CN117311294B - 基于云边融合的橡胶手套生产设备自决策控制方法 - Google Patents
基于云边融合的橡胶手套生产设备自决策控制方法 Download PDFInfo
- Publication number
- CN117311294B CN117311294B CN202311594578.XA CN202311594578A CN117311294B CN 117311294 B CN117311294 B CN 117311294B CN 202311594578 A CN202311594578 A CN 202311594578A CN 117311294 B CN117311294 B CN 117311294B
- Authority
- CN
- China
- Prior art keywords
- edge
- equipment
- production
- training data
- node
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 110
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000004821 distillation Methods 0.000 claims abstract description 11
- 238000011112 process operation Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 9
- 230000003213 activating effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000002156 mixing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了基于云边融合的橡胶手套生产设备自决策控制方法，涉及数据处理技术领域，该方法包括：获取预先训练好的良品预测模型；获取边缘训练数据集；获取多个边缘节点；对边缘训练数据集进行分解，得到边缘训练数据子集，以边缘训练数据子集进行蒸馏学习，得到与所述多个边缘节点一一对应的边缘决策子模型；得到边缘决策结果，解决了传统的生产设备控制往往是通过对单一生产流程的设备运行状态进行监测控制或者优化，但是单一生产流程的生产质量与全流程生产质量往往存在差异，导致设备的控制效果不佳，影响全流程的生产性能的技术问题，达到提升决策优化效率，保证橡胶手套的单一生产节点的生产质量的同时，保证全流程生产质量的技术效果。
Description
技术领域
本申请涉及数据处理技术领域，具体涉及基于云边融合的橡胶手套生产设备自决策控制方法。
背景技术
橡胶手套在医疗、卫生、工业以及人们日常生活中应用广泛，且随着数字化控制的快速发展，基本实现了智能控制。传统的生产设备控制往往是通过对单一生产流程的设备运行状态进行监测控制或者优化，但是单一生产流程的生产质量与全流程生产质量往往存在差异，这就导致设备的控制效果不佳，影响全流程的生产性能。
发明内容
本申请提供了基于云边融合的橡胶手套生产设备自决策控制方法，用以解决传统的生产设备控制往往是通过对单一生产流程的设备运行状态进行监测控制或者优化，但是单一生产流程的生产质量与全流程生产质量往往存在差异，导致设备的控制效果不佳，影响全流程的生产性能的技术问题。
根据本申请的第一方面，提供了基于云边融合的橡胶手套生产设备自决策控制方法，包括：获取预先训练好的良品预测模型，其中，所述良品预测模型在云服务器中训练获取；根据所述预先训练好的良品预测模型，获取边缘训练数据集，所述边缘训练数据集为预测良品率达到第一预设良品率对应的全流程运行特征；获取多个边缘节点，所述多个边缘节点通过将橡胶手套的各个生产节点作为边缘节点与所述云服务器进行边缘协同连接获取；按照所述多个边缘节点对所述边缘训练数据集进行分解，得到所述多个边缘节点一一对应的边缘训练数据子集，以所述边缘训练数据子集进行蒸馏学习，得到与所述多个边缘节点一一对应的边缘决策子模型；根据所述边缘决策子模型，得到边缘决策结果，其中，所述边缘决策结果为对应边缘节点的设备参数是否优化的决策结果。
根据本申请的第二方面，提供了基于云边融合的橡胶手套生产设备自决策控制系统，包括：良品预测模型获取模块，所述良品预测模型获取模块用于获取预先训练好的良品预测模型，其中，所述良品预测模型在云服务器中训练获取；边缘训练数据集获取模块，所述边缘训练数据集获取模块用于根据所述预先训练好的良品预测模型，获取边缘训练数据集，所述边缘训练数据集为预测良品率达到第一预设良品率对应的全流程运行特征；边缘节点获取模块，所述边缘节点获取模块用于获取多个边缘节点，所述多个边缘节点通过将橡胶手套的各个生产节点作为边缘节点与所述云服务器进行边缘协同连接获取；边缘决策子模型获取模块，所述边缘决策子模型获取模块用于按照所述多个边缘节点对所述边缘训练数据集进行分解，得到所述多个边缘节点一一对应的边缘训练数据子集，以所述边缘训练数据子集进行蒸馏学习，得到与所述多个边缘节点一一对应的边缘决策子模型；边缘决策结果获取模块，所述边缘决策结果获取模块用于根据所述边缘决策子模型，得到边缘决策结果，其中，所述边缘决策结果为对应边缘节点的设备参数是否优化的决策结果。
根据本申请采用的一个或多个技术方案可达到的有益效果如下：
首先构建橡胶手套全流程生产的良品预测模型，进行全流程的良品率预测，获得预测良品率达到第一预设良品率对应的全流程运行特征构建边缘训练数据集，进一步按照多个边缘节点对边缘训练数据集进行分解，得到多个边缘节点一一对应的边缘训练数据子集，以所述边缘训练数据子集进行蒸馏学习，得到与所述多个边缘节点一一对应的边缘决策子模型，根据所述边缘决策子模型，得到边缘决策结果，进行各个边缘节点的设备运行参数的优化，达到提升决策优化效率，保证橡胶手套的单一生产节点的生产质量的同时，保证全流程生产质量的技术效果。
附图说明
为了更清楚地说明本申请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。构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的基于云边融合的橡胶手套生产设备自决策控制方法的流程示意图；
图2为本申请实施例提供的基于云边融合的橡胶手套生产设备自决策控制系统的结构示意图。
附图标记说明：良品预测模型获取模块11，边缘训练数据集获取模块12，边缘节点获取模块13，边缘决策子模型获取模块14，边缘决策结果获取模块15。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显，下面将参照附图详细描述本申请的示例实施例。显然，所描述的实施例仅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。
说明书中使用的术语用于描述实施例，而不是限制本申请。如在说明书中所使用的，单数术语“一”“一个”和“该”旨在也包括复数形式，除非上下文另有清楚指示。当在说明书中使用时，术语“包括”和/或“包含”指定了步骤、操作、元件和/或组件的存在，但是不排除一个或多个其他步骤、操作、元件、组件和/或其组的存在或添加。
除非另有定义，本说明书中使用的所有术语(包括技术和科学术语)应具有与本申请所属领域的技术人员通常理解的相同含义。术语，如常用词典中定义的术语，不应以理想化或过于正式的意义来解释，除非在此明确定义。在整个说明书中，相同的附图标记表示相同的元件。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
实施例1
图1为本申请实施例提供的基于云边融合的橡胶手套生产设备自决策控制方法图，所述方法包括：
获取预先训练好的良品预测模型，其中，所述良品预测模型在云服务器中训练获取；
云服务器是一种简单高效、安全可靠、处理能力可弹性伸缩的计算服务，其可以提供大量的计算资源。首先可以采集橡胶手套的生产数据，采用现有的机器学习模型（比如神经网络）利用云服务器中的计算资源进行训练，获得训练至收敛状态的良品预测模型。
在一个优选实施例中，还包括：
获取橡胶手套的生产全流程；对生产全流程中进行数据采集，得到全流程运行数据样本和运行良品率样本；将所述全流程运行数据样本和所述运行良品率样本输入云服务器中，基于所述云服务器进行模型训练，当模型趋于收敛时获取预先训练好的良品预测模型；根据所述预先训练好的良品预测模型对手套生产全流程的良品率进行预测。
具体来说，获取橡胶手套的生产全流程，生产全流程是指生产车间进行橡胶手套生产时涉及的所有生产节点，具体由用户需结合实际情况确定后通过用户端上传，比如原材料混合、塑炼、混炼、成型、硫化等流程。对生产全流程中各个生产节点进行数据采集，就是调取历史生产数据（包括过去一段时间内各个生产节点的生产设备运行参数和对应的质量检测结果），得到全流程运行数据样本和运行良品率样本，其中，全流程运行数据样本包括生产全流程中所有生产节点的生产设备运行参数，由此采集多组全流程运行数据样本和对应的多个运行良品率样本，运行良品率样本则是采用全流程运行数据样本进行橡胶手套生产后进行质量检测后获得的合格产品占生产总量的比重，具体可调取历史生产数据中的质量检测结果计算获取。
将所述全流程运行数据样本和所述运行良品率样本输入云服务器中，基于所述云服务器进行模型训练，当模型趋于收敛时获取预先训练好的良品预测模型，简单来说，以全流程运行数据作为良品预测模型的输入，以运行良品率样本作为良品预测模型的输出，通过现有技术中的机器学习模型构建良品预测模型的网络结构并存储于云服务器中，然后将所述全流程运行数据样本和所述运行良品率样本输入云服务器中，利用云服务器中的计算资源，对良品预测模型进行训练，即将所述全流程运行数据样本输入良品预测模型，通过云服务器对良品预测模型的模型参数进行调整，使得良品预测模型的输出与运行良品率样本一致，由此将良品预测模型训练至收敛状态，机器学习模型的训练是本领域技术人员常用技术手段，故在此不进行展开赘述。
进而根据所述预先训练好的良品预测模型对手套生产全流程的良品率进行预测，即采集手套生产全流程的全流程运行数据（可以是生产车间所使用的各个生产节点的设备运行数据），将全流程运行数据输入预先训练好的良品预测模型，通过预先训练好的良品预测模型进行良品率预测。
根据所述预先训练好的良品预测模型，获取边缘训练数据集，所述边缘训练数据集为预测良品率达到第一预设良品率对应的全流程运行特征；
根据所述预先训练好的良品预测模型，获取边缘训练数据集，所述边缘训练数据集为预测良品率达到第一预设良品率对应的全流程运行特征（各个生产节点的生产设备的运行数据），简单来说，将手套生产全流程的全流程运行数据输入预先训练好的良品预测模型，通过预先训练好的良品预测模型进行良品率预测，输出得到预测的良品率，当良品率达到第一预设良品率，以将手套生产全流程的全流程运行数据，也就是获取良品率符合标准的全流程运行特征作为边缘训练数据集。其中，第一预设良品率由本领域专业技术人员结合实际情况确定，可根据生产车间允许存在的良品率确定，比如95%，以达到第一预设良品率对应的全流程运行特征作为边缘训练数据集，为后续的决策优化提供基础，从而对全流程运行特征进行优化，提升良品率，进而提升生产控制效果。
获取多个边缘节点，所述多个边缘节点通过将橡胶手套的各个生产节点作为边缘节点与所述云服务器进行边缘协同连接获取；
获取多个边缘节点，所述多个边缘节点通过将橡胶手套的各个生产节点作为边缘节点与所述云服务器进行边缘协同连接获取，具体来说，将每个生产节点（比如原材料混合、塑炼、混炼、成型、硫化）作为所述多个边缘节点，使用现有的通信协议和标准将每个边缘节点与云服务器进行连接，实现数据的协同共享，每个边缘节点独立运行，且配备有对应的计算资源。
按照所述多个边缘节点对所述边缘训练数据集进行分解，得到所述多个边缘节点一一对应的边缘训练数据子集，以所述边缘训练数据子集进行蒸馏学习，得到与所述多个边缘节点一一对应的边缘决策子模型；
按照所述多个边缘节点对所述边缘训练数据集进行分解，得到所述多个边缘节点一一对应的边缘训练数据子集，简单来说，一个边缘节点对应一个生产节点，将对应的生产节点所使用的生产设备与该边缘节点通信连接，然后从所述边缘训练数据集中提取出该边缘节点的生产设备对应的设备运行特征，比如设备运行功率、温控参数等。进一步以所述边缘训练数据子集进行蒸馏学习，得到与所述多个边缘节点一一对应的边缘决策子模型，通俗地讲，将良品预测模型看作一个大模型，边缘决策子模型则是多个边缘节点的多个小模型，大模型（良品预测模型）是关于多个生产节点的复杂模型，拥有良好的性能和泛化能力，而小模型（边缘决策子模型）因为规模较小，可对各个边缘节点所属设备的设备运行特征与良品率的关联进行分析，即利用良品预测模型学习到的知识去指导边缘决策子模型训练，使得边缘决策子模型具有与良品预测模型具有相当的性能，但是边缘决策子模型的边缘训练数据子集中的数据数量大幅降低，从而实现模型压缩与加速，提升决策效率。
在一个优选实施例中，还包括：
按照所述多个边缘节点对所述边缘训练数据集进行分解，其中，每个边缘节点对应一个生产节点，每个边缘节点与对应生产节点的生产设备连接；得到所述多个边缘节点一一对应的边缘训练数据子集，其中，每个边缘节点对应的边缘训练数据子集包括所属生产设备的设备运行特征，所述设备运行特征为预测良品率达到预设良品率对应的设备运行特征。
具体地，得到所述多个边缘节点一一对应的边缘训练数据子集的过程如下：按照所述多个边缘节点对所述边缘训练数据集进行分解，其中，每个边缘节点对应一个生产节点，每个边缘节点与对应生产节点的生产设备连接，就是在所述边缘训练数据集中提取出各个边缘节点对应生产节点的生产设备的运行特征作为各个边缘节点对应的边缘训练数据子集，需要说明的是，边缘训练数据子集还包括经过良品预测模型分析后输出的预测良品率。其中，每个边缘节点对应的边缘训练数据子集包括所属生产设备的设备运行特征，所述设备运行特征为预测良品率达到预设良品率对应的设备运行特征，即通过良品预测模型进行预测后，输出的良品率达到预设良品率（由本领域专业技术人员自行设定）的设备运行特征。由此实现边缘训练数据集的分解，得到各个边缘节点对应的生产设备的运行特征，便于后续对各个边缘节点的生产设备进行决策优化，提升决策效率。
在一个优选实施例中，还包括：
采集第一边缘节点对应的第一设备运行数据样本，其中，所述第一设备运行数据样本为所述第一边缘节点连接的各个设备运行数据；获取全连接的边缘决策子网络，以所述第一设备运行数据样本、所述边缘训练数据子集，以及标识匹配度的标识信息进行边缘决策子网络的监督训练，得到第一边缘节点对应的边缘决策子模型，以此类推，得到与所述多个边缘节点一一对应的边缘决策子模型。
以所述边缘训练数据子集进行蒸馏学习，得到与所述多个边缘节点一一对应的边缘决策子模型的过程如下：第一边缘节点泛指所述多个边缘节点中的任意一个边缘节点，采集第一边缘节点对应的生产设备的设备运行参数作为第一设备运行数据样本，可以理解的，所述第一设备运行数据样本为所述第一边缘节点连接的各个设备运行数据，比如设备运行功率、转速、温控参数等。获取全连接的边缘决策子网络，边缘决策子网络就是现有的全连接的神经网络，以所述第一设备运行数据样本、所述边缘训练数据子集，以及标识匹配度的标识信息进行边缘决策子网络的监督训练，得到第一边缘节点对应的边缘决策子模型，其中，标识匹配度的标识信息是指第一设备运行数据样本与所述边缘训练数据子集中的设备运行特征的相似程度，同时，所述第一设备运行数据样本还包括了由本领域专业技术人员标记的良品率，两者的区别在于：所述第一设备运行数据样本是指第一边缘节点的设备运行特征，本领域专业技术人员标记的良品率也只是针对第一边缘节点对应的生产节点的良品率，所述边缘训练数据子集则是根据良品预测模型获得的，其对应的良品率是全流程生产之后的良品率，就是说，可能第一设备运行数据样本中的某个运行数据在第一边缘节点生产出的产品是合格的，但是其会导致完成后续的全流程生产后的产品不合格，因此，通过对指第一设备运行数据样本与所述边缘训练数据子集中的设备运行特征进行相似度比对，获得标识匹配度的标识信息，同时对第一设备运行数据样本与所述边缘训练数据子集对应的良品率也进行比对，就是只有单独的边缘节点的产品良品率与全流程生产的良品率的偏差较小时，第一设备运行数据样本才是合格的，既可以保证对应生产节点的良品率达标，同时可以保证全流程生产得到的良品率也达标，由此获取两个良品率差异小于预设阈值（由本领域专业技术人员自行设定）时对应的匹配度最为预定匹配度，以预定匹配度作为决策优化的判断依据，如果第一设备运行数据样本与所述边缘训练数据子集中的设备运行特征之间的匹配度不满足预定匹配度，说明需要进行决策优化，返回边缘决策结果不为空，反之，则为空。采用获取第一边缘节点对应的边缘决策子模型的方法，得到与所述多个边缘节点一一对应的边缘决策子模型。这样，在决策优化时，既考虑到生产节点的独立生产性能，同时又能考虑到边缘节点对全流程生产结果的影响性，保证每个生产节点的生产质量的同时，保证全流程生产完成后的生产质量。
根据所述边缘决策子模型，得到边缘决策结果，其中，所述边缘决策结果为对应边缘节点的设备参数是否优化的决策结果。
根据所述边缘决策子模型，得到边缘决策结果，其中，所述边缘决策结果为对应边缘节点的设备参数是否优化的决策结果，具体来说，当所述边缘决策结果返回为空时，对应边缘节点的设备参数不需要进行优化，当边缘决策结果返回不为空，对应边缘节点的设备参数需要进行优化，具体过程如下详述。
在一个优选实施例中，还包括：
获取实时设备数据集；将所述实时设备数据集传输至对应的边缘节点，并调用边缘决策子模型，根据所述边缘决策子模型对所述实时设备数据集进行特征提取，获取特征匹配度；基于所述特征匹配度，得到边缘决策结果，当所述边缘决策结果返回为空时，不激活设备参数的优化，当边缘决策结果返回不为空，激活设备参数的优化。
获取实时设备数据集，实时设备数据集是指多个边缘节点的生产设备当前正在运行时的运行参数，可通过现有的传感器或者连接设备控制端读取。将所述实时设备数据集传输至对应的边缘节点，并调用对应的边缘决策子模型，根据所述边缘决策子模型对所述实时设备数据集进行特征提取，就是利用边缘决策子模型对实时设备数据集与对应的边缘训练数据子集进行相似度比对，以两者的相似度作为特征匹配度。边缘决策子模型进一步基于所述特征匹配度，就是判断所述特征匹配度是否满足预定匹配度，得到边缘决策结果，当所述边缘决策结果返回为空时，说明所述特征匹配度满足预定匹配度，即实时设备数据集可以保证对应边缘节点的生产良品率符合要求的同时，还可以保证全流程生产的良品率符合要求，此时不激活设备参数的优化，当边缘决策结果返回不为空，说明实时设备数据集的全流程生产的良品率不达标，因此激活设备参数的优化，对实时设备数据集进行优化调整，提升良品率，保证橡胶手套的生产质量。
在一个优选实施例中，还包括：
激活设备参数的优化后，生成优化指令；所属边缘节点接收所述优化指令后根据优化指令，调用所属边缘节点的设备控制记忆库，其中，所述设备控制记忆库中通过对应边缘节点的边缘训练数据子集构建；基于所述设备控制记忆库对设备运行数据进行优化。
在一个优选实施例中，还包括：
获取边缘训练数据子集的设备运行数据-预测良品率的映射关系；基于所述设备运行数据-预测良品率的映射关系，获取预测良品率达到第二预设良品率对应的设备运行数据，以达到第二预设良品率对应的设备运行数据，生成所述设备控制记忆库。
激活设备参数的优化后，生成优化指令，优化指令是用于控制进行设备参数调整优化的控制指令，当边缘决策结果返回不为空时生成。所属边缘节点接收所述优化指令后根据优化指令，调用所属边缘节点的设备控制记忆库，其中，所述设备控制记忆库中通过对应边缘节点的边缘训练数据子集构建，构建方法如下：
获取边缘训练数据子集的设备运行数据-预测良品率的映射关系，简单来说，边缘训练数据子集是通过良品预测模型获得的，首先获取预测良品率达到第一预设良品率对应的全流程运行特征作为边缘训练数据集，那么边缘训练数据集中的每一组全流程运行特征均有对应的预测良品率，边缘训练数据子集是对边缘训练数据集进行分解获得，因此可按照分解前的预测良品率对边缘训练数据子集中的数据进行标注，即可得到设备运行数据-预测良品率的映射关系。基于所述设备运行数据-预测良品率的映射关系，获取预测良品率达到第二预设良品率对应的设备运行数据，需要说明的是，第二预测良品率一定大于第一预测良品率，就是说，第一预测良品率是生产车间的生产要求，比如良品率达到95%即为达标，第二预设良品率的设置则是为了进行设备运行数据的优化，因此要保证较高的良品率，比如98%，以达到第二预设良品率对应的设备运行数据组成所述设备控制记忆库，就是保证设备控制记忆库中的设备运行数据的生产性能较高，从而保证设备运行数据的优化效果。
最后，基于所述设备控制记忆库对设备运行数据进行优化，通俗地讲，就是对实时设备数据集中的设备运行数据进行调整，使之与设备控制记忆库中的任意一个设备运行数据相同，具体可以在设备控制记忆库中筛选出良品率最高的设备运行数据，将实时设备数据集中的设备运行数据调整为良品率最高的设备运行数据，从而实现设备运行数据的优化，保证橡胶手套各个生产节点以及全流程的生产效果，保证生产质量。
基于上述分析可知，本申请提供的一个或多个技术方案可达到的有益效果如下：
首先构建橡胶手套全流程生产的良品预测模型，进行全流程的良品率预测，获得预测良品率达到第一预设良品率对应的全流程运行特征构建边缘训练数据集，进一步按照多个边缘节点对边缘训练数据集进行分解，得到多个边缘节点一一对应的边缘训练数据子集，以所述边缘训练数据子集进行蒸馏学习，得到与所述多个边缘节点一一对应的边缘决策子模型，根据所述边缘决策子模型，得到边缘决策结果，进行各个边缘节点的设备运行参数的优化，达到提升决策优化效率，保证橡胶手套的单一生产节点的生产质量的同时，保证全流程生产质量的技术效果。
实施例2
基于与前述实施例中基于云边融合的橡胶手套生产设备自决策控制方法同样的发明构思，如图2所示，本申请还提供了基于云边融合的橡胶手套生产设备自决策控制系统，所述系统包括：
良品预测模型获取模块11，所述良品预测模型获取模块11用于获取预先训练好的良品预测模型，其中，所述良品预测模型在云服务器中训练获取；
边缘训练数据集获取模块12，所述边缘训练数据集获取模块12用于根据所述预先训练好的良品预测模型，获取边缘训练数据集，所述边缘训练数据集为预测良品率达到第一预设良品率对应的全流程运行特征；
边缘节点获取模块13，所述边缘节点获取模块13用于获取多个边缘节点，所述多个边缘节点通过将橡胶手套的各个生产节点作为边缘节点与所述云服务器进行边缘协同连接获取；
边缘决策子模型获取模块14，所述边缘决策子模型获取模块14用于按照所述多个边缘节点对所述边缘训练数据集进行分解，得到所述多个边缘节点一一对应的边缘训练数据子集，以所述边缘训练数据子集进行蒸馏学习，得到与所述多个边缘节点一一对应的边缘决策子模型；
边缘决策结果获取模块15，所述边缘决策结果获取模块15用于根据所述边缘决策子模型，得到边缘决策结果，其中，所述边缘决策结果为对应边缘节点的设备参数是否优化的决策结果。
进一步而言，所述良品预测模型获取模块11还包括：
获取橡胶手套的生产全流程；
对生产全流程中进行数据采集，得到全流程运行数据样本和运行良品率样本；
将所述全流程运行数据样本和所述运行良品率样本输入云服务器中，基于所述云服务器进行模型训练，当模型趋于收敛时获取预先训练好的良品预测模型；
根据所述预先训练好的良品预测模型对手套生产全流程的良品率进行预测。
进一步而言，所述边缘决策子模型获取模块14还包括：
按照所述多个边缘节点对所述边缘训练数据集进行分解，其中，每个边缘节点对应一个生产节点，每个边缘节点与对应生产节点的生产设备连接；
得到所述多个边缘节点一一对应的边缘训练数据子集，其中，每个边缘节点对应的边缘训练数据子集包括所属生产设备的设备运行特征，所述设备运行特征为预测良品率达到预设良品率对应的设备运行特征。
进一步而言，所述边缘决策子模型获取模块14还包括：
采集第一边缘节点对应的第一设备运行数据样本，其中，所述第一设备运行数据样本为所述第一边缘节点连接的各个设备运行数据；
获取全连接的边缘决策子网络，以所述第一设备运行数据样本、所述边缘训练数据子集，以及标识匹配度的标识信息进行边缘决策子网络的监督训练，得到第一边缘节点对应的边缘决策子模型，以此类推，得到与所述多个边缘节点一一对应的边缘决策子模型。
进一步而言，所述边缘决策结果获取模块15还包括：
获取实时设备数据集；
将所述实时设备数据集传输至对应的边缘节点，并调用边缘决策子模型，根据所述边缘决策子模型对所述实时设备数据集进行特征提取，获取特征匹配度；
基于所述特征匹配度，得到边缘决策结果，当所述边缘决策结果返回为空时，不激活设备参数的优化，当边缘决策结果返回不为空，激活设备参数的优化。
进一步而言，所述边缘决策结果获取模块15还包括：
激活设备参数的优化后，生成优化指令；
所属边缘节点接收所述优化指令后根据优化指令，调用所属边缘节点的设备控制记忆库，其中，所述设备控制记忆库中通过对应边缘节点的边缘训练数据子集构建；
基于所述设备控制记忆库对设备运行数据进行优化。
进一步而言，所述边缘决策结果获取模块15还包括：
获取边缘训练数据子集的设备运行数据-预测良品率的映射关系；
基于所述设备运行数据-预测良品率的映射关系，获取预测良品率达到第二预设良品率对应的设备运行数据，以达到第二预设良品率对应的设备运行数据，生成所述设备控制记忆库。
前述实施例一中的基于云边融合的橡胶手套生产设备自决策控制方法具体实例同样适用于本实施例的基于云边融合的橡胶手套生产设备自决策控制系统，通过前述对基于云边融合的橡胶手套生产设备自决策控制方法的详细描述，本领域技术人员可以清楚地知道本实施例中基于云边融合的橡胶手套生产设备自决策控制系统，所以为了说明书的简洁，在此不再详述。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。
Claims (5)
1.基于云边融合的橡胶手套生产设备自决策控制方法，其特征在于，所述方法包括：
获取预先训练好的良品预测模型，其中，所述良品预测模型在云服务器中训练获取；
根据所述预先训练好的良品预测模型，获取边缘训练数据集，所述边缘训练数据集为预测良品率达到第一预设良品率对应的全流程运行特征，所述全流程运行特征为各个生产节点的生产设备的运行数据；
获取多个边缘节点，所述多个边缘节点通过将橡胶手套的各个生产节点作为边缘节点与所述云服务器进行边缘协同连接获取；
按照所述多个边缘节点对所述边缘训练数据集进行分解，得到所述多个边缘节点一一对应的边缘训练数据子集，以所述边缘训练数据子集进行蒸馏学习，得到与所述多个边缘节点一一对应的边缘决策子模型；
根据所述边缘决策子模型，得到边缘决策结果，其中，所述边缘决策结果为对应边缘节点的设备参数是否优化的决策结果；
所述方法还包括：
获取橡胶手套的生产全流程；
对生产全流程中进行数据采集，得到全流程运行数据样本和运行良品率样本；
将所述全流程运行数据样本和所述运行良品率样本输入云服务器中，基于所述云服务器进行模型训练，当模型趋于收敛时获取预先训练好的良品预测模型；
根据所述预先训练好的良品预测模型对手套生产全流程的良品率进行预测；
得到与所述多个边缘节点一一对应的边缘决策子模型，方法还包括：
采集第一边缘节点对应的第一设备运行数据样本，其中，所述第一设备运行数据样本为所述第一边缘节点连接的各个设备运行数据；
获取全连接的边缘决策子网络，以所述第一设备运行数据样本、所述边缘训练数据子集，以及标识匹配度的标识信息进行边缘决策子网络的监督训练，得到第一边缘节点对应的边缘决策子模型，以此类推，得到与所述多个边缘节点一一对应的边缘决策子模型；
所述方法还包括：
获取实时设备数据集；
将所述实时设备数据集传输至对应的边缘节点，并调用边缘决策子模型，根据所述边缘决策子模型对所述实时设备数据集进行特征提取，获取特征匹配度；
基于所述特征匹配度，得到边缘决策结果，当所述边缘决策结果返回为空时，不激活设备参数的优化，当边缘决策结果返回不为空，激活设备参数的优化。
2.如权利要求1所述的方法，其特征在于，得到所述多个边缘节点一一对应的边缘训练数据子集，方法还包括：
按照所述多个边缘节点对所述边缘训练数据集进行分解，其中，每个边缘节点对应一个生产节点，每个边缘节点与对应生产节点的生产设备连接；
得到所述多个边缘节点一一对应的边缘训练数据子集，其中，每个边缘节点对应的边缘训练数据子集包括所属生产设备的设备运行特征，所述设备运行特征为预测良品率达到预设良品率对应的设备运行特征。
3.如权利要求1所述的方法，其特征在于，当边缘决策结果返回不为空，激活设备参数的优化，所述方法还包括：
激活设备参数的优化后，生成优化指令；
所属边缘节点接收所述优化指令后根据优化指令，调用所属边缘节点的设备控制记忆库，其中，所述设备控制记忆库中通过对应边缘节点的边缘训练数据子集构建；
基于所述设备控制记忆库对设备运行数据进行优化。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
获取边缘训练数据子集的设备运行数据-预测良品率的映射关系；
基于所述设备运行数据-预测良品率的映射关系，获取预测良品率达到第二预设良品率对应的设备运行数据，以达到第二预设良品率对应的设备运行数据，生成所述设备控制记忆库。
5.基于云边融合的橡胶手套生产设备自决策控制系统，其特征在于，用于执行权利要求1至4任意一项所述方法的步骤，所述系统包括：
良品预测模型获取模块，所述良品预测模型获取模块用于获取预先训练好的良品预测模型，其中，所述良品预测模型在云服务器中训练获取；
边缘训练数据集获取模块，所述边缘训练数据集获取模块用于根据所述预先训练好的良品预测模型，获取边缘训练数据集，所述边缘训练数据集为预测良品率达到第一预设良品率对应的全流程运行特征，所述全流程运行特征为各个生产节点的生产设备的运行数据；
边缘节点获取模块，所述边缘节点获取模块用于获取多个边缘节点，所述多个边缘节点通过将橡胶手套的各个生产节点作为边缘节点与所述云服务器进行边缘协同连接获取；
边缘决策子模型获取模块，所述边缘决策子模型获取模块用于按照所述多个边缘节点对所述边缘训练数据集进行分解，得到所述多个边缘节点一一对应的边缘训练数据子集，以所述边缘训练数据子集进行蒸馏学习，得到与所述多个边缘节点一一对应的边缘决策子模型；
边缘决策结果获取模块，所述边缘决策结果获取模块用于根据所述边缘决策子模型，得到边缘决策结果，其中，所述边缘决策结果为对应边缘节点的设备参数是否优化的决策结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311594578.XA CN117311294B (zh) | 2023-11-28 | 2023-11-28 | 基于云边融合的橡胶手套生产设备自决策控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311594578.XA CN117311294B (zh) | 2023-11-28 | 2023-11-28 | 基于云边融合的橡胶手套生产设备自决策控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117311294A CN117311294A (zh) | 2023-12-29 |
| CN117311294B true CN117311294B (zh) | 2024-02-23 |
Family
ID=89288666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311594578.XA Active CN117311294B (zh) | 2023-11-28 | 2023-11-28 | 基于云边融合的橡胶手套生产设备自决策控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117311294B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114254915A (zh) * | 2021-12-17 | 2022-03-29 | 华中科技大学 | 轴类零件全流程加工质量合格状态决策及优化方法 |
| CN114862096A (zh) * | 2022-03-22 | 2022-08-05 | 东华大学 | 一种基于边缘计算的航天薄壁件旋压加工质量管理系统 |
| CN115392534A (zh) * | 2022-07-13 | 2022-11-25 | 广东工业大学 | 一种基于ffm模型的车间设备综合效率预测方法及系统 |
| US11592827B1 (en) * | 2019-12-18 | 2023-02-28 | Waymo Llc | Predicting yielding likelihood for an agent |
| CN116187482A (zh) * | 2023-01-20 | 2023-05-30 | 电子科技大学 | 一种边缘场景下轻量级的可信联邦学习方法 |
| CN116822319A (zh) * | 2022-11-28 | 2023-09-29 | 沈阳工业大学 | 基于云边协同计算的工业品制造质量主动预测控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7974723B2 (en) * | 2008-03-06 | 2011-07-05 | Applied Materials, Inc. | Yield prediction feedback for controlling an equipment engineering system |
-
2023
- 2023-11-28 CN CN202311594578.XA patent/CN117311294B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11592827B1 (en) * | 2019-12-18 | 2023-02-28 | Waymo Llc | Predicting yielding likelihood for an agent |
| CN114254915A (zh) * | 2021-12-17 | 2022-03-29 | 华中科技大学 | 轴类零件全流程加工质量合格状态决策及优化方法 |
| CN114862096A (zh) * | 2022-03-22 | 2022-08-05 | 东华大学 | 一种基于边缘计算的航天薄壁件旋压加工质量管理系统 |
| CN115392534A (zh) * | 2022-07-13 | 2022-11-25 | 广东工业大学 | 一种基于ffm模型的车间设备综合效率预测方法及系统 |
| CN116822319A (zh) * | 2022-11-28 | 2023-09-29 | 沈阳工业大学 | 基于云边协同计算的工业品制造质量主动预测控制方法 |
| CN116187482A (zh) * | 2023-01-20 | 2023-05-30 | 电子科技大学 | 一种边缘场景下轻量级的可信联邦学习方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117311294A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Toward deep transfer learning in industrial internet of things | |
| CN115606162A (zh) | 异常流量检测方法和系统、及计算机存储介质 | |
| CN107133612A (zh) | 基于图像处理与语音识别技术的智能病房及其运行方法 | |
| CN105511608A (zh) | 基于智能机器人的交互方法及装置、智能机器人 | |
| CN111126658A (zh) | 一种基于深度学习的煤矿瓦斯预测方法 | |
| CN106294738B (zh) | 一种智能家居场景配置方法 | |
| CN109376613A (zh) | 基于大数据和深度学习技术的视频智能监控系统 | |
| CN112069916B (zh) | 人脸美丽预测方法、装置、系统及可读存储介质 | |
| CN114530258A (zh) | 一种深度学习药物相互作用预测方法、装置、介质和设备 | |
| CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
| CN109194498A (zh) | 一种基于lstm的网络流量预测方法 | |
| CN115994308B (zh) | 基于元学习的数控机床故障识别方法、系统、设备及介质 | |
| CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| CN111641598A (zh) | 一种基于宽度学习的入侵检测方法 | |
| CN112561176A (zh) | 一种电力计量装置在线运行状态的预警方法 | |
| CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
| Xiao | Machine learning in smart home energy monitoring system | |
| CN117311294B (zh) | 基于云边融合的橡胶手套生产设备自决策控制方法 | |
| CN113469013B (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
| CN113486935A (zh) | 基于dpi和cnn的区块链应用流量识别方法 | |
| CN112115994A (zh) | 图像识别模型的训练方法、装置、服务器及存储介质 | |
| CN107341503B (zh) | 一种切削过程中针对多源能效状态的识别方法 | |
| CN108629362A (zh) | 一种面向移动环境的学习行为习惯发现量化系统及方法 | |
| CN113554010B (zh) | 一种电网线路故障识别模型训练方法 | |
| CN115883424A (zh) | 一种高速骨干网间流量数据预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |