本技术涉及物联网，尤其是涉及到一种基于边云协同的工业设备控制方法、装置、系统和介质。
背景技术：
1、在万物互联的时代下，工业智能化发展面临着以下新的技术挑战。传统工业目标控制模型的应用需要人工反复调试，只适用于特定任务，当遇到相近任务或不同环境时，需要重新进行调试和编程，无法汲取过往的作业经验，存在效率低、适应性差、灵巧性不足等问题，而且传统工业目标控制模型的应用数据由本地管理，难以提供大数据支持，特别是在工业设备产生大量数据的情况下，指令下发和故障报警往往不够及时。
技术实现思路
1、有鉴于此，本技术提供了一种基于边云协同的工业设备控制方法、装置、系统和介质，通过在边缘侧对目标数据进行持续性自分析、自诊断，在云端对不断增加积累的目标数据进行不断自学习和自优化，从而实现工业生产自管理的智慧工业系统功能。
2、根据本技术的第一个方面的实施例，提供了一种基于边云协同的工业设备控制方法，适用于边缘端，该方法包括：
3、按照采样周期采集工业设备不同数据类型的目标数据，其中，目标数据包括：监控数据、生产数据和/或设备运行数据；
4、将当前采样周期采集的目标数据发送至云端，以使云端根据当前采样周期采集的目标数据对预设控制模型进行增量学习，得到不同数据类型的目标控制模型，其中，预设控制模型为根据前一采样周期采集的目标数据训练得到的目标控制模型；
5、接收云端发送的目标控制模型；
6、按照数据类型将当前采样周期采集的目标数据输入目标控制模型，得到不同数据类型对应的工业设备中执行机构的控制参数；
7、将控制指令发送至工业设备，以按照控制指令中控制参数控制执行机构动作。
8、可选地，按照采样周期采集工业设备不同数据类型的目标数据之后，基于边云协同的工业设备控制方法还包括：
9、对目标数据进行过滤处理。
10、根据本技术的第二个方面的实施例，提供了一种基于边云协同的工业设备控制方法，适用于云端，该方法包括：
11、接收边缘端发送的当前采样周期采集的不同数据类型的目标数据，其中，目标数据包括：监控数据、生产数据和/或设备运行数据；
12、根据当前采样周期采集的目标数据对预设控制模型进行增量学习，得到不同数据类型的目标控制模型，其中，预设控制模型为根据前一采样周期采集的目标数据训练得到的目标控制模型；
13、若目标控制模型满足预设条件，将目标控制模型发送至边缘端，以使边缘端通过目标控制模型和当前采样周期采集的目标数据，确定不同数据类型对应的工业设备中执行机构的控制参数。
14、可选地，根据当前采样周期采集的目标数据对预设控制模型进行增量学习，包括：
15、将当前采样周期采集的目标数据划分为训练数据和测试数据；
16、按照数据类型，根据训练数据分别对预设控制模型进行训练，确定不同数据类型的候选模型。
17、获取测试数据对应的理论控制参数；
18、按照数据类型将测试数据输入候选模型，得到测试控制参数；
19、若测试控制参数和理论控制参数之间的差值处于预设范围内，将候选模块确定为目标控制模型。
20、可选地，接收边缘端发送的当前采样周期采集的不同数据类型的目标数据之后，基于边云协同的工业设备控制方法还包括：
21、将目标数据按照不同数据类型对应的预设步长进行扩大，得到更新后的目标数据，其中，预设步长根据不同数据类型的范围分布特征确定。
22、可选地，接收边缘端发送的当前采样周期采集的不同数据类型的目标数据之后，基于边云协同的工业设备控制方法还包括：
23、将目标数据输入不同数据类型对应的生成式对抗网络，得到更新后的目标数据。
24、可选地，接收边缘端发送的当前采样周期采集的不同数据类型的目标数据之后，基于边云协同的工业设备控制方法还包括：
25、对目标数据进行预处理，其中，预处理包括：去噪处理、清洗处理、数据转换处理和/或标签化处理。
26、根据本技术的第三个方面的实施例，提供了一种基于边云协同的工业设备控制方法，包括：
27、边缘端按照采样周期采集工业设备不同数据类型的目标数据，其中，目标数据包括：监控数据、生产数据和/或设备运行数据；
28、边缘端将当前采样周期采集的目标数据发送至云端；
29、云端接收边缘端发送的当前采样周期采集的目标数据；
30、云端根据当前采样周期采集的目标数据对预设控制模型进行增量学习，得到不同数据类型的目标控制模型，其中，预设控制模型为根据前一采样周期采集的目标数据训练得到的目标控制模型；
31、云端将目标控制模型发送至边缘端；
32、边缘端接收云端发送的目标控制模型；
33、边缘端按照数据类型将当前采样周期采集的目标数据输入目标控制模型，得到不同数据类型对应的工业设备中执行机构的控制参数；
34、边缘端将控制指令发送至工业设备，以按照控制指令中控制参数控制执行机构动作。
35、可选地，基于边云协同的工业设备控制方法还包括：
36、边缘端对目标数据进行过滤处理。
37、可选地，云端根据当前采样周期采集的目标数据对预设控制模型进行增量学习，包括：
38、云端将当前采样周期采集的目标数据划分为训练数据和测试数据；
39、云端按照数据类型，根据训练数据分别对预设控制模型进行训练，确定不同数据类型的候选模型；
40、云端获取测试数据对应的理论控制参数；
41、云端按照数据类型将测试数据输入候选模型，得到测试控制参数；
42、若测试控制参数和理论控制参数之间的差值处于预设范围内，云端将候选模型确定为目标控制模型。
43、可选地，基于边云协同的工业设备控制方法还包括：
44、云端将目标数据按照不同数据类型对应的预设步长进行扩大，得到更新后的目标数据，其中，预设步长根据不同数据类型的范围分布特征确定。
45、可选地，基于边云协同的工业设备控制方法还包括：
46、云端将目标数据输入不同数据类型对应的生成式对抗网络，得到更新后的目标数据。
47、可选地，基于边云协同的工业设备控制方法还包括：
48、云端对目标数据进行预处理，其中，预处理包括：去噪处理、清洗处理、数据转换处理和/或标签化处理。
49、根据本技术的第四个方面的实施例，提供了一种基于边云协同的工业设备控制装置，包括：
50、数据采集模块，用于按照采样周期采集工业设备不同数据类型的目标数据，其中，目标数据包括：监控数据、生产数据和/或设备运行数据；
51、通信模块，用于将当前采样周期采集的目标数据发送至云端，以使云端根据当前采样周期采集的目标数据对预设控制模型进行增量学习，得到不同数据类型的目标控制模型，其中，预设控制模型为根据前一采样周期采集的目标数据训练得到的目标控制模型；以及，
52、接收云端发送的目标控制模型；
53、控制模块，用于按照数据类型将当前采样周期采集的目标数据输入目标控制模型，得到不同数据类型对应的工业设备中执行机构的控制参数；
54、通信模块，还用于将控制指令发送至工业设备，以按照控制指令中控制参数控制执行机构动作。
55、可选地，基于边云协同的工业设备控制装置还包括：
56、过滤模块，用于对目标数据进行过滤处理。
57、根据本技术的第五个方面的实施例，提供了一种基于边云协同的工业设备控制装置，包括：
58、通信模块，用于接收边缘端发送的当前采样周期采集的不同数据类型的目标数据，其中，目标数据包括：监控数据、生产数据和/或设备运行数据；
59、训练模块，用于根据当前采样周期采集的目标数据对预设控制模型进行增量学习，得到不同数据类型的目标控制模型，其中，预设控制模型为根据前一采样周期采集的目标数据训练得到的目标控制模型；
60、通信模块，还用于将目标控制模型发送至边缘端，以使边缘端通过目标控制模型和当前采样周期采集的目标数据，确定不同数据类型对应的工业设备中执行机构的控制参数。
61、可选地，基于边云协同的工业设备控制装置还包括：
62、分类模块，用于将当前采样周期采集的目标数据划分为训练数据和测试数据；
63、训练模块，具体用于按照数据类型，根据训练数据分别对预设控制模型进行训练，确定不同数据类型的候选模型；
64、测试模块，用于获取测试数据对应的理论控制参数；以及，按照数据类型将测试数据输入候选模型，得到测试控制参数；以及若测试控制参数和理论控制参数之间的差值处于预设范围内，将候选模型确定为目标控制模型。
65、可选地，基于边云协同的工业设备控制装置还包括：
66、扩充模块，用于将目标数据按照不同数据类型对应的预设步长进行扩大，得到更新后的目标数据，其中，预设步长根据不同数据类型的范围分布特征确定；或，将目标数据输入不同数据类型对应的生成式对抗网络，得到更新后的目标数据。
67、可选地，基于边云协同的工业设备控制装置还包括：
68、预处理模块，用于对目标数据进行预处理，其中，预处理包括：去噪处理、清洗处理、数据转换处理和/或标签化处理。
69、根据本技术的第六个方面的实施例，提供了一种基于边云协同的工业设备控制系统，包括：工业设备、边缘端和云端；
70、工业设备，用于产生目标数据；
71、边缘端，用于按照采样周期采集工业设备不同数据类型的目标数据，其中，目标数据包括：监控数据、生产数据和/或设备运行数据；以及，将当前采样周期采集的目标数据发送至云端；
72、云端，用于接收边缘端发送的当前采样周期采集的目标数据；以及，根据当前采样周期采集的目标数据对预设控制模型进行增量学习，得到不同数据类型的目标控制模型，其中，预设控制模型为根据前一采样周期采集的目标数据训练得到的目标控制模型；以及，若目标控制模型满足预设条件，将目标控制模型发送至边缘端；
73、边缘端，还用于接收云端发送的目标控制模型；以及，按照数据类型将当前采样周期采集的目标数据输入目标控制模型，得到不同数据类型对应的工业设备中执行机构的控制参数；以及，将控制指令发送至工业设备，以按照控制指令中控制参数控制执行机构动作。
74、根据本技术的第七个方面的实施例，提供了一种读存储介质，其上存储有程序或指令，程序或指令被处理器执行时实现上述基于边云协同的工业设备控制方法的步骤。
75、借由上述技术方案，工业设备在运行过程中不断产生新的监控数据、生产数据、设备运行数据等目标数据。利用边缘端周期性采集工业设备产生的不同数据类型的目标数据，并发送至云端进行目标控制模型的增量学习。云端将增量学习后的目标控制模型返回至边缘端。如此，边缘端可以按照不同的数据类型分别将当前采样周期采集的目标数据输入更新后对应数据类型的目标控制模型中，以预测不同数据类型对应的工业设备中执行机构的控制参数。最后，边缘端将控制指令发送至工业设备，使得工业设备的执行机构依据模型输出的控制参数动作，从而完成了工业设备的精准控制。通过上述技术方案，一方面，将数据管理、分析、预测、模型训练等高复杂运算部署于云端和边缘端，实现了云上编译/边缘运行的代码开发模式，使得工业设备的硬件成本大大降低，而且通过云端和边缘端之间的协同工作，边缘端可以在距离工业设备更近的位置进行计算和处理，减少了数据传输的延迟，使得控制指令能够及时下发至工业设备，同时，边缘端只将必要的结果传输到云服务器，减少了网络传输的数据量，提供更高效、灵活和可靠的计算和服务，提高工业应用的扩展性。再一方面，充分考虑了不断变化的数据，在不重新训练整个模型的情况下利用新的数据进行目标控制模型的更新和优化，不需要人工针对特定任务反复调试，即可使目标控制模型能够适应新的任务或环境，保证了模型输出控制参数与实际场景的贴合度，增强控制参数的准确性，为后续工业设备整成运作提供了可靠的数据支持，以满足不同的用户需求。又一方面，利用在云端上训练的目标控制模型来进行控制参数预测和分析，可以自动化地设备控制工作，并可以在较短的时间内完成大量的数据分析和处理工作，从而大幅提高控制效率和准确性，减少人工控制工作量，大幅降低运行控制成本。
76、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
1.一种基于边云协同的工业设备控制方法，其特征在于，适用于边缘端，所述方法包括：
2.根据权利要求1所述的基于边云协同的工业设备控制方法，其特征在于，所述按照采样周期采集所述工业设备不同数据类型的目标数据之后，所述方法还包括：
3.一种基于边云协同的工业设备控制方法，其特征在于，适用于云端，所述方法包括：
4.根据权利要求3所述的基于边云协同的工业设备控制方法，其特征在于，所述根据当前采样周期采集的所述目标数据对预设控制模型进行增量学习，包括：
5.根据权利要求3或4所述的基于边云协同的工业设备控制方法，其特征在于，所述接收边缘端发送的当前采样周期采集的不同数据类型的目标数据之后，所述方法还包括：
6.一种基于边云协同的工业设备控制方法，其特征在于，所述方法包括：
7.一种基于边云协同的工业设备控制装置，其特征在于，所述装置包括：
8.一种基于边云协同的工业设备控制装置，其特征在于，所述装置包括：
9.一种基于边云协同的工业设备控制系统，包括：工业设备、边缘端和云端；
10.一种可读存储介质，其上存储有程序或指令，其特征在于，所述程序或指令被处理器执行时实现如权利要求1至5中任一项所述的基于边云协同的工业设备控制方法的步骤。
