CN117873605B - 设备端加载方法、装置、设备及存储介质 - Google Patents
设备端加载方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117873605B CN117873605B CN202410275396.4A CN202410275396A CN117873605B CN 117873605 B CN117873605 B CN 117873605B CN 202410275396 A CN202410275396 A CN 202410275396A CN 117873605 B CN117873605 B CN 117873605B
- Authority
- CN
- China
- Prior art keywords
- equipment end
- target
- service logic
- data
- service
- 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
- 238000011068 loading method Methods 0.000 title claims abstract description 93
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 31
- 230000004927 fusion Effects 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010224 classification analysis Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种设备端加载方法、装置、设备及存储介质，其中，该方法包括：根据目标设备端的加载请求获取目标设备端的设备端数据，加载请求包括业务需求数据；基于设备端数据和业务需求数据确定目标设备端的业务逻辑类型；根据业务逻辑类型判断目标设备端是否发生业务逻辑调整；若是，则确定业务逻辑类型对应的可配置化参数，确定管理的目标业务逻辑代码；通过即时编译引擎对目标业务逻辑代码进行动态编译，得到对应的动态链接库文件，并通过设备端接口控制目标设备端执行动态链接库文件。本方法法将目标设备端的业务需求数据与设备端数据结合来动态确定设备端的业务逻辑类型，该方案允许设备端根据生产需求的变化，不停机情况调整其业务逻辑。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种设备端加载方法、装置、设备及存储介质。
背景技术
在现代制造业和自动化领域，设备端的高效运行和快速适应生产线上不断变化的需求是实现高生产效率和产品质量的关键因素。随着市场需求的多样化和个性化趋势日益增强，制造设备端必须具备快速调整其操作逻辑以满足特定生产任务需求的能力。传统的设备端业务逻辑调整方法通常涉及到停机和手动编程，这不仅耗时耗力，而且影响生产效率和设备端利用率。
发明内容
本发明的主要目的在于解决现有的设备端加载需要停机进行的技术问题。
本发明第一方面提供了一种设备端加载方法，所述设备端加载方法包括：
获取目标设备端的加载请求，并根据所述加载请求获取所述目标设备端的设备端数据，其中，所述加载请求包括所述目标设备端的业务需求数据；
基于所述设备端数据和所述业务需求数据确定所述目标设备端的业务逻辑类型；
根据所述业务逻辑类型判断所述目标设备端是否发生业务逻辑调整；
若是，则确定所述业务逻辑类型在预设的制造执行***平台中对应的可配置化参数，并通过所述制造执行***平台根据所述可配置化参数调整管理的目标业务逻辑代码；
通过预设的即时编译引擎对所述目标业务逻辑代码进行动态编译，得到对应的动态链接库文件，并通过预设的设备端接口控制所述目标设备端执行所述动态链接库文件，实现所述目标设备端的不停机加载。
可选的，在本发明第一方面的第一种实现方式中，所述获取目标设备端的加载请求，并根据所述加载请求获取所述目标设备端的设备端数据包括：
获取目标设备端的加载请求，并根据所述加载请求获取所述目标设备端的初始运行状态数据和初始性能指标数据；
对所述初始运行状态数据进行滤波处理，得到所述目标设备端的运行状态数据；
根据所述初始性能指标数据进行标准差阈值计算，得到所述初始性能指标数据的标准差阈值；
通过所述标准差阈值对所述初始性能指标数据进行异常检测，得到所述目标设备端的性能指标数据。
可选的，在本发明第一方面的第二种实现方式中，所述基于所述设备端数据和所述业务需求数据确定所述目标设备端的业务逻辑类型包括：
对所述设备端数据中的运行状态数据和性能指标数据分别进行一次特征提取，分别得到运行状态特征和性能指标特征；
对所述运行状态数据和所述性能指标特征进行特征编码，得到所述目标设备端的设备端特征；
对所述业务需求数据进行二次特征提取，得到所述目标设备端的业务特征；
将所述设备端特征和所述业务特征输入预设的业务逻辑识别模型，通过所述业务逻辑识别模型根据所述设备端特征和所述业务特征确定所述目标设备端的业务逻辑类型。
可选的，在本发明第一方面的第三种实现方式中，所述将所述设备端特征和所述业务特征输入预设的业务逻辑识别模型，通过所述业务逻辑识别模型根据所述设备端特征和所述业务特征确定所述目标设备端的业务逻辑类型包括：
将所述设备端特征和所述业务特征输入预设的业务逻辑识别模型中，其中，所述业务逻辑识别模型包括输入层、注意力机制层、特征融合层、分类层和输出层；
通过所述输入层对所述设备端特征和所述业务特征进行数据预处理，并通过所述注意力机制层分别计算数据预处理后的设备端特征和业务特征的注意力权重向量；
通过所述特征融合层根据所述注意力权重向量将所述目标设备端的设备端特征和业务特征进行特征融合，得到特征融合向量；
通过所述分类层根据所述特征融合向量对所述目标设备端的当前业务逻辑进行分类分析，得到所述目标设备端的业务逻辑类型，并通过所述输出层输出所述业务逻辑类型。
可选的，在本发明第一方面的第四种实现方式中，所述通过所述分类层根据所述特征融合向量对所述目标设备端的当前业务逻辑进行分类分析，得到所述目标设备端的业务逻辑类型，并通过所述输出层输出所述业务逻辑类型包括：
通过所述分类层将所述特征融合向量线性变换映射至高维特征空间，得到线性变换结果；
通过预设的激活函数对所述线性变换结果进行非线性变换，得到非线性变换结果；
通过所述分类层中的全连接层根据所述非线性变换结果计算所述目标设备端对应不同业务逻辑类型的概率；
将概率最高的业务逻辑类型作为所述目标设备端的业务逻辑类型，并通过所述输出层输出所述业务逻辑类型。
可选的，在本发明第一方面的第五种实现方式中，所述确定所述业务逻辑类型在预设的制造执行***平台中对应的可配置化参数，并通过所述制造执行***平台根据所述可配置化参数确定管理的目标业务逻辑代码包括：
确定所述业务逻辑类型在预设的制造执行***平台中对应的可配置化参数；
通过所述制造执行***平台对所述可配置化参数进行参数解析，并根据所述参数解析的解析结果进行逻辑映射，确定对应的业务逻辑代码块；
基于所述业务逻辑代码块对所述目标设备端的当前执行代码进行调整，得到目标业务逻辑代码。
可选的，在本发明第一方面的第六种实现方式中，所述通过预设的即时编译引擎对所述目标业务逻辑代码进行动态编译，得到对应的动态链接库文件，并通过预设的设备端接口控制所述目标设备端执行所述动态链接库文件，实现所述目标设备端的不停机加载包括：
预设的即时编译引擎确定所述目标业务逻辑代码的编译类型，其中，所述编译类型包括异步编译和同步编译；
通过预设的即时编译引擎根据所述编译类型对所述目标业务逻辑代码进行动态编译，得到对应的动态链接库文件；
通过预设的南向接口控制所述目标设备端执行所述动态链接库文件，实现所述目标设备端的不停机加载。
本发明第二方面提供了一种设备端加载装置，所述设备端加载装置包括：
数据获取模块，用于获取目标设备端的加载请求，并根据所述加载请求获取所述目标设备端的设备端数据，其中，所述加载请求包括所述目标设备端的业务需求数据；
类型确定模块，用于基于所述设备端数据和所述业务需求数据确定所述目标设备端的业务逻辑类型；
判断模块，用于根据所述业务逻辑类型判断所述目标设备端是否发生业务逻辑调整；
代码确定模块，用于若是，则确定所述业务逻辑类型在预设的制造执行***平台中对应的可配置化参数，并通过所述制造执行***平台根据所述可配置化参数调整管理的目标业务逻辑代码；
动态编译模块，用于通过预设的即时编译引擎对所述目标业务逻辑代码进行动态编译，得到对应的动态链接库文件，并通过预设的设备端接口控制所述目标设备端执行所述动态链接库文件，实现所述目标设备端的不停机加载。
本发明第三方面提供了一种设备端加载装置，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述设备端加载设备执行上述的设备端加载方法的步骤。
本发明的第四方面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中存储有指令，当其在计算机上运行时，使得计算机执行上述的设备端加载方法的步骤。
上述设备端加载方法、装置、设备及存储介质，通过根据目标设备端的加载请求获取目标设备端的设备端数据，其中，加载请求包括目标设备端的业务需求数据；基于设备端数据和业务需求数据确定目标设备端的业务逻辑类型；根据业务逻辑类型判断目标设备端是否发生业务逻辑调整；若是，则确定业务逻辑类型对应的可配置化参数，管理的目标业务逻辑代码；通过即时编译引擎对目标业务逻辑代码进行动态编译，得到对应的动态链接库文件，并通过预设的设备端接口控制目标设备端执行动态链接库文件。本方法法获取目标设备端的业务需求数据，并结合设备端数据来动态确定设备端的业务逻辑类型，该方案允许设备端根据生产需求的变化，不停机情况调整其业务逻辑。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例中设备端加载方法的第一个实施例示意图；
图2为本发明实施例中设备端加载装置的一个实施例示意图；
图3为本发明实施例中设备端加载设备的一个实施例示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例中所提到的术语“包括”和“具有”以及它们的任何变形，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、***、产品或设备端没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备端固有的其它步骤或单元。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种设备端加载方法进行详细介绍。如图1所示，本方法包括如下步骤：
101、获取目标设备端的加载请求，并根据加载请求获取目标设备端的设备端数据，其中，加载请求包括目标设备端的业务需求数据；
在本发明的一个实施例中，所述获取目标设备端的加载请求，并根据所述加载请求获取所述目标设备端的设备端数据包括：获取目标设备端的加载请求，并根据所述加载请求获取所述目标设备端的初始运行状态数据和初始性能指标数据；对所述初始运行状态数据进行滤波处理，得到所述目标设备端的运行状态数据；根据所述初始性能指标数据进行标准差阈值计算，得到所述初始性能指标数据的标准差阈值；通过所述标准差阈值对所述初始性能指标数据进行异常检测，得到所述目标设备端的性能指标数据。
具体的，目标设备端的加载请求通常是指对设备端进行操作或任务分配时发出的一种指令或数据请求。这种请求可能包括设备端需要执行的特定任务、操作参数、预期的性能指标等信息。加载请求是设备端控制***与设备端之间进行交互的一种方式，用于指示设备端准备执行新的工作负载或调整其当前的运行状态以适应新的生产需求。根据加载请求获取目标设备端的初始运行状态数据和初始性能指标数据通常涉及到从设备端的传感器、控制***或内部日志中读取数据。初始运行状态数据包括设备端的当前操作状态，如温度、压力、速度、开关状态等，初始性能指标数据包括评估设备端性能的关键指标，如产量、效率、故障率、耗能等。滤波处理是对初始运行状态数据进行的一种数据预处理操作，旨在去除噪声或不相关的波动，以获得更准确和可靠的运行状态数据。滤波方法可以是简单的移动平均滤波、中值滤波，或更复杂的如卡尔曼滤波等。选择哪种滤波方法取决于数据的特性和需要解决的具体问题。标准差阈值计算是基于初始性能指标数据进行的，目的是确定一个阈值，用于后续的异常检测。首先，计算初始性能指标数据的平均值和标准差。然后，可以根据具体的应用场景和经验确定一个因子，乘以标准差得到标准差阈值。这个阈值定义了什么被视为正常范围内的波动，什么被视为异常。根据标准差阈值进行异常检测是通过比较每个性能指标数据与平均值的差的绝对值是否超过了标准差阈值来实现的。如果差的绝对值大于标准差阈值，则认为该数据点是异常的。这种方法可以帮助识别出设备端性能的突然变化或退化，这些可能是设备端故障、性能下降或操作错误的早期迹象。
102、基于设备端数据和业务需求数据确定目标设备端的业务逻辑类型；
在本发明的一个实施例中，所述基于所述设备端数据和所述业务需求数据确定所述目标设备端的业务逻辑类型包括：对所述设备端数据中的运行状态数据和性能指标数据分别进行一次特征提取，分别得到运行状态特征和性能指标特征；对所述运行状态数据和所述性能指标特征进行特征编码，得到所述目标设备端的设备端特征；对所述业务需求数据进行二次特征提取，得到所述目标设备端的业务特征；将所述设备端特征和所述业务特征输入预设的业务逻辑识别模型，通过所述业务逻辑识别模型根据所述设备端特征和所述业务特征确定所述目标设备端的业务逻辑类型。
具体的，一次特征提取是从原始数据中提炼出有助于后续分析和决策的关键信息的过程。对于运行状态数据和性能指标数据的一次特征提取，通常以下步骤实现：数据预处理：包括清洗数据（去除缺失值或异常值）、标准化（将数据规模化到相同的范围或分布）等，以提高数据质量。特征选择：从大量的原始数据中选择与目标变量（如设备端的业务逻辑类型）最相关的变量。这可以通过统计测试、模型系数或专家经验来完成。特征构造：根据业务理解和数据分析结果，构造新的特征，这些特征能够更好地反映设备端的运行状态和性能。例如，从温度和时间数据中构造出“平均每小时温度变化率”这一特征。得到的运行状态特征可能包括设备端的平均运行速度、稳定性指标、故障频率等；而性能指标特征可能包括产量、质量评分、能耗等。
具体的，对运行状态特征和性能指标特征进行特征编码是将这些特征转换为模型可处理的格式的过程。特征编码的方法主要包括独热编码、标签编码、二进制编码、频率编码等，通过特征编码，可以得到设备端特征，这些特征以结构化的数值形式表示设备端的运行状态和性能指标。对业务需求数据的二次特征提取是指进一步分析和处理已经提取的特征，以更好地适应特定的分析或模型需求。通过将多个相关特征组合成一个新的特征，以捕捉它们之间的相互作用。例如，将不同时间段的产量数据组合成“日产量波动”特征。基于现有特征，通过数学变换（如平方、对数等）构造出新的特征，以揭示复杂的非线性关系。在特征空间非常大时，通过算法（如主成分分析PCA、自动特征选择方法）减少特征的数量，保留最有信息的特征。
进一步的，所述将所述设备端特征和所述业务特征输入预设的业务逻辑识别模型，通过所述业务逻辑识别模型根据所述设备端特征和所述业务特征确定所述目标设备端的业务逻辑类型包括：将所述设备端特征和所述业务特征输入预设的业务逻辑识别模型中，其中，所述业务逻辑识别模型包括输入层、注意力机制层、特征融合层、分类层和输出层；通过所述输入层对所述设备端特征和所述业务特征进行数据预处理，并通过所述注意力机制层分别计算数据预处理后的设备端特征和业务特征的注意力权重向量；通过所述特征融合层根据所述注意力权重向量将所述目标设备端的设备端特征和业务特征进行特征融合，得到特征融合向量；通过所述分类层根据所述特征融合向量对所述目标设备端的当前业务逻辑进行分类分析，得到所述目标设备端的业务逻辑类型，并通过所述输出层输出所述业务逻辑类型。
具体的，输入层的主要任务是对输入的设备端特征和业务特征进行初步的数据预处理，以确保这些数据可以被模型有效地处理。预处理过程主要包括如下过程：归一化：将所有数值特征缩放到一个统一的范围（如0到1之间），以避免因特征值范围差异过大而导致的模型训练效率低下。标准化：将特征数据转换为均值为0，标准差为1的分布，有助于加快模型收敛速度。缺失值处理：对于缺失的数据，可以采用填充（使用平均值、中位数等）、删除或插值等方法处理。注意力机制层的作用是自动识别和强调对当前任务最重要的特征信息。在这一层中，模型会为数据预处理后的设备端特征和业务特征分别计算一个注意力权重向量。模型通过学习得到每个特征的重要性评分，这些评分表现为权重向量中的值。使用计算出的权重向量对特征进行加权，从而增强重要特征的影响力，减少不重要特征的干扰。在特征融合层，模型将根据注意力权重向量将设备端特征和业务特征进行融合，生成一个综合考虑了两类特征重要性的特征融合向量。这一过程有助于模型更好地理解特征之间的相互关系和相互作用。根据权重向量对应的权重对特征进行加权求和，生成一个融合了所有重要信息的单一向量。分类层负责根据特征融合向量对目标设备端的当前业务逻辑进行分类分析。这一层通常由一个或多个全连接层（Dense Layer）组成，通过非线性激活函数处理特征融合向量，以实现业务逻辑类型的判定。分类层的输出是一个概率分布，表示模型对各个业务逻辑类型的预测置信度。输出层的作用是将分类层的预测结果以一种易于理解的格式展现出来。通常，输出层会使用如softmax函数将分类层的输出转换为概率值，每个概率值对应一个特定的业务逻辑类型。最终，模型会输出具有最高概率值的业务逻辑类型，作为对目标设备端当前业务逻辑的识别和分类。
进一步的，所述通过所述分类层根据所述特征融合向量对所述目标设备端的当前业务逻辑进行分类分析，得到所述目标设备端的业务逻辑类型，并通过所述输出层输出所述业务逻辑类型包括：通过所述分类层将所述特征融合向量线性变换映射至高维特征空间，得到线性变换结果；通过预设的激活函数对所述线性变换结果进行非线性变换，得到非线性变换结果；通过所述分类层中的全连接层根据所述非线性变换结果计算所述目标设备端对应不同业务逻辑类型的概率；将概率最高的业务逻辑类型作为所述目标设备端的业务逻辑类型，并通过所述输出层输出所述业务逻辑类型。
具体的，通过分类层的全连接层（或称为密集层）实现。全连接层中的每个神经元都与前一层的所有神经元相连，并对输入的特征融合向量进行加权求和，再加上偏置项，完成线性变换。数学上，这可以表示为：[y = Wx + b] 其中，(x)是输入的特征融合向量，(W)是权重矩阵，(b)是偏置项，(y)是线性变换的结果。通过预设的激活函数（如ReLU、Sigmoid、Tanh等）对线性变换的结果进行处理。例如，ReLU激活函数定义为：[f(y) = max(0, y)] 它会将所有负值转换为0，保留正值不变，从而引入非线性。这里的(f(y))就是非线性变换的结果。通常在模型的最后一个全连接层后使用softmax函数来实现。softmax函数可以将任意实数值的向量转换为一个真正的概率分布。对于每个业务逻辑类型，softmax函数计算的是该类型的概率，其公式为：[P(y_i) = \frac{e^{y_i}}{\sum_j e^{y_j}}] 其中，(y_i)是非线性变换结果向量中的第(i)个元素，(P(y_i))是该元素对应的概率。模型通过比较所有业务逻辑类型的概率值，选择概率最高的类型作为目标设备端的业务逻辑类型。这一过程通常发生在输出层，输出层负责将概率最高的业务逻辑类型以一种易于理解的格式（如类型编号或名称）输出。
103、根据业务逻辑类型判断目标设备端是否发生业务逻辑调整；
在本发明的一个实施例中，根据模型输出的业务逻辑类型判断是否与之前目标设备端的业务逻辑类型不同，若是，则目标设备端发生了业务逻辑调整。
104、确定业务逻辑类型在预设的制造执行***平台中对应的可配置化参数，并通过制造执行***平台根据可配置化参数调整管理的目标业务逻辑代码；
在本发明的一个实施例中，所述确定所述业务逻辑类型在预设的制造执行***平台中对应的可配置化参数，并通过所述制造执行***平台根据所述可配置化参数确定管理的目标业务逻辑代码包括：确定所述业务逻辑类型在预设的制造执行***平台中对应的可配置化参数；通过所述制造执行***平台对所述可配置化参数进行参数解析，并根据所述参数解析的解析结果进行逻辑映射，确定对应的业务逻辑代码块；基于所述业务逻辑代码块对所述目标设备端的当前执行代码进行调整，得到目标业务逻辑代码。
具体的，在预设的制造执行***平台中，定义和配置与业务逻辑类型相关的可配置化参数。这些参数可以包括设备端状态、生产工艺、工作流程、质量要求等。通过制造执行***平台对所述可配置化参数进行解析，将其转换为具体的数值或逻辑表达式。这个过程可能涉及到数据转换、格式验证、规则匹配等。根据参数解析的结果，将其映射到预设的业务逻辑代码块。这些代码块可以是已经实现的通用逻辑，也可以是根据具体需求定制开发的特定逻辑。基于确定的业务逻辑代码块，对目标设备端的当前执行代码进行调整。这可能包括添加、删除、修改代码段，以及调整执行顺序和参数传递等。通过代码调整，得到新的目标业务逻辑代码，该代码已经根据所述业务逻辑类型和参数进行了定制化和优化。
105、通过预设的即时编译引擎对目标业务逻辑代码进行动态编译，得到对应的动态链接库文件，并通过预设的设备端接口控制目标设备端执行动态链接库文件，实现目标设备端的不停机加载。
在本发明的一个实施例中，所述通过预设的即时编译引擎对所述目标业务逻辑代码进行动态编译，得到对应的动态链接库文件，并通过预设的设备端接口控制所述目标设备端执行所述动态链接库文件，实现所述目标设备端的不停机加载包括：预设的即时编译引擎确定所述目标业务逻辑代码的编译类型，其中，所述编译类型包括异步编译和同步编译；通过预设的即时编译引擎根据所述编译类型对所述目标业务逻辑代码进行动态编译，得到对应的动态链接库文件；通过预设的南向接口控制所述目标设备端执行所述动态链接库文件，实现所述目标设备端的不停机加载。
具体的，预设的即时编译引擎会根据一些条件或配置来确定目标业务逻辑代码的编译类型。异步编译和同步编译有不同的特点和用途，根据需求选择合适的编译类型。根据确定的编译类型，预设的即时编译引擎将目标业务逻辑代码进行动态编译。异步编译通常会将代码转换为可并行执行的形式，以提高性能和响应性；而同步编译则会生成顺序执行的代码。动态编译过程中可能涉及到词法分析、语法分析、优化处理等步骤。通过动态编译，得到对应的动态链接库文件。这个链接库文件包含了已编译的目标业务逻辑代码，可以在运行时被加载和执行。使用预设的南向接口，将生成的动态链接库文件传输给目标设备端，并通过接口控制目标设备端执行这些动态链接库文件。
具体的，动态编译过程中，首先需要准备好待编译的源代码文件。这些源代码可以是特定编程语言（如C、C++、Java等）编写的业务逻辑代码，需要确保代码的正确性和完整性。利用预设的即时编译引擎或相应的编译工具，将源代码文件传递给编译器进行编译。编译器将源代码翻译成目标平台可执行的机器代码，并生成相应的目标文件。接下来，需要使用链接器将生成的目标文件连接起来，形成一个动态链接库文件。链接器会处理符号表、解决外部依赖关系，最终生成一个包含可执行代码和数据的动态链接库（DLL文件）。在链接过程完成后，就可以得到最终的动态链接库文件。这个文件包含了编译后的业务逻辑代码，可以在运行时被加载到内存中，并与其他程序共享其中的函数和数据。最后，通过预设的南向接口或加载器，将生成的动态链接库文件加载到目标设备端的内存中，并执行其中的业务逻辑代码。目标设备端可以根据需要动态地调用这些代码，实现灵活的功能扩展和定制化。
在本实施例中，通过根据目标设备端的加载请求获取目标设备端的设备端数据，其中，加载请求包括目标设备端的业务需求数据；基于设备端数据和业务需求数据确定目标设备端的业务逻辑类型；根据业务逻辑类型判断目标设备端是否发生业务逻辑调整；若是，则确定业务逻辑类型对应的可配置化参数，管理的目标业务逻辑代码；通过即时编译引擎对目标业务逻辑代码进行动态编译，得到对应的动态链接库文件，并通过预设的设备端接口控制目标设备端执行动态链接库文件。本方法法获取目标设备端的业务需求数据，并结合设备端数据来动态确定设备端的业务逻辑类型，该方案允许设备端根据生产需求的变化，不停机情况调整其业务逻辑。
上面对本发明实施例中设备端加载方法进行了描述，下面对本发明实施例中设备端加载装置进行描述，请参阅图2，本发明实施例中设备端加载装置一个实施例包括：
数据获取模块201，用于获取目标设备端的加载请求，并根据所述加载请求获取所述目标设备端的设备端数据，其中，所述加载请求包括所述目标设备端的业务需求数据；
类型确定模块202，用于基于所述设备端数据和所述业务需求数据确定所述目标设备端的业务逻辑类型；
判断模块203，用于根据所述业务逻辑类型判断所述目标设备端是否发生业务逻辑调整；
代码确定模块204，用于若是，则确定所述业务逻辑类型在预设的制造执行***平台中对应的可配置化参数，并通过所述制造执行***平台根据所述可配置化参数调整管理的目标业务逻辑代码；
动态编译模块205，用于通过预设的即时编译引擎对所述目标业务逻辑代码进行动态编译，得到对应的动态链接库文件，并通过预设的设备端接口控制所述目标设备端执行所述动态链接库文件，实现所述目标设备端的不停机加载。
本发明实施例中，所述设备端加载装置运行上述设备端加载方法，所述设备端加载装置通过根据目标设备端的加载请求获取目标设备端的设备端数据，其中，加载请求包括目标设备端的业务需求数据；基于设备端数据和业务需求数据确定目标设备端的业务逻辑类型；根据业务逻辑类型判断目标设备端是否发生业务逻辑调整；若是，则确定业务逻辑类型对应的可配置化参数，管理的目标业务逻辑代码；通过即时编译引擎对目标业务逻辑代码进行动态编译，得到对应的动态链接库文件，并通过预设的设备端接口控制目标设备端执行动态链接库文件。本方法法获取目标设备端的业务需求数据，并结合设备端数据来动态确定设备端的业务逻辑类型，该方案允许设备端根据生产需求的变化，不停机情况调整其业务逻辑。
上面图2从模块化功能实体的角度对本发明实施例中的中设备端加载装置进行详细描述，下面从硬件处理的角度对本发明实施例中设备端加载设备进行详细描述。
图3是本发明实施例提供的一种设备端加载设备的结构示意图，该设备端加载设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）310（例如，一个或一个以上处理器）和存储器320，一个或一个以上存储应用程序333或数据332的存储介质330（例如一个或一个以上海量存储设备端）。其中，存储器320和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对设备端加载设备300中的一系列指令操作。更进一步地，处理器310可以设置为与存储介质330通信，在设备端加载设备300上执行存储介质330中的一系列指令操作，以实现上述设备端加载方法的步骤。
设备端加载设备300还可以包括一个或一个以上电源340，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口360，和/或，一个或一个以上操作***331，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图3示出的设备端加载设备结构并不构成对本发明提供的设备端加载设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述设备端加载方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所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介质中。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介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种设备端加载方法，其特征在于，所述设备端加载方法包括：
获取目标设备端的加载请求，并根据所述加载请求获取所述目标设备端的设备端数据，其中，所述加载请求包括所述目标设备端的业务需求数据；
基于所述设备端数据和所述业务需求数据确定所述目标设备端的业务逻辑类型；
根据所述业务逻辑类型判断所述目标设备端是否发生业务逻辑调整；
若是，则确定所述业务逻辑类型在预设的制造执行***平台中对应的可配置化参数，并通过所述制造执行***平台根据所述可配置化参数调整管理的目标业务逻辑代码；
通过预设的即时编译引擎对所述目标业务逻辑代码进行动态编译，得到对应的动态链接库文件，并通过预设的设备端接口控制所述目标设备端执行所述动态链接库文件，实现所述目标设备端的不停机加载。
2.根据权利要求1所述的设备端加载方法，其特征在于，所述获取目标设备端的加载请求，并根据所述加载请求获取所述目标设备端的设备端数据包括：
获取目标设备端的加载请求，并根据所述加载请求获取所述目标设备端的初始运行状态数据和初始性能指标数据；
对所述初始运行状态数据进行滤波处理，得到所述目标设备端的运行状态数据；
根据所述初始性能指标数据进行标准差阈值计算，得到所述初始性能指标数据的标准差阈值；
通过所述标准差阈值对所述初始性能指标数据进行异常检测，得到所述目标设备端的性能指标数据。
3.根据权利要求2所述的设备端加载方法，其特征在于，所述基于所述设备端数据和所述业务需求数据确定所述目标设备端的业务逻辑类型包括：
对所述设备端数据中的运行状态数据和性能指标数据分别进行一次特征提取，分别得到运行状态特征和性能指标特征；
对所述运行状态特征和所述性能指标特征进行特征编码，得到所述目标设备端的设备端特征；
对所述业务需求数据进行二次特征提取，得到所述目标设备端的业务特征；
将所述设备端特征和所述业务特征输入预设的业务逻辑识别模型，通过所述业务逻辑识别模型根据所述设备端特征和所述业务特征确定所述目标设备端的业务逻辑类型。
4.根据权利要求3所述的设备端加载方法，其特征在于，所述将所述设备端特征和所述业务特征输入预设的业务逻辑识别模型，通过所述业务逻辑识别模型根据所述设备端特征和所述业务特征确定所述目标设备端的业务逻辑类型包括：
将所述设备端特征和所述业务特征输入预设的业务逻辑识别模型中，其中，所述业务逻辑识别模型包括输入层、注意力机制层、特征融合层、分类层和输出层；
通过所述输入层对所述设备端特征和所述业务特征进行数据预处理，并通过所述注意力机制层分别计算数据预处理后的设备端特征和业务特征的注意力权重向量；
通过所述特征融合层根据所述注意力权重向量将所述目标设备端的设备端特征和业务特征进行特征融合，得到特征融合向量；
通过所述分类层根据所述特征融合向量对所述目标设备端的当前业务逻辑进行分类分析，得到所述目标设备端的业务逻辑类型，并通过所述输出层输出所述业务逻辑类型。
5.根据权利要求4所述的设备端加载方法，其特征在于，所述通过所述分类层根据所述特征融合向量对所述目标设备端的当前业务逻辑进行分类分析，得到所述目标设备端的业务逻辑类型，并通过所述输出层输出所述业务逻辑类型包括：
通过所述分类层将所述特征融合向量线性变换映射至高维特征空间，得到线性变换结果；
通过预设的激活函数对所述线性变换结果进行非线性变换，得到非线性变换结果；
通过所述分类层中的全连接层根据所述非线性变换结果计算所述目标设备端对应不同业务逻辑类型的概率；
将概率最高的业务逻辑类型作为所述目标设备端的业务逻辑类型，并通过所述输出层输出所述业务逻辑类型。
6.根据权利要求1所述的设备端加载方法，其特征在于，所述确定所述业务逻辑类型在预设的制造执行***平台中对应的可配置化参数，并通过所述制造执行***平台根据所述可配置化参数确定管理的目标业务逻辑代码包括：
确定所述业务逻辑类型在预设的制造执行***平台中对应的可配置化参数；
通过所述制造执行***平台对所述可配置化参数进行参数解析，并根据所述参数解析的解析结果进行逻辑映射，确定对应的业务逻辑代码块；
基于所述业务逻辑代码块对所述目标设备端的当前执行代码进行调整，得到目标业务逻辑代码。
7.根据权利要求6所述的设备端加载方法，其特征在于，所述通过预设的即时编译引擎对所述目标业务逻辑代码进行动态编译，得到对应的动态链接库文件，并通过预设的设备端接口控制所述目标设备端执行所述动态链接库文件，实现所述目标设备端的不停机加载包括：
预设的即时编译引擎确定所述目标业务逻辑代码的编译类型，其中，所述编译类型包括异步编译和同步编译；
通过预设的即时编译引擎根据所述编译类型对所述目标业务逻辑代码进行动态编译，得到对应的动态链接库文件；
通过预设的南向接口控制所述目标设备端执行所述动态链接库文件，实现所述目标设备端的不停机加载。
8.一种设备端加载装置，其特征在于，所述设备端加载装置包括：
数据获取模块，用于获取目标设备端的加载请求，并根据所述加载请求获取所述目标设备端的设备端数据，其中，所述加载请求包括所述目标设备端的业务需求数据；
类型确定模块，用于基于所述设备端数据和所述业务需求数据确定所述目标设备端的业务逻辑类型；
判断模块，用于根据所述业务逻辑类型判断所述目标设备端是否发生业务逻辑调整；
代码确定模块，用于若是，则确定所述业务逻辑类型在预设的制造执行***平台中对应的可配置化参数，并通过所述制造执行***平台根据所述可配置化参数调整管理的目标业务逻辑代码；
动态编译模块，用于通过预设的即时编译引擎对所述目标业务逻辑代码进行动态编译，得到对应的动态链接库文件，并通过预设的设备端接口控制所述目标设备端执行所述动态链接库文件，实现所述目标设备端的不停机加载。
9.一种设备端加载设备，其特征在于，所述设备端加载设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述设备端加载设备执行如权利要求1-7中任意一项所述的设备端加载方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任意一项所述设备端加载方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410275396.4A CN117873605B (zh) | 2024-03-12 | 2024-03-12 | 设备端加载方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410275396.4A CN117873605B (zh) | 2024-03-12 | 2024-03-12 | 设备端加载方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117873605A CN117873605A (zh) | 2024-04-12 |
| CN117873605B true CN117873605B (zh) | 2024-05-24 |
Family
ID=90583407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410275396.4A Active CN117873605B (zh) | 2024-03-12 | 2024-03-12 | 设备端加载方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117873605B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110888834A (zh) * | 2019-11-06 | 2020-03-17 | 武汉船舶通信研究所（中国船舶重工集团公司第七二二研究所） | 一种pcie设备中fpga功能动态重构的方法及*** |
| CN112950299A (zh) * | 2019-11-26 | 2021-06-11 | 浙江大搜车软件技术有限公司 | 方案设计方法、装置、计算机设备和存储介质 |
| CN113312037A (zh) * | 2021-06-15 | 2021-08-27 | 北京百度网讯科技有限公司 | 应用于微服务的数据处理方法、装置、设备和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050204340A1 (en) * | 2004-03-10 | 2005-09-15 | Ruminer Michael D. | Attribute-based automated business rule identifier and methods of implementing same |
| US7523461B2 (en) * | 2005-07-01 | 2009-04-21 | Microsoft Corporation | Modification of logic in an application |
-
2024
- 2024-03-12 CN CN202410275396.4A patent/CN117873605B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110888834A (zh) * | 2019-11-06 | 2020-03-17 | 武汉船舶通信研究所（中国船舶重工集团公司第七二二研究所） | 一种pcie设备中fpga功能动态重构的方法及*** |
| CN112950299A (zh) * | 2019-11-26 | 2021-06-11 | 浙江大搜车软件技术有限公司 | 方案设计方法、装置、计算机设备和存储介质 |
| CN113312037A (zh) * | 2021-06-15 | 2021-08-27 | 北京百度网讯科技有限公司 | 应用于微服务的数据处理方法、装置、设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 规则引擎在制造企业MES中的研究与应用;闫欢 等;计算机工程;20070405;第33卷(第7期);210-212、224 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117873605A (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kumar et al. | Hybrid functional link artificial neural network approach for predicting maintainability of object-oriented software | |
| US20220066409A1 (en) | Method and system for generating an artificial intelligence model | |
| CN113220450B (zh) | 面向云端多数据中心的负载预测方法、资源调度方法及装置 | |
| US20190391892A1 (en) | System and method for assisting user to resolve a hardware issue and a software issue | |
| CN110390425A (zh) | 预测方法以及装置 | |
| CN110689190A (zh) | 一种电网负荷预测方法、装置及相关设备 | |
| CN116760772B (zh) | 汇聚分流器的管控***及其方法 | |
| CN115048370B (zh) | 用于大数据清洗的人工智能处理方法及大数据清洗*** | |
| US20210304073A1 (en) | Method and system for developing a machine learning model | |
| WO2023114661A1 (en) | A concept for placing an execution of a computer program | |
| CN117873605B (zh) | 设备端加载方法、装置、设备及存储介质 | |
| CN116466672B (zh) | 基于人工智能的数据中心机房参数调控方法及相关装置 | |
| CN117312208A (zh) | Io模块多适配器控制方法、装置、设备及存储介质 | |
| US20230297837A1 (en) | Method for automated determination of a model compression technique for compression of an artificial intelligence-based model | |
| CN113535522A (zh) | 一种异常情况的检测方法、装置和设备 | |
| Pascual-Pañach et al. | Optimizing Online Time-Series Data Imputation Through Case-Based Reasoning | |
| CN117826618B (zh) | 基于冷轧机控制***的自适应性控制方法及*** | |
| CN111783487A (zh) | 一种读卡器设备的故障预警方法及装置 | |
| KR20210020442A (ko) | 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘 | |
| US20240054175A1 (en) | Ai-assisted linear programming solver methods, systems, and media | |
| AU2021280953B2 (en) | An industrial process model generation system | |
| US20240176310A1 (en) | Machine controller and method for configuring the machine controller | |
| CN118193151A (zh) | 基于群体智能的分布式工业任务协同调度方法及*** | |
| CN117164399A (zh) | 有机肥烘干发酵方法及其*** | |
| CN117934931A (zh) | 一种模型更新方法、装置、光缆智能运维***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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |