CN117419427B - 一种基于智慧车间的恒温恒湿风柜控制方法及*** - Google Patents
一种基于智慧车间的恒温恒湿风柜控制方法及*** Download PDFInfo
- Publication number
- CN117419427B CN117419427B CN202311746267.0A CN202311746267A CN117419427B CN 117419427 B CN117419427 B CN 117419427B CN 202311746267 A CN202311746267 A CN 202311746267A CN 117419427 B CN117419427 B CN 117419427B
- Authority
- CN
- China
- Prior art keywords
- target
- reasoning
- item
- characterization
- characterization vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000013598 vector Substances 0.000 claims description 462
- 238000012512 characterization method Methods 0.000 claims description 387
- 238000012544 monitoring process Methods 0.000 claims description 142
- 238000009826 distribution Methods 0.000 claims description 46
- 238000013507 mapping Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000013480 data collection Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005057 refrigeration Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/89—Arrangement or mounting of control or safety devices
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请提供的基于智慧车间的恒温恒湿风柜控制方法及***,多目标推理网络中执行的多个目标事项是符合目标事项牵涉性条件的目标事项,也就是本申请中的多目标推理网络是在明确目标事项牵涉性的情况下进行组成架构的确定,使得组成架构确定得到的多目标推理网络更加合理,此外,在多个目标事项符合目标事项牵涉性条件时,对指定目标事项配置相应的专享模块和通用模块,令多目标推理网络可以依据抽取多个目标事项对应的通用表征向量以及指定目标事项对应的专属表征向量,对其中的通用表征向量进行修正,增加了输入指定目标事项推理模块中的表征向量的精度,进而增加了多目标推理网络在对多个目标事项进行推理时的精确性。
Description
技术领域
本公开涉及数据处理领域,并且更具体地,涉及一种基于智慧车间的恒温恒湿风柜控制方法及***。
背景技术
随着工业生产的数字化转型和智能化发展,智慧车间概念应运而生。智慧车间通过引入物联网、云计算、大数据分析等技术,将传感器、设备和***连接起来,实现生产过程的实时监测、远程控制和智能优化。在这个背景下,恒温恒湿风柜控制***也得到了升级和改进。在智慧车间中,恒温恒湿风柜控制***通过传感器实时采集风柜内外的温湿度数据、以及风柜内设备的运行状态,将数据传输到中央控制***或云平台进行处理和分析。基于数据分析和建模,***可以进行温湿度变化趋势推理预测、负载变化推理预测、设备故障推理预测、能耗推理预测等目标事项,以基于预测的结果优化控制策略。其中,出于同时处理众多目标事项的需求,在***中通常采用多目标推理算法(通常为神经网络算法)进行目标事项执行,而针对多个目标事项,确定合理的网络架构是确保数据推理准确性的前提。
发明内容
有鉴于此,本申请实施例至少提供一种基于智慧车间的恒温恒湿风柜控制方法及***,以确保确保数据推理准确性。
根据本公开实施例的一个方面,提供了一种基于智慧车间的恒温恒湿风柜控制方法,应用于恒温恒湿风柜控制***,所述方法包括:获取目标恒温恒湿风柜对应的风柜环境监测数据,所述风柜环境监测数据用于在第一目标推理事项中进行数据推理,将所述风柜环境监测数据输入多目标推理网络,所述多目标推理网络用于执行包含所述第一目标推理事项的多个目标事项,所述多个目标事项彼此满足目标事项牵涉性条件,所述多目标推理网络中包括主干多层感知器以及与所述第一目标推理事项对应的第一多层感知器和第一权重分配模块,所述主干多层感知器用于将输出的表征向量投入到所述多个目标事项;依据所述第一多层感知器和所述主干多层感知器对所述风柜环境监测数据进行表征向量抽取,得到所述第一多层感知器输出的第一表征向量和所述主干多层感知器输出的通用表征向量;依据所述第一权重分配模块对所述通用表征向量进行表征向量修正,并将修正好的修正表征向量与所述第一表征向量进行整合,得到第一整合表征向量;依据所述第一目标推理事项对应的第一推理模块对所述第一整合表征向量进行数据推理,得到所述第一目标推理事项对应的第一推理结果;根据所述第一推理结果对所述目标恒温恒湿风柜进行控制。
根据本公开实施例的一个示例,其中,所述多个目标事项中包含第二目标推理事项,所述风柜环境监测数据还用于在第二目标推理事项中进行数据推理,所述多目标推理网络中包括所述第二目标推理事项对应的第二多层感知器和第二权重分配模块;所述方法还包括:依据所述第二多层感知器对所述风柜环境监测数据进行表征向量抽取,得到所述第二多层感知器输出的第二表征向量;依据所述第二权重分配模块对所述通用表征向量进行表征向量修正,并将修正好的修正表征向量与所述第二表征向量进行整合,得到第二整合表征向量;依据所述第二目标推理事项对应的第二推理模块对所述第二整合表征向量进行数据推理,得到所述第二目标推理事项对应的第二推理结果。
根据本公开实施例的一个示例,其中,所述多个目标事项包括温度目标推理事项和湿度目标推理事项;所述依据所述第一目标推理事项对应的第一推理模块对所述第一整合表征向量进行数据推理,得到所述第一目标推理事项对应的第一推理结果,包括:依据所述温度目标推理事项对应的第一推理模块对所述第一整合表征向量进行数据推理,得到所述温度目标推理事项对应的推理温度;所述依据所述第二目标推理事项对应的第二推理模块对所述第二整合表征向量进行数据推理,得到所述第二目标推理事项对应的第二推理结果,包括:依据所述湿度目标推理事项对应的第二推理模块对所述第二整合表征向量进行数据推理,得到所述温度目标推理事项对应的推理湿度。
根据本公开实施例的一个示例,其中,所述多目标推理网络的网络架构采用如下步骤进行确定:获取第一目标推理事项对应的第一风柜环境监测示例数据和第二目标推理事项对应的第二风柜环境监测示例数据,所述第一风柜环境监测示例数据携带有第一目标事项指示信息,所述第二风柜环境监测示例数据携带有第二目标事项指示信息,目标事项指示信息用于指示风柜环境监测示例数据在目标事项中的对照结果;依据第一目标推理事项对应的第一目标事项网络对所述第一风柜环境监测示例数据进行表征向量抽取,得到第一表征向量,以及依据第二目标推理事项对应的第二目标事项网络对所述第二风柜环境监测示例数据进行表征向量抽取,得到第二表征向量;根据所述第一表征向量和所述第二表征向量之间的牵涉性,以及所述第一目标事项指示信息与所述第二目标事项指示信息之间的牵涉性,确定所述第一目标推理事项和所述第二目标推理事项之间的牵涉性评分;在所述牵涉性评分满足目标事项牵涉性条件时,确定与所述第一目标推理事项和所述第二目标推理事项对应的备选多目标推理网络的组成架构;其中,所述备选多目标推理网络的组成架构中包括备选主干多层感知器、所述第一目标推理事项对应的备选第一多层感知器和备选第一权重分配模块、所述第二目标推理事项对应的备选第二多层感知器和备选第二权重分配模块,所述备选主干多层感知器用于将输出的表征向量投入到所述第一目标推理事项和所述第二目标推理事项。
根据本公开实施例的一个示例,其中,所述根据所述第一表征向量和所述第二表征向量之间的牵涉性,以及所述第一目标事项指示信息与所述第二目标事项指示信息之间的牵涉性,确定所述第一目标推理事项和所述第二目标推理事项之间的牵涉性评分,包括:对所述第一表征向量和所述第二表征向量分别进行低维映射处理,确定所述第一表征向量对应的第一映射表征向量以及所述第二表征向量对应的第二映射表征向量;在所述第一映射表征向量和所述第二映射表征向量彼此满足共性度量要求时,根据所述第一目标事项指示信息和所述第二目标事项指示信息之间的牵涉性,确定所述牵涉性评分。
根据本公开实施例的一个示例,其中,所述依据第一目标推理事项对应的第一目标事项网络对所述第一风柜环境监测示例数据进行表征向量抽取,得到第一表征向量,以及依据第二目标推理事项对应的第二目标事项网络对所述第二风柜环境监测示例数据进行表征向量抽取,得到第二表征向量,包括:依据所述第一目标推理事项对应的第一目标事项网络对所述第一风柜环境监测示例数据进行表征向量抽取,得到多个第一子表征向量;对所述多个第一子表征向量进行表征向量组合,得到第一表征向量;依据所述第二目标推理事项对应的第二目标事项网络对所述第二风柜环境监测示例数据进行表征向量抽取,得到多个第二子表征向量;对所述多个第二子表征向量进行表征向量组合,得到第二表征向量。
根据本公开实施例的一个示例,其中,所述依据第一目标推理事项对应的第一目标事项网络对所述第一风柜环境监测示例数据进行表征向量抽取,得到第一表征向量,以及依据第二目标推理事项对应的第二目标事项网络对所述第二风柜环境监测示例数据进行表征向量抽取,得到第二表征向量,包括:依据所述第一目标推理事项对应的第一目标事项网络对所述第一风柜环境监测示例数据进行表征向量抽取,得到多个第一备选表征向量;对所述多个第一备选表征向量进行关键表征向量确定,得到所述第一表征向量;依据所述第二目标推理事项对应的第二目标事项网络对所述第二风柜环境监测示例数据进行表征向量抽取,得到多个第二备选表征向量;对所述多个第二备选表征向量进行关键表征向量确定,得到所述第二表征向量。
根据本公开实施例的一个示例,其中,所述第一风柜环境监测示例数据中包括P个风柜环境监测示例子数据,所述多个第一备选表征向量中包括Q个第一备选表征向量,P≥1,Q>1;对所述多个第一备选表征向量进行关键表征向量确定,得到所述第一表征向量,包括:对所述Q个第一备选表征向量在所述第一目标推理事项中进行推理,得到所述P个风柜环境监测示例子数据分别对应的参照目标推理事项结果;根据所述P个风柜环境监测示例子数据分别对应的参照目标推理事项结果与所述P个风柜环境监测示例子数据分别对应的目标事项指示信息,确定接收器操作特性曲线下面积;对所述Q个第一备选表征向量中除第T个备选表征向量之外的表征向量在所述第一目标推理事项中进行推理,得到所述P个风柜环境监测示例子数据分别对应的第T个目标推理事项结果;根据所述P个风柜环境监测示例子数据分别对应的参照目标推理事项结果与所述P个风柜环境监测示例子数据分别对应的目标事项指示信息,确定第S个接收器操作特性曲线下面积,其中,T=Q-S,S≤Q;根据所述第S个接收器操作特性曲线下面积与所述参照接收器操作特性曲线下面积之间的差值,对所述Q个第一备选表征向量进行关键表征向量确定,得到所述P个风柜环境监测示例子数据分别对应的第一表征向量。
根据本公开实施例的一个示例,其中,所述第一目标推理事项对应的第一目标事项网络中包括表征向量偏心调校模块,所述表征向量偏心调校模块用于在网络的推理过程中确定抽取的表征向量的偏心系数;对所述多个第一备选表征向量进行关键表征向量确定,得到所述第一表征向量,包括:将所述多个备选表征向量输入所述表征向量偏心调校模块,输出所述多个备选表征向量分别对应的偏心系数;根据所述多个备选表征向量分别对应的偏心系数,对所述多个备选表征向量进行关键表征向量确定,得到所述第一表征向量。
根据本公开实施例的另一方面,提供了一种恒温恒湿风柜控制***,包括:处理器;以及存储器,其中所述存储器中存储有计算机程序,所述计算机程序在由所述处理器运行时,使得所述处理器执行以上所述的方法。
本申请至少具有的有益效果:本申请提供的基于智慧车间的恒温恒湿风柜控制方法及***,依据多目标推理网络中的第一多层感知器和主干多层感知器对风柜环境监测数据进行表征向量抽取,得到第一表征向量和通用表征向量,并依据第一权重分配模块对通用表征向量进行表征向量修正,以将修正好的修正表征向量与第一表征向量进行整合,得到第一整合表征向量,最后依据第一推理模块对第一整合表征向量进行数据推理,得到第一目标推理事项对应的推理结果。首先,多目标推理网络中执行的多个目标事项是符合目标事项牵涉性条件的目标事项,也就是本申请中的多目标推理网络是在明确目标事项牵涉性的情况下进行组成架构的确定,使得组成架构确定得到的多目标推理网络更加合理,此外,在多个目标事项符合目标事项牵涉性条件时,对指定目标事项配置相应的专享模块和通用模块,令多目标推理网络可以依据抽取多个目标事项对应的通用表征向量以及指定目标事项对应的专属表征向量,对其中的通用表征向量进行修正,增加了输入指定目标事项推理模块中的表征向量的精度,进而增加了多目标推理网络在对多个目标事项进行推理时的精确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请的技术方案。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请提供的一种本申请应用场景的架构示意图;
图2~3是本申请提供的一种网络组成架构的确定流程示意图;
图4是本申请提供的一种基于智慧车间的恒温恒湿风柜控制方法的流程示意图;
图5是本申请实施例提供的一种恒温恒湿风柜控制装置的结构示意图;
图6是本申请实施例提供的一种恒温恒湿风柜控制***的计算机设备结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了便于更清楚理解本申请,首先介绍实现本申请的应用场景示意图,如图1所示,该应用场景中包括恒温恒湿风柜控制***10和数据采集设备集群,数据采集设备集群可以包括一个或者多个数据采集设备,这里将不对数据采集设备的数量进行限制。如图1所示,数据采集设备集群具体可以包括数据采集设备1、数据采集设备2、… 、数据采集设备n;可以理解的是,数据采集设备1、数据采集设备2、数据采集设备3、… 、数据采集设备n均可以与恒温恒湿风柜控制***10进行网络连接,以便于每个数据采集设备均可以通过网络连接与恒温恒湿风柜控制***10之间进行数据交互。
可理解的是,恒温恒湿风柜控制***10可以是指执行目标事项推理的设备,其可以为服务器或个人PC等能执行数据处理的计算机设备。该恒温恒湿风柜控制***10还可以用于存储风柜环境监测数据。其中,恒温恒湿风柜控制***10作为服务器时,可以是独立的一个物理服务器,也可以是至少两个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、中容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。数据采集设备具体可以是指检测风柜的内外部温湿度的各种传感器,或者是风柜加热器、制冷压缩机、风扇、加湿器和除湿器等执行机构,但并不局限于此。各个数据采集设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,同时,数据采集设备以及服务器的数量可以为一个或至少两个,本申请在此不做限制。
本申请提供的基于智慧车间的恒温恒湿风柜控制方法及***,依据多目标推理网络中的第一多层感知器和主干多层感知器对风柜环境监测数据进行表征向量抽取,得到第一表征向量和通用表征向量,并依据第一权重分配模块对通用表征向量进行表征向量修正,以将修正好的修正表征向量与第一表征向量进行整合,得到第一整合表征向量,最后依据第一推理模块对第一整合表征向量进行数据推理,得到第一目标推理事项对应的推理结果。首先,多目标推理网络中执行的多个目标事项是符合目标事项牵涉性条件的目标事项,也就是本申请中的多目标推理网络是在明确目标事项牵涉性的情况下进行组成架构的确定,使得组成架构确定得到的多目标推理网络更加合理,此外,在多个目标事项符合目标事项牵涉性条件时,对指定目标事项配置相应的专享模块和通用模块,令多目标推理网络可以依据抽取多个目标事项对应的通用表征向量以及指定目标事项对应的专属表征向量,对其中的通用表征向量进行修正,增加了输入指定目标事项推理模块中的表征向量的精度,进而增加了多目标推理网络在对多个目标事项进行推理时的精确性。
可以理解,合理的网络组成架构是确保数据分析准确性,进而准确完成目标事项推理的前提,本申请实施例先从网络组成架构的确定过程开始进行介绍,请参照图2,其具体可以包括以下步骤:步骤S110,获取第一目标推理事项对应的第一风柜环境监测示例数据和第二目标推理事项对应的第二风柜环境监测示例数据。
其中,第一风柜环境监测示例数据携带有第一目标事项指示信息,第二风柜环境监测示例数据携带有第二目标事项指示信息,目标事项指示信息用于指示风柜环境监测示例数据在目标事项中的对照结果,其可以表征为标签或标记。
作为一种实施方式,第一风柜环境监测示例数据中,风柜环境监测示例数据的数量可以为一个或多个,第二风柜环境监测示例数据中风柜环境监测示例数据的数量可以为一个或多个。风柜环境监测示例数据中记录了恒温恒湿风柜的相关数据,例如检测风柜的内外部温湿度的各种传感器数据、设备运行数据(如加热器、制冷压缩机、风扇、加湿器和除湿器等执行机构的运行参数数据、状态数据等)。目标推理事项是待进行推理的数据处理任务,例如推理风柜内部温度、湿度;推理风柜设备的负载变化;推理风柜设备的潜在故障;推理风柜的能耗。那么,目标事项指示信息可以为风柜环境监测示例数据在指定目标事项中的真实结果,如推理温度目标事项时,真实温度为该风柜环境监测示例数据的目标事项指示信息。
步骤S120,依据第一目标推理事项对应的第一目标事项网络对第一风柜环境监测示例数据进行表征向量抽取,得到第一表征向量,以及依据第二目标推理事项对应的第二目标事项网络对第二风柜环境监测示例数据进行表征向量抽取,得到第二表征向量。
作为一种实施方式,第一目标事项网络和第二目标事项网络都是调试好的单目标事项网络,例如,第一目标事项网络为温度推理网络,则将与温度相关的风柜环境监测示例数据(如加热器数据、压缩机数据、温度传感器数据等)输入温度推理网络后,输出的推理温度。
作为一种实施方式,第一表征向量为在第一目标推理事项的推理环节,依据第一目标事项网络对第一风柜环境监测示例数据进行特征提取,获得的表征向量中重要性不小于重要性阈值的表征向量,换言之,第一表征向量为第一风柜环境监测示例数据中对第一目标推理事项的目标事项推理影响大的表征向量。作为一种实施方式,第二表征向量为在第二目标推理事项的推理环节,依据第二目标事项网络对第二风柜环境监测示例数据进行特征提取,获得的表征向量中重要性不小于重要性阈值的表征向量,换言之,第二表征向量为第二风柜环境监测示例数据中对第二目标推理事项的目标事项推理影响大的表征向量。
作为一种实施方式,在第一表征向量和第二表征向量表征的特征的数量为多个时,得到第一表征向量和第二表征向量的步骤还包括:依据第一目标推理事项对应的第一目标事项网络对第一风柜环境监测示例数据进行表征向量抽取,得到多个第一子表征向量;对多个第一子表征向量进行表征向量组合(例如首尾拼接),得到第一表征向量;依据第二目标推理事项对应的第二目标事项网络对第二风柜环境监测示例数据进行表征向量抽取,得到多个第二子表征向量;对多个第二子表征向量进行表征向量组合,得到第二表征向量。
步骤S130,根据第一表征向量和第二表征向量之间的牵涉性,以及第一目标事项指示信息与第二目标事项指示信息之间的牵涉性,确定第一目标推理事项和第二目标推理事项之间的牵涉性评分。
作为一种实施方式,对第一表征向量和第二表征向量分别进行低维映射处理,确定第一表征向量对应的第一映射表征向量以及第二表征向量对应的第二映射表征向量;在第一映射表征向量和第二映射表征向量彼此满足共性度量要求(共性度量要求可以是一个指示相似性程度的阈值)时,根据第一目标事项指示信息和第二目标事项指示信息之间的牵涉性,确定牵涉性评分。其中,对表征向量进行低维映射处理的方式例如是进行哈希运算(此时的映射表征向量即为哈希值),或者进行特征嵌入(此时的映射表征向量即为嵌入向量)。相对而言,对表征向量采用哈希运算,基于比较哈希结果的共性度量结果,其牵涉性评分的速度更快,但是精度相对特征嵌入比较低一些,具体的选择可以根据实际需要进行确定。在哈希运算前,先对抽取的表征向量进行组合,有利于缩减哈希运算的数据量,进而提高运算效率,有助于任务推理的实时性。
作为一种实施方式,在第一映射表征向量和第二映射表征向量之间的差值不大于差值阈值时,根据第一目标事项指示信息和第二目标事项指示信息之间的线性评估指标(如积矩相关系数),确定牵涉性评分,牵涉性表示第一目标推理事项和第二目标推理事项之间的相关性,牵涉性评分即用于评估相关性程度的数值。
例如,以第一映射表征向量和第二映射表征向量相同,根据第一目标事项指示信息和第二目标事项指示信息之间的线性评估指标,确定牵涉性评分为例,进行举例说明:第一目标推理事项实现为温度目标推理事项、第二目标推理事项实现为湿度目标推理事项。假设第一风柜环境监测示例数据包括:示例数据A(对照湿度A)、示例数据B(对照湿度B)、示例数据C(对照湿度C),其中,对照湿度为示例数据的目标事项指示信息,换言之,该组示例数据对应的目标事项为推理湿度目标事项。针对该组示例数据,将其加载到推理湿度的单目标事项网络中,抽取该组示例数据分别对应的表征向量,对示例数据A、示例数据B、示例数据C分别对应的表征向量进行哈希运算,获得的该组示例数据分别对应的映射表征向量A、映射表征向量B和映射表征向量C。设第二风柜环境监测示例数据包括示例数据D(对照温度A)、示例数据E(对照温度B)、示例数据F(对照温度C),换言之,该组示例数据对应的目标事项为推理温度目标事项,针对该组示例数据,将其加载到推理温度的单目标事项网络中,抽取该组示例数据分别对应的表征向量,对示例数据D、示例数据E、示例数据F分别对应的表征向量进行哈希运算,获得该组示例数据分别对应的映射表征向量D、映射表征向量E和映射表征向量F。
则在映射表征向量相同时,如果示例数据对应的指示信息牵涉性高,表示推理湿度目标事项和推理温度目标事项之间的牵涉性高。设映射表征向量A和映射表征向量D相同,映射表征向量C和映射表征向量F相同,则可确定风柜环境监测示例数据对(示例数据A、示例数据D)、(示例数据C、示例数据F)。
本申请实施例中,牵涉性评分可以采用如下公式计算得到:S=(∑mn-∑m∑n/D)/((∑m2-(∑m)2/D)(∑n2-(∑n)2/D))-1/2;其中,D为风柜环境监测示例数据对的数量,m具体为推理湿度目标事项对应的指示信息值(对照湿度1和对照湿度3),n具***置为推理温度目标事项对应的指示信息(对照温度A和对照温度C)。∑m为对照湿度1和对照湿度3的和值,∑n为对照温度A和对照温度C的和值,∑mn为对照湿度1与对照温度A的积加上对照湿度3与对照温度C的积。
步骤S140 ,在牵涉性评分满足目标事项牵涉性条件时,确定与第一目标推理事项和第二目标推理事项对应的备选多目标推理网络的组成架构。
作为一种实施方式,在牵涉性评分的绝对值不小于牵涉性阈值时,确定牵涉性评分满足目标事项牵涉性条件。作为一种实施方式,第一目标推理事项和第二目标推理事项之间的牵涉性包括积极牵涉(即彼此正相关)和消极牵涉(即彼此负相关),例如,如果目标事项1和目标事项2之间的牵涉性评分表明正值大(如0.8),则目标事项1和目标事项2积极牵涉;如果目标事项1和目标事项2之间的牵涉性评分表明负值大(如-0.8),则目标事项1和目标事项2消极牵涉。其中,备选多目标推理网络的组成架构中包括备选主干多层感知器、第一目标推理事项对应的备选第一多层感知器和备选第一权重分配模块、第二目标推理事项对应的备选第二多层感知器和备选第二权重分配模块,备选主干多层感知器用于将输出的表征向量投入到(也即应用到)第一目标推理事项和第二目标推理事项。其中,多层感知器为一个专家网络,权重分配模块为一个门控网络。
例如,计算多个目标事项中任意两个目标事项之间的牵涉性评分,可确定所有目标事项之间的牵涉性评分的邻接矩阵。
作为了一种备选多目标推理网络的组成架构示意,备选多目标推理网络中包括输入层、主干多层感知器、第一多层感知器、第二多层感知器、第一权重分配模块、第二权重分配模块、第一推理模块和第二推理模块。在第一目标推理事项和第二目标推理事项之间不满足目标事项牵涉性条件时,可依据单独多层感知器对目标事项结果进行推理。
作为一种实施方式一,在第一目标推理事项和第二目标推理事项之间的牵涉性评分的绝对值小于牵涉性阈值时,确定第一目标推理事项和第二目标推理事项之间不满足目标事项牵涉性条件。作为另一种实施方式二,备选多目标推理网络的组成结构中,备选多目标推理网络可以包括输入层、第一多层感知器、第二多层感知器、第一推理模块和第二推理模块,备选多目标推理网络用于执行第一目标推理事项和第二目标推理事项。
上述两个示例中,实施方式一是两个目标事项满足目标事项牵涉性条件时备选多目标推理网络的组成架构,实施方式二是两个目标事项不满足目标事项牵涉性条件时备选多目标推理网络的组成架构,事实上,如果备选多目标推理网络为用于执行超过两个目标事项的网络,比如目标事项1、目标事项2和目标事项3,则可能具有其中只有一对目标事项或两对目标事项满足目标事项牵涉性条件的情形,以目标事项1和目标事项2满足目标事项牵涉性条件,目标事项1和目标事项3不满足目标事项牵涉性条件、目标事项2和目标事项3不满足牵涉性条件为例,此时,备选多目标推理网络的组成架构中,目标事项1对应第一多层感知器、目标事项2对应第二多层感知器、目标事项3对应第三多层感知器、目标事项1和目标事项2共用主干多层感知器。
针对实施方式一、二的备选多目标推理网络,其数据推理具体在后续说明。
进一步地,如果目标事项1、目标事项2和目标事项3中的随机一对目标事项均满足目标事项牵涉性条件,则备选多目标推理网络的组成架构可以包括以下可能的情形的一种或全部:
一、备选多目标推理网络中包括目标事项1对应第一多层感知器、目标事项2对应第二多层感知器、目标事项3对应第三多层感知器;目标事项1、目标事项2和目标事项3还共用主干多层感知器;
二、备选多目标推理网络中包括目标事项1对应第一多层感知器,目标事项2对应第二多层感知器、目标事项3对应第三多层感知器;目标事项1和目标事项2共用主干多层感知器1、目标事项1和目标事项3共用主干多层感知器2、目标事项2和目标事项3共用主干多层感知器3。
可选地,确定备选多目标推理网络对应的组成架构后,还需对备选多目标推理网络进行调试,获得进行多数据推理的多目标推理网络。
作为一种实施方式,根据调试数据对备选多目标推理网络进行调试,得到多目标推理网络。其中,调试数据对包括组成数据对的调试数据和多个对照目标事项结果,多个对照目标事项结果是调试数据在多个目标事项中的对照结果。换言之,多个对照目标事项结果是根据调试数据完成多个目标事项(即完成多个任务)后,多个目标事项各自对应的对照目标事项执行结果。例如,以多个目标事项实现为温度目标推理事项(对应第一目标推理事项)和湿度目标推理事项(对应第二目标推理事项)为例,调试数据为检测风柜的内外部温湿度的各种传感器数据、设备运行数据(如加热器、制冷压缩机、风扇、加湿器和除湿器等执行机构的运行参数数据、状态数据等)等,调试数据中携带有对照温度和对照湿度。将调试数据加载到备选多目标推理网络,推理得到调试数据对应的推理温度和推理湿度,依据推理温度和对照温度之间的差值以及对照湿度和推理湿度之间的差值对备选多目标推理网络进行调整,得到多目标推理网络。
在对备选多目标推理网络进行调试时,具体基于推理温度和对照温度之间的差值,确定第一误差(又称代价、损失);基于对照湿度和推理湿度之间的差值,确定第二误差,沿着降低第一误差和第二误差的融合结果(如加权求和)的方向,对备选多目标推理网络的可学习变量(如权重、偏置等参数,网络层数、神经元数、学习率、批处理大小等超参)进行优化。
综上,本申请实施例提供的备选基于智慧车间的恒温恒湿风柜控制方法依据多个风柜环境监测示例数据和多个风柜环境监测示例数据分别对应的目标事项指示信息,获取多个目标事项之间的牵涉性评分,在多个目标事项中的第一目标推理事项和第二目标推理事项彼此满足目标事项牵涉性条件时,确定备选多目标推理网络的组成架构。首先,备选多目标推理网络的组成架构是在已知目标事项牵涉性的情况下进行确定的,使得组成架构更加合理,然后,对第一目标推理事项和第二目标推理事项各自配置相应的专享模块和通用模块,令备选多目标推理网络可以依据抽取多个目标事项对应的通用表征向量以及单独目标事项对应的专属表征向量,增加了进行目标事项推理的表征向量的精度,进而增加了根据该组成架构调试得到的多目标推理网络在对多个目标事项进行推理时的精确性。
在一些可选的设计中,确定第一表征向量或者第二表征向量时,需对第一风柜环境监测示例数据或第二风柜环境监测示例数据抽取获得的表征向量抽取进行有选择地确定,获得重要性相对更高的表征向量,以便增加获得的目标事项牵涉性评分的准确性。该实施方案下,请参照图3,对应的方法具体可以包括如下步骤:步骤S210,获取第一目标推理事项对应的第一风柜环境监测示例数据和第二目标推理事项对应的第二风柜环境监测示例数据。
其中,第一风柜环境监测示例数据携带有第一目标事项指示信息,第二风柜环境监测示例数据携带有第二目标事项指示信息,目标事项指示信息用于指示风柜环境监测示例数据在目标事项中的对照结果。
步骤S220,依据第一目标推理事项对应的第一目标事项网络对第一风柜环境监测示例数据进行表征向量抽取,得到多个第一备选表征向量;对多个第一备选表征向量进行关键表征向量确定,得到第一表征向量。
作为一种实施方式,对多个第一备选表征向量进行关键表征向量确定,得到第一表征向量的方式例如为以下方式的至少一种:
一、采取接收器操作特性曲线(ROC)确定
接收器操作特性曲线下面积(AUC)代表积极示例数据(正样本)的推理结果大于消极示例数据(负样本)的推理结果的可能性。例如,在全部积极示例数据中任意确定一个示例数据1,全部消极示例数据中任意确定一个示例数据2,在通过分类器对两个任意确定的示例数据1和2进行推理,将示例数据1推理为积极示例的可能性(例如概率)为C1,将示例数据2推理为积极示例的可能性为C2,此时,C1>C2的概率即接收器操作特性曲线下面积。
作为一种实施方式,第一风柜环境监测示例数据中包括P个风柜环境监测示例子数据,多个第一备选表征向量中包括Q个第一备选表征向量,P≥1,Q>1。P个风柜环境监测示例子数据分别对应有第一表征向量,那么,获得第一表征向量的过程还包括:对Q个第一备选表征向量在第一目标推理事项中进行推理,得到P个风柜环境监测示例子数据分别对应的参照目标推理事项结果;根据P个风柜环境监测示例子数据分别对应的参照目标推理事项结果与P个风柜环境监测示例子数据分别对应的目标事项指示信息,确定接收器操作特性曲线下面积;对Q个第一备选表征向量中,除第T个备选表征向量之外的表征向量在第一目标推理事项中进行推理,得到P个风柜环境监测示例子数据分别对应的第T个目标推理事项结果;根据P个风柜环境监测示例子数据分别对应的参照目标推理事项结果与P个风柜环境监测示例子数据分别对应的目标事项指示信息,确定第S个接收器操作特性曲线下面积,其中,T=Q-S,S≤Q;基于第S个接收器操作特性曲线下面积与参照接收器操作特性曲线下面积之间的差值,对Q个第一备选表征向量进行关键表征向量确定,得到P个风柜环境监测示例子数据分别对应的第一表征向量。
例如,第一目标推理事项为温度目标推理事项为例,则P个风柜环境监测示例子数据为:示例数据A(对照湿度1)、示例数据B(对照湿度2)、示例数据C(对照湿度3),换言之,该组示例数据对应的目标事项为推理湿度目标事项;针对该组示例数据,将其加载到推理湿度的单目标事项网络中,抽取该组示例数据分别对应的全部表征向量(例如50个表征向量),对该全部表征向量进行推理,得到推理湿度1、推理湿度2、推理湿度3,将对照湿度1、对照湿度2、对照湿度3以及推理湿度1、推理湿度2、推理湿度3输入接收器操作特性曲线下面积确定模块,得到该组示例数据对应的接收器操作特性曲线下面积,将接收器操作特性曲线下面积作为参照接收器操作特性曲线下面积。接着,逐一减少示例数据对应的表征向量,比如减少50个表征向量中的第1个表征向量,对余下49个表征向量进行推理,得到该组示例数据分别对应的推理湿度,将其和该组示例数据分别对应的对照湿度输入接收器操作特性曲线下面积确定模块中,得到第一接收器操作特性曲线下面积;按照相同思路,减少50个表征向量中的第2个表征向量,对余下49个表征向量进行推理,得到第二接收器操作特性曲线下面积;直到获取得到50个接收器操作特性曲线下面积。
获取该50个接收器操作特性曲线下面积对参照接收器操作特性曲线下面积的影响(增加还是降低),将令参照接收器操作特性曲线下面积降低最多的10个接收器操作特性曲线下面积对应的表征向量进行组合,获得的表征向量即该组示例数据对应的目标表征向量。
二、根据挤压激励网络确定
作为一种实施方式,第一目标推理事项对应的第一目标事项网络中包括表征向量偏心调校模块,表征向量偏心调校模块用于在网络的推理时确定抽取的表征向量的偏心系数(即通道权重)。获取第一表征向量的具体过程还包括:将多个备选表征向量输入表征向量偏心调校模块,输出多个备选表征向量分别对应的偏心系数;根据多个备选表征向量分别对应的偏心系数,对多个备选表征向量进行关键表征向量确定,得到第一表征向量。
例如第一目标推理事项为温度目标推理事项,在温度推理网络中添加挤压激励模块(即表征向量偏心调校模块),在依据温度推理网络抽取风柜环境监测示例数据对应的Q个第一备选表征向量后,依据挤压激励模块计算Q个第一备选表征向量分别对应的偏心系数,将Q个第一备选表征向量中权重最大的备选表征向量确定为目标表征向量。或将Q个第一备选表征向量中权重最大的多个备选表征向量组合得到目标数据表征向量。或将Q个第一备选表征向量中权重不小于阈值的多个表征向量组合得到目标数据表征向量。
步骤S230,依据第二目标推理事项对应的第二目标事项网络对第二风柜环境监测示例数据进行表征向量抽取,得到多个第二备选表征向量;对多个第二备选表征向量进行关键表征向量确定,得到第二表征向量。
步骤S240,对第一表征向量和第二表征向量分别进行低维映射处理,确定第一表征向量对应的第一映射表征向量以及第二表征向量对应的第二映射表征向量。
步骤S250,在第一映射表征向量和第二映射表征向量彼此满足共性度量要求时,根据第一目标事项指示信息和第二目标事项指示信息之间的牵涉性,确定牵涉性评分。
作为一种实施方式,在第一映射表征向量和第二映射表征向量之间的差值(例如是哈希值的差值时,此时的映射表征向量可以理解为由0和1组成的向量)不大于差值阈值时,根据第一目标事项指示信息和第二目标事项指示信息之间的线性评估指标,确定牵涉性评分。
例如,如果第一映射表征向量和第二映射表征向量相同,根据第一目标事项指示信息和第二目标事项指示信息之间的线性评估指标,确定牵涉性评分。
步骤S260,在牵涉性评分满足目标事项牵涉性条件时,确定与第一目标推理事项和第二目标推理事项对应的备选多目标推理网络的组成架构。
作为一种实施方式,在牵涉性评分的绝对值不小于牵涉性阈值时,确定牵涉性评分满足目标事项牵涉性条件。
其中,备选多目标推理网络的组成架构包括备选主干多层感知器、第一目标推理事项对应的备选第一多层感知器和备选第一权重分配模块、第二目标推理事项对应的备选第二多层感知器和备选第二权重分配模块,备选主干多层感知器用于将得到的表征向量投入到第一目标推理事项和第二目标推理事项。
综上,本申请实施例提供的方法依据多个风柜环境监测示例数据和多个风柜环境监测示例数据分别对应的目标事项指示信息,获取多个目标事项之间的牵涉性评分,在多个目标事项中的第一目标推理事项和第二目标推理事项彼此满足目标事项牵涉性条件时,确定备选多目标推理网络的组成架构。一方面,备选多目标推理网络的组成架构是在已知目标事项牵涉性的情况下进行确定的,使得组成架构更加合理;另一方面,对第一目标推理事项和第二目标推理事项各自配置相应的专享模块和通用模块,令备选多目标推理网络可以依据抽取多个目标事项对应的通用表征向量以及单独目标事项对应的专属表征向量,增加了进行目标事项推理的表征向量的精度,进而增加了根据该组成架构调试得到的多目标推理网络在对多个目标事项进行推理时的精确性。
基于此,本申请依据确定特征的重要性,确定重要性高的表征向量进行比对,不仅减少运算量,提高牵涉性评分的确定速度,还在确定牵涉性评分时,加入了重要性确定的过程,提高确定得到的表征向量的准确性,以增加牵涉性评分的可靠性。
介绍完网络的组成架构确定过程,下面介绍本申请实施例提供的基于智慧车间的恒温恒湿风柜控制方法的过程,请参照图4,具体可以包括以下步骤:步骤S310,获取目标恒温恒湿风柜对应的风柜环境监测数据,将风柜环境监测数据输入多目标推理网络。
其中,风柜环境监测数据用于在第一目标推理事项中进行数据推理,多目标推理网络用于执行包含第一目标推理事项的多个目标事项,一个目标事项即一个待执行的数据处理任务,如温度推理任务、湿度推理任务,多个目标事项彼此满足目标事项牵涉性条件,多目标推理网络中包括主干多层感知器以及与第一目标推理事项对应的第一多层感知器和第一权重分配模块,主干多层感知器用于将输出的表征向量投入到多个目标事项。
作为一种实施方式,风柜环境监测数据还用于在除第一目标推理事项之外的多个目标事项中进行推理,例如,将风柜环境监测数据输入多目标推理网络中,得到多个不同的数据推理结果,多个不同的数据推理结果即多个目标事项分别对应的目标事项执行结果。
作为一种实施方式,风柜环境监测数据中记录了恒温恒湿风柜的相关数据,例如检测风柜的内外部温湿度的各种传感器数据、设备运行数据(如加热器、制冷压缩机、风扇、加湿器和除湿器等执行机构的运行参数数据、状态数据等)。
作为一种实施方式,多个目标事项中还包含第二目标推理事项,换言之,多个目标事项彼此满足目标事项牵涉性条件包括第一目标推理事项和第二目标推理事项彼此满足目标事项牵涉性条件。其中,第二目标推理事项为多个目标事项中除第一目标推理事项之外的任一个目标推理事项。
作为一种实施方式,第一目标推理事项和第二目标推理事项存在积极牵涉(即正相关)和消极牵涉(即负相关)的牵涉关系,如果第一目标推理事项和第二目标推理事项积极牵涉时,牵涉性评分的取值大于零,此时,牵涉性评分越大,第一目标推理事项和第二目标推理事项越相关。如果第一目标推理事项和第二目标推理事项消极牵涉时,牵涉性评分小于零,此时,牵涉性评分越小,第一目标推理事项和第二目标推理事项越不相关。
作为一种实施方式,第一目标推理事项和第二目标推理事项之间的牵涉性评分的绝对值不小于牵涉性阈值,此为确定第一目标推理事项和第二目标推理事项彼此满足目标事项牵涉性条件。
主干多层感知器被配置为对加载到的数据进行表征向量抽取,得到表征多个目标事项共性的表征向量;第一多层感知器被配置为对加载到的数据进行表征向量抽取,得到表征第一目标推理事项的专属的表征向量。作为一种实施方式,主干多层感知器和第一多层感知器为仿射网络层或卷积网络层等特征抽取网络,具体不做限定。
第一权重分配模块用于对主干多层感知器输出的表征向量进行表征向量修正(也即进行特征调节),得到投入到第一目标推理事项的表征向量。权重分配模块为一个门控网络。作为一种实施方式,多目标推理网络中还包括第二目标推理事项对应的第二多层感知器和第二权重分配模块,以上多目标推理网络中的主干多层感知器用于将输出的表征向量投入到第一目标推理事项和第二目标推理事项。可选地,如果多个目标事项中具有除第一目标推理事项和第二目标推理事项之外的第三目标推理事项,在第一目标推理事项、第二目标推理事项和第三目标推理事项中,任两个目标推理事项之间的牵涉性评分的绝对值不小于牵涉性阈值时:多目标推理网络中包括第一目标推理事项对应的第一多层感知器和第一权重分配模块,第二目标推理事项对应的第二多层感知器和第二权重分配模块,以及第三目标推理事项对应的第三多层感知器和第三权重分配模块;多目标推理网络中的主干多层感知器输出的表征向量投入到第一目标推理事项、第二目标推理事项和第三目标推理事项的结果推理中。或者,多目标推理网络中包括第一目标推理事项对应的第一多层感知器和第一权重分配模块,第二目标推理事项对应的第二多层感知器和第二权重分配模块,以及第三目标推理事项对应的第三多层感知器和第三权重分配模块;多目标推理网络中的主干多层感知器包括第一通用模块、第二通用模块和第三通用模块,其中,第一通用模块输出的表征向量投入到第一目标推理事项和第二目标推理事项的结果推理中,第二通用模块输出的表征向量投入到第一目标推理事项和第三目标推理事项的结果推理中,第三通用模块输出的表征向量投入到第二目标推理事项和第三目标推理事项的结果推理中。
步骤S320,依据第一多层感知器和主干多层感知器对风柜环境监测数据进行表征向量抽取,得到第一多层感知器输出的第一表征向量和主干多层感知器输出的通用表征向量。
其中,第一表征向量表征第一目标推理事项在风柜环境监测数据上的专属特征信息,通用表征向量用于表征第一目标推理事项与其他目标事项在风柜环境监测数据上的通用特征信息。作为一种实施方式,多目标推理网络中还包括输入编码模块,将风柜环境监测数据输入多目标推理网络中,依据输入编码模块对风柜环境监测数据进行编码,得到风柜环境监测数据对应的输入表征向量。
获得风柜环境监测数据对应的输入表征向量后,将输入表征向量加载到第一多层感知器中,对输入表征向量进行表征向量抽取,得到第一表征向量;将输入表征向量输入主干多层感知器中,对输入表征向量进行表征向量抽取,得到通用表征向量。可选地,风柜环境监测数据还用于在第二目标推理事项中进行推理,则在依据第一多层感知器对风柜环境监测数据进行表征向量抽取的同时,还包括:依据第二多层感知器对风柜环境监测数据进行表征向量抽取,得到第二多层感知器输出的第二表征向量。
其中,第二表征向量用于表征第一目标推理事项在风柜环境监测数据上的专属特征信息;作为一种实施方式,通用表征向量用于表征第一目标推理事项与第二目标推理事项在风柜环境监测数据上的通用特征信息。作为一种实施方式,在得到风柜环境监测数据对应的输入表征向量之后,将输入表征向量输入第二多层感知器中,对输入表征向量进行表征向量抽取,得到第二表征向量。
步骤S330,依据第一权重分配模块对通用表征向量进行表征向量修正,并将修正好的修正表征向量与第一表征向量进行整合,得到第一整合表征向量。
虽然通用表征向量表征多个目标事项之间的通用特征信息,但通用表征向量对于多个目标事项的目标事项推理结果的影响不同,基于此,可通过多个目标事项分别对应的偏心系数分配模块对通用表征向量进行偏心调节,得到多个目标事项分别对应的修正表征向量。
在得到风柜环境监测数据对应的输入表征向量之后,将输入表征向量加载到多个目标事项分别对应的偏心系数分配模块中。作为一种实施方式,对通用表征向量进行表征向量修正的方法包括:将输入表征向量输入到第一目标推理事项对应的第一权重分配模块中,确定第一目标推理事项对应的第一偏心系数,依据第一偏心系数对通用表征向量进行偏心调节(偏心系数为一个权值,基于该权值进行加权即偏心调节),得到第一目标推理事项对应的修正表征向量;将第一目标推理事项对应的修正表征向量与第一表征向量进行整合,得到第一整合表征向量。
可选地,风柜环境监测数据还用于在第二目标推理事项中进行推理,则在依据第一权重分配模块对通用表征向量进行表征向量修正时,还包括:依据第二权重分配模块对通用表征向量进行表征向量修正,将修正好的修正表征向量与第二表征向量进行整合(例如相加、拼接或加权求和),得到第二整合表征向量。作为一种实施方式,将输入表征向量输入到第二目标推理事项对应的第二权重分配模块中,确定第二目标推理事项对应的第二偏心系数,依据第二偏心系数对通用表征向量进行偏心调节,得到第二目标推理事项对应的修正表征向量;将第二目标推理事项对应的修正表征向量与第二表征向量进行整合,得到第二整合表征向量。
步骤S340,依据第一目标推理事项对应的第一推理模块对第一整合表征向量进行数据推理,得到第一目标推理事项对应的第一推理结果。
其中,第一推理模块是第一目标推理事项对应的网络模块,被配置为对风柜环境监测数据在第一目标推理事项中的目标事项执行结果进行推理,其具体可以为一个分类器,例如仿射网络层、softmax等。可选地,风柜环境监测数据还用于在第二目标推理事项中进行推理,则依据第一目标推理事项对应的第一推理模块对第一整合表征向量进行数据推理时,还包括:依据第二目标推理事项对应的第二推理模块对第二整合表征向量进行数据推理,得到第二目标推理事项对应的第二推理结果。其中,第二推理模块是第二目标推理事项对应的网络模块,被配置为对风柜环境监测数据在第二目标推理事项中的目标事项执行结果进行推理。
例如,第一目标推理事项为风柜内的温度目标推理事项、第二目标推理事项为风柜内的湿度目标推理事项为例,依据温度目标推理事项对应的第一推理模块对第一整合表征向量进行数据推理,得到温度目标推理事项对应的推理温度;依据湿度目标推理事项对应的第二推理模块对第二整合表征向量进行数据推理,得到温度目标推理事项对应的推理湿度。
对于备选多目标推理网络,该备选多目标推理网络调试得到多目标推理网络的组成架构不变,数据被加载后,推理的过程具体包括:将风柜环境监测数据加载到输入编码模块,抽取得到输入表征向量,将输入表征向量分别输入主干多层感知器、第一多层感知器、第二多层感知器、第一权重分配模块、第二权重分配模块;依据主干多层感知器抽取输入表征向量中的通用表征向量、依据第一多层感知器抽取输入表征向量中的第一表征向量、依据第二多层感知器抽取输入表征向量中的第二表征向量、依据第一权重分配模块确定第一权重,依据第二权重分配模块确定第二权重;根据第一权重对通用表征向量进行加权,获得第一目标推理事项对应的修正表征向量,将修正表征向量和第一表征向量进行整合,得到第一整合表征向量,将第一整合表征向量输入到第一推理模块中,输出风柜环境监测数据在第一目标推理事项上的目标事项执行结果;根据第二权重对通用表征向量进行加权,获得第二目标推理事项对应的修正表征向量,将该修正表征向量和第二表征向量进行整合,得到第二整合表征向量,将第二整合表征向量加载到第二推理模块中,得到风柜环境监测数据在第二目标推理事项上的目标事项的执行结果。
可选地,在第一目标推理事项和第二目标推理事项之间不满足目标事项牵涉性条件时,可依据单独多层感知器(即没有通用的多层感知器)对目标事项执行结果进行推理,具体地,将风柜环境监测数据加载到输入编码模块,抽取得到输入表征向量,将输入表征向量分别输入第一多层感知器和第二多层感知器中;依据第一多层感知器抽取输入表征向量中的第一表征向量、依据第二多层感知器抽取输入表征向量中的第二表征向量;将第一表征向量加载到第一推理模块,输出风柜环境监测数据在第一目标推理事项上的目标事项执行结果;将第二表征向量输入到第二推理模块,输出风柜环境监测数据在第二目标推理事项上的目标事项的执行结果。
步骤S350,根据第一推理结果对目标恒温恒湿风柜进行控制。
例如,对于推理得到的温度(例如目标区域的温度),基于设定的温度进行比较,对制热或制冷机构进行控制,以使目标区域的温度达到该设定的温度,基于推理得到的温度提前进行温度干预,能令目标区域的温度变化最小化,达到恒温的效果,对应的,对湿度的控制也采用类似的思路。对于故障推理、负载推理等目标事项对应的推理结果,可以根据事先设定的干预控制策略进行相应的控制,例如对于故障推理结果,根据推理的故障设备的重要性和故障时间的紧迫性进行预警、停机、备用设备启用等干预控制,具体的方式根据实际需要进行选择,本申请对此不做限定。
本申请实施例提供的基于智慧车间的恒温恒湿风柜控制方法依据多目标推理网络中的第一多层感知器和主干多层感知器对风柜环境监测数据进行表征向量抽取,得到第一表征向量和通用表征向量,并依据第一权重分配模块对通用表征向量进行表征向量修正,以将修正好的修正表征向量与第一表征向量进行整合,得到第一整合表征向量,依据第一推理模块对第一整合表征向量进行数据推理,得到第一目标推理事项对应的推理结果。首先,多目标推理网络中执行的多个目标事项是符合目标事项牵涉性条件的目标事项,也就是本申请中的多目标推理网络是在明确目标事项牵涉性的情况下进行组成架构的确定,使得组成架构确定得到的多目标推理网络更加合理,此外,在多个目标事项符合目标事项牵涉性条件时,对指定目标事项配置相应的专享模块和通用模块,令多目标推理网络可以依据抽取多个目标事项对应的通用表征向量以及指定目标事项对应的专属表征向量,对其中的通用表征向量进行修正,增加了输入指定目标事项推理模块中的表征向量的精度,进而增加了多目标推理网络在对多个目标事项进行推理时的精确性。
请参见图5,是本申请实施例提供的一种恒温恒湿风柜控制装置的结构示意图。上述恒温恒湿风柜控制装置可以是运行于网络设备中的一个计算机程序(包括程序代码),例如该恒温恒湿风柜控制装置为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。如图5所示,该恒温恒湿风柜控制装置可以包括:数据获取模块311、特征抽取模块312、特征修正模块313、数据推理模块314、风柜控制模块315。
其中,数据获取模块311用于获取目标恒温恒湿风柜对应的风柜环境监测数据,所述风柜环境监测数据用于在第一目标推理事项中进行数据推理,将所述风柜环境监测数据输入多目标推理网络,所述多目标推理网络用于执行包含所述第一目标推理事项的多个目标事项,所述多个目标事项彼此满足目标事项牵涉性条件,所述多目标推理网络中包括主干多层感知器以及与所述第一目标推理事项对应的第一多层感知器和第一权重分配模块,所述主干多层感知器用于将输出的表征向量投入到所述多个目标事项;特征抽取模块312用于依据所述第一多层感知器和所述主干多层感知器对所述风柜环境监测数据进行表征向量抽取,得到所述第一多层感知器输出的第一表征向量和所述主干多层感知器输出的通用表征向量;特征修正模块313用于依据所述第一权重分配模块对所述通用表征向量进行表征向量修正,并将修正好的修正表征向量与所述第一表征向量进行整合,得到第一整合表征向量;数据推理模块314用于依据所述第一目标推理事项对应的第一推理模块对所述第一整合表征向量进行数据推理,得到所述第一目标推理事项对应的第一推理结果;风柜控制模块315用于根据所述第一推理结果对所述目标恒温恒湿风柜进行控制。
根据本申请的一个实施例,图4所示的基于智慧车间的恒温恒湿风柜控制方法所涉及的步骤可由图5所示的恒温恒湿风柜控制装置中的各个模块来执行。
根据本申请的一个实施例,图5所示的恒温恒湿风柜控制装置中的各个模块可以分别或全部合并为一个或若干个单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的至少两个子单元,可以实现同样的操作,而不影响本申请的实施例的技术效果的实现。上述模块是基于逻辑功能划分的,在实际应用中,一个模块的功能也可以由至少两个单元来实现,或者至少两个模块的功能由一个单元实现。在本申请的其它实施例中,恒温恒湿风柜控制装置也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由至少两个单元协作实现。
根据本申请的一个实施例,可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理组件和存储组件的例如计算机的通用计算机设备上运行能够执行如图4中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图5中所示的恒温恒湿风柜控制装置,以及来实现本申请实施例的基于智慧车间的恒温恒湿风柜控制方法。上述计算机程序可以记载于例如计算机可读记录介质上,并通过计算机可读记录介质装载于上述计算设备中,并在其中运行。
请参见图6,是本申请实施例提供的一种计算机设备的结构示意图。如图6所示,上述计算机设备1000可以包括:处理器1001,网络接口1004和存储器1005,此外,上述计算机设备1000还可以包括:用户接口1003,和至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏(Display)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是非易失性的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个在远离前述处理器1001的存储装置。如图6所示,作为一种计算机可读存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及设备控制应用程序。
在图6所示的计算机设备1000中,网络接口1004可提供网络通讯功能;而用户接口1003主要用于提供输入的接口;而处理器1001可以用于调用存储器1005中存储的设备控制应用程序,以实现以上实施例中提供的方法。
应当理解,本申请实施例中所描述的计算机设备1000可执行前文图2对应实施例中对基于智慧车间的恒温恒湿风柜控制方法的描述,也可执行前文图5所对应实施例中对恒温恒湿风柜控制装置的描述,在此不再赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。
此外,这里需要指出的是:本申请实施例还提供了一种计算机可读存储介质,且上述计算机可读存储介质中存储有前文提及的恒温恒湿风柜控制装置所执行的计算机程序,且上述计算机程序包括程序指令,当上述处理器执行上述程序指令时,能够执行前文图4对应实施例中对上述基于智慧车间的恒温恒湿风柜控制方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。
作为示例,上述程序指令可被部署在一个计算机设备上执行,或者被部署在一个地点的至少两个计算机设备上执行,又或者,在分布在至少两个地点且通过通信网络互连的至少两个计算机设备上执行,分布在至少两个地点且通过通信网络互连的至少两个计算机设备可以组成区块链网络。
上述计算机可读存储介质可以是前述任一实施例提供的恒温恒湿风柜控制装置或者上述计算机设备的中部存储单元,例如计算机设备的硬盘或中存。该计算机可读存储介质也可以是该计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(secure digital,SD)卡,闪存卡(flashcard)等。进一步地,该计算机可读存储介质还可以既包括该计算机设备的中部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同数据或对象,而非用于描述特定顺序。此外,术语“包括”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、装置、产品或设备固有的其他步骤单元。
本申请实施例还提供了一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现前文图4对应实施例中对上述基于智慧车间的恒温恒湿风柜控制方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机程序产品的实施例中未披露的技术细节,请参照本申请方法实施例的描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的,具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程网络连接设备的处理器以产生一个机器,使得通过计算机或其他可编程网络连接设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程网络连接设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程网络连接设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (9)
1.一种基于智慧车间的恒温恒湿风柜控制方法,其特征在于,应用于恒温恒湿风柜控制***,所述方法包括:获取目标恒温恒湿风柜对应的风柜环境监测数据,所述风柜环境监测数据用于在第一目标推理事项中进行数据推理,将所述风柜环境监测数据输入多目标推理网络,所述多目标推理网络用于执行包含所述第一目标推理事项的多个目标事项,所述多个目标事项彼此满足目标事项牵涉性条件,所述多目标推理网络中包括主干多层感知器以及与所述第一目标推理事项对应的第一多层感知器和第一权重分配模块,所述主干多层感知器用于将输出的表征向量投入到所述多个目标事项;依据所述第一多层感知器和所述主干多层感知器对所述风柜环境监测数据进行表征向量抽取,得到所述第一多层感知器输出的第一表征向量和所述主干多层感知器输出的通用表征向量;依据所述第一权重分配模块对所述通用表征向量进行表征向量修正,并将修正好的修正表征向量与所述第一表征向量进行整合,得到第一整合表征向量;依据所述第一目标推理事项对应的第一推理模块对所述第一整合表征向量进行数据推理,得到所述第一目标推理事项对应的第一推理结果;根据所述第一推理结果对所述目标恒温恒湿风柜进行控制;
其中,所述多目标推理网络的网络架构采用如下步骤进行确定:获取第一目标推理事项对应的第一风柜环境监测示例数据和第二目标推理事项对应的第二风柜环境监测示例数据,所述第一风柜环境监测示例数据携带有第一目标事项指示信息,所述第二风柜环境监测示例数据携带有第二目标事项指示信息,目标事项指示信息用于指示风柜环境监测示例数据在目标事项中的对照结果;依据第一目标推理事项对应的第一目标事项网络对所述第一风柜环境监测示例数据进行表征向量抽取,得到第一表征向量,以及依据第二目标推理事项对应的第二目标事项网络对所述第二风柜环境监测示例数据进行表征向量抽取,得到第二表征向量;根据所述第一表征向量和所述第二表征向量之间的牵涉性,以及所述第一目标事项指示信息与所述第二目标事项指示信息之间的牵涉性,确定所述第一目标推理事项和所述第二目标推理事项之间的牵涉性评分;在所述牵涉性评分满足目标事项牵涉性条件时,确定与所述第一目标推理事项和所述第二目标推理事项对应的备选多目标推理网络的组成架构;其中,所述备选多目标推理网络的组成架构中包括备选主干多层感知器、所述第一目标推理事项对应的备选第一多层感知器和备选第一权重分配模块、所述第二目标推理事项对应的备选第二多层感知器和备选第二权重分配模块,所述备选主干多层感知器用于将输出的表征向量投入到所述第一目标推理事项和所述第二目标推理事项。
2.根据权利要求1所述的方法,其特征在于,所述多个目标事项中包含第二目标推理事项,所述风柜环境监测数据还用于在第二目标推理事项中进行数据推理,所述多目标推理网络中包括所述第二目标推理事项对应的第二多层感知器和第二权重分配模块;所述方法还包括:依据所述第二多层感知器对所述风柜环境监测数据进行表征向量抽取,得到所述第二多层感知器输出的第二表征向量;依据所述第二权重分配模块对所述通用表征向量进行表征向量修正,并将修正好的修正表征向量与所述第二表征向量进行整合,得到第二整合表征向量;依据所述第二目标推理事项对应的第二推理模块对所述第二整合表征向量进行数据推理,得到所述第二目标推理事项对应的第二推理结果。
3.根据权利要求2所述的方法,其特征在于,所述多个目标事项包括温度目标推理事项和湿度目标推理事项;所述依据所述第一目标推理事项对应的第一推理模块对所述第一整合表征向量进行数据推理,得到所述第一目标推理事项对应的第一推理结果,包括:依据所述温度目标推理事项对应的第一推理模块对所述第一整合表征向量进行数据推理,得到所述温度目标推理事项对应的推理温度;所述依据所述第二目标推理事项对应的第二推理模块对所述第二整合表征向量进行数据推理,得到所述第二目标推理事项对应的第二推理结果,包括:依据所述湿度目标推理事项对应的第二推理模块对所述第二整合表征向量进行数据推理,得到所述湿度目标推理事项对应的推理湿度。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一表征向量和所述第二表征向量之间的牵涉性,以及所述第一目标事项指示信息与所述第二目标事项指示信息之间的牵涉性,确定所述第一目标推理事项和所述第二目标推理事项之间的牵涉性评分,包括:对所述第一表征向量和所述第二表征向量分别进行低维映射处理,确定所述第一表征向量对应的第一映射表征向量以及所述第二表征向量对应的第二映射表征向量;在所述第一映射表征向量和所述第二映射表征向量彼此满足共性度量要求时,根据所述第一目标事项指示信息和所述第二目标事项指示信息之间的牵涉性,确定所述牵涉性评分。
5.根据权利要求3所述的方法,其特征在于,所述依据第一目标推理事项对应的第一目标事项网络对所述第一风柜环境监测示例数据进行表征向量抽取,得到第一表征向量,以及依据第二目标推理事项对应的第二目标事项网络对所述第二风柜环境监测示例数据进行表征向量抽取,得到第二表征向量,包括:依据所述第一目标推理事项对应的第一目标事项网络对所述第一风柜环境监测示例数据进行表征向量抽取,得到多个第一子表征向量;对所述多个第一子表征向量进行表征向量组合,得到第一表征向量;依据所述第二目标推理事项对应的第二目标事项网络对所述第二风柜环境监测示例数据进行表征向量抽取,得到多个第二子表征向量;对所述多个第二子表征向量进行表征向量组合,得到第二表征向量。
6.根据权利要求1所述的方法,其特征在于,所述依据第一目标推理事项对应的第一目标事项网络对所述第一风柜环境监测示例数据进行表征向量抽取,得到第一表征向量,以及依据第二目标推理事项对应的第二目标事项网络对所述第二风柜环境监测示例数据进行表征向量抽取,得到第二表征向量,包括:依据所述第一目标推理事项对应的第一目标事项网络对所述第一风柜环境监测示例数据进行表征向量抽取,得到多个第一备选表征向量;对所述多个第一备选表征向量进行关键表征向量确定,得到所述第一表征向量;依据所述第二目标推理事项对应的第二目标事项网络对所述第二风柜环境监测示例数据进行表征向量抽取,得到多个第二备选表征向量;对所述多个第二备选表征向量进行关键表征向量确定,得到所述第二表征向量。
7.根据权利要求6所述的方法,其特征在于,所述第一风柜环境监测示例数据中包括P个风柜环境监测示例子数据,所述多个第一备选表征向量中包括Q个第一备选表征向量,P≥1,Q>1;对所述多个第一备选表征向量进行关键表征向量确定,得到所述第一表征向量,包括:对所述Q个第一备选表征向量在所述第一目标推理事项中进行推理,得到所述P个风柜环境监测示例子数据分别对应的参照目标推理事项结果;根据所述P个风柜环境监测示例子数据分别对应的参照目标推理事项结果与所述P个风柜环境监测示例子数据分别对应的目标事项指示信息,确定接收器操作特性曲线下面积;对所述Q个第一备选表征向量中除第T个备选表征向量之外的表征向量在所述第一目标推理事项中进行推理,得到所述P个风柜环境监测示例子数据分别对应的第T个目标推理事项结果;根据所述P个风柜环境监测示例子数据分别对应的参照目标推理事项结果与所述P个风柜环境监测示例子数据分别对应的目标事项指示信息,确定第S个接收器操作特性曲线下面积,其中,T=Q-S,S≤Q;根据所述第S个接收器操作特性曲线下面积与参照接收器操作特性曲线下面积之间的差值,对所述Q个第一备选表征向量进行关键表征向量确定,得到所述P个风柜环境监测示例子数据分别对应的第一表征向量。
8.根据权利要求6所述的方法,其特征在于,所述第一目标推理事项对应的第一目标事项网络中包括表征向量偏心调校模块,所述表征向量偏心调校模块用于在网络的推理过程中确定抽取的表征向量的偏心系数;对所述多个第一备选表征向量进行关键表征向量确定,得到所述第一表征向量,包括:将所述多个第一备选表征向量输入所述表征向量偏心调校模块,输出所述多个第一备选表征向量分别对应的偏心系数;根据所述多个第一备选表征向量分别对应的偏心系数,对所述多个第一备选表征向量进行关键表征向量确定,得到所述第一表征向量。
9.一种恒温恒湿风柜控制***,其特征在于,包括:处理器;以及存储器,其中所述存储器中存储有计算机程序,所述计算机程序在由所述处理器运行时,使得所述处理器执行如权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311746267.0A CN117419427B (zh) | 2023-12-19 | 2023-12-19 | 一种基于智慧车间的恒温恒湿风柜控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311746267.0A CN117419427B (zh) | 2023-12-19 | 2023-12-19 | 一种基于智慧车间的恒温恒湿风柜控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117419427A CN117419427A (zh) | 2024-01-19 |
CN117419427B true CN117419427B (zh) | 2024-03-12 |
Family
ID=89532925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311746267.0A Active CN117419427B (zh) | 2023-12-19 | 2023-12-19 | 一种基于智慧车间的恒温恒湿风柜控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117419427B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02125376A (ja) * | 1988-11-04 | 1990-05-14 | Ezel Inc | パターン判定装置 |
CN203880880U (zh) * | 2014-06-06 | 2014-10-15 | 深圳市中和国泰节能科技有限公司 | 恒温恒湿洁净风柜智能节能*** |
CN116668351A (zh) * | 2023-05-31 | 2023-08-29 | 深圳市佛斯恒科技设备有限公司 | 服务质量预测方法、装置、计算机设备及存储介质 |
-
2023
- 2023-12-19 CN CN202311746267.0A patent/CN117419427B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02125376A (ja) * | 1988-11-04 | 1990-05-14 | Ezel Inc | パターン判定装置 |
CN203880880U (zh) * | 2014-06-06 | 2014-10-15 | 深圳市中和国泰节能科技有限公司 | 恒温恒湿洁净风柜智能节能*** |
CN116668351A (zh) * | 2023-05-31 | 2023-08-29 | 深圳市佛斯恒科技设备有限公司 | 服务质量预测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117419427A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978228B (zh) | 一种pm2.5浓度预测方法、装置及介质 | |
CN112202726B (zh) | 一种基于上下文感知的***异常检测方法 | |
CN113328908B (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
CN111310918B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN112884008A (zh) | 一种电力信息采集***运行状态的预测评估方法及装置 | |
CN115470717A (zh) | 一种机器人剩余寿命预测方法、装置、设备及存储介质 | |
US20220221843A1 (en) | Anomaly detection in high-volume manufacturing lines | |
CN117892915A (zh) | 基于核算单位的商品碳标签生成方法及*** | |
CN113541985A (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
CN115147353A (zh) | 缺陷检测模型的训练方法、装置、设备、介质及程序产品 | |
CN118032327A (zh) | 基于人工智能的设备智能润滑监测方法及装置 | |
CN116992953B (zh) | 一种模型训练方法、故障诊断方法及装置 | |
CN113537693A (zh) | 人员风险等级获取方法、终端、存储装置 | |
CN117419427B (zh) | 一种基于智慧车间的恒温恒湿风柜控制方法及*** | |
Li et al. | Gated recurrent unit networks for remaining useful life prediction | |
CN111340975A (zh) | 异常数据特征提取方法、装置、设备及存储介质 | |
CN115099988A (zh) | 模型训练方法、数据处理方法、设备及计算机介质 | |
Mastelini et al. | Online multi-target regression trees with stacked leaf models | |
CN118094439B (zh) | 一种银行异常交易检测方法、***及装置 | |
CN117671507B (zh) | 一种结合气象数据的河流水质预测方法 | |
Moballeghtohid et al. | Estimating the remaining useful life of equipment based on an optimal deep learning model and cross-correlation based similarity analysis | |
CN117117923B (zh) | 一种基于大数据的储能控制并网管理方法及*** | |
Lv et al. | A predictive analytics framework for rolling bearing vibration signal using deep learning and time series techniques | |
Cao et al. | A hybrid data-and model-driven learning framework for remaining useful life prognostics | |
CN118367535A (zh) | 一种分类负荷预测的方法、装置、设备及介质 |
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 |