一种基于人工智能的数据中心机电安装方法及设备与流程

1.本发明涉及一种机电安装方法，尤其是一种基于人工智能的数据中心机电安装方法及设备。


背景技术：

2.当今的企业大多数都具有自动化机器设备，机电安装行业因此而诞生。一般工业和公共、民用建设项目的设备、线路、管道的安装，非标准钢构件的制作、安装。机电安装是个工程规模比较大的工作，有些大型企业迁移，一个工程就需要花近半年来实施。随着人工智能行业的不断发展，机电安装行业的一些标准化安装操作可以借助机器人进行完成，但是由于机器人的无经验性，导致其只能根据设定好的程序完成安装工作，这样导致一些安装工艺安装后出现大批不合格现象，并且对机器人安装程序的优化也没有一个标准的改进方法。


技术实现要素：

3.本发明的目的是通过提出一种基于人工智能的数据中心机电安装方法及设备，以解决上述背景技术中提出的缺陷。
4.本发明采用的技术方案如下：
5.提供一种基于人工智能的数据中心机电安装方法及设备，包括如下步骤：
6.根据预设程序执行安装任务，在所述安装任务执行完成后检测合格性数据，并对检测到的合格性数据进行采集，对采集到的合格性数据进行去异化处理后建模评价，输出评价系数后，以评价系数为输入计算安装参数优化值，根据所述安装参数优化值更新预设程序中的安装参数。
7.作为本发明的一种优选技术方案：对采集到的合格性数据进行去异化处理具体为：
8.对同一类合格性数据进行取均值：其中，n为当前类别下数据的总个数；
9.求出当前类别下数据标准差：
10.再取去异集合x＝f(x
t
)内的数据作为后续输入数据使用，其中，m-s＜x
t
＜m+s。
11.作为本发明的一种优选技术方案建模评价包括如下步骤：
12.s1：将采集到的合格性数据输入人工神经网络模型，并输出初步的对比性数据；
13.s2：根据领域内要求的标准数据，预先设定用于数据比较的对比分析数据库；
14.s3：将输出的对比性数据和对比分析数据库中的标准性数据进行对比分析；
15.s4：判断对比性数据和标准性数据之间的差异值，根据差异值的大小生成评价系数。
16.作为本发明的一种优选技术方案：所述标准性数据通过行业内各安装参数的指标
生成。
17.作为本发明的一种优选技术方案：人工神经网络模型用于通过构建多个卷积核将输入数据中的对比性数据逐层提取出来，形成特征图，组成卷积核的每个元素包含一个权重系数和偏差，根据特征图各网络层中的特征点通过激活函数进行非线性变换形成对比性数据模型，具体计算如下：
18.其中，
19.式中：输入数据表示网络第l层中第i个特征图的第j个特征值；l表示为卷积核尺寸；表示为权重系数；b为偏差值；f(
·
)为激活函数。
20.作为本发明的一种优选技术方案：将输出的对比性数据和对比分析数据库中的标准性数据进行对比分析包括：输入对比性数据样本的集合为x＝{x1...xi...x
t
}，t为样本的总数，输入样本的类别为c＝{c1...ci...ck}，k为类别的总数，将输入样本xi判定为类别c集合中一类的概率为p(yi＝ck/xi)，根据p(yi＝ck/xi)，求得分类相关系数
[0021][0022]
其中，为类别ck与整个xi分类类别之间的相关系数；
[0023]
为归一化函数。
[0024]
作为本发明的一种优选技术方案：根据分类相关系数将对比性数据与对应分类下的标准性数据进行误差判别，进行误差损失值的计算，评估归一化后的预测结果与对应样本标签之间的差异情况，计算评价系数j：
[0025][0026]
其中：i为第i个训练样本,k表示属于第k个类别；
[0027]
i{.}为逻辑指示函数；为第i个真实标签，在训练过程中不断调整参数，达到最小化损失函数。
[0028]
作为本发明的一种优选技术方案：当前样本xi对应的评价系数j的值在设定阈值范围内时，保留对应标签下的安装参数，当前样本xi对应的评价系数j超过设定阈值后，对当前安装参数进行更新。
[0029]
作为本发明的一种优选技术方案：安装参数的更新公式为：的更新公式为：其中，为更新系数。
[0030]
一种基于人工智能的数据中心机电安装设备，包括安装机器人，所述安装机器人包括处理器，所述处理器用于执行上述任一项所述的方法。
[0031]
本发明提供的基于人工智能的数据中心机电安装方法及设备，能够利用每一次安装完成后对机电设备的安装合格性数据进行检测。然后利用每次的评价系数生成安装参数优化值，以此在每次安装后根据检修到各项工艺安装是否合格对机器人的下次安装工艺进行优化。保证机器人安装工艺在每次更新后更加优化。
具体实施方式
[0032]
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0033]
本发明优选实施例提供了一种基于人工智能的数据中心机电安装方法，包括如下步骤：
[0034]
根据预设程序执行安装任务，在所述安装任务执行完成后检测合格性数据，并对检测到的合格性数据进行采集，对采集到的合格性数据进行去异化处理后建模评价，输出评价系数后，以评价系数为输入计算安装参数优化值，根据所述安装参数优化值更新预设程序中的安装参数。
[0035]
其中，合格性数据是指机电设备的一次安装完成后，各项安装参数是否符合安装标准，例如管道安装的强度是否达标，此项工作需要专门的检测人员进行检测，检测完成后为了避免检测过程中的检测误差，需要对采集到的合格性数据进行去异化处理，具体为：
[0036]
对同一类合格性数据进行取均值：其中，n为当前类别下数据的总个数；
[0037]
求出当前类别下数据标准差：
[0038]
再取去异集合x＝f(x
t
)内的数据作为后续输入数据使用，其中，m-s＜x
t
＜m+s。
[0039]
建模评价包括如下步骤：
[0040]
s1：将采集到的合格性数据输入人工神经网络模型，并输出初步的对比性数据；
[0041]
s2：根据领域内要求的标准数据，预先设定用于数据比较的对比分析数据库；
[0042]
s3：将输出的对比性数据和对比分析数据库中的标准性数据进行对比分析；
[0043]
s4：判断对比性数据和标准性数据之间的差异值，根据差异值的大小生成评价系数。
[0044]
标准性数据通过行业内各安装参数的指标生成。通过已经设定好的安装合格性数据指标，制定好数据库中的标准性数据后，就可以为后续对比性数据提供一个参考标准，让计算机能够标准化去判断。
[0045]
本实施例中，人工神经网络模型用于通过构建多个卷积核将输入数据中的对比性数据逐层提取出来，形成特征图，组成卷积核的每个元素包含一个权重系数和偏差，根据特
征图各网络层中的特征点通过激活函数进行非线性变换形成对比性数据模型，具体计算如下：
[0046]
其中，
[0047]
式中：输入数据表示网络第l层中第i个特征图的第j个特征值；l表示为卷积核尺寸；表示为权重系数；b为偏差值；f(
·
)为激活函数。
[0048]
将输出的对比性数据和对比分析数据库中的标准性数据进行对比分析包括：输入对比性数据样本的集合为x＝{x1...xi...x
t
}，t为样本的总数，输入样本的类别为c＝{c1...ci...ck}，k为类别的总数，将输入样本xi判定为类别c集合中一类的概率为p(yi＝ck/xi)，根据p(yi＝ck/xi)，求得分类相关系数
[0049][0050]
其中，为类别ck与整个xi分类类别之间的相关系数；
[0051]
为归一化函数。
[0052]
根据分类相关系数将对比性数据与对应分类下的标准性数据进行误差判别，进行误差损失值的计算，评估归一化后的预测结果与对应样本标签之间的差异情况，计算评价系数j：
[0053][0054]
其中：i为第i个训练样本,k表示属于第k个类别；
[0055]
i{.}为逻辑指示函数；为第i个真实标签，在训练过程中不断调整参数，达到最小化损失函数。
[0056]
当前样本xi对应的评价系数j的值在设定阈值范围内时，保留对应标签下的安装参数，当前样本xi对应的评价系数j超过设定阈值后，对当前安装参数进行更新。
[0057]
安装参数的更新公式为：其中，为更新系数。
[0058]
一种基于人工智能的数据中心机电安装设备，包括安装机器人，所述安装机器人包括处理器，所述处理器用于执行上述任一项所述的方法。在本实施例中安装机器人以管道安装机器人为例，其能够通过其处理器设定好的程序来实现一些列标准化的管道安装作业，他的每一步动作都是由预先设定好的程序来控制伺服电机实现的，例如每个管道安装
的位置、螺丝的张紧程度等。但是由于安装环境的差异性，虽然有预设好的程序进行安装，但是安装过后避免由于程序中一些安装参数的原因导致安装后某一些产品的某一些参数不符合规定的标准。所以需要每一次安装完成后对这些机电设备的安装合格性数据进行检测，例如管道安装的密封性能是否达到标准等。然后利用每次的评价系数生成安装参数优化值，以此在每次安装后根据检修到各项工艺安装是否合格对机器人的下次安装工艺进行优化。
[0059]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0060]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

技术特征：
1.一种基于人工智能的数据中心机电安装方法，其特征在于：包括如下步骤：根据预设程序执行安装任务，在所述安装任务执行完成后检测合格性数据，并对检测到的合格性数据进行采集，对采集到的合格性数据进行去异化处理后建模评价，输出评价系数后，以评价系数为输入计算安装参数优化值，根据所述安装参数优化值更新预设程序中的安装参数。2.根据权利要求1所述的基于人工智能的数据中心机电安装方法及设备，其特征在于：对采集到的合格性数据进行去异化处理具体为：对同一类合格性数据进行取均值：其中，n为当前类别下数据的总个数；求出当前类别下数据标准差：再取去异集合x＝f(x
t
)内的数据作为后续输入数据使用，其中，m-s＜x
t
＜m+s。3.根据权利要求1所述的基于人工智能的数据中心机电安装方法，其特征在于：所述建模评价包括如下步骤：s1：将采集到的合格性数据输入人工神经网络模型，并输出初步的对比性数据；s2：根据领域内要求的标准数据，预先设定用于数据比较的对比分析数据库；s3：将输出的对比性数据和对比分析数据库中的标准性数据进行对比分析；s4：判断对比性数据和标准性数据之间的差异值，根据差异值的大小生成评价系数。4.根据权利要求3所述的基于人工智能的数据中心机电安装方法，其特征在于：所述标准性数据通过行业内各安装参数的指标生成。5.根据权利要求3所述的基于人工智能的数据中心机电安装方法，其特征在于：所述人工神经网络模型用于通过构建多个卷积核将输入数据中的对比性数据逐层提取出来，形成特征图，组成卷积核的每个元素包含一个权重系数和偏差，根据特征图各网络层中的特征点通过激活函数进行非线性变换形成对比性数据模型，具体计算如下：其中，式中：输入数据表示网络第l层中第i个特征图的第j个特征值；l表示为卷积核尺寸；表示为权重系数；b为偏差值；f(
·
)为激活函数。6.根据权利要求5所述的基于人工智能的数据中心机电安装方法，其特征在于：所述将输出的对比性数据和对比分析数据库中的标准性数据进行对比分析包括：输入对比性数据样本的集合为x＝{x1...x
i
...x
t
}，t为样本的总数，输入样本的类别为c＝{c1...c
i
...c
k
}，k为类别的总数，将输入样本x
i
判定为类别c集合中一类的概率为p(y
i
＝c
k
/x
i
)，根据p(y
i
＝c
k
/x
i
)，求得分类相关系数)，求得分类相关系数其中，为类别c
k
与整个x
i
分类类别之间的相关系数；
为归一化函数。7.根据权利要求6所述的基于人工智能的数据中心机电安装方法，其特征在于：根据分类相关系数将对比性数据与对应分类下的标准性数据进行误差判别，进行误差损失值的计算，评估归一化后的预测结果与对应样本标签之间的差异情况，计算评价系数j：其中：i为第i个训练样本,k表示属于第k个类别；i{.}为逻辑指示函数；为第i个真实标签，在训练过程中不断调整参数，达到最小化损失函数。8.根据权利要求7所述的基于人工智能的数据中心机电安装方法，其特征在于：当前样本x
i
对应的评价系数j的值在设定阈值范围内时，保留对应标签下的安装参数，当前样本x
i
对应的评价系数j超过设定阈值后，对当前安装参数进行更新。9.根据权利要求8所述的基于人工智能的数据中心机电安装方法及设备，其特征在于：所述安装参数的更新公式为：其中，为更新系数。10.一种基于人工智能的数据中心机电安装设备，其特征在于：包括安装机器人，所述安装机器人包括处理器，所述处理器用于执行权利要求1-9任一项所述的方法。

技术总结
本发明涉及一种机电安装方法，尤其为一种基于人工智能的数据中心机电安装方法及设备，包括根据预设程序执行安装任务，在所述安装任务执行完成后检测合格性数据，并对检测到的合格性数据进行采集，对采集到的合格性数据进行去异化处理后建模评价，输出评价系数后，以评价系数为输入计算安装参数优化值，根据所述安装参数优化值更新预设程序中的安装参数。本发明能够利用每一次安装完成后对机电设备的安装合格性数据进行检测。然后利用每次的评价系数生成安装参数优化值，以此在每次安装后根据检修到各项工艺安装是否合格对机器人的下次安装工艺进行优化。保证机器人安装工艺在每次更新后更加优化。更新后更加优化。


技术研发人员：张剑涛
受保护的技术使用者：张剑涛
技术研发日：2022.12.27
技术公布日：2023/7/12