一种基于云计算的自动化系统及其实现方法与流程

本发明涉及自动化技术领域，尤其涉及一种基于云计算的自动化系统及其实现方法。

背景技术：

目前，工厂批量生产设备时，需对元器件进行使用及安装，然而，现有技术中都是通过人工进行相应操作，容易出错，对自动化提出了新的要求，现有的自动化设备，同一套自动化系统都只能按照固定的决策方式进行自动化作业操作，若要更改决策，需要重新制定一套自动化设备；耗费人力物力，又有资源的浪费。

技术实现要素：

鉴于目前存在的上述不足，本发明提供一种基于云计算的自动化系统及其实现方法，可以为工程师们创建完全自定义的测量系统，满足各种独特的应用要求。

为达到上述目的，本发明的实施例采用如下技术方案：

一种基于云计算的自动化系统，所述基于云计算的自动化系统包括硬件系统和软件系统，所述硬件系统包括视觉测量单元、自动螺丝追溯单元、焊接单元、组装单元和工控单元，所述视觉测量单元、自动螺丝追溯单元、焊接单元和组装单元分别通过i/o和/或can总线和/或485总线与工控单元连接通信，所述视觉测量单元对元器件进行识别，所述工控单元控制自动螺丝追溯单元、焊接单元和组装单元完成作业操作，所述软件系统设置在工控单元内，其包括机器学习单元和云计算单元，所述机器学习单元与所述云计算单元通过互联网连接，通过机器学习单元，学习操作用户使用习惯，结合云计算单元生成数字决策，通过数字决策自动控制自动螺丝追溯单元、焊接单元和组装单元完成作业操作。

依照本发明的一个方面，所述软件系统具体包括：hadoop平台和与hadoop平台通讯的机器算法ml模块、spark计算框架、mapreduce模型和hdfs文件管理模块。

依照本发明的一个方面，所述机器算法ml模块包括mahout项目。

依照本发明的一个方面，所述mahout项目包括聚类模块、分类模块和度量树模块。

一种基于云计算的自动化系统实现方法，所述基于云计算的自动化系统实现方法包括：

通过模块化设计的硬件系统实现工业通讯；

通过视觉测量单元对元器件进行识别；

通过机器学习单元利用具有多个隐层的深度神经网络完成学习任务；

通过云计算单元在大数据中挖掘出的有用信息中相对高效率的并行化新技术；

通过获取的新技术与机器学习单元的学习成果进行自动化决策；

通过自动化决策控制硬件系统实现自动化作业操作。

依照本发明的一个方面，所述通过视觉测量单元对元器件进行识别包括：采用卷积神经网络模型训练进行图像识别。

依照本发明的一个方面，所述图像识别具体包括：进行图像训练；通过结构化训练数据；进行cnn网络模型训练；确立cnn网络模型。

依照本发明的一个方面，所述通过机器学习单元利用具有多个隐层的深度神经网络完成学习任务包括：机器算法使用了mahout。

依照本发明的一个方面，基于mahout的机器算法，选择spark计算框架。

本发明实施的优点：本发明所述的基于云计算的自动化系统，包括硬件系统和软件系统，所述硬件系统包括视觉测量单元、自动螺丝追溯单元、焊接单元、组装单元和工控单元，所述视觉测量单元、自动螺丝追溯单元、焊接单元和组装单元分别通过i/o和/或can总线和/或485总线与工控单元连接通信，所述视觉测量单元对元器件进行识别，所述工控单元控制自动螺丝追溯单元、焊接单元和组装单元完成作业操作，所述软件系统设置在工控单元内，其包括机器学习单元和云计算单元，所述机器学习单元与所述云计算单元通过互联网连接，通过机器学习单元，学习操作用户使用习惯，结合云计算单元生成数字决策，通过数字决策自动控制自动螺丝追溯单元、焊接单元和组装单元完成作业操作。通过模块化设计的硬件产品，系统可以帮助用户进行数据采集、测量、视觉、运动、布式i/o等工业通讯。高性能的硬件产品结合基于云端的软件系统，可以为工程师们创建完全自定义的测量系统，满足各种独特的应用要求。系统采取了机器学习模块，实现了操作用户使用习惯的学习，最终帮助用户实现操作自动化，决策数字化。系统采用了hadoop云计算平台，其是在大数据中挖掘出有用信息种相对高效率的并行化新技术，机器算法方面使用了mahout，其是种开源的机器学习(ml)算法库，基于hadoop平台的mr计算框架，为程序开发者提供高效的算法实例。由于机器学习算法基本属于迭代计算，而mr将中间数据存放在分布式文件处理系统(hdfs)上，其具有i/o资源消耗高的局限性。为了解决源mahout机器学习库的缺陷，我们选择了spark计算框架应运而生，spark一主要基于弹性分布式数据集(rdd),rdd是分布式内存的个抽象概念，降低了νo资源消耗和容错能力的开销。spark同样可以搭建在hadoopy成n平台上，分布式存储数据。伴随着sparkmllib的出现，使机器学习算法的并行化研究有了质的提升。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所述的一种基于云计算的自动化系统示意图；

图2为本发明所述的软件系统示意图；

图3为本发明所述的图像识别流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，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。

实施例一

如图1和图2所示，一种基于云计算的自动化系统，所述基于云计算的自动化系统包括硬件系统和软件系统，所述硬件系统包括视觉测量单元、自动螺丝追溯单元、焊接单元、组装单元和工控单元，所述视觉测量单元、自动螺丝追溯单元、焊接单元和组装单元分别通过i/o和/或can总线和/或485总线与工控单元连接通信，所述视觉测量单元对元器件进行识别，所述工控单元控制自动螺丝追溯单元、焊接单元和组装单元完成作业操作，所述软件系统设置在工控单元内，其包括机器学习单元和云计算单元，所述机器学习单元与所述云计算单元通过互联网连接，通过机器学习单元，学习操作用户使用习惯，结合云计算单元生成数字决策，通过数字决策自动控制自动螺丝追溯单元、焊接单元和组装单元完成作业操作。

其中，所述软件系统具体包括：hadoop平台和与hadoop平台通讯的机器算法ml模块、spark计算框架、mapreduce模型和hdfs文件管理模块。

其中，所述机器算法ml模块包括mahout项目。

其中，所述mahout项目包括聚类模块、分类模块和度量树模块。

实施例二

如图3所示，一种基于云计算的自动化系统实现方法，所述基于云计算的自动化系统实现方法包括：

通过模块化设计的硬件系统实现工业通讯；

通过视觉测量单元对元器件进行识别；

通过机器学习单元利用具有多个隐层的深度神经网络完成学习任务；

通过云计算单元在大数据中挖掘出的有用信息中相对高效率的并行化新技术；

通过获取的新技术与机器学习单元的学习成果进行自动化决策；

通过自动化决策控制硬件系统实现自动化作业操作。

其中，所述通过视觉测量单元对元器件进行识别包括：采用卷积神经网络模型训练进行图像识别。

其中，所述图像识别具体包括：进行图像训练；通过结构化训练数据；进行cnn网络模型训练；确立cnn网络模型。

其中，所述通过机器学习单元利用具有多个隐层的深度神经网络完成学习任务包括：机器算法使用了mahout。

其中，基于mahout的机器算法，选择spark计算框架。

系统采用了hadoop云计算平台，其是在大数据中挖掘出有用信息种相对高效率的并行化新技术，机器算法方面使用了mahout，其是种开源的机器学习(ml)算法库，基于hadoop平台的mr计算框架，为程序开发者提供高效的算法实例。由于机器学习算法基本属于迭代计算，而mr将中间数据存放在分布式文件处理系统(hdfs)上，其具有i/o资源消耗高的局限性。为了解决源mahout机器学习库的缺陷，我们选择了spark计算框架应运而生，spark一主要基于弹性分布式数据集(rdd),rdd是分布式内存的个抽象概念，降低了vo资源消耗和容错能力的开销。spark同样可以搭建在hadoopy成n平台上，分布式存储数据。伴随着sparkmllib的出现，使机器学习算法的并行化研究有了质的提升。

为了实现图像高速自动识别系统采用了卷积神经网络模型训练。

神经网络应用于模式识别，其方法是有建立具有指导性质的学习网络，无指导的学习网络更多的是用于聚类分析，对于有指导的模式识别，样本集中所有样本的输出类别是已知的，样本在空间的分布是根据同类样本在空间的分布及不同类样本之间的分离程度计算得到的一种适当的空间划分方法或者找一个分类边界，这

个划分标准将不同类样本划分在不同的区域内，而同类样本则被划分在相同区域内，获取这个划分标准的学习过程复杂且耗时较长，在学习过程中通过参数调整不断调整划分样本空间的分类边界的位置，使尽可能少的同类样本被划分到非同类区域中。

卷积神经网络在本质上也是一种输入到输出的映射，它能够在不需要任何输入和输出之间的精确数学表达式的前提下学习大量的输入到输出之间的映射关系，只需要用已知的模式对卷积网络加以训练，网络就具有输入输出对之间的映射能力。卷积神经网络执行的是有指导的训练，所以其样本集中的样本是类似于输入信息，输出信息这样的信息对构成的。

本发明实施的优点：本发明所述的基于云计算的自动化系统，包括硬件系统和软件系统，所述硬件系统包括视觉测量单元、自动螺丝追溯单元、焊接单元、组装单元和工控单元，所述视觉测量单元、自动螺丝追溯单元、焊接单元和组装单元分别通过i/o和/或can总线和/或485总线与工控单元连接通信，所述视觉测量单元对元器件进行识别，所述工控单元控制自动螺丝追溯单元、焊接单元和组装单元完成作业操作，所述软件系统设置在工控单元内，其包括机器学习单元和云计算单元，所述机器学习单元与所述云计算单元通过互联网连接，通过机器学习单元，学习操作用户使用习惯，结合云计算单元生成数字决策，通过数字决策自动控制自动螺丝追溯单元、焊接单元和组装单元完成作业操作。通过模块化设计的硬件产品，系统可以帮助用户进行数据采集、测量、视觉、运动、布式i/o等工业通讯。高性能的硬件产品结合基于云端的软件系统，可以为工程师们创建完全自定义的测量系统，满足各种独特的应用要求。系统采取了机器学习模块，实现了操作用户使用习惯的学习，最终帮助用户实现操作自动化，决策数字化。系统采用了hadoop云计算平台，其是在大数据中挖掘出有用信息种相对高效率的并行化新技术，机器算法方面使用了mahout，其是种开源的机器学习(ml)算法库，基于hadoop平台的mr计算框架，为程序开发者提供高效的算法实例。由于机器学习算法基本属于迭代计算，而mr将中间数据存放在分布式文件处理系统(hdfs)上，其具有i/o资源消耗高的局限性。为了解决源mahout机器学习库的缺陷，我们选择了spark计算框架应运而生，spark一主要基于弹性分布式数据集(rdd),rdd是分布式内存的个抽象概念，降低了νo资源消耗和容错能力的开销。spark同样可以搭建在hadoopy成n平台上，分布式存储数据。伴随着sparkmllib的出现，使机器学习算法的并行化研究有了质的提升。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。