CN115952073B - 工控机性能评估方法、装置、电子设备及存储介质 - Google Patents
工控机性能评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115952073B CN115952073B CN202310231357.XA CN202310231357A CN115952073B CN 115952073 B CN115952073 B CN 115952073B CN 202310231357 A CN202310231357 A CN 202310231357A CN 115952073 B CN115952073 B CN 115952073B
- Authority
- CN
- China
- Prior art keywords
- layer
- full
- hardware
- program
- connection
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims description 16
- 238000000605 extraction Methods 0.000 claims abstract description 53
- 238000013210 evaluation model Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000012300 Sequence Analysis Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 17
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种工控机性能评估方法，包括步骤：获取工控机的硬件配置信息、控制程序配置信息和运行性能数据，并输入工控机性能评估模型，得到性能评估值；其中，工控机性能模型包括硬件配置特征模块、程序配置特征模块、全连接模块和反馈模块，硬件配置特征模块用于对所述硬件配置信息进行特征提取；程序配置特征模块用于对所述控制程序配置信息进行特征提取；全连接模块包括第一全连接层和第二全连接层；反馈模块包括反馈输入层、连接层、反馈特征提取层、动态规划层、反馈全连接层和反馈输出层。相对于现有技术，能够准确评估工控机在生产中的性能，从而确定更符合生产需求的硬件配置和控制程序配置。
Description
技术领域
本发明涉及工控机性能评估技术领域，尤其是涉及一种工控机性能评估方法、装置、电子设备及计算机可读存储介质。
背景技术
在工业生产中，通过工控机运行软件程序来对生产设备进行控制，工控机的性能好坏直接影响生产设备的工作。工控机的性能受工控机的硬件配置影响，硬件配置越高，工控机能够运行越复杂的控制程序，即工控机的性能越好。但是，对于一些生产设备，只需要应用简单的控制程序，这些生产设备的工控机如果使用高配置的硬件，则造成不必要的浪费。因此，需要根据工控机所需要运行的控制程序确定工控机所需达到的性能，对工控机进行性能评估，确定能够使工控机达到所需性能的硬件配置。
现有技术中的工控机性能评估方法是令工控机运行一特定程序，通过工控机在运行中的各项运行数据，如运行耗时、cpu占用比等，来评估某组硬件配置下的工控机性能。然而，同一硬件配置下的工控机运行不同固定程序所得到的运行数据是不同的，因此现有的工控机性能评估方法无法准确评估工控机在生产中的性能，则难以确定符合生产需求的最优的硬件配置。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种工控机性能评估方法，能够准确评估工控机在生产中的性能，从而确定更符合生产需求的硬件配置和控制程序配置。
本发明是通过以下技术方案实现的：一种工控机性能评估方法，包括如下步骤：
获取工控机的硬件配置信息、控制程序配置信息和运行性能数据，并输入工控机性能评估模型，得到性能评估值；
其中，所述工控机性能模型包括硬件配置特征模块、程序配置特征模块、全连接模块和反馈模块，所述硬件配置特征模块用于对所述硬件配置信息进行特征提取，获得硬件配置特征；
所述程序配置特征模块用于对所述控制程序配置信息进行特征提取，获得程序配置特征；
所述全连接模块包括第一全连接层和第二全连接层，其中，所述第一全连接层用于对所述硬件配置特征进行全连接操作；所述第二全连接层用于对所述程序配置特征进行全连接操作；
所述反馈模块包括反馈输入层、连接层、反馈特征提取层、动态规划层、反馈全连接层和反馈输出层，其中，所述反馈输入层用于输入所述第一全连接层输出的数据、所述第二全连接层输出的数据和所述运行性能数据；所述连接层用于对所述第一全连接层输出的数据、所述第二全连接层输出的数据和所述运行性能数据进行数据连接处理；所述反馈特征提取层用于对所述连接层输出的数据进行特征提取；所述动态规划层用于通过动态规划算法对所述反馈特征提取层输出的数据进行计算；所述反馈全连接层用于对所述动态规划层输出的数据进行全连接操作；所述反馈输出层用于根据所述反馈全连接层输出的数据输出性能评估值。
相对于现有技术，本发明的工控机性能评估方法通过以动态规划为导引的神经网络模型，对工控机配置进行评估，能够准确评估工控机在生产中的性能，从而确定更符合生产需求的硬件配置和控制程序配置。工控机的硬件和软件选型提供优化的方向，有助于提升视觉软件编写方案与硬件结合策略，为软件框架并行结构提供编写依据，能够合理调配计算机资源，选取最优化的硬件、软件组合方案，避免硬件成本与软件开发成本的浪费。
进一步地，所述动态规划算法的目标函数为连续泛函F(a)，求解式为
，其中，/>
表示状态a-1到状态a的距离。
进一步地，所述程序配置特征模块包括硬件输入层、硬件特征提取层、第一回归模型、硬件全连接层和硬件输出层，其中，所述硬件输入层用于输入所述硬件配置信息；所述硬件特征提取层用于对所述硬件配置信息进行特征提取；所述第一回归模型用于对所述硬件特征提取层输出的数据依据最大熵原则进行计算；所述硬件全连接层用于对所述第一回归模型输出的数据进行全连接操作；所述硬件输出层用于根据所述硬件全连接层输出的数据输出硬件配置特征；
所述程序配置特征模块包括程序输入层、程序特征提取层、第二回归模型、硬件全连接层和硬件输出层，其中，所述程序输入层用于输入所述控制程序配置信息；所述程序特征提取层用于对所述控制程序配置信息进行特征提取；所述第二回归模型用于对所述程序特征提取层输出的数据依据最大熵原则进行计算；所述硬件全连接层用于对所述第二回归模型输出的数据进行全连接操作；所述硬件输出层用于根据所述硬件全连接层输出的数据输出程序配置特征。
进一步地，获取工控机的硬件配置信息后，还包括步骤：根据所述硬件配置信息，通过线性与非线性回归或时间序列分析预测匹配程序配置信息，通过所述匹配程序配置信息更新对所述工控机的控制程序配置。
进一步地，获取所述工控机的硬件配置信息、控制程序配置信息和运行性能数据，并输入工控机性能评估模型，得到性能评估值后，还包括步骤：若所述性能评估值符合预设条件，则确定该性能评估值对应的硬件配置和控制程序配置组合为所述工控机最优的硬件配置和控制程序配置组合。
基于同一发明构思，本申请还提供一种工控机性能评估装置，包括：
评估模块，用于获取所述工控机的硬件配置信息、控制程序配置信息和运行性能数据，并输入工控机性能评估模型，得到性能评估值；
其中，所述工控机性能模型包括硬件配置特征模块、程序配置特征模块、全连接模块和反馈模块，所述硬件配置特征模块用于对所述硬件配置信息进行特征提取，获得硬件配置特征；
所述程序配置特征模块用于对所述控制程序配置信息进行特征提取，获得程序配置特征；
所述全连接模块包括第一全连接层和第二全连接层，其中，所述第一全连接层用于对所述硬件配置特征进行全连接操作；所述第二全连接层用于对所述程序配置特征进行全连接操作；
所述反馈模块包括反馈输入层、连接层、反馈特征提取层、动态规划层、反馈全连接层和反馈输出层，其中，所述反馈输入层用于输入所述第一全连接层输出的数据、所述第二全连接层输出的数据和所述运行性能数据；所述连接层用于对所述第一全连接层输出的数据、所述第二全连接层输出的数据和所述运行性能数据进行数据连接处理；所述反馈特征提取层用于对所述连接层输出的数据进行特征提取；所述动态规划层用于通过动态规划算法对所述反馈特征提取层输出的数据进行计算；所述反馈全连接层用于对所述动态规划层输出的数据进行全连接操作；所述反馈输出层用于根据所述反馈全连接层输出的数据输出性能评估值。
进一步地，所述动态规划算法的目标函数为连续泛函F(a)，求解式为
，其中，/>
表示状态a-1到状态a的距离。
进一步地，所述评估模块包括：
状态转移子模块，用于根据硬件配置信息，通过线性与非线性回归或时间序列分析预测匹配程序配置信息，通过所述匹配程序配置信息更新对所述工控机的控制程序配置。
基于同一发明构思，本申请还提供一种电子设备，其特征在于，包括：
处理器；
存储器，用于存储由所述处理器执行的计算机程序；
其中，所述处理器执行所述计算机程序时实现上述方法的步骤。
基于同一发明构思，本申请还提供一种计算机可读存储介质，其上存储由计算机程序，其特征在于，所述计算机程序被执行时实现上述方法的步骤。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为一个实施例的工控机性能评估方法流程示意图；
图2为一个示例性的工控机性能评估模型的结构示意图；
图3为一个实施例的工控机性能评估装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1，其为一个实施例的工控机性能评估方法流程示意图。该方法包括如下步骤：
S1：对工控机进行硬件配置和控制程序配置，并启动工控机；
S2：获取工控机的硬件配置信息、控制程序配置信息和运行性能数据，并输入工控机性能评估模型，得到性能评估值。
具体的，在步骤S1中，对工控机进行硬件配置包括配置工控机的cpu参数、gpu参数、内存参数、显卡参数、网卡参数等硬件设置。
对工控机进行控制程序配置包括配置工控机所需运行的控制程序、算法模型及程序参数，控制程序根据工控机所控制的生产环节、生产设备按需选择。工控机的控制程序可以是可配置软件框架或多个可配置软件框架的组合，可配置软件框架为预先封装好的软件组件，对软件框架中的程序参数进行配置后，可用于执行程序任务。算法模型应用于控制程序中进行计算处理的，如涂布计算的处理中的回归算法、HED深度学习等。程序参数是控制程序或算法模型中待配置的参数。例如，工控机所控制的生产环节为新能源锂电检测，则控制程序可选择锂电检测软件框架、应用于锂电检测软件框架中进行计算处理的算法模型等。
启动工控机，令工控机在所设置的硬件配置下运行所设置的控制程序。
在步骤S2中，获取工控机的硬件配置信息、控制程序配置信息和运行性能数据，并输入工控机性能评估模型，得到性能评估值。
其中，工控机的硬件配置信息即为工控机当前的硬件配置的相关信息，如硬件型号、硬件参数等，对工控机的硬件配置信息的采集可使用cpu-z、nvidia cuda、SolarWinds、NetFlow等配置数据采集软件。
工控机的控制程序配置信息即为工控机当前的控制程序配置的相关信息，如控制程序标识码、控制程序参数、算法模型标识码等。
运行性能数据即为工控机运行当前控制程序时，产生的性能相关数据，如cpu运行速率、内存占用比、任务耗时、cpu波动、内存跳变、网络连接数波动、gpu计算效率、gpu与cpu间数据传输量波动等等。
请参阅图2，其为一个示例性的工控机性能评估模型的结构示意图，工控机性能评估模型包括硬件配置特征模块、程序配置特征模块、全连接模块和反馈模块，其中，硬件配置特征模块用于对硬件配置信息进行特征提取，获得硬件配置特征；程序配置特征模块用于对控制程序配置信息进行特征提取，获得程序配置特征；全连接模块用于对硬件配置特征和程序配置特征进行全连接操作；反馈模块用于根据硬件配置特征、程序配置特征和运行性能数据进行评估，获得性能评估值。
具体的，硬件配置特征模块包括硬件输入层、硬件特征提取层、第一回归模型、硬件全连接层和硬件输出层，其中，硬件输入层用于输入硬件配置信息；硬件特征提取层包括多个提取子层，硬件特征提取层用于对硬件配置信息进行特征提取，在一具体实施中，硬件特征提取层设置为8个提取子层；第一回归模型用于对硬件特征提取层输出的数据依据最大熵原则进行计算；硬件全连接层用于对第一回归模型输出的数据进行全连接操作；硬件输出层用于根据硬件全连接层输出的数据输出硬件配置特征。
程序配置特征模块包括程序输入层、程序特征提取层、第二回归模型、硬件全连接层和硬件输出层，其中，程序输入层用于输入控制程序配置信息；程序特征提取层包括多个提取子层，程序特征提取层用于对控制程序配置信息进行特征提取，在一具体实施中，程序特征提取层设置为8个提取子层；第二回归模型用于对程序特征提取层输出的数据依据最大熵原则进行计算；硬件全连接层用于对第二回归模型输出的数据进行全连接操作；硬件输出层用于根据硬件全连接层输出的数据输出程序配置特征。
全连接模块包括第一全连接层和第二全连接层，其中，第一全连接层用于对硬件配置特征进行全连接操作；第二全连接层用于对程序配置特征进行全连接操作。
反馈模块包括反馈输入层、连接层、反馈特征提取层、动态规划层、反馈全连接层和反馈输出层，其中，反馈输入层用于输入第一全连接层输出的数据、第二全连接层输出的数据和运行性能数据。
连接层用于对第一全连接层输出的数据、第二全连接层输出的数据和运行性能数据进行数据连接处理。进一步，连接层通过UNet网络模型对第一全连接层输出的数据、第二全连接层输出的数据和运行性能数据进行数据连接处理。通过连接层共享硬件配置特征模块、程序配置特征模块的结果数据，从而逼近最优特征，特征改变时不丢失关键数据。
反馈特征提取层包括多个提取子层，反馈特征提取层用于对连接层输出的数据进行特征提取，在具体实施中，反馈特征提取层设置为8个提取子层。
动态规划层用于通过动态规划算法对反馈特征提取层输出的数据进行计算。其中动态规划算法目标函数选用为连续泛函F(a)，连续泛函F(a)表示当前状态到理想状态的最短距离，当前状态到理想状态的最短距离越小，则当前性能越优，求解式为
，其中，/>
表示状态a-1到状态a的距离，连续泛函的初始条件设置为/>
。连续泛函可根据实际评估需求进行设置，在一个实施例中，连续泛函选用为积分和，将节点值与权重值进行相乘加和计算。
反馈全连接层用于对动态规划层输出的数据进行全连接操作；反馈输出层用于根据反馈全连接层输出的数据输出性能评估值。
在对上述工控机性能评估模型进行训练时，考虑正误差与反误差的重要系数，用于训练工控机性能评估模型的损失函数采取理想分位数损失函数。理想分位数损失函数通过分位值（γ）对高估和低估给予不同的惩罚。例如，当分位数损失函数γ=0.25时，对高估的惩罚更大，使得预测值略低于中值。理想分位数损失函数的表达式如下：
其中，分位值γ的取值范围在0到1之间。
在一优选实施例中，获取工控机的硬件配置信息后，还包括步骤：根据硬件配置信息，通过线性与非线性回归或时间序列分析预测匹配程序配置信息，通过匹配程序配置信息更新对工控机的控制程序配置。
其中，匹配程序配置信息是一些硬件配置的特定控制程序配置信息，例如，对于一些特殊的硬件型号，控制程序的加载方式需对应配置为指定加载方式，这些针对硬件的特征控制程序配置即为匹配程序配置。
对于不同类型的控制程序可一通过不同方法进行匹配程序配置的预测，控制程序按照程序之间的时间状态关联关系分类，对于程序之间不存在多个时间状态关联的控制程序，则通过线性与非线性回归预测匹配程序配置信息；对于程序之间存在多个时间状态关联的控制程序，则通过时间序列分析预测匹配程序配置信息。
通过匹配程序配置信息对工控机对应的控制程序配置进行更新，从而能够自动适应硬件配置，提高配置效率。
进一步，在一个实施例中，工控机性能评估方法还包括步骤S3：若性能评估值符合预设条件，则确定该性能评估值对应的硬件配置和控制程序配置组合为工控机最优的硬件配置和控制程序配置组合。
其中，预设条件可以根据性能评估值的实际评估模式进行设定，如性能评估值为纯数值的，可以设定性能评估值大于一预设阈值为预设条件，或设定性能评估值小于一预设阈值为预设条件，此类预设条件的设置是本领域技术人员可根据需求自行设定的，此处仅为举例说明，不对预设条件进行限定。
将不同的硬件配置和控制程序配置进行组合，将不同组合通过工控机性能评估模型得到性能评估值，根据性能评估值可以确定工控机最优的硬件配置和控制程序配置组合。
相对于现有技术，本发明的工控机性能评估方法通过以动态规划为导引的神经网络模型，对工控机配置进行评估，能够准确评估工控机在生产中的性能，从而确定更符合生产需求的硬件配置和控制程序配置。工控机的硬件和软件选型提供优化的方向，有助于提升视觉软件编写方案与硬件结合策略，为软件框架并行结构提供编写依据，能够合理调配计算机资源，选取最优化的硬件、软件组合方案，避免硬件成本与软件开发成本的浪费。
基于同一发明构思，本申请还提供一种工控机性能评估装置。请参阅图3，其为一个实施例的工控机性能评估装置的结构示意图，该装置包括配置模块10和评估模块20，其中，配置模块10用于对工控机进行硬件配置和控制程序配置，并启动所述工控机；评估模块20用于获取所述工控机的硬件配置信息、控制程序配置信息和运行性能数据，并输入工控机性能评估模型，得到性能评估值，该工控机性能评估模型与上述实施例中所述的工控机性能评估模型相同，此处不再赘述。
进一步，评估模块20还包括状态转移子模块，该状态转移子模块用于根据硬件配置信息，通过线性与非线性回归或时间序列分析预测匹配程序配置信息，通过所述匹配程序配置信息更新对所述工控机的控制程序配置。
在一可选实施例中，工控机性能评估装置还包括配置选择模块30，该配置选择模块30用于若所述性能评估值符合预设条件，则确定该性能评估值对应的硬件配置和控制程序配置组合为所述工控机最优的硬件配置和控制程序配置组合。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关细节之处请参见方法实施例的说明。
基于同一发明构思，本申请还提供一种电子设备，可以是服务器、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。该设备包括一个或多个处理器和存储器，其中处理器用于执行程序实现方法实施例的工控机性能评估方法；存储器用于存储可由所述处理器执行的计算机程序。
基于同一发明构思，本申请还提供一种计算机可读存储介质，与前述工控机性能评估方法的实施例相对应，所述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上述任一实施例所记载的工控机性能评估方法的步骤。
本申请可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，则本发明也意图包含这些改动和变形。
Claims (8)
1.一种工控机性能评估方法，其特征在于，包括如下步骤：
获取工控机的硬件配置信息、控制程序配置信息和运行性能数据，并输入工控机性能评估模型，得到性能评估值；
若所述性能评估值符合预设条件，则确定该性能评估值对应的硬件配置和控制程序配置组合为所述工控机最优的硬件配置和控制程序配置组合；
其中，所述工控机性能评估模型包括硬件配置特征模块、程序配置特征模块、全连接模块和反馈模块，所述硬件配置特征模块包括硬件输入层、硬件特征提取层、第一回归模型、硬件全连接层和硬件输出层，其中，所述硬件输入层用于输入所述硬件配置信息；所述硬件特征提取层用于对所述硬件配置信息进行特征提取；所述第一回归模型用于对所述硬件特征提取层输出的数据依据最大熵原则进行计算；所述硬件全连接层用于对所述第一回归模型输出的数据进行全连接操作；所述硬件输出层用于根据所述硬件全连接层输出的数据输出硬件配置特征；
所述程序配置特征模块包括程序输入层、程序特征提取层、第二回归模型、程序全连接层和程序输出层，其中，所述程序输入层用于输入所述控制程序配置信息；所述程序特征提取层用于对所述控制程序配置信息进行特征提取；所述第二回归模型用于对所述程序特征提取层输出的数据依据最大熵原则进行计算；所述程序全连接层用于对所述第二回归模型输出的数据进行全连接操作；所述程序输出层用于根据所述程序全连接层输出的数据输出程序配置特征；
所述全连接模块包括第一全连接层和第二全连接层，其中，所述第一全连接层用于对所述硬件配置特征进行全连接操作；所述第二全连接层用于对所述程序配置特征进行全连接操作；
所述反馈模块包括反馈输入层、连接层、反馈特征提取层、动态规划层、反馈全连接层和反馈输出层，其中，所述反馈输入层用于输入所述第一全连接层输出的数据、所述第二全连接层输出的数据和所述运行性能数据；所述连接层用于对所述第一全连接层输出的数据、所述第二全连接层输出的数据和所述运行性能数据进行数据连接处理；所述反馈特征提取层用于对所述连接层输出的数据进行特征提取；所述动态规划层用于通过动态规划算法对所述反馈特征提取层输出的数据进行计算；所述反馈全连接层用于对所述动态规划层输出的数据进行全连接操作；所述反馈输出层用于根据所述反馈全连接层输出的数据输出性能评估值。
2.根据权利要求1所述的方法，其特征在于：所述动态规划算法的目标函数为连续泛函F(a)，求解式为
，其中，/>
表示状态a-1到状态a的距离。
3.根据权利要求1所述的方法，其特征在于，获取工控机的硬件配置信息后，还包括步骤：根据所述硬件配置信息，通过线性与非线性回归或时间序列分析预测匹配程序配置信息，通过所述匹配程序配置信息更新对所述工控机的控制程序配置。
4.一种工控机性能评估装置，其特征在于，包括：
评估模块，用于获取所述工控机的硬件配置信息、控制程序配置信息和运行性能数据，并输入工控机性能评估模型，得到性能评估值；
配置选择模块，用于若所述性能评估值符合预设条件，则确定该性能评估值对应的硬件配置和控制程序配置组合为所述工控机最优的硬件配置和控制程序配置组合；
其中，所述工控机性能评估模型包括硬件配置特征模块、程序配置特征模块、全连接模块和反馈模块，所述硬件配置特征模块包括硬件输入层、硬件特征提取层、第一回归模型、硬件全连接层和硬件输出层，其中，所述硬件输入层用于输入所述硬件配置信息；所述硬件特征提取层用于对所述硬件配置信息进行特征提取；所述第一回归模型用于对所述硬件特征提取层输出的数据依据最大熵原则进行计算；所述硬件全连接层用于对所述第一回归模型输出的数据进行全连接操作；所述硬件输出层用于根据所述硬件全连接层输出的数据输出硬件配置特征；
所述程序配置特征模块包括程序输入层、程序特征提取层、第二回归模型、程序全连接层和程序输出层，其中，所述程序输入层用于输入所述控制程序配置信息；所述程序特征提取层用于对所述控制程序配置信息进行特征提取；所述第二回归模型用于对所述程序特征提取层输出的数据依据最大熵原则进行计算；所述程序全连接层用于对所述第二回归模型输出的数据进行全连接操作；所述程序输出层用于根据所述程序全连接层输出的数据输出程序配置特征；
所述全连接模块包括第一全连接层和第二全连接层，其中，所述第一全连接层用于对所述硬件配置特征进行全连接操作；所述第二全连接层用于对所述程序配置特征进行全连接操作；
所述反馈模块包括反馈输入层、连接层、反馈特征提取层、动态规划层、反馈全连接层和反馈输出层，其中，所述反馈输入层用于输入所述第一全连接层输出的数据、所述第二全连接层输出的数据和所述运行性能数据；所述连接层用于对所述第一全连接层输出的数据、所述第二全连接层输出的数据和所述运行性能数据进行数据连接处理；所述反馈特征提取层用于对所述连接层输出的数据进行特征提取；所述动态规划层用于通过动态规划算法对所述反馈特征提取层输出的数据进行计算；所述反馈全连接层用于对所述动态规划层输出的数据进行全连接操作；所述反馈输出层用于根据所述反馈全连接层输出的数据输出性能评估值。
5.根据权利要求4所述的装置，其特征在于：所述动态规划算法的目标函数为连续泛函F(a)，求解式为
，其中，/>
表示状态a-1到状态a的距离。
6.根据权利要求4所述的装置，其特征在于，所述评估模块包括：
状态转移子模块，用于根据硬件配置信息，通过线性与非线性回归或时间序列分析预测匹配程序配置信息，通过所述匹配程序配置信息更新对所述工控机的控制程序配置。
7.一种电子设备，其特征在于，包括：
处理器；
存储器，用于存储由所述处理器执行的计算机程序；
其中，所述处理器执行所述计算机程序时实现权利要求1-3中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储由计算机程序，其特征在于，所述计算机程序被执行时实现权利要求1-3中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310231357.XA CN115952073B (zh) | 2023-03-13 | 2023-03-13 | 工控机性能评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310231357.XA CN115952073B (zh) | 2023-03-13 | 2023-03-13 | 工控机性能评估方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115952073A CN115952073A (zh) | 2023-04-11 |
| CN115952073B true CN115952073B (zh) | 2023-06-13 |
Family
ID=85906955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310231357.XA Active CN115952073B (zh) | 2023-03-13 | 2023-03-13 | 工控机性能评估方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115952073B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3264344A1 (en) * | 2016-07-01 | 2018-01-03 | Siemens Aktiengesellschaft | Mapping rule updating method, device and system |
| CN111142968A (zh) * | 2019-12-26 | 2020-05-12 | 联想(北京)有限公司 | 电子设备配置推荐处理方法、装置及存储介质 |
| CN114720130A (zh) * | 2022-03-28 | 2022-07-08 | 青岛明思为科技有限公司 | 基于域不变序列变换的滚动轴承故障诊断迁移学习方法 |
| CN115171160A (zh) * | 2022-07-11 | 2022-10-11 | 中国华录·松下电子信息有限公司 | 软硬件约束下的健壮轻量级跌倒检测神经网络构建方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105677767B (zh) * | 2015-12-30 | 2020-02-21 | 联想(北京)有限公司 | 一种设备配置推荐方法和装置 |
| CN109597619A (zh) * | 2017-09-29 | 2019-04-09 | 邢筱丹 | 一种面向异构多核架构的自适应编译框架 |
| WO2019186996A1 (ja) * | 2018-03-30 | 2019-10-03 | 日本電気株式会社 | モデル推定システム、モデル推定方法およびモデル推定プログラム |
| CN110413776B (zh) * | 2019-07-01 | 2021-09-14 | 武汉大学 | 一种基于cpu-gpu协同并行的文本主题模型lda高性能计算方法 |
-
2023
- 2023-03-13 CN CN202310231357.XA patent/CN115952073B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3264344A1 (en) * | 2016-07-01 | 2018-01-03 | Siemens Aktiengesellschaft | Mapping rule updating method, device and system |
| CN111142968A (zh) * | 2019-12-26 | 2020-05-12 | 联想(北京)有限公司 | 电子设备配置推荐处理方法、装置及存储介质 |
| CN114720130A (zh) * | 2022-03-28 | 2022-07-08 | 青岛明思为科技有限公司 | 基于域不变序列变换的滚动轴承故障诊断迁移学习方法 |
| CN115171160A (zh) * | 2022-07-11 | 2022-10-11 | 中国华录·松下电子信息有限公司 | 软硬件约束下的健壮轻量级跌倒检测神经网络构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115952073A (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3446260B1 (en) | Memory-efficient backpropagation through time | |
| US20160320825A1 (en) | System and Method for Optimizing Energy Consumption by Processors | |
| CN110348578A (zh) | 一种安全事件情景推演构建方法、系统、设备及介质 | |
| CN113703775A (zh) | 一种编译方法、装置、设备及存储介质 | |
| Moniz et al. | Smoteboost for regression: Improving the prediction of extreme values | |
| JP6907664B2 (ja) | 非定常時系列データの予測に用いる方法及び装置 | |
| US20210390457A1 (en) | Systems and methods for machine learning model interpretation | |
| CN106656662A (zh) | 异常带宽确定方法、系统及电子设备 | |
| CN111340240A (zh) | 实现自动机器学习的方法及装置 | |
| CN111582341A (zh) | 用户异常操作预测方法及装置 | |
| Lu et al. | Adaptive online data-driven closed-loop parameter control strategy for swarm intelligence algorithm | |
| CN114648103A (zh) | 用于处理深度学习网络的自动多目标硬件优化 | |
| Zhang et al. | Enhanced short-term load forecasting with hybrid machine learning models: CatBoost and XGBoost approaches | |
| CN115952073B (zh) | 工控机性能评估方法、装置、电子设备及存储介质 | |
| CN116051118B (zh) | 行为时序模型的分析方法及装置 | |
| US20230334330A1 (en) | Automated creation of tiny deep learning models based on multi-objective reward function | |
| Asan et al. | Analysis of critical factors in energy service contracting using fuzzy cognitive mapping | |
| Ensor | Time series factor models | |
| CN112149826B (zh) | 深度神经网络推理计算中一种基于Profile图的优化方法 | |
| CN114841664A (zh) | 一种多任务处理顺序确定方法及装置 | |
| Kakkar et al. | Risk analysis in mobile application development | |
| Zhao et al. | The influence of artificial intelligence technology judicial decision reasoning on contract performance in manufacturing supply chain: A simulation analysis using Evolutionary Game approach | |
| Karri | LSTM and SHAP for transparent and effective IoB systems in IoT environments: household power consumption | |
| CN113435653B (zh) | 一种基于logistic模型的饱和用电量预测方法及系统 | |
| CN117273115B (zh) | 一种反向计算图的静态生成方法、装置、设备及介质 |
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 | ||
| CP03 | Change of name, title or address |
Address after: Room 101-301, Building 3, No. 9, Huijiang South 2nd Road, Dashi Street, Panyu District, Guangzhou City, Guangdong Province, 5114300 Patentee after: Guangzhou Yihong Intelligent Equipment Co.,Ltd. Country or region after: Zhong Guo Address before: Room 101-301, Building 3, No. 9, Huijiang South 2nd Road, Dashi Street, Panyu District, Guangzhou City, Guangdong Province, 5114300 Patentee before: GUANGZHOU EHOLLY INTELLIGENT EQUIPMENT Co.,Ltd. Country or region before: Zhong Guo |
|
| CP03 | Change of name, title or address |