CN102253644A - 一种可配置型智能制程控制系统及其实现方法 - Google Patents
一种可配置型智能制程控制系统及其实现方法 Download PDFInfo
- Publication number
- CN102253644A CN102253644A CN2010101772735A CN201010177273A CN102253644A CN 102253644 A CN102253644 A CN 102253644A CN 2010101772735 A CN2010101772735 A CN 2010101772735A CN 201010177273 A CN201010177273 A CN 201010177273A CN 102253644 A CN102253644 A CN 102253644A
- Authority
- CN
- China
- Prior art keywords
- processing procedure
- algorithm
- module
- control system
- configurable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提出了一种可配置型智能制程控制系统及其实现方法,属于制程控制技术领域。该系统包括:原始数据采集模块、指示变量计算模块、神经网络算法模块以及特征参数提取模块。该系统的实现方法包括:(1)用户输入制程算法,让系统自主学习;(2)系统采集需要控制设备的原始数据;(3)从原始数据中提取特征参数;(4)通过神经网络算法对特征参数进行分析和控制;(5)得出特征参数的控制指示变量值;(6)系统根据该指示变量值对设备进行控制,以达到最终目标。该系统及其实现方法,通过制程工程师不断放入模式让系统自动学习具有部分人工智能,系统对制程的控制会逐渐优化并趋于智能。
Description
技术领域
本发明属于制程控制技术领域,涉及一种可配置型智能制程控制系统及其实现方法。
背景技术
目前制程控制系统已经从“单变量参数控制”发展到“单变量+多变量参数”解决方案,这就需要制程控制系统能对其所控制的制程保持动态或可调模式,制程模式决定设备上应该调整的参数以及调整程度,对制程偏移与改变进行修正。一旦使用了该模式,必须进行不断的微调以支持变化中的制程状态。
在传统的制程控制解决方案中,制程工程师在需要进行模式动态调整或修改设定的时候,需要把模式的算法实现要求,算法的数据来源,数据结构等内容汇总并提供给工厂的资讯部门,每一次的变更都需要软件工程师或资讯工程师对现有系统进行源程序上的修改并程序更新。
可配置制程算法引擎从根本上解决了上述实施中遇到的问题,在实现并支持目前业界采用的全部常规基本算法的基础上,算法引擎利用动态解析的方法来解释并实现用户自定义的算法。制程工程师只需要根据模式的需要自主定义任何需要实现的算法,软件工程师或资讯工程师不再需要修改源程序就可以轻松满足用户需求。
发明内容
本发明的目的是克服了目前制程控制过程中的各种困难和问题,来提供一种可配置型智能制程控制系统及其实现方法。
一种可配置型智能制程控制系统,该系统包括:
原始数据采集模块,它是用于采集所控制设备的原始数据的模块结构;
特征参数提取模块,它是用于从上述原始数据中提取出需要控制的特征参数的模块结构;
神经网络算法模块,它是用于对所提取出的特征参数进行智能算法分析的模块结构;
指示变量计算模块,它是通过上述神经网络算法对特征参数进行分析过后,得出需要控制的指示变量结果的模块结构。
进一步,所述的一种可配置型智能制程控制系统,还具有如下技术特征:
所述的神经网络算法模块,它包括有用于将制程算法输入系统的制程算法植入模块,以及用于将输入的制程算法进行学习记忆的制程算法学习模块。
所述的神经网络算法模块,它包括有根据系统的需要能够自主识别用户需要的制程算法的制程算法识别模块。
所述的神经网络算法模块,它包括有根据制程算法识别结果能够自主生成系统所需要的制程算法的制程算法生产模块。
所述的一种可配置型智能制程控制系统,还包括有用于对系统自主生成的算法进行优化处理的制程算法优化模块。
所述的一种可配置型智能制程控制系统,还包括有用于制程模式植入的人机交互界面。
所述的一种可配置型智能制程控制系统,它还包括有原始数据和报警信息链接模块。
所述的一种可配置型智能制程控制系统,还包括有报警信息统计模块,以及根据该统计结果来得出设备报警频率的设备报警频率比较模块。
一种可配置型智能制程控制系统的实现方法,配套的实现系统如上述,该方法包括如下步骤:
步骤1.用户输入制程算法,让系统自主学习;
步骤2.系统采集需要控制设备的原始数据;
步骤3.从原始数据中提取特征参数;
步骤4.通过神经网络算法对特征参数进行分析和控制;
步骤5.得出特征参数的控制指示变量值;
步骤6.系统根据该指示变量值对设备进行控制,以达到最终目标。
进一步,所述的一种可配置型智能制程控制系统的实现方法,包括有如下技术特征:
在步骤4中,通过神经网络算法分析生成了需要的制程算法之后,还需要对该制程算法进行优化处理。
本发明的优点:本发明所述的这种可配置型智能制程控制系统及其实现方法,采用神经网络算法模块以解析并实现用户自己设计或定义的算法公式,并采用数据和模式匹配技术,全部过程都是神经网络程序自动完成全部工作的,在此过程中,不需要或极少用户的干预,所以系统的实施具有广泛和适应性。神经网络算法在完成客户方的部署以后,用户每次设计或提出新的算法公式需求时,需要做的工作仅仅是把设计完成的新算法公式,通过人机交互界面导入到算法引擎的系统配置数据库中。软件工程师不需要修改系统的源程序,资讯工程师也不需要频繁的进行系统的升级维护。
系统会对算法公式用实际原始数据和模式的匹配自动优化,并让工程师做出相应的确认,这样融合了工程师的经验做到算法的自适应,做到预测和控制的智能化。通过制程工程师不断放入模式让系统自动学习具有部分人工智能,系统对制程的控制会逐渐优化并趋于智能。
附图说明
图1为本发明所述的一种可配置型智能制程控制系统的原理框图。
图2为本发明所述的一种可配置型智能制程控制系统实现方法的流程图。
具体实施方式
下面参照着附图,对本发明所述的一种可配置型智能制程控制系统及其实现方法,做更详细的介绍:
图1的说明:
参图1所示,展示了本发明所述的一种可配置型智能制程控制系统100的主要原理结构。该系统包括有:
原始数据采集模块110,它是用于采集所控制设备的原始数据的模块结构,通过该模块,系统100采集所控制的设备的各种原始数据参数,例如,设备目前的温度、转速、功率等信息,以备后续使用。
特征参数提取模块120,它是用于从上述原始数据中提取出需要控制的特征参数的模块结构;
神经网络算法模块130,它是用于对所提取出的特征参数进行智能算法分析的模块结构,它包括有制程算法植入模块131、制程算法学习模块132、制程算法识别模块133以及制程算法生成模块134。
其中的制程算法植入模块131,它是用于让制程工程师将制程算法输入系统中,让系统来学习的模块结构。用户每次设计或提出新的算法公式需求时,需要做的工作仅仅是把设计完成的新算法公式通过人机交互界面160导入到该系统的神经网络算法模块130中,使得系统的实施具有很强的适应性。
其中的制程算法学习模块132,它是用于将输入的制程算法进行学习记忆的模块结构,系统的神经网络算法模块130,接收到用户导入的新算法公式后,会自主进行学习,记忆该算法,以备需要时直接调出进行使用。
其中的制程算法识别模块133,它是根据系统的需要能够自主识别用户需要的制程算法的模块结构,通过制程算法学习模块132学习过的制程算法可以让系统作出自动识别和判别,并对制程数据结果进行预测并作出相应的措施,这样系统对制程的控制会逐渐优化并趋于智能。
其中的制程算法生成模块134,它是根据制程算法识别模块133的制程识别结果,能够自主生成系统所需要的制程算法的模块结构。
所述的一种可配置型智能制程控制系统100,还包括有用于对系统自主生成的算法进行优化处理的制程算法优化模块140,通过该制程算法优化模块140,系统会对制程算法生成模块134生成的制程算法公式,用实际原始数据和模式的匹配进行自动优化,并让工程师作出相应的确认,这样融合了工程师的经验做到算法的自适应,做到预测和控制的智能化。
所述的一种可配置型智能制程控制系统100还设置有指示变量计算模块150,它是通过上述制程算法优化模块140得出的制程算法,进一步计算出需要控制的指示变量结果的模块结构。这样就可以对设备进行最终的控制指示操作了,例如,应该将温度提高5℃等这种指示变量信息。
所述的一种可配置型智能制程控制系统100,还包括有用于制程模式植入的人机交互界面160,用户通过该界面与系统进行交流完成相关配置方面的工作,特别是对系统进行新算法的植入,让系统进行自主学习。例如,用户可以植入哪些原始数据提取特征值,采用哪种算法,需要在线监控哪些特征值的变化,具体采取哪些应对措施等等,所以系统相关的配置工作都可以在这里完成。
所述的一种可配置型智能制程控制系统100,它还包括有原始数据和报警信息链接模块170,这样方便查找设备出现问题的原因。
所述的一种可配置型智能制程控制系统,还包括有报警信息统计模块180,以及设备报警频率比较模块190。通过报警信息统计模块180可以统计处各个设备的故障累计情况,通过设备报警频率比较模块190,可以比较每个设备的故障报警频率,从而找出故障率高的设备。
图2的说明:
参图2所示,为本发明所述的一种可配置型智能制程控制系统实现方法的流程图。
步骤1.制程工程师通过制程算法植入模块,将制程算法输入系统中,让系统来学习,用户每次设计或提出新的算法公式需求时,需要做的工作仅仅是把设计完成的新算法公式通过人机交互界面导入到该系统的神经网络算法模块中,使得系统的实施具有很强的适应性。系统接收到用户导入的新算法公式后,通过制程算法学习模块会自主进行学习,记忆该算法,以备需要时直接调出进行使用。
步骤2.通过原始数据采集模块,系统采集所控制的设备的各种原始数据参数,例如,设备目前的温度、转速、功率等信息,以备后续使用。
步骤3.通过特征参数提取模块,从上述原始数据中提取出需要控制的特征参数。
步骤4.通过制程算法识别模块,根据系统的需要能够自主识别用户需要的制程算法。通过制程算法学习模块学习过的制程算法,可以让系统作出自动识别和判别,并对制程数据结果进行预测并作出相应的措施,这样系统对制程的控制会逐渐优化并趋于智能。通过制程算法生成模块,根据制程算法识别模块的制程识别结果,生成系统所需要的制程算法。通过制程算法优化模块,系统会对制程算法生成模块生成的制程算法公式,用实际原始数据和模式的匹配进行自动优化,并让工程师作出相应的确认,这样融合了工程师的经验做到算法的自适应,做到预测和控制的智能化。
步骤5.通过指示变量计算模块,将上述制程算法优化模块得出的制程算法,进一步计算出需要控制的指示变量结果。这样就可以对设备进行最终的控制指示操作了,例如,应该将温度提高5℃等这种指示变量信息。
步骤6.系统根据指示变量,对设备进行具体控制,达到目标要求。
以上是对本发明的描述而非限定,基于本发明思想的其它实施方式,均在本发明的保护范围之中。
Claims (10)
1.一种可配置型智能制程控制系统,其特征在于,该系统包括:
原始数据采集模块,它是用于采集所控制设备的原始数据的模块结构;
特征参数提取模块,它是用于从上述原始数据中提取出需要控制的特征参数的模块结构;
神经网络算法模块,它是用于对所提取出的特征参数进行智能算法分析的模块结构;
指示变量计算模块,它是通过上述神经网络算法对特征参数进行分析过后,得出需要控制的指示变量结果的模块结构。
2.根据权利要求1所述的一种可配置型智能制程控制系统,其特征在于:所述的神经网络算法模块,它包括有用于将制程算法输入系统的制程算法植入模块,以及用于将输入的制程算法进行学习记忆的制程算法学习模块。
3.根据权利要求1所述的一种可配置型智能制程控制系统,其特征在于:所述的神经网络算法模块,它包括有根据系统的需要能够自主识别用户需要的制程算法的制程算法识别模块。
4.根据权利要求1所述的一种可配置型智能制程控制系统,其特征在于:所述的神经网络算法模块,它包括有根据制程算法识别结果能够自主生成系统所需要的制程算法的制程算法生成模块。
5.根据权利要求1所述的一种可配置型智能制程控制系统,其特征在于:所述的一种可配置型智能制程控制系统,还包括有用于对系统自主生成的算法进行优化处理的制程算法优化模块。
6.根据权利要求1所述的一种可配置型智能制程控制系统,其特征在于:所述的一种可配置型智能制程控制系统,还包括有用于制程模式植入的人机交互界面。
7.根据权利要求1所述的一种可配置型智能制程控制系统,其特征在于:所述的一种可配置型智能制程控制系统,它还包括有原始数据和报警信息链接模块。
8.根据权利要求1所述的一种可配置型智能制程控制系统,其特征在于:所述的一种可配置型智能制程控制系统,还包括有报警信息统计模块,以及根据该统计结果来得出设备报警频率的设备报警频率比较模块。
9.一种可配置型智能制程控制系统的实现方法,配套的实现系统如上述,其特征在于,该方法包括如下步骤:
步骤1.用户输入制程算法,让系统自主学习;
步骤2.系统采集需要控制设备的原始数据;
步骤3.从原始数据中提取特征参数;
步骤4.通过神经网络算法对特征参数进行分析和控制;
步骤5.得出特征参数的控制指示变量值;
步骤6.系统根据该指示变量值对设备进行控制,以达到最终目标。
10.根据权利要求9所述的一种可配置型智能制程控制系统的实现方法,其特征在于,在步骤4中,通过神经网络算法分析生成了需要的制程算法之后,还需要对该制程算法进行优化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101772735A CN102253644A (zh) | 2010-05-17 | 2010-05-17 | 一种可配置型智能制程控制系统及其实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101772735A CN102253644A (zh) | 2010-05-17 | 2010-05-17 | 一种可配置型智能制程控制系统及其实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102253644A true CN102253644A (zh) | 2011-11-23 |
Family
ID=44980954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010101772735A Pending CN102253644A (zh) | 2010-05-17 | 2010-05-17 | 一种可配置型智能制程控制系统及其实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102253644A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106027300A (zh) * | 2016-05-23 | 2016-10-12 | 深圳市飞仙智能科技有限公司 | 一种应用神经网络的智能机器人参数优化系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1760866A (zh) * | 2004-09-09 | 2006-04-19 | 上海微妙网络信息系统有限公司 | 多媒体入口网站架构平台 |
CN101442660A (zh) * | 2008-12-30 | 2009-05-27 | 山东泰信电子有限公司 | 下载式数字电视条件接收系统及其动态下载方法 |
CN101455596A (zh) * | 2008-12-18 | 2009-06-17 | 西安交通大学苏州研究院 | 脑机接口驱动控制的神经义肢手及其控制方法 |
CN101566998A (zh) * | 2009-05-26 | 2009-10-28 | 华中师范大学 | 一种基于神经网络的中文问答系统 |
-
2010
- 2010-05-17 CN CN2010101772735A patent/CN102253644A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1760866A (zh) * | 2004-09-09 | 2006-04-19 | 上海微妙网络信息系统有限公司 | 多媒体入口网站架构平台 |
CN101455596A (zh) * | 2008-12-18 | 2009-06-17 | 西安交通大学苏州研究院 | 脑机接口驱动控制的神经义肢手及其控制方法 |
CN101442660A (zh) * | 2008-12-30 | 2009-05-27 | 山东泰信电子有限公司 | 下载式数字电视条件接收系统及其动态下载方法 |
CN101566998A (zh) * | 2009-05-26 | 2009-10-28 | 华中师范大学 | 一种基于神经网络的中文问答系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106027300A (zh) * | 2016-05-23 | 2016-10-12 | 深圳市飞仙智能科技有限公司 | 一种应用神经网络的智能机器人参数优化系统及方法 |
CN106027300B (zh) * | 2016-05-23 | 2019-03-05 | 深圳市飞仙智能科技有限公司 | 一种应用神经网络的智能机器人参数优化系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nikolic et al. | Predictive manufacturing systems in industry 4.0: Trends, benefits and challenges | |
Debbarma et al. | Solution to automatic generation control problem using firefly algorithm optimized IλDµ controller | |
US11079726B2 (en) | Predictive monitoring and diagnostics systems and methods | |
Chen et al. | Off-policy learning for adaptive optimal output synchronization of heterogeneous multi-agent systems | |
US11605036B2 (en) | System and methods for power system forecasting using deep neural networks | |
CN107003644B (zh) | 用于使用冗余本地监督控制器来控制过程工厂的方法 | |
CN102809928B (zh) | 一种工业企业热力设备能耗的控制优化方法 | |
CN111556630B (zh) | 基于贝叶斯网络的智能灯自适应场景识别系统及方法 | |
CN110263494B (zh) | 一种基于云边协同的氧化铝生产运行优化系统及方法 | |
CN110400018B (zh) | 用于燃煤火力电厂制粉系统的运行控制方法、系统和装置 | |
WO2023024433A1 (zh) | 一种燃气蒸汽联合循环发电机组运行调控系统及调控方法 | |
CN204883710U (zh) | 一种基于规则的电网故障诊断智能系统 | |
CN116661330A (zh) | 一种智能家居系统的协同运行方法及智能家居系统 | |
CN109631150A (zh) | 一种基于二级管网的温度、压力及用户室温的精准供热方法 | |
CN112424702A (zh) | 过程控制器及其方法和系统 | |
CN102253644A (zh) | 一种可配置型智能制程控制系统及其实现方法 | |
CN111290267B (zh) | 基于LabVIEW的火电模型辨识装置和辨识方法 | |
CN116704729A (zh) | 一种基于大数据分析的工业窑炉预警系统及方法 | |
CN115576203A (zh) | 基于神经网络的嵌入式电除尘智能控制方法和系统 | |
CN115481815A (zh) | 基于神经网络的火电厂负荷分配系统及方法 | |
CN111445141B (zh) | 一种供热机组的负荷分配方法、系统和装置 | |
KR20220076869A (ko) | 전력 사용량 예측 시스템 및 방법 | |
Leżański | Architecture of supervisory systems for subtractive manufacturing processes in Industry 4.0 based manufacturing | |
CN106095962A (zh) | 加权模糊规则提取算法 | |
FI20195891A1 (en) | Guide |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C05 | Deemed withdrawal (patent law before 1993) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20111123 |