[go: up one dir, main page]

WO2023240769A1 - 一种用于远程控制设备的监控管理系统 - Google Patents

一种用于远程控制设备的监控管理系统 Download PDF

Info

Publication number
WO2023240769A1
WO2023240769A1 PCT/CN2022/110397 CN2022110397W WO2023240769A1 WO 2023240769 A1 WO2023240769 A1 WO 2023240769A1 CN 2022110397 W CN2022110397 W CN 2022110397W WO 2023240769 A1 WO2023240769 A1 WO 2023240769A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
evaluation index
control
control parameter
generate
Prior art date
Application number
PCT/CN2022/110397
Other languages
English (en)
French (fr)
Inventor
张高燕
柯海丰
俞雪永
Original Assignee
浙大城市学院
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 浙大城市学院 filed Critical 浙大城市学院
Priority to JP2022576569A priority Critical patent/JP7657397B2/ja
Publication of WO2023240769A1 publication Critical patent/WO2023240769A1/zh

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0428—Safety, monitoring
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24024—Safety, surveillance
    • 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]

Definitions

  • the current monitoring and management in remote control mainly relies on status monitoring of controlled equipment and relies on manual assessment of equipment status to match corresponding parameters. This method relies more on manual decision-making.
  • embodiments of the present application provide an electronic device, including a memory, a processor, and a computer program stored in the memory and executable on the processor, wherein when the processor executes the program, the first The steps of the method according to any one of the aspects.
  • the intelligent model is used to match the evaluation index value suitable for the current scenario, and then the control is achieved through the optimization algorithm based on the objective function and evaluation index value.
  • Parameter matching is more suitable for real-time status and has high accuracy, achieving the technical effect of reducing manual dependence and improving the stability of remote monitoring and management.
  • Figure 1 is a schematic flow chart of a monitoring and management method for remote control equipment provided by an embodiment of the present application
  • Figure 2 is a schematic flow chart of a control parameter optimization method in a monitoring and management method for remote control equipment provided by an embodiment of the present application;
  • FIG. 4 is a schematic structural diagram of an exemplary electronic device according to an embodiment of the present application.
  • first acquisition unit 11 first generation unit 12, second generation unit 13, third generation unit 14, first acquisition unit 15, fourth generation unit 16, fifth generation unit 17, electronic device 300 , memory 301, processor 302, communication interface 303, bus architecture 304.
  • the embodiments of the present application provide a monitoring and management system for remote control equipment, which solves the problem of great instability in the manual decision-making process in the prior art, which in turn leads to poor stability and automation of monitoring and management.
  • Lower technical issues Use the intelligent model to match the evaluation index values suitable for the current scenario, and then use the optimization algorithm to match the control parameters based on the objective function and evaluation index values. It is more suitable for real-time conditions and has higher accuracy, reducing manual dependence and improving Technical effects of remote monitoring and management stability.
  • the embodiments of the present application provide a monitoring and management system for remote control equipment, which solves the problem of great instability in the manual decision-making process in the prior art, which in turn leads to poor stability and automation of monitoring and management.
  • Lower technical problems due to the use of monitoring scene information to determine the control object and the application object information that represents the control object processed; to evaluate the indicator set according to the matching status of the control object; to extract and evaluate the control parameters of the indicator set in one-to-one correspondence for the control object information; generate a set of empirical objective functions that represent the correlation between one-to-one corresponding control parameters and evaluation indicators; extract the real-time status information of the application object information, and use the intelligent model to match the evaluation index values according to the real-time status; based on the matching evaluation index values and The objective function set optimizes the control parameter set to obtain the control parameter optimization results suitable for the current scenario and the technical solution for controlling the control object.
  • the intelligent model is used to match the evaluation index value suitable for the current scenario, and then based on the objective function and evaluation index The value is matched with the control parameters through the optimization algorithm, which is more suitable for real-time status and has high accuracy, achieving the technical effect of reducing manual dependence and improving the stability of remote monitoring and management.
  • the embodiment of the present application provides a monitoring and management method for remote control equipment, wherein the method applies a monitoring and management system for remote control equipment, the system and the first control object Communication connection, the method includes:
  • S100 Collect first monitoring scene information, where the first monitoring scene information includes first control object information and first application object information;
  • the first monitoring scene information refers to the real-time scene information for monitoring the controlled equipment, including but not limited to: information on the number of controlled equipment, working parameter information of the controlled equipment, real-time working status information of the controlled equipment, and information on the controlled equipment. Control the real-time status information of the products processed by the equipment, etc.
  • Monitoring methods include but are not limited to: wired or wireless connections between the control terminal and the controlled equipment to receive working parameter information of the controlled equipment; monitoring through image acquisition devices to collect real-time dynamic information during operation.
  • the first control object information refers to the monitoring scene information directly related to the controlled equipment
  • the first application object information refers to the monitoring scene information related to the products processed by the controlled equipment.
  • vertically store the collected information set according to the time sequence so as to facilitate the sequential processing of the information according to the time sequence, and horizontally store the collected information set.
  • Group storage according to information type for example: at the same time, the working parameters of each component during processing of the controlled equipment are divided into different types of data group storage according to the different components.
  • the working status of the controlled equipment can be evaluated, thereby providing a reference for adjusting working parameters.
  • the collection of comprehensive monitoring scene information ensures the accuracy of automatic adjustment of working parameters.
  • S200 Perform evaluation index matching on the first control object information to generate a first evaluation index set, where the evaluation index represents the state of the control object;
  • the first set of evaluation indicators refers to the indicator dimensions that represent the status information of the control object. Taking a factory that has no restrictions on the processing of processed products as an example: the number of processing equipment, the time required to process the product, and the energy consumption of the processing process. A collection of indicators in dimensions such as loss and load factor of the current processing equipment.
  • the method for determining the first evaluation index set is as follows: preferably, the performance evaluation index information corresponding to multiple remote control devices in different fields is collected based on big data and stored as: device type-performance evaluation index set database , experts can adjust the set of performance evaluation indicators through custom panels, and the database is periodically updated based on big data to ensure the timeliness of collecting indicator information.
  • the status of the control object is represented by evaluation indicators, that is, the indicator dimensions used to evaluate the performance of the control object.
  • evaluation indicators that is, the indicator dimensions used to evaluate the performance of the control object.
  • Multi-party data is fitted based on big data, breaking the data islands in traditional remote control, improving the comprehensiveness of the matched evaluation indicators, and thus ensuring Accurate assessment of the performance of control objects.
  • the first control object refers to the controlled equipment;
  • the first control parameter set refers to the real-time working parameter set used to control the controlled equipment to work.
  • a collection of control parameters such as the feeding speed, the flow sequence of products between controlled equipment, the operating geometric parameters of each component, and the operating timing parameters of each component.
  • Collect the first control parameter set corresponding to the current first control object to provide baseline data for subsequent parameter adjustment. It can also evaluate whether the current parameters are the optimal control parameter set, and the collection dimensions of the control parameters are preferably used by multiple parties based on big data statistics.
  • the parameter collection dimensions set for the same type of equipment of the first control object ensure the integrity and comprehensiveness of the collected data.
  • the preferred extraction method of the first control parameter set is to determine the control parameter collection dimension of the first control object through big data, and then collect real-time control parameters of the first control object according to the collection dimension, and upload it to the remote control terminal. Processing, the data processed each time is stored as historical data to facilitate subsequent traceability.
  • the first objective function set refers to the empirical functional relationship that characterizes the data relationship between the first evaluation index set and the first control parameter set, that is, different evaluation indexes are determined by the joint influence of multiple control parameters.
  • control parameters between multiple evaluation index dimensions is recorded as coupled control parameters, and the non-intersection is recorded as independent control parameters.
  • the first objective function set can represent the correlation between the evaluation index dimensions and the control parameters, and then convert the selection of unstructured equipment status information into the adjustment of equipment control parameters, which facilitates computer processing and improves the implementation of automated control. possibility.
  • S500 Extract the real-time status of the first application object information to obtain the first real-time status information
  • the first real-time status information refers to the real-time status information of the current processing object, including but not limited to: quantity information waiting to be processed by different process nodes, quantity information being processed by different process nodes, quantity information that has been processed, Processing energy consumption requirement information, processing cost information, processing time limit information, etc. can be customized by the staff to set the dimensions of collecting status information.
  • the optional collection method can use image acquisition devices to collect real-time product processing information and upload product processing status information through the machine. Wait for an unlimited way.
  • the first application object is the processed product, and the product types are different in different scenarios: in group control elevators, the first application object is the crowd; in remote meter reading, the first application object is meter reading data; in factories Among them, the first application object is processed products.
  • Step S600 includes:
  • the first screening model is an intelligent method constructed based on a deep neural network that evaluates the first real-time status information and the first evaluation index set, and then selects specific values of the evaluation index set that are adapted to the current first real-time status information.
  • Model, neural network model is an intelligent model commonly used to fit nonlinear data. The neural network built based on imitating the human brain has learning and memory capabilities. After training, it can perform training processing on newly input data.
  • the first screening model here consists of the first matching network layer and the first screening network layer.
  • the first matching network layer and the first screening network layer are independent sub-neural networks. After they are independently trained, they are integrated and merged to generate First screening model.
  • the first matching network layer is a neural network model used to evaluate the matching relationship between the first evaluation index value set and the first real-time status information.
  • the first evaluation index value set refers to the specific value of the first evaluation index set of the current first control object;
  • the first matching result refers to the matching result of evaluating the first evaluation index value set and the first real-time status information.
  • the matching relationship between them is, for example: determining the processing efficiency according to the product processing time limit in the first real-time status information; controlling the processing energy consumption and equipment selection according to the cost information of the processed products. This process is a relatively complex and non-linear processing process.
  • building a model can generate a first matching result that more accurately represents the matching information between the first real-time status information and the first evaluation index value set.
  • Each group The evaluation index value set corresponds to one of matching information or non-matching information.
  • the first filtering network layer is used to filter neural network models that are more suitable for specific values of the first evaluation index set of the first real-time status information based on the first real-time status information and the first evaluation index set.
  • the evaluation index value screening result information refers to what is obtained by activating the first screening network layer when the first matching result includes mismatch information, and inputting the first real-time status information and the first evaluation indicator set into the first screening network layer for matching. Result: When the first matching result includes matching information, and the first evaluation index value set is set as the evaluation index value filtering result information, there is no need to activate the first filtering network layer.
  • Step S700 includes:
  • S730 Input the evaluation index value screening result information into the first optimization space for initialization, and generate a first optimization instruction after the initialization is completed;
  • S740 Receive the first optimization instruction, input the first control parameter set into the first optimization space, perform optimization based on the first speed constraint parameter and the first position constraint parameter, and generate the optimized control Parameter collection.
  • optimizing the control parameter set refers to optimizing the first control parameter set based on the first objective function set and the evaluation index value screening result information after determining the evaluation index value screening result information applicable to the first real-time status information. After determining the result, further, the first control object is remotely controlled according to the optimized control parameter set to ensure that the processing process of the first control object meets the evaluation index value screening result information.
  • the optimization process is preferably:
  • Start optimization input the first control parameter set as the optimization initial position into the first optimization space after initialization is completed, select the traversal point in the first optimization space based on the first position constraint parameter and the first speed constraint parameter, and gradually evaluate each traversal Based on the matching and acceptance of the points, those that do not meet the requirements will be added to the elimination data group. Until the global optimal value of matching degree and acceptance degree is finally obtained, it is set as the optimization control parameter set.
  • the solution set is globally traversed to obtain a control parameter set that is more suitable for the current real-time state.
  • step S600 includes S650:
  • S653 Obtain the second historical data, wherein the second historical data includes multiple groups: real-time status information, evaluation indicator set and evaluation indicator value identification information;
  • S654 Construct the first screening network layer according to the plurality of groups: real-time status information, evaluation indicator set and evaluation indicator value identification information;
  • the construction process of the first screening model is as follows:
  • Generate the first matching network layer collect the first historical data: including multiple groups: real-time status information, evaluation indicator value set and matching result identification information, use the real-time status information and evaluation indicator value set as input training data, and use the matching result identification information As the output identification information, supervised learning is performed based on the neural network, the first matching network layer is constructed, and training is stopped when the model reaches convergence.
  • generate the first screening network layer collect the second historical data: including multiple groups: real-time status information, evaluation indicator set and evaluation indicator value identification information, use the real-time status information, evaluation indicator set as input training data, and use the evaluation indicator
  • the value identification information is used as the output identification information, supervised learning is performed based on the neural network, the first filtering network layer is constructed, and training is stopped when the model reaches convergence.
  • the input terminal of the first matching network layer and the input terminal of the first screening model are merged; the output terminal of the first matching network layer and the output terminal of the first screening model are merged, and the output terminal of the first matching network layer is merged.
  • the output end and the input end of the first screening network layer are fully connected; the input end of the first screening network layer and the input end of the first screening model are merged, and the output end of the first screening network layer and the output end of the first screening model are combined Merge to generate the first screening model.
  • the first matching network layer When the first real-time status information and the first evaluation indicator set are input into the first screening model, only the first matching network layer is activated to evaluate the matching relationship between the first real-time status information and the first evaluation indicator value set: when the first screening network layer When the first matching network layer output matching information is received, the response is rejected and the first evaluation index value set is directly synchronized to the output end of the first screening model; when the first screening network layer receives the first matching network layer output mismatch information, then respond, the first matching network layer stops working, activates the first filtering network layer, receives the first real-time status information and the first evaluation indicator set from the input end of the first filtering model for evaluation, and synchronizes the output results to the first filtering model.
  • the output of a filtering model when the first screening network layer output matching information is received, the response is rejected and the first evaluation index value set is directly synchronized to the output end of the first screening model; when the first screening network layer receives the first matching network layer output mismatch information, then respond, the first matching
  • the first real-time status information and the first evaluation index set can be more accurately evaluated, and more comprehensive and accurate evaluation index value screening result information can be generated.
  • step S730 includes:
  • the initialization process is as follows:
  • the control parameter particle swarm refers to the control parameter value solution set of each dimension generated when the evaluation index value screening result information is input into the first optimization space.
  • the control parameter value solution set of each dimension is located along the respective first objective function set.
  • the positive influence relationship of the dimensional space direction on the evaluation index is arranged in order.
  • the positive influence relationship refers to the change direction of the control parameter as the evaluation index increases, and virtual coordinate values are generated.
  • the same control parameter has the same value at the same position. , but it may be the intersection of multiple dimensions.
  • the first matching degree evaluation formula is a formula used to evaluate the matching degree of each set of control parameters and the evaluation index value screening result information. It can be constructed based on experience.
  • the specific form There is no limit; the first acceptance evaluation formula is an evaluation formula used to update the position of the control parameter set according to the matching degree of different positions.
  • the particle selection range is determined by controlling the parameter particle swarm, the traversal rules are set through the first matching degree evaluation formula and the first acceptance degree evaluation formula, and the update iteration step is determined through the above position parameters, thereby completing the first optimization space initialization.
  • method step S732 includes:
  • the method step S7322 includes:
  • the optional first matching degree evaluation formula is
  • the optional first acceptance evaluation formula is:
  • the nth control parameter set is added to the elimination data group, and optimization is continued based on the n+1th control parameter set; when the first acceptance degree is 0, the The n+1th control parameter set is added to the elimination data group, and optimization is continued based on the nth control parameter set.
  • the eliminated data group refers to the eliminated data group in the traversal control parameter particle swarm. When updating to the same data set, it is skipped to avoid repeated traversal.
  • the first acceptance degree can ensure that the selected control parameter set is the control parameter set with the highest matching degree, thereby realizing automated monitoring data processing of remote control equipment monitoring and management, and improving system stability.
  • the monitoring and management system for remote control equipment provided by the embodiment of the present application has the following technical effects:
  • control parameter set is optimized to obtain the control parameter optimization results suitable for the current scenario.
  • a technical solution for controlling the control object is used.
  • the intelligent model is used to match the evaluation index value suitable for the current scenario, and then the optimization algorithm is used based on the objective function and evaluation index value.
  • the matching of control parameters is more suitable for real-time status and has high accuracy, achieving the technical effect of reducing manual dependence and improving the stability of remote monitoring and management.
  • the first collection unit 11 is used to collect first monitoring scene information, where the first monitoring scene information includes first control object information and first application object information;
  • the second generation unit 13 is used to extract control parameters from the first control object information and generate a first control parameter set
  • the third generation unit 14 is configured to traverse the first evaluation index set according to the first control parameter set and generate a first objective function set;
  • system also includes:
  • the fourth obtaining unit is used to obtain second historical data, wherein the second historical data includes multiple groups: real-time status information, evaluation indicator sets and evaluation indicator value identification information;
  • An eleventh generation unit configured to receive the first optimization instruction, input the first control parameter set into the first optimization space, and perform optimization based on the first speed constraint parameter and the first position constraint parameter. , generate the optimal control parameter set.
  • a twelfth generation unit configured to input the evaluation index value screening result information into the first objective function set and generate a control parameter particle swarm;
  • the sixth obtaining unit is used to obtain the first matching degree evaluation formula and the first acceptance degree evaluation formula
  • a second processing unit configured to initialize the first optimization space according to the control parameter particle swarm, the first matching degree evaluation formula and the first acceptance evaluation formula.
  • system also includes:
  • the first setting unit is used to set the first matching degree evaluation formula as:
  • the second setting unit is used to set the first acceptance evaluation formula as:
  • embodiments of the present application also provide a computer-readable storage medium, with a computer program stored on the storage medium, and the computer When the program is executed by the processor, the method described in any one of the embodiments is implemented.
  • embodiments of the present application also provide an electronic device, including: a processor, the processor is coupled to a memory, and the memory Used to store a program that, when the program is executed by the processor, causes the system to execute the method described in any one of the first aspects.
  • the electronic device 300 includes: a processor 302, a communication interface 303, and a memory 301.
  • the electronic device 300 may also include a bus architecture 304.
  • the communication interface 303, the processor 302 and the memory 301 can be connected to each other through a bus architecture 304;
  • the bus architecture 304 can be a peripheral component interconnect (PCI) bus or an extended industry standard architecture (extended industry Standard architecture). , referred to as EISA) bus, etc.
  • the bus architecture 304 can be divided into an address bus, a data bus, a control bus, etc. For ease of presentation, only one thick line is used in Figure 4, but it does not mean that there is only one bus or one type of bus.
  • the processor 302 may be a CPU, a microprocessor, an ASIC, or one or more integrated circuits used to control the execution of the program of the present application.
  • the memory 301 can be ROM or other types of static storage devices that can store static information and instructions, RAM or other types of dynamic storage devices that can store information and instructions, or it can be electrically erasable programmable read-only memory (electrically erasable programmable). read-only memory (EEPROM), compact disc read-only memory (CD-ROM) or other optical disc storage, optical disc storage (including compressed optical discs, laser discs, optical discs, digital versatile discs, Blu-ray discs, etc.), magnetic disks Storage media or other magnetic storage devices, or any other medium that can be used to carry or store desired program code in the form of instructions or data structures and that can be accessed by a computer, without limitation.
  • the memory may exist independently and be connected to the processor through the bus architecture 304. Memory can also be integrated with the processor.
  • Embodiments of the present application provide a monitoring and management system for remote control equipment, which uses monitoring scene information to determine the control object and characterizes the application object information processed by the control object; matches the status evaluation index set according to the control object; for control Object extraction and evaluation index set one-to-one corresponding control parameter information; generate a set of empirical objective functions representing the correlation between one-to-one corresponding control parameters and evaluation indexes; extract real-time status information of application object information, and use intelligence according to the real-time status Model matching evaluation index value; optimize the control parameter set based on the matching evaluation index value and the objective function set, and obtain the control parameter optimization results suitable for the current scenario to control the technical solution of the control object, using intelligent model matching to be suitable for the current scenario
  • the evaluation index value is then used to match the control parameters through an optimization algorithm based on the objective function and evaluation index value. It is more suitable for real-time conditions and has high accuracy, achieving the technical effect of reducing manual dependence and improving the stability of remote monitoring management.
  • At least one of a, b, or c can mean: a, b, c, a-b, a-c, b-c, or a-b-c, where a, b, c can be single or Multiple.
  • the various illustrative logic units and circuits described in the embodiments of this application can be implemented by a general-purpose processor, a digital signal processor, an application-specific integrated circuit (ASIC), a field-programmable gate array (FPGA) or other programmable logic systems, Discrete gate or transistor logic, discrete hardware components, or any combination of the foregoing are designed to implement or operate the functions described.
  • the general-purpose processor may be a microprocessor.
  • the general-purpose processor may also be any conventional processor, controller, microcontroller or state machine.
  • a processor may also be implemented as a combination of computing systems, such as a digital signal processor and a microprocessor, multiple microprocessors, one or more microprocessors combined with a digital signal processor core, or any other similar configuration. accomplish.
  • the steps of the method or algorithm described in the embodiments of this application can be directly embedded in hardware, a software unit executed by a processor, or a combination of the two.
  • the software unit may be stored in RAM memory, flash memory, ROM memory, EPROM memory, EEPROM memory, register, hard disk, removable disk, CD-ROM or any other form of storage medium in the art.
  • the storage medium can be connected to the processor, so that the processor can read information from the storage medium and can store and write information to the storage medium.
  • the storage medium can also be integrated into the processor.
  • the processor and the storage medium can be installed in the ASIC, and the ASIC can be installed in the terminal.
  • the processor and the storage medium may also be provided in different components in the terminal.
  • These computer program instructions may also be loaded onto a computer or other programmable data processing device, causing a series of operating steps to be performed on the computer or other programmable device to produce computer-implemented processing, thereby executing on the computer or other programmable device.
  • Instructions provide steps for implementing the functions specified in a process or processes of a flowchart diagram and/or a block or blocks of a block diagram.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Feedback Control In General (AREA)
  • Selective Calling Equipment (AREA)

Abstract

一种用于远程控制设备的监控管理系统，包括：第一采集单元（11）采集第一监控场景信息，包括第一控制对象信息和第一应用对象信息；第一生成单元（12）对第一控制对象信息进行评估指标匹配，生成第一评估指标集合；第二生成单元（13）对第一控制对象信息进行控制参数提取生成第一控制参数集合；第三生成单元（14）根据第一控制参数集合，遍历第一评估指标集合，生成第一目标函数集合；第一获得单元（15）对第一应用对象信息进行状态提取，获得第一实时状态信息；第四生成单元（16）将第一实时状态信息和第一评估指标集合输入第一筛选模型，生成评估指标值筛选结果；第五生成单元（17）根据第一目标函数集合和评估指标值筛选结果信息对第一控制参数集合优化进行远程控制。

Description

一种用于远程控制设备的监控管理系统 技术领域
本发明涉及人工智能相关技术领域，具体涉及一种用于远程控制设备的监控管理系统。
背景技术
远程控制是利用无线或电信号对远端的设备进行操作的一种能力，即通过位于本地的控制设备发出控制指令，远端的受控设备接收到控制指令后执行相应的工作的过程。远程控制中对远端受控设备状态的监控是保障控制精准度的重要进程。
当下远程控制中的监控管理主要是通过对受控设备进行状态监控，依赖人工对设备状态进行评估进而匹配相应的参数，此种方式较依赖于人工决策。
现有技术中由于人工决策的过程具有较大的不稳定性，进而导致存在监控管理稳定性较差和自动化程度较低的技术问题。
发明内容
本申请实施例通过提供了一种用于远程控制设备的监控管理系统，解决了现有技术中由于人工决策的过程具有较大的不稳定性，进而导致存在监控管理稳定性较差和自动化程度较低的技术问题。
鉴于上述问题，本申请实施例提供了一种用于远程控制设备的监控管理系统。
第一方面，本申请实施例提供了一种用于远程控制设备的监控管 理系统，其中，所述系统和第一控制对象通信连接，包括：第一采集单元，用于采集第一监控场景信息，其中，所述第一监控场景信息包括第一控制对象信息和第一应用对象信息；第一生成单元，用于对所述第一控制对象信息进行评估指标匹配，生成第一评估指标集合，其中，所述评估指标表征控制对象状态；第二生成单元，用于对所述第一控制对象信息进行控制参数提取，生成第一控制参数集合；第三生成单元，用于根据所述第一控制参数集合，遍历所述第一评估指标集合，生成第一目标函数集合；第一获得单元，用于对所述第一应用对象信息进行实时状态提取，获得第一实时状态信息；第四生成单元，用于将所述第一实时状态信息和所述第一评估指标集合输入第一筛选模型，生成评估指标值筛选结果信息；第五生成单元，用于根据所述第一目标函数集合和所述评估指标值筛选结果信息对所述第一控制参数集合进行优化，生成优化控制参数集合，基于所述优化控制参数集合对所述第一控制对象进行远程控制。
另一方面，本申请实施例提供了一种用于远程控制设备的监控管理方法，其中，所述方法应用一种用于远程控制设备的监控管理系统，所述系统和第一控制对象通信连接，所述方法包括：采集第一监控场景信息，其中，所述第一监控场景信息包括第一控制对象信息和第一应用对象信息；对所述第一控制对象信息进行评估指标匹配，生成第一评估指标集合，其中，所述评估指标表征控制对象状态；对所述第一控制对象信息进行控制参数提取，生成第一控制参数集合；根据所述第一控制参数集合，遍历所述第一评估指标集合，生成第一目标函 数集合；对所述第一应用对象信息进行实时状态提取，获得第一实时状态信息；将所述第一实时状态信息和所述第一评估指标集合输入第一筛选模型，生成评估指标值筛选结果信息；根据所述第一目标函数集合和所述评估指标值筛选结果信息对所述第一控制参数集合进行优化，生成优化控制参数集合，基于所述优化控制参数集合对所述第一控制对象进行远程控制。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述存储介质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第一方面任一项所述的方法。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了通过监控场景信息确定控制对象和表征控制对象所处理的应用对象信息；根据控制对象匹配状态评估指标集合；针对控制对象提取和评估指标集合一一对应的控制参数信息；生成表征一一对应的控制参数和评估指标之间关联关系的经验目标函数集合；提取应用对象信息的实时状态信息，根据实时状态利用智能化模型匹配评估指标值；基于匹配评估指标值和目标函数集合对控制参数集合进行优化，得到适用于当前场景的控制参数优化结果对控制对象进行控制的技术方案，利用智能化模型匹配适用于当前场景的评估指标值，再 根据目标函数和评估指标值通过优化算法实现控制参数的匹配，较适用于实时状态，且准确度较高，达到了降低人工依赖，提高远程监控管理稳定性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种用于远程控制设备的监控管理方法流程示意图；
图2为本申请实施例提供了一种用于远程控制设备的监控管理方法中控制参数优化方法的流程示意图；
图3为本申请实施例提供了一种用于远程控制设备的监控管理系统结构示意图；
图4为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一采集单元11，第一生成单元12，第二生成单元13，第三生成单元14，第一获得单元15，第四生成单元16，第五生成单元17，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
本申请实施例通过提供了一种用于远程控制设备的监控管理系统，解决了现有技术中由于人工决策的过程具有较大的不稳定性，进 而导致存在监控管理稳定性较差和自动化程度较低的技术问题。利用智能化模型匹配适用于当前场景的评估指标值，再根据目标函数和评估指标值通过优化算法实现控制参数的匹配，较适用于实时状态，且准确度较高，达到了降低人工依赖，提高远程监控管理稳定性的技术效果。
申请概述
远程控制监控管理中通常使用的方式是利用监控软件采集受控设备实时状态，进而依赖人工设定规则筛选控制参数，虽然也存在通过自动化匹配控制参数进行远程监控控制的方案，但是由于难以对复杂的非结构化场景数据进行拟合，导致现有技术中存在准确度和自动化程度都较低、且稳定性较差的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例通过提供了一种用于远程控制设备的监控管理系统，解决了现有技术中由于人工决策的过程具有较大的不稳定性，进而导致存在监控管理稳定性较差和自动化程度较低的技术问题，由于采用了通过监控场景信息确定控制对象和表征控制对象所处理的应用对象信息；根据控制对象匹配状态评估指标集合；针对控制对象提取和评估指标集合一一对应的控制参数信息；生成表征一一对应的控制参数和评估指标之间关联关系的经验目标函数集合；提取应用对象信息的实时状态信息，根据实时状态利用智能化模型匹配评估指标值；基于匹配评估指标值和目标函数集合对控制参数集合进行优化，得到适用于当前场景的控制参数优化结果对控制对象进行控制的技 术方案，利用智能化模型匹配适用于当前场景的评估指标值，再根据目标函数和评估指标值通过优化算法实现控制参数的匹配，较适用于实时状态，且准确度较高，达到了降低人工依赖，提高远程监控管理稳定性的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种用于远程控制设备的监控管理方法，其中，所述方法应用一种用于远程控制设备的监控管理系统，所述系统和第一控制对象通信连接，所述方法包括：
S100：采集第一监控场景信息，其中，所述第一监控场景信息包括第一控制对象信息和第一应用对象信息；
具体而言，第一监控场景信息指的是对受控设备进行监控的实时场景信息，包括但不限于：受控设备数量信息、受控设备工作参数信息、受控设备实时工作状态信息、受控设备加工产品的实时状态信息等。监控方式包括但不限于：控制终端和受控设备有线或无线连接，接收受控设备工作参数信息；通过图像采集装置采集工作时的实时动态信息等方式进行监控。
进一步的，第一控制对象信息指的是和受控设备直接相关的监控场景信息；第一应用对象信息指的是受控设备加工产品相关的监控场景信息。可选的，在第一控制对象信息和第一应用对象信息任意一组数据中，纵向上将采集的信息集依据时序进行存储，便于依据时序对 信息进行依次处理，横向上将采集的信息集依据信息类型分组存储，示例性地：同一时刻，受控设备加工时各元件的工作参数，依据元件的不同划分为不同类型数据分组存储。
通过对第一监控场景信息的采集可实现对受控设备的工作状态进行评估，进而为实现工作参数的调节提供参考基准，而全面的监控场景信息的采集保证了工作参数自动化调节的准确性。
S200：对所述第一控制对象信息进行评估指标匹配，生成第一评估指标集合，其中，所述评估指标表征控制对象状态；
具体而言，第一评估指标集合指的是表征控制对象状态信息的指标维度，以工厂对加工产品的加工举不设限制的一例：加工设备数量、加工产品需要的时间、加工过程对能量的损耗、当前加工设备的负载系数等维度的指标集合。进一步的，第一评估指标集合的确定方式举不舍限制的一例：优选的，基于大数据采集多个不同领域远程控制设备对应的性能评估指标信息，存储为：设备类型-性能评估指标集合数据库，专家人员可通过自定义面板对性能评估指标集合进行调整，且数据库周期性基于大数据更新，保障采集指标信息的及时性。当需要匹配性能评估指标集合时，将第一控制对象信息输入设备类型-性能评估指标集合数据库，即可检索出和相应设备对应的性能评估指标集合，其中，输入方式包括但不限于语音、键入、复制粘贴等其它可常规替换的输入方式。
通过评估指标表征控制对象状态，即用于评估控制对象的性能的指标维度，基于大数据拟合多方数据，打破传统远程控制中的数据孤 岛，提高了所匹配的评估指标的全面性，进而保障了对控制对象性能的准确评估。
S300：对所述第一控制对象信息进行控制参数提取，生成第一控制参数集合；
具体而言，第一控制对象指的是受控设备；第一控制参数集合指的是用于控制受控设备进行工作的实时工作参数集合，仍以远程控制工厂产品加工举不设限制的一例：入料速度、产品在受控设备之间的流转顺序、各部件的操作几何参数、各部件的操作时序参数等控制参数集合。采集当前第一控制对象对应的第一控制参数集合，提供后步参数调整基准数据，同时亦可评估当前参数是否为最优控制参数集合，而控制参数的采集维度优选的依据大数据统计多方使用第一控制对象的同类型设备而设定的参数采集维度，保证采集数据的完整性及全面性。
基于上述内容，第一控制参数集合优选的提取方式为通过大数据确定第一控制对象的控制参数采集维度，进而依据采集维度对第一控制对象进行实时控制参数采集，并上传至远程控制终端进行处理，每次处理的数据作为历史数据存储，便于后步溯源。
S400：根据所述第一控制参数集合，遍历所述第一评估指标集合，生成第一目标函数集合；
具体而言，第一目标函数集合指的是表征第一评估指标集合和第一控制参数集合之间的数据关系的经验函数关系，即不同的评估指标为多个控制参数共同影响而确定的结果，优选的确定方式举不设限制 的一例：基于历史数据使用灰色关联度分析：将评估指标值作为基准数列，将控制参数集合作为对比数列，基于对照实验的思想，单次只改变一种控制参数的值作为变量，进而分析出不同控制参数对评估指标值的关联度，对不同的控制参数进行权重分配，即控制参数对应的关联度在当前估指标对应全部类型控制参数关联度之和中的占比；进一步的，基于历史数据构建关联函数：
y m＝f(w 1x 1,w 2x 2,w 3x 3...w lx l)，其中，且，x l表示第l个控制参数，w l表示对应的权重，y m表示第m个评估指标，满足f(w 1x 1,w 2x 2,w 3x 3...w lx l)的l个控制参数的取值解可能有多个，指的是当y m一定时，l个控制参数的组合取值可能有多组，共同组成解集，即一个评估指标值对应有多组解集，优选的将二者一一对应进行存储，等待后步调用。
进一步的，多个评估指标维度之间的控制参数交集记为耦合控制参数，非交集记为独立控制参数。通过第一目标函数集合可表征评估指标维度和控制参数之间的关联关系，进而将非结构化的设备状态信息的选定转化为设备控制参数的调整，便于计算机处理，提高了自动化控制的落地可能性。
S500：对所述第一应用对象信息进行实时状态提取，获得第一实时状态信息；
具体而言，第一实时状态信息指的是当前加工对象的实时状态信息，包括但不限于：不同流程节点等待处理的数量信息、不同流程节点正在处理的数量信息、已加工完成的数量信息、加工能耗要求信息、 加工成本信息、加工时限信息等，可由工作人员自定义设定采集状态信息的维度，采集方式可选的使用图像采集装置采集实时产品加工信息、通过机器上传产品加工状态信息等不设限的方式。其中，第一应用对象即为受处理产品，在不同场景下产品类型不同：在群控电梯中，第一应用对象为人群；在远程抄表中，第一应用对象为读表数据；在工厂中，第一应用对象为加工产品。通过对第一应用对象的实时状态进行采集，为后步确定当前状态下的最佳设备性能指标的选定提供信息反馈基础。
S600：将所述第一实时状态信息和所述第一评估指标集合输入第一筛选模型，生成评估指标值筛选结果信息；
进一步的，基于所述将所述第一实时状态信息和所述第一评估指标集合输入第一筛选模型，生成评估指标值筛选结果信息，步骤S600包括：
S610：根据第一评估指标集合对所述第一控制对象进行指标值提取，生成第一评估指标值集合；
S620：将所述第一实时状态信息和所述第一评估指标值集合输入第一匹配网络层，获得第一匹配结果；
S630：当所述第一匹配结果包括不匹配信息时，激活第一筛选网络层，将所述第一实时状态信息和所述第一评估指标集合输入，生成所述评估指标值筛选结果信息；
S640：当所述第一匹配结果包括匹配信息时，将所述第一评估指标值集合设为所述评估指标值筛选结果信息。
具体而言，第一筛选模型为基于深层神经网络构建的对第一实时状态信息和第一评估指标集合进行评估，进而筛选适应于当前第一实时状态信息的评估指标集合的具体值的智能化模型，神经网络模型为常用于拟合非线性数据的智能化模型，基于模仿人体大脑构建的神经网络具有学习能力和记忆能力，经过训练后，可对新输入的数据做出训练处理。此处的第一筛选模型由第一匹配网络层和第一筛选网络层组成，第一匹配网络层和第一筛选网络层都是独立的子神经网络，二者通过独立训练之后，集成合并生成第一筛选模型。
第一匹配网络层用于评估第一评估指标值集合和第一实时状态信息的匹配关系的神经网络模型。第一评估指标值集合指的是当前第一控制对象的第一评估指标集合的具体值；第一匹配结果指的是评估第一评估指标值集合和第一实时状态信息的匹配结果，二者之间的匹配关系，示例性地：根据第一实时状态信息中的产品加工时限，确定加工效率；根据加工产品成本信息，调控加工能耗及设备的选用。此过程为较复杂的，非线性的处理过程，因此基于神经网络训练，构建模型可生成较准确表征第一实时状态信息和第一评估指标值集合之间匹配信息的第一匹配结果，每组评估指标值集合对应匹配信息或不匹配信息中的一种。
第一筛选网络层用于根据第一实时状态信息和第一评估指标集合，筛选较适用于第一实时状态信息的第一评估指标集合具体值的神经网络模型。评估指标值筛选结果信息指的是当第一匹配结果包括不匹配信息时，激活第一筛选网络层，将第一实时状态信息和第一评估 指标集合输入第一筛选网络层进行匹配的得到的结果；当第一匹配结果包括匹配信息时，将第一评估指标值集合设为评估指标值筛选结果信息，则不需要激活第一筛选网络层。
即通过上述可知，第一匹配网络层为每次数据处理必须激活的处理层，而第一筛选网络层根据第一匹配网络层的处理结果分情况激活，进而提高了远程控制监控管理的智能化程度。
S700：根据所述第一目标函数集合和所述评估指标值筛选结果信息对所述第一控制参数集合进行优化，生成优化控制参数集合，基于所述优化控制参数集合对所述第一控制对象进行远程控制。
进一步的，如图2所示，基于所述根据所述第一目标函数集合和所述评估指标值筛选结果信息对所述第一控制参数集合进行优化，生成优化控制参数集合，步骤S700包括：
S710：根据所述第一目标函数集合，生成第一优化空间，其中，所述第一优化空间维度和所述第一目标函数集合维度相同；
S720：根据所述第一优化空间，获得第一速度约束参数和第一位置约束参数；
S730：将所述评估指标值筛选结果信息输入所述第一优化空间进行初始化，初始化完成后生成第一优化指令；
S740：接收所述第一优化指令，将所述第一控制参数集合输入所述第一优化空间，基于所述第一速度约束参数和所述第一位置约束参数进行优化，生成所述优化控制参数集合。
具体而言，优化控制参数集合指的是在确定适用于第一实时状态 信息的评估指标值筛选结果信息之后，根据第一目标函数集合和评估指标值筛选结果信息进行第一控制参数集合进行优化之后确定的结果，进一步的，根据优化控制参数集合对第一控制对象进行远程控制，保障第一控制对象的处理过程满足评估指标值筛选结果信息。
优化流程优选为：
生成第一优化空间：基于第一目标函数集合生成优化空间的大体框架，即根据第一目标函数集合的维度数目，确定优化控制参数集合的选取范围确定框架，确定第一优化空间维度数目；第一速度约束参数指的是表征控制参数优化更新时的变化步长，即数值变化幅度；第一位置约束参数指的是表征控制参数选取范围的参数，即基于第一目标函数集合确定的优化控制参数集合的选取范围确定框架；具有耦合控制参数的关联函数对应的维度在耦合控制参数处具有空间位置交点，具有独立控制参数的关联函数对应的维度在独立控制参数处具有不同的空间位置，不同的空间位置对应于不同的控制参数取值。
对第一优化空间进行初始化，将评估指标值筛选结果信息输入第一目标函数集合，即可输入对应维度的目标函数内，得到每个维度相应的解集，即确定了第一位置约束参数，再通过自定义设定第一速度约束参数，即可确定单次遍历步长，即完成第一优化空间的初始化过程。
开始优化：将第一控制参数集合作为优化初始位置输入初始化完成后的第一优化空间，在第一优化空间中基于第一位置约束参数和第一速度约束参数选取遍历点，逐步评估每个遍历点的匹配度和接受 度，将不满足要求的添加进淘汰数据组。直到最终得到匹配度和接受度的全局最优值，设为优化控制参数集合。
通过优化算法对解集进行全局遍历，得到较适用于当前实时状态的控制参数集。
进一步的，所述方法步骤S600包括S650：
S651：获得第一历史数据，其中，所述第一历史数据包括多组：实时状态信息，评估指标值集合和匹配结果标识信息；
S652：根据所述多组：实时状态信息，评估指标值集合和匹配结果标识信息，构建所述第一匹配网络层；
S653：获得第二历史数据，其中，所述第二历史数据包括多组：实时状态信息，评估指标集合和评估指标值标识信息；
S654：根据所述多组：实时状态信息，评估指标集合和评估指标值标识信息，构建所述第一筛选网络层；
S655：将所述第一匹配网络层和所述第一筛选网络层合并，生成所述第一筛选模型。
具体而言，第一筛选模型的构建流程如下：
生成第一匹配网络层：采集第一历史数据：包括多组：实时状态信息，评估指标值集合和匹配结果标识信息，将实时状态信息，评估指标值集合作为输入训练数据，将匹配结果标识信息作为输出标识信息，基于神经网络进行有监督学习，构建第一匹配网络层，当模型达到收敛后停止训练。
进一步的，生成第一筛选网络层：采集第二历史数据：包括多组： 实时状态信息，评估指标集合和评估指标值标识信息，将实时状态信息，评估指标集合作为输入训练数据，将评估指标值标识信息作为输出标识信息，基于神经网络进行有监督学习，构建第一筛选网络层，当模型达到收敛后停止训练。
更进一步的，将第一匹配网络层的输入端和第一筛选模型的输入端合并；将第一匹配网络层的输出端和第一筛选模型的输出端合并，且将第一匹配网络层的输出端和第一筛选网络层的输入端全连接；将第一筛选网络层的输入端和第一筛选模型的输入端合并，将第一筛选网络层的输出端和第一筛选模型的输出端合并，生成第一筛选模型。
将第一实时状态信息和第一评估指标集合输入第一筛选模型时，只激活第一匹配网络层对第一实时状态信息和第一评估指标值集合进行匹配关系评估：当第一筛选网络层接收到第一匹配网络层输出匹配信息时，则拒绝响应，直接将第一评估指标值集合同步至第一筛选模型的输出端；当第一筛选网络层接收到第一匹配网络层输出不匹配信息时，则响应，第一匹配网络层停止工作，激活第一筛选网络层，从第一筛选模型的输入端接收第一实时状态信息和第一评估指标集合进行评估，将输出结果同步至第一筛选模型的输出端。
通过模仿人脑思维的神经网络模型，拟合大数据的经验知识，可对第一实时状态信息和第一评估指标集合进行较准确的评估，生成较全面、准确的评估指标值筛选结果信息。
进一步的，基于所述将所述评估指标值筛选结果信息输入所述第一优化空间进行初始化，步骤S730包括：
S731：将所述评估指标值筛选结果信息输入所述第一目标函数集合，生成控制参数粒子群；
S732：获得第一匹配度评估公式和第一接受度评估公式；
S734：根据所述控制参数粒子群、所述第一匹配度评估公式和所述第一接受度评估公式，对所述第一优化空间进行初始化。
具体而言，初始化流程如下：
控制参数粒子群指的是当评估指标值筛选结果信息输入第一优化空间后，生成的各维度控制参数取值解集，对各维度控制参数取值解集沿着各自第一目标函数集合所在维度空间方向对评估指标的正向影响关系依次排列，正向影响关系指的是随着评估指标增大，控制参数的变化方向，并生成虚拟坐标值，同一个控制参数在同一位置的数值相同，但可能是多个维度交点。
构建第一匹配度评估公式和第一接受度评估公式，第一匹配度评估公式是用来评估每组控制参数集合和评估指标值筛选结果信息的匹配度的公式，可基于经验构建，具体形式不限制；第一接受度评估公式是用来根据不同位置的匹配度大小进行控制参数集合位置更新的评估公式。
通过控制参数粒子群确定粒子选定范围，通过第一匹配度评估公式和第一接受度评估公式实现遍历规则的设定，通过上述位置参数确定更新迭代步长，进而完成对第一优化空间的初始化。
进一步的，所述方法步骤S732包括：
S7321：所述第一匹配度评估公式为：
Figure PCTCN2022110397-appb-000001
其中，
Figure PCTCN2022110397-appb-000002
表示第n控制参数集合在第一控制对象所在厂家历史控制数据中的选定频率，
Figure PCTCN2022110397-appb-000003
表示第n控制参数集合在第一控制对象的同型号设备所在厂家历史控制数据中的选定频率，α，β表征
Figure PCTCN2022110397-appb-000004
和
Figure PCTCN2022110397-appb-000005
比重；
S7322：所述第一接受度评估公式为：
Figure PCTCN2022110397-appb-000006
其中，
Figure PCTCN2022110397-appb-000007
为第n+1控制参数集合的接受度。
更进一步的，所述方法步骤S7322包括：
S73221：当所述第一接受度为1时，将所述第n控制参数集合添加进淘汰数据组，基于所述第n+1控制参数集合继续优化；
S73222：当所述第一接受度为0时，将所述第n+1控制参数集合添加进所述淘汰数据组，基于所述第n控制参数集合继续优化。
具体而言，第一匹配度评估公式可选的为
Figure PCTCN2022110397-appb-000008
其中，
Figure PCTCN2022110397-appb-000009
表示第n控制参数集合在第一控制对象所在厂家历史控制数据中的选定频率，
Figure PCTCN2022110397-appb-000010
表示第n控制参数集合在第一控制对象的同型号设备所在厂家历史控制数据中的选定频率，α，β表征
Figure PCTCN2022110397-appb-000011
和
Figure PCTCN2022110397-appb-000012
比重，
Figure PCTCN2022110397-appb-000013
表征匹配度。
第一接受度评估公式可选的为：
Figure PCTCN2022110397-appb-000014
其中，
Figure PCTCN2022110397-appb-000015
为第n+1控制参数集合的接受度。
当所述第一接受度为1时，将所述第n控制参数集合添加进淘汰数据组，基于所述第n+1控制参数集合继续优化；当所述第一接受度为0时，将所述第n+1控制参数集合添加进所述淘汰数据组，基于所述第n控制参数集合继续优化。其中，淘汰数据组指的是遍历控制参数粒子群中的淘汰数据组，当更新至相同数据集合时，跳过避免重复遍历。通过第一接受度可保障筛选出的控制参数集合为匹配度最高的控制参数集合，进而实现了远程控制设备的监控管理的自动化监控数据处理，提高了系统稳定性。
综上所述，本申请实施例所提供的一种用于远程控制设备的监控管理系统具有如下技术效果：
1.由于采用了通过监控场景信息确定控制对象和表征控制对象所处理的应用对象信息；根据控制对象匹配状态评估指标集合；针对控制对象提取和评估指标集合一一对应的控制参数信息；生成表征一一对应的控制参数和评估指标之间关联关系的经验目标函数集合；提取应用对象信息的实时状态信息，根据实时状态利用智能化模型匹配评估指标值；基于匹配评估指标值和目标函数集合对控制参数集合进行优化，得到适用于当前场景的控制参数优化结果对控制对象进行控制的技术方案，利用智能化模型匹配适用于当前场景的评估指标值，再根据目标函数和评估指标值通过优化算法实现控制参数的匹配，较适用于实时状态，且准确度较高，达到了降低人工依赖，提高远程监 控管理稳定性的技术效果。
实施例二
基于与前述实施例中一种用于远程控制设备的监控管理方法相同的发明构思，如图3所示，本申请实施例提供了一种用于远程控制设备的监控管理系统，其中，所述系统和第一控制对象通信连接，包括：
第一采集单元11，用于采集第一监控场景信息，其中，所述第一监控场景信息包括第一控制对象信息和第一应用对象信息；
第一生成单元12，用于对所述第一控制对象信息进行评估指标匹配，生成第一评估指标集合，其中，所述评估指标表征控制对象状态；
第二生成单元13，用于对所述第一控制对象信息进行控制参数提取，生成第一控制参数集合；
第三生成单元14，用于根据所述第一控制参数集合，遍历所述第一评估指标集合，生成第一目标函数集合；
第一获得单元15，用于对所述第一应用对象信息进行实时状态提取，获得第一实时状态信息；
第四生成单元16，用于将所述第一实时状态信息和所述第一评估指标集合输入第一筛选模型，生成评估指标值筛选结果信息；
第五生成单元17，用于根据所述第一目标函数集合和所述评估指标值筛选结果信息对所述第一控制参数集合进行优化，生成优化控制参数集合，基于所述优化控制参数集合对所述第一控制对象进行远 程控制。
进一步的，所述系统还包括：
第六生成单元，用于根据第一评估指标集合对所述第一控制对象进行指标值提取，生成第一评估指标值集合；
第二获得单元，用于将所述第一实时状态信息和所述第一评估指标值集合输入第一匹配网络层，获得第一匹配结果；
第七生成单元，用于当所述第一匹配结果包括不匹配信息时，激活第一筛选网络层，将所述第一实时状态信息和所述第一评估指标集合输入，生成所述评估指标值筛选结果信息；
第一处理单元，用于当所述第一匹配结果包括匹配信息时，将所述第一评估指标值集合设为所述评估指标值筛选结果信息。
进一步的，所述系统还包括：
第三获得单元，用于获得第一历史数据，其中，所述第一历史数据包括多组：实时状态信息，评估指标值集合和匹配结果标识信息；
第一构建单元，用于根据所述多组：实时状态信息，评估指标值集合和匹配结果标识信息，构建所述第一匹配网络层；
第四获得单元，用于获得第二历史数据，其中，所述第二历史数据包括多组：实时状态信息，评估指标集合和评估指标值标识信息；
第二构建单元，用于根据所述多组：实时状态信息，评估指标集合和评估指标值标识信息，构建所述第一筛选网络层；
第八生成单元，用于将所述第一匹配网络层和所述第一筛选网络层合并，生成所述第一筛选模型。
进一步的，所述系统还包括：
第九生成单元，用于根据所述第一目标函数集合，生成第一优化空间，其中，所述第一优化空间维度和所述第一目标函数集合维度相同；
第五获得单元，用于根据所述第一优化空间，获得第一速度约束参数和第一位置约束参数；
第十生成单元，用于将所述评估指标值筛选结果信息输入所述第一优化空间进行初始化，初始化完成后生成第一优化指令；
第十一生成单元，用于接收所述第一优化指令，将所述第一控制参数集合输入所述第一优化空间，基于所述第一速度约束参数和所述第一位置约束参数进行优化，生成所述优化控制参数集合。
进一步的，所述系统还包括：
第十二生成单元，用于将所述评估指标值筛选结果信息输入所述第一目标函数集合，生成控制参数粒子群；
第六获得单元，用于获得第一匹配度评估公式和第一接受度评估公式；
第二处理单元，用于根据所述控制参数粒子群、所述第一匹配度评估公式和所述第一接受度评估公式，对所述第一优化空间进行初始化。
进一步的，所述系统还包括：
第一设定单元，用于设定所述第一匹配度评估公式为：
Figure PCTCN2022110397-appb-000016
其中，
Figure PCTCN2022110397-appb-000017
表示第n控制参数集合在第一控制对象所在厂家历史控制数据中的选定频率，
Figure PCTCN2022110397-appb-000018
表示第n控制参数集合在第一控制对象的同型号设备所在厂家历史控制数据中的选定频率，α，β表征
Figure PCTCN2022110397-appb-000019
和
Figure PCTCN2022110397-appb-000020
比重；
第二设定单元，用于设定所述第一接受度评估公式为：
Figure PCTCN2022110397-appb-000021
其中，
Figure PCTCN2022110397-appb-000022
为第n+1控制参数集合的接受度。
实施例三
基于与前述实施例中一种用于远程控制设备的监控管理方法相同的发明构思，本申请实施例还提供了一种计算机可读存储介质，所述存储介质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实施例一任一项所述的方法。
示例性电子设备
下面参考图4来描述本申请实施例的电子设备。
基于与前述实施例中一种用于远程控制设备的监控管理方法相同的发明构思，本申请实施例还提供了一种电子设备，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行第一方面任一项所述的方法。
该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、 处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry Standard architecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303，使用任何收发器一类的系统，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local area networks，WLAN)，有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器301用于存储执行本申请方案的计算机执行指令， 并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种用于远程控制设备的监控管理方法。
可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。
本申请实施例提供了一种用于远程控制设备的监控管理系统，由于采用了通过监控场景信息确定控制对象和表征控制对象所处理的应用对象信息；根据控制对象匹配状态评估指标集合；针对控制对象提取和评估指标集合一一对应的控制参数信息；生成表征一一对应的控制参数和评估指标之间关联关系的经验目标函数集合；提取应用对象信息的实时状态信息，根据实时状态利用智能化模型匹配评估指标值；基于匹配评估指标值和目标函数集合对控制参数集合进行优化，得到适用于当前场景的控制参数优化结果对控制对象进行控制的技术方案，利用智能化模型匹配适用于当前场景的评估指标值，再根据目标函数和评估指标值通过优化算法实现控制参数的匹配，较适用于实时状态，且准确度较高，达到了降低人工依赖，提高远程监控管理稳定性的技术效果。
本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后 关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个、种)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程 门阵列(FPGA)或其它可编程逻辑系统，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算系统的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，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/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和 组合。相应地，本说明书和附图仅仅是所附所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (10)

  1. 一种用于远程控制设备的监控管理系统，其特征在于，所述系统和第一控制对象通信连接，包括：
    第一采集单元，用于采集第一监控场景信息，其中，所述第一监控场景信息包括第一控制对象信息和第一应用对象信息；
    第一生成单元，用于对所述第一控制对象信息进行评估指标匹配，生成第一评估指标集合，其中，所述评估指标表征控制对象状态；
    第二生成单元，用于对所述第一控制对象信息进行控制参数提取，生成第一控制参数集合；
    第三生成单元，用于根据所述第一控制参数集合，遍历所述第一评估指标集合，生成第一目标函数集合；
    第一获得单元，用于对所述第一应用对象信息进行实时状态提取，获得第一实时状态信息；
    第四生成单元，用于将所述第一实时状态信息和所述第一评估指标集合输入第一筛选模型，生成评估指标值筛选结果信息；
    第五生成单元，用于根据所述第一目标函数集合和所述评估指标值筛选结果信息对所述第一控制参数集合进行优化，生成优化控制参数集合，基于所述优化控制参数集合对所述第一控制对象进行远程控制。
  2. 如权利要求1所述的系统，其特征在于，所述系统还包括：
    第六生成单元，用于根据第一评估指标集合对所述第一控制对象进行指标值提取，生成第一评估指标值集合；
    第二获得单元，用于将所述第一实时状态信息和所述第一评估指标值集合输入第一匹配网络层，获得第一匹配结果；
    第七生成单元，用于当所述第一匹配结果包括不匹配信息时，激活第一筛选网络层，将所述第一实时状态信息和所述第一评估指标集合输入，生成所述评估指标值筛选结果信息；
    第一处理单元，用于当所述第一匹配结果包括匹配信息时，将所述第一评估指标值集合设为所述评估指标值筛选结果信息。
  3. 如权利要求2所述的系统，其特征在于，所述系统还包括：
    第三获得单元，用于获得第一历史数据，其中，所述第一历史数据包括多组：实时状态信息，评估指标值集合和匹配结果标识信息；
    第一构建单元，用于根据所述多组：实时状态信息，评估指标值集合和匹配结果标识信息，构建所述第一匹配网络层；
    第四获得单元，用于获得第二历史数据，其中，所述第二历史数据包括多组：实时状态信息，评估指标集合和评估指标值标识信息；
    第二构建单元，用于根据所述多组：实时状态信息，评估指标集合和评估指标值标识信息，构建所述第一筛选网络层；
    第八生成单元，用于将所述第一匹配网络层和所述第一筛选网络层合并，生成所述第一筛选模型。
  4. 如权利要求1所述的系统，其特征在于，所述系统还包括：
    第九生成单元，用于根据所述第一目标函数集合，生成第一优化空间，其中，所述第一优化空间维度和所述第一目标函数集合维度相同；
    第五获得单元，用于根据所述第一优化空间，获得第一速度约束参数和第一位置约束参数；
    第十生成单元，用于将所述评估指标值筛选结果信息输入所述第一优化空间进行初始化，初始化完成后生成第一优化指令；
    第十一生成单元，用于接收所述第一优化指令，将所述第一控制参数集合输入所述第一优化空间，基于所述第一速度约束参数和所述第一位置约束参数进行优化，生成所述优化控制参数集合。
  5. 如权利要求4所述的系统，其特征在于，所述系统还包括：
    第十二生成单元，用于将所述评估指标值筛选结果信息输入所述第一目标函数集合，生成控制参数粒子群；
    第六获得单元，用于获得第一匹配度评估公式和第一接受度评估公式；
    第二处理单元，用于根据所述控制参数粒子群、所述第一匹配度评估公式和所述第一接受度评估公式，对所述第一优化空间进行初始化。
  6. 如权利要求5所述的系统，其特征在于，所述系统还包括：
    第一设定单元，用于设定所述第一匹配度评估公式为：
    Figure PCTCN2022110397-appb-100001
    其中，
    Figure PCTCN2022110397-appb-100002
    表示第n控制参数集合在第一控制对象所在厂家历史控制数据中的选定频率，
    Figure PCTCN2022110397-appb-100003
    表示第n控制参数集合在第一控制对象的同型号设备所在厂家历史控制数据中的选定频率，α，β为表征
    Figure PCTCN2022110397-appb-100004
    和
    Figure PCTCN2022110397-appb-100005
    比重的参数；
    第二设定单元，用于设定所述第一接受度评估公式为：
    Figure PCTCN2022110397-appb-100006
    其中，
    Figure PCTCN2022110397-appb-100007
    为第n+1控制参数集合的接受度。
  7. 如权利要求6所述的系统，其特征在于，所述系统还包括：
    第三处理单元，用于当所述第一接受度为1时，将所述第n控制参数集合添加进淘汰数据组，基于所述第n+1控制参数集合继续优化；
    第四处理单元，用于当所述第一接受度为0时，将所述第n+1控制参数集合添加进所述淘汰数据组，基于所述第n控制参数集合继续优化。
  8. 一种用于远程控制设备的监控管理方法，其特征在于，所述方法应用一种用于远程控制设备的监控管理系统，所述系统和第一控制对象通信连接，所述方法包括：
    采集第一监控场景信息，其中，所述第一监控场景信息包括第一控制对象信息和第一应用对象信息；
    对所述第一控制对象信息进行评估指标匹配，生成第一评估指标集合，其中，所述评估指标表征控制对象状态；
    对所述第一控制对象信息进行控制参数提取，生成第一控制参数集合；
    根据所述第一控制参数集合，遍历所述第一评估指标集合，生成第一目标函数集合；
    对所述第一应用对象信息进行实时状态提取，获得第一实时状态 信息；
    将所述第一实时状态信息和所述第一评估指标集合输入第一筛选模型，生成评估指标值筛选结果信息；
    根据所述第一目标函数集合和所述评估指标值筛选结果信息对所述第一控制参数集合进行优化，生成优化控制参数集合，基于所述优化控制参数集合对所述第一控制对象进行远程控制。
  9. 一种电子设备，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，其特征在于，当所述程序被所述处理器执行时，使系统以执行如权利要求1至7任一项所述的系统。
  10. 一种计算机可读存储介质，其特征在于，所述存储介质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如权利要求1至7任一项所述的系统。
PCT/CN2022/110397 2022-06-17 2022-08-05 一种用于远程控制设备的监控管理系统 WO2023240769A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022576569A JP7657397B2 (ja) 2022-06-17 2022-08-05 遠隔制御装置のための監視管理システム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210689652.5A CN115016353A (zh) 2022-06-17 2022-06-17 一种用于远程控制设备的监控管理系统
CN202210689652.5 2022-06-17

Publications (1)

Publication Number Publication Date
WO2023240769A1 true WO2023240769A1 (zh) 2023-12-21

Family

ID=83074345

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/110397 WO2023240769A1 (zh) 2022-06-17 2022-08-05 一种用于远程控制设备的监控管理系统

Country Status (3)

Country Link
JP (1) JP7657397B2 (zh)
CN (1) CN115016353A (zh)
WO (1) WO2023240769A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117724429A (zh) * 2023-12-29 2024-03-19 粤海永顺泰(宝应)麦芽有限公司 基于多模分析的浸麦设备智能控制方法及系统
CN118364887A (zh) * 2024-06-20 2024-07-19 广东阿尔派电力科技股份有限公司 一种能量管理监控的智能调度方法及系统
CN118368320A (zh) * 2024-06-19 2024-07-19 广东技术师范大学 一种基于互联网的远程自动化控制方法和系统
CN118605363A (zh) * 2024-08-08 2024-09-06 江苏格蓝威智能装备有限公司 基于需求分析的模组分拣机控制方法及系统
CN118832470A (zh) * 2024-08-22 2024-10-25 辽宁嘉顺科技有限公司 氧化镁颗粒整形方法及相关装置
CN118832471A (zh) * 2024-09-19 2024-10-25 磊菱半导体设备(江苏)有限公司 一种半导体抛光设备的能耗优化方法及系统
CN118935085A (zh) * 2024-10-14 2024-11-12 江苏伊原精密科技有限公司 用于精密设备的阀门流量特性管控方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115327930B (zh) * 2022-10-17 2023-01-20 青岛艾德森物联科技有限公司 一种可视化节能管控方法及系统
CN117330507B (zh) * 2023-10-12 2024-04-05 苏州星帆华镭光电科技有限公司 手持激光仪的远程测试管控方法
CN117769091B (zh) * 2023-11-29 2025-03-21 浙江嘉尔光电科技有限公司 结合用户分析的智能照明控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019187289A1 (ja) * 2018-03-30 2019-10-03 日本電気株式会社 評価システム、評価方法および評価用プログラム
WO2020160252A1 (en) * 2019-01-30 2020-08-06 Google Llc Task-aware neural network architecture search
CN112944450A (zh) * 2021-02-03 2021-06-11 大唐吉林发电有限公司热力分公司 一种远程自主控制换热站设备的监控方法及系统
CN113779496A (zh) * 2021-09-24 2021-12-10 广州健新科技有限责任公司 一种基于设备全景数据的电力设备状态评估方法及系统
CN114281044A (zh) * 2021-12-24 2022-04-05 工业云制造(四川)创新中心有限公司 一种基于云制造的工业机器人远程监控方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101730450B1 (ko) 2016-09-08 2017-04-26 진이진 액티브 블랙박스를 이용한 공장설비 모니터링 시스템 및 방법
CN110395245B (zh) * 2019-07-25 2021-04-16 西华大学 一种基于固定路线驾驶信息的混动汽车能量管理系统
CN112365202B (zh) * 2021-01-15 2021-04-16 平安科技（深圳）有限公司 一种多目标对象的评价因子筛选方法及其相关设备
CN112729024B (zh) * 2021-03-31 2021-06-18 中国人民解放军国防科技大学 一种导弹助推段控制参数智能调节方法和系统
CN114184909B (zh) * 2021-11-23 2023-07-28 国网福建省电力有限公司莆田供电公司 基于粒子群优化置信规则库的油纸绝缘微水含量评估方法
CN114371717B (zh) * 2022-01-21 2023-04-25 厦门理工学院 一种用于茶叶修剪的绿篱机智能控制方法及系统
CN115016304B (zh) * 2022-06-17 2025-04-25 深圳恩维迪恩倜科技有限公司 一种独立展厅声光调节方法及系统
CN115016415A (zh) * 2022-06-17 2022-09-06 浙大城市学院 一种物联网设备集中控制管理系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019187289A1 (ja) * 2018-03-30 2019-10-03 日本電気株式会社 評価システム、評価方法および評価用プログラム
WO2020160252A1 (en) * 2019-01-30 2020-08-06 Google Llc Task-aware neural network architecture search
CN112944450A (zh) * 2021-02-03 2021-06-11 大唐吉林发电有限公司热力分公司 一种远程自主控制换热站设备的监控方法及系统
CN113779496A (zh) * 2021-09-24 2021-12-10 广州健新科技有限责任公司 一种基于设备全景数据的电力设备状态评估方法及系统
CN114281044A (zh) * 2021-12-24 2022-04-05 工业云制造(四川)创新中心有限公司 一种基于云制造的工业机器人远程监控方法及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117724429A (zh) * 2023-12-29 2024-03-19 粤海永顺泰(宝应)麦芽有限公司 基于多模分析的浸麦设备智能控制方法及系统
CN117724429B (zh) * 2023-12-29 2024-05-24 粤海永顺泰(宝应)麦芽有限公司 基于多模分析的浸麦设备智能控制方法及系统
CN118368320A (zh) * 2024-06-19 2024-07-19 广东技术师范大学 一种基于互联网的远程自动化控制方法和系统
CN118364887A (zh) * 2024-06-20 2024-07-19 广东阿尔派电力科技股份有限公司 一种能量管理监控的智能调度方法及系统
CN118605363A (zh) * 2024-08-08 2024-09-06 江苏格蓝威智能装备有限公司 基于需求分析的模组分拣机控制方法及系统
CN118832470A (zh) * 2024-08-22 2024-10-25 辽宁嘉顺科技有限公司 氧化镁颗粒整形方法及相关装置
CN118832471A (zh) * 2024-09-19 2024-10-25 磊菱半导体设备(江苏)有限公司 一种半导体抛光设备的能耗优化方法及系统
CN118935085A (zh) * 2024-10-14 2024-11-12 江苏伊原精密科技有限公司 用于精密设备的阀门流量特性管控方法

Also Published As

Publication number Publication date
JP7657397B2 (ja) 2025-04-07
CN115016353A (zh) 2022-09-06
JP2024524784A (ja) 2024-07-09

Similar Documents

Publication Publication Date Title
WO2023240769A1 (zh) 一种用于远程控制设备的监控管理系统
CN110866528B (zh) 一种模型训练方法、能耗使用效率预测方法、装置和介质
WO2025138759A1 (zh) 一种工业机器人能耗的预测方法、装置、设备及存储介质
CN114970357A (zh) 节能效果评价方法、系统、装置及存储介质
CN117689256A (zh) 一种铝合金熔铸产品质量溯源方法
CN111625525B (zh) 一种环境数据修复/填充方法及系统
CN112654939B (zh) 控制系统以及控制装置
CN113052325B (zh) 在线模型的优化方法、装置、设备、存储介质及程序产品
CN115017976A (zh) 处理工业数据的方法、装置、设备及存储介质
CN115081515A (zh) 能效评价模型构建方法、装置、终端及存储介质
WO2025123627A1 (zh) 建筑模型管理方法、系统和电子设备
CN118229244A (zh) 数字技术生产服务产教融合实训基地建设项目管理方法及系统
CN117454097A (zh) 一种数据清洗预测方法、装置、电子设备及存储介质
CN117669860A (zh) 电气设备能效评估方法、装置、设备及介质
CN118520055A (zh) 一种基于虚实融合的数据驾驶舱系统
CN111090554A (zh) 服务器性能测试时间的预测方法、装置、设备及存储介质
CN116910507A (zh) 一种异常检测方法及装置
CN114417980A (zh) 一种业务模型的建立方法、装置、电子设备及存储介质
CN116628836A (zh) 数据驱动的超临界翼型性能预测方法、系统及介质
CN114970114A (zh) 一种基于增强现实的虚拟仿真模型动态优化方法及系统
CN115146416A (zh) 一种工程机械液压系统模型参数辨识方法、装置和挖掘机
CN113283667A (zh) 一种海洋产业发展趋势分析方法
CN117044223A (zh) 发送数据设定辅助程序、网关装置及发送数据设定辅助方法
CN112785000A (zh) 面向大规模机器学习系统的机器学习模型训练方法及系统
CN110062458A (zh) 一种无线信号指纹库优化更新方法和装置

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2022576569

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22946442

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22946442

Country of ref document: EP

Kind code of ref document: A1