CN117506912A - 一种应用于机器人的电磁流量测试方法及系统 - Google Patents
一种应用于机器人的电磁流量测试方法及系统 Download PDFInfo
- Publication number
- CN117506912A CN117506912A CN202311583079.0A CN202311583079A CN117506912A CN 117506912 A CN117506912 A CN 117506912A CN 202311583079 A CN202311583079 A CN 202311583079A CN 117506912 A CN117506912 A CN 117506912A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic flow
- task
- liquid injection
- past
- test data
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 256
- 238000002347 injection Methods 0.000 claims abstract description 323
- 239000007924 injection Substances 0.000 claims abstract description 323
- 239000007788 liquid Substances 0.000 claims abstract description 285
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000010998 test method Methods 0.000 claims abstract description 5
- 238000005065 mining Methods 0.000 claims description 78
- 230000003321 amplification Effects 0.000 claims description 77
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 77
- 238000000034 method Methods 0.000 claims description 59
- 238000012544 monitoring process Methods 0.000 claims description 57
- 230000037452 priming Effects 0.000 claims description 57
- 238000005259 measurement Methods 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 29
- 239000012530 fluid Substances 0.000 claims description 23
- 230000003993 interaction Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000003190 augmentative effect Effects 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000005206 flow analysis Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 51
- 230000008569 process Effects 0.000 description 34
- 235000013361 beverage Nutrition 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000001276 controlling effect Effects 0.000 description 8
- 238000001802 infusion Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1679—Programme controls characterised by the tasks executed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
- G01F1/56—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by using electric or magnetic effects
- G01F1/58—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by using electric or magnetic effects by electromagnetic flowmeters
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明涉及电磁流量分析技术领域，提供应用于机器人的电磁流量测试方法及系统，通过依据目标电磁流量测试数据的流量状态挖掘指示进行电磁流量状态描述挖掘得到目标电磁流量测试数据的电磁流量状态描述变量，并依据目标电磁流量测试数据的电磁流量状态描述变量进行任务判别得到目标电磁流量测试数据的过往注液任务判别结果和扩增注液任务判别结果，基于过往注液任务判别结果和扩增注液任务判别结果控制目标机器人进行自动化注液处理。在准确全面地判别出目标电磁流量测试数据的过往注液任务判别结果和扩增注液任务判别结果之后，可通过过往注液任务判别结果和扩增注液任务判别结果对目标机器人进行控制，以灵活、自适应地实现自动化注液处理。
Description
技术领域
本发明涉及电磁流量分析技术领域，具体而言，涉及一种应用于机器人的电磁流量测试方法及系统。
背景技术
电磁流量测试技术是一种利用法拉第电磁感应原理来测量流体流量的方法。这项技术通常用于水处理、化工、制药、食品和饮料行业中，用于无侵入式地测量导电液体的流速。
随着人工智能的不断发展，智能机器人在自动化产线中的应用越来越广泛，自动化注液系统作为一个综合性的智能化产线，与智能机器人和电磁流量测试紧密相关。然而在自动化注液系统的实际运行过程中，传统技术仍然难以有效实现灵活、自适应的自动化注液处理。
发明内容
为了改善上述问题，本发明提供了一种应用于机器人的电磁流量测试方法及系统。
本发明实施例的第一方面，提供了一种应用于机器人的电磁流量测试方法，应用于电磁流量测试分析系统，所述方法包括：
获取目标电磁流量测试数据；其中，所述目标电磁流量测试数据是对目标自动化注液系统进行电磁流量测试后所得到的，所述目标自动化注液系统的电磁流量测试基于事先设定的电磁流量计实现；
获取所述目标电磁流量测试数据的流量状态挖掘指示，其中，所述流量状态挖掘指示依据携带了第一全局电磁流量监控注释的过往电磁流量测试数据示例、携带了第二全局电磁流量监控注释的扩增电磁流量测试数据示例中的最少一种进行处理所得，所述第一全局电磁流量监控注释依据过往电磁流量测试数据示例的扩增注液任务预测观点与所述过往电磁流量测试数据示例的过往注液任务先验观点交互所得，所述第二全局电磁流量监控注释依据扩增电磁流量测试数据示例的过往注液任务预测观点与所述扩增电磁流量测试数据示例的扩增注液任务先验观点交互所得；
依据所述流量状态挖掘指示，对所述目标电磁流量测试数据进行电磁流量状态描述挖掘，得到所述目标电磁流量测试数据的电磁流量状态描述变量；
依据所述电磁流量状态描述变量进行注液任务判别，得到所述目标电磁流量测试数据的过往注液任务判别结果和扩增注液任务判别结果；
基于所述过往注液任务判别结果和所述扩增注液任务判别结果控制目标机器人进行自动化注液处理。
在一些可选的方案中，所述流量状态挖掘指示的确定步骤包括：
获取过往电磁流量测试数据示例和所述过往电磁流量测试数据示例的过往注液任务先验观点；
依据完成调试的扩增注液任务识别分支对所述过往电磁流量测试数据示例进行识别，得到所述过往电磁流量测试数据示例的扩增注液任务预测观点；
将所述过往注液任务先验观点和所述扩增注液任务预测观点进行合并，得到所述过往电磁流量测试数据示例的第一全局电磁流量监控注释；
依据所述第一全局电磁流量监控注释和所述过往电磁流量测试数据示例，对待调试注液任务识别网络进行调试，得到用于识别扩增注液任务事项和过往注液任务事项的第一注液任务识别网络；
根据所述第一注液任务识别网络的状态描述挖掘子网的神经网络配置权重，确定所述流量状态挖掘指示。
在一些可选的方案中，所述完成调试的扩增注液任务识别分支通过如下步骤调试得到：
获取扩增电磁流量测试数据示例和所述扩增电磁流量测试数据示例的扩增注液任务先验观点；
依据携带了所述扩增注液任务先验观点的所述扩增电磁流量测试数据示例，对基础的扩增注液任务识别分支进行调试，得到所述完成调试的扩增注液任务识别分支。
在一些可选的方案中，所述流量状态挖掘指示的确定步骤包括：
获取扩增电磁流量测试数据示例和所述扩增电磁流量测试数据示例的扩增注液任务先验观点；
依据完成调试的过往注液任务识别分支对所述扩增电磁流量测试数据示例进行识别，得到所述扩增电磁流量测试数据示例的过往注液任务预测观点；
将所述扩增注液任务先验观点和所述过往注液任务预测观点进行合并，得到所述扩增电磁流量测试数据示例的第二全局电磁流量监控注释；
依据所述第二全局电磁流量监控注释和所述扩增电磁流量测试数据示例，对待调试注液任务识别网络进行调试，得到用于识别扩增注液任务事项和过往注液任务事项的第二注液任务识别网络；
根据所述第二注液任务识别网络的状态描述挖掘子网的神经网络配置权重，确定所述流量状态挖掘指示。
在一些可选的方案中，所述完成调试的过往注液任务识别分支通过如下步骤调试得到：
获取过往电磁流量测试数据示例和所述过往电磁流量测试数据示例的过往注液任务先验观点；
依据携带了所述过往注液任务先验观点的所述过往电磁流量测试数据示例，对基础的过往注液任务识别分支进行调试，得到完成调试的过往注液任务识别分支。
在一些可选的方案中，所述扩增注液任务预测观点的获取步骤为：
依据完成调试的扩增注液任务识别分支中每个识别分支对所述过往电磁流量测试数据示例进行识别，得到所述过往电磁流量测试数据示例的任务识别信息序列，其中，所述任务识别信息序列包括所述过往电磁流量测试数据示例的第一任务文本掩码序列，所述第一任务文本掩码序列为每个识别分支对所述过往电磁流量测试数据示例预测得到的任务文本掩码的序列；
依据事先设定的第一掩码关联度门限值，对所述过往电磁流量测试数据示例的第一任务文本掩码序列进行冗余消除，得到所述过往电磁流量测试数据示例的当前任务文本掩码；
依据所述过往电磁流量测试数据示例的当前任务文本掩码确定所述扩增注液任务预测观点。
在一些可选的方案中，所述任务识别信息序列还包括所述第一任务文本掩码序列中每个任务文本掩码的识别置信度，所述对所述过往电磁流量测试数据示例的第一任务文本掩码序列进行冗余消除，得到所述过往电磁流量测试数据示例的当前任务文本掩码，包括：
对所述过往电磁流量测试数据示例的第一任务文本掩码序列进行冗余消除，得到所述过往电磁流量测试数据示例的第一已去重任务文本掩码；
从所述第一任务文本掩码序列中，获取所述过往电磁流量测试数据示例的各候选任务文本掩码，得到第二任务文本掩码序列，其中，所述第二任务文本掩码序列为所述候选任务文本掩码的序列，所述候选任务文本掩码为与所述第一已去重任务文本掩码之间掩码关联度大于第二掩码关联度门限值的任务文本掩码；
依据所述第二任务文本掩码序列中各任务文本掩码的识别置信度，对所述第一已去重任务文本掩码进行调整，得到所述过往电磁流量测试数据示例的当前任务文本掩码。
本发明实施例的第二方面，提供了一种电磁流量测试分析系统，包括：
数据获取模块，用于获取目标电磁流量测试数据；其中，所述目标电磁流量测试数据是对目标自动化注液系统进行电磁流量测试后所得到的，所述目标自动化注液系统的电磁流量测试基于事先设定的电磁流量计实现；
指示获取模块，用于获取所述目标电磁流量测试数据的流量状态挖掘指示，其中，所述流量状态挖掘指示依据携带了第一全局电磁流量监控注释的过往电磁流量测试数据示例、携带了第二全局电磁流量监控注释的扩增电磁流量测试数据示例中的最少一种进行处理所得，所述第一全局电磁流量监控注释依据过往电磁流量测试数据示例的扩增注液任务预测观点与所述过往电磁流量测试数据示例的过往注液任务先验观点交互所得，所述第二全局电磁流量监控注释依据扩增电磁流量测试数据示例的过往注液任务预测观点与所述扩增电磁流量测试数据示例的扩增注液任务先验观点交互所得；
状态挖掘模块，用于依据所述流量状态挖掘指示，对所述目标电磁流量测试数据进行电磁流量状态描述挖掘，得到所述目标电磁流量测试数据的电磁流量状态描述变量；
任务判别模块，用于依据所述电磁流量状态描述变量进行注液任务判别，得到所述目标电磁流量测试数据的过往注液任务判别结果和扩增注液任务判别结果；
注液控制模块，用于基于所述过往注液任务判别结果和所述扩增注液任务判别结果控制目标机器人进行自动化注液处理。
本发明实施例的第三方面，提供了一种电磁流量测试分析系统，包括：处理器以及与所述处理器连接的存储器和总线；所述处理器和所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的计算机程序，以执行上述的应用于机器人的电磁流量测试方法。
本发明实施例的第四方面，提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的应用于机器人的电磁流量测试方法。
本发明实施例所提供的应用于机器人的电磁流量测试方法及系统，通过依据目标电磁流量测试数据的流量状态挖掘指示进行电磁流量状态描述挖掘得到目标电磁流量测试数据的电磁流量状态描述变量，并依据目标电磁流量测试数据的电磁流量状态描述变量进行任务判别得到目标电磁流量测试数据的过往注液任务判别结果和扩增注液任务判别结果，最后基于过往注液任务判别结果和扩增注液任务判别结果控制目标机器人进行自动化注液处理。
考虑到该流量状态挖掘指示依据携带了第一全局电磁流量监控注释的过往电磁流量测试数据示例、携带了第二全局电磁流量监控注释的扩增电磁流量测试数据示例中的最少一种进行处理所得，这样可以从电磁流量测试数据层面出发，精准全面地判别得到过往注液任务序列与扩增注液任务序列中所对应的不同注液任务。
进一步地，鉴于将识别出的扩增注液任务预测观点作为过往电磁流量测试数据示例的扩增注液任务事项先验知识、将识别出的过往注液任务预测观点作为扩增电磁流量测试数据示例的过往注液任务事项先验知识，这样无需重新进行先验知识配置，从而提高整体方案的时效性。
再者，鉴于第一全局电磁流量监控注释是依据过往电磁流量测试数据示例的扩增注液任务预测观点与过往电磁流量测试数据示例的过往注液任务先验观点交互所得，从而使得过往电磁流量测试数据示例中的扩增注液任务事项的先验知识具有稳定性，提高了神经网络调试的抗干扰性；就算在小样本情况下调试得到流量状态挖掘指示，依据该流量状态挖掘指示挖掘得到的目标电磁流量测试数据的电磁流量状态描述变量进行任务判别，同样能够精准全面地判别出过往注液任务序列和扩增注液任务序列中不同注液任务。
最后，在准确全面地判别出目标电磁流量测试数据的过往注液任务判别结果和扩增注液任务判别结果之后，可以通过过往注液任务判别结果和扩增注液任务判别结果对目标机器人进行控制，从而灵活、自适应地实现自动化注液处理。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例所提供的一种应用于机器人的电磁流量测试方法的流程图。
图2为本发明实施例所提供的一种电磁流量测试分析系统的功能模块框图。
图3为本发明实施例所提供的一种电磁流量测试分析系统的产品模块示意图。
具体实施方式
下面将参照附图更详细地描述本发明公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
请参阅图1，为本发明实施例所提供的一种应用于机器人的电磁流量测试方法的流程图，该方法应用于电磁流量测试分析系统，该方法包括的具体内容描述包括S110-S150。
S110：获取目标电磁流量测试数据。
在S110中，所述目标电磁流量测试数据是对目标自动化注液系统进行电磁流量测试后所得到的，所述目标自动化注液系统的电磁流量测试基于事先设定的电磁流量计实现。
首先，目标电磁流量测试数据是待处理的电磁流量测试数据。这些数据通常是实时收集的，代表了自动化注液系统当前操作状态的流量信息。
其次，目标自动化注液系统是一个集成了电磁流量计来自动控制流体注入过程的系统。它可以包括泵、阀门、传感器以及用于控制这些组件的软件和硬件。目标自动化注液系统是被监测和分析流量数据的对象。
然后，对目标自动化注液系统进行电磁流量测试这一过程涉及使用电磁流量计测量通过注液系统中某一部分的流体流量。这种测试可以提供关于流速、总流量等的数据，是保证系统精确运行的关键步骤。
进一步地，为了保证测试结果的准确性，电磁流量计需要在测试前进行适当的设置。这可以包括校准、配置参数（如流量范围、流速范围）、安装位置等。“事先设定”强调了测试前的准备工作对获取可靠数据的重要性。
在S110的过程中，首先从目标自动化注液系统中获取电磁流量测试数据，这些数据是基于预先设定好的电磁流量计的读数。这些数据会被记录并用于后续的数据分析和系统控制流程。
可以理解，S110专注于从一个特定的自动化注液系统中获取电磁流量测试数据。为了举例说明，可以想象一个典型的工业场景：一家饮料生产公司拥有一个自动化的生产线，用于灌装饮料到瓶子中。这个生产线上配备有一个自动化注液系统，它负责精确控制每个瓶子中注入饮料的量。系统的关键部分是一个电磁流量计，它安装在输送液体的管道上，实时监测流经管道的饮料流量。
在生产开始之前，会设置电磁流量计，同时校准设备以确保其读数准确，设置流量范围以匹配预期的流速，确保软件参数适合当前的生产批次（比如某种特定类型的饮料）。
生产过程开始后，电磁流量计不断地测量流经管道的饮料流量。由于电磁流量计不依赖于流体接触任何传感器部件，它非常适合食品和饮料行业的卫生要求。
在这个例子中，“目标”数据指的是生产过程中每次注液周期内的流量读数。这些数据对于确保每个瓶子都被正确填充至关重要。如果流量读数低于或高于预期值，可能意味着存在泄漏、堵塞或其他机械问题。
目标自动化注液系统包括所有用于自动化灌装过程的设备和控制算法。除了电磁流量计外，还可以包括用于打开和关闭阀门的伺服控制器、用于检测瓶子位置的传感器以及执行灌装命令的程序逻辑。
在S110中，操作者或控制系统会从电磁流量计收集数据，并将其作为后续分析和决策的基础。例如，如果数据显示流量偏离正常范围，系统可以自动调整注液速率，或者触发报警提示操作人员进行检查。
换言之，S110是整个自动化注液过程中的数据收集阶段，它确保了后续步骤能够基于准确而可靠的信息来优化和调节生产流程。
S120：获取所述目标电磁流量测试数据的流量状态挖掘指示。
在S120中，所述流量状态挖掘指示依据携带了第一全局电磁流量监控注释的过往电磁流量测试数据示例、携带了第二全局电磁流量监控注释的扩增电磁流量测试数据示例中的最少一种进行处理所得，所述第一全局电磁流量监控注释依据过往电磁流量测试数据示例的扩增注液任务预测观点与所述过往电磁流量测试数据示例的过往注液任务先验观点交互所得，所述第二全局电磁流量监控注释依据扩增电磁流量测试数据示例的过往注液任务预测观点与所述扩增电磁流量测试数据示例的扩增注液任务先验观点交互所得。
本发明实施例针对S120中的相关技术术语的名词解释如下。
流量状态挖掘指示是一组分析参数或算法指令，用于引导数据处理过程中电磁流量测试数据的分析。它们确定了如何识别和提取电磁流量状态的特征，可以包括应用的统计方法、机器学习模型或其他数据分析技术。
第一全局电磁流量监控注释是基于历史流量数据添加的标记或元数据，提供了关于流量状态和注液任务性能的全面信息。“全局”指的是这些注释可以考虑了多种不同情况下的数据，并且适用于整个系统的评估。
过往电磁流量测试数据示例是以前记录的真实流量数据点，反映了历史上的流体流动条件和注液任务的结果。
第二全局电磁流量监控注释第一注释相似，这也是基于流量数据的注释，但它是针对扩增数据集的。扩增数据集可以包括经过处理以模仿未来可能场景的数据。
扩增电磁流量测试数据示例是通过数据扩增技术生成的模拟流量数据，用于预测未来的流量状况和注液任务的表现。
扩增注液任务预测观点可以理解为根据扩增数据集生成的预测标签，代表了系统基于历史和模拟数据对未来注液任务表现的预测。
过往注液任务先验观点是基于真实历史数据的真实标签，代表了过去注液任务的实际表现和结果。
交互指的是预测观点和先验观点之间的比较分析，以此来评估预测的准确性并改进模型。
过往注液任务预测观点是根据历史数据对过去注液任务表现的预测标签，可以通过回顾分析得到的。
扩增注液任务先验观点是对扩增数据集中注液任务表现的真实标签，尽管数据是模拟的，这些标签表示了所期望或认为是正确的任务表现。
S120中的“流量状态挖掘指示”是利用过往的真实数据和扩增的模拟数据，结合它们的预测标签和真实标签，通过交互分析生成的。这些指示将被用来分析目标电磁流量测试数据，帮助更好地理解当前流量状态，并为后续的数据处理和自动化注液任务判别提供支持。
在这个阶段，目的是通过分析已收集的目标电磁流量测试数据来获得流量状态的进一步洞察。为了实现这一点，需要从历史数据和扩增数据中提取信息并生成指示。
依然在饮料公司的背景下的进一步名词解释说明如下。
过往电磁流量测试数据示例是之前收集的流量测试数据，包括了各种不同情况下（如不同类型的饮料、不同的生产批次、不同的环境条件）的注液过程的流量读数。这些数据被存储在工厂的数据库中，可以用来理解正常操作条件下的流量行为。
第一全局电磁流量监控注释：基于过往电磁流量测试数据，分析系统可以创建一个全局视图，标注出数据中的关键模式、异常值或者其他重要特征。这些注释可以由算法自动生成的，也可以由经验丰富的工程师根据对系统性能的了解手动添加的。
扩增电磁流量测试数据示例：为了预测未来的流量行为或模拟假想的操作条件，分析系统可以使用技术如机器学习或数据合成来创建额外的电磁流量测试数据。这些数据可以帮助预测将来可能发生的情况，例如新的饮料类型或更快的生产速度对流量的影响。
第二全局电磁流量监控注释：类似于处理过往数据，扩增数据同样需要注释。这些注释反映了数据分析软件或工程师对这些扩增数据的理解，比如它们与已知操作条件的相似性和潜在的趋势变化。
流量状态挖掘指示：最终，结合第一和第二全局电磁流量监控注释，分析系统会生成指令或参数，这些将用于指导如何对目标电磁流量测试数据进行深入分析。例如，如果历史数据显示在某个时间段内流量通常会增加，那么流量状态挖掘指示可能包含检查该时间段的当前数据是否符合这一模式的参数。
通过上述过程，S120为接下来的流量状态描述挖掘（S130）奠定了基础。流量状态挖掘指示帮助确定了应该关注哪些数据特征、如何解释这些特征，以及需要采取哪些可能的措施来调整注液任务，以确保产品质量和生产效率。
S130：依据所述流量状态挖掘指示，对所述目标电磁流量测试数据进行电磁流量状态描述挖掘，得到所述目标电磁流量测试数据的电磁流量状态描述变量。
在S130中，电磁流量状态描述挖掘是一个数据分析过程，其中利用先进的算法来分析目标电磁流量测试数据，并从中提取有关流体流动状态的信息。这个过程会涉及到数据挖掘技术和模式识别方法，其目的是找出流量数据中的关键特征和规律性。
电磁流量状态描述变量是通过电磁流量状态描述挖掘过程得到的具体量化指标或变量。它们能够表征电磁流量计收集的数据背后的物理状态，比如流速、流量、流动稳定性等。电磁流量状态描述变量是对流量情况的一种数学表达，可以用于进一步分析或作为机器学习模型的输入特征。
在S130中，系统使用从S120获得的流量状态挖掘指示来处理S110中收集的目标电磁流量测试数据。流量状态挖掘指示可以包括应用特定的统计方法、机器学习算法或其他分析工具，旨在深入了解当前流量状态，并将这些信息转换为可用于后续处理步骤的格式。
例如，在一个自动化注液系统中，电磁流量状态描述挖掘可能会发现某些周期性的波动模式，这些模式与生产线上特定环节的操作有关。系统会将这些发现转化为电磁流量状态描述变量，如波动频率、幅度等，这样的信息对于诊断问题和优化流程非常有价值。
可见，S130中的电磁流量状态描述挖掘是一个分析过程，它从目标电磁流量测试数据中提取关键信息，并生成电磁流量状态描述变量，这些变量是流量状况的精确数学表述，用于进一步的流量分析和控制决策。
在S130这个阶段，目标是分析目标电磁流量测试数据，以便提取出反映流量状态的特征向量。特征向量通常包含了多个特征值，每个值都描述了流量状态的一个方面。
假设正在监控一条自动化灌装线，该生产线使用电磁流量计测量进入瓶子的饮料流量。示例性的，可以考虑以下几个流量状态特征来构建的特征向量：
平均流速（L/min）：在一个特定时间窗口内饮料流过流量计的平均流速；
峰值流速（L/min）：测量周期内记录的最大流速；
流速稳定性（L/min^2）：流速随时间变化的波动程度，可以用流速的方差或标准差表示；
总流量（L）：在测量周期内通过流量计的总流体体积；
加速度（L/min^2）：流速改变的快慢，可以理解为流速的时间导数。
基于此，设想在某个测量周期内，电磁流量计收集到如下数据：
平均流速：2L/min；
峰值流速：3L/min；
流速稳定性：0.1L/min^2（表示流速较为稳定）；
总流量：120L；
加速度：0.05L/min^2（表示流速的增加和减少相对平缓）。
基于这些数据，可以构建一个电磁流量状态特征向量如下：
[\text{特征向量}=[2，3，0.1，120，0.05]]。
这个特征向量将会被进一步用于模式识别、异常检测或预测模型中，以帮助评估当前的流量状态是否正常，或者是否需要对生产过程进行调整。
在实际操作中，可能还会有更多复杂的特征被计算并加入到特征向量中，比如时频域特征、统计学特征等，以便更全面地描述流量状态。这个向量也可能会被用来与之前从S120得到的流量状态挖掘指示相结合，进而执行更精确的流量状态分析和后续的处理步骤。
S140：依据所述电磁流量状态描述变量进行注液任务判别，得到所述目标电磁流量测试数据的过往注液任务判别结果和扩增注液任务判别结果。
在S140中，注液任务判别是一个评估过程，其中使用从S130获得的电磁流量状态描述变量来评价注液任务是否按预期执行。这个判别过程可以包括比较当前的流量数据与既定的质量标准、历史性能数据或模型预测。
过往注液任务判别结果是基于历史数据的判别结果，它说明了目标电磁流量测试数据与过去实际发生的注液任务性能相比如何。如果当前的数据显示出与历史数据类似的特征，那么系统可能会判定注液任务正在正常运行；如果存在显著差异，则可能表示需要调整或干预。
扩增注液任务判别结果是基于扩增（模拟）数据的判别结果，用于评估目标电磁流量测试数据与预测未来情况下的注液任务性能相比如何。通过分析这些数据，系统可以提前识别潜在的问题，并采取措施来优化注液过程以应对未来可能出现的变化。
例如，假设工厂最近引入了一种新型号的瓶子，该瓶子具有不同的形状和容量。在S140中，系统将使用电磁流量状态描述变量来分析这些新瓶子的填充过程，并将其与历史数据（过往注液任务判别结果）和预测模型（扩增注液任务判别结果）进行比较。这样的分析可以帮助确定是否需要调整注液参数或修改生产线的设置以适应新瓶子的要求。
可见，S140步骤中的注液任务判别是一个关键的评估过程，它结合了电磁流量状态描述变量、历史数据和预测模型来确保注液任务的质量和效率。过往注液任务判别结果和扩增注液任务判别结果为操作者或自动化系统提供了必要的信息来优化注液过程。
S150：基于所述过往注液任务判别结果和所述扩增注液任务判别结果控制目标机器人进行自动化注液处理。
在S150中的目标机器人是指在自动化注液系统中负责实际执行注液任务的机器设备。目标机器人通常是一种工业机器人或自动化设备，它配备有适当的机械装置，如泵、阀门和流量计，用以控制液体（例如饮料、药品、化学品等）的精确灌装。这些机器人可以被编程以执行复杂的动作序列，并能够适应不同形状和大小的容器。在此自动化注液系统中，目标机器人与电磁流量计紧密集成。电磁流量计提供实时数据，用于监测和调节流经管道的液体流量。目标机器人受到一个中央控制系统或局部控制单元的指挥。这个系统接收来自电磁流量计的测试数据，并基于分析结果发出指令，比如调整灌装速度、启动或停止流量等。
在完成S140后，目标机器人需要根据过往注液任务判别结果和扩增注液任务判别结果来调整其操作。例如，如果判别结果表明当前流量状态可能导致注液不足或过量，机器人将调整其灌装参数以确保每个容器都接收到正确的液体量。
在S150中，目标机器人利用判别结果进行实际的物理操作，这可能包括启动或停止注液、改变灌装速度、或者在检测到异常情况时采取纠正措施。机器人的动作由先进的软件算法控制，以确保高效率和准确性。
在S150中，目标机器人是自动化注液系统中执行实际操作的关键组件。它使用从前面步骤中获得的数据驱动判别结果来优化注液任务，从而保证产品质量、提高生产效率，并最小化浪费。通过智能化的控制系统，目标机器人能够响应复杂的数据输入并自动执行精确的操作。
可见，应用S110-S150，本发明实施例通过依据目标电磁流量测试数据的流量状态挖掘指示进行电磁流量状态描述挖掘得到目标电磁流量测试数据的电磁流量状态描述变量，并依据目标电磁流量测试数据的电磁流量状态描述变量进行任务判别得到目标电磁流量测试数据的过往注液任务判别结果和扩增注液任务判别结果，最后基于过往注液任务判别结果和扩增注液任务判别结果控制目标机器人进行自动化注液处理。
考虑到该流量状态挖掘指示依据携带了第一全局电磁流量监控注释的过往电磁流量测试数据示例、携带了第二全局电磁流量监控注释的扩增电磁流量测试数据示例中的最少一种进行处理所得，这样可以从电磁流量测试数据层面出发，精准全面地判别得到过往注液任务序列与扩增注液任务序列中所对应的不同注液任务。
进一步地，鉴于将识别出的扩增注液任务预测观点作为过往电磁流量测试数据示例的扩增注液任务事项先验知识、将识别出的过往注液任务预测观点作为扩增电磁流量测试数据示例的过往注液任务事项先验知识，这样无需重新进行先验知识配置，从而提高整体方案的时效性。
再者，鉴于第一全局电磁流量监控注释是依据过往电磁流量测试数据示例的扩增注液任务预测观点与过往电磁流量测试数据示例的过往注液任务先验观点交互所得，从而使得过往电磁流量测试数据示例中的扩增注液任务事项的先验知识具有稳定性，提高了神经网络调试的抗干扰性；就算在小样本情况下调试得到流量状态挖掘指示，依据该流量状态挖掘指示挖掘得到的目标电磁流量测试数据的电磁流量状态描述变量进行任务判别，同样能够精准全面地判别出过往注液任务序列和扩增注液任务序列中不同注液任务。
最后，在准确全面地判别出目标电磁流量测试数据的过往注液任务判别结果和扩增注液任务判别结果之后，可以通过过往注液任务判别结果和扩增注液任务判别结果对目标机器人进行控制，从而灵活、自适应地实现自动化注液处理。
在一些可选的实施例中，所述流量状态挖掘指示的确定步骤包括S210-S250。
S210：获取过往电磁流量测试数据示例和所述过往电磁流量测试数据示例的过往注液任务先验观点。
S220：依据完成调试的扩增注液任务识别分支对所述过往电磁流量测试数据示例进行识别，得到所述过往电磁流量测试数据示例的扩增注液任务预测观点。
S230：将所述过往注液任务先验观点和所述扩增注液任务预测观点进行合并，得到所述过往电磁流量测试数据示例的第一全局电磁流量监控注释。
S240：依据所述第一全局电磁流量监控注释和所述过往电磁流量测试数据示例，对待调试注液任务识别网络进行调试，得到用于识别扩增注液任务事项和过往注液任务事项的第一注液任务识别网络。
S250：根据所述第一注液任务识别网络的状态描述挖掘子网的神经网络配置权重，确定所述流量状态挖掘指示。
以一家饮料生产公司希望提高其自动化注液系统的效率和质量为例对S210-S250进行举例介绍，从而以更好地理解和优化电磁流量监控。
首先，在S210中，收集了历史上使用的电磁流量计所记录的流量测试数据及相应的注液任务实际结果（即先验观点）。接着，在S220中，使用已经调试完成的扩增注液任务识别分支来分析这些历史数据，生成预测性的标签或评价（即预测观点），从而估计未来在类似条件下可能的注液表现。随后，在S230中，将先验观点和预测观点合并，生成全面反映过往流量和注液表现的第一全局电磁流量监控注释。在S240中，利用这些注释对注液任务识别网络进行调试，得到能够同时识别新的注液任务事项和历史注液任务事项的精确模型，这个模型可视为第一注液任务识别网络。最后，在S250中，根据调试后的第一注液任务识别网络中状态描述挖掘子网的神经网络配置权重来确定流量状态挖掘指示。这些指示是用于指导如何处理和分析实时流量测试数据的算法参数或规则。
整体上，通过这一系列的步骤，可以获得一个综合考虑历史经验和预测洞见的强大工具。它不仅能够帮助监控当前的流量情况，还能够提前预测并适应即将发生的变化。这种方法允许以更高的精度进行注液任务，减少浪费，提高生产效率，并保证产品质量的一致性。总的来说，这一技术方案的实施能够带来显著的生产效率提升和成本节约，同时提高了对未来生产问题的预测能力。
在本发明实施例中，深度卷积网络可以被设计来识别和分类电磁流量测试数据中的各种模式和异常，以确保注液过程的质量和一致性。也即，注液任务识别网络可以是深度卷积网络，以下是关于深度卷积网络的介绍。
数据预处理：在将电磁流量测试数据输入到卷积网络之前，通常需要进行一些预处理步骤。这可以包括归一化、去噪、数据增强等，以提高模型的鲁棒性和性能。
卷积层：卷积层是CNN的核心组件，它通过滤波器（或称为卷积核）在输入数据上执行卷积操作，提取局部特征。在注液任务识别网络中，卷积层可以用来检测流量数据中的局部模式，如周期性波动、突变点等。
激活函数：激活函数引入非线性，使得网络能够捕捉复杂的关系和模式。ReLU（Rectified Linear Unit）是激活函数之一。
池化层：池化层（Pooling Layer）用于降低数据的空间维度，同时保留重要信息。在时间序列分析中，池化可以帮助网络抽象出更稳定的流量状态特征，并减少计算量。
全连接层：在多个卷积和池化层后，网络通常包含一个或多个全连接层（FullyConnected Layers），它们可以整合局部特征并进行高层次的推理。
输出层：最后的输出层负责产生网络的最终预测。在注液任务识别中，输出层可能会输出一个分类结果，指示当前流量状态属于正常注液、注液不足、注液过量等。
训练和优化：训练卷积网络涉及使用大量标记好的训练数据来调整网络参数。优化算法如随机梯度下降（SGD）和其变体（比如Adam）被用于最小化损失函数，即网络预测与真实标签之间的差异。
评估和验证：在训练期间，网络的性能需要在一个单独的验证集上进行评估，以监控过拟合情况并调整超参数。最终，网络应该在一个测试集上进行最终评估，以确定其对未知数据的泛化能力。
在自动化注液的应用场景下，注液任务识别网络可以实时分析来自电磁流量计的数据流，并识别是否存在任何偏离正常流量模式的情况。如果检测到异常，可以触发警报，调整注液速度或者其他相关参数，甚至停止注液过程以进行检查或维护。
注液任务识别网络作为深度卷积网络的一个实例，可以高效地处理和分析复杂的电磁流量测试数据，为自动化注液系统提供智能的决策支持，确保产品质量并提高生产效率。
在另一些可能的设计思路下，所述完成调试的扩增注液任务识别分支通过如下S310-S320调试得到。
S310：获取扩增电磁流量测试数据示例和所述扩增电磁流量测试数据示例的扩增注液任务先验观点。
S320：依据携带了所述扩增注液任务先验观点的所述扩增电磁流量测试数据示例，对基础的扩增注液任务识别分支进行调试，得到所述完成调试的扩增注液任务识别分支。
在一个示例性饮料生产场景中，考虑正在寻找提高其注液系统准确性和适应性的方法。也即，对扩增注液任务识别分支进行调试以改善系统性能。
首先在S310中收集模拟的电磁流量测试数据，这些数据代表了可能出现的各种未来情境，例如新型容器的使用或原材料流动特性的变化。这些数据与相应的扩增注液任务先验观点一起，为即将进行的调试工作提供了基础。这些先验观点可能来源于专家经验、理论计算或以往类似情形下的实际结果。
接下来，在S320中，使用这些带有扩增注液任务先验观点的数据示例来调整和优化基础的扩增注液任务识别分支。这个调试过程可能涉及到机器学习模型的训练，通过这个训练过程，模型可以学习如何根据输入的流量数据示例准确预测注液效果。
如此设计，能够更好地适应新情况，并且减少了对于不断变化的生产条件的手动调节需求。通过在调试阶段引入广泛的模拟数据和先验知识，创建了一个能够更加智能和自适应的识别分支，这不仅提高了注液任务的精确度，还增强了系统面对新挑战时的鲁棒性。
在又一种示例性方案中，所述流量状态挖掘指示的确定步骤包括S410-S450。
S410：获取扩增电磁流量测试数据示例和所述扩增电磁流量测试数据示例的扩增注液任务先验观点。
S420：依据完成调试的过往注液任务识别分支对所述扩增电磁流量测试数据示例进行识别，得到所述扩增电磁流量测试数据示例的过往注液任务预测观点。
S430：将所述扩增注液任务先验观点和所述过往注液任务预测观点进行合并，得到所述扩增电磁流量测试数据示例的第二全局电磁流量监控注释。
S440：依据所述第二全局电磁流量监控注释和所述扩增电磁流量测试数据示例，对待调试注液任务识别网络进行调试，得到用于识别扩增注液任务事项和过往注液任务事项的第二注液任务识别网络。
S450：根据所述第二注液任务识别网络的状态描述挖掘子网的神经网络配置权重，确定所述流量状态挖掘指示。
在上述示例性方案中，流量状态挖掘指示的确定是为了提升自动化注液系统的预测能力和适应性。通过S410至S450给出了一个结合历史数据和模拟数据来优化流量监控和注液任务识别的过程。
S410开始于收集模拟（扩增）的电磁流量测试数据和相对应的预设评价或期望结果（先验观点）。这些数据可以通过改变注液条件或参数生成的，用以模拟不同的生产场景或潜在问题。随后，在S420中，利用已经调试完成的过往注液任务识别分支来处理这些扩增数据，生成基于历史表现的预测性标签（预测观点）。接下来，S430将这两种观点融合，形成全面的第二全局电磁流量监控注释，它整合了实际经验和预测洞察。基于这些注释，在S440中，待调试的注液任务识别网络被精细调整，从而形成第二注液任务识别网络，它能够同时处理新的和既有的注液任务。最后，在S450中，根据调试后的第二注液任务识别网络中状态描述挖掘子网的神经网络配置权重来定制流量状态挖掘指示。这些指示将作为决策依据，用于指导如何分析和处理即时的流量测试数据。
整体上，这一系列步骤为自动化注液系统提供了更加强健的决策支持。结合扩增的数据模型，系统不仅能够基于过去的经验做出反应，还能够适应未来可能遇到的各种情况。这意味着生产线可以更快地调整以适应新的容器类型、配方变化或其他生产参数的变化，从而减少停机时间、提高产品质量，并确保整个注液过程的稳定性和可靠性。此外，通过精确调试识别网络，生产系统可以实现更高效的操作，进而节省资源，减少浪费，并提高整体生产效率。
进一步地，所述完成调试的过往注液任务识别分支通过如下S510-S520调试得到。
S510：获取过往电磁流量测试数据示例和所述过往电磁流量测试数据示例的过往注液任务先验观点。
S520：依据携带了所述过往注液任务先验观点的所述过往电磁流量测试数据示例，对基础的过往注液任务识别分支进行调试，得到完成调试的过往注液任务识别分支。
在一个自动化注液系统的示例中，假设一家化工厂希望提高其注液过程的准确性和效率。为了实现这个目标，采取了上述方法来调试其过往注液任务识别分支。
首先，通过S510，收集了历史上的电磁流量测试数据，这些数据记录了在过去的生产过程中所观测到的流量情况。与此同时，也搜集了对应的过往注液任务先验观点，这些观点可能是基于以往的生产经验、专家知识或者先前遇到的特定问题而形成的期望或假设。
然后，在S520中，使用这些带有过往注液任务先验观点的历史数据来调整基础的过往注液任务识别分支。调试可能包括重新训练机器学习模型、调整参数或采用新算法，使得识别分支能够更加准确地根据电磁流量测试数据预测注液任务的结果。
通过这种方法的应用，自动化注液系统变得更加智能，能够准确回顾并学习从历史数据中获得的教训。这样的系统不仅可以提升注液任务的精度，还能够辨识出潜在的问题并防止它们在未来重复发生。调试完成的过往注液任务识别分支使系统具备了更好的预测能力，这将导致更少的产品缺陷、更高的生产效率和更低的运营成本。
在一些示例中，所述扩增注液任务预测观点的获取步骤包括S610-S630。
S610：依据完成调试的扩增注液任务识别分支中每个识别分支对所述过往电磁流量测试数据示例进行识别，得到所述过往电磁流量测试数据示例的任务识别信息序列，其中，所述任务识别信息序列包括所述过往电磁流量测试数据示例的第一任务文本掩码序列，所述第一任务文本掩码序列为每个识别分支对所述过往电磁流量测试数据示例预测得到的任务文本掩码的序列。
S620：依据事先设定的第一掩码关联度门限值，对所述过往电磁流量测试数据示例的第一任务文本掩码序列进行冗余消除，得到所述过往电磁流量测试数据示例的当前任务文本掩码。
S630：依据所述过往电磁流量测试数据示例的当前任务文本掩码确定所述扩增注液任务预测观点。
扩增注液任务预测观点的获取是注液自动化系统智能化升级的关键环节。S610到S630描述了一个通过深入分析历史流量数据并去除信息冗余来提炼出准确预测的过程。
首先，在S610中，已经调试完成的扩增注液任务识别分支被用来处理历史电磁流量测试数据。这些识别分支分别对数据进行分析，并生成一系列的任务文本掩码，这些掩码基于每个分支对数据的理解和预测。这一序列可以看作是多个专家意见的集合，每个掩码代表一个特定方面的识别结果。
接下来，在S620中，为了优化信息的利用率并消除冗余，设置了一个掩码关联度门限值。只有当识别信息之间的关联度超过这个门限值时，相应的信息才会被保留。这一步有效地简化了信息序列，只留下最具代表性和重要性的识别结果。
最后，在S630中，利用经过筛选的当前任务文本掩码来确定扩增注液任务的预测观点。这个预测观点综合了各个识别分支的分析结果，并排除了不必要的重复信息，使得最终的预测更加精准和可靠。
整体上，这一系列步骤使注液自动化系统能够更加智能和精细地处理复杂的生产情境。通过综合不同识别分支的预测并剔除冗余信息，系统可以得到更为清晰和准确的指导，从而提高注液任务的效果。这种方法不仅提升了生产效率和产品质量，还有助于减少错误和浪费，进一步降低了成本。此外，由于系统对数据的深入理解和分析，它还能够适应新的生产变化。
在一些示例中，所述任务识别信息序列还包括所述第一任务文本掩码序列中每个任务文本掩码的识别置信度。基于此，S620中的对所述过往电磁流量测试数据示例的第一任务文本掩码序列进行冗余消除，得到所述过往电磁流量测试数据示例的当前任务文本掩码，包括S621-S623。
S621：对所述过往电磁流量测试数据示例的第一任务文本掩码序列进行冗余消除，得到所述过往电磁流量测试数据示例的第一已去重任务文本掩码。
S622：从所述第一任务文本掩码序列中，获取所述过往电磁流量测试数据示例的各候选任务文本掩码，得到第二任务文本掩码序列，其中，所述第二任务文本掩码序列为所述候选任务文本掩码的序列，所述候选任务文本掩码为与所述第一已去重任务文本掩码之间掩码关联度大于第二掩码关联度门限值的任务文本掩码。
S623：依据所述第二任务文本掩码序列中各任务文本掩码的识别置信度，对所述第一已去重任务文本掩码进行调整，得到所述过往电磁流量测试数据示例的当前任务文本掩码。
在提及的示例中，一个具体的应用场景比如智能制造工厂的生产线上部署了一套复杂的自动化电磁流量监控系统。这个系统负责收集注液过程中的数据，并且通过一系列复杂的算法分析流量状态，以确保每一步操作都符合预定标准。现在，该系统引入了任务识别信息序列的概念，其中包括第一任务文本掩码序列和每个任务文本掩码的识别置信度。在S620中，系统通过一连串的子步骤（S621至S623）对过往电磁流量测试数据的任务文本掩码序列进行优化，消除冗余，从而得到更为精确和高效的当前任务文本掩码。
首先，在S621中，系统对历史数据的任务文本掩码序列进行处理，移除重复或不必要的信息，生成已去重的任务文本掩码。接着，在S622中，系统挑选出与已去重任务文本掩码关联度较高的候选任务文本掩码，形成第二任务文本掩码序列。最后，在S623中，系统根据这些候选任务文本掩码的识别置信度对已去重的任务文本掩码进行进一步的调整，以确定当前的任务文本掩码。
如此设计，可以使得电磁流量监控系统能够以更高的精度和可靠性执行注液任务。通过精细的信息处理，系统消除了数据冗余，减少了噪音，并提升了对真实情况的反映能力。确保注液过程更加稳定和可控，减少生产偏差和错误，增强整个生产流程的效率和产品质量。
此外，在另外一些可能的实施例中，S150所描述的基于所述过往注液任务判别结果和所述扩增注液任务判别结果控制目标机器人进行自动化注液处理，包括S151-S156。
S151：获取拟进行调整的自动化注液产线控制文本。
S152：对所述自动化注液产线控制文本中的多个机器人注液事件分别进行过往注液任务匹配和扩增注液任务匹配，得到过往注液任务匹配结果集和扩增注液任务匹配结果集。
S153：通过第一设定更新策略，对所述过往注液任务匹配结果集进行第一更新处理，得到包括有过往注液任务控制事件的第一自动化注液产线控制日志。
S154：通过第二设定更新策略，对所述扩增注液任务匹配结果集进行第二更新处理，得到包括有扩增注液任务控制事件的第二自动化注液产线控制日志。
S155：基于所述第一自动化注液产线控制日志和所述第二自动化注液产线控制日志进行整合，得到所述自动化注液产线控制文本中与目标控制项目相匹配的自动化注液产线控制报告；所述目标控制项目包括过往注液任务控制事件和扩增注液任务控制事件中的至少一种。
S156：基于所述自动化注液产线控制报告对所述自动化注液产线控制文本进行控制方案调整。
在一个自动化注液系统的改进方案中，针对目标机器人的注液处理流程进行了细化和优化。这个过程涉及从获取现行控制文本到根据历史和预测数据调整控制策略的一系列步骤。
首先，通过S151，获取了当前用于指导自动化注液产线上多个机器人操作的控制文本。这份文本详细规定了机器人的注液事件，即具体的操作参数和程序。
接下来，在S152中，对控制文本中描述的每个机器人注液事件进行分析，匹配它们与已知的过往注液任务和预设的扩增注液任务之间的关联，分别生成两个结果集：过往注液任务匹配结果集和扩增注液任务匹配结果集。
随后，通过两个不同的更新策略，分别在S153和S154中对这两个结果集进行处理。第一更新策略致力于整合过往的经验，而第二更新策略则融入对未来可能情况的预测。这两种策略分别产生包含相关控制事件的第一和第二自动化注液产线控制日志。
在S155中，这两份控制日志被整合成一份控制报告，其中包括了与目标控制项目相匹配的信息，为机器人操作提供了全面的指南。最后，在S156中，基于这份综合控制报告，对自动化注液产线控制文本进行了精确的调整，以确保更高效和准确的注液操作。
如此设计，使得自动化注液系统能够结合历史成功案例和未来潜在变化的洞见，形成一套更加灵活和智能的控制策略。这样的系统升级不仅能提高生产效率和产品质量，还能降低出错率和原料浪费。
在上述基础上，请结合参阅图2，为本发明实施例所提供的一种电磁流量测试分析系统100的模块框图，该电磁流量测试分析系统100可以包括：
数据获取模块101，用于获取目标电磁流量测试数据；其中，所述目标电磁流量测试数据是对目标自动化注液系统进行电磁流量测试后所得到的，所述目标自动化注液系统的电磁流量测试基于事先设定的电磁流量计实现；
指示获取模块102，用于获取所述目标电磁流量测试数据的流量状态挖掘指示，其中，所述流量状态挖掘指示依据携带了第一全局电磁流量监控注释的过往电磁流量测试数据示例、携带了第二全局电磁流量监控注释的扩增电磁流量测试数据示例中的最少一种进行处理所得，所述第一全局电磁流量监控注释依据过往电磁流量测试数据示例的扩增注液任务预测观点与所述过往电磁流量测试数据示例的过往注液任务先验观点交互所得，所述第二全局电磁流量监控注释依据扩增电磁流量测试数据示例的过往注液任务预测观点与所述扩增电磁流量测试数据示例的扩增注液任务先验观点交互所得；
状态挖掘模块103，用于依据所述流量状态挖掘指示，对所述目标电磁流量测试数据进行电磁流量状态描述挖掘，得到所述目标电磁流量测试数据的电磁流量状态描述变量；
任务判别模块104，用于依据所述电磁流量状态描述变量进行注液任务判别，得到所述目标电磁流量测试数据的过往注液任务判别结果和扩增注液任务判别结果；
注液控制模块105，用于基于所述过往注液任务判别结果和所述扩增注液任务判别结果控制目标机器人进行自动化注液处理。
关于上述功能模块的介绍可以参阅前述对应的方法介绍。
请结合参阅图3，本发明实施例还提供了一种电磁流量测试分析系统100，包括处理器111，以及与处理器111连接的存储器112和总线113。其中，处理器111和存储器112通过总线113完成相互间的通信。处理器111用于调用存储器112中的程序指令，以执行上述的应用于机器人的电磁流量测试方法。
综上，本发明实施例通过依据目标电磁流量测试数据的流量状态挖掘指示进行电磁流量状态描述挖掘得到目标电磁流量测试数据的电磁流量状态描述变量，并依据目标电磁流量测试数据的电磁流量状态描述变量进行任务判别得到目标电磁流量测试数据的过往注液任务判别结果和扩增注液任务判别结果，最后基于过往注液任务判别结果和扩增注液任务判别结果控制目标机器人进行自动化注液处理。
考虑到该流量状态挖掘指示依据携带了第一全局电磁流量监控注释的过往电磁流量测试数据示例、携带了第二全局电磁流量监控注释的扩增电磁流量测试数据示例中的最少一种进行处理所得，这样可以从电磁流量测试数据层面出发，精准全面地判别得到过往注液任务序列与扩增注液任务序列中所对应的不同注液任务。
进一步地，鉴于将识别出的扩增注液任务预测观点作为过往电磁流量测试数据示例的扩增注液任务事项先验知识、将识别出的过往注液任务预测观点作为扩增电磁流量测试数据示例的过往注液任务事项先验知识，这样无需重新进行先验知识配置，从而提高整体方案的时效性。
再者，鉴于第一全局电磁流量监控注释是依据过往电磁流量测试数据示例的扩增注液任务预测观点与过往电磁流量测试数据示例的过往注液任务先验观点交互所得，从而使得过往电磁流量测试数据示例中的扩增注液任务事项的先验知识具有稳定性，提高了神经网络调试的抗干扰性；就算在小样本情况下调试得到流量状态挖掘指示，依据该流量状态挖掘指示挖掘得到的目标电磁流量测试数据的电磁流量状态描述变量进行任务判别，同样能够精准全面地判别出过往注液任务序列和扩增注液任务序列中不同注液任务。
最后，在准确全面地判别出目标电磁流量测试数据的过往注液任务判别结果和扩增注液任务判别结果之后，可以通过过往注液任务判别结果和扩增注液任务判别结果对目标机器人进行控制，从而灵活、自适应地实现自动化注液处理。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者云服务器不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者云服务器所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者云服务器中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（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。
以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种应用于机器人的电磁流量测试方法，其特征在于，应用于电磁流量测试分析系统，所述方法包括：
获取目标电磁流量测试数据；其中，所述目标电磁流量测试数据是对目标自动化注液系统进行电磁流量测试后所得到的，所述目标自动化注液系统的电磁流量测试基于事先设定的电磁流量计实现；
获取所述目标电磁流量测试数据的流量状态挖掘指示，其中，所述流量状态挖掘指示依据携带了第一全局电磁流量监控注释的过往电磁流量测试数据示例、携带了第二全局电磁流量监控注释的扩增电磁流量测试数据示例中的最少一种进行处理所得，所述第一全局电磁流量监控注释依据过往电磁流量测试数据示例的扩增注液任务预测观点与所述过往电磁流量测试数据示例的过往注液任务先验观点交互所得，所述第二全局电磁流量监控注释依据扩增电磁流量测试数据示例的过往注液任务预测观点与所述扩增电磁流量测试数据示例的扩增注液任务先验观点交互所得；
依据所述流量状态挖掘指示，对所述目标电磁流量测试数据进行电磁流量状态描述挖掘，得到所述目标电磁流量测试数据的电磁流量状态描述变量；
依据所述电磁流量状态描述变量进行注液任务判别，得到所述目标电磁流量测试数据的过往注液任务判别结果和扩增注液任务判别结果；
基于所述过往注液任务判别结果和所述扩增注液任务判别结果控制目标机器人进行自动化注液处理。
2.如权利要求1所述的应用于机器人的电磁流量测试方法，其特征在于，所述流量状态挖掘指示的确定步骤包括：
获取过往电磁流量测试数据示例和所述过往电磁流量测试数据示例的过往注液任务先验观点；
依据完成调试的扩增注液任务识别分支对所述过往电磁流量测试数据示例进行识别，得到所述过往电磁流量测试数据示例的扩增注液任务预测观点；
将所述过往注液任务先验观点和所述扩增注液任务预测观点进行合并，得到所述过往电磁流量测试数据示例的第一全局电磁流量监控注释；
依据所述第一全局电磁流量监控注释和所述过往电磁流量测试数据示例，对待调试注液任务识别网络进行调试，得到用于识别扩增注液任务事项和过往注液任务事项的第一注液任务识别网络；
根据所述第一注液任务识别网络的状态描述挖掘子网的神经网络配置权重，确定所述流量状态挖掘指示。
3.如权利要求2所述的应用于机器人的电磁流量测试方法，其特征在于，所述完成调试的扩增注液任务识别分支通过如下步骤调试得到：
获取扩增电磁流量测试数据示例和所述扩增电磁流量测试数据示例的扩增注液任务先验观点；
依据携带了所述扩增注液任务先验观点的所述扩增电磁流量测试数据示例，对基础的扩增注液任务识别分支进行调试，得到所述完成调试的扩增注液任务识别分支。
4.如权利要求1所述的应用于机器人的电磁流量测试方法，其特征在于，所述流量状态挖掘指示的确定步骤包括：
获取扩增电磁流量测试数据示例和所述扩增电磁流量测试数据示例的扩增注液任务先验观点；
依据完成调试的过往注液任务识别分支对所述扩增电磁流量测试数据示例进行识别，得到所述扩增电磁流量测试数据示例的过往注液任务预测观点；
将所述扩增注液任务先验观点和所述过往注液任务预测观点进行合并，得到所述扩增电磁流量测试数据示例的第二全局电磁流量监控注释；
依据所述第二全局电磁流量监控注释和所述扩增电磁流量测试数据示例，对待调试注液任务识别网络进行调试，得到用于识别扩增注液任务事项和过往注液任务事项的第二注液任务识别网络；
根据所述第二注液任务识别网络的状态描述挖掘子网的神经网络配置权重，确定所述流量状态挖掘指示。
5.如权利要求4所述的应用于机器人的电磁流量测试方法，其特征在于，所述完成调试的过往注液任务识别分支通过如下步骤调试得到：
获取过往电磁流量测试数据示例和所述过往电磁流量测试数据示例的过往注液任务先验观点；
依据携带了所述过往注液任务先验观点的所述过往电磁流量测试数据示例，对基础的过往注液任务识别分支进行调试，得到完成调试的过往注液任务识别分支。
6.如权利要求1所述的应用于机器人的电磁流量测试方法，其特征在于，所述扩增注液任务预测观点的获取步骤为：
依据完成调试的扩增注液任务识别分支中每个识别分支对所述过往电磁流量测试数据示例进行识别，得到所述过往电磁流量测试数据示例的任务识别信息序列，其中，所述任务识别信息序列包括所述过往电磁流量测试数据示例的第一任务文本掩码序列，所述第一任务文本掩码序列为每个识别分支对所述过往电磁流量测试数据示例预测得到的任务文本掩码的序列；
依据事先设定的第一掩码关联度门限值，对所述过往电磁流量测试数据示例的第一任务文本掩码序列进行冗余消除，得到所述过往电磁流量测试数据示例的当前任务文本掩码；
依据所述过往电磁流量测试数据示例的当前任务文本掩码确定所述扩增注液任务预测观点。
7.如权利要求6所述的应用于机器人的电磁流量测试方法，其特征在于，所述任务识别信息序列还包括所述第一任务文本掩码序列中每个任务文本掩码的识别置信度，所述对所述过往电磁流量测试数据示例的第一任务文本掩码序列进行冗余消除，得到所述过往电磁流量测试数据示例的当前任务文本掩码，包括：
对所述过往电磁流量测试数据示例的第一任务文本掩码序列进行冗余消除，得到所述过往电磁流量测试数据示例的第一已去重任务文本掩码；
从所述第一任务文本掩码序列中，获取所述过往电磁流量测试数据示例的各候选任务文本掩码，得到第二任务文本掩码序列，其中，所述第二任务文本掩码序列为所述候选任务文本掩码的序列，所述候选任务文本掩码为与所述第一已去重任务文本掩码之间掩码关联度大于第二掩码关联度门限值的任务文本掩码；
依据所述第二任务文本掩码序列中各任务文本掩码的识别置信度，对所述第一已去重任务文本掩码进行调整，得到所述过往电磁流量测试数据示例的当前任务文本掩码。
8.一种电磁流量测试分析系统，其特征在于，包括：
数据获取模块，用于获取目标电磁流量测试数据；其中，所述目标电磁流量测试数据是对目标自动化注液系统进行电磁流量测试后所得到的，所述目标自动化注液系统的电磁流量测试基于事先设定的电磁流量计实现；
指示获取模块，用于获取所述目标电磁流量测试数据的流量状态挖掘指示，其中，所述流量状态挖掘指示依据携带了第一全局电磁流量监控注释的过往电磁流量测试数据示例、携带了第二全局电磁流量监控注释的扩增电磁流量测试数据示例中的最少一种进行处理所得，所述第一全局电磁流量监控注释依据过往电磁流量测试数据示例的扩增注液任务预测观点与所述过往电磁流量测试数据示例的过往注液任务先验观点交互所得，所述第二全局电磁流量监控注释依据扩增电磁流量测试数据示例的过往注液任务预测观点与所述扩增电磁流量测试数据示例的扩增注液任务先验观点交互所得；
状态挖掘模块，用于依据所述流量状态挖掘指示，对所述目标电磁流量测试数据进行电磁流量状态描述挖掘，得到所述目标电磁流量测试数据的电磁流量状态描述变量；
任务判别模块，用于依据所述电磁流量状态描述变量进行注液任务判别，得到所述目标电磁流量测试数据的过往注液任务判别结果和扩增注液任务判别结果；
注液控制模块，用于基于所述过往注液任务判别结果和所述扩增注液任务判别结果控制目标机器人进行自动化注液处理。
9.一种电磁流量测试分析系统，其特征在于，包括处理器以及与所述处理器连接的存储器和总线；所述处理器和所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的计算机程序，以执行权利要求1-7任一项所述的应用于机器人的电磁流量测试方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现权利要求1-7任一项所述的应用于机器人的电磁流量测试方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311583079.0A CN117506912A (zh) | 2023-11-24 | 2023-11-24 | 一种应用于机器人的电磁流量测试方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311583079.0A CN117506912A (zh) | 2023-11-24 | 2023-11-24 | 一种应用于机器人的电磁流量测试方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117506912A true CN117506912A (zh) | 2024-02-06 |
Family
ID=89760527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311583079.0A Pending CN117506912A (zh) | 2023-11-24 | 2023-11-24 | 一种应用于机器人的电磁流量测试方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117506912A (zh) |
-
2023
- 2023-11-24 CN CN202311583079.0A patent/CN117506912A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101713985B1 (ko) | 예지 정비 방법 및 장치 | |
| CN109947088A (zh) | 基于模型全生命周期管理的设备故障预警系统 | |
| EP3186683B1 (en) | Intelligent programmable logic controller | |
| CN107949812A (zh) | 用于检测配水系统中的异常的组合方法 | |
| EP3002651B1 (en) | Monitoring means and monitoring method for monitoring at least one step of a process run on an industrial site | |
| WO2021151521A1 (en) | Maching learning using time series data | |
| KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
| CN117633722B (zh) | 基于智能检测机器人的检测控制方法及系统 | |
| CN113962299A (zh) | 一种核电设备智能运行监测与故障诊断通用模型 | |
| CN115307943A (zh) | 一种旋转机械设备多工况运行状态异常检测方法及系统 | |
| Toothman et al. | A digital twin framework for mechanical system health state estimation | |
| EP3627261B1 (en) | Diagnosis system and method using parallel analysis paths | |
| Lee et al. | Intelligent factory agents with predictive analytics for asset management | |
| CN117506912A (zh) | 一种应用于机器人的电磁流量测试方法及系统 | |
| CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
| Lesany et al. | Development of fitted line and fitted cosine curve for recognition and analysis of unnatural patterns in process control charts | |
| TWI794907B (zh) | 用於系統管理之故障預測與健康管理系統與相關方法 | |
| Han et al. | Fault subspace decomposition and reconstruction theory based online fault prognosis | |
| Marzi | Modular neural network architecture for precise condition monitoring | |
| Helgo | Deep Learning and Machine Learning Algorithms for Enhanced Aircraft Maintenance and Flight Data Analysis | |
| Karagiorgou et al. | On making factories smarter through actionable predictions based on time-series data | |
| Aliyu et al. | Classification of Pump Failure Using a Decision Tree Technique | |
| CN108960654A (zh) | 一种面向机器学习的装备部件健康管理方法及系统 | |
| US20230080873A1 (en) | An Industrial Process Model Generation System | |
| Habrich et al. | Qualitative assessment of machine learning techniques in the context of fault diagnostics |
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 |