CN114836942A - 偏心修正方法、装置以及计算机可读存储介质 - Google Patents
偏心修正方法、装置以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114836942A CN114836942A CN202210554574.8A CN202210554574A CN114836942A CN 114836942 A CN114836942 A CN 114836942A CN 202210554574 A CN202210554574 A CN 202210554574A CN 114836942 A CN114836942 A CN 114836942A
- Authority
- CN
- China
- Prior art keywords
- eccentricity
- target
- washing
- prediction model
- training
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005406 washing Methods 0.000 claims abstract description 105
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000012417 linear regression Methods 0.000 claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 56
- 238000012360 testing method Methods 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000003599 detergent Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F33/00—Control of operations performed in washing machines or washer-dryers
- D06F33/30—Control of washing machines characterised by the purpose or target of the control
- D06F33/48—Preventing or reducing imbalance or noise
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
- D06F34/04—Signal transfer or data transmission arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Control Of Washing Machine And Dryer (AREA)
Abstract
本申请提供一种偏心修正方法、装置以及计算机可读存储介质。该方法应用于包括内筒和联动开关的衣物处理设备，该方法在获取偏心状态点、以及偏心状态点对应的洗涤参数和偏心方向后，将洗涤参数输入目标偏心量预测模型中，得到预测偏心量，该目标偏心量预测模型是基于嵌套处理得到的线性回归模型，接着根据预设的动态监测算法和该预测偏心量确定目标调节数值，最后根据该目标调解数值和偏心方向对内筒进行偏心修正处理。该方法通过目标偏心量预测模型对内筒发生偏移时的偏心量进行了预测，并根据获取的偏心方向和计算得到的目标调节数值对内筒进行偏心修正处理，从而提高了偏心修正的准确性和可控性。
Description
技术领域
本申请涉及家用电器技术领域，尤其涉及一种偏心修正方法、装置以及计算机可读存储介质。
背景技术
衣物处理设备在处理衣物时可能发生内筒偏心的现象，而偏心可能会导致衣物处理设备的整机位移、噪声较大以及洗净比不高的问题。
现有技术中，针对衣物处理设备的偏心问题，一般是在衣物处理设备的内筒上设置平衡环，或者是在外筒上增加配重。然而，前述两种方式都是在衣物处理设备发生偏心时进行的随机修正，由于同一款机型的衣物处理设备的波轮公斤级、内筒大小、内筒尺寸等因素的不一致，可能会导致同一款机型的衣物处理设备的内筒偏心量也不同，在这种情况下，使用前述两种方式进行偏心修正时，无法较为精确的确定需要修正的偏心量，导致偏心修正准确性不高、可控性较差。
因此，当前方法存在偏心修正准确性不高、可控性较差的技术问题，需要改进。
发明内容
本申请提供一种偏心修正方法、装置以及计算机可读存储介质，用于缓解当前方法存在的偏心修正准确度不高、可控性较差的技术问题。
为了解决上述技术问题，本申请提供以下技术方案：
本申请提供一种偏心修正方法，应用于衣物处理设备，所述衣物处理设备包括内筒和联动开关，该方法包括：
获取偏心状态点、以及所述偏心状态点对应的洗涤参数和偏心方向；
调用目标偏心量预测模型，并将所述洗涤参数输入所述目标偏心量预测模型，得到预测偏心量；所述目标偏心量预测模型是基于嵌套处理得到的线性回归模型，所述嵌套处理包括判断并筛选输入变量与输出变量的相关性程度、构建线性回归模型以及训练线性回归模型；
根据预设的动态监测算法和所述预测偏心量，确定目标调节数值；
根据所述目标调节数值和所述偏心方向，对所述内筒进行偏心修正处理。
相应的，本申请还提供一种偏心修正装置，应用于衣物处理设备，所述衣物处理设备包括内筒和联动开关，该装置包括：
第一获取模块，用于获取偏心状态点、以及所述偏心状态点对应的洗涤参数和偏心方向；
预测模块，用于调用目标偏心量预测模型，并将所述洗涤参数输入所述目标偏心量预测模型，得到预测偏心量；所述目标偏心量预测模型是基于嵌套处理得到的线性回归模型，所述嵌套处理包括判断并筛选输入变量与输出变量的相关性程度、构建线性回归模型以及训练线性回归模型；
数值确定模块，用于根据预设的动态监测算法和所述预测偏心量，确定目标调节数值；
修正模块，用于根据所述目标调节数值和所述偏心方向，对所述内筒进行偏心修正处理。
同时，本申请提供一种电子设备，其包括处理器和存储器，存储器用于存储计算机程序，处理器用于运行所述存储器里的计算机程序，以执行上述偏心修正方法中的步骤。
此外，本申请还提供一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行上述偏心修正方法中的步骤。
有益效果：本申请提供一种偏心修正方法、装置以及计算机可读存储介质。具体地，该方法应用于衣物处理设备，该衣物处理设备包括内筒和联动开关，该方法在获取偏心状态点、以及偏心状态点对应的洗涤参数和偏心方向后，调用目标偏心量预测模型，并将该洗涤参数输入该目标偏心量预测模型以得到预测偏心量，其中该目标偏心量预测模型是基于嵌套处理得到的线性回归模型，该嵌套处理包括判断并筛选输入变量与输出变量的相关性程度、构建线性回归模型以及训练线性回归模型，然后根据预设的动态监测算法和该预测偏心量确定目标调节数值，最后根据该目标调节数值和前述获取的偏心方向，对内筒进行偏心修正处理。该方法通过相关性判断和线性回归模型的训练提高了目标偏心量预测模型预测的准确性，然后通过预测偏心量和预设的动态监测算法计算得到目标调整数值，最后按照该目标调整数值对内筒进行偏心修正处理，从而提高了偏心修正的准确性和可控性。
附图说明
下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。
图1是本申请实施例提供的偏心修正系统的系统架构图。
图2是本申请实施例提供的偏心修正方法的一种流程示意图。
图3是本申请实施例提供的可调波轮叶片的结构示意图。
图4是本申请实施例提供的偏心修正方法的另一种流程示意图。
图5是本申请实施例提供的偏心修正装置的结构示意图。
图6是本申请实施例提供的电子设备的结构示意图。
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中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含；本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行。
在本申请中，衣物处理设备例如波轮洗衣机、滚筒洗衣机等。
在本申请中，偏心状态点包括当前运行时刻和洗涤流程点，其中，洗涤流程点例如洗涤流程、漂洗流程以及脱水流程等。
在本申请中，洗涤参数也即目标偏心量预测模型的输入参数，具体包括衣物处理设备的公斤段(即衣物处理设备的洗涤容量，市面上主流的衣物处理设备的洗涤容量区间大概在5公斤至7公斤)、内筒尺寸、电机转速、衣物种类、衣物重量、洗涤剂种类、洗涤剂重量以及进水量等。
在本申请中，预设的动态监测算法例如比例-积分调节算法(PD算法)。
在本申请中，目标调节数值指的是将内筒调节至初始位置的数值。
本申请提供一种偏心修正方法、装置以及计算机可读存储介质。
请参阅图1，图1是本申请提供的偏心修正系统的系统架构示意图，如图1所示，该偏心修正系统至少包括衣物处理设备101和数据处理服务器102，其中：
衣物处理设备101和数据处理服务器102之间设有通信链路，以实现信息交互。通信链路的类型可以包括有线、无线通信链路或者光纤电缆等，本申请在此不做限制。
衣物处理设备101包括内筒和联动开关，其可以是滚筒洗衣机、波轮洗衣机等。此外，衣物处理设备101还设置有深度摄像头(TOF摄像头)，用于采集衣物处理设备101内的图像。
数据处理服务器102可以是独立的服务器，也可以是服务器组成的服务器网络或者服务器集群；例如，本申请中所描述的服务器，其包括但不限于计算机、网络主机、数据库服务器以及应用服务器或者多个服务器构成的云服务器，其中云服务器由基于云计算(Cloud Computing)的大量计算机或者网络服务器构成。
本申请提出了一种偏心修正系统，该偏心修正系统包括衣物处理设备和数据处理服务器。具体地，衣物处理设备获取偏心状态点、以及该偏心状态点对应的洗涤参数和偏心方向，然后调用数据处理服务器中的目标偏心量预测模型，并将洗涤参数输入该目标偏心量预测模型中，得到预测偏心量，其中，该目标偏心量预测模型是通过数据处理服务器基于嵌套处理得到的线性回归模型，而嵌套处理包括判断并筛选输入变量与输出变量的相关性程度、构建线性回归模型以及训练线性回归模型，然后衣物处理设备中的数据计算单元根据预设的动态监测算法和预测偏心量确定目标调节数值，最后根据该目标调节数值和偏心方向对衣物处理设备的内筒进行偏心修正处理。
在上述偏心修正过程中，数据处理服务器通过相关性判断和线性回归模型的训练提高了目标偏心量预测模型预测的准确性，然后衣物处理设备通过调用该目标偏心量预测模型对内筒的偏心量进行预测，并通过预测偏心量和预设的动态监测算法计算得到目标调整数值，最后按照该目标调整数值对内筒进行偏心修正处理，从而提高了偏心修正的准确性和可控性。
需要说明的是，图1所示的系统架构示意图仅仅是一个示例，本申请实施例描述的服务器、设备以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
综合上述偏心修正系统的系统架构，下面将对本申请中偏心修正方法进行详细的介绍，请参阅图2所示，图2是本申请实施例提供的偏心修正方法的一种流程示意图，该偏心修正方法应用于衣物处理设备，该衣物处理设备包括内筒和联动开关。该方法至少包括以下步骤：
S201：获取偏心状态点、以及偏心状态点对应的洗涤参数和偏心方向。
在一种实施例中，需要获取衣物处理设备在具体哪一状态点发生内筒偏移的相关信息，从而有针对性的进行偏心修正处理，其具体步骤包括：监测衣物处理设备的洗涤状态，得到内筒与联动开关的碰撞次数；在碰撞次数满足预设条件时，确定偏心状态点；获取偏心状态点对应的洗涤参数和偏心方向。其中，偏心状态点包括当前运行时刻和洗涤流程点，洗涤流程点例如洗涤流程、漂洗流程以及脱水流程等。
具体地，监测衣物处理设备的洗涤状态可以通过图像识别来进行，由于衣物处理设备中设置有深度摄像头(TOF摄像头)，且该深度摄像头是从上电就开始运行的，通过该深度摄像头监测内筒和联动开关的距离，在监测到内筒和联动开关发生碰撞时，则记录此次碰撞行为，并开始碰撞次数的计数，在碰撞次数满足预设条件时，即内筒与联动开关发生碰撞的次数超过了预设范围，就认为内筒发生了偏移，并将当前运行时刻和当前洗涤流程点作为偏心状态点，随后获取该偏心状态点对应的洗涤参数和偏心方向。通过这种方式，可以较为精确的确定内筒发生偏移的时间点和流程点。
在一种实施例中，洗涤参数除衣物处理设备中的衣物种类、衣物种类、洗涤剂种类外还包括用户在使用衣物处理设备时输入的洗涤需求，因此获取偏心状态点对应的洗涤参数和偏心方向的具体步骤包括：读取衣物处理设备在偏心状态点对应的洗涤设定参数，得到第一洗涤参数；获取并识别偏心状态点对应的衣物处理设备内的图像，得到第二洗涤参数和偏心方向；根据第一洗涤参数和第二洗涤参数，确定偏心状态点对应的洗涤参数。具体地，衣物处理设备可以自动读取用户在使用衣物处理设备时输入的洗涤需求，也就洗涤设定参数，并将其作为第一洗涤参数，然后通过图像识别对衣物处理设备内的图像进行识别，从而得到衣物种类、衣物种类以及洗涤剂种类等第二洗涤参数，同时，通过图像识别还能得到在该偏心状态点下的偏心方向，将第一洗涤参数和第二洗涤参数合并即得到了该偏心状态点下的洗涤参数。
S202：调用目标偏心量预测模型，并将洗涤参数输入目标偏心量预测模型，得到预测偏心量；目标偏心量预测模型是基于嵌套处理得到的线性回归模型，嵌套处理包括判断并筛选输入变量与输出变量的相关性程度、构建线性回归模型以及训练线性回归模型。
在一种实施例中，在调用目标偏心量预测模型之前，需要通过数据处理服务器构建并训练模型，得到目标偏心量预测模型，其具体步骤包括：获取训练集和测试集；将所述训练集转换成二维数组，得到训练数组；创建初始线性回归模型；根据所述训练数组训练所述初始线性回归模型，得到目标偏心量预测模型。其中，训练集和测试集都是从同一目标原始数据集中挑选得到的，目标原始数据集包括输入变量(即洗涤参数，也可称作目标原始数据特征)和输出变量(即偏心量，也可称作目标原始数据标签)，相应的，训练集包括训练数据特征(即洗涤参数)和训练数据标签(即偏心量)，测试集包括测试数据特征(即洗涤参数)和测试数据标签(即偏心量)。
具体地，该线性模型的构建要点为，输入变量为特征，输出变量为标签，通过该线性模型，输入特征，输出标签，也即输入洗涤参数，输出偏心量，输出的偏心量称作预测偏心量。该线性模型的目的即通过洗涤参数预测内筒的偏心量。获取训练集和测试集的步骤将在下文进行详细的描述，由于获取到的训练集和测试集的类型都是一维数组，而初始线性回归模型的输入要求必须是二维数组的类型，因此需要将训练集转换成二维数组，得到训练组，然后创建初始线性回归模型，并基于训练数组对该初始线性回归模型进行训练，得到目标偏心量预测模型。
在一种实施例中，在对模型训练后，需要通过测试集对训练后的模型进行测试，并评估训练后的模型的效果，因此获取训练集和测试集的具体步骤包括：获取目标原始数据集和预设的数据选取比例；根据预设的数据选取比例，从目标原始数据集中选取训练集和测试集。其中，数据选取比例指的是训练数据占比，训练数据占比与测试数据占比的和应该为100％。
具体地，可以通过交叉验证中常用的函数train_test_split从目标原始数据集中随机的按照数据选取比例选取训练数据和测试数据，组成训练集和测试集。例如，train_test_split(exam_x,exam_y,train_size＝.8)，其中，exam_x代表所要划分的目标原始数据集中的目标原始数据特征(也即洗涤参数)，exam_y代表所要划分的目标原始数据集中的目标原始数据标签(也即偏心量)，train_size代表数据选取比例，“.8”代表80％，即训练集为目标原始数据集的80％，测试集为目标原始数据集的20％。
在一种实施例中，目标原始数据集的获取也需要经过一系列的处理，其具体步骤包括：获取原始数据集；对原始数据集进行数据清洗处理，得到处理后的原始数据集；根据预设的相关性判断条件对所述处理后的原始数据进行筛选处理，得到目标原始数据集，预设的相关性判断条件是基于信息熵、概率密度以及联合熵设定的。其中，原始数据集是通过实验获取的；数据清洗处理即查看数据类型与缺失情况，若数据没有缺失值，数据类型可以直接进行回归，则不需要进一步处理。在对原始数据集进行数据清洗处理后，得到处理后的原始数据集，对处理后的原始数据集进行筛选处理，首选，通过信息熵、概率密度以及联合熵判断处理后的原始数据集中的洗涤参数与偏心量的相关性程度，然后筛选出与偏心量相关性较高的洗涤参数作为目标原始数据集中的目标原始数据特征。
具体地，通过公式1计算出处理后的原始数据集中的各个洗涤参数的熵，并通过公式2计算出对应的偏心量的熵。
H(X)＝-xΣp(x)log2p(x) (公式1)；
H(Y)＝-y∑p(y)log2p(y) (公式2)；
其中，p(x)为x的概率密度，p(y)为y的概率密。
然后，通过公式3计算出各洗涤参数和偏心量的联合熵。
H(X/Y)＝-x∑y∑p(x,y)log2p(x/y) (公式3)；
其中，p(x,y)为x和y的联合概率密度函数。
接着，通过公式4计算出洗涤参数的熵、偏心量的熵与联合熵的互信息。
I(X,Y)＝H(X)+H(Y)-H(X,Y) (公式4)；
最后，通过公式5计算出各洗涤参数与偏心量之间的相关性数值。
ECC(X,Y)＝2I(X,Y)/[H(X)+H(Y)] (公式5)；
在计算得到各洗涤参数与偏心量之间的相关性数值后，筛选出满足预设阈值的洗涤参数作为目标原始数据特征，将其对应的偏心量作为目标原始数据标签，目标原始数据特征和目标原始数据标签即组成了目标原始数据集。
在一种实施例中，对于训练后的目标偏心量预测模型，可以通过决定系数R2对其进行模型评估，其具体步骤包括：根据目标偏心量预测模型，确定拟合曲线；根据测试集和所述拟合曲线，确定评估参数；根据评估参数对目标偏心量预测模型进行评估，得到并输出评估结果。其中，评估参数可以是决定系数R2的具体数值。
具体地，由于目标偏心量预测模型是线性回归模型，因此可以基于该目标偏心量预测模型确定截距a和回归系数b，从而确定拟合曲线z＝a+bx，然后通过公式6计算得到评估参数：
其中，yi表示测试集中的偏心量，即真实的偏心量；
表示目标偏心量预测模型的输出变量，即预测偏心量；
表示测试集中偏心量的平均值，即
计算得到评估参数后，根据评估参数对目标偏心量预测模型进行评估，得到评估结果(例如评估结果为：预测准确率为88％，拟合效果较好)并输出，评估参数越大，说明目标偏心量预测模型的拟合效果越好。
需要说明的是，该评估参数可以代表模型预测的准确率，在利用目标偏心量预测模型对当前偏心状态点的偏心量进行预测时，还可以在衣物处理设备的显示面板上显示预测偏心量和预测的准确率。除此之外，也可以重复前述模型训练和模型评估过程(即获取原始数据集，从原始数据集中区分出训练集和测试集，再创建线性回归模型，根据训练集对线性回归模型进行训练，得到偏心量预测模型，然后根据测试集对偏心量预测模型进行评估，得到评估参数)，直至评估参数满足预设的条件(例如评估参数不小于95％)，以此得到目标偏心量预测模型。
S203：根据预设的动态监测算法和预测偏心量，确定目标调节数值。
其中，预设的动态监测算法可以是比例-积分调节算法(PD算法)。具体地，根据PD算法和预测偏心量确定目标调节数值的方式如公式7：
其中，Kp表示调节比例，其具体数值是根据衣物处理设备的公斤级设定的；Tt表示积分时间常数；e(t)表示偏心量；u(t)表示目标调节数值。
举例而言，假设Kp为0.5，预设的偏心量范围为[-10，10]，预测偏心量为12，由于预测偏心量不在预设的偏心量范围内，因此需要进行偏心修正，经过计算可得Kpe(t)为6，由于离散数据下的积分等于离散数据的累加和，则
即为初始时刻0至时刻t(也即偏心状态点中的当前运行时刻)获取的偏心量之和，而
的值取决于预设Tt的大小，假设Tt为1，则
为12，由此计算可得u(t)为12，即目标调节数值为12。
S204：根据目标调节数值和偏心方向，对内筒进行偏心修正处理。
得到目标调节数值和偏心方向后，可以有针对性的对内筒进行偏心修正处理，例如减缓衣物处理设备转停比、减缓衣物处理设备转速以及通过一定的方式摆平内筒内的衣物等。
在一种实施例中，通过一定的方式摆平内筒内的衣物来对内筒进行偏心修正处理的具体步骤包括：根据目标调节数值和偏心方向，控制内筒中的可调节波轮叶片运转，以对内筒进行偏心修正处理。如图3所示，图3为本申请实施例提供的可调波轮叶片的结构示意图。其中，41为负载集中区域，42为可调的波轮叶片调节结构的初始位置，当前技术中的波轮结构都是固定不变的，本申请将其设置为可调节的，做成类似“抓手”的结构，在对内筒进行偏心修正时，根据目标调节数值和偏心方向，有针对性的通过“抓手”对内筒内的衣物进行“摆平修正”，将可调节的波轮叶片调节结构从42的位置调节至43的位置，以此平衡内筒，减弱偏心量。通过这种衣物处理设备的结构，确保了衣物处理设备工作的稳定性。
本申请通过多层嵌套处理得到目标偏心量预测模型，具体地，先通过信息熵、概率密度以及联合熵判断输入变量和输出变量的相关性，从而提高模型预测的效率和准确性，然后通过线性回归模型的构建和训练，进一步提高了模型训练的准确性，在得到预测偏心量后，通过预设的动态监测算法确定目标调节数值，最后基于目标调节数值和偏心方向有针对性的进行偏心修正，从而提高了偏心修正的准确性和可控性，极大的提升了客户对于衣物处理设备的用户体验。
为了对整个偏心修正逻辑进行清晰的描述，请参阅图4所示，图4是本申请实施例提供的偏心修正方法的另一种流程示意图，具体流程可以如下：
S301：开始。
S302：监测衣物处理设备的洗涤状态，得到内筒与联动开关的碰撞次数。
通过图像识别来监测衣物处理设备的洗涤状态，在监测到内筒和联动开关发生碰撞时，则记录此次碰撞行为，并开始碰撞次数的计数，得到内筒与联动开关的碰撞次数。
S303：判断内筒是否偏心。
通过判断碰撞次数是否满足预设条件来判断内筒是否偏心。
若内筒与联动开关发生碰撞的次数超过了预设范围，就认为内筒发生了偏心，则执行S304。
若内筒与联动开关发生碰撞的次数没有超过预设范围，就认为内筒没有发生偏心，则执行S308。
S304：确定偏心状态点。
将当前运行时刻和当前洗涤流程点作为偏心状态点。具体的，偏心状态点包括当前运行时刻和洗涤流程点，洗涤流程点例如洗涤流程、漂洗流程以及脱水流程等。
S305：读取偏心状态点对应的洗涤设定参数并识别衣物处理设备内的图像，得到洗涤参数和偏心方向。
衣物处理设备可以自动读取用户在使用衣物处理设备时输入的洗涤需求(即洗涤设定参数)，并将其作为第一洗涤参数；同时，通过图像识别对衣物处理设备内的图像进行识别，从而得到衣物种类、衣物种类以及洗涤剂种类等第二洗涤参数，还能得到在该偏心状态点下的偏心方向，最后将第一洗涤参数和第二洗涤参数合并即得到了该偏心状态点下的洗涤参数。
S306：调用目标偏心量预测模型，得到预测偏心量。
直接调用数据处理服务器中的目标偏心量预测模型，将前述获取的洗涤参数输入该目标偏心量预测模型中，输出变量即为预测偏心量。目标偏心量预测模型的获取过程在上文中已经进行了描述，在此不再赘述。
S307：根据预设的动态监测算法和预测偏心量，对内筒进行偏心修正处理(例如减缓衣物处理设备转停比、减缓衣物处理设备转速以及通过控制波轮叶片摆平衣物等)。
首先，根据预设的动态监测算法和预测偏心量，计算得到目标调节数值。然后基于该目标调节数值和前述过程中获取的偏心方向，有针对性的对内筒进行偏心修正处理。
S308：完成洗涤、漂洗、脱水等动作。
S309：结束。
基于上述实施例的内容，本申请实施例提供了一种偏心修正装置，该装置可以设置于衣物处理设备中，该衣物处理设备包括内筒和联动开关。该偏心修正装置用于执行上述方法实施例中提供的偏心修正方法，具体地，请参阅图5，该装置包括：
第一获取模块501，用于获取偏心状态点、以及所述偏心状态点对应的洗涤参数和偏心方向；
预测模块502，用于调用目标偏心量预测模型，并将所述洗涤参数输入所述目标偏心量预测模型，得到预测偏心量；所述目标偏心量预测模型是基于嵌套处理得到的线性回归模型，所述嵌套处理包括判断并筛选输入变量与输出变量的相关性程度、构建线性回归模型以及训练线性回归模型；
数值确定模块503，用于根据预设的动态监测算法和所述预测偏心量，确定目标调节数值；
修正模块504，用于根据所述目标调节数值和所述偏心方向，对所述内筒进行偏心修正处理。
在一种实施例中，第一获取模块501包括：
状态监测模块，用于监测所述衣物处理设备的洗涤状态，得到所述内筒与所述联动开关的碰撞次数；
第一确定模块，用于在所述碰撞次数满足预设条件时，确定偏心状态点；
第二获取模块，用于获取所述偏心状态点对应的洗涤参数和偏心方向。
在一种实施例中，第二获取模块包括：
读取模块，用于读取所述衣物处理设备在所述偏心状态点对应的洗涤设定参数，得到第一洗涤参数；
图像识别模块，用于获取并识别所述偏心状态点对应的所述衣物处理设备内的图像，得到第二洗涤参数和偏心方向；
第二确定模块，用于根据所述第一洗涤参数和所述第二洗涤参数，确定所述偏心状态点对应的洗涤参数。
在一种实施例中，偏心修正装置还包括：
第三获取模块，用于获取训练集和测试集；
数组转换模块，用于将所述训练集转换成二维数组，得到训练数组；
模型创建模块，用于创建初始线性回归模型；
模型训练模块，用于根据所述训练数组训练所述初始线性回归模型，得到目标偏心量预测模型。
在一种实施例中，第三获取模块包括：
第四获取模块，用于获取目标原始数据集和预设的数据选取比例；
集合选取模块，用于根据所述预设的数据选取比例，从所述目标原始数据集中选取训练集和测试集。
在一种实施例中，第四获取模块包括：
第五获取模块，用于获取原始数据集；
数据清洗模块，用于对所述原始数据集进行数据清洗处理，得到处理后的原始数据集；
数据筛选模块，用于根据预设的相关性判断条件对所述处理后的原始数据进行筛选处理，得到目标原始数据集，所述预设的相关性判断条件是基于信息熵、概率密度以及联合熵设定的。
在一种实施例中，偏心修正装置还包括：
第三确定模块，用于根据所述目标偏心量预测模型，确定拟合曲线；
第四确定模块，用于根据所述测试集和所述拟合曲线，确定评估参数；
模型评估模块，用于根据所述评估参数对所述目标偏心量预测模型进行评估，得到并输出评估结果。
在一种实施例中，修正模块包括：
控制模块，用于根据所述目标调节数值和所述偏心方向，控制所述内筒中的可调节波轮叶片运转，以对所述内筒进行偏心修正处理。
本申请实施例的偏心修正装置，可以用于执行前述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
区别于当前的技术，本申请提供的偏心修正装置设置了预测模块、数值确定模块以及修正模块，通过预测模块调用了目标偏心量预测模型，其中，目标偏心量预测模型是基于相关性判断和线性回归模型训练得到的，从而提高了目标偏心量预测模型预测的准确性，然后通过数值确定模块根据预测偏心量和预设的动态监测算法计算得到目标调整数值，最后通过修正模块按照该目标调整数值对内筒进行偏心修正处理，从而提高了偏心修正的准确性和可控性。
相应的，本申请实施例还提供一种电子设备，如图6所示，该电子设备可以包括有一个或者一个以上处理核心的处理器601、无线(WiFi，Wireless Fidelity)模块602、有一个或一个以上计算机可读存储介质的存储器603、音频电路604、显示单元605、输入单元606、传感器607、电源608、以及射频(RF，Radio Frequency)电路609等部件。本领域技术人员可以理解，图6中示出的电子设备的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器601是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器603内的软件程序和/或模块，以及调用存储在存储器603内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。在一种实施例中，处理器601可包括一个或多个处理核心；优选的，处理器601可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器601中。
WiFi属于短距离无线传输技术，电子设备通过无线模块602可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图6示出了无线模块602，但是可以理解的是，其并不属于终端的必需构成，完全可以根据需要在不改变发明的本质的范围内而省略。
存储器603可用于存储软件程序以及模块，处理器601通过运行存储在存储器603的计算机程序以及模块，从而执行各种功能应用以及数据处理。存储器603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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器603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、或其他易失性固态存储器件。相应地，存储器603还可以包括存储器控制器，以提供处理器601和输入单元606对存储器603的访问。
音频电路604包括扬声器，扬声器可提供用户与电子设备之间的音频接口。音频电路604可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，扬声器将收集的声音信号转换为电信号，由音频电路604接收后转换为音频数据，再将音频数据输出处理器601处理后，经射频电路609发送给比如另一电子设备，或者将音频数据输出至存储器603以便进一步处理。
显示单元605可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元605可包括显示面板，在一种实施例中，可以采用液晶显示器(LCD，Liquid CrystalDisplay)、有机发光二极管(OLED，Organic Light-Emitting Diode)等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器601以确定触摸事件的类型，随后处理器601根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图6中，触敏表面与显示面板是作为两个独立的部件来实现输入和输出功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。
输入单元606可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，在一个具体的实施例中，输入单元606可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作)，并根据预先设定的程式驱动相应的连接装置。在一种实施例中，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器601，并能接收处理器601发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元606还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
电子设备还可包括至少一种传感器607，比如光传感器、运动传感器以及其他传感器；至于电子设备还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
电子设备还包括给各个部件供电的电源608(比如电池)，优选的，电源可以通过电源管理系统与处理器601逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源608还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
射频电路609可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器601处理；另外，将涉及上行的数据发送给基站。通常，射频电路609包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM，Subscriber Identity Module)卡、收发信机、耦合器、低噪声放大器(LNA，Low Noise Amplifier)、双工器等。此外，射频电路609还可以通过无线通信与网络和其他设备通信。无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GSM，Global System of Mobile communication)、通用分组无线服务(GPRS，GeneralPacket Radio Service)、码分多址(CDMA，Code Division Multiple Access)、宽带码分多址(WCDMA，Wideband Code Division Multiple Access)、长期演进(LTE，Long TermEvolution)、电子邮件、短消息服务(SMS，Short Messaging Service)等。
尽管未示出，电子设备还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，电子设备中的处理器601会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器603中，并由处理器601来运行存储在存储器603中的应用程序，从而实现以下功能：
获取偏心状态点、以及所述偏心状态点对应的洗涤参数和偏心方向；
调用目标偏心量预测模型，并将所述洗涤参数输入所述目标偏心量预测模型，得到预测偏心量；所述目标偏心量预测模型是基于嵌套处理得到的线性回归模型，所述嵌套处理包括判断并筛选输入变量与输出变量的相关性程度、构建线性回归模型以及训练线性回归模型；
根据预设的动态监测算法和所述预测偏心量，确定目标调节数值；
根据所述目标调节数值和所述偏心方向，对所述内筒进行偏心修正处理。
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可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以实现上述偏心修正方法的功能。
其中，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
以上对本申请实施例所提供的偏心修正方法、装置、电子设备以及计算机可读存储介质进行了详细介绍，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。
Claims (10)
1.一种偏心修正方法，其特征在于，应用于衣物处理设备，所述衣物处理设备包括内筒和联动开关，所述方法包括：
获取偏心状态点、以及所述偏心状态点对应的洗涤参数和偏心方向；
调用目标偏心量预测模型，并将所述洗涤参数输入所述目标偏心量预测模型，得到预测偏心量；所述目标偏心量预测模型是基于嵌套处理得到的线性回归模型，所述嵌套处理包括判断并筛选输入变量与输出变量的相关性程度、构建线性回归模型以及训练线性回归模型；
根据预设的动态监测算法和所述预测偏心量，确定目标调节数值；
根据所述目标调节数值和所述偏心方向，对所述内筒进行偏心修正处理。
2.根据权利要求1所述的偏心修正方法，其特征在于，所述获取偏心状态点、以及所述偏心状态点对应的洗涤参数和偏心方向的步骤，包括：
监测所述衣物处理设备的洗涤状态，得到所述内筒与所述联动开关的碰撞次数；
在所述碰撞次数满足预设条件时，确定偏心状态点；
获取所述偏心状态点对应的洗涤参数和偏心方向。
3.根据权利要求2所述的偏心修正方法，其特征在于，所述获取所述偏心状态点对应的洗涤参数和偏心方向的步骤，包括：
读取所述衣物处理设备在所述偏心状态点对应的洗涤设定参数，得到第一洗涤参数；
获取并识别所述偏心状态点对应的所述衣物处理设备内的图像，得到第二洗涤参数和偏心方向；
根据所述第一洗涤参数和所述第二洗涤参数，确定所述偏心状态点对应的洗涤参数。
4.根据权利要求1所述的偏心修正方法，其特征在于，在所述调用目标偏心量预测模型，并将所述洗涤参数输入所述目标偏心量预测模型，得到预测偏心量的步骤之前，还包括：
获取训练集和测试集；
将所述训练集转换成二维数组，得到训练数组；
创建初始线性回归模型；
根据所述训练数组训练所述初始线性回归模型，得到目标偏心量预测模型。
5.根据权利要求4所述的偏心修正方法，其特征在于，所述获取训练集和测试集的步骤，包括：
获取目标原始数据集和预设的数据选取比例；
根据所述预设的数据选取比例，从所述目标原始数据集中选取训练集和测试集。
6.根据权利要求5所述的偏心修正方法，其特征在于，所述获取目标原始数据集和预设的数据选取比例的步骤，包括：
获取原始数据集；
对所述原始数据集进行数据清洗处理，得到处理后的原始数据集；
根据预设的相关性判断条件对所述处理后的原始数据进行筛选处理，得到目标原始数据集，所述预设的相关性判断条件是基于信息熵、概率密度以及联合熵设定的。
7.根据权利要求4所述的偏心修正方法，其特征在于，在所述根据所述训练数组训练所述初始线性回归模型，得到目标偏心量预测模型的步骤之后，还包括：
根据所述目标偏心量预测模型，确定拟合曲线；
根据所述测试集和所述拟合曲线，确定评估参数；
根据所述评估参数对所述目标偏心量预测模型进行评估，得到并输出评估结果。
8.根据权利要求1所述的偏心修正方法，其特征在于，所述根据所述目标调节数值和所述偏心方向，对所述内筒进行偏心修正处理的步骤，包括：
根据所述目标调节数值和所述偏心方向，控制所述内筒中的可调节波轮叶片运转，以对所述内筒进行偏心修正处理。
9.一种偏心修正装置，其特征在于，应用于衣物处理设备，所述衣物处理设备包括内筒和联动开关，所述装置包括：
第一获取模块，用于获取偏心状态点、以及所述偏心状态点对应的洗涤参数和偏心方向；
预测模块，用于调用目标偏心量预测模型，并将所述洗涤参数输入所述目标偏心量预测模型，得到预测偏心量；所述目标偏心量预测模型是基于嵌套处理得到的线性回归模型，所述嵌套处理包括判断并筛选输入变量与输出变量的相关性程度、构建线性回归模型以及训练线性回归模型；
数值确定模块，用于根据预设的动态监测算法和所述预测偏心量，确定目标调节数值；
修正模块，用于根据所述目标调节数值和所述偏心方向，对所述内筒进行偏心修正处理。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至8任一项所述的偏心修正方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210554574.8A CN114836942B (zh) | 2022-05-19 | 2022-05-19 | 偏心修正方法、装置以及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210554574.8A CN114836942B (zh) | 2022-05-19 | 2022-05-19 | 偏心修正方法、装置以及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114836942A true CN114836942A (zh) | 2022-08-02 |
| CN114836942B CN114836942B (zh) | 2024-06-04 |
Family
ID=82571604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210554574.8A Active CN114836942B (zh) | 2022-05-19 | 2022-05-19 | 偏心修正方法、装置以及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114836942B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117804401A (zh) * | 2023-12-28 | 2024-04-02 | 河北华伦线缆有限公司 | 电缆用绝缘层偏心度校对方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR19990008671A (ko) * | 1997-07-03 | 1999-02-05 | 구자홍 | 세탁기의 진동방지방법 |
| KR19990018309A (ko) * | 1997-08-27 | 1999-03-15 | 구자홍 | 세탁기의 과도진동 방지 장치와 방법. |
| CN106874693A (zh) * | 2017-03-15 | 2017-06-20 | 国信优易数据有限公司 | 一种医疗大数据分析处理系统及方法 |
| US20190093278A1 (en) * | 2017-09-25 | 2019-03-28 | Midea Group Co., Ltd. | Laundry drying machine with adjustable baffle |
| JP2019208858A (ja) * | 2018-06-05 | 2019-12-12 | パナソニックＩｐマネジメント株式会社 | 洗濯機及び洗濯システム |
-
2022
- 2022-05-19 CN CN202210554574.8A patent/CN114836942B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR19990008671A (ko) * | 1997-07-03 | 1999-02-05 | 구자홍 | 세탁기의 진동방지방법 |
| KR19990018309A (ko) * | 1997-08-27 | 1999-03-15 | 구자홍 | 세탁기의 과도진동 방지 장치와 방법. |
| CN106874693A (zh) * | 2017-03-15 | 2017-06-20 | 国信优易数据有限公司 | 一种医疗大数据分析处理系统及方法 |
| US20190093278A1 (en) * | 2017-09-25 | 2019-03-28 | Midea Group Co., Ltd. | Laundry drying machine with adjustable baffle |
| JP2019208858A (ja) * | 2018-06-05 | 2019-12-12 | パナソニックＩｐマネジメント株式会社 | 洗濯機及び洗濯システム |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117804401A (zh) * | 2023-12-28 | 2024-04-02 | 河北华伦线缆有限公司 | 电缆用绝缘层偏心度校对方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114836942B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102245025B1 (ko) | 메모리 반환 방법 및 장치 | |
| CN108268366B (zh) | 测试用例执行方法及装置 | |
| WO2015090248A1 (zh) | 服务器的过载保护方法及装置 | |
| CN105630685A (zh) | 程序接口测试方法及装置 | |
| CN105207880B (zh) | 群组推荐方法和装置 | |
| CN107861730A (zh) | 一种应用程序的处理方法及移动终端 | |
| CN107099973A (zh) | 洗衣机桶体的不平衡检测方法、洗衣机及存储介质 | |
| CN114836942B (zh) | 偏心修正方法、装置以及计算机可读存储介质 | |
| CN107122036B (zh) | 中央处理器频率调节方法及装置 | |
| CN112749074B (zh) | 一种测试用例推荐方法以及装置 | |
| CN115345464A (zh) | 业务订单的派单方法、装置、计算机设备及存储介质 | |
| CN105550316A (zh) | 音频列表的推送方法及装置 | |
| CN117852753B (zh) | 一种基于物联网的印染车间智能管理系统 | |
| CN114091611A (zh) | 设备负载重量获取方法、装置、存储介质及电子设备 | |
| CN117931461A (zh) | 一种计算资源的调度方法、策略网络的训练方法以及装置 | |
| CN112492554B (zh) | 一种数据传输方法、装置、存储介质及终端 | |
| CN107341094A (zh) | 启动项耗时的测量方法及装置 | |
| CN111371916B (zh) | 一种数据处理方法及相关设备 | |
| CN111359210B (zh) | 一种数据处理方法、装置、电子设备以及存储介质 | |
| CN106709330B (zh) | 记录文件执行行为的方法及装置 | |
| CN111177612B (zh) | 一种页面登录鉴权的方法及相关装置 | |
| CN111367502A (zh) | 一种数值处理方法和装置 | |
| CN110209924B (zh) | 推荐参数获取方法、装置、服务器及存储介质 | |
| CN108900361B (zh) | 云资源配置确定方法、装置及电子设备 | |
| CN112367428A (zh) | 电量的显示方法、系统、存储介质及移动终端 |
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 |