[发明专利]工业设备控制方法、电子装置及存储介质

说明书

本申请提供一种工业设备控制方法，包括：获取工业设备的传感数据、视觉数据及设备参数；将传感数据、视觉数据及设备参数转换为单模态特征向量；将单模态特征向量输入设备控制模型，计算设备参数与传感数据和视觉数据的特征之间的相关性系数，形成完成训练的深度学习层；将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深度学习层，计算缺陷概率；判断工业设备生产的产品是否存在预设缺陷类型；存在预设缺陷类型时，根据设备参数与传感数据和视觉数据的单模态特征向量及相关性系数确定跟踪误差，并调整设备参数。本申请还提供一种电子装置和存储介质。本申请基于多模态信息控制工业设备，提高了设备控制的智能化。

技术领域

本申请涉及工业设备管理技术领域，尤其涉及一种工业设备控制方法、电子装置及存储介质。

背景技术

随着工业技术的发展，工业设备的控制系统趋于智能化发展。控制系统通常由上位机和下位机组成，下位机通常采用单片机构成的可编程逻辑控制器，负责实时运动控制，上位机是常用的电脑，负责非实时任务。上位机、下位机和设备核心部件通过现场总线通信，基于设备信息对设备进行控制。然而，设备采集的信息往往不够全面，也无法整合多种类型的信息对设备进行控制，导致控制系统的智能化不足。

发明内容

有鉴于此，有必要提供一种工业设备控制方法、电子装置及存储介质，可以对传感数据、视觉数据及设备参数进行多模态信息融合，并基于多模态信息对工业设备进行控制。

本申请提供一种工业设备控制方法，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。

可选地，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所述传感数据的多个单模态特征向量。

可选地，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。

可选地，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。

可选地，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：