以获取该工况编码对应的整个机器学习过程的所有学习情况。该当前学习情况包括已完成学习的学习阶段,正在进行学习的学习阶段和还未进行学习的学习阶段的情况。用户可以通过服务器发送的当前学习情况一目了然的知道当前工况编码对应的机器学习已进行了哪些步骤和还有哪些步骤需要进行等内容,方便用户快速了解当前学习进度,并根据当前学习进度安排后续生产工作。
S203,根据所述当前学习情况确定所述目标工况是否存在预备学习阶段,所述预备学习阶段为所述目标工况当前可进入但还未进入的学习阶段。
其中,由于机器学习共包括多个学习阶段,且每个学习阶段之间紧密关联,因此可以根据学习情况确定之后的学习阶段。对于一个工况来说,其可对应多个学习任务,这多个学习任务可以包括已完成、正在进行或新建且还未进行三种状态,对于正在运行状态的学习任务只包括一个。用户可以根据当前学习情况查询到正在进行学习的学习任务中已学习完成的学习阶段对应的学习信息,例如已学习完成的学习阶段为验证评估阶段,则用户可以获取到每一个产品参数对应的目标值,该产品参数对应的在学习前的均值、标准差和过程能力指数(Complex Process Capability index,CPK)等数据信息,以及每个产品参数对应的某一个学习版本对应的产品参数的均值、标准差和CPK等数据信息。
S204,若存在所述预备学习阶段,则向所述电子设备发送所述当前学习情况和提示信息,所述提示信息用于提示用户创建所述目标工况在所述预备学习阶段的任务;
S205,若不存在所述预备学习阶段,则向所述电子设备发送所述当前学习情况。
其中,若存在预备学习阶段,则意味着当前生产阶段不是机器学习的最后一个生产阶段,且存在至少一个学习任务已经完成当前学习阶段或者该工况编码下还未进行初始阶段的学习任务的创建。例如该工况编码下对应有多个学习任务,其中学习任务5在当前学习阶段已经完成,因此可以向用户发送提示信息,提示用户针对该学习任务进入下一个学习阶段。若不存在预备学习阶段,则意味着该当前学习阶段还未完成,则无法进入下一个学习阶段,或者下一个学习阶段所需要的信息还未获取,例如在学习阶段至少需要40组训练信息,但根据当前训练阶段得到的数据结果还未完成,则无法进入学习阶段,若训练阶段得到的训练数据达到最低值,即使训练阶段还未完成,也可以进入学习阶段。
可见,本实例中,服务器首先获取来自所述电子设备的进度查询请求,然后根据所述目标工况编码确定所述目标工况的当前学习情况,再然后根据所述当前学习情况确定所述目标工况是否存在预备学习阶段,若存在,则向所述电子设备发送所述当前学习情况和提示信息,所述提示信息用于提示用户创建所述目标工况在所述预备学习阶段的任务,若不存在,则向所述电子设备发送所述当前学习情况。这样通过工况自动识别训练阶段,并通过信息展现和发送提示消息的方式协助用户完成机器学习的全过程,极大的提升了机器学习的效率,且用户可以快速了解到当前的学习进度,降低了用户的决策难度,提高了用户的使用体验。
在一个可能的实例中,所述目标工况的学习进度包括创建学习任务阶段、学习目标确认阶段、学习生产排产阶段、训练阶段、多目标学习阶段和验证评估阶段,所述根据所述当前学习情况确定所述目标工况是否存在预备学习阶段,包括:确定所述当前学习阶段的下一个学习阶段,所述创建学习任务阶段为初始学习阶段,所述学习目标确认阶段为所述创建学习任务阶段的下一个学习阶段,所述学习生产排产阶段为所述学习目标确认阶段的下一个阶段,所述训练阶段为所述学习生产排产阶段的下一个阶段,所述多目标学习阶段为所述训练阶段的下一个阶段,所述验证评估阶段为所述多目标学习阶段的下一个阶段;确定所述目标工况在当前学习阶段的学习任务是否已完成;若是,则确定所述当前学习阶段的下一个学习阶段为预备学习阶段。
其中,如图5所示,图5中的关于“A产品多目标优化学习任务导航”的界面所示,该机器学习可以是指多目标优化学习,该多目标优化学习共包括6个学习阶段,分别是在创建学习任务阶段,为某一个工况编码对应的工况创建多目标机器学习任务,在创建完学习任务后,在学习目标确认阶段由用户确定该次学习的学习目标,然后根据学习目标进入学习生产排产阶段,在此阶段可以产生多个训练数据,然后在获取到足够的训练数据后进入训练阶段,根据训练数据训练多目标优化模型,训练结束后进入多目标学习阶段,在此阶段会通过多目标优化模型进行计算,得到优化后的产品参数值,然后在验证评估阶段基于学习得到的产品参数值、产品参数目标值和学习前的产品参数值进行验证评估,确定可以用于实际生产的版本。用户可以根据当前学习情况查看已学习完成的学习阶段的学习情况,且在有预备学习阶段时,还可以提示用户进入下一个阶段,例如图中提示用户当前工况还没有学习生产排产,因此用户可以在电子设备上点击“去排产”,则可以进入下一个学习阶段。特别地,当前学习情况的信息,例如对每个学习批次的信息,包括进度数据,检测信息,操作人员,检验人员等信息,可以通过区块链技术,按区块链的时间节点获取,保证信息的可追溯性与可靠性。
具体实现中,在进行学习目标确认时,可以先确定目标产品是否已进行过其他工况的机器学习,若是,则获取在进行其他工况的机器学习时确定的学习目标,然后确定该学习目标为本次机器学习的学习目标模板,用户只需要在该模板上进行相应更改就可以了,或者用户不更改该学习目标模板,可以直接确认该学习目标模板为本次机器学习的学习目标。该学习目标包括目标产品的各产品参数的目标值、优先级、期望趋势和规格上下限等内容。在进行学习目标确认时,还可以获取该产品在实验室阶段确定出的初始产品参数,然后直接导入该初始产品参数为学习目标模板。
可见,本实例中,对多目标优化学习的全过程进行流程化的管控和展示,使得用户可以随时确定每次机器学习的学习进度,也可以根据提示进行后续操作,提高机器学习的便捷度和学习效率,提高用户使用体验。
在一个可能的实例中,所述目标工况的学习进度的初始阶段为创建学习任务阶段,所述目标工况的所述当前学习情况包括所述目标工况还未创建学习任务,所述根据所述目标工况编码确定所述目标工况的当前学习情况之后,所述方法还包括:根据所述目标工况编码确定所述目标工况的工况类型;根据所述工况类型确定推荐任务数量,所述推荐任务数量用于推荐用户在所述创建学习任务阶段需要创建的针对所述目标工况的学习任务的数量;向所述电子设备发送所述推荐任务数量。
其中,该目标工况编码可以包括四个方面的内容,即可以根据工况编码确定生产环境信息、生产设备信息、生产物料信息和生产人员信息,根据这四个方面的内容可以确定出当前的工况类型。其中,可以通过工况编码,结合机器学习的进度信息,可以知道当前在哪个阶段,属于那种生产类型。例如训练生产,多目标机器学习生产,量产验证生产,量产生产,可以通过不同生产类型的质量目标达成情况来推荐需要对应的学习任务数量。且可以根据工况编码对应的参数数据库的版本状态确定其是在生产的试产的量产验证阶段或量产阶段。
可见,本实例中,根据不同的工况类型推荐对应的学习任务数量,可以提高机器学习效率,降低机器学习时的负担,减少资源浪费。
在一个可能的实例中,所述根据所述工况类型确定推荐任务数量,包括:根据所述目标工况编码确定同类工况编码,所述同类工况编码与所述目标工况编码的相似度大于预设值;获取预备工况,所述预备工况为所述同类工况编码对应的同类工况中已完成所有学习阶段的工况;确定所述预备工况对应的学习任务数量和所述预备工况对应的每个学习任务对应的产品综合质量指标;根据所述每个学习任务的产品综合质量指标确定质量分布情况;根据所述质量分布情况和所述学习任务数量确定推荐任务数量区间;根据所述推荐任务数量区间确定所述推荐任务数量。
其中,由于工况编码可以体现多个方面的生产情况,因此若这多个方面的生产情况中仅存在一个方面的生产情况不相同,即该同类工况编码中仅一位数字与目标工况编码不同。且同类工况编码可以包括多个,例如目标工况编码与其同类工况编码仅在于生产人员情况不同,目标工况编码的生产人员为A组,而同类工况编码1的生产人员为B组,同类工况编码2的生产人员为C组。当存在多个不同类型的同类工况编码时,例如有的同类工况编码是与目标工况编码的生产环境情况不同,有的同类工况编码是与目标工况编码的生产人员情况不同,因此可以将获取的同类工况编码按情况进行分组,例如共包括四个方面的生产情况,则可以生产环境情况不同的为一组,生产设备情况不同的为一组,生产物料情况不同的为一组,然后生产人员情况不同的为一组,然后确定这四组同类工况编码中已完成所有学习阶段的工况的数量最多的一组为最终同类工况编码。
具体实现中,如果工厂有多条产线,N个产线设备的M(M<N)个同时生产学习一个相近的产品的工况,相近工况编码(产线不同,但设备类型相同,其他工况相同)的学习任务。当工况只有产线差异时,即(相近工况,设备类型等相同),有多个相近工况,N个产线中的M(M<N)个同时学习,如果学习达标率较高,学习参数一致性较好,那么可以对标M个产线的参数,设置到其他未学习的产线,减少学习的次数。
当预备工况包括多个时,所述根据所述质量分布情况和所述学习任务数量确定推荐任务数量区间,包括:确定每个预备工况的所有学习任务对应的第一产品综合质量指标,然后根据每个预备工况对应的学习任务数量确定该预备工况对应的平均产品综合质量指标,然后根据所有预备工况的平均产品综合质量指标确定质量分布总区间,然后对质量分布总区间进行等分,从等分的区间中确定推荐任务数量区间,该推荐任务数量区间中包括的预备工况数量最多,确定该推荐任务数量区间对应的目标预备工况,然后确定每个目标预备工况的学习任务数量,根据每个目标预备工况的学习任务数量确定预备推荐任务数量,确定该推荐任务数量区间对应的产品综合质量指标与产品综合质量指标的目标值的差距,根据差距和预备推荐任务数量确定最终推荐任务数量。例如,若推荐任务数量区间对应的产品综合质量指标包括目标值,则确定预备推荐任务数量为最终推荐任务数量,若推荐任务数量区间小于目标值,则确定预备推荐任务数量小于最终推荐任务数量,若推荐任务数量区间大于目标值,则确定预备推荐任务数量大于最终推荐任务数量。或者根据差距值确定推荐比例,根据推荐比例和预备推荐任务数量确定最终推荐任务数量。
可见,本实例中,根据同种类型的工况编码确定学习任务创建时的推荐任务数量,可以提高机器学习效率,降低机器学习时的负担,减少资源浪费。
在一个可能的实例中,所述当前学习情况包括训练阶段的学习情况,所述根据所述目标工况编码确定所述目标工况的当前学习情况,包括:确定所述目标工况在所述训练阶段的训练总批次;获取每个生产流程针对所述目标工况的生产情况,所述生产情况用于指示生产流程对应的当前生产批次的生产情况;根据所述训练总批次和所述当前生产批次确定每个生产流程对应的完成进度;根据所述每个生产流程对应的完成进度确定所述目标工况在所述训练阶段的训练进度;所述向所述电子设备发送所述当前学习情况,包括:向所述电子设备发送所述生产情况和所述训练进度。
其中,如图6所示,图6是本申请实施例提供的另一种机器学习进度管控界面示意图。在进行训练时,可以将获取到的训练参数生成不同批次的生产任务,在用户查询机器学习进度时,可以将不同批次的生产状况进行展示。例如在某一个流程当前生产的是第几批次的产品,该流程在总的训练中的完成进度是多少。确定完成进度可以包括:确定训练总批次,确定目标流程当前生产批次,根据当前生产批次确定已生产完成批次数量,确定当前生产批次的生产进度,根据当前生产批次的生产进度、已完成生产批次数量和训练总批次确定目标流程的完成进度。例如流程5当前生产批次为第21批,则意味着流程5已经生产完成了20批次,若当前生产批次的生产进度已完成50%,则可以根据获取到的信息确定出流程5的完成进度。
可见,本实例中,在训练阶段向用户展示每个流程的生产情况,已经训练进度等信息,便于用户了解当前机器学习进度,提高用户管理效率。
在一个可能的实例中,所述根据所述每个生产流程对应的完成进度确定所述目标工况在所述训练阶段的训练进度,包括:确定预备生产流程,所述预备生产流程对应的完成进度小于1;根据生产顺序对所述预备生产流程编号,编号顺序越大生产顺序越靠后;根据生产顺序为每个预备生产流程确定进度系数,所述预备生产流程的生产顺序越靠后,所述进度系数越高;根据所述进度系数和所述预备生产流程对应的完成进度确定所述目标工况在所述训练阶段的训练进度。
其中,完成进度等于1则意味着该流程已生产完成所有训练批次的内容。所有预备生产流程的进度系数之和S∈[0,N],N为生产流程的个数。可以通过训练进度条直观的展示当前训练阶段的训练进度。
可见,本实例中,在训练阶段向用户展示每个流程的生产情况,已经训练进度等信息,便于用户了解当前机器学习进度,提高用户管理效率。
在一个可能的实例中,在所述当前学习情况包括多目标学习阶段时,所述根据所述目标工况编码确定所述目标工况的当前学习情况,包括:确定所述目标工况的已学习轮次;获取所述已学习轮次中每轮次学习得到的产品参数信息;根据所述产品参数信息对所述已学习轮次进行排序;所述向所述电子设备发送所述当前学习情况,包括:向所述电子设备发送目标学习轮次对应的产品参数信息,所述目标学习轮次为排序在预设顺序之前的已学习轮次;所述向所述电子设备发送目标学习轮次对应的产品参数信息之后,所述方法还包括:接收来自所述电子设备针对所述目标学习轮次的版本的设置请求,每轮次多目标学习对应的学习参数为一个版本;根据所述版本设置请求将所述目标学习轮次的版本更新为预设版本;确定所述预设版本为可进入验证评估阶段的版本。
其中,针对一个工况编码需要进行多轮次的多目标学习,每轮次的多目标学习后都会获得相应的产品参数信息,该产品参数信息包括多个参数的参数信息。根据所述产品参数信息对所述已学习轮次进行排序包括:确定多个参数信息中每个参数信息的优先级,获取每个参数信息对应的参数目标区间,根据参数目标区间和优先级确定每轮次学习对应的综合产品指标,根据综合产品指标确定排列顺序。在向电子设备发送当前学习情况时,可以仅发送排序靠前的学习轮次的学习结果。在接收到来自电子设备的请求信息后,再向电子设备发送其他排序的学习轮次的学习结果。
具体实现中,可以对排序靠前的学习轮次进行版本设置,将该轮次的学习信息设置为预设版本后,就可以根据该轮次的学习信息进行验证评估。随着学习轮次的增多,当前排序靠前的学习轮次可能会改变,即排序靠前的学习轮次中可能出现一些学习轮次的版本为预设版本,一些学习轮次的版本不为预设版本,则此时就可以对这些学习轮次版本进行设置。例如图7中,可以将排序第5的学习轮次对应的版本进行添加,设置为预设版本进行验证评估。
具体实现中,如图7所示,还可以获取针对每个产品参数的学习信息,包括该产品参数的参数名称、参数的单位、目标值、规格上下限和期望学习方向等内容,以及通过折线图的方式将每次学习该参数的参数值进行展示,便于用于直观分析每个参数的学习情况。
可见,本实例中,在多目标学习阶段全面展示学习情况,方便用户根据需求进行学习情况分析。
本方案还提供了一种基于工况的机器学习进度管控方法,应用于进度管控系统的电子设备,所述进度管控系统包括服务器和所述电子设备,所述方法包括:向所述服务器发送进度查询请求,所述进度查询请求包括目标工况编码,所述目标工况编码用于指示目标工况,所述目标工况用于指示当前学习情况,所述当前学习情况用于指示所述目标工况当前在各学习阶段的学习情况,所述当前学习情况用于确定所述目标工况是否存在预备学习阶段,所述预备学习阶段为所述目标工况当前可进入但还未进入的学习阶段;若存在所述预备学习阶段,获取来自所述服务器发送的所述当前学习情况和提示信息,所述提示信息用于提示用户创建所述目标工况在所述预备学习阶段的任务;若不存在所述预备学习阶段,则获取来自所述服务器的所述当前学习情况。
可见,本实例中,用户可以通过电子设备实时获取每个工况对应的机器学习情况,便于用户对整个机器学习进度进行管控。
与上述实施例一致的,请参阅图8,图8是本申请实施例提供的一种基于工况的机器学习进度管控装置的功能单元组成框图。所述基于工况的机器学习进度管控装置300应用于进度管控系统的服务器,所述进度管控系统包括所述服务器和电子设备,所述装置包括:获取单元301,用于获取来自所述电子设备的进度查询请求,所述进度查询请求包括目标工况编码,所述目标工况编码用于指示目标工况;第一确定单元302,用于根据所述目标工况编码确定所述目标工况的当前学习情况,所述当前学习情况用于指示所述目标工况当前在各学习阶段的学习情况;第二确定单元303,用于根据所述当前学习情况确定所述目标工况是否存在预备学习阶段,所述预备学习阶段为所述目标工况当前可进入但还未进入的学习阶段;第一发送单元304,用于若存在所述预备学习阶段,则向所述电子设备发送所述当前学习情况和提示信息,所述提示信息用于提示用户创建所述目标工况在所述预备学习阶段的任务;第二发送单元305,用于若不存在所述预备学习阶段,则向所述电子设备发送所述当前学习情况。
在一个可能的实例中,所述目标工况的学习进度包括创建学习任务阶段、学习目标确认阶段、学习生产排产阶段、训练阶段、多目标学习阶段和验证评估阶段,在所述根据所述当前学习情况确定所述目标工况是否存在预备学习阶段方面,所述第二确定单元303具体用于:确定所述当前学习阶段的下一个学习阶段,所述创建学习任务阶段为初始学习阶段,所述学习目标确认阶段为所述创建学习任务阶段的下一个学习阶段,所述学习生产排产阶段为所述学习目标确认阶段的下一个阶段,所述训练阶段为所述学习生产排产阶段的下一个阶段,所述多目标学习阶段为所述训练阶段的下一个阶段,所述验证评估阶段为所述多目标学习阶段的下一个阶段;确定所述目标工况在当前学习阶段的学习任务是否已完成;若是,则确定所述当前学习阶段的下一个学习阶段为预备学习阶段。
在一个可能的实例中,所述目标工况的学习进度的初始阶段为创建学习任务阶段,所述目标工况的所述当前学习情况包括所述目标工况还未创建学习任务,在所述根据所述目标工况编码确定所述目标工况的当前学习情况之后,所述装置300还用于:根据所述目标工况编码确定所述目标工况的工况类型;根据所述工况类型确定推荐任务数量,所述推荐任务数量用于推荐用户在所述创建学习任务阶段需要创建的针对所述目标工况的学习任务的数量;向所述电子设备发送所述推荐任务数量。
在一个可能的实例中,在所述根据所述工况类型确定推荐任务数量方面,所述装置300用于:根据所述目标工况编码确定同类工况编码,所述同类工况编码与所述目标工况编码的相似度大于预设值;获取预备工况,所述预备工况为所述同类工况编码对应的同类工况中已完成所有学习阶段的工况;确定所述预备工况对应的学习任务数量和所述预备工况对应的每个学习任务对应的产品综合质量指标;根据所述每个学习任务的产品综合质量指标确定质量分布情况;根据所述质量分布情况和所述学习任务数量确定推荐任务数量区间;根据所述推荐任务数量区间确定所述推荐任务数量。
在一个可能的实例中,所述当前学习情况包括训练阶段的学习情况,在所述根据所述目标工况编码确定所述目标工况的当前学习情况方面,所述第一确定单元302具体用于:确定所述目标工况在所述训练阶段的训练总批次;获取每个生产流程针对所述目标工况的生产情况,所述生产情况用于指示生产流程对应的当前生产批次的生产情况;根据所述训练总批次和所述当前生产批次确定每个生产流程对应的完成进度;根据所述每个生产流程对应的完成进度确定所述目标工况在所述训练阶段的训练进度;在所述向所述电子设备发送所述当前学习情况方面,所述第一发送单元304或所述第二发送单元305用于:向所述电子设备发送所述生产情况和所述训练进度。
在一个可能的实例中,在所述根据所述每个生产流程对应的完成进度确定所述目标工况在所述训练阶段的训练进度方面,所述第一确定单元302具体用于:确定预备生产流程,所述预备生产流程对应的完成进度小于1;根据生产顺序对所述预备生产流程编号,编号顺序越大生产顺序越靠后;根据生产顺序为每个预备生产流程确定进度系数,所述预备生产流程的生产顺序越靠后,所述进度系数越高;根据所述进度系数和所述预备生产流程对应的完成进度确定所述目标工况在所述训练阶段的训练进度。
在一个可能的实例中,在所述当前学习情况包括多目标学习阶段时,在方所述根据所述目标工况编码确定所述目标工况的当前学习情况面,所述第一确定单元302具体用于:确定所述目标工况的已学习轮次;获取所述已学习轮次中每轮次学习得到的产品参数信息;根据所述产品参数信息对所述已学习轮次进行排序;在所述向所述电子设备发送所述当前学习情况方面,所述第一发送单元304或所述第二发送单元305具体用于:向所述电子设备发送目标学习轮次对应的产品参数信息,所述目标学习轮次为排序在预设顺序之前的已学习轮次;所述向所述电子设备发送目标学习轮次对应的产品参数信息之后,所述方法还包括:接收来自所述电子设备针对所述目标学习轮次的版本的设置请求,每轮次多目标学习对应的学习参数为一个版本;根据所述版本设置请求将所述目标学习轮次的版本更新为预设版本;确定所述预设版本为可进入验证评估阶段的版本。
可以理解的是,由于方法实施例与装置实施例为相同技术构思的不同呈现形式,因此,本申请中方法实施例部分的内容应同步适配于装置实施例部分,此处不再赘述。
在采用集成的单元的情况下,如图9所示,图9是本申请实施例提供的另一种基于工况的机器学习进度管控装置的功能单元组成框图。在图9中,基于工况的机器学习进度管控装置400包括:处理模块412和通信模块411。处理模块412用于对基于工况的机器学习进度管控装置的动作进行控制管理,例如,执行获取单元301、第一确定单元302、第二确定单元303、第一发送单元304、和第二发送单元305的步骤,和/或用于执行本文所描述的技术的其它过程。通信模块411用于基于工况的机器学习进度管控装置与其他设备之间的交互。如图9所示,基于工况的机器学习进度管控装置还可以包括存储模块413,存储模块413用于存储基于工况的机器学习进度管控装置的程序代码和数据。
其中,处理模块412可以是处理器或控制器,例如可以是中央处理器(CentralProcessing Unit,CPU),通用处理器,数字信号处理器(Digital Signal Processor,DSP),ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。通信模块411可以是收发器、RF电路或通信接口等。存储模块413可以是存储器。
其中,上述方法实施例涉及的各场景的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。上述基于工况的机器学习进度管控装置400可执行上述图4所示的基于工况的机器学习进度管控方法。
与上述实施例一致的,请参阅图10,图10是本申请实施例提供的另一种基于工况的机器学习进度管控装置的功能单元组成框图。所述基于工况的机器学习进度管控装置500应用于进度管控系统的电子设备,所述进度管控系统包括服务器和所述电子设备,所述装置包括:发送单元501,用于向所述服务器发送进度查询请求,所述进度查询请求包括目标工况编码,所述目标工况编码用于指示目标工况,所述目标工况用于指示当前学习情况,所述当前学习情况用于指示所述目标工况当前在各学习阶段的学习情况,所述当前学习情况用于确定所述目标工况是否存在预备学习阶段,所述预备学习阶段为所述目标工况当前可进入但还未进入的学习阶段;第一获取单元502,用于若存在所述预备学习阶段,获取来自所述服务器发送的所述当前学习情况和提示信息,所述提示信息用于提示用户创建所述目标工况在所述预备学习阶段的任务;第二获取单元503,用于若不存在所述预备学习阶段,则获取来自所述服务器的所述当前学习情况。
可以理解的是,由于方法实施例与装置实施例为相同技术构思的不同呈现形式,因此,本申请中方法实施例部分的内容应同步适配于装置实施例部分,此处不再赘述。
在采用集成的单元的情况下,如图11所示,图11是本申请实施例提供的另一种基于工况的机器学习进度管控装置的功能单元组成框图。在图11中,基于工况的机器学习进度管控装置600包括:处理模块612和通信模块611。处理模块612用于对基于工况的机器学习进度管控装置的动作进行控制管理,例如,执行发送单元501、第一获取单元502和第二获取单元503的步骤,和/或用于执行本文所描述的技术的其它过程。通信模块611用于基于工况的机器学习进度管控装置与其他设备之间的交互。如图11所示,基于工况的机器学习进度管控装置还可以包括存储模块613,存储模块613用于存储基于工况的机器学习进度管控装置的程序代码和数据。
其中,处理模块612可以是处理器或控制器,例如可以是中央处理器(CentralProcessing Unit,CPU),通用处理器,数字信号处理器(Digital Signal Processor,DSP),ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。通信模块611可以是收发器、RF电路或通信接口等。存储模块613可以是存储器。
其中,上述方法实施例涉及的各场景的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,电子设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和软件模块。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本申请实施例中对单元的划分是示意性的,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。
本申请实施例还提供了一种芯片,其中,该芯片包括处理器,用于从存储器中调用并运行计算机程序,使得安装有所述芯片的设备执行如上述方法实施例中电子设备所描述的部分或全部步骤。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括电子设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,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,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接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上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,在本申请各个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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元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器中。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全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory ,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,可轻易想到变化或替换,均可作各种更动与修改,包含上述不同功能、实施步骤的组合,包含软件和硬件的实施方式,均在本发明的保护范围。
Claims (13)
1.一种基于工况的机器学习进度管控方法,其特征在于,应用于进度管控系统的服务器,所述进度管控系统包括所述服务器和电子设备,所述方法包括:
获取来自所述电子设备的进度查询请求,所述进度查询请求包括目标工况编码,所述目标工况编码用于指示目标工况;
根据所述目标工况编码确定所述目标工况的当前学习情况,所述当前学习情况用于指示所述目标工况当前在各学习阶段的学习情况;
根据所述当前学习情况确定所述目标工况是否存在预备学习阶段,所述预备学习阶段为所述目标工况当前可进入但还未进入的学习阶段;
若存在所述预备学习阶段,则向所述电子设备发送所述当前学习情况和提示信息,所述提示信息用于提示用户创建所述目标工况在所述预备学习阶段的任务;
若不存在所述预备学习阶段,则向所述电子设备发送所述当前学习情况。
2.根据权利要求1所述的方法,其特征在于,所述目标工况的学习进度包括创建学习任务阶段、学习目标确认阶段、学习生产排产阶段、训练阶段、多目标学习阶段和验证评估阶段,所述根据所述当前学习情况确定所述目标工况是否存在预备学习阶段,包括:
确定所述当前学习阶段的下一个学习阶段,所述创建学习任务阶段为初始学习阶段,所述学习目标确认阶段为所述创建学习任务阶段的下一个学习阶段,所述学习生产排产阶段为所述学习目标确认阶段的下一个阶段,所述训练阶段为所述学习生产排产阶段的下一个阶段,所述多目标学习阶段为所述训练阶段的下一个阶段,所述验证评估阶段为所述多目标学习阶段的下一个阶段;
确定所述目标工况在当前学习阶段的学习任务是否已完成;
若是,则确定所述当前学习阶段的下一个学习阶段为预备学习阶段。
3.根据权利要求1或2所述的方法,其特征在于,所述目标工况的学习进度的初始阶段为创建学习任务阶段,所述目标工况的所述当前学习情况包括所述目标工况还未创建学习任务,所述根据所述目标工况编码确定所述目标工况的当前学习情况之后,所述方法还包括:
根据所述目标工况编码确定所述目标工况的工况类型;
根据所述工况类型确定推荐任务数量,所述推荐任务数量用于推荐用户在所述创建学习任务阶段需要创建的针对所述目标工况的学习任务的数量;
向所述电子设备发送所述推荐任务数量。
4.根据权利要求3所述的方法,其特征在于,所述根据所述工况类型确定推荐任务数量,包括:
根据所述目标工况编码确定同类工况编码,所述同类工况编码与所述目标工况编码的相似度大于预设值;
获取预备工况,所述预备工况为所述同类工况编码对应的同类工况中已完成所有学习阶段的工况;
确定所述预备工况对应的学习任务数量和所述预备工况对应的每个学习任务对应的产品综合质量指标;
根据所述每个学习任务的产品综合质量指标确定质量分布情况;
根据所述质量分布情况和所述学习任务数量确定推荐任务数量区间;
根据所述推荐任务数量区间确定所述推荐任务数量。
5.根据权利要求1或2所述的方法,其特征在于,所述当前学习情况包括训练阶段的学习情况,所述根据所述目标工况编码确定所述目标工况的当前学习情况,包括:
确定所述目标工况在所述训练阶段的训练总批次;
获取每个生产流程针对所述目标工况的生产情况,所述生产情况用于指示生产流程对应的当前生产批次的生产情况;
根据所述训练总批次和所述当前生产批次确定每个生产流程对应的完成进度;
根据所述每个生产流程对应的完成进度确定所述目标工况在所述训练阶段的训练进度;
所述向所述电子设备发送所述当前学习情况,包括:
向所述电子设备发送所述生产情况和所述训练进度。
6.根据权利要求5所述的方法,其特征在于,所述根据所述每个生产流程对应的完成进度确定所述目标工况在所述训练阶段的训练进度,包括:
确定预备生产流程,所述预备生产流程对应的完成进度小于1;
根据生产顺序对所述预备生产流程编号,编号顺序越大生产顺序越靠后;
根据生产顺序为每个预备生产流程确定进度系数,所述预备生产流程的生产顺序越靠后,所述进度系数越高;
根据所述进度系数和所述预备生产流程对应的完成进度确定所述目标工况在所述训练阶段的训练进度。
7.根据权利要求1所述的方法,其特征在于,在所述当前学习情况包括多目标学习阶段时,所述根据所述目标工况编码确定所述目标工况的当前学习情况,包括:
确定所述目标工况的已学习轮次;
获取所述已学习轮次中每轮次学习得到的产品参数信息;
根据所述产品参数信息对所述已学习轮次进行排序;
所述向所述电子设备发送所述当前学习情况,包括:
向所述电子设备发送目标学习轮次对应的产品参数信息,所述目标学习轮次为排序在预设顺序之前的已学习轮次;
所述向所述电子设备发送目标学习轮次对应的产品参数信息之后,所述方法还包括:
接收来自所述电子设备针对所述目标学习轮次的版本的设置请求,每轮次多目标学习对应的学习参数为一个版本;
根据所述版本设置请求将所述目标学习轮次的版本更新为预设版本;
确定所述预设版本为可进入验证评估阶段的版本。
8.一种基于工况的机器学习进度管控方法,其特征在于,应用于进度管控系统的电子设备,所述进度管控系统包括服务器和所述电子设备,所述方法包括:
向所述服务器发送进度查询请求,所述进度查询请求包括目标工况编码,所述目标工况编码用于指示目标工况,所述目标工况用于指示当前学习情况,所述当前学习情况用于指示所述目标工况当前在各学习阶段的学习情况,所述当前学习情况用于确定所述目标工况是否存在预备学习阶段,所述预备学习阶段为所述目标工况当前可进入但还未进入的学习阶段;
若存在所述预备学习阶段,获取来自所述服务器发送的所述当前学习情况和提示信息,所述提示信息用于提示用户创建所述目标工况在所述预备学习阶段的任务;
若不存在所述预备学习阶段,则获取来自所述服务器的所述当前学习情况。
9.一种基于工况的机器学习进度管控装置,其特征在于,应用于进度管控系统的服务器,所述进度管控系统包括所述服务器和电子设备,所述装置包括:
获取单元,用于获取来自所述电子设备的进度查询请求,所述进度查询请求包括目标工况编码,所述目标工况编码用于指示目标工况;
第一确定单元,用于根据所述目标工况编码确定所述目标工况的当前学习情况,所述当前学习情况用于指示所述目标工况当前在各学习阶段的学习情况;
第二确定单元,用于根据所述当前学习情况确定所述目标工况是否存在预备学习阶段,所述预备学习阶段为所述目标工况当前可进入但还未进入的学习阶段;
第一发送单元,用于若存在所述预备学习阶段,则向所述电子设备发送所述当前学习情况和提示信息,所述提示信息用于提示用户创建所述目标工况在所述预备学习阶段的任务;
第二发送单元,用于若不存在所述预备学习阶段,则向所述电子设备发送所述当前学习情况。
10.一种基于工况的机器学习进度管控装置,其特征在于,应用于进度管控系统的电子设备,所述进度管控系统包括服务器和所述电子设备,所述装置包括:
发送单元,用于向所述服务器发送进度查询请求,所述进度查询请求包括目标工况编码,所述目标工况编码用于指示目标工况,所述目标工况用于指示当前学习情况,所述当前学习情况用于指示所述目标工况当前在各学习阶段的学习情况,所述当前学习情况用于确定所述目标工况是否存在预备学习阶段,所述预备学习阶段为所述目标工况当前可进入但还未进入的学习阶段;
第一获取单元,用于若存在所述预备学习阶段,获取来自所述服务器发送的所述当前学习情况和提示信息,所述提示信息用于提示用户创建所述目标工况在所述预备学习阶段的任务;
第二获取单元,用于若不存在所述预备学习阶段,则获取来自所述服务器的所述当前学习情况。
11.一种服务器,其特征在于,包括处理器、存储器,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-7任一项所述的方法中的步骤的指令。
12.一种电子设备,其特征在于,包括处理器、存储器,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求8所述的方法中的步骤的指令。
13.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-7任一项或权利要求8所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210235253.1A CN114418456B (zh) | 2022-03-11 | 2022-03-11 | 一种基于工况的机器学习进度管控方法及相关装置 |
CN202210787265.5A CN114936807A (zh) | 2022-03-11 | 2022-03-11 | 机器学习进度管控方法和相关装置、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210235253.1A CN114418456B (zh) | 2022-03-11 | 2022-03-11 | 一种基于工况的机器学习进度管控方法及相关装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210787265.5A Division CN114936807A (zh) | 2022-03-11 | 2022-03-11 | 机器学习进度管控方法和相关装置、存储介质和程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114418456A true CN114418456A (zh) | 2022-04-29 |
CN114418456B CN114418456B (zh) | 2022-07-26 |
Family
ID=81264289
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210235253.1A Active CN114418456B (zh) | 2022-03-11 | 2022-03-11 | 一种基于工况的机器学习进度管控方法及相关装置 |
CN202210787265.5A Pending CN114936807A (zh) | 2022-03-11 | 2022-03-11 | 机器学习进度管控方法和相关装置、存储介质和程序产品 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210787265.5A Pending CN114936807A (zh) | 2022-03-11 | 2022-03-11 | 机器学习进度管控方法和相关装置、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114418456B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111078094A (zh) * | 2019-12-04 | 2020-04-28 | 北京邮电大学 | 分布式机器学习可视化装置 |
CN112016692A (zh) * | 2019-05-28 | 2020-12-01 | 第四范式(北京)技术有限公司 | 机器学习自动建模过程的展示方法及系统 |
CN112256537A (zh) * | 2020-11-12 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 模型运行状态的展示方法、装置、计算机设备和存储介质 |
US20210056488A1 (en) * | 2019-08-19 | 2021-02-25 | Fanuc Corporation | Machine learning method and machine learning apparatus performing learning relating to work process |
WO2021145635A1 (ko) * | 2020-01-13 | 2021-07-22 | (주)에스프레소미디어 | Ai 기반 이미지 스타일 학습 및 공유 시스템 |
CN114139839A (zh) * | 2022-02-08 | 2022-03-04 | 希望知舟技术(深圳)有限公司 | 一种基于工况的机器学习方法及相关装置 |
WO2022048557A1 (zh) * | 2020-09-07 | 2022-03-10 | 华为云计算技术有限公司 | Ai模型的训练方法、装置、计算设备和存储介质 |
-
2022
- 2022-03-11 CN CN202210235253.1A patent/CN114418456B/zh active Active
- 2022-03-11 CN CN202210787265.5A patent/CN114936807A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016692A (zh) * | 2019-05-28 | 2020-12-01 | 第四范式(北京)技术有限公司 | 机器学习自动建模过程的展示方法及系统 |
WO2020239033A1 (zh) * | 2019-05-28 | 2020-12-03 | 第四范式(北京)技术有限公司 | 机器学习自动建模过程的展示方法及系统 |
US20210056488A1 (en) * | 2019-08-19 | 2021-02-25 | Fanuc Corporation | Machine learning method and machine learning apparatus performing learning relating to work process |
CN111078094A (zh) * | 2019-12-04 | 2020-04-28 | 北京邮电大学 | 分布式机器学习可视化装置 |
WO2021145635A1 (ko) * | 2020-01-13 | 2021-07-22 | (주)에스프레소미디어 | Ai 기반 이미지 스타일 학습 및 공유 시스템 |
WO2022048557A1 (zh) * | 2020-09-07 | 2022-03-10 | 华为云计算技术有限公司 | Ai模型的训练方法、装置、计算设备和存储介质 |
CN112256537A (zh) * | 2020-11-12 | 2021-01-22 | 腾讯科技(深圳)有限公司 | 模型运行状态的展示方法、装置、计算机设备和存储介质 |
CN114139839A (zh) * | 2022-02-08 | 2022-03-04 | 希望知舟技术(深圳)有限公司 | 一种基于工况的机器学习方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114936807A (zh) | 2022-08-23 |
CN114418456B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms | |
CN113177732A (zh) | 一种工艺流程管理方法、装置、介质及终端设备 | |
CN108805689A (zh) | 一种贷款风险评估控制方法及装置 | |
Azimi et al. | Applying basic control theory principles to project control: Case study of off-site construction shops | |
CN110941251B (zh) | 基于数字孪生体的生产控制方法、装置、设备及介质 | |
CN111915143A (zh) | 一种基于智能合约的复杂产品装配管控系统 | |
CN115130737A (zh) | 基于工况的机器学习方法及相关装置和介质程序产品 | |
CN110489131B (zh) | 一种灰度用户选取方法及装置 | |
CN108711074B (zh) | 业务分类方法、装置、服务器及可读存储介质 | |
CN114881301A (zh) | 生产线的仿真排产方法、系统、终端设备及存储介质 | |
CN112654943A (zh) | 制造系统设计辅助装置 | |
CN114418456B (zh) | 一种基于工况的机器学习进度管控方法及相关装置 | |
CN117252411A (zh) | 工程变更申请的风险评估方法、评审方法、装置及产品 | |
CN117522256A (zh) | 基于供应商画像的采购筛选方法、系统、存储介质及终端 | |
CN116611633A (zh) | 车辆的排产方法、装置及电子设备 | |
CN115018471B (zh) | 数据处理方法及相关装置 | |
CN116823026A (zh) | 一种基于区块链的工程数据处理系统及方法 | |
CN116630082A (zh) | 生产资源的分配方法、装置、电子设备及存储介质 | |
CN111798299B (zh) | 一种财务报表的账目结算方法和装置 | |
CN114722025A (zh) | 基于预测模型的数据预测方法、装置、设备及存储介质 | |
CN113987261A (zh) | 一种基于动态信任感知的视频推荐方法及系统 | |
CN114331349A (zh) | 一种基于物联网技术的科研项目管理方法及系统 | |
TW202226088A (zh) | 智能交期預測方法與系統 | |
CN112381396B (zh) | 一种服务于企业发展规划的集成管理方法及系统 | |
CN117494472B (zh) | 一种基于仿真验证的离散工艺优化方法及装置 |
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 | ||
GR01 | Patent grant |