[发明专利]工业设备控制方法、电子装置及存储介质

权利要求书

1.一种工业设备控制方法，其特征在于，所述方法包括：

获取工业设备生产的产品产生预设缺陷类型时对应的传感数据、视觉数据及设备参数；

将所述传感数据、视觉数据及设备参数通过设备控制模型的嵌入层转换为单模态特征向量；

将所述传感数据、视觉数据及设备参数的单模态特征向量输入所述设备控制模型的深度学习层，并通过多模态隐式对齐的神经网络方法计算所述设备参数与所述传感数据和视觉数据的特征之间的相关性系数，以形成完成训练的深度学习层；

将所述工业设备实时采集并转换的传感数据、视觉数据及设备参数的单模态特征向量输入所述完成训练的深度学习层，计算缺陷概率；

根据计算得到的所述缺陷概率判断所述工业设备生产的产品是否存在所述预设缺陷类型；及

当判定所述工业设备生产的产品存在所述预设缺陷类型时，根据所述传感数据和视觉数据的单模态特征向量与标准单模态特征向量的差值及所述相关性系数确定跟踪误差，并通过迭代学习控制调整所述传感数据和视觉数据相关的设备参数。

2.如权利要求1所述的工业设备控制方法，其特征在于：所述将所述传感数据、视觉数据及设备参数通过设备控制模型的嵌入层转换为单模态特征向量包括：

在所述嵌入层对所述传感数据进行傅里叶变换以获取传感信号的特征频率和振幅；及

根据所述特征频率和振幅转换得到所述传感数据的多个单模态特征向量。

3.如权利要求2所述的工业设备控制方法，其特征在于，所述将所述传感数据、视觉数据及设备参数通过设备控制模型的嵌入层转换为单模态特征向量的步骤还包括：

在所述嵌入层采用主成分分析算法对所述视觉数据进行降维，以获取所述视觉数据对应的图像处理特征，从而转换所述视觉数据的单模态特征向量。

4.如权利要求3所述的工业设备控制方法，其特征在于，所述将所述传感数据、视觉数据及设备参数通过设备控制模型的嵌入层转换为单模态特征向量的步骤还包括：

通过所述嵌入层提取所述设备参数的最大值、最小值、平均值或均方值，以将所述设备参数转换为对应的单模态特征向量。

5.如权利要求1所述的工业设备控制方法，其特征在于，所述通过多模态隐式对齐的神经网络方法计算所述设备参数与所述传感数据和视觉数据的特征之间的相关性系数，并对所述设备控制模型的深度学习层进行训练的步骤包括：

根据所述传感数据、视觉数据及设备参数的单模态特征向量及对应的所述预设缺陷类型创建训练集；

根据所述训练集，通过所述多模态隐式对齐的神经网络方法计算所述预设缺陷类型所对应的所述设备参数与所述传感数据和视觉数据的特征之间的相关性系数；及

对所述相关性系数进行归一化处理以得到每个预设缺陷类型所对应的缺陷概率，形成所述完成训练的深度学习层。

6.如权利要求5所述的工业设备控制方法，其特征在于，所述通过多模态隐式对齐的神经网络方法计算所述设备参数与所述传感数据和视觉数据的特征之间的相关性系数，并对所述设备控制模型的深度学习层进行训练的步骤还包括：

根据所述工业设备生产已知缺陷类型的产品时的所述传感数据、视觉数据及设备参数的单模态特征向量创建训练集；

将所述训练集输入所述深度学习层，判断所述深度学习层输出的缺陷概率是否与所述已知缺陷类型所对应的预设缺陷概率相同或与所述已知缺陷类型所对应的预设缺陷类型的差值小于预设值；

若判定所述深度学习层输出的缺陷概率与所述已知缺陷类型所对应的预设缺陷概率相同或与所述已知缺陷类型所对应的预设缺陷类型的差值小于预设值，则形成所述完成训练的深度学习层；及

若判定所述深度学习层输出的缺陷概率与所述已知缺陷类型所对应的预设缺陷概率不同或与所述已知缺陷类型所对应的预设缺陷类型的差值大于或等于预设值，继续通过所述训练集对所述深度学习层进行训练，直至形成所述完成训练的深度学习层。