CN116974230A - 一种基于物联网的设备运行模式智能控制方法及系统 - Google Patents
一种基于物联网的设备运行模式智能控制方法及系统 Download PDFInfo
- Publication number
- CN116974230A CN116974230A CN202311024661.3A CN202311024661A CN116974230A CN 116974230 A CN116974230 A CN 116974230A CN 202311024661 A CN202311024661 A CN 202311024661A CN 116974230 A CN116974230 A CN 116974230A
- Authority
- CN
- China
- Prior art keywords
- equipment
- energy consumption
- historical
- control parameter
- analysis model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005265 energy consumption Methods 0.000 claims abstract description 211
- 238000004458 analytical method Methods 0.000 claims abstract description 81
- 238000005457 optimization Methods 0.000 claims abstract description 57
- 238000004519 manufacturing process Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000001354 calcination Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005498 polishing Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- 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
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25257—Microcontroller
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及物联网技术领域，提供一种基于物联网的设备运行模式智能控制方法及系统。所述方法包括：获得目标设备的基本信息；通过目标设备进行产品生产；连接工业互联网进行历史生产数据查询，获得多个历史设备控制参数和多个历史设备能耗信息；根据多个历史设备控制参数和多个历史设备能耗信息获得设备控制参数寻优区间；构建设备能耗分析模型；基于设备能耗分析模型和设备控制参数寻优区间进行设备控制参数寻优，获得设备优化控制参数；根据设备优化控制参数控制所述目标设备进行产品生产。本申请解决了现有技术中由于设备运行控制参数设置不合理导致设备能耗过高的问题，达到了节约能源，提高能源利用率的技术效果。
Description
技术领域
本申请涉及物联网技术领域，特别是涉及一种基于物联网的设备运行模式智能控制方法及系统。
背景技术
物联网是新一代信息技术的重要组成部分，IT行业又叫：泛互联，意指物物相连，万物万联。由此，“物联网就是物物相连的互联网”。这有两层意思：第一，物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络；第二，其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信。因此，物联网的定义是通过射频识别、红外感应器、全球定位系统、激光扫描器等信息传感设备，按约定的协议，把任何物品与互联网相连接，进行信息交换和通信，以实现对物品的智能化识别、定位、跟踪、监控和管理的一种网络。
设备运行模式管理平台的智能化，依托于实时准确的数据采集技术，检测设备、部件的运行状态，对设备的运行状态和使用能源进行统计。通过智能分析设备运行的数据，对使用能源最低的运行状态参数进行记录，使运行设备使用的能源最低，实现能源的节约利用。
综上所述，本申请解决了现有技术中由于设备运行控制参数设置不合理导致设备能耗过高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够节约能源使用，提高能源利用率的一种基于物联网的设备运行模式智能控制方法及系统，用以解决现有技术中由于设备运行控制参数设置不合理导致设备能耗过高的问题。
第一方面，本申请实施例提供了一种基于物联网的设备运行模式智能控制方法，所述方法包括：获得目标设备的基本信息，其中所述基本信息包括目标设备类型、目标设备规格；通过所述目标设备进行产品生产，获得产品生产数量、设备控制参数和设备能耗信息；连接工业互联网，以所述目标设备类型、所述目标设备规格和所述产品生产数量为索引条件进行历史生产数据查询，获得多个历史设备控制参数和多个历史设备能耗信息，其中所述历史设备控制参数和所述历史设备能耗信息具有对应关系；根据多个所述历史设备控制参数和多个所述历史设备能耗信息获得设备控制参数寻优区间；基于多个所述历史设备控制参数和多个所述历史设备能耗信息，构建设备能耗分析模型；基于所述设备能耗分析模型和所述设备控制参数寻优区间进行设备控制参数寻优，获得设备优化控制参数；根据所述设备优化控制参数控制所述目标设备进行产品生产。
第二方面，本申请实施例提供了一种基于物联网的设备运行模式智能控制系统，所述系统包括：目标设备基本信息获得模块，所述目标设备基本信息获得模块用于获得目标设备的基本信息，其中所述基本信息包括目标设备类型、目标设备规格；目标设备产品生产模块，所述目标设备产品生产模块用于通过所述目标设备进行产品生产，获得产品生产数量、设备控制参数和设备能耗信息；历史生产数据查询模块，所述历史生产数据查询模块用于连接工业互联网，以所述目标设备类型、所述目标设备规格和所述产品生产数量为索引条件进行历史生产数据查询，获得多个历史设备控制参数和多个历史设备能耗信息，其中所述历史设备控制参数和所述历史设备能耗信息具有对应关系；设备控制参数寻优区间获得模块，所述设备控制参数寻优区间获得模块用于根据多个所述历史设备控制参数和多个所述历史设备能耗信息获得设备控制参数寻优区间；设备能耗分析模型构建模块，所述设备能耗分析模型构建模块用于基于多个所述历史设备控制参数和多个所述历史设备能耗信息，构建设备能耗分析模型；设备优化控制参数获得模块，所述设备优化控制参数获得模块用于基于所述设备能耗分析模型和所述设备控制参数寻优区间进行设备控制参数寻优，获得设备优化控制参数；产品生产模块，所述产品生产模块用于根据所述设备优化控制参数控制所述目标设备进行产品生产。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
首先通过获得目标设备的基本信息，得到所述基本信息包括目标设备类型、目标设备规格；然后通过所述目标设备进行产品生产，获得产品生产数量、设备控制参数和设备能耗信息；再连接工业互联网，以所述目标设备类型、所述目标设备规格和所述产品生产数量为索引条件进行历史生产数据查询，获得多个历史设备控制参数和多个历史设备能耗信息，其中所述历史设备控制参数和所述历史设备能耗信息具有对应关系；接下来根据多个所述历史设备控制参数和多个所述历史设备能耗信息获得设备控制参数寻优区间；再根据多个所述历史设备控制参数和多个所述历史设备能耗信息，构建设备能耗分析模型；然后基于所述设备能耗分析模型和所述设备控制参数寻优区间进行设备控制参数寻优，获得设备优化控制参数；最后根据所述设备优化控制参数控制所述目标设备进行产品生产。本申请解决了现有技术中由于设备运行控制参数设置不合理导致设备能耗过高的问题，达到了节约能源，提高能源利用率的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中一种基于物联网的设备运行模式智能控制方法的流程示意图；
图2为一个实施例中一种基于物联网的设备运行模式智能控制方法的构建设备能耗分析模型的流程示意图；
图3为一个实施例中一种基于物联网的设备运行模式智能控制系统的结构框图。
附图标记说明：目标设备基本信息获得模块11，目标设备产品生产模块12，历史生产数据查询模块13，设备控制参数寻优区间获得模块14，设备能耗分析模型构建模块15，设备优化控制参数获得模块16，产品生产模块17。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在介绍了本申请基本原理后，下面，将参考附图对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。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。
实施例一
如图1所示，本申请提供了一种基于物联网的设备运行模式智能控制方法，所述方法包括：
S100：获得目标设备的基本信息，其中所述基本信息包括目标设备类型、目标设备规格；
S200：通过所述目标设备进行产品生产，获得产品生产数量、设备控制参数和设备能耗信息；
S300连接工业互联网，以所述目标设备类型、所述目标设备规格和所述产品生产数量为索引条件进行历史生产数据查询，获得多个历史设备控制参数和多个历史设备能耗信息，其中所述历史设备控制参数和所述历史设备能耗信息具有对应关系；
具体而言，物联网即“万物相连的互联网”，是互联网基础上的延伸和扩展的网络，将各种信息传感设备与网络结合起来而形成的一个巨大网络，实现任何时间、任何地点，人、机、物的互联互通。获得目标设备的基本信息，其中目标设备为需要进行生产调控的设备，例如金属切削机床、锻压设备、高炉、输电线等，其中所述基本信息包括目标设备类型、目标设备规格，例如一个手机外壳生产设备中，所述目标设备类型为生产不同型号及品牌所需的手机外壳所需的不同设备，而目标设备规格则为不同厂家生产的制作相同手机外壳的生产设备。
通过所述目标设备进行产品生产，获得产品生产数量、设备控制参数和设备能耗信息，当所述目标设备进行产品生产时，可以获得产品生产的数量，设备控制参数，这里设备控制参数是指控制设备进行生产的数据，例如在生产手机外壳时，煅烧温度、煅烧时间、打磨温度、打磨时间、打磨精细度等，和设备能耗信息，例如手机外壳生产时煅烧温度所需的热量等。
工业互联网的本质，就是通过开放的通信网络平台，把设备、生产线、员工、工厂、仓库、供应商、产品和客户紧密地连接起来，共享工业生产全流程的各种要素资源，使其数字化、网络化、自动化、智能化。通过连接工业互联网，以所述目标设备类型、所述目标设备规格和所述产品生产数量为索引条件，可以查询历史生产数据，获得多个历史设备控制参数和多个历史设备能耗信息，其中所述历史设备控制参数和所述历史设备能耗信息具有对应关系，例如，用90℃到120℃都可以对手机外壳进行煅烧，但两者所需的热量并不相同，是一一对应的关系。
S400：根据多个所述历史设备控制参数和多个所述历史设备能耗信息获得设备控制参数寻优区间；
具体而言，根据所述目标设备类型、所述目标设备规格和所述产品生产数量为索引条件进行历史生产数据查询，获得多个历史设备控制参数和多个历史设备能耗信息；再根据多个所述历史设备控制参数和多个所述历史设备能耗信息获得设备控制参数寻优区间，例如历史设备控制参数集合中有一个温度控制参数，分别为80℃，85℃，95度，103度，则温度寻优区间为80℃到103℃。
进一步地，本申请步骤包括：
S410：根据所述设备能耗信息对多个所述历史设备能耗信息进行筛选；
S420：将小于所述设备能耗信息的多个历史设备能耗信息对应的多个历史设备控制参数进行提取，获得历史设备控制参数集合；
S430：基于所述历史设备控制参数集合生成所述设备控制参数寻优区间。
具体而言，根据所述设备能耗信息对多个所述历史设备能耗信息进行筛选，例如所述目标设备耗能为90度电，通过筛选多个所述历史设备能耗信息则是选择多个所述历史设备能耗信息中，选择出90度电以下的历史设备能耗信息，将小于90度电的所述历史能耗信息所对应的多个历史设备控制参数进行提取，获得历史设备控制参数的集合；根据所述历史设备控制参数集合生成所述设备控制参数寻优区间，其中所述设备控制参数寻优区间为根据所述历史设备控制参数集合，在这个集合里找所述设备控制参数生产相同产品时，能耗最小的。为后文节约能源提供了支持。
S500：基于多个所述历史设备控制参数和多个所述历史设备能耗信息，构建设备能耗分析模型；
如图2所示，进一步地，本申请步骤包括：
S510：基于多个所述历史设备控制参数和多个所述历史设备能耗信息构建样本数据集；
S520：基于BP神经网络，构建设备能耗分析模型；
S530：所述设备能耗分析模型的输入数据为设备控制参数，输出数据为设备能耗信息；
S540：通过所述样本数据集对所述设备能耗分析模型进行训练、验证和测试，获得所述设备能耗分析模型。
具体而言，基于多个所述历史设备控制参数和多个所述历史设备能耗信息，构建设备能耗分析模型，构建设备能耗分析模型的过程如下：基于BP神经网络，构建所述设备能耗分析模型的网络结构，该设备能耗分析模型内包括多个模拟人体大脑神经元的简单单元，设备能耗分析模型可在监督训练过程中形成简单单元之间连接的权值、阈值等参数，训练完成后的设备能耗分析模型可根据输入数据进行复杂的非线性逻辑运算，输出设备能耗信息数据，设备能耗分析模型的输入数据设备控制参数，即设备运行时的各种数据，输出数据为设备能耗信息，即设备消耗的能源信息。获取历史样本数据，构建设备能耗分析模型，其中，所述历史样本数据包括多个所述历史设备控制参数和多个所述历史设备能耗信息，其中多个所述历史设备控制参数指过去的设备进行生产时的数据情况；进一步对所述历史样本数据进行数据标注并按照一定比例进行划分，获得训练数据集和验证数据集。通过所述样本数据集对所述设备能耗分析模型进行训练和验证，获得所述设备能耗分析模型。
进一步地，本申请步骤还包括：
S541：获取预设数据划分规则；
S542：根据所述预设数据划分规则将所述样本数据集划分为样本训练集、样本验证集和样本测试集；
S543：通过所述样本训练集对所述设备能耗分析模型进行监督训练，通过所述样本验证集对所述设备能耗分析模型进行验证；
S544：当所述设备能耗分析模型的输出结果满足预设验证指标时，通过所述样本测试集对所述设备能耗分析模型进行测试，获得所述设备能耗分析模型。
具体而言，基于BP神经网络，构建设备能耗分析模型，所述设备能耗分析模型为机器学习中可以不断进行迭代优化的神经网络模型，通过训练数据集进行监督训练获得。按照预设数据划分规则将所述样本数据集划分为样本训练集、样本验证集和样本测试集，所述预设数据划分比例本领域技术人员可基于实际情况自定义设置，例如：85％、15％。通过所述样本训练集对所述设备能耗分析模型进行监督训练，当模型输出结果趋于收敛状态时，通过所述样本验证集对所述设备能耗分析模型的输出结果准确率进行验证，获取预设验证准确率指标，所述预设验证准确率指标本领域技术人员可基于实际情况自定义设置，例如：90％。当设备能耗分析模型输出结果准确率大于等于所述预设验证准确率指标时，获得所述设备能耗分析模型。通过基于BP神经网络构建设备能耗分析模型，可以提高设备耗能信息获得的效率和准确率。
S600：基于所述设备能耗分析模型和所述设备控制参数寻优区间进行设备控制参数寻优，获得设备优化控制参数；
具体而言，根据所述设备能耗分析模型，将所述设备控制参数寻优区间的数字输入所述设备能耗分析模型，得到所述设备控股之参数寻优区间的设备能耗信息，根据所述设备能耗信息与所述目标设备能耗信息进行对比筛选，得到能耗小于所述目标设备能耗信息，再根据对应关系得到所述设备优化控制参数。
进一步地，本申请步骤包括：
S610：以降低设备能耗为寻优目的，以设备控制参数为寻优目标；
S620：基于所述设备能耗分析模型，在所述设备控制参数寻优区间内进行控制参数寻优，获得所述设备优化控制参数。
进一步地，本申请步骤还包括：
S621：在所述设备控制参数寻优区间内随机选择一控制参数不放回，并将所述控制参数作为第一控制参数；
S622：将所述第一控制参数输入所述设备能耗分析模型，获得第一设备能耗；
S623：再次在所述设备控制参数寻优区间中随机选择一控制参数不放回，获得第二控制参数；
S623：将所述第二控制参数输入所述设备能耗分析模型，获得第二设备能耗；
S624：将所述第一设备能耗与所述第二设备能耗进行比对，当所述第一设备能耗小于所述第二设备能耗时，则按照概率将所述第二控制参数作为当前最优控制参数，所述概率随着迭代寻优次数增加而减少；
S625：当所述第一设备能耗大于等于所述第二设备能耗时，则将所述第二控制参数作为当前最优控制参数；
S626：基于进行迭代寻优，当寻优次数满足预设寻优次数阈值时，输出当前最优控制参数，并将所述当前最优控制参数作为所述设备优化控制参数.
具体而言，以降低设备能耗为寻优目的，以得到设备控制参数为寻优目标，基于所述设备能耗分析模型，在所述设备控制参数寻优区间内进行控制参数寻优，获得所述设备优化控制参数。
在所述设备控制参数寻优区间内随机选择一控制参数不放回，并将所述控制参数作为第一控制参数；将所述第一控制参数输入所述设备能耗分析模型，获得第一设备能耗；再在所述设备控制参数寻优区间内随机选择一控制参数不放回，获得第二控制参数，将所述第二控制参数输入所述设备能耗分析模型，获得第二设备能耗；再将所述第一设备能耗与所述第二设备能耗进行对比，当所述第一设备能耗小于所述第二设备能耗时，则按照概率将所述第二控制参数作为当前最优控制参数，最优控制参数是指在所述控制参数下，生产相同的产品所用的能耗最小，所述概率随着迭代寻优次数增加而减少，例如迭代次数为100次，这个概率等于(总迭代次数减去当前迭代次数)与总迭代次数的比值，设置概率的目的前期为了提高寻优效率，后期提高寻优准确率；当所述第一设备能耗大于等于所述第二设备能耗时，则将所述第二控制参数作为当前最优控制参数；基于进行迭代寻优，当寻优次数满足预设寻优次数阈值时，输出当前最优控制参数，其中寻优次数阈值根据工作人员的经验而定，此处不做限制，但为了寻找最优控制参数，预设寻优此处阈值越大越好。并将所述当前最优控制参数作为所述设备优化控制参数。得到最优控制参数可以节约能源，提高能源的利用率。
S700：根据所述设备优化控制参数控制所述目标设备进行产品生产。
具体而言，根据所述设备优化控制参数设置所述目标设备的生产数据，进行产品的生产，本申请解决了现有技术中由于设备运行控制参数设置不合理导致设备能耗过高的问题，达到了节约能源，提高能源利用率的技术效果。
实施例二
如图3所示，本申请还提供了一种基于物联网的设备运行模式智能控制系统，所述系统包括：
目标设备基本信息获得模块11，所述目标设备基本信息获得模块11用于获得目标设备的基本信息，其中所述基本信息包括目标设备类型、目标设备规格；
目标设备产品生产模块12，所述目标设备产品生产模块12用于通过所述目标设备进行产品生产，获得产品生产数量、设备控制参数和设备能耗信息；
历史生产数据查询模块13，所述历史生产数据查询模块13用于连接工业互联网，以所述目标设备类型、所述目标设备规格和所述产品生产数量为索引条件进行历史生产数据查询，获得多个历史设备控制参数和多个历史设备能耗信息，其中所述历史设备控制参数和所述历史设备能耗信息具有对应关系；
设备控制参数寻优区间获得模块14，所述设备控制参数寻优区间获得模块14用于根据多个所述历史设备控制参数和多个所述历史设备能耗信息获得设备控制参数寻优区间；
设备能耗分析模型构建模块15，所述设备能耗分析模型构建模块15用于基于多个所述历史设备控制参数和多个所述历史设备能耗信息，构建设备能耗分析模型；
设备优化控制参数获得模块16，所述设备优化控制参数获得模块16用于基于所述设备能耗分析模型和所述设备控制参数寻优区间进行设备控制参数寻优，获得设备优化控制参数；
产品生产模块17，所述产品生产模块17用于根据所述设备优化控制参数控制所述目标设备进行产品生产。
进一步地，本申请实施例还包括：
历史设备能耗信息筛选模块，所述历史设备能耗信息筛选模块用于根据所述设备能耗信息对多个所述历史设备能耗信息进行筛选；
历史设备控制参数集合获得模块，所述历史设备控制参数聚合获得模块用于将小于所述设备能耗信息的多个历史设备能耗信息对应的多个历史设备控制参数进行提取，获得历史设备控制参数集合；
设备控制参数寻优区间生成模块，所述设备控制参数寻优区间生成模块用于基于所述历史设备控制参数集合生成所述设备控制参数寻优区间。
进一步地，本申请实施例还包括：
样本数据集构建模块，所述样本数据集构建模块用于基于多个所述历史设备控制参数和多个所述历史设备能耗信息构建样本数据集；
设备能耗分析模型构建模块，所述设备能耗分析模型构建模块永久勾玉基于BP神经网络，构建设备能耗分析模型；
输入数据和输出数据分析模块，所述输入数据和所述设备能耗分析模型的输入数据为设备控制参数，输出数据为设备能耗信息；
设备能耗分析模型获得模块，所述设备能耗分析模型模块用于通过所述样本数据集对所述设备能耗分析模型进行训练、验证和测试，获得所述设备能耗分析模型。
进一步地，本申请实施例还包括：
设备能耗降低模块，所述设备能耗降低模块用于以降低设备能耗为寻优目的，以设备控制参数为寻优目标；
基于所述设备能耗分析模型，在所述设备控制参数寻优区间内进行控制参数寻优，获得所述设备优化控制参数。
进一步地，本申请实施例还包括：
第一控制参数获得模块，所述第一控制参数模块用于在所述设备控制参数寻优区间内随机选择一控制参数不放回，并将所述控制参数作为第一控制参数；
第一设备能耗获得模块，所述第一设备能耗互动模块用于第一设备能耗获得模块，所述第一设备能耗获得模块用于将所述第一控制参数输入所述设备能耗分析模型，获得第一设备能耗；
第二控制参数获得模块，所述第二控制参数互动二模块用于再次在所述设备控制参数寻优区间中随机选择一控制参数不放回，获得第二控制参数；
第二设备能耗获得模块，所述第二设备能耗获得模块用于将所述第二控制参数输入所述设备能耗分析模型，获得第二设备能耗；
设备能耗对比模块，所述设备能耗对比模块用于将所述第一设备能耗与所述第二设备能耗进行比对，当所述第一设备能耗小于所述第二设备能耗时，则按照概率将所述第二控制参数作为当前最优控制参数，所述概率随着迭代寻优次数增加而减少；
最优控制参数获得模块，所述最优控制参数获得模块用于当所述第一设备能耗大于等于所述第二设备能耗时，则将所述第二控制参数作为当前最优控制参数；
设备优化控制参数获得模块，所述设备优化控制参数获得模块用于基于进行迭代寻优，当寻优次数满足预设寻优次数阈值时，输出当前最优控制参数，并将所述当前最优控制参数作为所述设备优化控制参数。
关于一种基于物联网的设备运行模式智能控制系统的具体实施例可以参见上文中对于一种基于物联网的设备运行模式智能控制方法的实施例，在此不再赘述。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于物联网的设备运行模式智能控制方法，其特征在于，所述方法包括：
获得目标设备的基本信息，其中所述基本信息包括目标设备类型、目标设备规格；
通过所述目标设备进行产品生产，获得产品生产数量、设备控制参数和设备能耗信息；
连接工业互联网，以所述目标设备类型、所述目标设备规格和所述产品生产数量为索引条件进行历史生产数据查询，获得多个历史设备控制参数和多个历史设备能耗信息，其中所述历史设备控制参数和所述历史设备能耗信息具有对应关系；
根据多个所述历史设备控制参数和多个所述历史设备能耗信息获得设备控制参数寻优区间；
基于多个所述历史设备控制参数和多个所述历史设备能耗信息，构建设备能耗分析模型；
基于所述设备能耗分析模型和所述设备控制参数寻优区间进行设备控制参数寻优，获得设备优化控制参数；
根据所述设备优化控制参数控制所述目标设备进行产品生产。
2.如权利要求1所述的方法，其特征在于，所述根据多个所述历史设备控制参数和多个所述历史设备能耗信息获得设备控制参数寻优区间，还包括：
根据所述设备能耗信息对多个所述历史设备能耗信息进行筛选；
将小于所述设备能耗信息的多个历史设备能耗信息对应的多个历史设备控制参数进行提取，获得历史设备控制参数集合；
基于所述历史设备控制参数集合生成所述设备控制参数寻优区间。
3.如权利要求1所述的方法，其特征在于，所述基于多个所述历史设备控制参数和多个所述历史设备能耗信息，构建设备能耗分析模型，还包括：
基于多个所述历史设备控制参数和多个所述历史设备能耗信息构建样本数据集；
基于BP神经网络，构建设备能耗分析模型；
所述设备能耗分析模型的输入数据为设备控制参数，输出数据为设备能耗信息；
通过所述样本数据集对所述设备能耗分析模型进行训练、验证和测试，获得所述设备能耗分析模型。
4.如权利要求3所述的方法，其特征在于，所述通过所述样本数据集对所述设备能耗分析模型进行训练、验证和测试，获得所述设备能耗分析模型，还包括：
获取预设数据划分规则；
根据所述预设数据划分规则将所述样本数据集划分为样本训练集、样本验证集和样本测试集；
通过所述样本训练集对所述设备能耗分析模型进行监督训练，通过所述样本验证集对所述设备能耗分析模型进行验证；
当所述设备能耗分析模型的输出结果满足预设验证指标时，通过所述样本测试集对所述设备能耗分析模型进行测试，获得所述设备能耗分析模型。
5.如权利要求1所述的方法，其特征在于，所述基于所述设备能耗分析模型和所述设备控制参数寻优区间进行设备控制参数寻优，获得设备优化控制参数，还包括：
以降低设备能耗为寻优目的，以设备控制参数为寻优目标；
基于所述设备能耗分析模型，在所述设备控制参数寻优区间内进行控制参数寻优，获得所述设备优化控制参数。
6.如权利要求5所述的方法，其特征在于，所述基于所述设备能耗分析模型，在所述设备控制参数寻优区间内进行控制参数寻优，还包括：
在所述设备控制参数寻优区间内随机选择一控制参数不放回，并将所述控制参数作为第一控制参数；
将所述第一控制参数输入所述设备能耗分析模型，获得第一设备能耗；
再次在所述设备控制参数寻优区间中随机选择一控制参数不放回，获得第二控制参数；
将所述第二控制参数输入所述设备能耗分析模型，获得第二设备能耗；
将所述第一设备能耗与所述第二设备能耗进行比对，当所述第一设备能耗小于所述第二设备能耗时，则按照概率将所述第二控制参数作为当前最优控制参数，所述概率随着迭代寻优次数增加而减少；
当所述第一设备能耗大于等于所述第二设备能耗时，则将所述第二控制参数作为当前最优控制参数；
基于进行迭代寻优，当寻优次数满足预设寻优次数阈值时，输出当前最优控制参数，并将所述当前最优控制参数作为所述设备优化控制参数。
7.一种基于物联网的设备运行模式智能控制系统，其特征在于，所述系统包括：
目标设备基本信息获得模块，所述目标设备基本信息获得模块用于获得目标设备的基本信息，其中所述基本信息包括目标设备类型、目标设备规格；
目标设备产品生产模块，所述目标设备产品生产模块用于通过所述目标设备进行产品生产，获得产品生产数量、设备控制参数和设备能耗信息；
历史生产数据查询模块，所述历史生产数据查询模块用于连接工业互联网，以所述目标设备类型、所述目标设备规格和所述产品生产数量为索引条件进行历史生产数据查询，获得多个历史设备控制参数和多个历史设备能耗信息，其中所述历史设备控制参数和所述历史设备能耗信息具有对应关系；
设备控制参数寻优区间获得模块，所述设备控制参数寻优区间获得模块用于根据多个所述历史设备控制参数和多个所述历史设备能耗信息获得设备控制参数寻优区间；
设备能耗分析模型构建模块，所述设备能耗分析模型构建模块用于基于多个所述历史设备控制参数和多个所述历史设备能耗信息，构建设备能耗分析模型；
设备优化控制参数获得模块，所述设备优化控制参数获得模块用于基于所述设备能耗分析模型和所述设备控制参数寻优区间进行设备控制参数寻优，获得设备优化控制参数；
产品生产模块，所述产品生产模块用于根据所述设备优化控制参数控制所述目标设备进行产品生产。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310704370 | 2023-06-14 | ||
| CN2023107043702 | 2023-06-14 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116974230A true CN116974230A (zh) | 2023-10-31 |
Family
ID=88476616
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311024661.3A Pending CN116974230A (zh) | 2023-06-14 | 2023-08-15 | 一种基于物联网的设备运行模式智能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116974230A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117250931A (zh) * | 2023-11-16 | 2023-12-19 | 一夫科技股份有限公司 | 基于数据融合的石膏板生产智能控制方法及系统 |
| CN117608230A (zh) * | 2024-01-23 | 2024-02-27 | 魁伯恩重工(兰陵)有限公司 | 一种矿山设备控制系统和方法 |
| CN117724429A (zh) * | 2023-12-29 | 2024-03-19 | 粤海永顺泰(宝应)麦芽有限公司 | 基于多模分析的浸麦设备智能控制方法及系统 |
-
2023
- 2023-08-15 CN CN202311024661.3A patent/CN116974230A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117250931A (zh) * | 2023-11-16 | 2023-12-19 | 一夫科技股份有限公司 | 基于数据融合的石膏板生产智能控制方法及系统 |
| CN117250931B (zh) * | 2023-11-16 | 2024-01-23 | 一夫科技股份有限公司 | 基于数据融合的石膏板生产智能控制方法及系统 |
| CN117724429A (zh) * | 2023-12-29 | 2024-03-19 | 粤海永顺泰(宝应)麦芽有限公司 | 基于多模分析的浸麦设备智能控制方法及系统 |
| CN117724429B (zh) * | 2023-12-29 | 2024-05-24 | 粤海永顺泰(宝应)麦芽有限公司 | 基于多模分析的浸麦设备智能控制方法及系统 |
| CN117608230A (zh) * | 2024-01-23 | 2024-02-27 | 魁伯恩重工(兰陵)有限公司 | 一种矿山设备控制系统和方法 |
| CN117608230B (zh) * | 2024-01-23 | 2024-04-16 | 魁伯恩重工(兰陵)有限公司 | 一种矿山设备控制系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116974230A (zh) | 一种基于物联网的设备运行模式智能控制方法及系统 | |
| CN107644297B (zh) | 一种电机系统节能量计算和验证方法 | |
| CN110163429A (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| CN109992866A (zh) | 负荷预测模型的训练方法、装置、可读介质及电子设备 | |
| CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
| CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
| CN113705897B (zh) | 一种面向工业铜箔生产的产品质量预测方法及系统 | |
| CN110848892A (zh) | 一种冰蓄冷系统的节能运行方法、装置、设备及存储介质 | |
| CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
| CN111242266A (zh) | 一种运行数据管理系统 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN112487723B (zh) | 一种基于多参数的中水热源泵系统优化设计方法 | |
| CN115453871A (zh) | 一种基于ide扩展多维泰勒网的非线性系统建模方法 | |
| CN111275247B (zh) | 一种基于多种影响因素的极限学习机月度电量预测方法 | |
| CN114219118A (zh) | 一种d-s证据理论的智能电表寿命预测方法及系统 | |
| CN110826808A (zh) | 一种考虑需求响应的柔性负荷短期负荷预测方法 | |
| Jin et al. | Power prediction through energy consumption pattern recognition for smart buildings | |
| Li et al. | Short-term Load Forecasting of Long-short Term Memory Neural Network Based on Genetic Algorithm | |
| CN116231854B (zh) | 一种基于物联网的智慧校园节能管理的方法及系统 | |
| TWI810602B (zh) | 基於機械學習的關鍵因子自動尋找方法 | |
| TWI815202B (zh) | 效率影響因子判定方法及裝置 | |
| CN117272212B (zh) | 基于实时数据对制冷系统进行最优运行参数选择的方法 | |
| CN111651935B (zh) | 一种非平稳时间序列数据的多维度扩充预测方法与装置 |
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 |