本發(fā)明涉及云打印平臺工作量調(diào)節(jié)，具體涉及一種基于云打印平臺的自動化控制系統(tǒng)。

背景技術(shù)：

1、隨著各個地區(qū)經(jīng)濟(jì)的飛速發(fā)展和科技的進(jìn)步，云打印是指以互聯(lián)網(wǎng)為基礎(chǔ)，整合打印服務(wù)商資源，構(gòu)建共享打印平臺，向全社會提供隨時隨地的質(zhì)量標(biāo)準(zhǔn)化的打印服務(wù)，而云打印的最主要核心內(nèi)容有管理平臺，通過云打印管理平臺的作用，能夠提升云打印的工作效率。

2、然而目前僅通過對打印平臺的工作量波動進(jìn)行監(jiān)測分析，來判斷是否需要進(jìn)行工作量調(diào)節(jié)，而導(dǎo)致云打印平臺工作量波動的原因可能來自輸入端，還可能來自輸出端；同時打印任務(wù)、頻率、環(huán)境因素、設(shè)備故障等外部因素均可能對工作量的波動產(chǎn)生影響，因此僅對打印平臺側(cè)工作量波動進(jìn)行分析，可能導(dǎo)致預(yù)測出現(xiàn)一定偏差，使得預(yù)測的精度相對較低。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于云打印平臺的自動化控制系統(tǒng)，以解決現(xiàn)有技術(shù)中的上述不足中的至少一個不足。

2、為了實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于云打印平臺的自動化控制系統(tǒng)，包括以下步驟：

3、s1、分別按設(shè)置頻率獲取云打印平臺的輸入端工作量，和輸出端工作量，得到接入端工作量曲線、輸出端工作量曲線，其中輸入端是指云打印平臺與變壓前的電網(wǎng)連接的一端，輸出端是指云打印平臺與變壓后的電網(wǎng)連接的一端；

4、s2、設(shè)置輸入端正常工作量區(qū)間和輸出端正常工作量區(qū)間；

5、s3、基于輸入端正常工作量區(qū)間和輸入端工作量曲線得到輸入端異常工作量曲線，基于輸出端正常工作量區(qū)間和輸出端工作量曲線得到輸出端異常工作量曲線，其中，輸入端異常工作量曲線為輸入端工作量曲線中超過輸入端正常工作量區(qū)間的部分曲線，輸出端異常工作量曲線為輸出端工作量曲線中超過輸出端正常工作量區(qū)間的部分曲線；

6、s4、獲取輸入端異常工作量曲線及其第一設(shè)置時長前的曲線，得到輸入端工作量特征曲線，獲取輸出端異常工作量曲線及其第一設(shè)置時長前的曲線，得到輸出端工作量特征曲線；

7、s5、分別為歷史輸入端工作量特征曲線和歷史輸出端工作量特征曲線，設(shè)置輸入端工作量偏差閾值和輸出端工作量偏差閾值；

8、s6、分別基于歷史輸入端工作量特征曲線和歷史輸出端工作量特征曲線對應(yīng)數(shù)據(jù)，進(jìn)行回歸分析，分別得到多個誤差小于輸入端工作量偏差閾值的輸入端工作量異常類別曲線，和多個誤差小于輸出端工作量偏差閾值的輸出端工作量異常類別曲線；即使得每個輸入端工作量異常類別曲線與對應(yīng)的輸入端工作量特征曲線的誤差在設(shè)置的偏差閾值之內(nèi)，每個輸出端工作量異常類別曲線與對應(yīng)的輸出端工作量特征曲線的誤差在設(shè)置的偏差閾值之內(nèi)；

9、s7、基于監(jiān)測的需要設(shè)置對應(yīng)的傳感器，對云打印平臺及其輸入端側(cè)和輸出端側(cè)進(jìn)行監(jiān)測，得到影響因子；

10、s8、分析新獲取的輸入端工作量曲線和輸出端工作量曲線，對應(yīng)的輸入端工作量異常類別曲線和輸出端工作量異常類別曲線，并分析所述輸入端工作量異常類別曲線和輸出端工作量異常類別曲線在對應(yīng)的外部影響因子情況下，輸入端工作量或輸出端工作量恢復(fù)正常的概率；

11、s9、設(shè)置判斷閾值，若所述輸入端工作量或輸出端工作量在第二設(shè)置時長內(nèi)恢復(fù)正常的概率，大于所述判斷閾值，則無需進(jìn)行云打印平臺的工作量調(diào)節(jié)，否則，進(jìn)行對云打印平臺進(jìn)行工作量調(diào)節(jié)。

12、進(jìn)一步的，所述s8包括以下步驟：

13、基于誤差為輸入端工作量曲線和輸出端工作量曲線，匹配輸入端工作量異常類別曲線和輸出端工作量異常類別曲線；

14、提取出輸入端工作量曲線的輸入端工作量特征曲線，和輸出端工作量曲線的輸出端工作量特征曲線；

15、計算所述輸入端工作量特征曲線與各輸入端工作量異常類別曲線的平均誤差，和所述輸出端工作量特征曲線與各輸出端工作量異常類別曲線的平均誤差；

16、分別取平均誤差最小的輸入端工作量異常類別曲線與輸入端工作量曲線匹配對應(yīng)，平均誤差最小的輸出端工作量異常類別曲線與輸出端工作量曲線匹配對應(yīng)；

17、從輸入端工作量曲線中提取輸入端工作量特征曲線，通過提取完成后輸入端工作量曲線，作為輸入端工作量判斷曲線，從輸出端工作量曲線中提取所述輸出端工作量特征曲線之后的輸出端工作量曲線，得到輸出端工作量判斷曲線；

18、按輸入端工作量異常類別曲線的不同，分別基于輸入端工作量判斷曲線及其對應(yīng)的外部影響因子，第二設(shè)置時長內(nèi)輸入端工作量的恢復(fù)情況，訓(xùn)練貝葉斯時間序列分析模型，得到輸入端工作量自動恢復(fù)概率預(yù)測子模型，用于基于輸入的輸入端工作量判斷曲線和外部影響因子預(yù)測第二設(shè)置時長內(nèi)輸入端工作量恢復(fù)的概率；

19、按輸出端工作量異常類別曲線的不同，分別基于輸出端工作量判斷曲線及其對應(yīng)的外部影響因子，第二設(shè)置時長內(nèi)輸出端工作量的恢復(fù)情況，訓(xùn)練貝葉斯時間序列分析模型，得到輸出端工作量自動恢復(fù)概率預(yù)測子模型，用于基于輸入的輸出端工作量判斷曲線和外部影響因子預(yù)測第二設(shè)置時長內(nèi)輸出端工作量恢復(fù)的概率；

20、將所有輸入端工作量自動恢復(fù)概率預(yù)測子模型組合，得到輸入端工作量自動恢復(fù)概率預(yù)測模型，將所有輸出端工作量自動恢復(fù)概率預(yù)測子模型組合，得到輸出端工作量自動恢復(fù)概率預(yù)測模型。

21、進(jìn)一步的，所述s8還包括以下步驟：

22、將新獲取的輸入端工作量曲線和輸出端工作量曲線，分別輸入到輸入端工作量自動恢復(fù)概率預(yù)測模型和輸出端工作量自動恢復(fù)概率預(yù)測模型；

23、所述輸入端工作量自動恢復(fù)概率預(yù)測模型為其匹配對應(yīng)的輸入端工作量異常類別曲線和輸入端工作量自動恢復(fù)概率預(yù)測子模型，并得到對應(yīng)的輸入端工作量判斷曲線；

24、將得到的輸入端工作量判斷曲線輸入匹配的輸入端工作量自動恢復(fù)概率預(yù)測子模型，得到第二設(shè)置時長內(nèi)輸入端工作量恢復(fù)的概率；

25、所述輸出端工作量自動恢復(fù)概率預(yù)測模型為其匹配對應(yīng)的輸出端工作量異常類別曲線和輸出端工作量自動恢復(fù)概率預(yù)測子模型，并得到對應(yīng)的輸出端工作量判斷曲線；

26、將得到的輸出端工作量判斷曲線輸入匹配的輸出端工作量自動恢復(fù)概率預(yù)測子模型，得到第二設(shè)置時長內(nèi)輸出端工作量恢復(fù)的概率。

27、進(jìn)一步的，所述s8還包括以下步驟：

28、分別按設(shè)置頻率獲取云打印平臺的輸入端打印任務(wù)、輸出端打印任務(wù)，得到輸入端打印任務(wù)曲線和輸出端打印任務(wù)曲線；

29、獲取與輸入端工作量特征曲線時間對應(yīng)的輸入端打印任務(wù)曲線，得到輸入端打印任務(wù)特征曲線，獲取與輸出端工作量特征曲線時間對應(yīng)的輸出端打印任務(wù)曲線，得到輸出端打印任務(wù)特征曲線，即得到各輸入端工作量特征曲線同一時間的輸入端打印任務(wù)的特征變化曲線，和各輸出端工作量特征曲線同一時間的輸出端打印任務(wù)的特征變化曲線；

30、分別為歷史輸入端打印任務(wù)特征曲線和歷史輸出端打印任務(wù)特征曲線，設(shè)置輸入端打印任務(wù)偏差閾值和輸出端打印任務(wù)偏差閾值；

31、分別基于歷史輸入端打印任務(wù)特征曲線和歷史輸出端打印任務(wù)特征曲線對應(yīng)數(shù)據(jù)，進(jìn)行回歸分析，分別得到多個誤差小于輸入端打印任務(wù)偏差閾值的輸入端打印任務(wù)異常類別曲線，和多個誤差小于輸出端打印任務(wù)偏差閾值的輸出端打印任務(wù)異常類別曲線。

32、進(jìn)一步的，所述s8還包括以下步驟：

33、基于誤差為輸入端打印任務(wù)曲線和輸出端打印任務(wù)曲線，匹配輸入端打印任務(wù)異常類別曲線和輸出端打印任務(wù)異常類別曲線；

34、提取出輸入端打印任務(wù)曲線的輸入端打印任務(wù)特征曲線，和輸出端打印任務(wù)曲線的輸出端打印任務(wù)特征曲線；

35、計算所述輸入端打印任務(wù)特征曲線與各輸入端打印任務(wù)異常類別曲線的平均誤差，和所述輸出端打印任務(wù)特征曲線與各輸出端打印任務(wù)異常類別曲線的平均誤差；

36、分別取平均誤差最小的輸入端打印任務(wù)異常類別曲線與輸入端打印任務(wù)曲線對應(yīng)，平均誤差最小的輸出端打印任務(wù)異常類別曲線與輸出端打印任務(wù)曲線對應(yīng)；

37、從輸入端打印任務(wù)曲線中提取輸入端打印任務(wù)特征曲線之后的輸入端打印任務(wù)曲線，得到輸入端打印任務(wù)判斷曲線，從輸出端打印任務(wù)曲線中提取輸出端打印任務(wù)特征曲線之后的輸出端打印任務(wù)曲線，得到輸出端打印任務(wù)判斷曲線。

38、進(jìn)一步的，所述s8還包括以下步驟：

39、按輸入端工作量異常類別曲線和輸入端打印任務(wù)異常類別曲線的不同，分別基于輸入端工作量判斷曲線及其對應(yīng)的外部影響因子，輸入端打印任務(wù)判斷曲線，第二設(shè)置時長內(nèi)輸入端工作量的恢復(fù)情況，訓(xùn)練貝葉斯時間序列分析模型，得到輸入端工作量自動恢復(fù)概率預(yù)測子模型，用于基于輸入的輸入端工作量判斷曲線，外部影響因子預(yù)測，和輸入端打印任務(wù)判斷曲線，輸出第二設(shè)置時長內(nèi)輸入端工作量恢復(fù)的概率；

40、按輸出端工作量異常類別曲線和輸出端打印任務(wù)異常類別曲線的不同，分別基于輸出端工作量判斷曲線及其對應(yīng)的外部影響因子，輸出端打印任務(wù)判斷曲線，第二設(shè)置時長內(nèi)輸出端工作量的恢復(fù)情況，訓(xùn)練貝葉斯時間序列分析模型，得到輸出端工作量自動恢復(fù)概率預(yù)測子模型，用于基于輸入的輸出端工作量判斷曲線，外部影響因子，和輸出端打印任務(wù)判斷曲線，輸出第二設(shè)置時長內(nèi)輸出端工作量恢復(fù)的概率；

41、將所有輸入端工作量自動恢復(fù)概率預(yù)測子模型組合，得到輸入端工作量自動恢復(fù)概率預(yù)測模型，將所有輸出端工作量自動恢復(fù)概率預(yù)測子模型組合，得到輸出端工作量自動恢復(fù)概率預(yù)測模型。

42、進(jìn)一步的，所述s8還包括以下步驟：

43、將新獲取的輸入端工作量曲線，輸入端打印任務(wù)曲線，輸入到輸入端工作量自動恢復(fù)概率預(yù)測模型；

44、所述輸入端工作量自動恢復(fù)概率預(yù)測模型為其匹配對應(yīng)的輸入端工作量異常類別曲線，打印任務(wù)異常類別曲線和輸入端工作量自動恢復(fù)概率預(yù)測子模型，并得到對應(yīng)的輸入端工作量判斷曲線、輸入端打印任務(wù)判斷曲線；

45、將得到的輸入端工作量判斷曲線、輸入端打印任務(wù)判斷曲線輸入匹配的輸入端工作量自動恢復(fù)概率預(yù)測子模型，得到第二設(shè)置時長內(nèi)輸入端工作量恢復(fù)的概率；

46、將新獲取的輸出端工作量曲線，輸出端打印任務(wù)曲線，輸入到輸出端工作量自動恢復(fù)概率預(yù)測模型；

47、所述輸出端工作量自動恢復(fù)概率預(yù)測模型為其匹配對應(yīng)的輸出端工作量異常類別曲線，打印任務(wù)異常類別曲線和輸出端工作量自動恢復(fù)概率預(yù)測子模型，并得到對應(yīng)的輸出端工作量判斷曲線、輸出端打印任務(wù)判斷曲線；

48、將得到的輸出端工作量判斷曲線、輸出端打印任務(wù)判斷曲線輸出匹配的輸出端工作量自動恢復(fù)概率預(yù)測子模型，得到第二設(shè)置時長內(nèi)輸出端工作量恢復(fù)的概率。

49、1、與現(xiàn)有技術(shù)相比，本發(fā)明提供的一種基于云打印平臺的自動化控制系統(tǒng)，通過分析工作量的波動特征，通過誤差判斷新獲取的工作量波動特征與歷史工作量波動特征的相似度，從而方便通過歷史的工作量波動特征判斷工作量是否能在規(guī)定時間內(nèi)自動恢復(fù)，以判斷是否需要對工作量進(jìn)行調(diào)節(jié)，同時通過對云打印平臺輸入端和輸出端的工作量波動分別分析，提高了分析的精度。

50、2、與現(xiàn)有技術(shù)相比，本發(fā)明提供的一種基于云打印平臺的自動化控制系統(tǒng)，通過分析各工作量波動特征及其對應(yīng)時間的其他電氣參數(shù)和環(huán)境數(shù)據(jù)情況下，工作量在規(guī)定時間內(nèi)自動恢復(fù)的概率，并設(shè)置概率閾值，使得預(yù)測概率大于概率閾值時，才判斷工作量可在規(guī)定時間內(nèi)自動恢復(fù)無需調(diào)節(jié)云打印平臺工作量，進(jìn)一步提高了預(yù)測的精度。