CN109150615A - 一种设备运行优化方法及系统 - Google Patents

一种设备运行优化方法及系统 Download PDF

Info

Publication number
CN109150615A
CN109150615A CN201811021264.XA CN201811021264A CN109150615A CN 109150615 A CN109150615 A CN 109150615A CN 201811021264 A CN201811021264 A CN 201811021264A CN 109150615 A CN109150615 A CN 109150615A
Authority
CN
China
Prior art keywords
controllable parameter
target
principal component
correlation matrix
component
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.)
Granted
Application number
CN201811021264.XA
Other languages
English (en)
Other versions
CN109150615B (zh
Inventor
吴刚
肖俊河
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Mixlinker Network Co Ltd
Original Assignee
Shenzhen Mixlinker Network Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Mixlinker Network Co Ltd filed Critical Shenzhen Mixlinker Network Co Ltd
Priority to CN201811021264.XA priority Critical patent/CN109150615B/zh
Publication of CN109150615A publication Critical patent/CN109150615A/zh
Application granted granted Critical
Publication of CN109150615B publication Critical patent/CN109150615B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种设备运行优化方法及系统，用于实现优化设备的运行。本申请实施例方法包括：获取设备运行的目标参数和可控参数，所述可控参数的个数至少为两个；计算所述可控参数的相关系数矩阵；求解所述相关系数矩阵的特征值和特征向量；根据所述相关系数矩阵的特征值和特征向量使用主成分分析法确定出所述可控参数中的主成分，生成主成分评价模型；根据所述可控参数中的主成分求解载荷因子矩阵；将所述载荷因子矩阵反代入所述主成分评价模型，筛选出目标相关系数；使用多元多项式确定出所述目标参数与所述目标可控参数之间的函数关系式。因此，以目标可控参数为自变量，目标参数为因变量，拟合出多元多项式函数，实现设备运行的优化。

Description

一种设备运行优化方法及系统
技术领域
本申请涉及工业物联网领域，尤其涉及一种设备运行优化方法及系统。
背景技术
工业设备指的是工业生产设备和各类机床，譬如锅炉、压缩机、发电机组、热泵、变频器、充电桩、水处理设备、充电桩、新能源汽车等以及其外接和各种各样的装置、传感器或者零部件。
在实际运行中，设备的运行并不会完全按照设计者使用者的想法进行，存在着一系列无法直接主观控制的目标参数，为此，如何准确找到这些相关目标参数并加以调整改进，在行业内尚未有具体的解决方案。
发明内容
本申请实施例提供了一种设备运行优化方法及系统，用于实现优化设备的运行。
本申请实施例第一方面提供了一种设备运行优化方法，其特征在于，包括：
获取设备运行的目标参数和可控参数，所述可控参数的个数至少为两个；
计算所述可控参数的相关系数矩阵；
求解所述相关系数矩阵的特征值和特征向量；
根据所述相关系数矩阵的特征值和特征向量使用主成分分析法确定出所述可控参数中的主成分，生成主成分评价模型；
根据所述可控参数中的主成分求解载荷因子矩阵；
将所述载荷因子矩阵反代入所述主成分评价模型，筛选出目标可控参数；
使用多元多项式确定出所述目标参数与所述目标可控参数之间的函数关系式。
可选地，所述获取设备运行的目标参数和可控参数包括：
获取设备运行的目标参数和可控参数；
计算所述目标参数的偏度和峰度；
剔除不满足预设偏度和/或预设峰度的目标参数。
可选地，所述计算所述可控参数的相关系数矩阵包括：
计算所述目标参数与所述可控参数的相关系数；
剔除不满足系数第一阈值的可控参数之后，计算出所述可控参数的相关系数矩阵。
可选地，在所述使用多元多项式确定出所述目标参数与所述目标可控参数对应关系之后，所述方法还包括：
获取所述目标可控参数的运行机理；
根据所述运行机理确定出所述函数关系式的可行域；
根据所述可行域使用模式搜索法对所述函数关系式进行优化求解。
可选地，所述根据所述可行域使用模式搜索法对所述函数关系式进行优化求解包括：
Step 1.给定初始点x(1)∈Ep，可行域G(x)，p个坐标方向e1,e2,…,ep，初始步长δ，加速因子α≥1，缩减率β∈(0,1)，允许误差ε>0，置y(1)＝x(1),k＝1,j＝1；
Step 2.若y(j)+δej∈G(x)，则进行Step 4.，否则进行Step 3.；
Step 3.若y(j)-δej∈G(x)，则进行Step 5.，否则进行Step 6.；
Step 4.若f(y(j)+δej)<f(y(j))，则令y(j+1)＝y(j)+δej，进行Step 6.，否则转Step3.；
Step 5.若f(y(j)-δej)<f(y(j))，则令y(j+1)＝y(j)-δej，进行Step 6.，否则令y(j+1)＝y(j)，进行Step 6.；
Step 6.若j<p，则置j:＝j+1，转Step 2.，否则进行Step 7.；
Step 7.若f(y(p+1))<f(x(k))，则进行Step 8.，否则进行Step 9.；
Step 8.置x(k+1)＝y(p+1)，令y(1)＝x(k+1)+α(x(k+1)-x(k))，置k:＝k+1,j＝1，转Step2.；
Step 9.若δ≤ε，则停止迭代，得点x(k)，否则，置δ:＝βδ,y(1)＝x(k),x(k+1)＝x(k)，置k:＝k+1,j＝1，转Step 2.。
可选地，在所述使用多元多项式确定出所述目标参数与所述目标可控参数对应关系之后，所述方法还包括：
获取所述目标可控参数的运行机理；
根据所述运行机理确定出所述函数关系式的可行域；
根据所述可行域使用目标公式对所述函数关系式进行最优求解。
可选地，所述目标公式包括：
min J(X)＝(Y-f(X))2
s.t.X∈G(X)
其中，Y是目标元素Y的元素期望值；
或，
min D(X)＝|Y-f(X)|
其中，Y是目标元素Y的元素期望值，X(0)是一确定(初)值。
本申请实施例第二方面提供了一种设备运行优化系统，包括:
第一获取单元，用于获取设备运行的目标参数和可控参数，所述可控参数的个数至少为两个；
第一计算单元，用于计算所述可控参数的相关系数矩阵；
第一求解单元，用于求解所述相关系数矩阵的特征值和特征向量；
生成单元，用于根据所述相关系数矩阵的特征值和特征向量使用主成分分析法确定出所述可控参数中的主成分，生成主成分评价模型；
第二求解单元，用于根据所述可控参数中的主成分求解载荷因子矩阵；
筛选单元，用于将所述载荷因子矩阵反代入所述主成分评价模型，筛选出目标可控参数；
第一确定单元，用于使用多元多项式确定出所述目标参数与所述目标可控参数之间的函数关系式。
本申请实施例第三方面提供了一种计算机装置，其特征在于，包括：
处理器、存储器、输入输出设备以及总线；
所述处理器、存储器、输入输出设备分别与所述总线相连；
所述处理器用于执行如前述方法实施例任一项所述的方法。
本申请实施例第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如前述方法实施例任一项所述方法的步骤。
从以上技术方案可以看出，本申请实施例具有以下优点：本实施例中，获取设备运行的目标参数和可控参数，所述可控参数的个数至少为两个；计算所述可控参数的相关系数矩阵；求解所述相关系数矩阵的特征值和特征向量；根据所述相关系数矩阵的特征值和特征向量使用主成分分析法确定出所述可控参数中的主成分，生成主成分评价模型；根据所述可控参数中的主成分求解载荷因子矩阵；将所述载荷因子矩阵反代入所述主成分评价模型，筛选出目标相关系数；使用多元多项式确定出所述目标参数与所述目标可控参数之间的函数关系式。因此，以目标可控参数为自变量，目标参数为因变量，拟合出多元多项式函数，以此作为目标元素与可控制参数的非线性关系，从而可以实现优化设备的运行。
附图说明
图1为本申请实施例中一种设备运行优化方法实施例的一个示意图；
图2为本申请实施例中一种设备运行优化方法实施例的另一个示意图；
图3为本申请实施例中一种设备运行优化方法实施例的另一个示意图；
图4为本申请实施例中一种设备运行优化系统实施例的一个示意图；
图5为本申请实施例中计算机装置实施例的一个示意图。
具体实施方式
本申请实施例提供了一种设备运行优化方法及系统，用于实现优化设备的运行。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于理解，下面对本申请实施例中的具体流程进行描述，请参阅图1，本申请实施例中一种设备运行优化方法的一个实施例包括：
101、获取设备运行的目标参数和可控参数；
本实施例中，可以通过工业设备的监控终端来实现方法步骤，具体该终端可以为服务器、笔记本、台式电脑，或者是其他形式的终端，具体此处不做限定。该终端获取设备运行的目标参数和可控参数，所述可控参数的个数至少为两个。
具体的，优化的实质其实是希望对某一些可控参数作出调整，实现对另外一些不可直接控制的参数即目标参数的预计调整。例如电力这个参数，虽然电力的供应是人手启动的，但是如果直接调整电力的供应值，会影响到设备总体的正常运作等。而对于一个制造业来说，节约电力是迫不及待的事件之一，所以，要优化电力这个参数，我们只能从其他参数入手，在保持正常运作的情况下，调节之后可以使得电力需求值下降。
作为一个优选方案，在本步骤中，设各目标元素分别为Y1,Y2,…,YK，其他所有可控参数分别为X1,X2,…,XN，可控参数的初等变换分别为Ri(X1,X2,…,XN),i＝1,2,…,L，分别计算各目标元素的偏度si及峰度pi：
其中分别是Yi的均值，分别是Yi的标准差。优先选择的是偏度值较大同时峰度值较低的元素，即可以剔除掉偏度值较小和/或峰度值较高的元素。
102、计算所述可控参数的相关系数矩阵；
本实施例中，选定一个可优化目标元素进行分析，将其记为Y。分别计算Y与X1,X2,…,XN,XN+1＝R1,XN+2＝R2,…,XN+L＝RL的相关系数ri：
其中分别是Xi及Y的均值。
相关系数的取值在-1到1之间，ri＝0时，称Xi与Y不相关；|ri|＝1时，称Xi与Y完全相关，此时，Xi与Y之间具有线性函数关系；|ri|<1时，Xi的变动引起Y的部分变动，ri的绝对值越大，Xi的变动引起Y的变动就越大，一般当|ri|>0.8时称为高度相关，当|ri|<0.3时称为低度相关，其它介于二者之间。
挑选相关性较大的参数(例如|ri|>0.6)，为方便表示将它们仍记为Xi,i＝1,2,…,n。计算Xi的相关系数矩阵
此时，尽可能多地剔除由于相关性较大(例如|ri|>0.8)会互相影响的参数，最终确定目标元素Y对应的可控参数Xi,i＝1,2,…,p。
103、求解所述相关系数矩阵的特征值和特征向量；
本实施例中，根据步骤102确定出来的相关系数矩阵求解其对应的的特征值和特征向量。
104、根据所述相关系数矩阵的特征值和特征向量使用主成分分析法确定出所述可控参数中的主成分，生成主成分评价模型；
本实施例中，对(标准化)相关系数矩阵求其特征值和特征向量，并对其按从大到小的降序排列，根据累计贡献率和贡献率进行保留和剔除(例如临界值取80％)，超过的即被确定为主要成分，低于临界值的剔除，形成主成分综合评价模型。
105、根据所述可控参数中的主成分求解载荷因子矩阵；
本实施例中，对主成分做因子分析，用各主成分对应的特征值的平方根乘以该特征值对应的特征向量各分量，得出的组合矩阵为因子载荷矩阵，此矩阵代表的是各指标与主成分的关联系数。
106、将所述载荷因子矩阵反代入所述主成分评价模型，筛选出目标可控参数；
本实施例中，对求出的关联系数矩阵分量带入综合评价模型，再对其绝对值进行大小排序，确定阈值，剔除小于阈值的指标，留下大于阈值的指标即对指标进行了筛选。
107、使用多元多项式确定出所述目标参数与所述目标可控参数之间的函数关系式。
本实施例中，在步骤106筛选完参数之后，就要确定目标参数与可控参数之间的关系，可以直接利用最小二乘法对Y和Xi进行广义多元线性回归，拟合得到关系式
Y＝a0+a1X1+a2X2+…+apXp.
显然，目标元素Y与可控制参数Xi之间如果存在关系必定是个非线性关系，而这个非线性关系是不明显的难以获得的，所以这里应用一个多元多项式来逼近这一个关系，即
本实施例中，获取设备运行的目标参数和可控参数，所述可控参数的个数至少为两个；计算所述可控参数的相关系数矩阵；求解所述相关系数矩阵的特征值和特征向量；根据所述相关系数矩阵的特征值和特征向量使用主成分分析法确定出所述可控参数中的主成分，生成主成分评价模型；根据所述可控参数中的主成分求解载荷因子矩阵；将所述载荷因子矩阵反代入所述主成分评价模型，筛选出目标相关系数；使用多元多项式确定出所述目标参数与所述目标可控参数之间的函数关系式。因此，以目标可控参数为自变量，目标参数为因变量，拟合出多元多项式函数，以此作为目标元素与可控制参数的非线性关系，从而可以实现优化设备的运行。
本申请实施例中，在步骤107使用多元多项式确定出所述目标参数与所述目标可控参数之间的函数关系式之后，单从函数表达式上看，调整各个参数到其最大或者最小值即可使目标元素变化至最值，但是实际上我们不一定希望是最值，更多的是某个确定的值，而且时间是连续的，变化也许连续的，波动范围也是有限的，不可能一瞬间就使目标元素达到最优，调整只能根据各个参数实际变化能力调节，而且参数可能由于其他外界原因而无法同时改变，优化时间将由此延长。因此，还可以根据该函数关系式进一步求得设备运行最优解。下面将分别通过图2和图3对其进行说明。
请参阅图2，本申请实施例中一种设备运行优化方法的另一个实施例包括：
201、获取所述目标可控参数的运行机理；
本实施例中，对于每一个可控参数Xi，本身就肯定存在其合理范围，Xi,min≤Xi≤Xi,max，可以写成Xi-Xi,min≥0和Xi,max-Xi≥0。同时不同的可控参数之间也有一定的机理，例如X1+X2≥0,X3·X4>0,X1-X3＝0等等，而且这些机理都是确定的，可以通过数据录入或者接收其他设备发送的形式获取得到。
202、根据所述运行机理确定出所述函数关系式的可行域；
本实施例中，可根据步骤201获取得到该函数关系式的可行域G(X)，即：
203、根据所述可行域使用模式搜索法对所述函数关系式进行优化求解。
本实施例中，对于这类型的非线性约束规划问题，直接求得精确最优值是极度困难的，为此可以利用模式搜索法的原理来逼近最优值。模式搜索就是寻找一系列的点x(1),x(2),x(3),…这些点都越来越靠近最优值点，当搜索进行到终止条件时则将最后一个点作为本次搜索的解。利用模式搜索法解决一个有N个自变量的最优化问题。
要确定一个初始解，这个值的选取对计算结果影响很大；确定基向量用于指定搜索方向，如对于两个自变量的问题可设为按十字方向搜索；确定搜索步长它将决定算法的收敛速度，以及全局搜索能力。
模式搜索法是一种无约束的最优化求解方法，我们这里增加一可行域作为约束条件作为判断，改进后的算法步骤如下：
Step 1.给定初始点x(1)∈Ep，可行域G(x)，p个坐标方向e1,e2,…,ep，初始步长δ，加速因子α≥1，缩减率β∈(0,1)，允许误差ε>0，置y(1)＝x(1),k＝1,j＝1；
Step 2.若y(j)+δej∈G(x)，则进行Step 4.，否则进行Step 3.；
Step 3.若y(j)-δej∈G(x)，则进行Step 5.，否则进行Step 6.；
Step 4.若f(y(j)+δej)<f(y(j))，则令y(j+1)＝y(j)+δej，进行Step 6.，否则转Step3.；
Step 5.若f(y(j)-δej)<f(y(j))，则令y(j+1)＝y(j)-δej，进行Step 6.，否则令y(j+1)＝y(j)，进行Step 6.；
Step 6.若j<p，则置j:＝j+1，转Step 2.，否则进行Step 7.；
Step 7.若f(y(p+1))<f(x(k))，则进行Step 8.，否则进行Step 9.；
Step 8.置x(k+1)＝y(p+1)，令y(1)＝x(k+1)+α(x(k+1)-x(k))，置k:＝k+1,j＝1，转Step2.；Step 9.若δ≤ε，则停止迭代，得点x(k)，否则，置δ:＝βδ,y(1)＝x(k),x(k+1)＝x(k)，置k:＝k+1,j＝1，转Step 2.。
对于实际的优化方案，我们可以取当前值作为初值，每一次迭代后的参数值作为下一个时刻需要控制成为的参数值，综合得到关于时间的优化方案。
请参阅图3，本申请实施例中一种设备运行优化方法的另一个实施例包括：
301、获取所述目标可控参数的运行机理；
302、根据所述运行机理确定出所述函数关系式的可行域；
本实施例中，步骤301和步骤302与前述步骤201和步骤202类似，此处不再赘述。
303、根据所述可行域使用目标公式对所述函数关系式进行优化求解。
本实施例中，机理(函数关系f(X))确认之后，就可以根据机理来调节参数直至目标元素达到最优值。此时，问题将转化为一非线性约束规划问题。
同样记参数的约束条件(可行域)为G(X)，优化目的是调节之后的目标元素值与元素期望值之差越小越好。所以可以令J(X)＝(Y-f(X))2,则可以得到方案一：
min J(X)＝(Y-f(X))2
s.t.X∈G(X)
其中Y是目标元素Y的元素期望值。
对目标进行修正可以得到另外的非线性规划问题，即方案二：
min D(X)＝|Y-f(X)|
其中Y是目标元素Y的元素期望值，X(0)是一确定(初)值。
请参阅图4，本申请实施例中一种设备运行优化系统的一个实施例包括：
第一获取单元401，用于获取设备运行的目标参数和可控参数，所述可控参数的个数至少为两个；
第一计算单元402，用于计算所述可控参数的相关系数矩阵；
第一求解单元403，用于求解所述相关系数矩阵的特征值和特征向量；
生成单元404，用于根据所述相关系数矩阵的特征值和特征向量使用主成分分析法确定出所述可控参数中的主成分，生成主成分评价模型；
第二求解单元405，用于根据所述可控参数中的主成分求解载荷因子矩阵；
筛选单元406，用于将所述载荷因子矩阵反代入所述主成分评价模型，筛选出目标可控参数；
第一确定单元407，用于使用多元多项式确定出所述目标参数与所述目标可控参数之间的函数关系式。
作为一个优选方案，所述第一获取单元401具体用于：
获取设备运行的目标参数和可控参数；
计算所述目标参数的偏度和峰度；
剔除不满足预设偏度和/或预设峰度的目标参数。
作为一个优选方案，第一计算单元402具体用于：
计算所述目标参数与所述可控参数的相关系数；
剔除不满足系数第一阈值的可控参数之后，计算出所述可控参数的相关系数矩阵。
作为一个优选方案，在系统还包括：
第二获取单元408，用于获取所述目标可控参数的运行机理；
第二确定单元409，用于根据所述运行机理确定出所述函数关系式的可行域；
第三求解单元410，用于根据所述可行域使用模式搜索法对所述函数关系式进行优化求解。
作为一个优选方案，所述第三求解单元410具体包括：
Step 1.给定初始点x(1)∈Ep，可行域G(x)，p个坐标方向e1,e2,…,ep，初始步长δ，加速因子α≥1，缩减率β∈(0,1)，允许误差ε>0，置y(1)＝x(1),k＝1,j＝1；
Step 2.若y(j)+δej∈G(x)，则进行Step 4.，否则进行Step 3.；
Step 3.若y(j)-δej∈G(x)，则进行Step 5.，否则进行Step 6.；
Step 4.若f(y(j)+δej)<f(y(j))，则令y(j+1)＝y(j)+δej，进行Step 6.，否则转Step 3.；
Step 5.若f(y(j)-δej)<f(y(j))，则令y(j+1)＝y(j)-δej，进行Step 6.，否则令y(j+1)＝y(j)，进行Step 6.；
Step 6.若j<p，则置j:＝j+1，转Step 2.，否则进行Step 7.；
Step 7.若f(y(p+1))<f(x(k))，则进行Step 8.，否则进行Step 9.；
Step 8.置x(k+1)＝y(p+1)，令y(1)＝x(k+1)+α(x(k+1)-x(k))，置k:＝k+1,j＝1，转Step 2.；
Step 9.若δ≤ε，则停止迭代，得点x(k)，否则，置δ:＝βδ,y(1)＝x(k),x(k+1)＝x(k)，置k:＝k+1,j＝1，转Step 2.。
作为一个优选方案，所述系统还包括：
第三获取单元411，用于获取所述目标可控参数的运行机理；
第三确定单元412，用于根据所述运行机理确定出所述函数关系式的可行域；
第四求解单元413，用于根据所述可行域使用目标公式对所述函数关系式进行最优求解。
作为一个优选方案，所述目标公式包括：
min J(X)＝(Y-f(X))2
s.t.X∈G(X)
其中，Y是目标元素Y的元素期望值；
或，
min D(X)＝|Y-f(X)|
其中，Y是目标元素Y的元素期望值，X(0)是一确定(初)值。
本实施例中，第一获取单元401，用于获取设备运行的目标参数和可控参数，所述可控参数的个数至少为两个；第一计算单元402，用于计算所述可控参数的相关系数矩阵；第一求解单元403，用于求解所述相关系数矩阵的特征值和特征向量；生成单元404，用于根据所述相关系数矩阵的特征值和特征向量使用主成分分析法确定出所述可控参数中的主成分，生成主成分评价模型；第二求解单元405，用于根据所述可控参数中的主成分求解载荷因子矩阵；筛选单元406，用于将所述载荷因子矩阵反代入所述主成分评价模型，筛选出目标可控参数；第一确定单元407，用于使用多元多项式确定出所述目标参数与所述目标可控参数之间的函数关系式。因此，以目标可控参数为自变量，目标参数为因变量，拟合出多元多项式函数，以此作为目标元素与可控制参数的非线性关系，从而可以实现优化设备的运行。
上面从模块化的装置对本申请实施例中一种设备运行优化系统进行了描述，下面硬件装置对本申请实施例中的计算机装置进行描述，请参阅图5，本申请实施例中计算机装置的一个具体实施例包括：
该装置500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)501(例如，一个或一个以上处理器)和存储器505，该存储器505中存储有一个或一个以上的应用程序或数据。
其中，存储器505可以是易失性存储或持久存储。存储在存储器505的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器501可以设置为与存储器505通信，在智能终端500上执行存储器505中的一系列指令操作。
该装置500还可以包括一个或一个以上电源502，一个或一个以上有线或无线网络接口503，一个或一个以上输入输出接口504，和/或，一个或一个以上操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
本实施例中计算机装置500中的中央处理器501所执行的流程与前述实施例中描述方法流程中执行的方法步骤类似，此处不再赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
可以理解的是，在本申请的各种实施例中，上述各步骤的序号的大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种设备运行优化方法，其特征在于，包括：
获取设备运行的目标参数和可控参数，所述可控参数的个数至少为两个；
计算所述可控参数的相关系数矩阵；
求解所述相关系数矩阵的特征值和特征向量；
根据所述相关系数矩阵的特征值和特征向量使用主成分分析法确定出所述可控参数中的主成分，生成主成分评价模型；
根据所述可控参数中的主成分求解载荷因子矩阵；
将所述载荷因子矩阵反代入所述主成分评价模型，筛选出目标可控参数；
使用多元多项式确定出所述目标参数与所述目标可控参数之间的函数关系式。
2.根据权利要求1所述的方法，其特征在于，所述获取设备运行的目标参数和可控参数包括：
获取设备运行的目标参数和可控参数；
计算所述目标参数的偏度和峰度；
剔除不满足预设偏度和/或预设峰度的目标参数。
3.根据权利要求1所述的方法，其特征在于，所述计算所述可控参数的相关系数矩阵包括：
计算所述目标参数与所述可控参数的相关系数；
剔除不满足系数第一阈值的可控参数之后，计算出所述可控参数的相关系数矩阵。
4.根据权利要求1至3任一项所述的方法，其特征在于，在所述使用多元多项式确定出所述目标参数与所述目标可控参数对应关系之后，所述方法还包括：
获取所述目标可控参数的运行机理；
根据所述运行机理确定出所述函数关系式的可行域；
根据所述可行域使用模式搜索法对所述函数关系式进行优化求解。
5.根据权利要求4所述的方法，其特征在于，所述根据所述可行域使用模式搜索法对所述函数关系式进行优化求解包括：
Step1.给定初始点x(1)∈Ep，可行域G(x)，p个坐标方向e1,e2,…,ep，初始步长δ，加速因子α≥1，缩减率β∈(0,1)，允许误差ε>0，置y(1)＝x(1),k＝1,j＝1；
Step2.若y(j)+δej∈G(x)，则进行Step4.，否则进行Step3.；
Step3.若y(j)-δej∈G(x)，则进行Step5.，否则进行Step6.；
Step4.若f(y(j)+δej)<f(y(j))，则令y(j+1)＝y(j)+δej，进行Step6.，否则转Step3.；
Step5.若f(y(j)-δej)<f(y(j))，则令y(j+1)＝y(j)-δej，进行Step6.，否则令y(j+1)＝y(j)，进行Step6.；
Step6.若j<p，则置j:＝j+1，转Step2.，否则进行Step7.；
Step7.若f(y(p+1))<f(x(k))，则进行Step8.，否则进行Step9.；
Step8.置x(k+1)＝y(p+1)，令y(1)＝x(k+1)+α(x(k+1)-x(k))，置k:＝k+1,j＝1，转Step2.；
Step9.若δ≤ε，则停止迭代，得点x(k)，否则，置δ:＝βδ,y(1)＝x(k),x(k+1)＝x(k)，置k:＝k+1,j＝1，转Step2.。
6.根据权利要求1至3任一项所述的方法，其特征在于，在所述使用多元多项式确定出所述目标参数与所述目标可控参数对应关系之后，所述方法还包括：
获取所述目标可控参数的运行机理；
根据所述运行机理确定出所述函数关系式的可行域；
根据所述可行域使用目标公式对所述函数关系式进行最优求解。
7.根据权利要求6所述的方法，其特征在于，所述目标公式包括：
min J(X)＝(Y-f(X))2
s.t.X∈G(X)
其中，Y是目标元素Y的元素期望值；
或，
min D(X)＝|Y-f(X)|
其中，Y是目标元素Y的元素期望值，X(0)是一确定(初)值。
8.一种设备运行优化系统，其特征在于，包括:
第一获取单元，用于获取设备运行的目标参数和可控参数，所述可控参数的个数至少为两个；
第一计算单元，用于计算所述可控参数的相关系数矩阵；
第一求解单元，用于求解所述相关系数矩阵的特征值和特征向量；
生成单元，用于根据所述相关系数矩阵的特征值和特征向量使用主成分分析法确定出所述可控参数中的主成分，生成主成分评价模型；
第二求解单元，用于根据所述可控参数中的主成分求解载荷因子矩阵；
筛选单元，用于将所述载荷因子矩阵反代入所述主成分评价模型，筛选出目标可控参数；
第一确定单元，用于使用多元多项式确定出所述目标参数与所述目标可控参数之间的函数关系式。
9.一种计算机装置，其特征在于，包括：
处理器、存储器、输入输出设备以及总线；
所述处理器、存储器、输入输出设备分别与所述总线相连；
所述处理器用于执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述方法的步骤。
CN201811021264.XA 2018-09-03 2018-09-03 一种设备运行优化方法及系统 Active CN109150615B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811021264.XA CN109150615B (zh) 2018-09-03 2018-09-03 一种设备运行优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811021264.XA CN109150615B (zh) 2018-09-03 2018-09-03 一种设备运行优化方法及系统

Publications (2)

Publication Number Publication Date
CN109150615A true CN109150615A (zh) 2019-01-04
CN109150615B CN109150615B (zh) 2022-06-10

Family

ID=64826574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811021264.XA Active CN109150615B (zh) 2018-09-03 2018-09-03 一种设备运行优化方法及系统

Country Status (1)

Country Link
CN (1) CN109150615B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390478A (zh) * 2019-07-17 2019-10-29 江苏云脑数据科技有限公司 基于物联网的金融贷后监管系统与监管方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217263A (zh) * 2014-09-28 2014-12-17 广东电网有限责任公司江门供电局 一种配电开关设备关键状态量的优化方法
CN105136510A (zh) * 2015-10-10 2015-12-09 中国石油化工股份有限公司 基于主成分分析的换热器网络能效评价方法
CN105303468A (zh) * 2015-11-20 2016-02-03 国网天津市电力公司 一种基于主成分聚类分析的智能电网建设综合评价方法
CN107545380A (zh) * 2017-10-13 2018-01-05 常州工学院 基于主成分分析的城市宜居性评价模型

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217263A (zh) * 2014-09-28 2014-12-17 广东电网有限责任公司江门供电局 一种配电开关设备关键状态量的优化方法
CN105136510A (zh) * 2015-10-10 2015-12-09 中国石油化工股份有限公司 基于主成分分析的换热器网络能效评价方法
CN105303468A (zh) * 2015-11-20 2016-02-03 国网天津市电力公司 一种基于主成分聚类分析的智能电网建设综合评价方法
CN107545380A (zh) * 2017-10-13 2018-01-05 常州工学院 基于主成分分析的城市宜居性评价模型

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390478A (zh) * 2019-07-17 2019-10-29 江苏云脑数据科技有限公司 基于物联网的金融贷后监管系统与监管方法

Also Published As

Publication number Publication date
CN109150615B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
Deb Nonlinear goal programming using multi-objective genetic algorithms
Das et al. Multi-objective LQR with optimum weight selection to design FOPID controllers for delayed fractional order processes
Ikeda et al. A space-optimal self-stabilizing algorithm for the maximal independent set problem
CN109472397B (zh) 基于粘度变化的聚合工艺参数调节方法
Kaabi et al. Learning criteria weights with TOPSIS method and continuous VNS for multi-criteria inventory classification
CN109150615A (zh) 一种设备运行优化方法及系统
Malakooti et al. Multiple criteria approach and generation of efficient alternatives for machine-part family formation in group technology
Bontempi et al. Recursive lazy learning for modeling and control
Noorossana et al. An interactive artificial neural networks approach to multiresponse optimization
Van Rosmalen et al. Optimization strategies for two-mode partitioning
CN117234251A (zh) 一种基于人工智能的电器压力控制方法及系统
Aduroja et al. Distributed principal components analysis in sensor networks
Napalkova et al. Multi-objective stochastic simulation-based optimisation applied to supply chain planning
Coelho et al. Tuning Analog PID Controllers by Multi-Objective Genetic Algorithms with Fuzzy Aggregation.
CN110334517A (zh) 可信策略的更新方法及装置、可信安全管理平台
Zhang et al. Missile fixed-structure m controller design based on constrained PSO algorithm
Pasandideh et al. A new approach to solve multi-response statistical optimization problems using neural network, genetic algorithm, and goal attainment methods
Acır et al. LYAPUNOV THEORY BASED ADAPTIVE LEARNING ALGORITHM FOR MULTILAYER NEURAL NETWORKS.
Li et al. Application of improved SOM neural network in manufacturing process quality control
Wakasa et al. Distributed particle swarm optimization based on primal-dual decomposition architectures
Yu et al. Deep meta-learning for personal thermal comfort modeling in office buildings
Ubukata et al. Basic Consideration of Online and Mini-Batch Algorithms for MMMs-induced Fuzzy Co-clustering
Jacob et al. Self-reorganizing TSK fuzzy inference system with BCM theory of meta-plasticity
Alibekov et al. Proxy Functions for Approximate Reinforcement Learning
CN110310184B (zh) 基于具记忆功能的多智能体博弈的发电市场竞价仿真方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant