CN111667186B - 确定用于生产的机器能耗的方法与装置 - Google Patents
确定用于生产的机器能耗的方法与装置 Download PDFInfo
- Publication number
- CN111667186B CN111667186B CN202010522303.5A CN202010522303A CN111667186B CN 111667186 B CN111667186 B CN 111667186B CN 202010522303 A CN202010522303 A CN 202010522303A CN 111667186 B CN111667186 B CN 111667186B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- matrix
- determining
- target
- 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.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 374
- 238000000034 method Methods 0.000 title claims abstract description 194
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 64
- 238000005070 sampling Methods 0.000 claims abstract description 40
- 230000000737 periodic effect Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 285
- 239000013598 vector Substances 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及确定用于生产的机器能耗的方法与装置,方法包括:获取在一个目标时间段内的生产对应的多个原始能耗数据,所述目标时间段内的生产包括多个工艺步骤,所述原始能耗数据是通过周期性采样获取的执行工艺步骤的机器所对应的机器能耗;根据所述原始能耗数据确定各能耗模式,每个能耗模式对应于一个工艺步骤;根据各所述能耗模式,确定调整各工艺步骤后在一个预设时间段内的机器能耗。
Description
技术领域
本发明涉及生产领域,特别是一种确定用于生产的机器能耗的方法与装置。
背景技术
生产是指企业从原材料的投入开始到产品产出为止的全过程,这一过程包括多个工艺步骤,例如切割、打磨、抛光等,具体根据每个产品的实际需要生产所包括的工艺步骤也不相同。每个工艺步骤都需要相应的机器来完成,这个过程中机器会产生机器能耗。
有时候,企业为了优化生产,需要调整工艺步骤,例如去掉某些工艺步骤,这个时候往往需要事前评估,以预先获知调整工艺步骤后机器的能耗,这样可以确定是否需要进行调整。
发明内容
有鉴于此,本发明提出了一种确定用于生产的机器能耗的方法,包括:
获取在一个目标时间段内的生产对应的多个原始能耗数据,所述目标时间段内的生产包括多个工艺步骤,所述原始能耗数据是通过周期性采样获取的执行工艺步骤的机器所对应的机器能耗;
根据所述原始能耗数据确定各能耗模式,每个能耗模式对应于一个工艺步骤;
根据各所述能耗模式,确定调整各工艺步骤后在一个预设时间段内的机器能耗。
根据如上所述的方法,可选地,根据所述原始能耗数据确定各能耗模式包括:
根据所述原始能耗数据确定一个目标矩阵,其中所述目标矩阵的列数是根据至少一个工艺步骤对应的时长获取的;
根据所述目标矩阵确定一个第一矩阵;
获取所述第一矩阵的一个特征向量矩阵;
根据所述特征向量矩阵和所述目标矩阵确定一个能耗矩阵,并根据所述能耗矩阵各行的数据确定各能耗模式。
根据如上所述的方法,可选地,所述目标矩阵的列数为根据多个工艺步骤所对应的时长的平均值内能够采样的个数。
根据如上所述的方法,可选地,根据所述原始能耗数据确定一个目标矩阵包括:
确定目标矩阵的最终列数t’;
根据所述原始能耗数据确定一个序列x={x1,x2,…xi,…,xn’},其中xi表示第i个原始能耗数据,1≤i≤n且i为正整数,n’为在目标时间段内满足n’/t’为整数的最大的采样个数;
根据如上所述的方法,可选地,所述目标矩阵的最终列数t’为多个工艺步骤所对应的时长的平均值内能够采样的个数。
根据如上所述的方法,可选地,根据所述原始能耗数据确定一个目标矩阵包括:
确定目标矩阵的初始列数t;
根据所述原始能耗数据确定一个初始序列x={x1,x2,…xi,…,xn},其中xi表示第i个原始能耗数据,1≤i≤n且i为正整数,n为在目标时间段内满足n/t为整数的最大的采样个数;
对所述初始序列中的各原始能耗数据进行中心化操作,该中心化操作包括:获取所述初始矩阵中每一行的原始能耗数据的平均值,并将每个原始能耗数据减去其所对应的该行的平均值;
根据中心化后的初始矩阵确定一个第二矩阵XXT;
对所述第二矩阵XXT进行特征值分解得到多个特征值,并根据多个特征值确定出对应的方差占有率;
更新所述初始列数t的值并返回执行根据初始列数t确定一个初始矩阵的操作,直至更新所述初始列数t的值至预设次数;
根据各对应的方差占有率和初始列数t确定一个拐点,并确定所述拐点对应的时间内能够采样的个数t’,将该t’作为所述目标矩阵的最终的列数;
根据如上所述的方法,可选地,根据所述目标矩阵确定一个第一矩阵包括:
对所述目标矩阵中的各原始能耗数据进行中心化操作,该中心化操作包括:获取所述目标矩阵中每一行的原始能耗数据的平均值,并将每个原始能耗数据减去其所对应的该行的平均值;
获取所述第一矩阵的一个特征向量矩阵包括:
对所述第一矩阵进行特征值分解;
按照各特征值从大到小的顺序将所对应的特征向量依次排序,并生成特征向量矩阵W=[w1;w2;…;wj;…wk],其中wj表示排序后的第j个特征向量矩阵,1≤j≤k,所述特征向量矩阵的每一行为一个特征向量对应的值;
根据所述特征向量矩阵和所述目标矩阵确定一个能耗矩阵包括:
modes=W*Xmode,其中modes为所述能耗矩阵。
根据如上所述的方法,可选地,根据所述能耗矩阵各行的数据确定各能耗模式包括:
根据能耗矩阵中的各行数据确定各工艺步骤对应的一个能耗模式;
根据各所述能耗模式,确定调整各工艺步骤后在一个预设时间段内的机器能耗包括:
从各种能耗模式中确定出目标模式;
确定将目标模式去除之后在所述预设时间段内的机器能耗。
根据如上所述的方法,可选地,从各种能耗模式中确定出目标模式包括:将根据能耗矩阵中确定出的最后h个能耗模式作为目标模式,1≤h<k;
确定将目标模式去除之后在所述预设时间段内的机器能耗包括:
将modes中后h行数据变成0,作为调整工艺步骤之后的能耗矩阵modesnew,并根据调整工艺步骤之后的能耗矩阵确定出在预设时间段内的机器能耗。
根据如上所述的方法,可选地,根据调整工艺步骤之后的能耗矩阵确定出在预设时间段内的机器能耗包括:
根据W-1*modesnew中的数据以及采样频率确定出在预设时间段内的机器能耗。
根据如上所述的方法,可选地,根据能耗矩阵中的各行数据确定各工艺步骤对应的一个能耗模式包括以下方式中的至少一种:
方式一:舍弃无法匹配工艺步骤的一行数据;
方式二:确定出与工艺步骤一一对应的一行数据作为一个能耗模式。
本发明另一方面提供一种确定用于生产的机器能耗的装置,包括:
一个获取单元,用于获取在一个目标时间段内的生产对应的多个原始能耗数据,所述目标时间段内的生产包括多个工艺步骤,所述原始能耗数据是通过周期性采样获取的执行工艺步骤的机器所对应的机器能耗;
一个第一确定单元,用于根据所述原始能耗数据确定各能耗模式,每个能耗模式对应于一个工艺步骤;
一个第二确定单元,用于根据各所述能耗模式,确定调整各工艺步骤后在一个预设时间段内的机器能耗。
根据如上所述的装置,可选地,所述第一确定单元包括:
一个第一确定子单元,用于根据所述原始能耗数据确定一个目标矩阵,其中所述目标矩阵的列数是根据至少一个工艺步骤对应的时长获取的;
一个第二确定子单元,用于根据所述目标矩阵确定一个第一矩阵;
一个第一获取子单元,用于获取所述第一矩阵的一个特征向量矩阵;
一个第三确定子单元,用于根据所述特征向量矩阵和所述目标矩阵确定一个能耗矩阵,并根据所述能耗矩阵各行的数据确定各能耗模式。
根据如上所述的装置,可选地,所述第一确定子单元具体用于:
确定目标矩阵的最终列数t’,所述目标矩阵的最终列数t’为多个工艺步骤所对应的时长的平均值内能够采样的个数;
根据所述原始能耗数据确定一个序列x={x1,x2,…xi,…,xn’},其中xi表示第i个原始能耗数据,1≤i≤n且i为正整数,n’为在目标时间段内满足n’/t’为整数的最大的采样个数;
根据如上所述的装置,可选地,所述第一确定子单元具体用于:
确定目标矩阵的初始列数t;
根据所述原始能耗数据确定一个初始序列x={x1,x2,…xi,…,xn},其中xi表示第i个原始能耗数据,1≤i≤n且i为正整数,n为在目标时间段内满足n/t为整数的最大的采样个数;
对所述初始序列中的各原始能耗数据进行中心化操作,该中心化操作包括:获取所述初始矩阵中每一行的原始能耗数据的平均值,并将每个原始能耗数据减去其所对应的该行的平均值;
根据中心化后的初始矩阵确定一个第二矩阵XXT;
对所述第二矩阵XXT进行特征值分解得到多个特征值,并根据多个特征值确定出对应的方差占有率;
更新所述初始列数t的值并返回执行根据初始列数t确定一个初始矩阵的操作,直至更新所述初始列数t的值至预设次数;
根据各对应的方差占有率和初始列数t确定一个拐点,并确定所述拐点对应的时间内能够采样的个数t’,将该t’作为所述目标矩阵的最终的列数;
根据如上所述的装置,可选地,所述第二确定子单元具体用于:
对所述目标矩阵中的各原始能耗数据进行中心化操作,该中心化操作包括:获取所述目标矩阵中每一行的原始能耗数据的平均值,并将每个原始能耗数据减去其所对应的该行的平均值;
所述第一获取子单元具体用于:
对所述第一矩阵进行特征值分解;
按照各特征值从大到小的顺序将所对应的特征向量依次排序,并生成特征向量矩阵W=[w1;w2;…wj;…;wk],其中wj表示排序后的第j个特征向量矩阵,1≤j≤k,所述特征向量矩阵的每一行为一个特征向量对应的值;
所述第三确定子单元具体用于:
modes=W*Xmode,其中modes为所述能耗矩阵。
根据如上所述的装置,可选地,所述第三确定子单元具体用于:
根据能耗矩阵中的各行数据确定各工艺步骤对应的一个能耗模式;
所述第二确定单元具体用于:
从各种能耗模式中确定出目标模式;
确定将目标模式去除之后在所述预设时间段内的机器能耗。
根据如上所述的装置,可选地,所述第二确定单元进一步具体用于:
将根据能耗矩阵中确定出的最后h个能耗模式作为目标模式,1≤h<k;
将modes中后h行数据变成0,作为调整工艺步骤之后的能耗矩阵modesnew,并根据W-1*modesnew中的数据以及采样频率确定出在预设时间段内的机器能耗。
本发明还提供一种确定用于生产的机器能耗的装置,包括:
至少一个存储器,其用于存储指令;
至少一个处理器,其用于根据所述存储器存储的指令执行根据如上任一项所述的确定用于生产的机器能耗的方法。
本发明又提供一种可读存储介质,所述可读存储介质中存储有机器可读指令,所述机器可读指令当被一个机器执行时,所述机器执行根据如上任一项所述的确定用于生产的机器能耗的方法。
根据本发明,通过获取目标时间段内的生产对应的多个原始能耗数据,并对这些原始数据能耗进行分析以获取每个工艺步骤所对应能耗模式,然后再通过这些功耗模型获取调整工艺步骤后目标时间段内的机器能耗,能够在新的生产方案实现之前进行模拟评估,以避免高投入低产出。
附图说明
下面将通过参照附图详细描述本发明的优选实施例,使本领域的普通技术人员更清楚本发明的上述及其它特征和优点,附图中:
图1根据本发明一实施例的确定用于生产的机器能耗的方法的流程示意图。
图2A为根据本发明另一实施例的确定用于生产的机器能耗的方法的流程示意图。
图2B为根据本发明又一实施例的方差占有率的曲线示意图。
图3为工艺步骤调整前的机器能耗的曲线示意图与工艺步骤调整后的机器能耗的曲线示意图。
图4为根据本发明一实施例的确定用于生产的机器能耗的装置的结构示意图。
图5为根据本发明另一实施例的确定用于生产的机器能耗的装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下举实施例对本发明进一步详细说明。
对于生产,经常会用到一台或多台机器。每台机器可执行一个工艺步骤或多个工艺步骤。对于这多个工艺步骤,有些步骤可能是冗余的,需要消除这些冗余的步骤,以对整个生产进行优化。因此,需要在实际优化方案实施前对优化后的整个生产进行评估,以避免高投入低产出。本发明提供了一种确定用于生产的机器能耗的方法与装置,能够对调整工艺步骤之后的机器能耗进行评估。
实施例一
本实施例提供一种确定用于生产的机器能耗的方法。该生产包括多个工艺步骤,例如包括几个、十几个甚至更多的工艺步骤。下面所描述的目标时间段的工艺步骤也可以包括多个,可以是一个生产中所应该包括的全部工艺步骤,或者是其中的一部分,具体需要根据目标时间段来确定。该方案的执行主体是确定用于生产的机器能耗的装置,该装置可以集成于个人电脑中,也可以单独设置,在此不再赘述。
步骤101,获取在一个目标时间段内的生产对应的多个原始能耗数据,原始能耗数据是通过周期性采样获取的执行工艺步骤的机器所对应的机器能耗。
每个机器在执行工艺步骤时,都会有能耗,即机器能耗。本实施例中可以通过周期性采样来获取机器能耗,具体可以通过采集电流、电压等数据来计算出相应的机器能耗,当然还可以采用其它方式来获取机器能耗,具体不再赘述。采样频率可以根据实际需要确定,例如每隔1分钟进行一次采样。
目标时间段内所包括的多个工艺步骤的内容可以根据经验确定。可选地,可以将目标时间段内的原始能耗数据进行清洗,即清除一些异常值,例如小于0的值或离群点等,并将清洗后的原始数据能耗作为该步骤101中所需要的原始能耗数据。
目标时间段可根据实际需要设定。一般情况下,目标时间段的需要足够长,这样才能覆盖到足够多的工艺步骤以便于后续分析,例如24小时。
步骤102,根据原始能耗数据确定各能耗模式,每个能耗模式对应于一个工艺步骤。
该步骤通过对原始能耗数据进行分析,确定能耗模式。每个能耗模式对于一个工艺步骤,也就是说,该步骤是为了得到每个工艺步骤的能耗模式。
每个工艺步骤对应于一个能耗模式,通过能耗模式就能耗获取该工艺步骤在某一预设时间段内的能耗。
步骤103,根据各能耗模式,确定调整各工艺步骤后在一个预设时间段内的机器能耗。
这里的调整各工艺步骤可以是指去除掉想要去掉的某个或某几个工艺步骤,进而确定这样能够在预设时间段内节省多少机器能耗。例如,在确定出各工艺步骤对应的能耗模式后,去掉冗余的工艺步骤。这样,可以通过剩下的原始能耗数据来确定相应的机器能耗。或者是说,新的产线可能包括某几个工艺步骤,可以根据这某几个工艺步骤对应的能耗模式确定出相应的在预设时间段内的机器能耗。本实施例的预设时间段可以根据实际需要确定,例如小于或等于目标时间段,具体举例来说,目标时间段为24小时,预设时间段可以为30分钟。
具体地,可以根据各能耗模式所对应的权重顺序来确定需要去掉那些工艺步骤,例如权重最小的工艺步骤即为冗余步骤。权重顺序指的是各能耗模式所占的比例的顺序,例如将各能耗模式的权重按照从大到小的顺序依次排列。当然,还可以根据专家的经验去掉某些工艺步骤或者希望去掉的某些工艺步骤,具体不再赘述。
根据本发明,通过获取目标时间段内的生产对应的多个原始能耗数据,并对这些原始数据能耗进行分析以获取每个工艺步骤所对应能耗模式,然后再通过这些功耗模型获取调整工艺步骤后目标时间段内的机器能耗,能够在新的生产方案实现之前进行模拟评估,以避免高投入低产出。
实施例二
本实施例对实施例一的确定用于生产的机器能耗的方法做进一步举例说明。由于目标时间段内各工艺步骤的顺序不定,如图2A所示,为根据本实施例的确定用于生产的机器能耗的方法的流程示意图。该确定用于生产的机器能耗的方法包括:
步骤201,获取在一个目标时间段内的生产对应的多个原始能耗数据。
该原始能耗数据是通过周期性采样获取的执行工艺步骤的机器所对应的机器能耗。该步骤201具体可以与步骤101一致,例如将原始能耗数据进行清洗,在此不再赘述。
步骤202,根据原始能耗数据确定一个目标矩阵。
其中所述目标矩阵的列数可以是根据至少一个工艺步骤对应的时长获取的。具体地,该目标矩阵的列数例如为根据多个工艺步骤所对应的时长的平均值内能够采样的个数。目标时间内可能有的工艺步骤可以根据经验确定,例如,假设目标时间是24小时,那么在这24小时之内可能经过多少个工艺步骤是可以根据历史记录确定的,可以将这些工艺步骤的时长的平均值除以采样周期,以得到目标矩阵的列数。当然,也可以根据专家的经验确定出目标矩阵的列数,即根据专家经验确定出一个可能的模式时长应该是多少。另外,还可以根据其它方式确定出该目标矩阵的列数,例如通过多个工艺步骤中某一个确定出其可能是对应于目标矩阵的列数。当然还可以通过其它方式获取,在此不再赘述。在目标矩阵的列数确定下来的情况下,行数可以根据步骤201所获取的目标时间段内的原始能耗数据的个数来确定,例如将步骤201中获取的原始能耗数据依次填入空白的目标矩阵中,直至剩余的原始能耗数据不能够填满一行,则舍弃这些剩余的原始能耗数据。
可选地,目标矩阵可以根据如下方式获取:
步骤S1:确定目标矩阵的最终列数t’。
这里的最终列数t’可以根据多个工艺步骤所对应的时长的平均值内能够采样的个数。
步骤S2:根据所述原始能耗数据确定一个序列x={x1,x2,…xi,…,xn’},其中xi表示第i个原始能耗数据,1≤i≤n且i为正整数,n’为在目标时间段内满足n’/t’为整数的最大的采样个数。
序列x中的原始能耗数据的个数要求能够组成一个列数为t’的矩阵。这样,有可能会舍弃掉若干个原始能耗数据,例如舍弃掉最后几个原始能耗数据。也就是说,可以按照时间顺序选择出能够满足n’除以t’的结果为整数的最大的采样个数。
如图2B所示的方法,下面描述另外一种确定目标矩阵的最终的列数的方式。
步骤S11,确定目标矩阵的初始列数t。
这里的初始列数t可以根据专家的经验确定,例如专家根据一个或多个工艺步骤的时长来确定。图2B所示的方法中,需要确定多个初始列数t的值,例如根据可以将初始列数依次确定为5,6,7,8等等,直至对初始列数t的取值次数达到一个预设次数。
当然,为了减少初始列数t的取值次数,可以根据至少一个工艺步骤的时长来确定,例如将在一个或多个工艺步骤的时长内能够采样的次数作为各初始列数t。
步骤S12,根据原始能耗数据确定一个初始序列x={x1,x2,…xi,…,xn},其中xi表示第i个原始能耗数据,1≤i≤n且i为正整数,n为在目标时间段内满足n/t为整数的最大的采样个数。
初始序列x中的原始能耗数据的个数要求能够组成一个列数为t的矩阵。这样,有可能会舍弃掉若干个原始能耗数据,例如舍弃掉最后几个原始能耗数据。也就是说,可以按照时间顺序选择出能够满足n除以t的结果为整数的最大的采样个数。
步骤S14,对初始序列中的各原始能耗数据进行中心化操作。
该中心化操作包括:获取初始矩阵中每一行的原始能耗数据的平均值,并将每个原始能耗数据减去其所对应的该行的平均值。
该步骤S14具体可以是获取初始矩阵中每一行的原始能耗数据的平均值,并将每个原始能耗数据减去其所对应的该行的平均值。例如,p1=(x1+x2…+xt)/t,则中心化后的x1变为x1-p1。这样,若pi=(xi+xi+1…+xi+t)/t,pi为初始矩阵中第i行的原始能耗数据的平均值,1≤i≤n-t,那么第i行的数据就变成xi-pi,xi+1-pi,…,xi+t-pi,则中心化后的初始矩阵X变成:
步骤S15,根据中心化后的初始矩阵确定一个第二矩阵XXT。
XT就是初始矩阵X的转置矩阵。
步骤S16,对第二矩阵XXT进行特征值分解得到多个特征值,并根据多个特征值确定出对应的方差占有率。
方差占有率proportion of variance explained可以根据如下公式获取:
步骤S17,更新初始列数t的值并返回执行根据步骤S13,直至更新初始列数t的值至预设次数。
每次更新初始列数t均对应有一个方差占有率。图2B示出的是时间与方差占有率的关系示意图,初始列数t也就是采样个数,该采样个数也对应着采样时间,该采样时间就是图2B中的横坐标。例如采样频率为1分钟1次,初始列数为11时,图2B中横坐标的时间也就是11min。
本实施例的预设次数可以根据实际需要设定。
步骤S18,根据各对应的方差占有率和初始列数t确定一个拐点,并确定拐点对应的时间内能够采样的个数t’,将该t’作为目标矩阵的最终的列数。
用方差占有率来确定拐点能够使得所确定的拐点更加准确。这里的拐点指的是,方差占有率所对应的曲线逐渐平稳的点。图2B示出的是不同的T对应的不同的方差占有率的曲线示意图。例如,当初始列数t确定一个值时,其对应有一个方差占有率,且该初始列数t表示每一行能够有多少个采样的能耗数据,相对应的采样时间T也就确定出来。更为具体地,采样时间为1分钟1次,t=30,一行有30个采样数据,其也就对应着T=30min。也就是说,除了前述的获取初始列数t的方法,还可以通过如图2B所示的对t依次取值的方式来确定出最终的列数t’。如图2B所示,T=30min所对应点为拐点,这之后的方差占有率的曲线趋近于水平,其中T表示时间。图2B示出的T=30min,也就是t’=30。
因重新确定了目标矩阵的列数,因此该目标矩阵内所包含的原始能耗数据的个数可能需要重新调整,可以从步骤201中的原始能耗数据中选择。
步骤203,根据目标矩阵确定一个第一矩阵。
中心化操作的具体步骤可以是:获取目标矩阵中每一行的原始能耗数据的平均值,并将每个原始能耗数据减去其所对应的该行的平均值。该中心化操作与步骤S4相同,在此不再赘述。也就是Xmode的转置矩阵。本实施例中对于中心化操作后地矩阵仍然记为Xmode。
步骤204,获取第一矩阵的一个特征向量矩阵。
该步骤201具体可以包括:
对第一矩阵进行特征值分解;
按照各特征值从大到小的顺序将所对应的特征向量依次排序,并生成特征向量矩阵集合W=[w1;w2;…wj;…;wk],其中wj表示排序后的第j个特征向量矩阵,1≤j≤k。这个特征向量矩阵中的每一行均为一个特征向量对应的值。举例来说,则特征向量矩阵中的第一行数据为w11,w12,…,w1t′。也就是说,特征向量矩阵中的每一行依次对应着排序后的每个特征向量对应的值,即将竖着的一列值横向展开。
具体如何对一个矩阵进行特征值分解属于现有技术,在此不再赘述。将特征值按照从大到小的顺序依次排列,相当于将工艺步骤所对应的能耗模式按照权重从大到小依次排列。
步骤205,根据特征向量矩阵和目标矩阵确定一个能耗矩阵,并根据能耗矩阵各行的数据确定各能耗模式。
这样,最终得到的能耗矩阵可以是:modes=W*Xmode。
具体可以根据能矩阵中的各行数据确定各工艺步骤对应的一个能耗模式。将能耗矩阵中各行数据看作是一个能耗模式,这些能耗模式中可能有能耗模式与工艺步骤一一对应,也可能有无法匹配到工艺步骤的能耗模式,对于无法匹配到能耗模式的工艺步骤可以去掉。
根据能耗模式中的各行数据确定各工艺步骤对应的一个能耗模式包括以下方式中的至少一种:
方式一:舍弃无法匹配工艺步骤的能耗模式。
方式二:确定出与工艺步骤一一对应的能耗模式。
可以将特征值的大小看作是能耗模式的重要程度,特征值对应特征向量表示方向。
步骤206,从各能耗模式中确定出目标模式,确定将目标模式去除之后在预设时间段内的机器能耗。
这里的目标模式就是想要消除的能耗模式。例如,将根据能量模型中确定出的最后h个能耗模式作为目标模式,其中1≤h<k。也就是说,将能耗矩阵modes中后h行数据均变成0,作为调整工艺之后的能耗矩阵modesnew,根据该能耗矩阵就能够获取到相应的机器能耗。由于各特征向量是按照比例从大到小的顺序依次排列,因此可以根据实际需要将相应的特征向量去掉,例如想要去掉排在后面几个的特征向量,就相当于去掉排在后面的几个能耗模式。当然,也可以根据实际需要将modesnew中的每一个能耗模式先获取到,例如,对于能耗模式modesnew而言,其每一行相当于一个能耗模式,并可以根据一行的曲线确定匹配于哪个工艺步骤,这样就可以知道想要去掉哪一个特征向量。
这里可以理解的是,假设生产一个产品A需要经过10个工艺步骤,现需要生产新的产品B,该产品B需要经过5个工艺步骤且该5个工艺步骤包含在产品A所对应的10个工艺步骤中,可以根据产品A的历史数据来模拟生产新产品B的机器能耗,进而能够进行事前评估。
这里的机器能耗矩阵可以根据是W-1*modesnew以及相应的采样频率来获取。其中,W-1是W的逆矩阵。
可以理解的是,对于矩阵中的能耗数据,是按照时间顺序依次排列的,相应地,能耗矩阵中的各个能耗数据也可以看作是按照时间顺序依次排列的,可以获取到某个时间段内相应的能耗数据,这样就能够确定出工艺步骤调整之后的能耗。
根据本实施例,根据原始能耗数据建立相应的矩阵,最终得到能耗矩阵,并进而获取相应的工艺步骤所对应的能耗模式,进而能够确定出需要去除哪些工艺步骤,并得到去除工艺步骤之后的机器能耗,以进行事前评估,避免高投入低产出。
实施例三
本实施例对前述实施例的确定生产工艺能耗的方法做进一步具体的举例说明。
本实施例中,一个继电保护装置的生产工艺包括:切割、冲压、打磨、抛光、擦拭、吹灰、冲洗、组装、封装等18个工艺步骤。目标时间段为24个小时。原始能耗数据的采样时间为1分钟1次,因此获取了1440个原始能耗数据。
首先,获取在这个目标时间段内的各原始能耗数据,x={x1,x2,…,x1440}。根据历史数据,确定上述18个工艺步骤所对应的时长的平均值大概是10分钟。
对各原始能耗数据进行中心化操作:获取每一行各原始能耗数据的平均值pi,pi=(xi+xi+1…+xi+9)/10。
根据该中心化后的初始矩阵生成第二矩阵XXT。对第二矩阵XXT进行特征值分解,获取到最大的特征值λ1,并计算方差占有率然后重新选取初始矩阵X的列数,达到预设次数后,根据各方差占有率对应的曲线选择出拐点。假设,拐点t’=12。
对目标矩阵中的各能耗数据进行中心化操作,即获取目标矩阵Xmode中每一行的平均值,并使得每一个数据减去该行的平均值。假设第j行数据的平均值为p′j,其中1≤j≤120,则中心化后的目标矩阵为:
对该第一矩阵进行特征值分解,并按照各特征值从大到小的顺序将所对应的特征向量依次排序,并生成特征向量矩阵W=[w1;w2;…wi;…;wk],其中wi表示排序后的第i个特征向量,1≤i且≤k。特征向量矩阵中W的每一行的数据为一个特征向量中的数据横向展开。
根据特征向量矩阵确定一个能耗矩阵包括:
这里的每个特征向量都作为特征向量矩阵所形成的矩阵的一列,并最终得到一个能耗模式对应的矩阵。根据能耗模式的每一行确定与工艺步骤相匹配的能耗模式。具体可以根据历史的能耗模式或者专家经验将各个行数据匹配到对应的工艺步骤中,舍弃掉无法匹配到工艺步骤的一行数据,有些能耗模式对应于不必要的工艺步骤,存在被优化的可能性,这些能耗模式中的一个或多个就可以作为目标模式被去掉。
由于特征向量矩阵中的各特征向量是根据特征值从大到小的顺序依次对应排列的,可以将排在后面的h个特征向量去掉,这样能够较为简单的将出现次数较少或者不重要的一些工艺步骤去除。
在去除目标模式后,modes中后h行数据均变成0,并将该变化后的矩阵作为调整工艺步骤之后的能耗矩阵modesnew,并根据能耗矩阵确定出在预设时间段内的机器能耗。
调整工艺步骤之后的机器能耗可以根据W-1*modesnew中的数据确定出来。每一行的一个数据代表一个预测出来的每隔1分钟进行采样的能耗数据。其中W-1是W的逆矩阵。
如图3所示,为根据本实施例的方式在工艺步骤调整前和工艺步骤调整后的机器能耗的曲线示意图,预设时间段为30分钟。横坐标T是时间,单位是分钟,纵坐标E是能耗数据,单位是Wh,L1为工艺步骤调整前的机器能耗的曲线示意图,L2为工艺步骤调整后的机器能耗的曲线示意图,从图3中可以看出其能耗节省了40665Wh。具体地,采样频率是1分钟一次。这样,可以取目标矩阵Xmode中的前30个数据。接下来,可以取W-1*modesnew所得的矩阵结果中的前30个数据。这样就能够得到图3类似的比较图。
实施例四
本实施例提供以一种确定用于生产的机器能耗的装置,用于执行实施例一的确定用于生产的机器能耗的方法。
如图4所示,为根据本实施例的确定用于生产的机器能耗的装置的结构示意图。该确定用于生产的机器能耗的装置包括一个获取单元401、一个第一确定单元402和一个第二确定单元403。
其中,获取单元401用于获取在一个目标时间段内的生产对应的多个原始能耗数据,目标时间段内的生产包括多个工艺步骤,原始能耗数据是通过周期性采样获取的执行工艺步骤的机器所对应的机器能耗;第一确定单元402用于根据原始能耗数据确定各能耗模式,每个能耗模式对应于一个工艺步骤;第二确定单元403用于根据各能耗模式,确定调整各工艺步骤后在一个预设时间段内的机器能耗。
本实施例的各个单元的工作方法与前述实施例相同,在此不再赘述。
根据本发明,通过获取目标时间段内的生产对应的多个原始能耗数据,并对这些原始数据能耗进行分析以获取每个工艺步骤所对应能耗模式,然后再通过这些功耗模型获取调整工艺步骤后目标时间段内的机器能耗,能够在新的生产方案实现之前进行模拟评估,以避免高投入低产出。
实施例五
本实施例对实施例四的确定用于生产的机器能耗的装置做进一步具体说明。如图5所示,为根据本实施例的确定用于生产的机器能耗的装置装置的结构示意图。
该确定用于生产的机器能耗的装置中的第一确定单元402包括一个第一确定子单元4021、一个第二确定子单元4022、一个第一获取子单元4023和一个第三确定子单元4024。其中,第一确定子单元4021用于根据原始能耗数据确定一个目标矩阵,其中目标矩阵的列数是根据至少一个工艺步骤对应的时长获取的;第二确定子单元4022用于根据目标矩阵确定一个第一矩阵;第一获取子单元4023用于获取第一矩阵的一个特征向量矩阵;第三确定子单元4024用于根据特征向量矩阵和目标矩阵确定一个能耗矩阵,并根据能耗矩阵各行的数据确定各能耗模式。
可选地,第一确定子单元4021具体用于:
确定目标矩阵的最终列数t’,所述目标矩阵的最终列数t’为多个工艺步骤所对应的时长的平均值内能够采样的个数;
根据所述原始能耗数据确定一个序列x={x1,x2,…xi,…,xn’},其中xi表示第i个原始能耗数据,1≤i≤n且i为正整数,n’为在目标时间段内满足n’/t’为整数的最大的采样个数;
或者,可选地,第一确定子单元具体用于:
确定目标矩阵的初始列数t;
根据原始能耗数据确定一个初始序列x={x1,x2,…xi,…,xn},其中xi表示第i个原始能耗数据,1≤i≤n且i为正整数,n为在目标时间段内满足n/t为整数的最大的采样个数;
对初始序列中的各原始能耗数据进行中心化操作,该中心化操作包括:获取初始矩阵中每一行的原始能耗数据的平均值,并将每个原始能耗数据减去其所对应的该行的平均值;
根据中心化后的初始矩阵确定一个第二矩阵XXT;
对第二矩阵XXT进行特征值分解得到多个特征值,并根据多个特征值确定出对应的方差占有率;
更新初始列数t的值并返回执行根据初始列数t确定一个初始矩阵的操作,直至更新初始列数t的值至预设次数;
根据各方差占有率确定一个拐点,并确定拐点对应的时间内能够采样的个数t’,将该t’作为目标矩阵的最终的列数;
可选地,第二确定子单元4022具体用于:
对目标矩阵中的各原始能耗数据进行中心化操作,该中心化操作包括:获取目标矩阵中每一行的原始能耗数据的平均值,并将每个原始能耗数据减去其所对应的该行的平均值;
第一获取子单元4023具体用于:
对第一矩阵进行特征值分解;
按照各特征值从大到小的顺序将所对应的特征向量依次排序,并生成特征向量矩阵W=[w1;w2;…wj;…;wk],其中wj表示排序后的第j个特征向量矩阵,1≤j≤k;
第三确定子单元4024具体用于:
modes=W*Xmode,其中modes为能耗矩阵。
可选地,第三确定子单元4024具体用于:
根据能耗矩阵中的各行数据确定各工艺步骤对应的一个能耗模式;
第二确定单元403具体用于:
从各种能耗模式中确定出目标模式;
确定将目标模式去除之后在预设时间段内的机器能耗。
可选地,第二确定单元403进一步具体用于:
将根据能耗矩阵中确定出的最后h个能耗模式作为目标模式,1≤h<k;
将modes中后h行数据变成0,作为调整工艺步骤之后的能耗矩阵modesnew,并根据W-1*modesnew中的数据以及采样频率确定出在预设时间段内的机器能耗。
可选地,根据调整工艺步骤之后的能耗矩阵确定出在预设时间段内的机器能耗包括:根据W-1*modesnew中的数据以及采样频率确定出在预设时间段内的机器能耗。
本实施例的各个单元的工作方法与前述实施例相同,在此不再赘述。
根据本实施例,根据原始能耗数据建立相应的矩阵,最终得到能耗矩阵,并进而获取相应的工艺步骤所对应的能耗模式,进而能够确定出需要去除哪些工艺步骤,并得到去除工艺步骤之后的机器能耗,以进行事前评估,避免高投入低产出。
本实发明还提供一种确定用于生产的机器能耗的装置,包括至少一个存储器和至少一个处理器。其中,存储器用于存储指令。处理器用于根据存储器存储的指令执行前述任意实施例所描述的确定用于生产的机器能耗的方法。
本发明的实施例还提供一种可读存储介质。该可读存储介质中存储有机器可读指令,机器可读指令当被一个机器执行时,机器执行前述任意实施例所描述的确定用于生产的机器能耗的方法。
该可读介质上存储有机器可读指令,该机器可读指令在被处理器执行时,使处理器执行前述的任一种方法。具体地,可以提供配有可读存储介质的***或者装置,在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该***或者装置的计算机或处理器读出并执行存储在该可读存储介质中的机器可读指令。
在这种情况下,从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上或云上下载程序代码。
本领域技术人员应当理解,上面公开的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此,本发明的保护范围应当由所附的权利要求书来限定。
需要说明的是,上述各流程和各***结构图中不是所有的步骤和单元都是必须的,可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的,可以根据需要进行调整。上述各实施例中描述的装置结构可以是物理结构,也可以是逻辑结构,即,有些单元可能由同一物理实体实现,或者,有些单元可能分由多个物理实体实现,或者,可以由多个独立设备中的某些部件共同实现。
以上各实施例中,硬件单元可以通过机械方式或电气方式实现。例如,一个硬件单元或处理器可以包括永久性专用的电路或逻辑(如专门的处理器,FPGA或ASIC)来完成相应操作。硬件单元或处理器还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器),可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (16)
1.确定用于生产的机器能耗的方法,其特征在于,包括:
获取在一个目标时间段内的生产对应的多个原始能耗数据,所述目标时间段内的生产包括多个工艺步骤,所述原始能耗数据是通过周期性采样获取的执行工艺步骤的机器所对应的机器能耗;
根据所述原始能耗数据确定各能耗模式,每个能耗模式对应于一个工艺步骤;
根据各所述能耗模式,确定调整各工艺步骤后在一个预设时间段内的机器能耗;
根据所述原始能耗数据确定各能耗模式包括:
根据所述原始能耗数据确定一个目标矩阵,其中所述目标矩阵的列数是根据至少一个工艺步骤对应的时长获取的;
根据所述目标矩阵确定一个第一矩阵;
获取所述第一矩阵的一个特征向量矩阵;
根据所述特征向量矩阵和所述目标矩阵确定一个能耗矩阵,并根据所述能耗矩阵各列的数据确定各能耗模式;
根据所述原始能耗数据确定一个目标矩阵包括:
确定目标矩阵的初始列数t;
根据所述原始能耗数据确定一个初始序列x={x1,x2,…xi,…,xn},其中xi表示第i个原始能耗数据,1≤i≤n且i为正整数,n为在目标时间段内满足n/t为整数的最大的采样个数;
根据初始列数t确定一个初始矩阵
对所述初始序列中的各原始能耗数据进行中心化操作,该中心化操作包括:获取所述初始矩阵中每一行的原始能耗数据的平均值,并将每个原始能耗数据减去其所对应的该行的平均值;
根据中心化后的初始矩阵确定一个第二矩阵XXT;
对所述第二矩阵XXT进行特征值分解得到多个特征值,并根据多个特征值确定出对应的方差占有率;
更新所述初始列数t的值并返回执行根据初始列数t确定一个初始矩阵的操作,直至更新所述初始列数t的值至预设次数;
根据各对应的方差占有率和初始列数t确定一个拐点,并确定所述拐点对应的时间内能够采样的个数t’,将该t’作为所述目标矩阵的最终的列数;
确定一个目标矩阵n’为在目标时间段内满足n’/t’为整数的最大的采样个数。
2.根据权利要求1所述的方法,其特征在于,所述目标矩阵的列数为根据多个工艺步骤所对应的时长的平均值内能够采样的个数。
3.根据权利要求1所述的方法,其特征在于,根据所述原始能耗数据确定一个目标矩阵包括:
确定目标矩阵的最终列数t’;
根据所述原始能耗数据确定一个序列x={x1,x2,…xi,…,xn’},其中xi表示第i个原始能耗数据,1≤i≤n且i为正整数,n’为在目标时间段内满足n’/t’为整数的最大的采样个数;
根据最终列数t’确定一个目标矩阵
4.根据权利要求3所述的方法,其特征在于,所述目标矩阵的最终列数t’为多个工艺步骤所对应的时长的平均值内能够采样的个数。
5.根据权利要求1所述的方法,其特征在于,根据所述目标矩阵确定一个第一矩阵包括:
对所述目标矩阵中的各原始能耗数据进行中心化操作,该中心化操作包括:获取所述目标矩阵中每一行的原始能耗数据的平均值,并将每个原始能耗数据减去其所对应的该行的平均值;
根据中心化后的目标矩阵Xmode确定所述第一矩阵
获取所述第一矩阵的一个特征向量矩阵包括:
对所述第一矩阵进行特征值分解;
按照各特征值从大到小的顺序将所对应的特征向量依次排序,并生成特征向量矩阵W=[w1;w2;…wj;…;wk],其中wj表示排序后的第j个特征向量矩阵,1≤j≤k,所述特征向量矩阵的每一行为一个特征向量对应的值;
根据所述特征向量矩阵和所述目标矩阵确定一个能耗矩阵包括:
modes=W*Xmode,其中modes为所述能耗矩阵。
6.根据权利要求5所述的方法,其特征在于,根据所述能耗矩阵各列的数据确定各能耗模式包括:
根据能耗矩阵中的各列数据确定各工艺步骤对应的一个能耗模式;
根据各所述能耗模式,确定调整各工艺步骤后在一个预设时间段内的机器能耗包括:
从各种能耗模式中确定出目标模式;
确定将目标模式去除之后在所述预设时间段内的机器能耗。
7.根据权利要求6所述的方法,其特征在于,从各种能耗模式中确定出目标模式包括:将根据能耗矩阵中确定出的最后h个能耗模式作为目标模式,1≤h<k;
确定将目标模式去除之后在所述预设时间段内的机器能耗包括:
将modes中后h行数据变成0,作为调整工艺步骤之后的能耗矩阵modesnew,并根据调整工艺步骤之后的能耗矩阵确定出在预设时间段内的机器能耗。
8.根据权利要求7所述的方法,其特征在于,根据调整工艺步骤之后的能耗矩阵确定出在预设时间段内的机器能耗包括:
根据W-1*modesnew中的数据以及采样频率确定出在预设时间段内的机器能耗。
9.根据权利要求7所述的方法,其特征在于,根据能耗矩阵中的各行数据确定各工艺步骤对应的一个能耗模式包括以下方式中的至少一种:
方式一:舍弃无法匹配工艺步骤的一行数据;
方式二:确定出与工艺步骤一一对应的一行数据作为一个能耗模式。
10.确定用于生产的机器能耗的装置,其特征在于,包括:
一个获取单元,用于获取在一个目标时间段内的生产对应的多个原始能耗数据,所述目标时间段内的生产包括多个工艺步骤,所述原始能耗数据是通过周期性采样获取的执行工艺步骤的机器所对应的机器能耗;
一个第一确定单元,用于根据所述原始能耗数据确定各能耗模式,每个能耗模式对应于一个工艺步骤;
一个第二确定单元,用于根据各所述能耗模式,确定调整各工艺步骤后在一个预设时间段内的机器能耗;所述第一确定单元包括:
一个第一确定子单元,用于根据所述原始能耗数据确定一个目标矩阵,其中所述目标矩阵的列数是根据至少一个工艺步骤对应的时长获取的;
一个第二确定子单元,用于根据所述目标矩阵确定一个第一矩阵;
一个第一获取子单元,用于获取所述第一矩阵的一个特征向量矩阵;
一个第三确定子单元,用于根据所述特征向量矩阵和所述目标矩阵确定一个能耗矩阵,并根据所述能耗矩阵各行的数据确定各能耗模式;
所述第一确定子单元具体用于:
确定目标矩阵的初始列数t;
根据所述原始能耗数据确定一个初始序列x={x1,x2,…xi,…,xn},其中xi表示第i个原始能耗数据,1≤i≤n且i为正整数,n为在目标时间段内满足n/t为整数的最大的采样个数;
根据初始列数t确定一个初始矩阵
对所述初始序列中的各原始能耗数据进行中心化操作,该中心化操作包括:获取所述初始矩阵中每一行的原始能耗数据的平均值,并将每个原始能耗数据减去其所对应的该行的平均值;
根据中心化后的初始矩阵确定一个第二矩阵XXT;
对所述第二矩阵XXT进行特征值分解得到多个特征值,并根据多个特征值确定出对应的方差占有率;
更新所述初始列数t的值并返回执行根据初始列数t确定一个初始矩阵的操作,直至更新所述初始列数t的值至预设次数;
根据各对应的方差占有率和初始列数t确定一个拐点,并确定所述拐点对应的时间内能够采样的个数t’,将该t’作为所述目标矩阵的最终的列数;
确定一个目标矩阵n’为在目标时间段内满足n’/t’为整数的最大的采样个数。
11.根据权利要求10所述的装置,其特征在于,所述第一确定子单元具体用于:
确定目标矩阵的最终列数t’,所述目标矩阵的最终列数t’为多个工艺步骤所对应的时长的平均值内能够采样的个数;
根据所述原始能耗数据确定一个序列x={x1,x2,…xi,…,xn’},其中xi表示第i个原始能耗数据,1≤i≤n且i为正整数,n’为在目标时间段内满足n’/t’为整数的最大的采样个数;
根据最终列数t’确定一个目标矩阵
12.根据权利要求10所述的装置,其特征在于,所述第二确定子单元具体用于:
对所述目标矩阵中的各原始能耗数据进行中心化操作,该中心化操作包括:获取所述目标矩阵中每一行的原始能耗数据的平均值,并将每个原始能耗数据减去其所对应的该行的平均值;
根据中心化后的目标矩阵Xmode确定所述第一矩阵
所述第一获取子单元具体用于:
对所述第一矩阵进行特征值分解;
按照各特征值从大到小的顺序将所对应的特征向量依次排序,并生成特征向量矩阵W=[w1;w2;…wj;…;wk],其中wj表示排序后的第j个特征向量矩阵,1≤j≤k,所述特征向量矩阵的每一行为一个特征向量对应的值;
所述第三确定子单元具体用于:
modes=W*Xmode,其中modes为所述能耗矩阵。
13.根据权利要求12所述的装置,其特征在于,所述第三确定子单元具体用于:
根据能耗矩阵中的各行数据确定各工艺步骤对应的一个能耗模式;
所述第二确定单元具体用于:
从各种能耗模式中确定出目标模式;
确定将目标模式去除之后在所述预设时间段内的机器能耗。
14.根据权利要求13所述的装置,其特征在于,所述第二确定单元进一步具体用于:
将根据能耗矩阵中确定出的最后h个能耗模式作为目标模式,1≤h<k;
将modes中后h行数据变成0,作为调整工艺步骤之后的能耗矩阵modesnew,并根据W-1*modesnew中的数据以及采样频率确定出在预设时间段内的机器能耗。
15.确定用于生产的机器能耗的装置,其特征在于,包括:
至少一个存储器,其用于存储指令;
至少一个处理器,其用于根据所述存储器存储的指令执行根据权利要求1-9中任一项所述的确定用于生产的机器能耗的方法。
16.可读存储介质,其特征在于,所述可读存储介质中存储有机器可读指令,所述机器可读指令当被一个机器执行时,所述机器执行根据权利要求1-9中任一项所述的确定用于生产的机器能耗的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010522303.5A CN111667186B (zh) | 2020-06-10 | 2020-06-10 | 确定用于生产的机器能耗的方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010522303.5A CN111667186B (zh) | 2020-06-10 | 2020-06-10 | 确定用于生产的机器能耗的方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667186A CN111667186A (zh) | 2020-09-15 |
CN111667186B true CN111667186B (zh) | 2023-05-05 |
Family
ID=72386412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010522303.5A Active CN111667186B (zh) | 2020-06-10 | 2020-06-10 | 确定用于生产的机器能耗的方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667186B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112578178B (zh) * | 2020-12-07 | 2021-10-15 | 珠海格力电器股份有限公司 | 能源信息监测方法、能源监测装置以及生产线、存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034497A (zh) * | 2018-08-31 | 2018-12-18 | 广东工业大学 | 多晶硅还原工序能耗值的预测方法、***、介质及设备 |
CN110991043A (zh) * | 2019-12-03 | 2020-04-10 | 北京中计开元科技有限公司 | 一种能源消耗***的能耗建模与评估方法 |
-
2020
- 2020-06-10 CN CN202010522303.5A patent/CN111667186B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034497A (zh) * | 2018-08-31 | 2018-12-18 | 广东工业大学 | 多晶硅还原工序能耗值的预测方法、***、介质及设备 |
CN110991043A (zh) * | 2019-12-03 | 2020-04-10 | 北京中计开元科技有限公司 | 一种能源消耗***的能耗建模与评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111667186A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069310B (zh) | 基于主动学习策略的文本分类方法及*** | |
CN112417028A (zh) | 一种风速时序特征挖掘方法及短期风电功率预测方法 | |
CN111667186B (zh) | 确定用于生产的机器能耗的方法与装置 | |
JP7267966B2 (ja) | 情報処理装置及び情報処理方法 | |
CN106802888B (zh) | 词向量训练方法和装置 | |
CN116266281B (zh) | 量子比特控制信号的参数标定方法、装置及量子计算机 | |
CN115423175A (zh) | 一种风电功率预测误差分解方法 | |
CN111931990B (zh) | 基于优化最小二乘支持向量机的电力负荷预测方法 | |
Bablani et al. | Efficient and effective methods for mixed precision neural network quantization for faster, energy-efficient inference | |
CN111400964B (zh) | 一种故障发生时间预测方法及装置 | |
CN110111275B (zh) | 一种信号降噪的方法、***及计算机存储介质 | |
Moss | Cross-entropy method variants for optimization | |
CN116204774A (zh) | 一种基于分层元学习的刀具磨损稳定预测方法 | |
CN112419098B (zh) | 基于安全信息熵的电网安全稳定仿真样本筛选扩充方法 | |
Kilic | A lévy flight based bat optimization algorithm for block-based image compression | |
JPH10301617A (ja) | 制御モデル構築支援装置およびその方法 | |
CN115204324B (zh) | 基于ifoa-dbn-elm的设备耗电异常检测方法和装置 | |
CN117151425B (zh) | 一种基于rql算法的选择拆卸规划方法及*** | |
CN110737773B (zh) | 一种基于神经网络的信息分类方法和*** | |
CN114898152B (zh) | 嵌入式弹性自扩展通用学习*** | |
CN118152923A (zh) | 基于人工智能的碳排放量监测方法及*** | |
CN117893216B (zh) | 基于大数据的用户行为分析方法及*** | |
JP2020071777A (ja) | 時系列特徴抽出装置、時系列特徴抽出方法及びプログラム | |
US20220261648A1 (en) | Gradient pruning for efficient training of machine learning models | |
CN117600887A (zh) | 机床减振方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |