CN113741402A - 一种设备控制方法、装置、计算机设备和存储介质 - Google Patents
一种设备控制方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113741402A CN113741402A CN202111114936.3A CN202111114936A CN113741402A CN 113741402 A CN113741402 A CN 113741402A CN 202111114936 A CN202111114936 A CN 202111114936A CN 113741402 A CN113741402 A CN 113741402A
- Authority
- CN
- China
- Prior art keywords
- control
- information entropy
- equipment
- control parameter
- sample set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000003066 decision tree Methods 0.000 claims abstract description 65
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011217 control strategy Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种设备控制方法、装置、计算机设备和存储介质。设备控制方法包括:获取目标时刻的控制参数;根据所述控制参数,和预先构建的决策树,确定设备控制指令;执行所述设备控制指令,控制设备。本发明实施例实现提高设备控制的精准性。
Description
技术领域
本发明实施例涉及自动控制技术,尤其涉及一种设备控制方法、装置、计算机设备和存储介质。
背景技术
目前在工业生产环境与商业办公环境中,从大型机电及热机设备至个人小型用电器,均属于单台设备。设备的控制方式,对供能负荷以及用户自身能源消耗量存在较大影响,对单台设备的使用寿命以及维护周期也存在较大影响。
当前对于单台设备的控制绝大多数是固定控制策略,最常见的是基于时刻的控制策略。
对于当前社会发展需要的精细化管理,固定控制策略已逐渐出现弊端,无法高效实现对设备的精准控制。
发明内容
本发明实施例提供一种设备控制方法、装置、计算机设备和存储介质,以实现对设备控制,并提高设备控制的精准性。
第一方面,本发明实施例提供了一种设备控制方法,包括:
获取目标时刻的控制参数;
根据所述控制参数,和预先构建的决策树,确定设备控制指令;
执行所述设备控制指令,控制设备。
第二方面,本发明实施例还提供了一种设备控制装置,包括:
控制参数获取模块,用于获取目标时刻的控制参数;
控制指令确定模块,用于根据所述控制参数,和预先构建的决策树,确定设备控制指令;
设备控制模块,用于执行所述设备控制指令,控制设备。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例提供的设备控制方法。
第四方面,本发明实施例还提供了一种包括计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例提供的设备控制方法。
本发明实施例通过获取多个控制参数,根据控制参数和预先构建的决策树中,确定设备控制指令,解决了现有技术中基于单因素的固定式控制策略无法精确控制设备的问题,实现决策树根据多个控制参数控制设备,综合考虑多个控制参数,可以提高对设备控制的精准性,进而可以减少因为判断错误导致设备频繁进行状态的切换,提高设备使用寿命。
附图说明
图1是本发明实施例一中的一种设备控制方法的流程图;
图2是本发明实施例二中的一种设备控制方法的流程图;
图3是本发明实施例二中的一种样本集合的示意图;
图4是本发明实施例二中的一种决策树的示意图;
图5是本发明实施例三中的一种设备控制方法的流程图;
图6是本发明实施例四中的一种决策树生成决策策略流程示意图;
图7是本发明实施例五中的一种设备控制装置的结构示意图;
图8是本发明实施例六中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种设备控制方法的流程图,本实施例可适用于对设备控制的情况,该方法可以由设备控制装置来执行,该装置可以由软件和/或硬件来实现,具体配置于计算机设备中,计算机设备可以是服务端设备和客户端设备,例如,客户端设备是可以是手机、平板电脑、车载终端或台式计算机等。具体包括如下步骤:
S110,获取目标时刻的控制参数。
目标时刻指对设备控制进行决策的时刻,示例性的,目标时刻可以为当前时刻。控制参数指影响设备控制决策的变量,控制参数的类型数量大于等于2,示例性的,控制参数包括但不限于工作日、时间段、季节、温度和湿度等。需要说明的是,控制参数可以根据具体设备类型确定控制参数,例如,路灯控制参数至少包括时间段、光照强度和季节。
S120,根据所述控制参数,和预先构建的决策树,确定设备控制指令。
决策树是一种典型的分类方法,构建决策树指通过相应训练算法生成决策树,示例性的,训练算法可以是ID3(Iterative Dichotomiser 3,迭代二叉树3代)或CART(Classification And Regression Tree,分类回归树)等。设备控制指令指控制设备进入相应状态的指令,示例性的,控制指令可以是启动、待机和停止等。将控制参数输入到预先构建的决策树中,得到设备控制指令。
S130,执行所述设备控制指令,控制设备。
设备控制指令用于控制设备执行相应操作。示例性的,当控制指令为启动时,控制设备启动进入运行状态,当控制指令为停止时,控制设备停止进入停止状态,当控制指令为待机时,控制设备停止进入待机状态。
本发明实施例通过获取多个控制参数,根据控制参数和预先构建的决策树中,确定设备控制指令,解决了现有技术中基于单因素的固定式控制策略无法精确控制设备的问题,实现决策树根据多个控制参数控制设备,综合考虑多个控制参数,可以提高对设备控制的精准性,进而可以减少因为判断错误导致设备频繁进行状态的切换,提高设备使用寿命。
实施例二
图2为本发明实施例二提供的一种设备控制方法的流程图,本实施例的技术方案在上述技术方案的基础上进一步细化,具体的,在根据所述控制参数,和预先构建的决策树,确定设备控制指令之前,还包括:获取历史时间段内的各时刻的控制参数,和所述设备在各所述时刻的设备状态类型,生成样本集合;根据所述样本集合,构建决策树。该方法包括:
S210,获取目标时刻的控制参数。
S220,获取历史时间段内的各时刻的控制参数,和所述设备在各所述时刻的设备状态类型,生成样本集合。
历史时间段内为当前时刻之前的某一段时间段。各时刻的控制参数指在历史时间段内按照一定的频率采集得到的不同时刻的控制参数。具体的,每一类型的控制参数在每个时刻可以对应采集得到一个属性值,各种类型的控制参数数据采集频率基本一致。示例性的,可以每间隔2小时采集一次各种类型的控制参数数据。在获取历史时间段内的各时刻的控制参数的同时,获取对应的设备状态类型。
在一个可选实施例中,所述设备状态类型包括运行状态或停止状态。
运行状态指设备处于运行的状态,停止状态指设备处于停止运行的状态。需要说明的是,设备状态也可以包括待机状态,可以根据实际需要进行调整,本发明不做具体限定。
通过设置设备状态为运行或停止,可以实现精准控制设备的运行或停止,提高设备的运行和停止控制的精准性。
在一个可选实施例中,所述获取历史时间段内的各时刻的控制参数,和所述设备在各所述时刻的设备状态类型,生成样本集合,包括:获取同一时刻的控制参数,和所述设备的设备状态类型,形成一个样本;根据历史时间段内的各时刻的样本,生成样本集合。
同一时刻的控制参数和设备状态类型形成一个样本,历史时间段内的各时刻的样本形成样本集合。图3为一种样本集合示意图,样本集合中共有M个样本,每个样本中包括N种类型的控制参数。表格中序号表示样本的标识信息,以每天24小时中从0时开始每间隔2小时采集一次数据为例,序号1表示2时采集的样本,序号2表示4时采集的样本,以此类推。xN表示不同类型的控制参数,示例性的,控制参数x1有3种取值分别为A、B和C;控制参数x2有3种取值分别为D、E和F;控制参数x3有2种取值分别为G和H;控制参数xN有3种取值分别为I、J和K。表格中每一行表示一个样本,表格中每一列表示控制参数或设备状态在不同时刻的属性值,整个表格表示一个样本集合,即具有N个控制参数的数据序列集合D={x1[M],x2[M],x3[M]...xN[M]},每一控制参数数据序列xN[M],包括M个控制参数数据,表示一段时间内M个时刻点对应的该控制参数。
通过将采集不同时刻的控制参数和设备的设备状态类型形成样本集合,样本集合中控制参数的不同属性值都有对应的设备状态类型,可以得到每种设备状态类型对应的多种控制参数的属性值情况,提高训练得到的决策树决策准确率。
S230,根据所述样本集合,构建决策树。
选择决策树各节点的控制参数类型过程即为构建决策树过程,决策树各节点包括,根节点、内部节点和叶节点,具体的,根节点为决策树的顶端,也即决策树开始的节点;内部节点为决策树中间的节点,内部节点之间存在父节点和子节点关系;叶节点为决策树最底部的节点,也即决策结果。图4为一种决策树的示意图,图4以图3中前3个控制变量作为示例,图中控制变量x4之后的节点不做具体展开。图4中根节点为控制变量x1,控制变量x1取值为A时,对应内部节点控制变量x2;控制变量x1取值为B时,对应内部节点控制变量x3;控制变量x1取值为C时,对应叶节点,即设备的设备控制指令启动。中间节点控制变量x2,控制变量x2取值为D时,对应叶节点,即设备的设备控制指令停止;控制变量x2取值为E时,对应内部节点控制变量x3;控制变量x2取值为F时,对应内部节点控制变量x4,内部节点控制变量x2为内部节点控制变量x3和x4的上层节点。中间节点控制变量x3,控制变量x3取值为G时,对应叶节点,即设备的设备控制指令停止;控制变量x3取值为H时,对应叶节点,即设备的设备控制指令启动。当决策树的所有分支都到达叶节点时,构成一个完整的决策树结构。
在一个可选实施例中,所述根据所述样本集合,构建决策树,包括:计算所述样本集合中各控制参数的信息熵增益;根据各所述控制参数的信息熵增益,构建决策树,信息熵增益大的控制参数为信息熵增益小的控制参数的上层节点,信息熵增益最大的控制参数为根节点。
信息熵增益的计算公式如下:
其中,D表示数据集,a表示数据集中的一个控制参数,v表示该控制参数的属性值,V表示控制参数的全部属性值集合,Dv表示当a=v时的样本数,Ent(Dv)表示a=v的这个子数据集的信息熵,Ent(D)表示整个数据集合的信息熵,|Dv|和|D|分别表示集合Dv和D中样本数量的数值。数据集合的信息熵计算公式如下:
其中,pk表示数据集D内(运行状态的样本)除以数据集D内总样本数(运行状态样本+停止状态样本),K为2,即设备的两种状态(运行或停止)。
计算出所有控制参数的信息熵增益,比较控制参数的信息熵增益大小,信息熵增益大的控制参数为信息熵增益小的控制参数的上层节点,上层节点为父节点,也即信息熵增益大的控制参数为信息熵增益小的控制参数的父节点,信息熵增益小的控制参数为信息熵增益大的控制参数的子节点。信息熵增益最大的控制参数为根节点,根节点为决策树起始节点。
通过计算集合中各控制参数的信息熵增益,确定各控制参数的节点类型,构建决策树结构,可以减少噪声干扰,提高决策树分类的准确性。
S240,根据所述控制参数,和预先构建的决策树,确定设备控制指令。
S250,执行所述设备控制指令,控制设备。
本发明实施例通过将历史时间段内的各时刻的控制参数和设备状态类型生成样本集合,根据样本集合构建决策树,所生成树的具体结构中得到详细的设备控制策略,根据多个控制参数确定设备控制策略,提高设备控制的精准性。
实施例三
图5为本发明实施例三提供的一种设备控制方法的流程图,本实施例的技术方案在上述技术方案的基础上进一步细化,具体的,将计算所述样本集合中控制参数的信息熵增益,细化为:根据所述样本集合中不同设备状态类型的样本数量,计算所述样本集合的信息熵;从所述样本集合选择一个控制参数,并从选择的控制参数的不同属性值中选择一个目标属性值;在所述样本集合中获取所述目标属性值所属的样本,形成一个子集合,返回执行选择一个目标属性值,直至全部属性值选择完成;计算各所述子集合的信息熵;根据所述样本集合的信息熵和各所述子集合的信息熵,计算所述控制参数的信息熵增益。该方法包括:
S310,获取目标时刻的控制参数。
S320,获取历史时间段内的各时刻的控制参数,和所述设备在各所述时刻的设备状态类型,生成样本集合。
S330,根据所述样本集合中不同设备状态类型的样本数量,计算所述样本集合的信息熵。
样本集合的信息熵计算公式如下:
S340,从所述样本集合选择一个控制参数,并从选择的控制参数的不同属性值中选择一个目标属性值。
目标属性值指所选的控制参数的具体取值,示例性的,图3展示的样本集合中控制参数x1的目标属性值为A、B和C。具体的,从选择的控制参数的不同属性值中选择一个目标属性值可以是x1=A、x1=B或x1=C。
S350,在所述样本集合中获取所述目标属性值所属的样本,形成一个子集合,返回执行选择一个目标属性值,直至全部属性值选择完成。
在样本集合中获取所有的目标属性值所属的样本,示例性的,选择x1=A,控制参数中所有x1=A的样本组成一个子集合。返回执行选择一个目标属性值,指返回选择控制参数的其他目标属性值,示例性的,分别返回执行选择x1=B和x1=C,并获取相应的子集合。
S360,计算各所述子集合的信息熵。
计算各子集合的信息熵的计算公式如下:
其中,公式中个变量含义与前述实施例中相同,这里不再赘述。
S370,根据所述样本集合的信息熵和各所述子集合的信息熵,计算所述控制参数的信息熵增益。
控制参数的信息熵增益计算公式如下:
其中,公式中个变量含义与前述实施例中相同,这里不再赘述。
在一个可选实施例中,所述根据所述样本集合的信息熵和各所述子集合的信息熵,计算所述控制参数的信息熵增益,包括:计算所述子集合的样本数量与所述样本集合的样本数量之间的比值,确定为所述子集合的样本数量比值;计算所述子集合的信息熵,并根据所述子集合的样本数量比值,计算所述子集合的信息熵分量;根据所述样本集合的信息熵和各所述子集合的信息熵分量,计算所述控制参数的信息熵增益。
计算子集合的样本数量与样本集合的样本数量之间的比值,确定为子集合的样本数量比值,示例性的,计算控制参数x1中x1=A、x1=B或x1=C的样本数与控制参数x1的总样本数比值,确定为相应的子集合的样本数量比值,子集合的信息熵为Ent(Dv),信息熵分量为子集合的样本数量比值与子集合的信息熵的乘积,累加信息熵分量,并用集合的信息熵减去累加的信息熵分量得到控制参数的信息熵增益。
通过个控制参数的信息熵减去子集合的信息熵分量得到控制参数的信息熵增益,通过信息熵增益可以确定控制参数对应的决策树中节点类型。
S380,根据各所述控制参数的信息熵增益,构建决策树,信息熵增益大的控制参数为信息熵增益小的控制参数的上层节点,信息熵增益最大的控制参数为根节点。
S390,根据所述控制参数,和预先构建的决策树,确定设备控制指令。
S311,执行所述设备控制指令,控制设备。
本发明实施例通过计算样本集合的信息熵和各子集合的信息熵,得到控制参数的信息熵增益,信息熵可以表示信息的混乱程度,信息熵越大表示信息越无序,信息熵越小表示信息越有序,信息熵增益表示某个条件熵对信息熵减少的程度,信息熵增益越大表示某个条件熵对信息熵减少的程度越大,信息熵增益越小表示某个条件熵对信息熵减少的程度越小,将信息熵增益大的控制因素作为上层节点,构建决策树,可以按照从信息熵增益从大到小的顺序依次构建决策树,即以决策影响最大的控制参数优先排序,并按照决策影响次序依次为控制参数确定决策树中的位置,提高决策树的构建准确率和效率。
实施例四
图6为本发明实施例四提供的一种决策树生成决策策略流程示意图。本实施例的技术方案为决策树生成决策策略的流程,该方法包括:
S410,采集某一时间段的设备控制参数数据。
获得具有N个控制参数的数据序列集合D={x1[M],x2[M],x3[M]...xN[M]},每一控制参数数据序列xk[M],包括M个控制参数数据,表示某一段时间内M个时刻点对应的该控制参数的数据,如上述实施例中图3中所示。
S420,计算集合信息熵Ent(D)和各控制参数信息熵增益。
设备具备的两种状态类型(运行状态或停止状态)。分别计算每种状态的样本数量占总样本数的比值,计算集合信息熵Ent(D)。计算每一控制参数信息增益Gain(D,x1)、Gain(D,x2)...Gain(D,xN)。其中集合信息熵和控制参数信息增益计算公式在前述实施例已经详细说明,这里不再赘述。
S430,根据各控制参数信息熵增益构建决策树。
将信息熵增益大的控制参数作为上层节点,信息熵增益最大的控制参数作为根节点,形成决策树结构。通过遍历选择最适合分割当前样本集合的控制参数,即当前信息熵增益最大的控制参数,然后不断地对分割的子数据集进行类似操作,直至分割后的子数据集内的样本对应的设备状态被认为基本一致。需要说明的是随着决策树的生长,样本集合被不断分割,直至分割的子集合被认为纯度足够高,例如设备状态全是“运行”状态的样本,但有时为了避免过拟合,并不会要求状态均一致。
S440,回归遍历决策树结构。
梳理规整生成设备控制策略。以图4为例,示例生成设备控制策略:当特征因素x1=C时,控制设备进入运行状态。当x1=A且x2=E且x3=G时,控制设备进入停止状态。
S450,选取另一个数据集合D。
选择不同于S410中的另一个时间段,从S410开始,计算新的样本集合中的样本数据的集合信息熵Ent(D)和各控制参数信息熵增益,迭代决策树,优化设备控制策略。
S460,输出设备控制策略。
本发明实施例通过将回归遍历决策树结构,和通过多个样本集合迭代优化决策树,得到设备控制策略,提高设备控制的精准性。
实施例五
图7为本发明实施例五提供的一种设备控制装置的结构示意图。实施例五是实现本发明上述实施例提供的设备控制方法的相应装置,该装置可采用软件和/或硬件的方式实现,并一般可集成在计算机设备中。设备控制装置包括:
控制参数获取模块510,用于获取目标时刻的控制参数;
控制指令确定模块520,用于根据所述控制参数,和预先构建的决策树,确定设备控制指令;
设备控制模块530,用于执行所述设备控制指令,控制设备。
本发明实施例通过获取多个控制参数,根据控制参数和预先构建的决策树中,确定设备控制指令,解决了现有技术中基于单因素的固定式控制策略无法精确控制设备的问题,实现决策树根据多个控制参数控制设备,综合考虑多个控制参数,可以提高对设备控制的精准性,进而可以减少因为判断错误导致设备频繁进行状态的切换,提高设备使用寿命。
进一步的,设备控制装置,还包括:样本集合生成模块,用于获取历史时间段内的各时刻的控制参数,和所述设备在各所述时刻的设备状态类型,生成样本集合;决策树构建模块,用于根据所述样本集合,构建决策树。
进一步的,所述决策树构建模块,包括:控制参数信息熵增益单元,用于计算所述样本集合中各控制参数的信息熵增益;节点确定单元,用于根据各所述控制参数的信息熵增益,构建决策树,信息熵增益大的控制参数为信息熵增益小的控制参数的上层节点,信息熵增益最大的控制参数为根节点。
进一步的,所述样本集合生成模块,包括:样本形成单元,用于获取同一时刻的控制参数,和所述设备的设备状态类型,形成一个样本;样本集合生成单元,用于根据历史时间段内的各时刻的样本,生成样本集合。
进一步的,所述控制参数信息熵增益单元,具体用于:根据所述样本集合中不同设备状态类型的样本数量,计算所述样本集合的信息熵;从所述样本集合选择一个控制参数,并从选择的控制参数的不同属性值中选择一个目标属性值;在所述样本集合中获取所述目标属性值所属的样本,形成一个子集合,返回执行选择一个目标属性值,直至全部属性值选择完成;计算各所述子集合的信息熵;根据所述样本集合的信息熵和各所述子集合的信息熵,计算所述控制参数的信息熵增益。
进一步的,所述根据所述样本集合的信息熵和各所述子集合的信息熵,计算所述控制参数的信息熵增益,具体用于:计算所述子集合的样本数量与所述样本集合的样本数量之间的比值,确定为所述子集合的样本数量比值;计算所述子集合的信息熵,并根据所述子集合的样本数量比值,计算所述子集合的信息熵分量;根据所述样本集合的信息熵和各所述子集合的信息熵分量,计算所述控制参数的信息熵增益。
进一步的,所述设备状态类型包括运行状态或停止状态。
上述装置可执行本发明实施例所提供的设备控制方法,具备执行设备控制方法相应的功能模块和有益效果。
实施例六
图8为本发明实施例六提供的一种计算机设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图8显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。计算机设备12可以是挂接在总线上的设备。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及***组件互连(PerIPheral Component Interconnect,PCI)总线。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM),数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。***存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序组件,这些程序组件被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序组件42的程序/实用工具40,可以存储在例如***存储器28中,这样的程序组件42包括但不限于操作***、一个或者多个应用程序、其它程序组件以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序组件42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(Input/Output,I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local AreaNetwork,LAN),广域网(Wide Area Network,WAN)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它组件通信。应当明白,尽管图8中未示出,可以结合计算机设备12使用其它硬件和/或软件组件,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列(Redundant Arrays ofInexpensive Disks,RAID)***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明任意实施例所提供的设备控制方法。
实施例七
本发明实施例七提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有发明实施例提供的设备控制方法:
也即,该程序被处理器执行时实现:获取目标时刻的控制参数;根据所述控制参数,和预先构建的决策树,确定设备控制指令;执行所述设备控制指令,控制设备。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、RAM、只读存储器(Read OnlyMemory,ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、无线电频率(RadioFrequency,RF)等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括LAN或WAN——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明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发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种设备控制方法,其特征在于,包括:
获取目标时刻的控制参数;
根据所述控制参数,和预先构建的决策树,确定设备控制指令;
执行所述设备控制指令,控制设备。
2.根据权利要求1所述的方法,其特征在于,在根据所述控制参数,和预先构建的决策树,确定设备控制指令之前,还包括:
获取历史时间段内的各时刻的控制参数,和所述设备在各所述时刻的设备状态类型,生成样本集合;
根据所述样本集合,构建决策树。
3.根据权利要求2所述的方法,其特征在于,所述根据所述样本集合,构建决策树,包括:
计算所述样本集合中各控制参数的信息熵增益;
根据各所述控制参数的信息熵增益,构建决策树,信息熵增益大的控制参数为信息熵增益小的控制参数的上层节点,信息熵增益最大的控制参数为根节点。
4.根据权利要求2所述的方法,其特征在于,所述获取历史时间段内的各时刻的控制参数,和所述设备在各所述时刻的设备状态类型,生成样本集合,包括:
获取同一时刻的控制参数,和所述设备的设备状态类型,形成一个样本;
根据历史时间段内的各时刻的样本,生成样本集合。
5.根据权利要求3所述的方法,其特征在于,所述计算所述样本集合中控制参数的信息熵增益,包括:
根据所述样本集合中不同设备状态类型的样本数量,计算所述样本集合的信息熵;
从所述样本集合选择一个控制参数,并从选择的控制参数的不同属性值中选择一个目标属性值;
在所述样本集合中获取所述目标属性值所属的样本,形成一个子集合,返回执行选择一个目标属性值,直至全部属性值选择完成;
计算各所述子集合的信息熵;
根据所述样本集合的信息熵和各所述子集合的信息熵,计算所述控制参数的信息熵增益。
6.根据权利要求5所述的方法,其特征在于,所述根据所述样本集合的信息熵和各所述子集合的信息熵,计算所述控制参数的信息熵增益,包括:
计算所述子集合的样本数量与所述样本集合的样本数量之间的比值,确定为所述子集合的样本数量比值;
计算所述子集合的信息熵,并根据所述子集合的样本数量比值,计算所述子集合的信息熵分量;
根据所述样本集合的信息熵和各所述子集合的信息熵分量,计算所述控制参数的信息熵增益。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述设备状态类型包括运行状态或停止状态。
8.一种设备控制装置,其特征在于,包括:
控制参数获取模块,用于获取目标时刻的控制参数;
控制指令确定模块,用于根据所述控制参数,和预先构建的决策树,确定设备控制指令;
设备控制模块,用于执行所述设备控制指令,控制设备。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的设备控制方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的设备控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111114936.3A CN113741402A (zh) | 2021-09-23 | 2021-09-23 | 一种设备控制方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111114936.3A CN113741402A (zh) | 2021-09-23 | 2021-09-23 | 一种设备控制方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113741402A true CN113741402A (zh) | 2021-12-03 |
Family
ID=78740462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111114936.3A Pending CN113741402A (zh) | 2021-09-23 | 2021-09-23 | 一种设备控制方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113741402A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114397867A (zh) * | 2022-03-18 | 2022-04-26 | 山西正合天科技股份有限公司 | 一种基于物联网的工控机控制方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003216203A (ja) * | 2002-01-21 | 2003-07-31 | Nippon Steel Corp | 制御パラメータ予測装置、制御パラメータ予測方法、コンピュータ読み取り可能な記録媒体及びコンピュータプログラム |
US20150354336A1 (en) * | 2014-06-05 | 2015-12-10 | Sas Institute Inc. | Control parameter determination in steam assisted gravity drainage oil drilling |
CN107577689A (zh) * | 2016-07-04 | 2018-01-12 | 松下知识产权经营株式会社 | 决策树生成装置、决策树生成方法、非暂时性记录介质以及提问*** |
CN108632269A (zh) * | 2018-05-02 | 2018-10-09 | 南京邮电大学 | 基于c4.5决策树算法的分布式拒绝服务攻击检测方法 |
CN111222733A (zh) * | 2018-11-26 | 2020-06-02 | 上海数劢信息科技有限公司 | 一种工业智能决策***及其工作方法 |
CN113048780A (zh) * | 2021-04-12 | 2021-06-29 | 江苏丰尚智能科技有限公司 | 烘干机的控制方法、装置、计算机设备和存储介质 |
-
2021
- 2021-09-23 CN CN202111114936.3A patent/CN113741402A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003216203A (ja) * | 2002-01-21 | 2003-07-31 | Nippon Steel Corp | 制御パラメータ予測装置、制御パラメータ予測方法、コンピュータ読み取り可能な記録媒体及びコンピュータプログラム |
US20150354336A1 (en) * | 2014-06-05 | 2015-12-10 | Sas Institute Inc. | Control parameter determination in steam assisted gravity drainage oil drilling |
CN107577689A (zh) * | 2016-07-04 | 2018-01-12 | 松下知识产权经营株式会社 | 决策树生成装置、决策树生成方法、非暂时性记录介质以及提问*** |
CN108632269A (zh) * | 2018-05-02 | 2018-10-09 | 南京邮电大学 | 基于c4.5决策树算法的分布式拒绝服务攻击检测方法 |
CN111222733A (zh) * | 2018-11-26 | 2020-06-02 | 上海数劢信息科技有限公司 | 一种工业智能决策***及其工作方法 |
CN113048780A (zh) * | 2021-04-12 | 2021-06-29 | 江苏丰尚智能科技有限公司 | 烘干机的控制方法、装置、计算机设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114397867A (zh) * | 2022-03-18 | 2022-04-26 | 山西正合天科技股份有限公司 | 一种基于物联网的工控机控制方法及*** |
CN114397867B (zh) * | 2022-03-18 | 2022-06-10 | 山西正合天科技股份有限公司 | 一种基于物联网的工控机控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103930888B (zh) | 基于更新、储存及响应约束的多粒度分组聚合选择 | |
Jiang et al. | Energy‐efficient scheduling for a job shop using grey wolf optimization algorithm with double‐searching mode | |
CN112766596B (zh) | 建筑能耗预测模型的构建方法、能耗预测方法及装置 | |
Lin et al. | Multi-objective unrelated parallel machine scheduling: a Tabu-enhanced iterated Pareto greedy algorithm | |
CN113407649A (zh) | 数据仓库建模方法、装置、电子设备及存储介质 | |
CN114281823B (zh) | 表格处理方法、装置、设备、存储介质及产品 | |
CN113553150A (zh) | 一种云服务器集群负载预测方法、***、终端以及存储介质 | |
CN111813517B (zh) | 任务队列的分配方法、装置、计算机设备及介质 | |
CN113741402A (zh) | 一种设备控制方法、装置、计算机设备和存储介质 | |
CN109214610B (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
Chen et al. | Quantum-inspired ant colony optimisation algorithm for a two-stage permutation flow shop with batch processing machines | |
Guang et al. | Benchmark datasets for stochastic Petri net learning | |
Khan et al. | Advanced data analytics modeling for evidence-based data center energy management | |
CN117235088B (zh) | 一种存储***的缓存更新方法、装置、设备、介质及平台 | |
CN114090601A (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
US10929038B1 (en) | Facilitating a smart watch list with limited resources in storage systems | |
Xu et al. | A Multistrategy‐Based Multiobjective Differential Evolution for Optimal Control in Chemical Processes | |
CN111027435A (zh) | 一种基于梯度提升决策树的识别***、装置和方法 | |
CN116027829A (zh) | 机房温度控制方法、装置、设备及存储介质 | |
CN111046321B (zh) | 光伏电站运维策略优化方法和装置 | |
Xiao et al. | STFormer: A dual-stage transformer model utilizing spatio-temporal graph embedding for multivariate time series forecasting | |
CN114330875A (zh) | 环境信息确定方法、装置、电子设备及存储介质 | |
CN112734454B (zh) | 一种用户信息确定方法、装置、电子设备和存储介质 | |
CN111475502A (zh) | 一种分布式可再生能源的数据管理方法及*** | |
CN110807599A (zh) | 电化学储能方案的决策方法、装置、服务器和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211203 |
|
RJ01 | Rejection of invention patent application after publication |