CN109188904B - 一种基于机器学习的在线训练现场控制方法 - Google Patents
一种基于机器学习的在线训练现场控制方法 Download PDFInfo
- Publication number
- CN109188904B CN109188904B CN201811027871.7A CN201811027871A CN109188904B CN 109188904 B CN109188904 B CN 109188904B CN 201811027871 A CN201811027871 A CN 201811027871A CN 109188904 B CN109188904 B CN 109188904B
- Authority
- CN
- China
- Prior art keywords
- kernel function
- data
- machine learning
- control method
- online training
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 title claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 57
- 238000003780 insertion Methods 0.000 claims abstract description 10
- 230000037431 insertion Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012886 linear function Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 4
- 238000012827 research and development Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于机器学习的在线训练现场控制方法;获取现场控制器发送的指令和接收的数据,以接收到的数据为输入值、发送的指令为输出值对插入模型进行多段拟合;每拟合成功一段核函数则在之后接收的数据可拟合该核函数时切换信号通路使该核函数输出作为发送的指令。本发明通过逐段拟合的方式,能够提供有效的在线学习,便于企业有效降低人力物力的投入、缩短研发周期,能顺畅完成控制权从传统的现场控制器到机器学习的插入控制器的交接,且便于通过另外的远程通信方式而远程调整参数。
Description
技术领域
本发明涉及一种基于机器学习的在线训练现场控制方法。
背景技术
目前,机器学习在工业控制中的应用逐渐增多,然而当下本地企业普遍遇到的最大麻烦在于数据严重匮乏,这导致机器学习的控制器难以训练完成,一种折中方案是,分两期进行,先采集一段时间数据,同时完成机器学习控制器的代码,然后根据所采集的少量数据进行训练,得到一期机器学习控制器,将之投入使用,在使用过程中继续采集数据较长时间,然后根据全部采集的数据重新训练机器学习模型,得到二期机器学习控制器,将二期机器学习控制器用于最终控制。然而,采用这种方式,一来研发周期过长,二来人力物力投入极高,对企业而言不如直接聘请操作工人。
为解决上述问题,本公司设计了如图1所示的一种基于分时控制交接控制权的现场控制系统,该现场控制系统能够从硬件上保证从传统的现场控制器向机器学习为控制核心的控制器进行控制权交接可以是一个逐步更替的过程,然而具体如何完成控制权交接,现有技术并未提供技术启示。
发明内容
为解决上述技术问题,本发明提供了一种基于机器学习的在线训练现场控制方法,该基于机器学习的在线训练现场控制方法通过逐段拟合的方式,能够提供有效的在线学习,便于企业有效降低人力物力的投入、缩短研发周期。
本发明通过以下技术方案得以实现。
本发明提供的一种基于机器学习的在线训练现场控制方法;获取现场控制器发送的指令和接收的数据,以接收到的数据为输入值、发送的指令为输出值对插入模型进行多段拟合;每拟合成功一段核函数则在之后接收的数据可拟合该核函数时切换信号通路使该核函数输出作为发送的指令。
所述插入模型采用如下方式进行多段拟合:
a.以当前信号周期接收的数据作为输入值,遍历得到的核函数判断计算结果是否在限定范围,如在则判定为可拟合并将计算结果输出作为发送的指令,如均不在,则以当前信号周期接收的数据作为输入值、当前信号周期发送的指令作为输出值,遍历得到的核函数判断是否能够拟合,如能拟合则将当前信号周期接收的数据抛弃,并将拟合的核函数的计算结果限定范围修正更新,如不能拟合则将接收的数据及对应的发送的指令作为一个数据对放入至待处理数据库;
b.获取待处理数据库中的数据对计数,如大于M则将待处理数据库中的数据对取出,作为现有数据对核函数参数进行计算,计算得到多种核函数初等形式;
c.将取出的数据对代入至多种核函数初等形式中,判断是否有任意一个核函数初等形式可拟合数据对计数80%以上的数据对,如有则将该核函数初等形式标记为计算出的核函数,对应该核函数拟合的数据对则抛弃,其余数据对放回待处理数据库,其余核函数重新初始化。
所述步骤a中,能够拟合的标准为,核函数计算结果与数据对中输出值之间的差小于核函数计算结果与数据对中输出值中任意一值的10%。
所述M取值为15~25。
所述插入模型中核函数的形式至少包括线性函数、指数函数、三角函数。
所述多段拟合的过程,在待处理数据库中数据对数量少于N时结束。
所述N为3~6。
所述多段拟合的过程结束时,清除待处理数据库中的数据对。
本发明的有益效果在于:通过逐段拟合的方式,能够提供有效的在线学习,便于企业有效降低人力物力的投入、缩短研发周期,能顺畅完成控制权从传统的现场控制器到机器学习的插入控制器的交接,且便于通过另外的远程通信方式而远程调整参数。
附图说明
图1是本发明所应用的现场控制系统的连接示意图。
具体实施方式
下面进一步描述本发明的技术方案,但要求保护的范围并不局限于所述。
本发明应用于如图1所示的基于分时控制交接控制权的现场控制系统,具体是一种基于机器学习的在线训练现场控制方法;获取现场控制器发送的指令和接收的数据,以接收到的数据为输入值、发送的指令为输出值对插入模型进行多段拟合;每拟合成功一段核函数则在之后接收的数据可拟合该核函数时切换信号通路使该核函数输出作为发送的指令。
所述插入模型采用如下方式进行多段拟合:
a.以当前信号周期接收的数据作为输入值,遍历得到的核函数判断计算结果是否在限定范围,如在则判定为可拟合并将计算结果输出作为发送的指令,如均不在,则以当前信号周期接收的数据作为输入值、当前信号周期发送的指令作为输出值,遍历得到的核函数判断是否能够拟合,如能拟合则将当前信号周期接收的数据抛弃,并将拟合的核函数的计算结果限定范围修正更新,如不能拟合则将接收的数据及对应的发送的指令作为一个数据对放入至待处理数据库;
b.获取待处理数据库中的数据对计数,如大于M则将待处理数据库中的数据对取出,作为现有数据对核函数参数进行计算,计算得到多种核函数初等形式;
c.将取出的数据对代入至多种核函数初等形式中,判断是否有任意一个核函数初等形式可拟合数据对计数80%以上的数据对,如有则将该核函数初等形式标记为计算出的核函数,对应该核函数拟合的数据对则抛弃,其余数据对放回待处理数据库,其余核函数重新初始化。
所述步骤a中,能够拟合的标准为,核函数计算结果与数据对中输出值之间的差小于核函数计算结果与数据对中输出值中任意一值的10%。
所述M取值为15~25,具体视具体应用中反馈周期而定。
所述插入模型中核函数的形式至少包括线性函数、指数函数、三角函数。
所述多段拟合的过程,在待处理数据库中数据对数量少于N时结束。
所述N为3~6,一般取为4。
所述多段拟合的过程结束时,清除待处理数据库中的数据对。
现场控制一般是数字控制,传感器的信号量经终末端的控制器转变为数字量后发送至现场控制器的信号接收端,同理,执行机构也是由终末端控制器接收现场控制器的指令发送端发送的数字指令一般包括操作指令和数值,故对于现场控制器而言,收发均是数字信号,数字信号则意味控制过程由信号周期组成,在每一个周期中完成一次输入传感器数据、输出控制指令的过程,因此只要适时在两个信号周期之间将信号接收端-现场控制器-指令发送端的信号导通通路切换为信号接收端-插入控制器-指令发送端的信号导通通路,即可实现控制权瞬时交换。
通过信号接收端接收到的数据一般是多个传感器的数据,加上收到的控制指令,可以视为一个输入向量,同理,指令发送端发送的指令一般也是多个执行机构的控制值,可以视为一个输出向量,则对于输入向量到输出向量之间的映射关系,可以采用传统机器学习的方式进行拟合,但由于实际当中,控制过程可能有多种状态,在不同状态下输入向量和输出向量之间的映射关系可能有所不同,因此采用多段拟合的方式,能够拟合得到多种映射关系,从而满足控制需要。
本发明实质上是直接将机器学习的回归计算介入至控制过程,通过传统的现场控制器控制的稳定性来引导机器学习的回归计算,每完成一段拟合(即能够拟合得到一种映射关系),则交接一段控制权,直至完全交接。
Claims (7)
1.一种基于机器学习的在线训练现场控制方法,其特征在于:获取现场控制器发送的指令和接收的数据,以接收到的数据为输入值、发送的指令为输出值对插入模型进行多段拟合;每拟合成功一段核函数则在之后接收的数据可拟合该核函数时切换信号通路,使该核函数的输出作为发送的指令;
所述插入模型采用如下方式进行多段拟合:
a.以当前信号周期接收的数据作为输入值,遍历得到的核函数判断计算结果是否在限定范围,如在则判定为可拟合并将计算结果输出作为发送的指令,如均不在,则以当前信号周期接收的数据作为输入值、当前信号周期发送的指令作为输出值,遍历得到的核函数判断是否能够拟合,如能拟合则将当前信号周期接收的数据抛弃,并将拟合的核函数的计算结果限定范围修正更新,如不能拟合则将接收的数据及对应的发送的指令作为一个数据对放入至待处理数据库;
b.获取待处理数据库中的数据对计数,如大于M则将待处理数据库中的数据对取出,作为现有数据对核函数参数进行计算,计算得到多种核函数形式;
c.将取出的数据对代入至多种核函数形式中,判断是否有任意一个核函数形式可拟合数据对计数80%以上的数据对,如有则将该核函数形式标记为计算出的核函数,对应该核函数拟合的数据对则抛弃,其余数据对放回待处理数据库,其余核函数重新初始化。
2.如权利要求1所述的基于机器学习的在线训练现场控制方法,其特征在于:能够拟合的标准为,核函数计算结果与数据对中输出值之间的差小于核函数计算结果与数据对中输出值中任意一值的10%。
3.如权利要求1所述的基于机器学习的在线训练现场控制方法,其特征在于:所述M取值为15~25。
4.如权利要求1所述的基于机器学习的在线训练现场控制方法,其特征在于:所述插入模型中核函数的形式至少包括线性函数、指数函数、三角函数。
5.如权利要求1所述的基于机器学习的在线训练现场控制方法,其特征在于:所述多段拟合的过程,在待处理数据库中数据对数量少于N时结束。
6.如权利要求5所述的基于机器学习的在线训练现场控制方法,其特征在于:所述N为3~6。
7.如权利要求5所述的基于机器学习的在线训练现场控制方法,其特征在于:所述多段拟合的过程结束时,清除待处理数据库中的数据对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811027871.7A CN109188904B (zh) | 2018-09-04 | 2018-09-04 | 一种基于机器学习的在线训练现场控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811027871.7A CN109188904B (zh) | 2018-09-04 | 2018-09-04 | 一种基于机器学习的在线训练现场控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109188904A CN109188904A (zh) | 2019-01-11 |
CN109188904B true CN109188904B (zh) | 2021-06-15 |
Family
ID=64914408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811027871.7A Expired - Fee Related CN109188904B (zh) | 2018-09-04 | 2018-09-04 | 一种基于机器学习的在线训练现场控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109188904B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101317794A (zh) * | 2008-03-11 | 2008-12-10 | 清华大学 | 多指多自由度假手用肌电控制能力检测训练方法 |
CN101630376A (zh) * | 2009-08-12 | 2010-01-20 | 江苏大学 | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 |
CN103410660A (zh) * | 2013-05-14 | 2013-11-27 | 湖南工业大学 | 基于支持向量机的风力发电变桨距自学习控制方法 |
CN104657781A (zh) * | 2013-11-20 | 2015-05-27 | 江南大学 | 一种基于神经网络算法的电能消耗预测系统 |
CN107831652A (zh) * | 2017-10-13 | 2018-03-23 | 国网河北能源技术服务有限公司 | 一种基于冷端系统储能的机组负荷智能优化控制方法 |
CN108437991A (zh) * | 2018-04-11 | 2018-08-24 | 厦门大学 | 一种智能电动汽车自适应巡航控制系统及其方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7756591B2 (en) * | 2006-04-25 | 2010-07-13 | Pegasus Technologies, Inc. | System for optimizing oxygen in a boiler |
-
2018
- 2018-09-04 CN CN201811027871.7A patent/CN109188904B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101317794A (zh) * | 2008-03-11 | 2008-12-10 | 清华大学 | 多指多自由度假手用肌电控制能力检测训练方法 |
CN101630376A (zh) * | 2009-08-12 | 2010-01-20 | 江苏大学 | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 |
CN103410660A (zh) * | 2013-05-14 | 2013-11-27 | 湖南工业大学 | 基于支持向量机的风力发电变桨距自学习控制方法 |
CN104657781A (zh) * | 2013-11-20 | 2015-05-27 | 江南大学 | 一种基于神经网络算法的电能消耗预测系统 |
CN107831652A (zh) * | 2017-10-13 | 2018-03-23 | 国网河北能源技术服务有限公司 | 一种基于冷端系统储能的机组负荷智能优化控制方法 |
CN108437991A (zh) * | 2018-04-11 | 2018-08-24 | 厦门大学 | 一种智能电动汽车自适应巡航控制系统及其方法 |
Non-Patent Citations (2)
Title |
---|
"一种基于DCS的分时训练神经网络";陈海列等;《自动化应用》;20171231;第2页第1-5段 * |
"基于最小二乘支持向量机算法的测量数据时序异常检测方法";倪景峰等;《华北电力大学学报(自然科学版)》;20081231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109188904A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046589A (zh) | 一种智能产线可试验数字孪生体建模方法 | |
CN108890652B (zh) | 一种变电站巡检机器人及变电站设备巡检方法 | |
CN103713271A (zh) | 一种bms电流检测单元的自动校准设备及校准方法 | |
US10353348B2 (en) | System, industrial controller and method configured to execute a closed loop control on data for cloud based applications | |
CN108655190B (zh) | 一种侧导板的控制方法及系统 | |
CN110244658B (zh) | 一种基于改进bp神经网络提高裁床插补位置精度的方法 | |
CN105807615A (zh) | 模糊前馈反馈控制器 | |
CN114742250A (zh) | 一种基于数据分析的数控设备运行故障预测系统 | |
CN109188904B (zh) | 一种基于机器学习的在线训练现场控制方法 | |
CN107784706A (zh) | 一种生产执行管理系统、生产设备及生产执行系统 | |
CN115384017A (zh) | 注塑生产调试系统及方法 | |
CN109366485B (zh) | 一种在线机器学习的现场控制方法 | |
CN114466259B (zh) | 一种物联网关的数据处理方法、装置、设备及物联网关 | |
CN109325593B (zh) | 一种现场控制分时控制交接控制权的方法 | |
CN109001989B (zh) | 基于智能学习算法的机器控制方法 | |
CN116977558A (zh) | 一种三维模型更新方法、装置、计算机设备及存储介质 | |
CN101693324A (zh) | 激光加工系统中的激光随动的控制方法及系统 | |
CN109240227B (zh) | 一种基于分时控制交接控制权的现场控制方法 | |
CN106610588B (zh) | 一种串级预测控制系统及方法 | |
CN207216856U (zh) | 捣固车遥控作业装置 | |
CN108067599B (zh) | 基于炼钢连铸全过程数据的板坯质量分析方法 | |
CN110187638A (zh) | 一种大时滞模糊控制方法 | |
CN105222952B (zh) | 一种高精度压力表检定仪数控系统 | |
CN109358531B (zh) | 一种基于分时控制交接控制权的现场控制系统 | |
CN101149598B (zh) | 阀门自动、手动无扰动操作控制方法及装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210615 |