CN116088333A - 工业设备控制方法、装置、计算机设备、存储介质和产品 - Google Patents
工业设备控制方法、装置、计算机设备、存储介质和产品 Download PDFInfo
- Publication number
- CN116088333A CN116088333A CN202211680683.0A CN202211680683A CN116088333A CN 116088333 A CN116088333 A CN 116088333A CN 202211680683 A CN202211680683 A CN 202211680683A CN 116088333 A CN116088333 A CN 116088333A
- Authority
- CN
- China
- Prior art keywords
- model
- parameters
- industrial
- industrial equipment
- target
- 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
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
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Stored Programmes (AREA)
Abstract
本申请涉及一种工业设备控制方法、装置、计算机设备、存储介质和计算机程序产品。方法包括:获取工业设备的运行状态参数;将运行状态参数输入至预设服务质量监测模型中进行服务质量监测,生成与运行状态参数对应的工业设备的服务质量参数;预设服务质量监测模型为基于回归模型进行训练所得;根据工业设备的服务质量参数,对工业设备中各工业软件的运行状态进行控制。本申请基于回归模型进行训练所得到的预设服务质量监测模型具有较高的模型精度。能够较准确地生成与运行状态参数对应的工业设备的服务质量参数。根据较准确的工业设备的服务质量参数,能够较好地对工业设备中各工业软件的运行状态进行控制,从而较好地提高工业设备的工作性能。
Description
技术领域
本申请涉及工业设备技术领域,特别是涉及一种工业设备控制方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
背景技术
随着科技的发展,CPU的性能越来越高。高性能CPU具有计算能力高、存储大等特点,且广泛应用于工业设备中,如广泛应用于工业电脑(IPC)、仪表、边缘计算设备、PLC、运动控制器等工业设备中。
虽然现有的工业设备中配置了高性能CPU,但是现有的工业设备仍然按照预先基于低性能CPU所配置的***参数及应用功能来运行工业软件。显然,现有的工业设备不能发挥出高性能CPU的计算能力,造成了计算资源的浪费,进而导致无法提升工业设备的工作性能。
为了提升工业设备的工作性能,传统方法是通过预测工业设备中的微服务负载,再根据预测出的微服务负载去调整***参数及应用功能,从而发挥出高性能CPU的计算能力,进而提高工业设备的工作性能。然而,采用传统方法不能较好地提高工业设备的工作性能。
发明内容
基于此,有必要针对上述技术问题,提供一种能够较好地提高工业设备的工作性能的工业设备控制方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种工业设备控制方法。所述方法包括:
获取所述工业设备的运行状态参数;
将所述运行状态参数输入至预设服务质量监测模型中进行服务质量监测,生成与所述运行状态参数对应的所述工业设备的服务质量参数;所述预设服务质量监测模型为基于回归模型进行训练所得;
根据所述工业设备的服务质量参数,对所述工业设备中各工业软件的运行状态进行控制。
本申请实施例首先通过获取工业设备的运行状态参数,能够较全面地考虑到影响服务质量的运行状态参数。其次,由于回归模型不仅能够准确地计算出各个模型参数之间的相关程度以及拟合程度,而且能够对输出结果进行检验,从而回归模型的精度较高。因此,基于回归模型进行训练所得到的预设服务质量监测模型具有较高的模型精度。从而,将较全面的运行状态参数输入至模型精度较高的预设服务质量监测模型中进行服务质量监测,就能够较准确地生成与运行状态参数对应的工业设备的服务质量参数。之后,根据较准确的工业设备的服务质量参数,就能够较好地对工业设备中各工业软件的运行状态进行控制,从而较好地提高工业设备的工作性能。
在其中一个实施例中,所述方法还包括:
获取训练样本数据;所述训练样本数据包括所述工业设备的历史运行状态参数及所述历史运行状态参数对应的服务质量参数;
将所述训练样本数据输入至初始回归模型中对所述初始回归模型的模型参数进行训练,生成所述初始回归模型的目标模型参数;
将所述初始回归模型的初始模型参数调整为所述目标模型参数,生成所述预设服务质量监测模型。
本实施例中,通过获取包括工业设备的历史运行状态参数及历史运行状态参数对应的服务质量参数的训练样本数据,就能够将获取的训练样本数据输入至初始回归模型中对初始回归模型的模型参数进行训练,从而得到初始回归模型的目标模型参数。之后,将初始回归模型的初始模型参数调整为训练生成的目标模型参数,就能够得到训练好的预设服务质量监测模型。
在其中一个实施例中,所述模型参数包括第一模型参数及第二模型参数,所述目标模型参数包括第一目标模型参数及第二目标模型参数;所述将所述训练样本数据输入至初始回归模型中对所述初始回归模型的模型参数进行训练,生成所述初始回归模型的目标模型参数,包括:
将所述训练样本数据输入至预设参数训练模型中对所述初始回归模型的第一模型参数进行训练,生成第一目标模型参数;
将所述第一目标模型参数及所述工业设备的历史运行状态参数输入至初始回归模型中,对所述初始回归模型的第二模型参数进行训练,生成第二目标模型参数。
本实施例中,首先,将训练样本数据输入至预设参数训练模型中对初始回归模型的第一模型参数进行训练,就能够生成第一目标模型参数。通过大量的训练样本数据,就可以准确地计算出第一目标模型参数。之后,将生成的第一目标模型参数及工业设备的历史运行状态参数输入至初始回归模型中,对初始回归模型的第二模型参数进行训练,就能够生成第二目标模型参数。基于较准确的第一目标模型参数结合工业设备的历史运行状态参数,可以准确地计算出第二目标模型参数。从而,根据第一目标模型参数与第二目标模型参数,就能够准确地得到初始回归模型的目标模型参数。
在其中一个实施例中,所述预设参数训练模型包括极大似然估计模型或损失函数模型;所述将所述训练样本数据输入至预设参数训练模型中对所述初始回归模型的第一模型参数进行训练,生成第一目标模型参数,包括:
将所述训练样本数据输入至所述极大似然估计模型中对所述初始回归模型的第一模型参数进行训练,生成与所述极大似然估计模型对应的第一目标模型参数;或,
将所述训练样本数据输入至所述损失函数模型中对所述初始回归模型的第一模型参数进行训练,生成与所述损失函数模型对应的第一目标模型参数。
本实施例中,将训练样本数据输入至极大似然估计模型中对初始回归模型的第一模型参数进行训练,生成与极大似然估计模型对应的第一目标模型参数;或,将训练样本数据输入至损失函数模型中对初始回归模型的第一模型参数进行训练,生成与损失函数模型对应的第一目标模型参数。通过将大量的训练样本数据输入至极大似然估计模型或者损失函数模型中,就能够对初始回归模型的第一模型参数进行训练,从而能够准确地计算出初始回归模型的第一目标模型参数。
在其中一个实施例中,所述将所述第一目标模型参数及所述工业设备的历史运行状态参数输入至初始回归模型中,对所述初始回归模型的第二模型参数进行训练,生成第二目标模型参数,包括:
将所述初始回归模型的第一模型参数调整为所述第一目标模型参数,生成中间回归模型;所述中间回归模型为包含所述第一目标模型参数的所述初始回归模型;
从所述工业设备的历史运行状态参数中筛选出目标历史运行状态参数;
将所述目标历史运行状态参数输入至所述中间回归模型中,对所述中间回归模型的模型参数进行训练,生成第二目标模型参数。
本实施例中,首先,将初始回归模型的第一模型参数调整为第一目标模型参数,能够生成中间回归模型。其次,从工业设备的历史运行状态参数中筛选出目标历史运行状态参数。之后,由于中间回归模型为包含较准确的第一目标模型参数的初始回归模型,因此,将筛选出的较准确的目标历史运行状态参数输入至中间回归模型中,就能够对中间回归模型的模型参数进行训练,从而能够较准确地计算出初始回归模型的第二目标模型参数。
在其中一个实施例中,所述根据所述工业设备的服务质量参数,对所述工业设备中各工业软件的运行状态进行控制,包括:
判断所述工业设备的服务质量参数是否满足预设服务质量参数条件;
若判断出所述工业设备的服务质量参数不满足所述预设服务质量参数条件,则从所述各工业软件中确定第一类工业软件;
控制所述第一类工业软件从第一初始运行状态切换至第一目标运行状态;所述第一类工业软件在第一目标运行状态下的运行速率大于在所述第一初始运行状态下的运行速率;和/或,
从所述各工业软件中确定第二类工业软件,控制所述第二类工业软件从第二初始运行状态切换为第二目标运行状态;所述第二类工业软件为与所述第一类工业软件相关的工业软件,且所述第二初始运行状态包括关闭状态或暂停状态,第二目标运行状态包括开启状态。
本实施例中,能够在工业设备的服务质量参数不满足预设服务质量参数条件时,提高正在运行的工业软件的运行速率,和/或,将与正在运行的工业软件相关的、但未运行的工业软件启动运行,从而实现对工业设备中各工业软件的运行状态进行控制。
在其中一个实施例中,所述运行状态参数包括所述工业设备的运行环境参数、所述工业设备中各所述工业软件的运行状态参数及所述工业设备中各接口的接口状态参数中的至少一种。
本实施例中,运行状态参数包括所述工业设备的运行环境参数、所述工业设备中各所述工业软件的运行状态参数及所述工业设备中各接口的接口状态参数中的至少一种。从而在获取工业设备的运行状态参数时,能够较全面地考虑到影响服务质量的运行状态参数。
第二方面,本申请还提供了一种工业设备控制装置。所述装置包括:
运行状态参数获取模块,用于获取所述工业设备的运行状态参数;
服务质量参数生成模块,用于将所述运行状态参数输入至预设服务质量监测模型中进行服务质量监测,生成与所述运行状态参数对应的所述工业设备的服务质量参数;所述预设服务质量监测模型为基于回归模型进行训练所得;
运行状态控制模块,用于根据所述工业设备的服务质量参数,对所述工业设备中各工业软件的运行状态进行控制。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面中任一项实施例中的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中任一项实施例中的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面中任一项实施例中的方法的步骤。
上述工业设备控制方法、装置、计算机设备、存储介质和计算机程序产品,获取工业设备的运行状态参数;将运行状态参数输入至预设服务质量监测模型中进行服务质量监测,生成与运行状态参数对应的工业设备的服务质量参数;预设服务质量监测模型为基于回归模型进行训练所得;根据工业设备的服务质量参数,对工业设备中各工业软件的运行状态进行控制。本申请首先通过获取工业设备的运行状态参数,能够较全面地考虑到影响服务质量的运行状态参数。其次,由于回归模型不仅能够准确地计算出各个模型参数之间的相关程度以及拟合程度,而且能够对输出结果进行检验,从而回归模型的精度较高。因此,基于回归模型进行训练所得到的预设服务质量监测模型具有较高的模型精度。从而,将较全面的运行状态参数输入至模型精度较高的预设服务质量监测模型中进行服务质量监测,就能够较准确地生成与运行状态参数对应的工业设备的服务质量参数。之后,根据较准确的工业设备的服务质量参数,就能够较好地对工业设备中各工业软件的运行状态进行控制,从而较好地提高工业设备的工作性能。
附图说明
图1为一个实施例中工业设备控制方法的应用环境图;
图2为一个实施例中工业设备控制方法的流程示意图;
图3为另一个实施例中工业设备控制方法的流程示意图;
图4为一个实施例中目标模型参数生成步骤的流程示意图;
图5为一个实施例中第一目标模型参数生成步骤的流程示意图;
图6为一个实施例中第二目标模型参数生成步骤的流程示意图;
图7为一个实施例中运行状态控制步骤的流程示意图;
图8为一个可选地实施例中工业设备控制方法的流程示意图;
图9为一个实施例中工业设备控制装置的结构框图;
图10为一个实施例中工业设备控制装置中各模块的结构示意图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
随着科技的发展,CPU的性能越来越高。高性能CPU具有计算能力高、存储大等特点,且广泛应用于工业设备中,如广泛应用于工业电脑(IPC)、仪表、边缘计算设备、PLC、运动控制器等工业设备中。
虽然现有的工业设备中配置了高性能CPU,但是现有的工业设备仍然按照预先基于低性能CPU所配置的***参数及应用功能来运行工业软件。显然,现有的工业设备不能发挥出高性能CPU的计算能力,造成了计算资源的浪费,进而导致无法提升工业设备的工作性能。
为了提升工业设备的工作性能,传统方法是通过预测工业设备中的微服务负载,再根据预测出的微服务负载去调整***参数及应用功能,从而发挥出高性能CPU的计算能力,进而提高工业设备的工作性能。然而,采用传统方法不能较好地提高工业设备的工作性能。
本申请实施例提供的工业设备控制方法,可以应用于如图1所示的应用环境中。其中,工业设备102通过网络与计算机设备104进行通信。数据存储***可以存储计算机设备104需要处理的数据。数据存储***可以集成在计算机设备104上,也可以放在云上或其他网络服务器上。计算机设备104从工业设备102中获取工业设备的运行状态参数;计算机设备104将运行状态参数输入至预设服务质量监测模型中进行服务质量监测,生成与运行状态参数对应的工业设备的服务质量参数;预设服务质量监测模型为基于回归模型进行训练所得;计算机设备104根据工业设备的服务质量参数,对工业设备中各工业软件的运行状态进行控制。其中,工业设备102包括工业生产设备和各类机床,比如车床、铣床、磨床、刨床等机器,还可以包括但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。计算机设备104可以用独立的计算机设备或者是多个计算机设备组成的计算机设备集群来实现。
在一个实施例中,如图2所示,提供了一种工业设备控制方法,以该方法应用于图1中的计算机设备104为例进行说明,包括以下步骤:
步骤220,获取工业设备的运行状态参数。
其中,工业设备102包括工业生产设备和各类机床,比如车床、铣床、磨床、刨床等机器,还可以包括但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备。可选地,由于工业设备102中包括运行环境传感器(如温度传感器、湿度传感器、震动传感器等运行环境传感器)、工业通讯接口、外部输入输出接口以及工业设备的内部接口,因此,计算机设备104可以从工业设备102的各传感器或接口中获取工业设备的运行状态参数。其中,运行状态参数包括工业设备的运行环境参数、工业设备中各工业软件的运行状态参数及工业设备中各接口的接口状态参数中的至少一种。
步骤240,将运行状态参数输入至预设服务质量监测模型中进行服务质量监测,生成与运行状态参数对应的工业设备的服务质量参数;预设服务质量监测模型为基于回归模型进行训练所得。
可选地,首先,计算机设备104可以基于回归模型进行训练,从而得到预设服务质量监测模型。其中,回归模型(regression model)是回归模型是一种用于预测分析的模型,回归模型研究的是因变量(目标)和自变量(预测变量)之间的关系。回归模型包括但不局限于logistic回归模型、线性回归模型、多项式回归模型、逐步回归模型、岭回归模型、Lasso回归模型以及弹性网络回归模型(ElasticNet回归模型)等回归模型。回归模型不仅能够准确地计算出各个模型参数之间的相关程度以及拟合程度,而且能够对输出结果进行检验,因此,回归模型的精度较高。之后,计算机设备104可以将获取的运行状态参数输入至预设服务质量监测模型中进行服务质量监测,从而生成与运行状态参数对应的工业设备的服务质量参数。其中,工业设备的服务质量参数用于表征工业设备的服务质量高低,工业设备的服务质量参数与输入至预设服务质量监测模型的运行状态参数相对应。在本实施例中,若服务质量参数为1,则表示工业设备的服务质量高;若服务质量参数为0,则表示工业设备的服务质量低。
步骤260,根据工业设备的服务质量参数,对工业设备中各工业软件的运行状态进行控制。
其中,工业软件(英文:Industrial Software)是指在工业领域里应用的软件,包括***、应用、中间件、嵌入式等。一般来讲工业软件被划分为编程语言、***软件、应用软件和介于这两者之间的中间件。其中,***软件为计算机提供最基本的功能,但是并不针对某一特定应用领域。而应用软件则恰好相反,不同的应用软件可以根据用户和应用所服务的领域提供不同的功能。
可选地,计算机设备104可以根据工业设备的服务质量参数,控制工业设备中各工业软件呈现出对应的运行状态。其中,工业软件的运行状态包括但不局限于正常运行状态、准备状态、暂停状态、停止状态、高速率运行状态以及低速率运行状态等运行状态。高速率是指工业软件的运行速率大于预设标准速率,低速率是指工业软件的运行速率小于预设标准速率,预设标准速率可以根据实际情况进行设置。
上述工业设备控制方法中,获取工业设备的运行状态参数;将运行状态参数输入至预设服务质量监测模型中进行服务质量监测,生成与运行状态参数对应的工业设备的服务质量参数;预设服务质量监测模型为基于回归模型进行训练所得;根据工业设备的服务质量参数,对工业设备中各工业软件的运行状态进行控制。本申请首先通过获取工业设备的运行状态参数,能够较全面地考虑到影响服务质量的运行状态参数。其次,由于回归模型不仅能够准确地计算出各个模型参数之间的相关程度以及拟合程度,而且能够对输出结果进行检验,从而回归模型的精度较高。因此,基于回归模型进行训练所得到的预设服务质量监测模型具有较高的模型精度。从而,将较全面的运行状态参数输入至模型精度较高的预设服务质量监测模型中进行服务质量监测,就能够较准确地生成与运行状态参数对应的工业设备的服务质量参数。之后,根据较准确的工业设备的服务质量参数,就能够较好地对工业设备中各工业软件的运行状态进行控制,从而较好地提高工业设备的工作性能。
在一个实施例中,如图3所示,上述工业设备控制方法还包括:
步骤320,获取训练样本数据;训练样本数据包括工业设备的历史运行状态参数及历史运行状态参数对应的服务质量参数。
可选地,计算机设备104可以获取工业设备的历史数据以及与工业设备相关的通用数据集,再从工业设备的历史数据以及与工业设备相关的通用数据集中获取训练样本数据。其中,训练样本数据包括工业设备的历史运行状态参数及历史运行状态参数对应的服务质量参数。
步骤340,将训练样本数据输入至初始回归模型中对初始回归模型的模型参数进行训练,生成初始回归模型的目标模型参数。
可选地,计算机设备104可以将训练样本数据输入至初始回归模型中,对初始回归模型的模型参数进行训练,生成初始回归模型的目标模型参数。在本实施例中,初始回归模型可以为未做更改的logistic回归模型。其中,logistic回归模型是一种线性回归分析模型,logistic回归模型用于研究因变量输出结果与一些自变量影响因素之间的关系。在本实施例中,初始回归模型的模型参数就是自变量影响因素,通过训练样本数据对logistic回归模型进行训练,可以得到logistic回归模型的目标模型参数。
步骤360,将初始回归模型的初始模型参数调整为目标模型参数,生成预设服务质量监测模型。
可选地,在得到初始回归模型的目标模型参数之后,计算机设备104可以将初始回归模型的初始模型参数调整为初始回归模型的目标模型参数,从而完成初始回归模型的参数调优过程,进而生成预设服务质量监测模型。在本实施例中,预设服务质量监测模型是使用训练样本数据对logistic回归模型训练所得到的服务质量监测模型。
本实施例中,通过获取包括工业设备的历史运行状态参数及历史运行状态参数对应的服务质量参数的训练样本数据,就能够将获取的训练样本数据输入至初始回归模型中对初始回归模型的模型参数进行训练,从而得到初始回归模型的目标模型参数。之后,将初始回归模型的初始模型参数调整为训练生成的目标模型参数,就能够得到训练好的预设服务质量监测模型。
在一个实施例中,如图4所示,模型参数包括第一模型参数及第二模型参数,目标模型参数包括第一目标模型参数及第二目标模型参数;将训练样本数据输入至初始回归模型中对初始回归模型的模型参数进行训练,生成初始回归模型的目标模型参数,包括:
步骤420,将训练样本数据输入至预设参数训练模型中对初始回归模型的第一模型参数进行训练,生成第一目标模型参数。
可选地,由于模型参数包括第一模型参数及第二模型参数,目标模型参数包括第一目标模型参数及第二目标模型参数,因此,计算机设备104可以将训练样本数据输入至预设参数训练模型中,对初始回归模型的第一模型参数进行训练,生成第一目标模型参数。其中,预设参数训练模型用于训练初始回归模型的第一模型参数,预设参数训练模型包括但不局限于极大似然估计模型以及损失函数模型。其中,极大似然估计模型是一种基于给定的观察数据去评估模型参数的估计模型。其中,损失函数模型是一种使用损失函数去进行模型参数评估的评估模型。
步骤440,将第一目标模型参数及工业设备的历史运行状态参数输入至初始回归模型中,对初始回归模型的第二模型参数进行训练,生成第二目标模型参数。
可选地,由于工业设备的训练样本数据包括工业设备的历史运行状态参数及工业设备的历史运行状态参数对应的服务质量参数,因此,计算机设备104可以将生成的第一目标模型参数及获得的工业设备的历史运行状态参数输入至初始回归模型中,对初始回归模型的第二模型参数进行训练,生成第二目标模型参数。示例性的,计算机设备104可以将第一目标模型参数及工业设备的历史运行状态参数一同输入至初始回归模型中,以对初始回归模型的第二模型参数进行训练,从而生成第二目标模型参数;或者,计算机设备104也可以先将初始回归模型的第一模型参数调整为第一目标模型参数,并生成新的初始回归模型,再将工业设备的历史运行状态参数输入至新的初始回归模型中,以对初始回归模型的第二模型参数进行训练,从而生成第二目标模型参数。当然,本实施例对此不做限定。
本实施例中,首先,将训练样本数据输入至预设参数训练模型中对初始回归模型的第一模型参数进行训练,就能够生成第一目标模型参数。通过大量的训练样本数据,就可以准确地计算出第一目标模型参数。之后,将生成的第一目标模型参数及工业设备的历史运行状态参数输入至初始回归模型中,对初始回归模型的第二模型参数进行训练,就能够生成第二目标模型参数。基于较准确的第一目标模型参数结合工业设备的历史运行状态参数,可以准确地计算出第二目标模型参数。从而,根据第一目标模型参数与第二目标模型参数,就能够准确地得到初始回归模型的目标模型参数。
在一个实施例中,如图5所示,预设参数训练模型包括极大似然估计模型或损失函数模型;将训练样本数据输入至预设参数训练模型中对初始回归模型的第一模型参数进行训练,生成第一目标模型参数,包括:
步骤520,将训练样本数据输入至极大似然估计模型中对初始回归模型的第一模型参数进行训练,生成与极大似然估计模型对应的第一目标模型参数;或,
步骤540,将训练样本数据输入至损失函数模型中对初始回归模型的第一模型参数进行训练,生成与损失函数模型对应的第一目标模型参数。
可选地,由于预设参数训练模型包括极大似然估计模型或损失函数模型,因此,计算机设备104可以将训练样本数据输入至极大似然估计模型中,对初始回归模型的第一模型参数进行训练,生成与极大似然估计模型对应的第一目标模型参数。或者,计算机设备104也可以将训练样本数据输入至损失函数模型中,对初始回归模型的第一模型参数进行训练,生成与损失函数模型对应的第一目标模型参数。
其中,极大似然估计模型是一种基于给定的观察数据去评估模型参数的估计模型。极大似然估计模型中包括用于评估模型参数的极大似然函数。极大似然估计模型中的极大似然函数的表达式如公式(1)所示:
其中,LMLE为极大似然函数;xi为样本数据;n为样本数据的个数;yi为样本数据的类别,在本实施例中,样本数据的类别yi∈(0,1),即样本数据的类别包括服务质量高和服务质量低两个类别,并分别用0和1表示;h(xi)为样本数据的概率,概率用于表征样本数据的服务质量。对于样本数据xi,当样本数据xi对应的yi是1时,样本数据的概率是h(xi);对于样本数据xi,当样本数据xi对应的yi是0时,样本数据的概率是1-h(xi)。对公式(1)取对数,得到取对数后的极大似然函数的表达式如公式(2)所示:
其中,L(w)为取对数后的极大似然函数;xi为样本数据;n为样本数据的个数;yi为样本数据的类别;h(xi)为样本数据的概率。
生成与极大似然估计模型对应的第一目标模型参数的具体步骤为:首先,计算机设备104可以从训练样本数据中获取各样本数据、各样本数据的类别信息以及各样本数据的概率。在本申请实施例中,样本数据是指工业设备的历史运行状态参数,样本数据的类别信息以及样本数据的概率是指历史运行状态参数对应的服务质量参数。其次,将各样本数据、各样本数据的类别信息以及各样本数据的概率输入至取对数后的极大似然函数中进行训练,生成L(w)关于w的表达式。之后,对L(w)进行求导,并令导数为0,就可以得到与极大似然估计模型对应的第一目标模型参数W。
损失函数模型是一种使用损失函数去进行模型参数评估的评估模型。损失函数包括但不局限于平方损失函数、绝对值损失函数以及对数损失函数等损失函数。损失函数模型中的损失函数的表达式如公式(3)所示:
其中,J(W)为取对数后的损失函数;xi为样本数据;n为样本数据的个数;yi为样本数据的类别;h(xi)为样本数据的概率。
生成与损失函数模型对应的第一目标模型参数的具体步骤为:首先,计算机设备104可以从训练样本数据中获取各样本数据、各样本数据的类别信息以及各样本数据的概率。在本申请实施例中,样本数据是指工业设备的历史运行状态参数,样本数据的类别信息以及样本数据的概率是指历史运行状态参数对应的服务质量参数。其次,将各样本数据、各样本数据的类别信息以及各样本数据的概率输入至取对数后的损失函数中进行训练,生成J(w)关于w的表达式。之后,对J(w)进行求导,并令导数为0,就可以得到与损失函数对应的第一目标模型参数W。
本实施例中,将训练样本数据输入至极大似然估计模型中对初始回归模型的第一模型参数进行训练,生成与极大似然估计模型对应的第一目标模型参数;或,将训练样本数据输入至损失函数模型中对初始回归模型的第一模型参数进行训练,生成与损失函数模型对应的第一目标模型参数。通过将大量的训练样本数据输入至极大似然估计模型或者损失函数模型中,就能够对初始回归模型的第一模型参数进行训练,从而能够准确地计算出初始回归模型的第一目标模型参数。
在一个实施例中,如图6所示,将第一目标模型参数及工业设备的历史运行状态参数输入至初始回归模型中,对初始回归模型的第二模型参数进行训练,生成第二目标模型参数,包括:
步骤620,将初始回归模型的第一模型参数调整为第一目标模型参数,生成中间回归模型;中间回归模型为包含第一目标模型参数的初始回归模型。
可选地,在得到初始回归模型的第一模型参数之后,计算机设备104可以将初始回归模型的第一模型参数调整为初始回归模型的第一目标模型参数,从而完成初始回归模型中第一模型参数的参数调优过程,进而生成中间回归模型。在本实施例中,中间回归模型为包含第一目标模型参数的初始回归模型,即中间回归模型是将第一模型参数调整为第一目标模型参数之后的初始回归模型。
步骤640,从工业设备的历史运行状态参数中筛选出目标历史运行状态参数。
可选地,根据获取的工业设备的历史运行状态参数,计算机设备104可以使用AIC准则(赤池信息量准则,Akaike information criterion)或BIC准则(贝叶斯信息准则,Bayesian Information Criterion),从工业设备的历史运行状态参数中筛选出目标历史运行状态参数。其中,AIC准则是一种衡量模型拟合性能的方法,BIC准则是一种对输入数据进行建模以确定性能的一种方法,目标历史运行状态参数为工业设备的历史运行状态参数中对服务质量影响较大的历史运行状态参数。示例性地,可以是对服务质量的影响力数值大于预设影响力数值的历史运行状态参数。例如,从工业设备的运行环境参数、所述工业设备中各所述工业软件的运行状态参数及所述工业设备中各接口的接口状态参数等历史运行状态参数中,筛选出对服务质量影响较大的工业软件的历史运行状态参数。当然,本申请实施例对筛选出的具体运行状态参数不做限定。
步骤660,将目标历史运行状态参数输入至中间回归模型中,对中间回归模型的模型参数进行训练,生成第二目标模型参数。
可选地,计算机设备104可以将目标历史运行状态参数输入至中间回归模型中,对中间回归模型的模型参数进行训练,生成与第二模型参数对应的第二目标模型参数。示例性的,当初始回归模型为未做更改的logistic回归模型时,中间回归模型则为将第一模型参数调整为第一目标模型参数之后的初始回归模型。此时,中间回归模型的表达式如公式(4)所示:
本实施例中,首先,将初始回归模型的第一模型参数调整为第一目标模型参数,能够生成中间回归模型。其次,从工业设备的历史运行状态参数中筛选出目标历史运行状态参数。之后,由于中间回归模型为包含较准确的第一目标模型参数的初始回归模型,因此,将筛选出的较准确的目标历史运行状态参数输入至中间回归模型中,就能够对中间回归模型的模型参数进行训练,从而能够较准确地计算出初始回归模型的第二目标模型参数。
在一个实施例中,如图7所示,根据工业设备的服务质量参数,对工业设备中各工业软件的运行状态进行控制,包括:
步骤720,判断工业设备的服务质量参数是否满足预设服务质量参数条件。
可选地,根据输出的工业设备的服务质量参数,计算机设备104可以判断工业设备的服务质量参数是否满足预设服务质量参数条件。其中,预设服务质量参数条件可以依据预先确定的服务质量等级评价标准来制定。在本实施例中,在服务质量等级评价标准中,若服务质量参数为1,则表示工业设备的服务质量等级为高级;若服务质量参数为0.5,则表示工业设备的服务质量等级为中级;若服务质量参数为0,则表示工业设备的服务质量等级为低级。当然,本申请并不对上述对服务质量参数的划分等级做出限定。
若服务质量参数大于或等于0.5,则那么工业设备的服务质量等级为中级或高级,那么,可以制定预设服务质量参数条件为工业设备的服务质量参数大于或等于0.5,以保证工业设备的服务质量等级为中级及以上级别,进而保障工业设备的工作性能。因此,在本实施例中,若服务质量参数为1,则判断出工业设备的服务质量参数大于0.5,表示工业设备的服务质量参数满足预设服务质量参数条件;若服务质量参数为0.5,则判断出工业设备的服务质量参数等于0.5,表示工业设备的服务质量参数满足预设服务质量参数条件;若服务质量参数为0,则判断出工业设备的服务质量参数小于0.5,表示工业设备的服务质量参数不满足预设服务质量参数条件。
步骤740,若判断出工业设备的服务质量参数不满足预设服务质量参数条件,则从各工业软件中确定第一类工业软件。
步骤760,控制第一类工业软件从第一初始运行状态切换至第一目标运行状态;第一类工业软件在第一目标运行状态下的运行速率大于在第一初始运行状态下的运行速率;和/或,
步骤780,从各工业软件中确定第二类工业软件,控制第二类工业软件从第二初始运行状态切换为第二目标运行状态;第二类工业软件为与第一类工业软件相关的工业软件,且第二初始运行状态包括关闭状态或暂停状态,第二目标运行状态包括开启状态。
可选地,当判断出工业设备的服务质量参数不满足预设服务质量参数条件,即判断出工业设备的服务质量参数为0时,本实施例中包括如下述的对工业设备中各工业软件的运行状态进行控制的控制方案。第一种控制方案为:首先,计算机设备104可以从工业设备内的各工业软件中确定出第一类工业软件。其次,计算机设备104可以控制第一类工业软件从第一初始运行状态切换至第一目标运行状态。其中,第一类工业软件为运行状态处于开启状态的工业软件,且第一类工业软件在第一目标运行状态下的运行速率大于在第一初始运行状态下的运行速率(下称高速运行状态)。因此,计算机设备104可以控制第一类工业软件从开启状态切换至高速运行状态,即第一种控制方案为计算机设备104可以提高正在运行的工业软件的运行速率。
第二种控制方案为:首先,计算机设备104可以从工业设备内的各工业软件中确定出第一类工业软件。其次,计算机设备104可以从各工业软件中确定第二类工业软件,控制第二类工业软件从第二初始运行状态切换为第二目标运行状态。其中,第二类工业软件为与第一类工业软件相关的工业软件,且第二类工业软件的第二初始运行状态包括关闭状态或暂停状态,第二目标运行状态包括开启状态。因此,计算机设备104可以控制第二类工业软件从关闭状态或暂停状态切换至开启状态,即第二种控制方案为计算机设备104将与正在运行的工业软件相关的、但未运行的工业软件启动运行。
第三种控制方案为:首先,计算机设备104可以从工业设备内的各工业软件中确定出第一类工业软件。其次,计算机设备104可以控制第一类工业软件从第一初始运行状态切换至第一目标运行状态。之后,计算机设备104可以从各工业软件中确定第二类工业软件,控制第二类工业软件从第二初始运行状态切换为第二目标运行状态。其中,第一类工业软件为运行状态处于开启状态的工业软件,且第一类工业软件在第一目标运行状态下的运行速率大于在第一初始运行状态下的运行速率,第二类工业软件为与第一类工业软件相关的工业软件,且第二类工业软件的第二初始运行状态包括关闭状态或暂停状态,第二目标运行状态包括开启状态,即第三种控制方案为计算机设备104不仅提高正在运行的工业软件的运行速率,而且将与正在运行的工业软件相关的、但未运行的工业软件启动运行。
本实施例中,判断工业设备的服务质量参数是否满足预设服务质量参数条件。若判断出工业设备的服务质量参数不满足预设服务质量参数条件,则从各工业软件中确定第一类工业软件;控制第一类工业软件从第一初始运行状态切换至第一目标运行状态;第一类工业软件在第一目标运行状态下的运行速率大于在第一初始运行状态下的运行速率;和/或,从各工业软件中确定第二类工业软件,控制第二类工业软件从第二初始运行状态切换为第二目标运行状态;第二类工业软件为与第一类工业软件相关的工业软件,且第二初始运行状态包括关闭状态或暂停状态,第二目标运行状态包括开启状态。从而能够在工业设备的服务质量参数不满足预设服务质量参数条件时,提高正在运行的工业软件的运行速率,和/或,将与正在运行的工业软件相关的、但未运行的工业软件启动运行,从而实现对工业设备中各工业软件的运行状态进行控制。
在一个可选地实施例中,如图8所示,提供了一种工业设备控制方法,应用于计算机设备104,包括:
步骤802,获取工业设备的运行状态参数;
步骤804,获取训练样本数据;训练样本数据包括工业设备的历史运行状态参数及历史运行状态参数对应的服务质量参数;
步骤806,将训练样本数据输入至极大似然估计模型中对初始回归模型的第一模型参数进行训练,生成与极大似然估计模型对应的第一目标模型参数;或,
步骤808,将训练样本数据输入至损失函数模型中对初始回归模型的第一模型参数进行训练,生成与损失函数模型对应的第一目标模型参数;
步骤810,将初始回归模型的第一模型参数调整为第一目标模型参数,生成中间回归模型;中间回归模型为包含第一目标模型参数的初始回归模型;
步骤812,从工业设备的历史运行状态参数中筛选出目标历史运行状态参数;
步骤814,将目标历史运行状态参数输入至中间回归模型中,对中间回归模型的模型参数进行训练,生成第二目标模型参数;
步骤816,将初始回归模型的初始模型参数调整为目标模型参数,生成预设服务质量监测模型;
步骤818,将运行状态参数输入至预设服务质量监测模型中进行服务质量监测,生成与运行状态参数对应的工业设备的服务质量参数;预设服务质量监测模型为基于回归模型进行训练所得;
步骤820,判断工业设备的服务质量参数是否满足预设服务质量参数条件;
步骤822,若判断出工业设备的服务质量参数不满足预设服务质量参数条件,则从各工业软件中确定第一类工业软件;
步骤824,控制第一类工业软件从第一初始运行状态切换至第一目标运行状态;第一类工业软件在第一目标运行状态下的运行速率大于在第一初始运行状态下的运行速率;和/或,
步骤826,从各工业软件中确定第二类工业软件,控制第二类工业软件从第二初始运行状态切换为第二目标运行状态;第二类工业软件为与第一类工业软件相关的工业软件,且第二初始运行状态包括关闭状态或暂停状态,第二目标运行状态包括开启状态。
上述工业设备控制方法中,获取工业设备的运行状态参数;将运行状态参数输入至预设服务质量监测模型中进行服务质量监测,生成与运行状态参数对应的工业设备的服务质量参数;预设服务质量监测模型为基于回归模型进行训练所得;根据工业设备的服务质量参数,对工业设备中各工业软件的运行状态进行控制。本申请首先通过获取工业设备的运行状态参数,能够较全面地考虑到影响服务质量的运行状态参数。其次,由于回归模型不仅能够准确地计算出各个模型参数之间的相关程度以及拟合程度,而且能够对输出结果进行检验,从而回归模型的精度较高。因此,基于回归模型进行训练所得到的预设服务质量监测模型具有较高的模型精度。从而,将较全面的运行状态参数输入至模型精度较高的预设服务质量监测模型中进行服务质量监测,就能够较准确地生成与运行状态参数对应的工业设备的服务质量参数。之后,根据较准确的工业设备的服务质量参数,就能够较好地对工业设备中各工业软件的运行状态进行控制,从而较好地提高工业设备的工作性能。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的工业设备控制方法的工业设备控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个工业设备控制装置实施例中的具体限定可以参见上文中对于工业设备控制方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种工业设备控制装置900,包括:运行状态参数获取模块920、服务质量参数生成模块940和运行状态控制模块960,其中:
运行状态参数获取模块920,用于获取工业设备的运行状态参数。
服务质量参数生成模块940,用于将运行状态参数输入至预设服务质量监测模型中进行服务质量监测,生成与运行状态参数对应的工业设备的服务质量参数;预设服务质量监测模型为基于回归模型进行训练所得。
运行状态控制模块960,用于根据工业设备的服务质量参数,对工业设备中各工业软件的运行状态进行控制。
结合图10所示,图10为一个实施例中工业设备控制装置中各模块的结构示意图。工业设备控制装置900包括运行状态参数获取模块920、服务质量参数生成模块940、运行状态控制模块960以及工业设备组件模块980。其中,工业设备组件模块980包括运行环境传感器(如温度传感器、湿度传感器、震动传感器等运行环境传感器)、工业通讯接口、外部输入输出接口以及工业设备的内部接口等工业设备组件,工业设备组件是实现工业设备各项功能的重要硬件支撑。运行状态参数获取模块920中的运行状态参数包括工业设备的运行环境参数、工业设备中各工业软件的运行状态参数及工业设备中各接口的接口状态参数中的至少一种,运行状态参数获取模块920与工业设备组件模块980连接,运行状态参数获取模块920用于检测工业设备组件模块980中的各工业设备组件的运行状态参数。
服务质量参数生成模块940包括预设服务质量监测模型和服务质量监测模块。其中,预设服务质量监测模型是基于回归模型进行训练所得的服务质量监测模型。服务质量监测模块用于使用预设服务质量监测模型对各工业设备组件的运行状态参数进行监测,并生成服务质量监测结果(即工业设备的服务质量参数)。其中,工业设备的服务质量参数表征工业设备的实时工作状态。运行状态控制模块960与服务质量参数生成模块940连接,运行状态控制模块960用于根据工业设备的服务质量参数,控制工业设备中各工业软件的运行状态,如调度、运行、关闭各工业软件。
在其中一个实施例中,工业设备控制装置900还包括:
训练样本数据获取模块,用于获取训练样本数据;训练样本数据包括工业设备的历史运行状态参数及历史运行状态参数对应的服务质量参数;
目标模型参数生成模块,用于将训练样本数据输入至初始回归模型中对初始回归模型的模型参数进行训练,生成初始回归模型的目标模型参数;
预设服务质量监测模型生成模块,用于将初始回归模型的初始模型参数调整为目标模型参数,生成预设服务质量监测模型。
在其中一个实施例中,模型参数包括第一模型参数及第二模型参数,目标模型参数包括第一目标模型参数及第二目标模型参数;目标模型参数生成模块包括:
第一目标模型参数生成单元,用于将训练样本数据输入至预设参数训练模型中对初始回归模型的第一模型参数进行训练,生成第一目标模型参数;
第二目标模型参数生成单元,用于将第一目标模型参数及工业设备的历史运行状态参数输入至初始回归模型中,对初始回归模型的第二模型参数进行训练,生成第二目标模型参数。
在其中一个实施例中,预设参数训练模型包括极大似然估计模型或损失函数模型;第一目标模型参数生成单元包括:
第一目标模型参数生成子单元,用于将训练样本数据输入至极大似然估计模型中对初始回归模型的第一模型参数进行训练,生成与极大似然估计模型对应的第一目标模型参数;或,将训练样本数据输入至损失函数模型中对初始回归模型的第一模型参数进行训练,生成与损失函数模型对应的第一目标模型参数。
在其中一个实施例中,第二目标模型参数生成单元包括:
中间回归模型生成子单元,用于将初始回归模型的第一模型参数调整为第一目标模型参数,生成中间回归模型;中间回归模型为包含第一目标模型参数的初始回归模型;
目标历史运行状态参数筛选子单元,用于从工业设备的历史运行状态参数中筛选出目标历史运行状态参数;
第二目标模型参数生成子单元,用于将目标历史运行状态参数输入至中间回归模型中,对中间回归模型的模型参数进行训练,生成第二目标模型参数。
在其中一个实施例中,运行状态控制模块960包括:
判断单元,用于判断工业设备的服务质量参数是否满足预设服务质量参数条件;
第一类工业软件确定单元,用于若判断出工业设备的服务质量参数不满足预设服务质量参数条件,则从各工业软件中确定第一类工业软件;
控制单元,用于控制第一类工业软件从第一初始运行状态切换至第一目标运行状态;第一类工业软件在第一目标运行状态下的运行速率大于在第一初始运行状态下的运行速率;和/或,从各工业软件中确定第二类工业软件,控制第二类工业软件从第二初始运行状态切换为第二目标运行状态;第二类工业软件为与第一类工业软件相关的工业软件,且第二初始运行状态包括关闭状态或暂停状态,第二目标运行状态包括开启状态。
在其中一个实施例中,运行状态参数包括工业设备的运行环境参数、工业设备中各工业软件的运行状态参数及工业设备中各接口的接口状态参数中的至少一种。
上述工业设备控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储工业设备控制数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种工业设备控制方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,可选地计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种工业设备控制方法,其特征在于,所述方法包括:
获取所述工业设备的运行状态参数;
将所述运行状态参数输入至预设服务质量监测模型中进行服务质量监测,生成与所述运行状态参数对应的所述工业设备的服务质量参数;所述预设服务质量监测模型为基于回归模型进行训练所得;
根据所述工业设备的服务质量参数,对所述工业设备中各工业软件的运行状态进行控制。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取训练样本数据;所述训练样本数据包括所述工业设备的历史运行状态参数及所述历史运行状态参数对应的服务质量参数;
将所述训练样本数据输入至初始回归模型中对所述初始回归模型的模型参数进行训练,生成所述初始回归模型的目标模型参数;
将所述初始回归模型的初始模型参数调整为所述目标模型参数,生成所述预设服务质量监测模型。
3.根据权利要求2所述的方法,其特征在于,所述模型参数包括第一模型参数及第二模型参数,所述目标模型参数包括第一目标模型参数及第二目标模型参数;所述将所述训练样本数据输入至初始回归模型中对所述初始回归模型的模型参数进行训练,生成所述初始回归模型的目标模型参数,包括:
将所述训练样本数据输入至预设参数训练模型中对所述初始回归模型的第一模型参数进行训练,生成第一目标模型参数;
将所述第一目标模型参数及所述工业设备的历史运行状态参数输入至初始回归模型中,对所述初始回归模型的第二模型参数进行训练,生成第二目标模型参数。
4.根据权利要求3所述的方法,其特征在于,所述预设参数训练模型包括极大似然估计模型或损失函数模型;所述将所述训练样本数据输入至预设参数训练模型中对所述初始回归模型的第一模型参数进行训练,生成第一目标模型参数,包括:
将所述训练样本数据输入至所述极大似然估计模型中对所述初始回归模型的第一模型参数进行训练,生成与所述极大似然估计模型对应的第一目标模型参数;或,
将所述训练样本数据输入至所述损失函数模型中对所述初始回归模型的第一模型参数进行训练,生成与所述损失函数模型对应的第一目标模型参数。
5.根据权利要求3或4所述的方法,其特征在于,所述将所述第一目标模型参数及所述工业设备的历史运行状态参数输入至初始回归模型中,对所述初始回归模型的第二模型参数进行训练,生成第二目标模型参数,包括:
将所述初始回归模型的第一模型参数调整为所述第一目标模型参数,生成中间回归模型;所述中间回归模型为包含所述第一目标模型参数的所述初始回归模型;
从所述工业设备的历史运行状态参数中筛选出目标历史运行状态参数;
将所述目标历史运行状态参数输入至所述中间回归模型中,对所述中间回归模型的模型参数进行训练,生成第二目标模型参数。
6.根据权利要求1至4中任一项所述的方法,其特征在于,所述根据所述工业设备的服务质量参数,对所述工业设备中各工业软件的运行状态进行控制,包括:
判断所述工业设备的服务质量参数是否满足预设服务质量参数条件;
若判断出所述工业设备的服务质量参数不满足所述预设服务质量参数条件,则从所述各工业软件中确定第一类工业软件;
控制所述第一类工业软件从第一初始运行状态切换至第一目标运行状态;所述第一类工业软件在第一目标运行状态下的运行速率大于在所述第一初始运行状态下的运行速率;和/或,
从所述各工业软件中确定第二类工业软件,控制所述第二类工业软件从第二初始运行状态切换为第二目标运行状态;所述第二类工业软件为与所述第一类工业软件相关的工业软件,且所述第二初始运行状态包括关闭状态或暂停状态,第二目标运行状态包括开启状态。
7.根据权利要求1至4中任一项所述的方法,其特征在于,所述运行状态参数包括所述工业设备的运行环境参数、所述工业设备中各所述工业软件的运行状态参数及所述工业设备中各接口的接口状态参数中的至少一种。
8.一种工业设备控制装置,其特征在于,所述装置包括:
运行状态参数获取模块,用于获取所述工业设备的运行状态参数;
服务质量参数生成模块,用于将所述运行状态参数输入至预设服务质量监测模型中进行服务质量监测,生成与所述运行状态参数对应的所述工业设备的服务质量参数;所述预设服务质量监测模型为基于回归模型进行训练所得;
运行状态控制模块,用于根据所述工业设备的服务质量参数,对所述工业设备中各工业软件的运行状态进行控制。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211680683.0A CN116088333A (zh) | 2022-12-27 | 2022-12-27 | 工业设备控制方法、装置、计算机设备、存储介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211680683.0A CN116088333A (zh) | 2022-12-27 | 2022-12-27 | 工业设备控制方法、装置、计算机设备、存储介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116088333A true CN116088333A (zh) | 2023-05-09 |
Family
ID=86207441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211680683.0A Pending CN116088333A (zh) | 2022-12-27 | 2022-12-27 | 工业设备控制方法、装置、计算机设备、存储介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116088333A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118030486A (zh) * | 2024-04-08 | 2024-05-14 | 日立压缩机(常熟)有限公司 | 基于运行状态综合分析的空压机节能控制方法及*** |
-
2022
- 2022-12-27 CN CN202211680683.0A patent/CN116088333A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118030486A (zh) * | 2024-04-08 | 2024-05-14 | 日立压缩机(常熟)有限公司 | 基于运行状态综合分析的空压机节能控制方法及*** |
CN118030486B (zh) * | 2024-04-08 | 2024-06-14 | 日立压缩机(常熟)有限公司 | 基于运行状态综合分析的空压机节能控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI723476B (zh) | 異常檢測的解釋特徵確定方法、裝置和設備 | |
TW201833851A (zh) | 風控事件自動處理方法及裝置 | |
CN110858062B (zh) | 目标优化参数的获取方法及模型训练方法、装置 | |
CN107942956A (zh) | 信息处理装置、信息处理方法、信息处理程序及记录介质 | |
JP2019096227A (ja) | 操業改善効果算出装置、操業改善効果算出方法、操業改善効果算出プログラム、および記録媒体 | |
CN115576502B (zh) | 一种数据存储的方法、装置、电子设备以及存储介质 | |
CN116088333A (zh) | 工业设备控制方法、装置、计算机设备、存储介质和产品 | |
US20190220924A1 (en) | Method and device for determining key variable in model | |
JP2018528511A (ja) | 生産システムにおける出力効率の最適化 | |
US6957201B2 (en) | Controlled capacity modeling tool | |
CN111078500A (zh) | 运行配置参数的调整方法、装置、计算机设备和存储介质 | |
CN109636212B (zh) | 作业实际运行时间的预测方法 | |
CN113946983A (zh) | 产品可靠性薄弱环节评估方法、装置和计算机设备 | |
CN113949644A (zh) | 基于LSTM-prophet的网站访问量预测方法及*** | |
AU2021276239A1 (en) | Identifying claim complexity by integrating supervised and unsupervised learning | |
CN113205230A (zh) | 基于模型集合的数据预测方法、装置、设备及存储介质 | |
CN113220551A (zh) | 指标趋势预测及预警方法、装置、电子设备及存储介质 | |
CN114580791B (zh) | 膨化机工作状态识别方法、装置、计算机设备、存储介质 | |
CN114115150B (zh) | 基于数据的热泵***在线建模方法及装置 | |
CN115935761A (zh) | 设备的可靠性仿真方法、装置、计算机设备和存储介质 | |
CN113808727B (zh) | 设备监控方法、装置、计算机设备和可读存储介质 | |
Trinks | A classification of real time analytics methods. an outlook for the use within the smart factory | |
US11640558B2 (en) | Unbalanced sample classification method and apparatus | |
CN114693088A (zh) | 一种水库温度场影响因素分析方法、装置及存储介质 | |
CN114398228A (zh) | 一种设备资源使用情况的预测方法、装置及电子设备 |
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 |