CN117893244A - 一种基于机器学习的海藻水热炭化应用综合管控系统 - Google Patents
一种基于机器学习的海藻水热炭化应用综合管控系统 Download PDFInfo
- Publication number
- CN117893244A CN117893244A CN202410295249.3A CN202410295249A CN117893244A CN 117893244 A CN117893244 A CN 117893244A CN 202410295249 A CN202410295249 A CN 202410295249A CN 117893244 A CN117893244 A CN 117893244A
- Authority
- CN
- China
- Prior art keywords
- data
- instruction
- identifier
- production equipment
- process parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241001474374 Blennius Species 0.000 title claims abstract description 35
- 238000003763 carbonization Methods 0.000 title claims abstract description 35
- 238000010801 machine learning Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 81
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims description 100
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000013011 mating Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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)
Abstract
本发明涉及机器学习与海藻水热炭化交叉应用领域,具体涉及一种基于机器学习的海藻水热炭化应用综合管控系统。包括工艺参数采集模块、产品批次匹配模块、消耗计算模块、交易追踪模块和数据中心。工艺参数采集模块用于采集工艺参数数据。产品批次匹配模块用于将工艺参数数据与批次产品进行匹配。消耗计算模块用于统计批次产品的总成本数据。交易追踪模块用于收集批次产品的产品反馈数据,产品反馈数据包括交易去向及用户评价。数据中心具有机器学习模型,机器学习模型由工艺参数数据、总成本数据、和产品反馈数据训练得到。数据中心根据用户需求提供总成本最低的工艺参数数据。其能实现买卖双方精细的供求关系,并完成对产品的全周期监管。
Description
技术领域
本发明涉及机器学习与海藻水热炭化交叉应用领域,具体而言,涉及一种基于机器学习的海藻水热炭化应用综合管控系统。
背景技术
传统的海藻水热炭化领域,精力都集中在海藻水热炭化工艺本身的改进上,很多情况下与产品的实际使用者之间不存在信息交流,其研发、改进工作具有一定的局限性。
为了满足不同客户的使用需要,一般会提供不同规格的产品,但这都是采用的一刀切的分类标准,即是按照能够满足大部分客户的需求来进行规格划分的。
最后导致的结果就是:产品的实际使用体验往往与真实需求、预期需求之间存在一定的差距。这对于产品的精细化管理、进一步提高产品使用效果而言非常不利。
有鉴于此,特提出本申请。
发明内容
本发明的目的在于提供一种基于机器学习的海藻水热炭化应用综合管控系统,其能够促进买卖双方的信息交流,并且实现对自身产品的精细化监控和管理,有助于实现买卖双方优质、精细的供求关系;与此同时,可以完成对生产工艺的升级管理,实现收益最大化,减少生产资源浪费,并同时完成对产品的全周期监管,从生产到应用全链可溯源。
本发明的实施例是这样实现的:
一种基于机器学习的海藻水热炭化应用综合管控系统,其包括:工艺参数采集模块、产品批次匹配模块、消耗计算模块、交易追踪模块和数据中心。
工艺参数采集模块用于采集海藻水热炭化工艺流程中的工艺参数数据。
产品批次匹配模块用于将工艺参数数据与批次产品进行匹配。
消耗计算模块用于统计批次产品的总成本数据。
交易追踪模块用于收集批次产品的产品反馈数据,产品反馈数据包括交易去向、及用户评价。
数据中心具有机器学习模型,机器学习模型由工艺参数数据、总成本数据、和产品反馈数据训练得到。数据中心还用于根据用户需求通过机器学习模型提供总成本最低的工艺参数数据。
进一步的,基于机器学习的海藻水热炭化应用综合管控系统还包括指令下发模块。指令下发模块用于向生产设备发送工作指令,以使生产设备按指定的工艺参数运行。
海藻水热炭化工艺流程中的全部生产设备设置于同一工控网络中,且工作指令在各个生产设备之间的传输方式为按预设顺序依次传输。
一工作指令具有一指令数据包,指令数据包具有若干指令数据组,指令数据组的数量与海藻水热炭化工艺流程中的生产设备的数量相同,一生产设备对应一指令数据组。
指令数据组之间为并列关系,且指令数据组之间的并列排列顺序按预设顺序设置。
每个指令数据组均包括识别数据段、匹配数据段和参数数据段。
识别数据段包括位于头部的第一设备识别符、和位于尾部的第一配对识别符。
匹配数据段包括位于头部的第二配对识别符、位于尾部的第三配对识别符、和位于第二配对识别符和第三配对识别符之间的第二设备识别符。
参数数据段包括位于头部的第四配对识别符和位于尾部的工艺参数数据。
第一设备识别符用于与生产设备一一配对,第一配对识别符与第二配对识别符为一一配对关系,第三配对识别符与第四配对识别符为一一配对关系,工艺参数数据对应与第一设备识别符相匹配的生产设备,第二设备识别符与预设顺序中位于下一位的生产设备相匹配。
其中,工作指令发送至生产设备时,对于位于预设顺序中第一位的生产设备,若第一设备识别符与该生产设备相匹配,则将识别数据段、第二配对识别符、第三配对识别符、和参数数据段剪切保存,按照参数数据段中的工艺参数数据调节运行状态,并将剪切过后的工作指令按预设顺序继续向下发送。否则停止工作指令的发送并发出错误提示。
工作指令发送至生产设备时,对于不是位于预设顺序中第一位的生产设备,若工作指令中顺序最靠前的完整指令数据组的第一设备识别符与该生产设备相匹配,且位于该顺序最靠前的完整指令数据组的上一位的指令数据组剩余的第二设备识别符与该顺序最靠前的完整指令数据组的第一设备识别符相同,则将该完整指令数据组的识别数据段、第二配对识别符、第三配对识别符、和参数数据段剪切保存,按照参数数据段中的工艺参数数据调节运行状态,并将剪切过后的工作指令按预设顺序继续向下发送。否则将工作指令按预设顺序继续向下发送。
进一步的,参数数据段中的工艺参数数据通过人工预设得到。
进一步的,匹配数据段还包括备注数据,备注数据位于第二配对识别符和第二设备识别符之间。
当生产设备对工作指令进行剪切时,同时将备注数据剪切保存,并将备注数据向该生产设备的监管人员进行提示。
进一步的,备注数据设置为可编辑状态,匹配数据段之间的并列排列顺序也设置为可编辑状态。
进一步的,工作指令由指令下发模块发送至位于预设顺序中第一位的生产设备,并由位于预设顺序中最后一位的生产设备将剪切后的工作指令发送至数据中心。
数据中心还用于根据剪切后的工作指令判断工控网络的可靠性。
进一步的,同一工作指令默认只发送一次。
本发明实施例的技术方案的有益效果包括:
本发明实施例提供的基于机器学习的海藻水热炭化应用综合管控系统根据客户需求,可以得到总成本最低的工艺参数数据作为实际生产的参考,此外,还可以利用该模型对工艺参数数据进行模拟,得到可能的总成本数据和特定用户的可能的评价,以作为对生产改进和调整的反馈参考。
通过该设计,有助于形成供需的生态化关系,实现精准供需关系的形成。对于生产商而言,有利于减少浪费,提高收益和客户满意度。对于购买商而言,能够有效保障实际使用体验,提高供应的精准度。对于产品交易本身而言,可以有效地维系买卖双方的合作关系,并在一定程度上减少行业的资源浪费,提高资源的精准利用率。同时,产品从生产到使用形成了完整数据链,出现问题可以精准溯源,也为行业技术的不断改进提供了帮助。
总体而言,本发明实施例提供的基于机器学习的海藻水热炭化应用综合管控系统能够促进买卖双方的信息交流,并且实现对自身产品的精细化监控和管理,有助于实现买卖双方优质、精细的供求关系;与此同时,可以完成对生产工艺的升级管理,实现收益最大化,减少生产资源浪费,并同时完成对产品的全周期监管,从生产到应用全链可溯源。
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为指令数据包的构成示意图;
图2为指令数据包中的第一位指令数据组的构成示意图;
图3为指令数据包中的第二位指令数据组的构成示意图;
图4为指令数据包中的第三位指令数据组的构成示意图;
图5为生产设备接收到工作指令后对第一位指令数据组识别阶段的示意图;
图6为生产设备对工作指令识别成功后对第一位指令数据组剪切阶段的示意图。
附图标记说明:
指令数据包1000;指令数据组100;识别数据段110;匹配数据段120;参数数据段130。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
应当理解,本发明使用的“系统”、“装置”、“单元”和/或“模块”等是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提出示例外情形,“一”、“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用的流程图用来说明根据本说明书的实施例的系统所执行的操作。可以理解,各步骤的操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本实施例提供一种基于机器学习的海藻水热炭化应用综合管控系统,用于解决现有技术中存在的缺陷。
基于机器学习的海藻水热炭化应用综合管控系统包括:工艺参数采集模块、产品批次匹配模块、消耗计算模块、交易追踪模块和数据中心。
工艺参数采集模块用于采集海藻水热炭化工艺流程中的工艺参数数据。工艺参数数据包括了在整个海藻水热炭化工艺流程中全部生产设备的参数。
产品批次匹配模块用于将工艺参数数据与批次产品进行匹配。即某一批次的生物炭产品对应的生产过程中的工艺参数数据是怎么样的,建立生物炭产品与其工艺参数数据的对应关系。
消耗计算模块用于统计批次产品的总成本数据。即为了生产这批次产品,总的成本投入是多少,包括但不限于:原材料、人工、电费、耗材、设备折旧等等。
交易追踪模块用于收集批次产品的产品反馈数据,产品反馈数据包括交易去向(买家所在的行业或者所从事的工作)、及用户评价。
数据中心具有机器学习模型,机器学习模型由工艺参数数据、总成本数据、和产品反馈数据训练得到。数据中心还用于根据用户需求通过机器学习模型提供总成本最低的工艺参数数据。
结合对客户使用体验的跟踪和回访,形成产品反馈数据,通过对机器学习模型的训练,可以建立起工艺参数数据、总成本数据、和产品反馈数据之间的映射关系。
根据客户需求,可以得到总成本最低的工艺参数数据作为实际生产的参考,此外,还可以利用该模型对工艺参数数据进行模拟,得到可能的总成本数据和特定用户的可能的评价,以作为对生产改进和调整的反馈参考。
通过该设计,有助于形成供需的生态化关系,实现精准供需关系的形成。对于生产商而言,有利于减少浪费,提高收益和客户满意度。对于购买商而言,能够有效保障实际使用体验,提高供应的精准度。对于产品交易本身而言,可以有效地维系买卖双方的合作关系,并在一定程度上减少行业的资源浪费,提高资源的精准利用率。同时,产品从生产到使用形成了完整数据链,出现问题可以精准溯源,也为行业技术的不断改进提供了帮助。
总体而言,本实施例提供的基于机器学习的海藻水热炭化应用综合管控系统能够促进买卖双方的信息交流,并且实现对自身产品的精细化监控和管理,有助于实现买卖双方优质、精细的供求关系;与此同时,可以完成对生产工艺的升级管理,实现收益最大化,减少生产资源浪费,并同时完成对产品的全周期监管,从生产到应用全链可溯源。
进一步的,在本实施例中,为了保障机器学习模型的训练质量,并同时保障对海藻水热炭化工艺的精准调控,对生产设备的工艺参数的管理采用了特殊管理,以保障数据的可靠性和准确性。
具体的,基于机器学习的海藻水热炭化应用综合管控系统还包括指令下发模块。指令下发模块用于向生产设备发送工作指令,以使生产设备按指定的工艺参数运行。
海藻水热炭化工艺流程中的全部生产设备设置于同一工控网络中,且工作指令在各个生产设备之间的传输方式为按预设顺序依次传输,即按照预设顺序在生产设备之间逐个传输,来完成对全部生产设备的工作指令的下达工作。
在本实施例中,请参阅图1,一工作指令当中包含一指令数据包1000,指令数据包1000当中具有若干指令数据组100,指令数据组100的数量与海藻水热炭化工艺流程中的生产设备的数量相同,一生产设备对应一指令数据组100。一生产设备运行所需的全部工艺参数由一指令数据组100来承载。
指令数据包1000当中的若干指令数据组100之间为并列关系,且指令数据组100之间的并列排列顺序按前文提到的预设顺序来设置。
每个指令数据组100均包括识别数据段110、匹配数据段120和参数数据段130。
识别数据段110包括位于头部的第一设备识别符、和位于尾部的第一配对识别符。
匹配数据段120包括位于头部的第二配对识别符、位于尾部的第三配对识别符、和位于第二配对识别符和第三配对识别符之间的第二设备识别符。
参数数据段130包括位于头部的第四配对识别符和位于尾部的工艺参数数据。
第一设备识别符用于与生产设备一一配对,第一配对识别符与第二配对识别符为一一配对关系,第三配对识别符与第四配对识别符为一一配对关系,工艺参数数据对应与第一设备识别符相匹配的生产设备,第二设备识别符与预设顺序中位于下一位的生产设备相匹配。
请参照图2、图3和图4,图2、图3和图4中分别示出了指令数据包1000中按预设顺序排列的前三个指令数据组100。
以第一位指令数据组100为例,识别数据段110包括位于头部的第一设备识别符(设备识别符1)、和位于尾部的第一配对识别符(配对识别符A1);匹配数据段120包括位于头部的第二配对识别符(配对识别符B1)、位于尾部的第三配对识别符(配对识别符B2)、和位于第二配对识别符和第三配对识别符之间的第二设备识别符(设备识别符2);参数数据段130包括位于头部的第四配对识别符(配对识别符A2)和位于尾部的工艺参数数据(工艺参数数据1)。
以第二位指令数据组100为例,识别数据段110包括位于头部的第一设备识别符(设备识别符2)、和位于尾部的第一配对识别符(配对识别符A3);匹配数据段120包括位于头部的第二配对识别符(配对识别符B3)、位于尾部的第三配对识别符(配对识别符B4)、和位于第二配对识别符和第三配对识别符之间的第二设备识别符(设备识别符3);参数数据段130包括位于头部的第四配对识别符(配对识别符A4)和位于尾部的工艺参数数据(工艺参数数据2)。
第三位指令数据组100同理,此处不做赘述。
其中,工作指令发送至生产设备时,对于位于预设顺序中第一位的生产设备,若第一设备识别符与该生产设备相匹配,则将识别数据段110、第二配对识别符、第三配对识别符、和参数数据段130剪切保存,按照参数数据段130中的工艺参数数据调节运行状态,并将剪切过后的工作指令按预设顺序继续向下发送。否则停止工作指令的发送并发出错误提示。
以图5为例,工作指令通过工控网络发送至生产设备,且工作指令发送到生产设备的顺序是按照预设顺序进行的。位于预设顺序中第一位的生产设备接收到工作指令后,先核对第一设备识别符(即图5中的设备识别符1)与自身是否相匹配。
若不匹配,则证明工作指令的发送工作的第一步就错了,此时立即停止该工作指令的发送工作,并向管理人员报错,以第一时间开始问题排查。
若匹配,则表明工作指令的发送工作已经正确开始。此时,该生产设备就将与之匹配的指令数据组100中的识别数据段110、第二配对识别符(即图6中配对识别符B1)、第三配对识别符(即图6中配对识别符B2)、和参数数据段130剪切保存,按照参数数据段130中的工艺参数数据调节自身的运行状态。与此同时,该生产设备将剪切过后的工作指令按预设顺序继续向下发送。需要注意的是,此时只有第一位的指令数据组100被采取了剪切操作(仅剩余设备识别符2),第二位的指令数据组100(如图3所示)和第三位的指令数据组100(如图4所示)仍然是完整的,这些完整的指令数据组100随之一同继续向下发送。
工作指令发送至生产设备时,对于不是位于预设顺序中第一位的生产设备,若工作指令中顺序最靠前的完整指令数据组100的第一设备识别符与该生产设备相匹配,且位于该完整指令数据组100的上一位的指令数据组100剩余的第二设备识别符与该完整指令数据组100的第一设备识别符相同,则将该完整指令数据组100的识别数据段110、第二配对识别符、第三配对识别符、和参数数据段130剪切保存,按照参数数据段130中的工艺参数数据调节运行状态,并将剪切过后的工作指令按预设顺序继续向下发送。否则将工作指令按预设顺序继续向下发送。
工作指令发送到预设顺序中第二位的生产设备时,需要同时核对工作指令中顺序最靠前的完整指令数据组100(如图3所示的第二位指令数据组100)的第一设备识别符(设备识别符2)与该生产设备是否相匹配,以及位于该完整指令数据组100的上一位的指令数据组100(如图6所示)剩余的第二设备识别符(设备识别符2)与该完整指令数据组100的第一设备识别符是否相同。图6中的第二设备识别符(对应第一位)与图3中的第一设备识别符(对应第二位)是相同的,均为设备识别符2,因此,该生产设备就可以将该完整指令数据组100(第二位指令数据组100)的识别数据段110、第二配对识别符(配对识别符B3)、第三配对识别符(配对识别符B4)、和参数数据段130剪切保存,按照参数数据段130中的工艺参数数据(工艺参数数据2)调节运行状态,并将剪切过后的工作指令按预设顺序继续向下发送。否则(即不匹配的情况)就将工作指令按预设顺序继续向下发送。
通过以上设计,有益效果包括但不限于:(1)工作指令完全按照严格的路径和顺序进行传输,且只有当预设顺序中前一位的生产设备剪切提取了其工艺参数数据之后,下一位的生产设备才能提取到工艺参数数据。这保障了工作指令能够被每个生产设备准确接收,避免出现部分生产设备接收到另一部分生产设备没有接收到的问题,也避免了工作指令下达错误的问题。(2)在本实施例中,工作指令由指令下发模块发送至位于预设顺序中第一位的生产设备,并由位于预设顺序中最后一位的生产设备将剪切后的工作指令发送至数据中心。数据中心还用于根据剪切后的工作指令判断工控网络的可靠性。若最后发送至数据中心的工作指令中,每个指令数据组100都只剩下第二设备识别符,第二设备识别符中不包含预设顺序中第一位的生产设备对应的设备识别符,如果只剩的这些第二设备识别符的排列顺序与预设顺序相一致,则表明全部工作指令都已经准确下达。若最后发送至数据中心的工作指令中,还存在完整的指令数据组100,那么,位于预设顺序最靠前的完整指令数据组100对应的生产设备的指令接收环节就存在问题。这样的话,就实现了对工作指令下达工作的内部监控和主动纠错。
总的来说,以上方式使得工艺参数能够被准确采集,且工艺参数调节指令能够被准确下达,就可以顺利保障机器学习模型的可靠性和准确性。
需要额外说明的是,采用以上方式制作工作指令,还具有如下技术效果:(1)自由灵活,可编辑性强。由于第一配对识别符和第二配对识别符可以确定识别数据段110和匹配数据段120之间的匹配关系,而第三配对识别符和第四配对识别符可以确定匹配数据段120和参数数据段130之间的匹配关系,那么,使用者只需要设定好“预设顺序”和每个参数数据段130中的工艺参数数据,将匹配数据段120按“预设顺序”进行排列,即可完成工作指令的生成工作,简单高效。(2)“预设顺序”决定了工作指令的最终结构,以及决定了工作指令在工控网络中各个生产设备之间的传输顺序,灵活性高,改变“预设顺序”即可将整个工控体系打乱,对于“工艺参数数据”的保密性好,降低了关键数据的被盗风险。即使工作指令不慎泄露,由于不确定预设顺序与生产设备之间的对应关系,风险大大降低。加上改变“预设顺序”即可将整个工控体系打乱,规律性低,破解难度大,安全系数进一步提高。
进一步的,在本实施例中,匹配数据段120还包括备注数据,备注数据位于第二配对识别符和第二设备识别符之间。当生产设备对工作指令进行剪切时,同时将备注数据剪切保存,并将备注数据向该生产设备的监管人员进行提示。这进一步提高了工作指令的功能性。
备注数据设置为可编辑状态,匹配数据段120之间的并列排列顺序也设置为可编辑状态。
可选的,同一工作指令默认只发送一次。这一方面是为了提高对指令接收故障位置的排查准确性,另一方面还可以提高工作指令的保密性。
综上所述,本发明实施例提供的基于机器学习的海藻水热炭化应用综合管控系统能够促进买卖双方的信息交流,并且实现对自身产品的精细化监控和管理,有助于实现买卖双方优质、精细的供求关系;与此同时,可以完成对生产工艺的升级管理,实现收益最大化,减少生产资源浪费,并同时完成对产品的全周期监管,从生产到应用全链可溯源。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于机器学习的海藻水热炭化应用综合管控系统,其特征在于,包括:工艺参数采集模块、产品批次匹配模块、消耗计算模块、交易追踪模块和数据中心;
所述工艺参数采集模块用于采集海藻水热炭化工艺流程中的工艺参数数据;
所述产品批次匹配模块用于将所述工艺参数数据与批次产品进行匹配;
所述消耗计算模块用于统计所述批次产品的总成本数据;
所述交易追踪模块用于收集所述批次产品的产品反馈数据,所述产品反馈数据包括交易去向、及用户评价;
所述数据中心具有机器学习模型,所述机器学习模型由所述工艺参数数据、所述总成本数据、和所述产品反馈数据训练得到;所述数据中心还用于根据用户需求通过所述机器学习模型提供总成本最低的工艺参数数据。
2.根据权利要求1所述的基于机器学习的海藻水热炭化应用综合管控系统,其特征在于,所述基于机器学习的海藻水热炭化应用综合管控系统还包括指令下发模块;所述指令下发模块用于向生产设备发送工作指令,以使生产设备按指定的工艺参数运行;
海藻水热炭化工艺流程中的全部生产设备设置于同一工控网络中,且所述工作指令在各个生产设备之间的传输方式为按预设顺序依次传输;
一所述工作指令具有一指令数据包,所述指令数据包具有若干指令数据组,所述指令数据组的数量与海藻水热炭化工艺流程中的生产设备的数量相同,一所述生产设备对应一所述指令数据组;
所述指令数据组之间为并列关系,且所述指令数据组之间的并列排列顺序按所述预设顺序设置;
每个所述指令数据组均包括识别数据段、匹配数据段和参数数据段;
所述识别数据段包括位于头部的第一设备识别符、和位于尾部的第一配对识别符;
所述匹配数据段包括位于头部的第二配对识别符、位于尾部的第三配对识别符、和位于所述第二配对识别符和所述第三配对识别符之间的第二设备识别符;
所述参数数据段包括位于头部的第四配对识别符和位于尾部的工艺参数数据;
所述第一设备识别符用于与生产设备一一配对,所述第一配对识别符与所述第二配对识别符为一一配对关系,所述第三配对识别符与所述第四配对识别符为一一配对关系,所述工艺参数数据对应与所述第一设备识别符相匹配的生产设备,所述第二设备识别符与所述预设顺序中位于下一位的生产设备相匹配;
其中,所述工作指令发送至生产设备时,对于位于所述预设顺序中第一位的生产设备,若所述第一设备识别符与该生产设备相匹配,则将所述识别数据段、所述第二配对识别符、所述第三配对识别符、和所述参数数据段剪切保存,按照所述参数数据段中的所述工艺参数数据调节运行状态,并将剪切过后的工作指令按所述预设顺序继续向下发送;否则停止所述工作指令的发送并发出错误提示;
所述工作指令发送至生产设备时,对于不是位于所述预设顺序中第一位的生产设备,若所述工作指令中顺序最靠前的完整所述指令数据组的所述第一设备识别符与该生产设备相匹配,且位于该顺序最靠前的完整所述指令数据组的上一位的指令数据组剩余的所述第二设备识别符与该顺序最靠前的完整所述指令数据组的所述第一设备识别符相同,则将该完整指令数据组的所述识别数据段、所述第二配对识别符、所述第三配对识别符、和所述参数数据段剪切保存,按照所述参数数据段中的所述工艺参数数据调节运行状态,并将剪切过后的工作指令按所述预设顺序继续向下发送;否则将所述工作指令按所述预设顺序继续向下发送。
3.根据权利要求2所述的基于机器学习的海藻水热炭化应用综合管控系统,其特征在于,所述参数数据段中的所述工艺参数数据通过人工预设得到。
4.根据权利要求2所述的基于机器学习的海藻水热炭化应用综合管控系统,其特征在于,所述匹配数据段还包括备注数据,所述备注数据位于所述第二配对识别符和所述第二设备识别符之间;
当生产设备对所述工作指令进行剪切时,同时将所述备注数据剪切保存,并将所述备注数据向该生产设备的监管人员进行提示。
5.根据权利要求4所述的基于机器学习的海藻水热炭化应用综合管控系统,其特征在于,所述备注数据设置为可编辑状态,所述匹配数据段之间的并列排列顺序也设置为可编辑状态。
6.根据权利要求5所述的基于机器学习的海藻水热炭化应用综合管控系统,其特征在于,所述工作指令由所述指令下发模块发送至位于所述预设顺序中第一位的生产设备,并由位于所述预设顺序中最后一位的生产设备将剪切后的工作指令发送至所述数据中心;
所述数据中心还用于根据剪切后的工作指令判断所述工控网络的可靠性。
7.根据权利要求6所述的基于机器学习的海藻水热炭化应用综合管控系统,其特征在于,同一所述工作指令默认只发送一次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410295249.3A CN117893244B (zh) | 2024-03-15 | 2024-03-15 | 一种基于机器学习的海藻水热炭化应用综合管控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410295249.3A CN117893244B (zh) | 2024-03-15 | 2024-03-15 | 一种基于机器学习的海藻水热炭化应用综合管控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117893244A true CN117893244A (zh) | 2024-04-16 |
CN117893244B CN117893244B (zh) | 2024-06-04 |
Family
ID=90650898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410295249.3A Active CN117893244B (zh) | 2024-03-15 | 2024-03-15 | 一种基于机器学习的海藻水热炭化应用综合管控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893244B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010020138A1 (zh) * | 2008-08-22 | 2010-02-25 | 中兴通讯股份有限公司 | 监控设备的控制方法和装置 |
CN101833725A (zh) * | 2010-04-15 | 2010-09-15 | 刘洪利 | 一种用户身份匹配比对方法,以及身份匹配系统 |
CN103049853A (zh) * | 2012-12-19 | 2013-04-17 | 胡绍珠 | 店铺真伪识别装置及验证方法 |
CN104536978A (zh) * | 2014-12-05 | 2015-04-22 | 奇瑞汽车股份有限公司 | 识别语音数据的方法和装置 |
CN105469301A (zh) * | 2015-12-24 | 2016-04-06 | 曹晶晶 | 一种购物方法、系统和用户终端设备 |
CN107704734A (zh) * | 2017-07-10 | 2018-02-16 | 深圳市金立通信设备有限公司 | 一种用户账户的识别方法及其设备 |
CN108596180A (zh) * | 2018-04-09 | 2018-09-28 | 深圳市腾讯网络信息技术有限公司 | 图像中的参数识别、参数识别模型的训练方法及装置 |
CN109858631A (zh) * | 2019-02-02 | 2019-06-07 | 清华大学 | 用于概念迁移的流式数据分析的自动机器学习系统及方法 |
CN110276456A (zh) * | 2019-06-20 | 2019-09-24 | 山东大学 | 一种机器学习模型辅助构建方法、系统、设备及介质 |
WO2020248844A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 测试对象的寿命预估方法、装置、设备及介质 |
US20210073833A1 (en) * | 2019-09-11 | 2021-03-11 | Ebay Inc. | Autonomous Item Generation |
US20220165415A1 (en) * | 2020-11-24 | 2022-05-26 | Cerner Innovation, Inc. | Intelligent system and methods for automatically recommending patient-customized instructions |
WO2022126966A1 (zh) * | 2020-12-15 | 2022-06-23 | 平安科技(深圳)有限公司 | 接口参数校验与转换方法、装置、设备及存储介质 |
US20230289650A1 (en) * | 2022-03-09 | 2023-09-14 | International Business Machines Corporation | Continuous machine learning system for containerized environment with limited resources |
-
2024
- 2024-03-15 CN CN202410295249.3A patent/CN117893244B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010020138A1 (zh) * | 2008-08-22 | 2010-02-25 | 中兴通讯股份有限公司 | 监控设备的控制方法和装置 |
CN101833725A (zh) * | 2010-04-15 | 2010-09-15 | 刘洪利 | 一种用户身份匹配比对方法,以及身份匹配系统 |
CN103049853A (zh) * | 2012-12-19 | 2013-04-17 | 胡绍珠 | 店铺真伪识别装置及验证方法 |
CN104536978A (zh) * | 2014-12-05 | 2015-04-22 | 奇瑞汽车股份有限公司 | 识别语音数据的方法和装置 |
CN105469301A (zh) * | 2015-12-24 | 2016-04-06 | 曹晶晶 | 一种购物方法、系统和用户终端设备 |
CN107704734A (zh) * | 2017-07-10 | 2018-02-16 | 深圳市金立通信设备有限公司 | 一种用户账户的识别方法及其设备 |
CN108596180A (zh) * | 2018-04-09 | 2018-09-28 | 深圳市腾讯网络信息技术有限公司 | 图像中的参数识别、参数识别模型的训练方法及装置 |
CN109858631A (zh) * | 2019-02-02 | 2019-06-07 | 清华大学 | 用于概念迁移的流式数据分析的自动机器学习系统及方法 |
WO2020248844A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 测试对象的寿命预估方法、装置、设备及介质 |
CN110276456A (zh) * | 2019-06-20 | 2019-09-24 | 山东大学 | 一种机器学习模型辅助构建方法、系统、设备及介质 |
US20210073833A1 (en) * | 2019-09-11 | 2021-03-11 | Ebay Inc. | Autonomous Item Generation |
US20220165415A1 (en) * | 2020-11-24 | 2022-05-26 | Cerner Innovation, Inc. | Intelligent system and methods for automatically recommending patient-customized instructions |
WO2022126966A1 (zh) * | 2020-12-15 | 2022-06-23 | 平安科技(深圳)有限公司 | 接口参数校验与转换方法、装置、设备及存储介质 |
US20230289650A1 (en) * | 2022-03-09 | 2023-09-14 | International Business Machines Corporation | Continuous machine learning system for containerized environment with limited resources |
Non-Patent Citations (1)
Title |
---|
朱伟义;许明;: "基于机器学习算法的优质客户识别模型研究", 电子设计工程, no. 11, 5 June 2020 (2020-06-05) * |
Also Published As
Publication number | Publication date |
---|---|
CN117893244B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103309907B (zh) | 对不同来源的业务数据进行规范化处理的方法及系统 | |
CN109583761B (zh) | 一种锻钢工序的生产计划与调度系统 | |
CN110599103A (zh) | 一种基于智能制造mes系统的生产管理子系统 | |
CN113552840B (zh) | 一种机械加工控制系统 | |
CN110046146A (zh) | 基于移动边缘计算的工业设备的监测方法和装置 | |
CN103116821A (zh) | 一种离散制造车间生产过程质量全程追溯方法及系统 | |
CN109858786B (zh) | 基于物联网的机电设备管理系统 | |
CN108335027A (zh) | 一种智慧互联制造执行管控系统 | |
CN105607566B (zh) | 一种生产物料的自适应调整方法 | |
CN109877649A (zh) | 自动化刀具在线检测方法及检测系统 | |
CN101794106A (zh) | 质量控制系统、质量控制装置以及质量控制方法 | |
CN113313280A (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
CN117893244B (zh) | 一种基于机器学习的海藻水热炭化应用综合管控系统 | |
CN105404269A (zh) | 一种智能变电站三遥信号验收系统 | |
CN117610871A (zh) | 一种用于mes系统的生产流程执行方法及装置 | |
CN103699984A (zh) | 一种商用车模块生产线的按序同步配送系统 | |
CN111008884A (zh) | 数控机床共享方法 | |
CN115759712B (zh) | 生产报工管理方法、系统、电子设备及存储介质 | |
CN111932126A (zh) | 一种基于大数据的智能制造生产管理方法 | |
CN110018846A (zh) | 一种自动运维系统及其操作方法 | |
CN116308295A (zh) | 一种工业生产数据管理方法及系统 | |
CN115660261A (zh) | 生产订单信息处理方法、计算机装置和存储介质 | |
CN111898917B (zh) | 基于大数据的智能制造管理系统 | |
CN106372687A (zh) | 一种配网自动化检测方法及系统 | |
CN113190186A (zh) | 通过兼容的材料来改善地执行印刷任务 |
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 |