【技术实现步骤摘要】
本专利技术涉及工业控制，尤其涉及一种集成深度学习模型和plc语言的边缘控制器装置及代码生成方法。
技术介绍
1、目前工业控制领域越来越多需要使用支持深度学习等人工智能算法的边缘控制器。例如为了监测风机异常振动、桨叶扫塔、螺栓松动等异常情况，一般需要通过图像采集设备采集监测处的图像，然后将采集的监测处的图像传输至具有深度学习算法的边缘控制器，使用基于深度学习算法的边缘控制器对图像进行特征识别，并将识别结果通过网络反馈到plc(programmable logic controller，可编程逻辑控制器)，如果识别结存在异常情况，plc根据异常情况采取停机等操作，从而避免更严重的事故发生。
2、作为工业自动化领域最重要的控制设备plc，常常需要与边缘控制器进行实时大量数据交互，极大的降低了工业控制效率，并且边缘控制器和plc之间的数据传输存在一定的时延，这还会导致plc的控制不够及时，存在一定的安全隐患。
技术实现思路
1、本专利技术的主要目的在于提供一种集成深度学习模型的边缘控制器装置及代码生成方法。
2、一方面，本专利技术提供一种集成深度学习模型和plc语言的边缘控制器装置，所述边缘控制器装置包括采用python语言构建的操作系统，边缘控制器装置还包括：
3、编译器，用于将iec61131-3编程语言的plc逻辑程序代码转换成python语言的逻辑程序代码；
4、信息配置单元，所述信息配置单元包括信息配置界面，所述信息配置界面用于接收
5、模型训练单元，用于根据所述用户输入的深度学习算法配置信息，采用预设的深度学习模型训练方法进行模型训练，得到训练好的深度学习模型；
6、代码生成器，用于将所述训练好的深度学习模型的代码封装成可被iec代码调用的外部库，并将所述外部库的输入和输出从训练源修改为iec代码源，以将所述训练好的深度学习模型与所述python语言的逻辑程序代码相关联组成边缘控制器的逻辑程序代码；
7、代码运行单元，所述代码运行单元设置在所述操作系统上，该代码运行单元用于执行边缘控制器的逻辑程序代码。
8、可选地，所述信息配置单元包括内置的多种深度学习算法框架以及多种深度学习算法模型。
9、可选地，所述信息配置单元包括预设的pytorch算法框架和tensorflow算法框架；
10、所述信息配置单元还包括预设的循环神经网络模型、长短期记忆模型、卷积神经网络模型、自编码器模型、gan模型、深度强化学习模型。
11、可选地，所述算法配置信息包括选择深度学习算法模型类型、选择算法模型的类型、设置的模型参数、设置的训练集和测试集。
12、可选地，所述模型参数包括输入输出格式、隐藏层的数量、激活函数类型、损失函数、优化函数和学习率。
13、可选地，所述代码运行单元包括提前编译模块和即时编译模块；
14、所述提前编译模块，用于在所述边缘控制器的逻辑程序代码执行之前，将所述边缘控制器的逻辑程序代码编译成机器码；
15、即时编译模块，用于在所述边缘控制器的逻辑程序代码执行时，实时将所述边缘控制器的逻辑程序代码编译成机器码。
16、可选地，所述模型训练单元具体用于：
17、获取用户选择的目标深度学习模型类型、损失函数、优化函数和学习率；
18、获取用户输入的训练集，采用所述训练集对所述目标深度学习模型类型进行训练，在训练过程中采用所述优化函数和学习率不断更新所述目标深度学习模型类型的模型参数，直到所述损失函数的值小于预设值，得到所述训练好的深度学习模型；
19、获取输入的测试集，采用所述测试集对所述训练好的深度学习模型进行测试，并根据测试结果评估所述训练好的深度学习模型的性能，并在所述训练好的深度学习模型的性能未达到预设要求时，调整该深度学习模型的超参数和/或损失函数后继续训练该深度学习模型，直到该深度学习模型的性能达到预设要求。
20、另一方面，本专利技术还提供一种用于边缘控制器的逻辑程序代码的生成方法，该方法应用于边缘控制器装置中，所述边缘控制器装置为上述任一项所述的边缘控制器装置；
21、所述逻辑程序代码的生成方法包括：
22、获取plc逻辑程序代码，将iec61131-3编程语言的plc逻辑程序代码转换成python语言的逻辑程序代码；
23、接收用户输入的深度学习算法配置信息；
24、根据所述用户输入的深度学习算法配置信息，采用预设的深度学习模型训练方法进行模型训练，得到训练好的深度学习模型；
25、将所述训练好的深度学习模型的代码封装成可被iec代码调用的外部库，并将所述外部库的输入和输出从训练源修改为iec代码源，以将所述训练好的深度学习模型与所述python语言的逻辑程序代码相关联组成边缘控制器的逻辑程序代码。
26、另一方面，本专利技术还提供一种电子设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上所述的用于边缘控制器的逻辑程序代码的生成方法的步骤。
27、另一方面，本专利技术还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的用于边缘控制器的逻辑程序代码的生成方法的步骤。
28、依据本专利技术提供的集成深度学习模型和plc语言的边缘控制器装置，其包括编译器，编译器用于将iec61131-3编程语言的plc逻辑程序代码转换成python语言的逻辑程序代码；用户可以通过信息配置单元输入的深度学习算法的配置信息，进而通过模型训练单元得到训练好的深度学习模型，最后代码生成器，将训练好的深度学习模型与python语言的逻辑程序代码相关联组成边缘控制器的逻辑程序代码，代码运行单元设置在操作系统上，该代码运行单元用于执行边缘控制器的逻辑程序代码，这样该边缘控制器装置集合成plc的控制逻辑和深度学习模型，使得该边缘控制器装置同时具备plc的控制功能以及深度学习模型的数据处理功能，减少了plc和边缘控制器之间的数据交互，提高了工业控制效率以及控制的响应速度。
本文档来自技高网...【技术保护点】
1.一种同时集成深度学习模型和PLC语言的边缘控制器装置，所述边缘控制器装置包括采用Python语言构建的操作系统，其特征在于，边缘控制器装置还包括：
2.如权利要求1所述的集成深度学习模型和PLC语言的边缘控制器装置，其特征在于，所述信息配置单元包括内置的多种深度学习算法框架以及多种深度学习算法模型。
3.如权利要求2所述的集成深度学习模型和PLC语言的边缘控制器装置，其特征在于，所述信息配置单元包括预设的PyTorch算法框架和TensorFlow算法框架；
4.如权利要求1-3任一项所述的集成深度学习模型和PLC语言的边缘控制器装置，其特征在于，所述算法配置信息包括选择深度学习算法模型类型、选择算法模型的类型、设置的模型参数、设置的训练集和测试集。
5.如权利要求4所述的集成深度学习模型和PLC语言的边缘控制器装置，其特征在于，所述模型参数包括输入输出格式、隐藏层的数量、激活函数类型、损失函数、优化函数和学习率。
6.如权利要求1-3任一项所述的集成深度学习模型和PLC语言的边缘控制器装置，其特征在于，所述代码运行
7.如权利要求1-3所述的集成深度学习模型和PLC语言的边缘控制器装置，其特征在于，所述模型训练单元具体用于：
8.一种用于边缘控制器的逻辑程序代码的生成方法，该方法应用于边缘控制器装置中，所述边缘控制器装置为权利要求1-7任一项所述的边缘控制器装置；
9.一种电子设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如权利要求8所述的用于边缘控制器的逻辑程序代码的生成方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求8所述的用于边缘控制器的逻辑程序代码的生成方法的步骤。
...【技术特征摘要】
1.一种同时集成深度学习模型和plc语言的边缘控制器装置，所述边缘控制器装置包括采用python语言构建的操作系统，其特征在于，边缘控制器装置还包括：
2.如权利要求1所述的集成深度学习模型和plc语言的边缘控制器装置，其特征在于，所述信息配置单元包括内置的多种深度学习算法框架以及多种深度学习算法模型。
3.如权利要求2所述的集成深度学习模型和plc语言的边缘控制器装置，其特征在于，所述信息配置单元包括预设的pytorch算法框架和tensorflow算法框架；
4.如权利要求1-3任一项所述的集成深度学习模型和plc语言的边缘控制器装置，其特征在于，所述算法配置信息包括选择深度学习算法模型类型、选择算法模型的类型、设置的模型参数、设置的训练集和测试集。
5.如权利要求4所述的集成深度学习模型和plc语言的边缘控制器装置，其特征在于，所述模型参数包括输入输出格式、隐藏层的数量、激活函数类型、...
【专利技术属性】
技术研发人员：朱明，李从飞，鲁胜，刘平卫，许飞宇，倪维东，赖新芳，
申请(专利权)人：国电南京自动化股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。