CN115903599A - 一种基于mcu的制造方法及装置 - Google Patents
一种基于mcu的制造方法及装置 Download PDFInfo
- Publication number
- CN115903599A CN115903599A CN202211486009.9A CN202211486009A CN115903599A CN 115903599 A CN115903599 A CN 115903599A CN 202211486009 A CN202211486009 A CN 202211486009A CN 115903599 A CN115903599 A CN 115903599A
- Authority
- CN
- China
- Prior art keywords
- manufacturing
- target
- data analysis
- analysis result
- target equipment
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于MCU的制造方法及装置,方法包括:首先确定目标设备的功能,并获取制造目标设备的目标参数,根据目标设备的目标参数,确定目标设备的制造方案,获取采集的过程参数,并对过程参数进行预处理,得到重构数据,将重构数据作为预置设备制造模型中已训练的神经网络的输入,利用神经网络进行数据分析,得到数据分析结果,在数据分析结果达到预设条件的情况下,将数据分析结果作为最终数据分析结果,并将最终数据分析结果发送至目标设备制造装置,由目标设备制造装置根据最终数据分析结果生成制造目标设备的指令并根据指令执行,它通过提出一种新的设备制造方法,简化了设备制造的流程,并且提高设备的制造效率。
Description
技术领域
本发明属于设备制造领域,特别是一种基于MCU的制造方法及装置。
背景技术
微控制单元(Microcontroller Unit,MCU)是一种处理器,是一种集成存储器Memory、***输入输出设备及具有处理功能的集成电路。物联网的发展、人工智能的兴起、汽车电子和工业控制的升级需求,都给MCU的发展带来了很多应用和机会,特别是近年的需求已成井喷之势。同时,MCU技术也取得了长足的进步和发展,MCU产品向提供更多的功能、更高的性能、更强的可靠性和更低的功耗方面发展。
随着科学技术的不断进步,MCU作为许多设备的核心组件,需求量及价值越来越大,MCU的市场得到大的发展。从市场上讲,通过传感器技术,在网络互联技术的推动下,可以将现有的工业控制,消费电子,通信进行进一步互联,同时容纳医疗电子,汽车电子等的需求,带来MCU的市场大发展。
如何实现一种基于MCU的设备制造方法,由此引发一场不同于传统制造技术的革新,这是一个亟待解决的问题。
发明内容
本发明的目的是提供一种基于MCU的制造方法及装置,以解决现有技术中的不足,它通过提出一种新的设备制造方法,简化了设备制造的流程,并且提高设备的制造效率。
本申请的一个实施例提供了一种基于MCU的制造方法,所述方法包括:
确定目标设备的功能,并从第一MCU单元获取制造所述目标设备的目标参数;
基于预置设备制造模型,根据所述目标设备的目标参数,确定所述目标设备的制造方案;
根据所述制造方案,获取由第二MCU单元采集的过程参数,并对所述过程参数进行预处理,得到重构数据;
将所述重构数据作为所述预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果;
在所述数据分析结果达到预设条件的情况下,将所述数据分析结果作为最终数据分析结果,并将所述最终数据分析结果发送至所述目标设备制造装置,由所述目标设备制造装置根据所述最终数据分析结果生成制造目标设备的指令并根据所述指令执行。
可选的,所述第一MCU单元包括第一微控制器和第一存储固件,所述从第一MCU单元获取制造所述目标设备的目标参数,包括:
接收获取所述目标设备的目标参数的指令,当由所述第一微控制器执行所述指令时,所述第一存储固件使所述第一MCU单元执行第一方法,其中,所述第一方法包括加载用于数字模拟转换计算的多个制造所述目标设备的目标参数。
可选的,所述预置设备制造模型根据不同目标设备配置相应的嵌入式微控制器,所述根据所述目标设备的目标参数,确定所述目标设备的制造方案,包括:
基于目标设备的目标参数,结合模拟参数和所述目标参数间的参数关系式,构建所述目标设备的至少两个候选制造方案;
根据所述候选制造方案,分别计算各个候选制造方案的评价结果;
依据所述评价结果在所述候选制造方案中选择所述目标设备的制造方案,并将所述目标设备的制造方案加载到所述预置设备制造模型的嵌入式微控制器中。
可选的,所述第二MCU单元包括第二微控制器和第二存储固件,所述获取由第二MCU单元采集的过程参数,并对所述过程参数进行预处理,得到重构数据,包括:
接收采集所述目标设备的过程参数的指令,当由所述第二微控制器执行所述指令时,所述存储固件使所述第二MCU单元执行第二方法,其中,所述第二方法包括对所述过程参数分别进行数据清洗、数据转换、数据格式规范、特征提取、多维数据融合、数据降维,得到重构数据。
可选的,所述将所述重构数据作为所述预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果之前,所述方法还包括:
梳理目标设备元件制造对应的流程;
选取所述流程图中的至少一个流程作为算法节点,使得所述算法节点能够调用存储算法库的第三MCU单元,并对所述算法节点及其相邻节点中的数据进行计算;
根据所述流程图以及第三MCU单元,构建设备制造模型。
可选的,所述方法还包括:
在所述数据分析结果未达到预设条件的情况下,将所述数据分析结果发送至所述第三MCU单元,由所述第三MCU单元调用新的算法,并将当前所述数据分析结果作为所述预置设备制造模型中已训练的神经网络的输入,获得更新后的数据分析结果。
本申请的又一实施例提供了一种基于MCU的制造装置,所述装置包括:
第一确定模块,用于确定目标设备的功能,并从第一MCU单元获取制造所述目标设备的目标参数;
第二确定模块,用于基于预置设备制造模型,根据所述目标设备的目标参数,确定所述目标设备的制造方案;
获取模块,用于根据所述制造方案,获取由第二MCU单元采集的过程参数,并对所述过程参数进行预处理,得到重构数据;
得到模块,用于将所述重构数据作为所述预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果;
执行模块,用于在所述数据分析结果达到预设条件的情况下,将所述数据分析结果作为最终数据分析结果,并将所述最终数据分析结果发送至所述目标设备制造装置,由所述目标设备制造装置根据所述最终数据分析结果生成制造目标设备的指令并根据所述指令执行。
可选的,所述第一确定模块,包括:
接收单元,用于接收获取所述目标设备的目标参数的指令,当由所述第一微控制器执行所述指令时,所述第一存储固件使所述第一MCU单元执行第一方法,其中,所述第一方法包括加载用于数字模拟转换计算的多个制造所述目标设备的目标参数。
可选的,所述第二确定模块,包括:
构建单元,用于基于目标设备的目标参数,结合模拟参数和所述目标参数间的参数关系式,构建所述目标设备的至少两个候选制造方案;
计算单元,用于根据所述候选制造方案,分别计算各个候选制造方案的评价结果;
加载单元,用于依据所述评价结果在所述候选制造方案中选择所述目标设备的制造方案,并将所述目标设备的制造方案加载到所述预置设备制造模型的嵌入式微控制器中。
可选的,所述获取模块,包括:
采集单元,用于接收采集所述目标设备的过程参数的指令,当由所述第二微控制器执行所述指令时,所述存储固件使所述第二MCU单元执行第二方法,其中,所述第二方法包括对所述过程参数分别进行数据清洗、数据转换、数据格式规范、特征提取、多维数据融合、数据降维,得到重构数据。
可选的,所述装置还包括:
梳理模块,用于梳理目标设备元件制造对应的流程;
选取模块,用于选取所述流程图中的至少一个流程作为算法节点,使得所述算法节点能够调用存储算法库的第三MCU单元,并对所述算法节点及其相邻节点中的数据进行计算;
构建模块,用于根据所述流程图以及第三MCU单元,构建设备制造模型。
可选的,所述装置还包括:
调用模块,用于在所述数据分析结果未达到预设条件的情况下,将所述数据分析结果发送至所述第三MCU单元,由所述第三MCU单元调用新的算法,并将当前所述数据分析结果作为所述预置设备制造模型中已训练的神经网络的输入,获得更新后的数据分析结果。
本申请的又一实施例提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项中所述的方法。
本申请的又一实施例提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项中所述的方法。
与现有技术相比,本发明首先确定目标设备的功能,并从第一MCU单元获取制造目标设备的目标参数,基于预置设备制造模型,根据目标设备的目标参数,确定所述目标设备的制造方案,根据制造方案,获取由第二MCU单元采集的过程参数,并对过程参数进行预处理,得到重构数据,将重构数据作为预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果,在数据分析结果达到预设条件的情况下,将数据分析结果作为最终数据分析结果,并将最终数据分析结果发送至目标设备制造装置,由目标设备制造装置根据最终数据分析结果生成制造目标设备的指令并根据所述指令执行,它通过提出一种新的设备制造方法,简化了设备制造的流程,并且提高设备的制造效率。
附图说明
图1为本发明实施例提供的一种基于MCU的制造方法的计算机终端的硬件结构框图;
图2为本发明实施例提供的一种基于MCU的制造方法的流程示意图;
图3为本发明实施例提供的一种基于MCU的制造装置的结构示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明实施例首先提供了一种基于MCU的制造方法,该方法可以应用于电子设备,如计算机终端,具体如普通电脑、量子计算机等。
下面以运行在计算机终端上为例对其进行详细说明。图1为本发明实施例提供的一种基于MCU的制造方法的计算机终端的硬件结构框图。如图1所示,计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微控制器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述计算机终端的结构造成限定。例如,计算机终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的基于MCU的制造方法对应的程序指令/模块,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
参见图2,图2为本发明实施例提供的一种基于MCU的制造方法的流程示意图,可以包括如下步骤:
S201:确定目标设备的功能,并从第一MCU单元获取制造所述目标设备的目标参数。
本实施例中,不同功能的目标设备对应不同的元件型号、尺寸等参数,因此目标设备功能不同意味着目标参数的不同组合方式。例如目标设备可以是用于物联网设备上的芯片,目标参数可以包括芯片的调试参数和/或分析参数,即芯片制造装置通过调试模块和/或分析模块对芯片进行制造得到的。
需要说明的是,所述第一MCU单元包括第一微控制器和第一存储固件,所述从第一MCU单元获取制造所述目标设备的目标参数,可以包括:
接收获取所述目标设备的目标参数的指令,当由所述第一微控制器执行所述指令时,所述第一存储固件使所述第一MCU单元执行第一方法,其中,所述第一方法包括加载用于数字模拟转换计算的多个制造所述目标设备的目标参数。
其中,数字模拟转换可以通过数模转换器(DAC)控制器进行,其主要用于控制存储固件所需的DAC数量以及控制目标设备制造过程中的电压等。通过使用MCU单元执行数字模拟转换控制来实现制造目标设备的目标参数,在相关技术的***中,DAC控制由硬连线逻辑执行,对于从一个MCU单元到另一个MCU单元的数据传输,可以使用加载寄存器或者其他必要的逻辑固件,在此不再赘述。
S202:基于预置设备制造模型,根据所述目标设备的目标参数,确定所述目标设备的制造方案。
具体的,所述预置设备制造模型根据不同目标设备配置相应的嵌入式微控制器,所述根据所述目标设备的目标参数,确定所述目标设备的制造方案,可以包括:
1.基于目标设备的目标参数,结合模拟参数和所述目标参数间的参数关系式,构建所述目标设备的至少两个候选制造方案;
2.根据所述候选制造方案,分别计算各个候选制造方案的评价结果;
3.依据所述评价结果在所述候选制造方案中选择所述目标设备的制造方案,并将所述目标设备的制造方案加载到所述预置设备制造模型的嵌入式微控制器中。
具体的,模拟参数是用于模拟实际制造中的目标设备参数的参数值。在实际的生产制造的过程中,某些参数往往是由技术人员自行设置的,即模拟参数用于决定具体的制造方案。例如模拟参数可以包括温度、湿度和生产压力等。通过改变模拟参数,能够获取到不同的目标参数,即实际的制造效果所对应的数值。具体的模拟参数可以根据实际应用中的实际制作工作进行设计,对此不做限制。
在一些可选的实施方式中,可以先设定预设参数范围,用于限定在选取模拟参数时所对应的范围。基于预设参数范围,通过正交试验设计或均匀设计来修改并衍生出不同的模拟参数值,作为上述计算所应用的参数值。其中,正交试验设计根据所选取的模拟参数值的选取数量、预设参数范围以及不同参数之间的正交性等特点,尽可能选取出均匀分布,且相关性弱的模拟参数值,从而在利用尽可能少的实验数据的情况下获取到尽可能全面的模拟效果。
在获取到模拟参数和目标参数之后,可以根据这些参数值确定目标参数与模拟参数之间的参数关系式,参数关系式用于描述某一种目标参数与对应的其他所有模拟参数之间的关系,并且参数关系式可以是归一化的。例如可以通过以下方式描述模拟参数和目标参数间的参数关系:
其中,xkd为归一化后的参数关系式,xkmax为对应参数的最大参数值,xkmin为对应参数的最小参数值,xk为待归一化处理的参数值。
在获取到参数关系式之后,即确定了模拟参数与目标参数之间的关联关系,基于关联关系可以确定在不同的模拟参数下对应的目标参数,并选取目标参数满足实际制造需求或功能需求的制造方案作为候选制造方案。其中,候选制造方案即为根据参数关系式所确定的目标参数能够满足预设需求的方案。
在获取到的多个候选制造方案的情况下,这些候选制造方案均能满足预设制造需求。但是,由于制造方案受多个参数影响,且对应的目标参数也具有较多的数量,仍然需要从这些候选制造方案中选取中最符合实际制造需求的方案。
评价结果可以是根据候选制造方案本身以及实际生产需求的相应条件对候选制造方案进行评价所获取的结果。根据评价结果即可直观在候选制造方案中选取相应的目标设备的制造方案。
在一种可选的实施方式中,求取各个候选制造方案的评价结果可以是首先计算候选目标参数对应的信息熵,在根据信息熵确定候选目标参数的客观权重。其中,客观权重即用于从客观的角度衡量各个候选制造方案本身的效果的权重值,之后可以利用层次分析法或技术人员自行赋值,确定候选目标参数的主观权重。主观权重即为在考虑到实际制造需求以及制造条件的情况下所设定的权重值,用于衡量候选制造方案对应于外界应用条件的效果。
在获取到客观权重和主观权重后,即可结合各个候选制造方案对应的候选目标参数值确定各个候选制造方案的评价结果。
S203:根据所述制造方案,获取由第二MCU单元采集的过程参数,并对所述过程参数进行预处理,得到重构数据。
具体的,所述第二MCU单元包括第二微控制器和第二存储固件,所述获取由第二MCU单元采集的过程参数,并对所述过程参数进行预处理,得到重构数据,可以包括:
接收采集所述目标设备的过程参数的指令,当由所述第二微控制器执行所述指令时,所述存储固件使所述第二MCU单元执行第二方法,其中,所述第二方法包括对所述过程参数分别进行数据清洗、数据转换、数据格式规范、特征提取、多维数据融合、数据降维,得到重构数据。
对过程参数分别进行数据清洗、数据转换、数据格式规范、特征提取、多维数据融合、数据降维,得到重构数据。其中,每个过程参数均进行上述预处理,而数据清洗、数据转换、数据格式规范、特征提取的处理顺序不做限定。
其中,数据清洗是发现并纠正过程参数中可识别的错误的流程,包括检查参数一致性,处理数据的无效和缺失等。数据清洗主要对四类异常数据进行处理,这四类异常数据分别是缺失值、异常值、去重处理以及噪音参数的处理等。数据转换是将数据从一种表示形式变为另一种表现形式的过程。数据转换方法主要有对数转换、平方根转换、平方根反正弦转换、平方转换、倒数变换等。数据格式规范为数字和字母数据值指定格式。特征提取是从原始特征中找出最有效的特征,多维数据融合是对多维数据进行自动关联匹配。数据降维是将原高维空间中的数据点映射到低维度的空间中,具体实现数据格式规范的方法、特征提取的方法、多维数据融合的方法,数据降维的方法,在此不做限定。
S204:将所述重构数据作为所述预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果。
具体的,所述将所述重构数据作为所述预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果之前,所述方法还可以包括:
梳理目标设备元件制造对应的流程;
选取所述流程图中的至少一个流程作为算法节点,使得所述算法节点能够调用存储算法库的第三MCU单元,并对所述算法节点及其相邻节点中的数据进行计算;
根据所述流程图以及第三MCU单元,构建设备制造模型。
具体的,从目标设备中抽取材料元件制造的实体信息和约束信息,其中,实体信息包括材料元件制造设备信息、工装信息、物料信息和供应商信息;约束信息可以为工序对于设备、人员和工装模具的调用数量要求,将各个工序、设备、人员、工装模具、工艺、物料、约束信息作为节点,用固定形状的图标表示,形成目标设备元件制造对应的流程。
示例性的,如果两个节点之间存在关联关系,则进行连接形成边,表示其关联关系。例如,某道工序与设备连接,则说明当前工序需要调用设备才能够进行。通过将流程图中的至少一个流程与算法库进行关联,使得流程图和存储算法库的第三MCU单元建立必要的联系,最后根据流程图以及第三MCU单元,构建设备制造模型。可以理解的是,在此所称的算法或算法库包括基于第三MCU单元建立的或者已有的。并且,算法库中存储的算法可包括神经网络算法,神经网络算法可包括卷积神经网络算法和深度神经网络算法,而这些算法中的至少一部分,可基于MCU制造目标设备的过程中的操作业务工业经验法则产生。
需要说明的是,设备制造模型是一种基于流程图、同时涉及调取关系型数据库数据以及算法库算法的新型模型架构。示例性的,得到目标设备元件制造对应的流程后,通过配置部分流程节点使其具有能够调用算法库中存储的算法的接口,构建设备制造模型。
S205:在所述数据分析结果达到预设条件的情况下,将所述数据分析结果作为最终数据分析结果,并将所述最终数据分析结果发送至所述目标设备制造装置,由所述目标设备制造装置根据所述最终数据分析结果生成制造目标设备的指令并根据所述指令执行。
在一种可选的实施方式中,在所述数据分析结果未达到预设条件的情况下,将所述数据分析结果发送至所述第三MCU单元,由所述第三MCU单元调用新的算法,并将当前所述数据分析结果作为所述预置设备制造模型中已训练的神经网络的输入,获得更新后的数据分析结果。
其中,预设条件可以是根据用户需要预先设置的,这些预设条件可以预先存储在数据库中,方便后期直接使用判断。例如预设条件可以是调用完算法库中的预设算法或者是数据分析结果达到用户预设的预期结果等。
可见,本发明首先确定目标设备的功能,并从第一MCU单元获取制造目标设备的目标参数,基于预置设备制造模型,根据目标设备的目标参数,确定所述目标设备的制造方案,根据制造方案,获取由第二MCU单元采集的过程参数,并对过程参数进行预处理,得到重构数据,将重构数据作为预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果,在数据分析结果达到预设条件的情况下,将数据分析结果作为最终数据分析结果,并将最终数据分析结果发送至目标设备制造装置,由目标设备制造装置根据最终数据分析结果生成制造目标设备的指令并根据所述指令执行,它通过提出一种新的设备制造方法,简化了设备制造的流程,并且提高设备的制造效率。
本申请的又一实施例提供了一种基于MCU的制造装置,如图3所示的一种基于MCU的制造装置的结构示意图,所述装置包括:
第一确定模块301,用于确定目标设备的功能,并从第一MCU单元获取制造所述目标设备的目标参数;
第二确定模块302,用于基于预置设备制造模型,根据所述目标设备的目标参数,确定所述目标设备的制造方案;
获取模块303,用于根据所述制造方案,获取由第二MCU单元采集的过程参数,并对所述过程参数进行预处理,得到重构数据;
得到模块304,用于将所述重构数据作为所述预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果;
执行模块305,用于在所述数据分析结果达到预设条件的情况下,将所述数据分析结果作为最终数据分析结果,并将所述最终数据分析结果发送至所述目标设备制造装置,由所述目标设备制造装置根据所述最终数据分析结果生成制造目标设备的指令并根据所述指令执行。
具体的,所述第一确定模块,包括:
接收单元,用于接收获取所述目标设备的目标参数的指令,当由所述第一微控制器执行所述指令时,所述第一存储固件使所述第一MCU单元执行第一方法,其中,所述第一方法包括加载用于数字模拟转换计算的多个制造所述目标设备的目标参数。
具体的,所述第二确定模块,包括:
构建单元,用于基于目标设备的目标参数,结合模拟参数和所述目标参数间的参数关系式,构建所述目标设备的至少两个候选制造方案;
计算单元,用于根据所述候选制造方案,分别计算各个候选制造方案的评价结果;
加载单元,用于依据所述评价结果在所述候选制造方案中选择所述目标设备的制造方案,并将所述目标设备的制造方案加载到所述预置设备制造模型的嵌入式微控制器中。
具体的,所述获取模块,包括:
采集单元,用于接收采集所述目标设备的过程参数的指令,当由所述第二微控制器执行所述指令时,所述存储固件使所述第二MCU单元执行第二方法,其中,所述第二方法包括对所述过程参数分别进行数据清洗、数据转换、数据格式规范、特征提取、多维数据融合、数据降维,得到重构数据。
具体的,所述装置还包括:
梳理模块,用于梳理目标设备元件制造对应的流程;
选取模块,用于选取所述流程图中的至少一个流程作为算法节点,使得所述算法节点能够调用存储算法库的第三MCU单元,并对所述算法节点及其相邻节点中的数据进行计算;
构建模块,用于根据所述流程图以及第三MCU单元,构建设备制造模型。
具体的,所述装置还包括:
调用模块,用于在所述数据分析结果未达到预设条件的情况下,将所述数据分析结果发送至所述第三MCU单元,由所述第三MCU单元调用新的算法,并将当前所述数据分析结果作为所述预置设备制造模型中已训练的神经网络的输入,获得更新后的数据分析结果。
与现有技术相比,本发明首先确定目标设备的功能,并从第一MCU单元获取制造目标设备的目标参数,基于预置设备制造模型,根据目标设备的目标参数,确定所述目标设备的制造方案,根据制造方案,获取由第二MCU单元采集的过程参数,并对过程参数进行预处理,得到重构数据,将重构数据作为预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果,在数据分析结果达到预设条件的情况下,将数据分析结果作为最终数据分析结果,并将最终数据分析结果发送至目标设备制造装置,由目标设备制造装置根据最终数据分析结果生成制造目标设备的指令并根据所述指令执行,它通过提出一种新的设备制造方法,简化了设备制造的流程,并且提高设备的制造效率。
本发明实施例还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
具体的,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S201:确定目标设备的功能,并从第一MCU单元获取制造所述目标设备的目标参数;
S202:基于预置设备制造模型,根据所述目标设备的目标参数,确定所述目标设备的制造方案;
S203:根据所述制造方案,获取由第二MCU单元采集的过程参数,并对所述过程参数进行预处理,得到重构数据;
S204:将所述重构数据作为所述预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果;
S205:在所述数据分析结果达到预设条件的情况下,将所述数据分析结果作为最终数据分析结果,并将所述最终数据分析结果发送至所述目标设备制造装置,由所述目标设备制造装置根据所述最终数据分析结果生成制造目标设备的指令并根据所述指令执行。
具体的,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-On ly Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
与现有技术相比,本发明首先确定目标设备的功能,并从第一MCU单元获取制造目标设备的目标参数,基于预置设备制造模型,根据目标设备的目标参数,确定所述目标设备的制造方案,根据制造方案,获取由第二MCU单元采集的过程参数,并对过程参数进行预处理,得到重构数据,将重构数据作为预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果,在数据分析结果达到预设条件的情况下,将数据分析结果作为最终数据分析结果,并将最终数据分析结果发送至目标设备制造装置,由目标设备制造装置根据最终数据分析结果生成制造目标设备的指令并根据所述指令执行,它通过提出一种新的设备制造方法,简化了设备制造的流程,并且提高设备的制造效率。
本发明实施例还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
具体的,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
具体的,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S201:确定目标设备的功能,并从第一MCU单元获取制造所述目标设备的目标参数;
S202:基于预置设备制造模型,根据所述目标设备的目标参数,确定所述目标设备的制造方案;
S203:根据所述制造方案,获取由第二MCU单元采集的过程参数,并对所述过程参数进行预处理,得到重构数据;
S204:将所述重构数据作为所述预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果;
S205:在所述数据分析结果达到预设条件的情况下,将所述数据分析结果作为最终数据分析结果,并将所述最终数据分析结果发送至所述目标设备制造装置,由所述目标设备制造装置根据所述最终数据分析结果生成制造目标设备的指令并根据所述指令执行。
与现有技术相比,本发明首先确定目标设备的功能,并从第一MCU单元获取制造目标设备的目标参数,基于预置设备制造模型,根据目标设备的目标参数,确定所述目标设备的制造方案,根据制造方案,获取由第二MCU单元采集的过程参数,并对过程参数进行预处理,得到重构数据,将重构数据作为预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果,在数据分析结果达到预设条件的情况下,将数据分析结果作为最终数据分析结果,并将最终数据分析结果发送至目标设备制造装置,由目标设备制造装置根据最终数据分析结果生成制造目标设备的指令并根据所述指令执行,它通过提出一种新的设备制造方法,简化了设备制造的流程,并且提高设备的制造效率。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-On ly Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本发明实施例进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于MCU的制造方法,其特征在于,所述方法包括:
确定目标设备的功能,并从第一MCU单元获取制造所述目标设备的目标参数;
基于预置设备制造模型,根据所述目标设备的目标参数,确定所述目标设备的制造方案;
根据所述制造方案,获取由第二MCU单元采集的过程参数,并对所述过程参数进行预处理,得到重构数据;
将所述重构数据作为所述预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果;
在所述数据分析结果达到预设条件的情况下,将所述数据分析结果作为最终数据分析结果,并将所述最终数据分析结果发送至所述目标设备制造装置,由所述目标设备制造装置根据所述最终数据分析结果生成制造目标设备的指令并根据所述指令执行。
2.根据权利要求1所述的方法,其特征在于,所述第一MCU单元包括第一微控制器和第一存储固件,所述从第一MCU单元获取制造所述目标设备的目标参数,包括:
接收获取所述目标设备的目标参数的指令,当由所述第一微控制器执行所述指令时,所述第一存储固件使所述第一MCU单元执行第一方法,其中,所述第一方法包括加载用于数字模拟转换计算的多个制造所述目标设备的目标参数。
3.根据权利要求1所述的方法,其特征在于,所述预置设备制造模型根据不同目标设备配置相应的嵌入式微控制器,所述根据所述目标设备的目标参数,确定所述目标设备的制造方案,包括:
基于目标设备的目标参数,结合模拟参数和所述目标参数间的参数关系式,构建所述目标设备的至少两个候选制造方案;
根据所述候选制造方案,分别计算各个候选制造方案的评价结果;
依据所述评价结果在所述候选制造方案中选择所述目标设备的制造方案,并将所述目标设备的制造方案加载到所述预置设备制造模型的嵌入式微控制器中。
4.根据权利要求1所述的方法,其特征在于,所述第二MCU单元包括第二微控制器和第二存储固件,所述获取由第二MCU单元采集的过程参数,并对所述过程参数进行预处理,得到重构数据,包括:
接收采集所述目标设备的过程参数的指令,当由所述第二微控制器执行所述指令时,所述存储固件使所述第二MCU单元执行第二方法,其中,所述第二方法包括对所述过程参数分别进行数据清洗、数据转换、数据格式规范、特征提取、多维数据融合、数据降维,得到重构数据。
5.根据权利要求1所述的方法,其特征在于,所述将所述重构数据作为所述预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果之前,所述方法还包括:
梳理目标设备元件制造对应的流程;
选取所述流程图中的至少一个流程作为算法节点,使得所述算法节点能够调用存储算法库的第三MCU单元,并对所述算法节点及其相邻节点中的数据进行计算;
根据所述流程图以及第三MCU单元,构建设备制造模型。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
在所述数据分析结果未达到预设条件的情况下,将所述数据分析结果发送至所述第三MCU单元,由所述第三MCU单元调用新的算法,并将当前所述数据分析结果作为所述预置设备制造模型中已训练的神经网络的输入,获得更新后的数据分析结果。
7.一种基于MCU的制造装置,其特征在于,所述装置包括:
第一确定模块,用于确定目标设备的功能,并从第一MCU单元获取制造所述目标设备的目标参数;
第二确定模块,用于基于预置设备制造模型,根据所述目标设备的目标参数,确定所述目标设备的制造方案;
获取模块,用于根据所述制造方案,获取由第二MCU单元采集的过程参数,并对所述过程参数进行预处理,得到重构数据;
得到模块,用于将所述重构数据作为所述预置设备制造模型中已训练的神经网络的输入,利用所述神经网络进行数据分析,得到数据分析结果;
执行模块,用于在所述数据分析结果达到预设条件的情况下,将所述数据分析结果作为最终数据分析结果,并将所述最终数据分析结果发送至所述目标设备制造装置,由所述目标设备制造装置根据所述最终数据分析结果生成制造目标设备的指令并根据所述指令执行。
8.根据权利要求7所述的装置,其特征在于,所述第一确定模块,包括:
接收单元,用于接收获取所述目标设备的目标参数的指令,当由所述第一微控制器执行所述指令时,所述第一存储固件使所述第一MCU单元执行第一方法,其中,所述第一方法包括加载用于数字模拟转换计算的多个制造所述目标设备的目标参数。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
10.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211486009.9A CN115903599A (zh) | 2022-11-24 | 2022-11-24 | 一种基于mcu的制造方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211486009.9A CN115903599A (zh) | 2022-11-24 | 2022-11-24 | 一种基于mcu的制造方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115903599A true CN115903599A (zh) | 2023-04-04 |
Family
ID=86489127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211486009.9A Pending CN115903599A (zh) | 2022-11-24 | 2022-11-24 | 一种基于mcu的制造方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115903599A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101846793B1 (ko) * | 2017-10-17 | 2018-04-06 | 부경대학교 산학협력단 | 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템 |
CN109634233A (zh) * | 2018-12-06 | 2019-04-16 | 南京邮电大学 | 工业大数据智能分析决策方法、可读存储介质和终端 |
CN109889592A (zh) * | 2019-02-25 | 2019-06-14 | 北京邮电大学 | 一种基于边缘计算的智能制造方法及装置 |
WO2021016932A1 (zh) * | 2019-07-31 | 2021-02-04 | 深圳市大疆创新科技有限公司 | 数据处理方法、装置及计算机可读存储介质 |
CN113850454A (zh) * | 2020-10-27 | 2021-12-28 | 上海飞机制造有限公司 | 基于工业神经网络的零件制造方法、装置、设备及介质 |
CN114251075A (zh) * | 2020-09-23 | 2022-03-29 | 中国石油大学(北京) | 基于多目标参数的储层开采方案确定方法、装置及设备 |
-
2022
- 2022-11-24 CN CN202211486009.9A patent/CN115903599A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101846793B1 (ko) * | 2017-10-17 | 2018-04-06 | 부경대학교 산학협력단 | 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템 |
CN109634233A (zh) * | 2018-12-06 | 2019-04-16 | 南京邮电大学 | 工业大数据智能分析决策方法、可读存储介质和终端 |
CN109889592A (zh) * | 2019-02-25 | 2019-06-14 | 北京邮电大学 | 一种基于边缘计算的智能制造方法及装置 |
WO2021016932A1 (zh) * | 2019-07-31 | 2021-02-04 | 深圳市大疆创新科技有限公司 | 数据处理方法、装置及计算机可读存储介质 |
CN114251075A (zh) * | 2020-09-23 | 2022-03-29 | 中国石油大学(北京) | 基于多目标参数的储层开采方案确定方法、装置及设备 |
CN113850454A (zh) * | 2020-10-27 | 2021-12-28 | 上海飞机制造有限公司 | 基于工业神经网络的零件制造方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10963292B2 (en) | Techniques to manage virtual classes for statistical tests | |
JP4627674B2 (ja) | データ処理方法及びプログラム | |
WO2021208079A1 (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN111537884A (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN115576293B (zh) | 基于数据监控的压敏胶在线生产分析方法及*** | |
CN109389178A (zh) | 一种维修厂评级方法、***及电子设备和存储介质 | |
Sun et al. | Parameter identification for Bernoulli serial production line model | |
CN115903599A (zh) | 一种基于mcu的制造方法及装置 | |
CN115879248B (zh) | 一种适用于真空泵的全生命周期管理方法和*** | |
CN111914101A (zh) | 档案关联关系的异常识别方法、装置和计算机设备 | |
CN111127145B (zh) | 基于catboost算法与深度学习结合的排序推荐方法及*** | |
CN114968933A (zh) | 数据中心的日志的分类方法和装置 | |
CN112015659A (zh) | 基于网络模型的预测方法及装置 | |
CN110807599A (zh) | 电化学储能方案的决策方法、装置、服务器和存储介质 | |
CN114596011B (zh) | 基于人工智能的企业数据处理方法及相关装置 | |
CN114210597B (zh) | 一种半导体器件的导电胶推荐方法、***和可读存储介质 | |
CN115018366B (zh) | 储能***工作状态监测方法、装置、存储介质及电子设备 | |
CN117113507B (zh) | 一种基于建筑信息化的数据采集方法及*** | |
CN113919604A (zh) | 时间序列数据的预测方法、装置、存储介质及处理器 | |
CN115620334A (zh) | 一种输变电施工图预算校验方法 | |
García Domínguez | Smart monitoring and unsupervised analysis on Electrical Power Grid Network’s operational variables | |
CN118211711A (zh) | 时间序列数据的预测方法、装置、存储介质及计算机设备 | |
CN116955176A (zh) | 测试方法及装置 | |
CN117437004A (zh) | 资源借调业务的风险识别方法、装置和计算机设备 | |
CN118040900A (zh) | 配变接地电阻的智能检测分析方法及*** |
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 |