一种洁净室门状态管理系统、方法、装置及存储介质与流程

1.本发明涉及洁净室门状态管理领域，具体涉及一种洁净室门状态管理方法、系统、装置及存储介质。


背景技术：

2.根据gmp对洁净室的环境要求，洁净区与非洁净区之间、不同级别洁净区之间的压差应当不低于10帕斯卡。必要时，相同洁净度级别的不同功能区域(操作间)之间也应当保持适当的压差梯度。
3.洁净室风管道上安装有变风量阀，与房间压差传感器进行联动，实时保持房间压差的设定值。在洁净室门开启时，房间压差不可控；即使马上关闭，变风量阀也来不及反应，使得房间压差要经过一段时间才能达到设定值。
4.因此需要一种可靠的门状态收集器、反馈装置，让门的开闭状态信号有效的传输到变风量阀控制器，使其可控。


技术实现要素：

5.本发明的目的在于提供一种洁净室门状态管理方法。以期解决背景技术中存在的技术问题。
6.为了实现上述目的，本发明采用以下技术方案：
7.一种洁净室门状态管理系统，包括
8.状态收集模块，用于采集若干个被测门的门磁信号；
9.状态判断模块，用于基于所述若干个被测门的门磁信号，确定门体状态信号；
10.状态反馈模块，用于将所述门体状态信号反馈至变风量阀；
11.所述变风量阀用于基于所述门体状态信号，确定压差控制指令。
12.在一些实施例中，所述门体状态信号包括闭点信号和开点信号。
13.在一些实施例中，所述门体状态信号包括实时状态信号和未来状态信号。
14.在一些实施例中，所述未来状态信号基于若干历史时间点的历史实时状态信号预测得到。
15.在一些实施例中，确定未来状态信号包括：
16.获取所述若干个被测门在若干个历史时间点的历史实时状态信号，生成历史状态序列；
17.基于预测模型对历史状态序列的处理，确定未来状态信号。以便基于未来状态信号进行压差控制的预备。
18.同时，本发明还公开了一种洁净室门状态管理方法，包括
19.基于状态收集模块采集若干个被测门的门磁信号；
20.通过状态判断模块，基于所述若干个被测门的门磁信号，确定门体状态信号；
21.通过状态反馈模块将所述门体状态信号反馈至变风量阀；
22.基于变风量阀，根据所述门体状态信号，确定压差控制指令。
23.同时，本发明还公开了一种洁净室门状态管理装置，所述装置包括至少一个处理器以及至少一个存储器；
24.所述至少一个存储器用于存储计算机指令；
25.所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现上述的洁净室门状态管理方法。
26.同时，本发明还公开了一种计算机可读存储介质，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现上述的方法。
27.有益效果
28.本发明与现有技术相比，其显著优点是：
29.通过本发明的技术方案可以实现节省初投资，减少布线距离，节省人工安装费。同时，通过模块化的方式，减少了接线头的存在，提高了安全性与可靠性。也方便后续维护、检修。同时，基于历史门体状态对未来时间点的门体状态进行预测，可以实现体现进行压差控制的准备，在以保障洁净室压差的稳定性。
附图说明
30.图1是本实施例涉及洁净室门状态管理系统示意图；
31.图2是本实施例涉及的洁净室门状态管理方法的流程示意图；
32.图3是本实施例涉及的预测模型的示意图。
具体实施方式
33.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
34.相反，本技术涵盖任何由权利要求定义的在本技术的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本技术有更好的了解，在下文对本技术的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本技术。
35.以下将结合图1-3对本技术实施例所涉及的一种洁净室门状态管理方法进行详细说明。值得注意的是，以下实施例仅仅用于解释本技术，并不构成对本技术的限定。
36.实施例1
37.如图1所示，本发明还公开了一种洁净室门状态管理系统100，包括：
38.状态收集模块110，用于采集若干个被测门的门磁信号。例如，状态收集模块110可以用于收集2-8道门的门磁信号。具体如，每个被测门可以安装相应的门磁开关，基于门磁开关可以监测被测门是否关闭。
39.状态判断模块120，用于基于所述若干个被测门的门磁信号，确定门体状态信号。在一些实施例中，状态判断模块120可以对获取到的门磁信号进行逻辑判断，并在逻辑判断后统一输出一个门体状态信号。
40.在一些实施例中，所述门体状态信号包括闭点信号和开点信号。例如，若所有的门
都未关闭状态，则状态判断模块120可以输出闭点信号。若有任意一道门为打开状态，则状态判断模块120可以输出开点信号。
41.在一些实施例中，所述门体状态信号包括实时状态信号和未来状态信号。
42.在一些实施例中，所述未来状态信号基于若干历史时间点的历史实时状态信号预测得到。
43.在一些实施例中，确定未来状态信号包括：
44.获取所述若干个被测门在若干个历史时间点的历史实时状态信号，生成历史状态序列；
45.基于预测模型对历史状态序列的处理，确定未来状态信号。以便基于未来状态信号进行压差控制的预备。关于预测模型的具体说明参见图3的相应内容。
46.状态反馈模块130，用于将所述门体状态信号反馈至变风量阀140。例如，状态反馈模块130可以通过任意可行的网络通讯模式将门体状态信号反馈至变风量阀140。
47.变风量阀140，用于基于所述门体状态信号，确定压差控制指令。例如，变风量阀140可以基于门体的开关状态，确认是否需要对洁净室进行加压。
48.在一些实施例中，在门体状态信号包括未来状态信号时，变风量阀140可以基于未来时间点及其对应的门体状态信号，提前进行加压或进行加压准备，以便位置洁净室的压差的稳定。
49.如图2所示，本发明还公开了一种洁净室门状态管理方法200，包括：
50.步骤210，基于状态收集模块采集若干个被测门的门磁信号。
51.例如，状态收集模块110可以用于收集2-8道门的门磁信号。具体如，每个被测门可以安装相应的门磁开关，基于门磁开关可以监测被测门是否关闭。
52.步骤220，通过状态判断模块，基于所述若干个被测门的门磁信号，确定门体状态信号。
53.在一些实施例中，状态判断模块120可以对获取到的门磁信号进行逻辑判断，并在逻辑判断后统一输出一个门体状态信号。
54.在一些实施例中，所述门体状态信号包括闭点信号和开点信号。例如，若所有的门都未关闭状态，则状态判断模块120可以输出闭点信号。若有任意一道门为打开状态，则状态判断模块120可以输出开点信号。
55.在一些实施例中，所述门体状态信号包括实时状态信号和未来状态信号。
56.在一些实施例中，所述未来状态信号基于若干历史时间点的历史实时状态信号预测得到。
57.在一些实施例中，确定未来状态信号包括以下步骤：
58.步骤s1：获取所述若干个被测门在若干个历史时间点的历史实时状态信号，生成历史状态序列。
59.例如，可以基于状态收集模块110收集在过去预设时间段(如10小时)或历史同时间段的门体开关状态。如要预测今天下午2点门体的开关状态，则可以收集过去一周在下午2点门体的历史开关状态，并基于获取到的多个历史开关状态，生成历史状态序列。
60.其中，历史状态序列可以基于向量表示，每个向量元素对应为一个历史时间点的门体开关状态。如历史状态序列为(a、b、c、d
…
)，其中，元素a表示在第一历史时间点(如上
周一的下午2点)被监测门的开关状态，元素a的维度可以等于被监测门的数量，如被监测门为3个，则元素a可以为(a1,a2,a3),每个子元素分别对应为一个被监测门在相应历史时间点的开关状态，如处于开门状态，则子元素取值为1，关门状态，则子元素取值为0.如此，即可得到若干个被测门在若干个历史时间点的历史实时状态信号对应的历史状态序列。
61.步骤s2，基于预测模型对历史状态序列的处理，确定未来状态信号。以便基于未来状态信号进行压差控制的预备。关于预测模型的具体说明参见图3的相应内容。
62.未来状态信号可以指未来预设时间点(如今天下午2点)的门体状态序列，其中，若未来状态信号中有一个子元素取值为1，则可以确定该未来预设时间点对应的门体状态信号为开点信号。
63.步骤230，通过状态反馈模块将所述门体状态信号反馈至变风量阀。
64.步骤240，基于变风量阀，根据所述门体状态信号，确定压差控制指令。
65.风量阀可以基于获取到的信号，及时进行压差的控制或提前进行控制准备。
66.如图3所示为本实施了公开的预测模型的示意图。如图3所示，在一些实施例中，预测模型320可以为机器学习模型，例如，神经网络(neural networks，nns)或其他智能学习网络构建的模型。
67.在一些实施例中，预测模型可以包括对象识别层和特征整合层，其中，对象识别层用于对历史状态序列310进行识别，得到历史状态特征，特征整合层可以用于基于对象识别层输出的历史状态特征的识别，生成未来状态信号330。
68.在一些实施例中，预测模型可以基于大量的第一训练数据340(包括带有第一标签的第一训练样本)训练得到。第一训练样本可以是被监测门体在第一历史时间的历史状态序列。第一标签可以是被监测门体在第二历史时间的历史状态序列，其中，第一历史时间早于第二历史时间。
69.在一些实施例中，初始预测模型350(对象识别层和特征整合层)可以通过联合训练获得预测模型320。如，将第一训练样本输入对象识别层，得到第一训练样本对应的多个历史状态特征；将该第一训练样本对应的历史状态特征输入特征整合层，得到该第一训练样本对应的未来状态信号。训练过程中，预测模型可以基于标签和特征整合层的输出结果，构建损失函数。同时，预测模型可以对对象识别层和特征整合层的参数进行更新，直至预设条件被满足，训练完成。其中，预设条件可以包括损失函数小于阈值、收敛，或者训练周期达到阈值等中的一种或多种。通过上述训练方式获得预测模型的参数，在一些情况下有利于解决单独训练预测模型时难以获得标签的问题。
70.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。