参数调整方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，特别涉及物联网、深度学习以及大数据处理等领域的参数调整方法、装置、电子设备及存储介质。

背景技术

在制造业生产中，如对于印染行业长车染色机台等流程型工艺，常常面临高能耗问题，从而给企业带来很大的成本压力。

发明内容

本公开提供了参数调整方法、装置、电子设备及存储介质。

一种参数调整方法，包括：

获取订单产量数据；

响应于根据所述订单产量数据确定出存在未结束订单，针对所述未结束订单对应的待调整参数，确定出最优参数值，所述待调整参数为能耗相关参数；

基于所述最优参数值对所述待调整参数进行调整。

一种参数调整装置，包括：第一获取模块、第二获取模块以及调整模块；

所述第一获取模块，用于获取订单产量数据；

所述第二获取模块，用于响应于根据所述订单产量数据确定出存在未结束订单，针对所述未结束订单对应的待调整参数，确定出最优参数值，所述待调整参数为能耗相关参数；

所述调整模块，用于基于所述最优参数值对所述待调整参数进行调整。

一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。

一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开所述参数调整方法实施例的流程图；

图2为本公开所述未结束订单的处理过程流程图；

图3为本公开基于所述订单统计重算标记表以及所述订单综合统计表进行的处理流程示意图；

图4为本公开所述参数调整方法的数据流向示意图；

图5为本公开所述参数调整装置第一实施例500的组成结构示意图；

图6为本公开所述参数调整装置第二实施例600的组成结构示意图；

图7示出了可以用来实施本公开的实施例的电子设备700的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述参数调整方法实施例的流程图。如图1所示，包括以下具体实现方式。

在步骤101中，获取订单产量数据。

在步骤102中，响应于根据订单产量数据确定出存在未结束订单，针对未结束订单对应的待调整参数，确定出最优参数值，待调整参数为能耗相关参数。

在步骤103中，基于所述最优参数值对待调整参数进行调整。

采用上述方法实施例所述方案，可根据确定出的最优参数值来对待调整参数进行调整，所述待调整参数为能耗相关参数，从而提升了节能效果，降低了实现成本，即实现了节能调优和降本增效等。

优选地，上述方法实施例所述方案可应用于印染行业长车染色机台中。

长车染色机台通常包括11个环节/设备，整体分为前车和后车，长度分别为190米和410米，总长度为600米，主要是指布匹需要经过的长度，也即，包含了烘筒和水箱滚筒的周长等，每个环节/设备均会涉及到不同的设备参数、能耗参数和环境指标，以下分别进行介绍。

前车部分的能耗参数可包括：前车水耗量：瞬时流量、实时平均单耗值；前车电耗量：瞬时流量、实时平均单耗值；前车蒸汽阀门开度值；前车蒸汽耗量：瞬时流量、压力、温度、实时平均单耗值。

前车部分的环境指标可包括：实时户外温度、实时户外湿度、特殊节假日标记、排班排产信息、前后车之间的静置时长、机台空转时长以及前车车长(190米)。

前车部分的设备参数可包括：a)元宝车：红外感应仪：判断落布和摆布；前车车速：由于前车以染色为主，车速通常为恒定值45米/分钟；b)染色机：配料系统：配料成分、配比；c)红外预烘机两台：机箱温度、离心风速、循环风机、风道温度；d)预烘风箱三台：循环风频率值、排风频率值、张力值、预烘温控实际值、预烘温控设定值；e)烘房烘筒两台：烘房温度、烘房湿度；f)元宝车：红外感应仪：监测摆布落布。

后车部分的能耗参数可包括：后车水耗量：瞬时流量、实时平均单耗值；后车电耗量：瞬时流量、实时平均单耗值；后车蒸汽耗量：瞬时流量、压力、温度、实时平均单耗值；后车蒸汽阀门开度值；整车蒸汽的实时平均单耗值。

后车部分的环境指标可包括：10#水洗槽与烘筒之间的环境温度、环境湿度；10#水洗槽外的环境温度、环境湿度；后车车速，不同规格之间差异会非常大，通常在60-150米/分钟；后车车长(410米)。

后车部分的设备参数可包括：a)开放式水洗槽两台：水洗温度、双氧水计算量、皂洗剂量；b)封闭式水洗槽两台：每台的皂洗温度实际值、设定值；轧车压力、涨力架压力；c)蒸汽水箱八台：每台机器的皂洗温度实际值、设定值；水箱的化学反应：pH下限值、pH温度、pH上限值、pH实际值；轧车压力、涨力架压力；d)蒸汽烘筒：布面含潮率的实际值、设定值和预警临界值；技工手触干燥度评估；e)元宝车：红外感应仪：检测摆布和落布。

相应地，所述待调整参数可包括前车车速、后车车速以及后车蒸汽阀门开度等，具体包括哪个/哪些参数可根据实际需要而定。

在实际应用中，可获取订单产量数据(orders)。本公开的一个实施例中，可周期性获取订单产量数据，所述周期的具体时长可根据实际需要而定，如果时长较短，那么则相当于实时地获取订单产量数据。通过周期性获取，可确保处理的及时性，如可确保及时推荐最新的最优参数值等。

订单产量数据中可包括订单标识(如未结束的订单标识以及最近一个周期内结束的订单标识等)，以及，订单的开始时间、结束时间、色名、规格、布料、班组信息等。

其中，订单是指根据客户下单所做的排产。以长车染色机台为例，厂家可根据订单对应的颜色、布料和数量等，配合机台和班组，制定一定的生产节拍，完成生产。

若根据订单产量数据确定出存在未结束订单，可针对未结束订单对应的待调整参数，确定出最优参数值。

比如，若确定订单产量数据中的某一订单的结束时间为空，那么则可确定该订单为未结束订单，反之，则可确定该订单为已结束订单。

本公开的一个实施例中，所述确定出最优参数值的方式可包括以下之一或任意组合：1)基于业务规格和安全策略确定出最优参数值；2)基于历史工况轨迹确定出最优参数值；3)基于预先训练得到的策略模型确定出最优参数值。

优选地，可分别采用上述三种方式来获取最优参数值，但在实际应用中，对于任一方式来说，可能能够获取到最优参数值，也可能无法获取到最优参数值，比如，对于基于历史工况轨迹的方式，若无法获取到足够的历史工况轨迹，如少于5个，则可能无法获取到对应的最优参数值。

对于长车染色机台，通常涉及到两种安全隐患，一是蒸汽的使用，当压力或温度过高，容易出现爆管，而带来安全事故和经济损失，二是后车水洗槽有酸碱反应，水温和环境温度对化学反应结果有影响，另外，车速等设备参数也应该严格依据生产手册进行控制。

相应地，方式1)中，可基于业务规格和安全策略确定出最优参数值，比如，可基于预先设定的规则，确定出最优参数值，或者，可直接使用预先设定的最优参数值等。

方式2)为基于分位数的白盒模型方式，本公开的一个实施例中，可获取未结束订单对应的历史工况轨迹，并可从获取到的历史工况轨迹中筛选出符合以下要求的历史工况轨迹：预定指标位于预定分位数范围内，可将筛选出的历史工况轨迹作为专家轨迹，进而可根据所述专家轨迹确定出最优参数值。

对于信息化与自动化不完备的工厂，同一规格布匹在不同工人操作下生产，实际耗能可能会有很大的差异，但参数值的差异却可能不是很大，基于此，可采取基于分位数的白盒模型进行约束。具体地，可获取未结束订单对应的历史工况轨迹，如可包括与未结束订单同品类的历史工况轨迹以及与未结束订单相似品类的历史工况轨迹等，可对获取到的历史工况轨迹进行汇总，并可剔除其中的异常轨迹，进而可按照预定指标，如单位时间蒸汽耗量、每万米消耗蒸汽量、每万米水耗量或每万米电耗量等，选取位于预定分位数范围内如位于20％-25％分位数范围内的历史工况轨迹，作为专家轨迹。异常轨迹可能是由于工艺表下发失误、机台误差、人工失误等原因造成的。

历史工况轨迹即指历史上生成的实际生产轨迹，如针对某一订单，从订单的开始时间到结束时间的工况数据组成的轨迹。

工况数据是指生产环境内部及周边的状况变化数据。以长车染色机台为例，工况数据可包括生产报工数据、品类规格数据、设备参数以及能耗信息等。

通过上述处理，可使得选出的专家轨迹更为稳健、更有参考价值，并提升了基于专家轨迹所获取到的最优参数值的准确性等。

根据选出的专家轨迹，可确定出最优参数值。具体如何实现不作限制，比如，针对任一待调整参数，可确定出未结束订单当前的进度(如进行了20分钟)，并可获取各专家轨迹中同样的进度时刻该参数的参数值的均值或中位数，将获取到的均值或中位数作为该参数的最优参数值。

方式3)中，可基于预先训练得到的策略模型确定出最优参数值，即方式3)可为基于深度强化学习的黑盒模式方式，所述策略模型可为基于生成对抗模仿学习(GAIL，Generative Adversarial Imitation Learning)架构/框架的自主寻优模型。

在实际应用中，具体采用上述哪种方式可根据实际需要而定，优选地，可同时采用上述三种方式，从而提供更多的最优参数值供选择。

相应地，本公开的一个实施例中，响应于确定最优参数值的数量大于一组，可获取从中选定的一组最优参数值，作为目标参数值，进而可根据目标参数值对待调整参数进行调整。

比如，最优参数值的数量为三组，分别为按照上述方式1)、方式2)和方式3)获取到的最优参数值，那么可从中选定一组最优参数值，作为目标参数值，可以采用人工选择方式，也可以采用自动选择方式。

比如，可将三组最优参数值以及当前所使用的参数值展示给用户，用户可通过数据对比，如将三组最优参数值分别与当前所使用的参数值进行对比，选出认为最好的最优参数值，作为目标参数值。若采用自动选择的方式，那么可按照预先为上述三种方式设定的不同优先级，选出优先级最高的方式对应的最优参数值，比如，可认为方式3)的优先级最高，那么相应地，则可将该方式对应的最优参数值作为目标参数值。

通过上述处理，可简单方便地确定出目标参数值，进而可根据目标参数值对待调整参数进行调整，比如，假设待调整参数的个数为3个，那么可根据每个待调整参数分别对应的目标参数值，分别对各待调整参数进行调整。

本公开的一个实施例中，针对待调整参数，还可将用户自主设定的参数值作为目标参数值，或者，可将从未结束订单对应的历史参数值中选定的参数值作为目标参数值。

比如，用户认为确定出的各最优参数值均不合适，那么可自主设定参数值，作为目标参数值，或者，可获取与未结束订单同品类或相似品类的订单的历史参数值，并可从中选出一个作为目标参数值。

也就是说，可采用各种方式来获取目标参数值，不局限于某一种方式，从实现上来说非常的灵活方便，并可满足用户的不同使用需求。

本公开的一个实施例中，还可根据目标参数值确定出监控阈值，并可对待调整参数的实际参数值进行监控，响应于根据监控结果确定所述实际参数值超出所述监控阈值，可进行报警。

比如，某一待调整参数的目标参数值为1.2，那么对应的监控阈值可为1.0～1.4，并可对该待调整参数的实际参数值进行监控，如果超出1.0～1.4这个范围，则可进行报警。

在实际应用中，可能由于各种原因，导致实际参数值与目标参数值出现较大的偏差，相应地，可进行报警，如通过邮件或短信等提示相关人员，并可给出优化建议，以便相关人员及时查看报警原因并对可能存在的问题进行解决等。

另外，上述过程中涉及到的各种信息，如最优参数值、目标参数值以及报警信息等均可记录到对应的中间数据表中，以便后续分析查看等。

结合上述介绍，图2为本公开所述未结束订单的处理过程流程图。针对每个未结束订单，可分别按照该方式进行处理。如图2所示，包括以下具体实现方式。

在步骤201中，针对未结束订单，确定出三组最优参数值。

比如，可基于业务规格和安全策略确定出一组最优参数值，基于历史工况轨迹确定出一组最优参数值，以及，基于预先训练得到的策略模型确定出一组最优参数值。

在步骤202中，获取从三组最优参数值选定的一组最优参数值，作为目标参数值，根据目标参数值对待调整参数进行调整。

在实际应用中，还可将用户自主设定的参数值作为目标参数值，或者，将从未结束订单对应的历史参数值中选定的参数值作为目标参数值。

另外，可将三组最优参数值写入到最优工况推荐表(opt_recommend)中，其中可包括订单标识以及对应的三组最优参数值等，相应地，可通过模型调优页面将最优工况推荐表中记录的三组最优参数值展示给用户，供用户进行选择，在用户选定目标参数值后，还可将目标参数值记录到模型执行记录表(adv_models_logs)中，其中可包括选定时间以及对应的订单标识等信息。

在步骤203中，根据目标参数值确定出监控阈值。

比如，可从报警对照表(alarms)中获取对应的上限以及下限等信息，比如，上限和下限分别为0.2，假设某一待调整参数的目标参数值为1.2，那么相应地，确定出的监控阈值可为1.0～1.4。报警对照表中还可包括超出上限的处理建议以及超过下限的处理建议等信息，可根据该信息在报警时给出优化建议。

在步骤204中，对待调整参数的实际参数值进行监控，若根据监控结果确定所述实际参数值超出所述监控阈值，则进行报警。

并且，可将报警信息记录到报警记录表(alarm_logs)中，其中可包括报警时间、测点和描述等信息。

另外，还可建立一个模型版本维护表(adv_models)，其中可记录有不同订单分别对应的参数值、生成时间等，以便基于模型版本维护表来查询历史参数值等。

如前所述，可以周期性获取订单产量数据。本公开的一个实施例中，响应于根据订单产量数据确定出存在已结束订单，所述已结束订单为最近一个周期内结束的订单，可对所述已结束订单进行统计处理，所述统计处理可包括：获取所述已结束订单的综合统计结果，并将综合统计结果记录到订单综合统计表(order_stats)中。

比如，若某一订单的结束时间不为空，那么则可确定该订单为已结束订单。对于已结束订单，可进一步确定其是否为有效订单，比如，可基于预先设定的有效判定规则，确定其是否为有效订单，若为无效订单，可不作处理，若为有效订单，可对其进行统计处理，即获取已结束订单的综合统计结果，并将综合统计结果记录到订单综合统计表中。

订单综合统计表中可记录有各订单的综合统计结果，如可包括订单标识、开始时间、结束时间、对应的卡号、品类、克重、色名、色深、耗时、单位时间产量、生产效率、前车耗能、后车耗能、整车耗能、空转耗能、静置耗能、前车单耗、后车单耗以及整车单耗等。

针对任一已结束订单，如何获取其综合统计结果不作限制，比如，在获取订单产量数据的同时，还可获取设备参数(device_para)信息以及能耗信息。其中，设备参数信息可包括：前车排风信息(如排风频率、预烘风频率)，前车压力信息(如张力)，前车预烘温控信息(如预烘温实际值、预烘温设定值)，前车打底参数信息(如前车车速)，前车温湿度信息(如烘房温度、烘房湿度)，后车皂洗信息(如水洗槽温度实际值、水洗槽温度设定值)，后车布面含潮率信息(如布面含潮率实际值、设定值、报警值)以及后车双氧水计算量信息等。能耗信息可包括水电汽耗的压力、温度和瞬时流量值等。可结合历次获取到的设备参数信息以及能耗信息等，确定出已结束订单的综合统计结果。

本公开的一个实施例中，还可维护一个订单统计重算标记表(recompute_uguids)，针对任一未结束订单，响应于确定该未结束订单未记录到订单统计重算标记表中，可将该未结束订单记录到订单统计重算标记表中，并可将该未结束订单的重算标记设置为第一取值，相应地，响应于确定订单统计重算标记表中的任一订单已结束且已完成所述统计处理，可将该订单的重算标记设置为第二取值，优选地，第一取值可为0，第二取值可为1，另外，响应于确定到达预定时间，且确定订单统计重算标记表中存在已结束但还未完成所述统计处理的订单，可对所述订单进行所述统计处理。

通过上述处理，可防止某一订单在已结束后由于某种原因未完成所述统计结果，从而导致在订单综合统计表中缺失该订单的综合统计结果的问题。

本公开的一个实施例中，还可获取查询请求，根据订单综合统计表和/或基于订单综合统计表生成的其它统计表，确定出查询结果并返回。

通过上述处理，可支持用户的各种查询操作，从而方便了用户对于信息的获取，并提升了信息利用率等。

结合上述介绍，图3为本公开基于所述订单统计重算标记表以及所述订单综合统计表进行的处理流程示意图。如图3所示，包括以下具体实现方式。

在步骤301中，针对任一未结束订单，将其记录到订单统计重算标记表中，并将该未结束订单的重算标记设置为0。

在步骤302中，响应于确定订单统计重算标记表中的任一订单已结束且已完成所述统计处理，将该订单的重算标记设置为1，所述统计处理包括：获取该订单的综合统计结果，并将所述综合统计结果记录到订单综合统计表中。

在步骤303中，响应于确定到达预定时间，且确定订单统计重算标记表中存在已结束但重算标记为0的订单，对所述订单进行所述统计处理。

即可采用定时服务方式，如在每天的零点，确定订单统计重算标记表中是否存在已结束但还未完成所述统计处理的订单，若存在，可对这些订单进行所述统计处理。

在步骤304中，基于订单综合统计表生成日度综合统计表(daily_stats)以及历史综合统计表(cloth_stats)。

其中，日度综合统计表可在每天的零点生成，历史综合统计表也可在每天的零点进行更新。日度综合统计表中可包括：日期、设备编号、品类编号、订单量、平均生产时长、总耗能、产量、平均单耗、生产效率、平均单耗环比、生产效率环比、生产耗能、静置耗能以及空转耗能等。历史综合统计表中可包括：更新日期、设备编号、品类编号、历史订单计数、前车历史平均单耗、后车历史平均单耗以及整车历史平均单耗等。

上述各表的生成和更新等可采用多线程无阻塞任务处理方式，以减少写库冲突等。

在步骤305中，基于订单综合统计表和/或日度综合统计表和/或历史综合统计表，生成获取到的查询请求对应的查询结果并返回。

所述查询可为模糊查询，可支持一个或多个条件的查询，如果不指定条件，可返回全量数据，所述一个或多个条件可包括品类、色名、克重等等，如可支持各种历史信息查询及日度信息查询等。

上述涉及到的订单综合统计表、日度综合统计表、品类综合统计表、模型版本维护表、模型执行记录表、报警对照表、报警记录表、最优工况推荐表以及订单统计重算标记表等均为中间数据表，用于存储各种中间结果，可用来支持上述查询以及各种数据监控等。

图4为本公开所述参数调整方法的数据流向示意图。如图4所示，可通过智能网关来采集二级计量仪表实时数据(水电汽计量及其他传感器数据等)，并可通过制造执行系统(MES，Manufacturing Execution System)获取实时工况数据，从而得到所需的订单产量数据、设备参数信息以及能耗信息等。获取到的信息(即数据)通过物联网平台(IoT-platform)转发后可双写入数据库中，所述数据库可为联机分析处理(OLAP Doris)数据库，或为联机事务处理关系型数据库管理系统(OLTP MySQL)数据库，或为时间序列数据库(TSDB，Time Series Database)等。另外，可基于获取到的信息，按照本公开所述方式进行数据处理。

另外，在实际应用中，本公开所述方案可采用云端部署方式，也可采用云边结合的部署方式，具体方式不限。

需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明。

总之，采用本公开方法实施例所述方案，可提升节能效果，降低实现成本等，另外，以上以印染行业长车染色机台为例，但本公开方法实施例所述方案不仅适用于印染行业长车染色机台，对于其它流程型工艺场景均可适用，如纺织、造纸、化工、生物制造和食品等流程型工艺场景，具有广泛适用性。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图5为本公开所述参数调整装置第一实施例500的组成结构示意图。如图5所示，包括：第一获取模块501、第二获取模块502以及调整模块503。

第一获取模块501，用于获取订单产量数据。

第二获取模块502，用于响应于根据所述订单产量数据确定出存在未结束订单，针对未结束订单对应的待调整参数，确定出最优参数值，所述待调整参数为能耗相关参数。

调整模块503，用于基于所述最优参数值对待调整参数进行调整。

采用上述装置实施例所述方案，可根据确定出的最优参数值来对待调整参数进行调整，所述待调整参数为能耗相关参数，从而提升了节能效果，降低了实现成本，即实现了节能调优和降本增效等。

优选地，上述装置实施例所述方案可应用于印染行业长车染色机台中。相应地，所述待调整参数可包括前车车速、后车车速以及后车蒸汽阀门开度等，具体包括哪个/哪些参数可根据实际需要而定。

第一获取模块501可获取订单产量数据，第二获取模块502若根据订单产量数据确定出存在未结束订单，那么可针对未结束订单对应的待调整参数，确定出最优参数值。

本公开的一个实施例中，所述确定出最优参数值的方式可包括以下之一或任意组合：1)基于业务规格和安全策略确定出最优参数值；2)基于历史工况轨迹确定出最优参数值；3)基于预先训练得到的策略模型确定出最优参数值。

其中，对于方式2)，第二获取模块502可获取未结束订单对应的历史工况轨迹，从历史工况轨迹中筛选出符合以下要求的历史工况轨迹：预定指标位于预定分位数范围内，将筛选出的历史工况轨迹作为专家轨迹，根据专家轨迹确定出最优参数值。

另外，本公开的一个实施例中，调整模块503响应于确定最优参数值的数量大于一组，可获取从中选定的一组最优参数值，作为目标参数值，进而可根据目标参数值对待调整参数进行调整。可以采用人工选择方式，也可以采用自动选择方式。

本公开的一个实施例中，针对待调整参数，调整模块503还可将用户自主设定的参数值作为目标参数值，或者，可将从未结束订单对应的历史参数值中选定的参数值作为目标参数值。

比如，用户认为确定出的各最优参数值均不合适，那么可自主设定参数值，作为目标参数值，或者，可获取与未结束订单同品类或相似品类的订单的历史参数值，并可从中选出一个作为目标参数值。

本公开的一个实施例中，调整模块503还可根据目标参数值确定出监控阈值，并可对待调整参数的实际参数值进行监控，响应于根据监控结果确定所述实际参数值超出所述监控阈值，可进行报警。

图6为本公开所述参数调整装置第二实施例600的组成结构示意图。如图6所示，包括：第一获取模块501、第二获取模块502、调整模块503以及统计模块504。

其中，第一获取模块501可周期性地获取订单产量数据，相应地，统计模块504响应于根据订单产量数据确定出存在已结束订单，已结束订单为最近一个周期内结束的订单，可对已结束订单进行统计处理，所述统计处理包括：获取已结束订单的综合统计结果，并将综合统计结果记录到订单综合统计表中。

另外，本公开的一个实施例中，统计模块504响应于确定未结束订单未记录到订单统计重算标记表中，可将未结束订单记录到订单统计重算标记表中，并可将未结束订单的重算标记设置为第一取值，响应于确定订单统计重算标记表中的任一订单已结束且已完成所述统计处理，可将该订单的重算标记设置为第二取值，响应于确定到达预定时间，且确定订单统计重算标记表中存在已结束但还未完成所述统计处理的订单，可对所述订单进行所述统计处理。

相应地，统计模块504还可获取查询请求，根据订单综合统计表和/或基于订单综合统计表生成的其它统计表，确定出查询结果并返回。

图5和图6所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明。

总之，采用本公开装置实施例所述方案，可提升节能效果，降低实现成本等，另外，以上以印染行业长车染色机台为例，但本公开装置实施例所述方案不仅适用于印染行业长车染色机台，对于其它流程型工艺场景均可适用，如纺织、造纸、化工、生物制造和食品等流程型工艺场景，具有广泛适用性。

本公开所述方案可应用于人工智能领域，特别涉及物联网、深度学习以及大数据处理等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

本公开所述实施例中的订单并不是针对某一特定用户的，并不能反映出某一特定用户的个人信息。本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。