数据处理、生产控制方法、装置、设备和存储介质与流程

1.本技术涉及数据处理技术领域，特别是涉及一种数据处理方法和装置、一种生产控制方法和装置、一种电子设备和一种存储介质。


背景技术：

2.目前许多生产过程通常都是基于人工的经验进行控制，即使采用了一些控制方法，也多是基于人工的经验设置输入，只能实现半自动的控制，也常常仅能控制局部生产环节。
3.以水泥行业为例，企业如何在保证产量的同时降低能耗是亟待突破的问题。目前行业同上是采用先进控制(advanced process control，apc)方法进行生产控制，往往基于人工的经验来设置可控的变量和能耗的目标等，然后基于相应的控制算法进行优化，结合生产过程来人工调整参数。但是，这种方式只能实现局部回路的自动控制，进行局部优化，受现场设备和工况的变化影响较大，自适应能力比较差。


技术实现要素：

4.本技术实施例提供了一种数据处理方法，以自动的进行生产控制的优化调整。
5.相应的，本技术实施例还提供了一种数据处理装置、一种生产控制方法和装置、一种电子设备以及一种存储介质，用以保证上述方法的实现及应用。
6.为了解决上述问题，本技术实施例公开了一种数据处理方法，所述方法包括：确定设备的电耗变量，并依据所述电耗变量确定电耗分析器；依据所述电耗变量，确定控制变量之间的关系信息；依据所述关系信息和电耗分析器进行分析，确定对应的优化电耗变量，以便基于所述优化电耗变量对所述设备进行调整。
7.本技术实施例还公开了一种生产控制方法，所述方法包括：确定目标函数和约束条件；依据所述目标函数和约束条件，对设备的电耗分析器进行分析，确定对应的优化电耗变量；依据所述优化电耗变量，对所述设备的控制器进行调整，以便依据所述控制器调整所述设备的生产状态。
8.本技术实施例还公开了一种数据处理装置，包括：分析器确定模块，用于确定设备的电耗变量，并依据所述电耗变量确定电耗分析器；变量确定模块，用于依据所述电耗变量，确定控制变量之间的关系信息；变量优化模块，用于依据所述关系信息和电耗分析器进行分析，确定对应的优化电耗变量，以便基于所述优化电耗变量对所述设备进行调整。
9.本技术实施例还公开了一种生产控制装置，包括：优化模块，用于确定目标函数和约束条件；依据所述目标函数和约束条件，对设备的电耗分析器进行分析，确定对应的优化电耗变量；调整模块，用于依据所述优化电耗变量，对所述设备的控制器进行调整，以便依据所述控制器调整所述设备的生产状态。
10.本技术实施例还公开了一种电子设备，包括：处理器；和存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如本技术实施例中一个或多个
所述的方法。
11.本技术实施例还公开了一个或多个机器可读介质，其上存储有可执行代码，当所述可执行代码被执行时，使得处理器执行如本技术实施例中一个或多个所述的方法。
12.与现有技术相比，本技术实施例包括以下优点：
13.在本技术实施例中，针对设备可采集、分析来确定电耗变量，然后依据所述电耗变量确定电耗分析器，从而能够预测设备的能耗，然后依据所述电耗变量确定状态变量和目标变量，并确定所述状态变量和目标变量的关系信息，再依据所述关系信息和电耗分析器进行分析，确定对应的优化电耗变量，以便基于所述优化电耗变量对所述设备进行调整，能够利用机器学习、模糊规则、运筹优化等多种技术相结合，结合实时数据确定优化电耗变量，以便控制优化设备，降低能耗。
附图说明
14.图1是本技术实施例的一种水泥生料磨设备示例的优化控制示意图；
15.图2是本技术的一种数据处理方法实施例的步骤流程图；
16.图3是本技术的一种生产控制方法实施例的步骤流程图；
17.图4是本技术的一种数据处理装置实施例的结构框图；
18.图5是本技术的一种生产控制装置实施例的结构框图；
19.图6是本技术一实施例提供的装置的结构示意图。
具体实施方式
20.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
21.本技术实施例中可应用于设备控制领域，对设备的耗电等能耗进行优化，在保证设备生产进度、质量等的基础上，减少设备耗电量等能耗。以水泥生料磨设备为例，说明对于设备能耗的优化控制过程。实际处理中，本技术实施例可应用于各种类型的磨机设备的能耗控制场景，例如在粮食(米、面等)磨机设备，石灰磨机设备、装饰粉料磨机设备等各种设备的能耗优化控制场景中使用。
22.其中，水泥生料是由石灰质原料、黏土质原料及少量校正原料(有时还加入矿化剂、晶种等，立窑生产时还要加煤)按比例配合，粉磨到一定细度的物料。水泥生料磨是一种粉磨设备，可用于水泥、电力、化工、非金属矿产等行业，基于水泥生料可生产水泥，水泥生料磨设备为采用水泥生料生产水泥过程中所使用的一种设备。
23.参照图1，示出了本技术实施例的水泥生料磨设备示例的优化控制示意图。
24.步骤102，确定设备的电耗变量，并依据所述电耗变量确定电耗分析器。
25.可基于历史数据等离线数据来创建水泥生料磨设备的电耗分析器，该电耗分析器用于分析水泥生料磨设备的电耗情况，可基于一定的数学模型训练分析确定，也可称为电耗模型、电耗映射信息等，例如基于渐进梯度回归树(gradient boost regression tree，gbrt)创建电耗分析器，或者采用其他回归方法、数学算法等进行训练，可得到水泥生料磨设备的电耗分析器。
26.其中，数学模型是运用数理逻辑方法和数学语言建构的科学或工程模型，数学模
型是针对参照某种事物系统的特征或数量依存关系，采用数学语言，概括地或近似地表述出的一种数学结构，这种数学结构是借助于数学符号刻画出来的某种系统的纯关系结构。数学模型可以是一个或一组代数方程、微分方程、差分方程、积分方程或统计学方程及其组合，通过这些方程定量地或定性地描述系统各变量之间的相互关系或因果关系。除了用方程描述的数学模型外，还有用其他数学工具，如代数、几何、拓扑、数理逻辑等描述的模型。数学模型描述的是系统的行为和特征而不是系统的实际结构。
27.本技术实施例为水泥生料磨设备构建电耗分析器，分析该设备的电耗情况，例如如何调整变量以减少电耗，电耗与各变量之间的关系等。该电耗分析器可确定水泥生料磨设备的单位电耗以及相关影响因素。
28.在一个可选实施例中，所述确定设备的电耗变量，并依据所述电耗变量确定电耗分析器，包括：确定设备的电耗计算公式；对所述电耗计算公式中的变量进行分析，确定对应的电耗变量；依据所述电耗变量确定电耗特征信息，依据所述电耗特征信息对所述电耗分析器进行训练。
29.首先可以确定该设备中与电耗相关的各种变量，并依据与电耗相关的各种变量创建该设备的电耗计算公式。其中，以水泥生料磨为例，可预先在水泥生料磨的相关点位设置传感器等组件，或者通过其他方式来确定相关点位的电耗，从而能够调研生料磨相关点位的电耗，确定该对应的电耗计算公式。其中，电耗的相关点位可依据水泥生料磨中用电器件确定，一个示例中，相关点位可包括：生料磨主电机、循环风机电机、尾排风机、生料磨选粉机、循环斗提、入库斗提、入磨皮带、各种类型的皮带、电机等用电器件，确定各用户器件的电流等电耗信息。
30.然后可基于相关位点确定电耗计算公式，一种生料磨的电耗计算公式如下示例所示：
31.单位电耗＝0.8*[(生料磨主电机电流 循环风机电机电流 尾排风机电流)*10000 (生料磨选粉机电流反馈 循环斗提电流 入库斗提电流 入磨皮带电流 3511皮带电流 4104电机电流 4107皮带电流)*380)/3.94*(入库斗提电流-107)]
[0032]
其中，3511皮带、4107皮带为不同型号的皮带，4104电机为某一型号的电机，上述仅为一种生料磨的电耗计算公式的示例，实际处理中还可基于具体的生料磨型号、及其所包含的用电器件确定，应用在其他磨机设备中，也可基于该磨机设备的型号、所包含的用电器件等确定位点，生成相应的电耗计算公式，本技术实施例对此不做限制。
[0033]
然后可以对所述电耗计算公式中的变量进行分析，对应各变量对于电耗的影响，其中，可基于各变电对设备的电耗的相关性、重要性等进行分析，选取部分或全部作为电耗变量。一个可选实施例中，所述对所述电耗计算公式中的变量进行分析，确定对应的电耗变量，包括：确定所述电耗计算公式中的变量和设备电耗信息的相关度；创建所述设备的电耗分析器，并依据所述电耗分析器确定所述变量的重要度；依据所述相关度和重要度确定对应的电耗变量。
[0034]
可以将电耗计算公式所计算的单位电耗作为该设备的电耗信息，在依据相关位点确定电耗计算公式及其变量后，可以计算每个变量的小时均值，也就是针对每个变量计算其在每小时的均值，如各用户器件每小时的电流均值等。然后可以计算每个变量和生料磨的电耗的相关性，可集合上述电耗计算公式和变量的均值等信息计算各变量和生料磨的电
耗的相关度，并按照相关度对变量进行排序，如由大到小排序等。
[0035]
再基于各个变量和电耗计算公式，基于gbrt模型构建设备的电耗分析器，基于该电耗分析器还可分析出各个变量对生料磨设备的电耗的重要性，确定对应的重要度，然后将变量按照重要度进行排序，如由大到小排序等。
[0036]
在一个可选实施例中，所述依据所述相关度和重要度确定对应的电耗变量，包括：将所述变量按照相关度进行排序并确定对应的相关度曲线，依据所述相关度曲线确定相关度拐点，按照所述相关度拐点选取第一变量；将所述变量按照重要度进行排序并确定对应的重要度曲线，依据所述相关度曲线确定重要度拐点，按照所述重要度拐点选取第二变量；依据所述第一变量和第二变量确定对应的电耗变量。
[0037]
基于各变量对电耗的相关度和重要度可以选取关键因素作为电耗变量。可将变量按照相关度及排序构建相关度曲线，计算相关度曲线各点(变量的相关度)之间的斜率等信息，从而确定出该相关度曲线的相关度拐点，相关度拐点指的是相关度曲线变化较大的点，如可基于斜率等确定，然后可以按照拐点选择之前或之后的变量作为第一变量，其中，基于拐点的选择与排序的顺序相关。例如按照相关度由大到小排序，则可选取拐点之前的变量作为第一变量。
[0038]
与相关度类似，可将可将重要按照相关度及排序构建相关度曲线，计算重要度曲线各点(变量的重要度)之间的斜率等信息，从而确定出该重要度曲线的重要度拐点，相关度拐点指的是重要度曲线变化较大的点，如可基于斜率等确定，然后可以按照拐点选择之前或之后的变量作为第一变量，其中，基于拐点的选择与排序的顺序相关。例如按照重要度由大到小排序，则可选取拐点之前的变量作为第二变量。
[0039]
然后可以依据第一变量和第二变量确定关键因素作为电耗变量，例如可以取第一变量和第二变量的交集或并集的变量作为电耗变量，还可创建电耗变量组。在另外的一些实施例中，还可将生料磨的压差，出磨风温加入电耗变量组中。
[0040]
在确定出电耗变量之后，可确定该电耗变量的电耗特征信息，然后依据该电耗特征信息对电耗分析器进行训练，得到满足需求的电耗分析器。一个可选实施例中，所述依据所述电耗变量确定电耗特征信息，依据所述电耗特征信息对所述电耗分析器进行训练，包括：确定设备电耗信息和不同时刻的电耗变量之间的相关度；将电耗变量按照不同时刻的相关度进行排序，确定所述电耗变量的电耗特征信息；依据所述电耗变量的电耗特征信息，对所述电耗分析器进行训练，确定所需的电耗分析器。
[0041]
按照时间获取各个变量的变量值，对于一些为空值的情况，可以采用前一个时刻的变量值填充，从而获取一点时间段内的连续变量值。然后可以基于该时间段内的电耗值作为设备电耗信息，并计算各变量在该时间段内的均值，例如10秒内的设备电耗信息和各变量的均值。
[0042]
然后针对每个电耗变量，计算设备电耗信息和不同时刻的电耗变量之间的相关度，例如计算t时刻的电耗信息和t,t-1,t-2,
…
等时刻的电耗变量之间的相关度。针对每个电耗变量，将变量按照不同时刻的相关度的大小进行排序，选择相关度最大的时刻，可以依据每个电耗变量的相关度最大的时刻，确定该电耗变量的电耗特征信息。依据各个电耗变量的电耗特征信息对该电耗分析器进行训练，调整各个变量的参数等，直到结果满足需求，完成训练，得到所需的电耗分析器。
[0043]
本技术实施例具备极强的机器学习能力，将时序建模、特征筛选等技术融合，建立了能耗预测的模型，如电耗分析器等。上述基于电耗相关的变量数据建模得到电耗分析器，实际处理中，还可基于其他与能够相关的变量建模，得到对应的能耗分析器，本技术实施例对此不做限制。
[0044]
步骤104，依据所述电耗变量确定控制变量之间的关系信息。
[0045]
本技术实施例还可基于生料磨设备所处的不同状态，来确定与电耗相关的不同控制变量之间的关系。其中，控制变量包括状态变量和目标变量，可以基于模糊控制策略结合对应场景的特征进行饱磨/空磨识别，其中，饱磨指的是生料磨设备中满载物料的生产状态，空磨指的是生料磨设备中没有物料的生产状态。
[0046]
因此可依据所述电耗变量确定状态变量和目标变量，并确定所述状态变量和目标变量的关系信息。首先可基于电耗变量确定状态变量和目标变量，其中，状态变量指的是设备中模糊控制(不能够直接控制)的变量，目标变量指的是设备中可直接控制的变量，状态变量、目标变量可为电耗变量，也可为其他与电耗相关的变量。在一些示例中，模糊控制的状态变量可以包括压差，料层厚度，磨机电流，风压，振动等变量；直接控制的目标变量可以包括喂料量的变化，压差的变化范围等变量。在一些实施例中，模糊控制部分还可使用专家规则替代，从而能够确定相应的状态变量。
[0047]
一个可选实施例中，所述确定所述状态变量和目标变量的关系信息，包括：确定所述状态变量和目标变量的隶属度函数。可以根据设备对应环境的特征和所述状态变量的数据、目标变量的数据等，确定出状态变量和目标变量的隶属度函数。其中，状态变量和目标变量通常具有一定的关联，例如状态变量中的压差和目标变量中的压差的变化范围，压差难以直接控制，但可以控制压差范围，因此可以状态变量可以确定与之相关的目标变量，则可以创建状态变量和目标变量的隶属度函数，确定状态变量对目标变量的隶属度信息。在一些实施例中，对于状态变量和目标变量的关系信息，可基于专家规则确定状态变量，进而确定状态变量和目标变量的隶属度函数。
[0048]
在后续的处理过程中，就可以基于实时数据，在线调整、优化隶属度函数，使得对于目标变量的控制能够符合所处场景的逻辑。
[0049]
本技术实施例具备在线更新的能力，使用模式识别和模糊规则等技术，根据生产工况，自动更新优化。
[0050]
步骤106，依据所述关系信息和电耗分析器进行分析，确定对应的优化电耗变量，以便基于所述优化电耗变量对所述设备进行调整。
[0051]
本技术实施例可以能耗优化为目标，在各种生产约束条件下，建立优化问题，结合运筹优化方法进行求解，从而获得优化电耗变量。
[0052]
一个可选实施例中，可依据所述关系信息和电耗分析器进行分析，确定对应的优化电耗变量，包括：依据优化目标函数、约束条件和电耗变量，确定优化信息；依据所述优化信息对所述电耗分析器进行分析，确定对应的优化电耗变量。
[0053]
可以确定优化问题的目标函数，例如以电耗最小为目标函数，并且确定求解该优化问题的约束条件和变量，构建优化问题的数据模型作为优化信息。其中，可以依据状态变量、目标变量确定约束条件，采用电耗变量作为变量，结合电耗分析器以电耗最小为目标，进行优化问题的求解。在另外一些实施例中，还可基于用户的需求信息确定优化目标函数
和/或约束条件，从而能够基于用户的不同需求、如对于成本、电耗、原料等的需求来设置优化目标、约束条件等，实现不同的模糊控制以及预测建模的档位。因此在一些示例中，也可基于用户需求信息设置不同等级的优化问题，不同等级的优化问题对应相应的优化目标函数、约束条件，从而能够控制实现对电耗分析器的不同优化处理，确定对应的优化电耗变量。
[0054]
进一步的可选实施例中，所述依据所述优化信息对所述电耗分析器进行分析，确定对应的优化电耗变量，包括：根据生产数据对所述电耗分析器进行修正，确定修正的电耗分析器；依据所述关系信息对所述约束条件进行修正，确定修正的约束条件；依据所述优化信息和修正的约束条件，对所述修正的电耗分析器进行分析，确定对应的优化电耗变量。
[0055]
由于电耗分析器是基于历史数据训练得到的，在生产过程中使用时，对于实时的生产数据的预测可能不准确，因此可基于实时的生产数据对电耗分析器进行修正，根据单位电耗模型实时的预测偏差，对预测模型进行在线修正，以适应工况的变化。一个示例中，可以将实时的生产数据输入到电耗分析器中进行分析，确定对应的电耗信息，依据所述电耗信息和实时的生产数据的电耗进行比较，确定对应的偏差信息，所述偏差信息对所述电耗分析器进行修正，通过上述方式不断的修正电耗分析器，直到电耗分析器对生产数据的分析预测结果满足生产需求，如达到准确度的要求等，得到修正的电耗分析器。本技术实施例具备自适应学习能力，根据实时的生产数据和实时的预测结果，在线调优能耗预测模型。
[0056]
本技术实施例中，约束条件指的是对电耗进行优化调整过程中的条件，如振动的范围不能过大，料层的厚度要符合一定的需求等。基于状态变量、目标变量确定约束条件，因此可基于上述饱磨/空磨的在线识别可确定出状态变量和目标变量的关系信息，如状态变量和目标变量的隶属度函数等，修正该约束条件，基于状态变量和目标变量的隶属度函数，对所述约束条件进行修正，确定修正的约束条件，根据实时的生产函数，在线调优隶属度函数，保证控制的目标变量符合所处场景的逻辑，从而得到修正的约束条件。
[0057]
然后可以使用运筹优化技术求解优化问题，依据所述优化信息和修正的约束条件，对所述修正的电耗分析器进行分析，在满足约束条件的基础上，调整电耗变量，使得修正的电耗分析器的输出结果能够达到目标函数，通过不断的优化求解，得到电耗变量的优化值，从而确定优化电耗变量，如循环风门、压差和出口温度的优化设定值等。
[0058]
本技术实施例具备自动寻找优化参数设定的能力，利用机器学习和相关知识建立数学模型等方式，在线求解优化设定值。
[0059]
步骤108，依据所述优化电耗变量，对所述设备的控制器进行调整，以便依据所述控制器调整所述设备的生产状态。
[0060]
本技术实施例基于上述方式求解出优化的电耗变量之后，可以应用到设备的生产控制中，每个设备对应的控制器，各控制器可基于各种控制方式确定，在传输优化电耗变量给设备的控制器后，设备的控制器可控制电耗变量为优化电耗变量，如将电耗变量维持在优化推荐的优化设定值上，例如控制喂料量、喷水阀门、循环风门等，从而保证设备的生产过程可以维持在优化电耗变量上，从而减少电耗等能耗。
[0061]
其中，设备对应的控制器可基于模型预测控制(model predictive control，mpc)、pid(proportion integral differential，比例积分微分)等控制算法训练得到，选择合适的控制变量，保证设备的关键变量维持在优化推荐的优化设定值上。其中，mpc算法
是一种进阶过程控制方法，pid控制算法是结合比例、积分、微分三种环节于一体的控制算法。
[0062]
针对设备可采集、分析来确定电耗变量，然后依据所述电耗变量确定电耗分析器，从而能够预测设备的能耗，然后依据所述电耗变量确定状态变量和目标变量，并确定所述状态变量和目标变量的关系信息，再依据所述关系信息和电耗分析器进行分析，确定对应的优化电耗变量，以便基于所述优化电耗变量对所述设备进行调整，能够利用机器学习、模糊规则、运筹优化等多种技术相结合，结合实时数据确定优化电耗变量，以便控制优化设备，降低能耗。
[0063]
本技术实施例能够对生料磨系统进行全局多变量的实时精细化操作，实现多变量协同的小幅微调，实现生料磨系统真正意义上的全局优化，提高产线生产稳定性，降低能耗。
[0064]
在上述实施例的基础上，本技术实施例还提供了一种数据处理方法，能够结合机器学习，模式识别，运筹优化等方式实现对设备的能耗优化。
[0065]
参照图2，示出了本技术的一种数据处理方法实施例的步骤流程图。
[0066]
步骤202，确定设备的电耗计算公式。通过对关键位点数据的收集，建立设备的电耗计算公式。
[0067]
步骤204，对所述电耗计算公式中的变量进行分析，确定对应的电耗变量。
[0068]
其中，所述对所述电耗计算公式中的变量进行分析，确定对应的电耗变量，包括：确定所述电耗计算公式中的变量和设备电耗信息的相关度；创建所述设备的电耗分析器，并依据所述电耗分析器确定所述变量的重要度；依据所述相关度和重要度确定对应的电耗变量。
[0069]
进一步的可选实施例中，所述依据所述相关度和重要度确定对应的电耗变量，包括：将所述变量按照相关度进行排序并确定对应的相关度曲线，依据所述相关度曲线确定相关度拐点，按照所述相关度拐点选取第一变量；将所述变量按照重要度进行排序并确定对应的重要度曲线，依据所述相关度曲线确定重要度拐点，按照所述重要度拐点选取第二变量；依据所述第一变量和第二变量确定对应的电耗变量。
[0070]
步骤206，依据所述电耗变量确定电耗特征信息，依据所述电耗特征信息对所述电耗分析器进行训练。
[0071]
其中，所述依据所述电耗变量确定电耗特征信息，依据所述电耗特征信息对所述电耗分析器进行训练，包括：确定设备电耗信息和不同时刻的电耗变量之间的相关度；将电耗变量按照不同时刻的相关度进行排序，确定所述电耗变量的电耗特征信息；依据所述电耗变量的电耗特征信息，对所述电耗分析器进行训练，确定所需的电耗分析器。
[0072]
步骤208，依据所述电耗变量确定状态变量和目标变量。
[0073]
步骤210，确定所述状态变量和目标变量的隶属度函数。
[0074]
步骤212，依据优化目标函数、约束条件和电耗变量，确定优化信息。
[0075]
步骤214，依据所述优化信息对所述电耗分析器进行分析，确定对应的优化电耗变量。
[0076]
其中，所述依据所述优化信息对所述电耗分析器进行分析，确定对应的优化电耗变量，包括：根据生产数据对所述电耗分析器进行修正，确定修正的电耗分析器；依据所述
关系信息对所述约束条件进行修正，确定修正的约束条件；依据所述优化信息和修正的约束条件，对所述修正的电耗分析器进行分析，确定对应的优化电耗变量。
[0077]
本技术实施例各步骤与上述实施例中对应步骤类似，具体可参见上述实施例的描述。
[0078]
从而能够通过模型训练来自动寻找优化参数设定，并能够基于实时工况的变化和实时数据进行自适应的学习，能够在线更新模型。
[0079]
在上述实施例的基础上，本技术实施例还提供了一种生产控制方法，能够结合机器学习，模式识别，运筹优化和控制算法开发水泥生料磨的协调优化策略，实现设备的能耗优化和控制优化。
[0080]
参照图3，示出了本技术的一种生产控制方法实施例的步骤流程图。
[0081]
步骤302，确定目标函数和约束条件。
[0082]
步骤304，依据所述目标函数和约束条件，对设备的电耗分析器进行分析，确定对应的优化电耗变量。
[0083]
其中，电耗分析器可依据电耗变量确定，包括：确定设备的电耗计算公式；对所述电耗计算公式中的变量进行分析，确定对应的电耗变量；依据所述电耗变量确定电耗特征信息，依据所述电耗特征信息对所述电耗分析器进行训练。
[0084]
所述对所述电耗计算公式中的变量进行分析，确定对应的电耗变量，包括：确定所述电耗计算公式中的变量和设备电耗信息的相关度；创建所述设备的电耗分析器，并依据所述电耗分析器确定所述变量的重要度；依据所述相关度和重要度确定对应的电耗变量。所述依据所述相关度和重要度确定对应的电耗变量，包括：将所述变量按照相关度进行排序并确定对应的相关度曲线，依据所述相关度曲线确定相关度拐点，按照所述相关度拐点选取第一变量；将所述变量按照重要度进行排序并确定对应的重要度曲线，依据所述相关度曲线确定重要度拐点，按照所述重要度拐点选取第二变量；依据所述第一变量和第二变量确定对应的电耗变量。
[0085]
所述依据所述电耗变量确定电耗特征信息，依据所述电耗特征信息对所述电耗分析器进行训练，包括：确定设备电耗信息和不同时刻的电耗变量之间的相关度；将电耗变量按照不同时刻的相关度进行排序，确定所述电耗变量的电耗特征信息；依据所述电耗变量的电耗特征信息，对所述电耗分析器进行训练，确定所需的电耗分析器。
[0086]
约束条件可依据状态变量和目标变量确定，在确定出状态变量和目标变量后，可确定所述状态变量和目标变量的隶属度函数，从而可基于确定所述状态变量和目标变量的隶属度函数，修正约束条件。
[0087]
一个可选实施例中，依据所述目标函数和约束条件，对设备的电耗分析器进行分析，确定对应的优化电耗变量，包括：依据优化目标函数、约束条件和电耗变量，确定优化信息；依据所述优化信息对所述电耗分析器进行分析，确定对应的优化电耗变量。
[0088]
所述依据所述优化信息对所述电耗分析器进行分析，确定对应的优化电耗变量，包括：根据生产数据对所述电耗分析器进行修正，确定修正的电耗分析器；依据所述关系信息对所述约束条件进行修正，确定修正的约束条件；依据所述优化信息和修正的约束条件，对所述修正的电耗分析器进行分析，确定对应的优化电耗变量。
[0089]
步骤306，依据所述优化电耗变量，对所述设备的控制器进行调整，以便依据所述
控制器调整所述设备的生产状态。
[0090]
本技术实施例各步骤与上述实施例中对应步骤类似，具体可参见上述实施例的描述。从而能够对系统进行生产状态识别，并根据状态调整、优化。
[0091]
本示例以水泥生产为例，基于对水泥生产流程的深入探索和研究，结合实际的项目经验，对水泥行业数据进行标准化采集和处理，同时融合数据智能算法和生产机理开发出生料磨能耗优化解决方式，应用于水泥产线上的生料磨场景，达到自动控制，节能降耗的目的。上述以水泥生产为例，实际还可应用到其他生产过程中，如电力、化工、非金属矿产等行业的生产过程，结合生产过程中的各种变量进行控制，降低能耗。
[0092]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术实施例并不受所描述的动作顺序的限制，因为依据本技术实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本技术实施例所必须的。
[0093]
在上述实施例的基础上，本实施例还提供了一种数据处理装置，应用于终端设备、服务器等电子设备中。
[0094]
参照图4，示出了本技术的一种数据处理装置实施例的结构框图，具体可以包括如下模块：
[0095]
分析器确定模块402，用于确定设备的电耗变量，并依据所述电耗变量确定电耗分析器。
[0096]
变量确定模块404，用于依据所述电耗变量，确定控制变量之间的关系信息。
[0097]
变量优化模块406，用于依据所述关系信息和电耗分析器进行分析，确定对应的优化电耗变量，以便基于所述优化电耗变量对所述设备进行调整。
[0098]
综上，针对设备可采集、分析来确定电耗变量，然后依据所述电耗变量确定电耗分析器，从而能够预测设备的能耗，然后依据所述电耗变量确定状态变量和目标变量，并确定所述状态变量和目标变量的关系信息，再依据所述关系信息和电耗分析器进行分析，确定对应的优化电耗变量，以便基于所述优化电耗变量对所述设备进行调整，能够利用机器学习、模糊规则、运筹优化等多种技术相结合，结合实时数据确定优化电耗变量，以便控制优化设备，降低能耗。
[0099]
其中，所述分析器确定模块包括：公式确定子模块、电耗变量确定子模块和训练子模块，其中：
[0100]
所述公式确定子模块，用于确定设备的电耗计算公式；
[0101]
所述电耗变量确定子模块，用于对所述电耗计算公式中的变量进行分析，确定对应的电耗变量；
[0102]
所述训练子模块，用于依据所述电耗变量确定电耗特征信息，依据所述电耗特征信息对所述电耗分析器进行训练。
[0103]
所述电耗变量确定子模块，用于确定所述电耗计算公式中的变量和设备电耗信息的相关度；创建所述设备的电耗分析器，并依据所述电耗分析器确定所述变量的重要度；依据所述相关度和重要度确定对应的电耗变量。
[0104]
所述电耗变量确定子模块，用于将所述变量按照相关度进行排序并确定对应的相
关度曲线，依据所述相关度曲线确定相关度拐点，按照所述相关度拐点选取第一变量；将所述变量按照重要度进行排序并确定对应的重要度曲线，依据所述相关度曲线确定重要度拐点，按照所述重要度拐点选取第二变量；依据所述第一变量和第二变量确定对应的电耗变量。
[0105]
所述训练子模块，用于确定设备电耗信息和不同时刻的电耗变量之间的相关度；将电耗变量按照不同时刻的相关度进行排序，确定所述电耗变量的电耗特征信息；依据所述电耗变量的电耗特征信息，对所述电耗分析器进行训练，确定所需的电耗分析器。
[0106]
其中，所述控制变量包括：状态变量和目标变量；所述变量确定模块404，用于依据所述电耗变量确定状态变量和目标变量，并确定所述状态变量和目标变量的关系信息。
[0107]
所述变量确定模块404，用于确定所述状态变量和目标变量的隶属度函数。
[0108]
所述变量优化模块406，用于依据优化目标函数、约束条件和电耗变量，确定优化信息；依据所述优化信息对所述电耗分析器进行分析，确定对应的优化电耗变量。
[0109]
所述变量优化模块406，用于根据生产数据对所述电耗分析器进行修正，确定修正的电耗分析器；依据所述关系信息对所述约束条件进行修正，确定修正的约束条件；依据所述优化信息和修正的约束条件，对所述修正的电耗分析器进行分析，确定对应的优化电耗变量。
[0110]
所述装置还包括：生产调整模块，用于依据所述优化电耗变量，对所述设备的控制器进行调整，以便依据所述控制器调整所述设备的生产状态。
[0111]
本技术实施例中，所述设备包括水泥生料磨设备。
[0112]
本技术实施例能够对生料磨系统进行全局多变量的实时精细化操作，实现多变量协同的小幅微调，实现生料磨系统真正意义上的全局优化，提高产线生产稳定性，降低能耗。
[0113]
在上述实施例的基础上，本实施例还提供了一种生产控制装置，应用于终端设备、服务器等电子设备中。
[0114]
参照图5，示出了本技术的一种生产控制装置实施例的结构框图，具体可以包括如下模块：
[0115]
优化模块502，用于确定目标函数和约束条件；依据所述目标函数和约束条件，对设备的电耗分析器进行分析，确定对应的优化电耗变量。
[0116]
调整模块504，用于依据所述优化电耗变量，对所述设备的控制器进行调整，以便依据所述控制器调整所述设备的生产状态。
[0117]
从而能够对系统进行生产状态识别，并根据状态调整、优化。
[0118]
本示例以水泥生产为例，基于对水泥生产流程的深入探索和研究，结合实际的项目经验，对水泥行业数据进行标准化采集和处理，同时融合数据智能算法和生产机理开发出生料磨能耗优化解决方式，应用于水泥产线上的生料磨场景，达到自动控制，节能降耗的目的。上述以水泥生产为例，实际还可应用到其他生产过程中，如电力、化工、非金属矿产等行业的生产过程，结合生产过程中的各种变量进行控制，降低能耗。
[0119]
本技术实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本技术实施例中各方法步骤的指令(instructions)。
[0120]
本技术实施例提供了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得电子设备执行如上述实施例中一个或多个所述的方法。本技术实施例中，所述电子设备包括终端设备、服务器(集群)等各类型的设备。
[0121]
本公开的实施例可被实现为使用任意适当的硬件，固件，软件，或及其任意组合进行想要的配置的装置，该装置可包括终端设备、服务器(集群)等电子设备。图6示意性地示出了可被用于实现本技术中所述的各个实施例的示例性装置600。
[0122]
对于一个实施例，图6示出了示例性装置600，该装置具有一个或多个处理器602、被耦合到(一个或多个)处理器602中的至少一个的控制模块(芯片组)604、被耦合到控制模块604的存储器606、被耦合到控制模块604的非易失性存储器(nvm)/存储设备608、被耦合到控制模块604的一个或多个输入/输出设备610，以及被耦合到控制模块604的网络接口612。
[0123]
处理器602可包括一个或多个单核或多核处理器，处理器602可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中，装置600能够作为本技术实施例中所述终端设备、服务器(集群)等设备。
[0124]
在一些实施例中，装置600可包括具有指令614的一个或多个计算机可读介质(例如，存储器606或nvm/存储设备608)以及与该一个或多个计算机可读介质相合并被配置为执行指令614以实现模块从而执行本公开中所述的动作的一个或多个处理器602。
[0125]
对于一个实施例，控制模块604可包括任意适当的接口控制器，以向(一个或多个)处理器602中的至少一个和/或与控制模块604通信的任意适当的设备或组件提供任意适当的接口。
[0126]
控制模块604可包括存储器控制器模块，以向存储器606提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
[0127]
存储器606可被用于例如为装置600加载和存储数据和/或指令614。对于一个实施例，存储器606可包括任意适当的易失性存储器，例如，适当的dram。在一些实施例中，存储器606可包括双倍数据速率类型四同步动态随机存取存储器(ddr4sdram)。
[0128]
对于一个实施例，控制模块604可包括一个或多个输入/输出控制器，以向nvm/存储设备608及(一个或多个)输入/输出设备610提供接口。
[0129]
例如，nvm/存储设备608可被用于存储数据和/或指令614。nvm/存储设备608可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(hdd)、一个或多个光盘(cd)驱动器和/或一个或多个数字通用光盘(dvd)驱动器)。
[0130]
nvm/存储设备608可包括在物理上作为装置600被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，nvm/存储设备608可通过网络经由(一个或多个)输入/输出设备610进行访问。
[0131]
(一个或多个)输入/输出设备610可为装置600提供接口以与任意其他适当的设备通信，输入/输出设备610可以包括通信组件、音频组件、传感器组件等。网络接口612可为装置600提供接口以通过一个或多个网络通信，装置600可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入基于通信标准的无线网络，如wifi、2g、3g、4g、5g等，或它们的组合进行无线通信。
[0132]
对于一个实施例，(一个或多个)处理器602中的至少一个可与控制模块604的一个或多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器602中的至少一个可与控制模块604的一个或多个控制器的逻辑封装在一起以形成系统级封装(sip)。对于一个实施例，(一个或多个)处理器602中的至少一个可与控制模块604的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器602中的至少一个可与控制模块604的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(soc)。
[0133]
在各个实施例中，装置600可以但不限于是：服务器、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，装置600可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，装置600包括一个或多个摄像机、键盘、液晶显示器(lcd)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(asic)和扬声器。
[0134]
其中，检测装置中可采用主控芯片作为处理器或控制模块，传感器数据、位置信息等存储到存储器或nvm/存储设备中，传感器组可作为输入/输出设备，通信接口可包括网络接口。
[0135]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0136]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0137]
本技术实施例是参照根据本技术实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端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数据处理终端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/或方框图一个方框或多个方框中指定的功能的装置。
[0138]
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数据处理终端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/或方框图一个方框或多个方框中指定的功能。
[0139]
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终端设备上，使得在计算机或其他可编程终端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终端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。
[0140]
尽管已描述了本技术实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术实施例范围的所有变更和修改。
[0141]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作
之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0142]
以上对本技术所提供的一种数据处理方法和装置，一种生产控制方法和装置，一种电子设备和一种存储介质，进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。