CN109325593A - 一种现场控制分时控制交接控制权的方法 - Google Patents

一种现场控制分时控制交接控制权的方法 Download PDF

Info

Publication number
CN109325593A
CN109325593A CN201811027163.3A CN201811027163A CN109325593A CN 109325593 A CN109325593 A CN 109325593A CN 201811027163 A CN201811027163 A CN 201811027163A CN 109325593 A CN109325593 A CN 109325593A
Authority
CN
China
Prior art keywords
control
signal
controller
machine learning
field
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
CN201811027163.3A
Other languages
English (en)
Other versions
CN109325593B (zh
Inventor
文芳
文芳一
黄孝平
黄文哲
韦中新
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.)
GUANGXI QUALITY TECHNOLOGY ENGINEERING SCHOOL
Original Assignee
GUANGXI QUALITY TECHNOLOGY ENGINEERING SCHOOL
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 GUANGXI QUALITY TECHNOLOGY ENGINEERING SCHOOL filed Critical GUANGXI QUALITY TECHNOLOGY ENGINEERING SCHOOL
Priority to CN201811027163.3A priority Critical patent/CN109325593B/zh
Publication of CN109325593A publication Critical patent/CN109325593A/zh
Application granted granted Critical
Publication of CN109325593B publication Critical patent/CN109325593B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种现场控制分时控制交接控制权的方法；信号选择模块以信号周期数占比100：N的比例分别切换现场控制器和插入控制器的信号导通；当插入控制器信号导通时，更新插入控制器中的机器学习模型参数；N从1至1000递增后递减往复至少两次后保持仅插入控制器信号导通；任一时间现场控制器和插入控制器仅有一路信号导通。本发明通过信号周期数占比渐进变化的方式，能够提供在线训练的基础并最终完成控制权交接，便于企业有效降低人力物力的投入、缩短研发周期，从而避免原始数据积累和虚拟环境搭建的过程，从而有效降低企业在应用机器学习的方式进行自动控制时所需的成本，方便用户完成从传统控制到机器学习控制的过程。

Description

一种现场控制分时控制交接控制权的方法
技术领域
本发明涉及一种现场控制分时控制交接控制权的方法。
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(已另外申请专利)，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，本发明提供了一种现场控制分时控制交接控制权的方法，该现场控制分时控制交接控制权的方法通过信号周期数占比渐进变化的方式，能够提供在线训练的基础并最终完成控制权交接，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。
本发明提供的一种现场控制分时控制交接控制权的方法；信号选择模块以信号周期数占比100：N的比例分别切换现场控制器和插入控制器的信号导通；当插入控制器信号导通时，更新插入控制器中的机器学习模型参数；N从1至1000递增后递减往复至少两次后保持仅插入控制器信号导通；任一时间现场控制器和插入控制器仅有一路信号导通。
所述更新插入控制器中的机器学习模型参数，采用如下步骤：
a.从信号接收端获取当前输入数据，将当前输入数据作为机器学习模型的输出对机器学习模型反向计算，计算结果作为当前模拟输入；
b.根据当前模拟输入和前一输入数据的误差值更新机器学习模型，如无前一现场控制器输入，则将当前模拟输入直接作为误差值；
c.将当前输入数据代入至更新后的机器学习模型中计算输出指令值；
d.当前输入数据更新至前一输入数据，然后进入下一时序，等待从信号接收端获取当前输入数据。
所述N初始为1，每经过M个信号周期后，N自加1，当N为1000则标记反向，当N标记反向时每经过M个信号周期N自减1，当N自减结果为1时取消标记反向。
所述M取值为5～20。
所述机器学习模型采用带值函数逼近的TD学习算法。
所述强化学习模型的值函数为高斯核函数。
所述信号选择模块切换信号导通是通过时序协调模块控制实现。
所述信号选择模块为光耦电路，时序协调模块输出IO引脚连接控制两路光耦电路，两路光耦电路分别控制现场控制器和插入控制器的通信导通，其中一路光耦电路前级串联有非门。
本发明的有益效果在于：通过信号周期数占比渐进变化的方式，能够提供在线训练的基础并最终完成控制权交接，便于企业有效降低人力物力的投入、缩短研发周期，从而避免原始数据积累和虚拟环境搭建的过程，从而有效降低企业在应用机器学习的方式进行自动控制时所需的成本，方便用户完成从传统控制到机器学习控制的过程。
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，具体是一种现场控制分时控制交接控制权的方法；信号选择模块以信号周期数占比100：N的比例分别切换现场控制器和插入控制器的信号导通；当插入控制器信号导通时，更新插入控制器中的机器学习模型参数；N从1至1000递增后递减往复至少两次后保持仅插入控制器信号导通；任一时间现场控制器和插入控制器仅有一路信号导通。
所述更新插入控制器中的机器学习模型参数，采用如下步骤：
a.从信号接收端获取当前输入数据，将当前输入数据作为机器学习模型的输出对机器学习模型反向计算，计算结果作为当前模拟输入；
b.根据当前模拟输入和前一输入数据的误差值更新机器学习模型，如无前一现场控制器输入，则将当前模拟输入直接作为误差值；
c.将当前输入数据代入至更新后的机器学习模型中计算输出指令值；
d.当前输入数据更新至前一输入数据，然后进入下一时序，等待从信号接收端获取当前输入数据。
所述N初始为1，每经过M个信号周期后，N自加1，当N为1000则标记反向，当N标记反向时每经过M个信号周期N自减1，当N自减结果为1时取消标记反向。
所述M取值为5～20。
所述机器学习模型采用带值函数逼近的TD学习算法。
所述强化学习模型的值函数为高斯核函数。
所述信号选择模块切换信号导通是通过时序协调模块控制实现。
所述信号选择模块为光耦电路，时序协调模块输出IO引脚连接控制两路光耦电路，两路光耦电路分别控制现场控制器和插入控制器的通信导通，其中一路光耦电路前级串联有非门。
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。
本发明实质上是直接将机器学习模型介入至控制过程，通过传统的现场控制器控制的稳定性来确保机器学习模型在训练时结果不稳定的情况，以反向计算而得到的误差值作为强化学习框架中的奖励值，从而使得采用强化学习的机器学习模型可以在线训练，既不需要单独采集数据，也不需要专人在现场调试开发，当N在第一个往复过程中，从1增大至50(此时机器学习模型至少经过250次参数更新)，基本上对整体的控制方式已被传统的现场控制器引导固化，之后的过程更多在于调整以便于控制更精确，因此训练过程即使控制指令有异常浮动也不会对整体控制造成太大影响，尚在能够接受范围。

Claims (8)

1.一种现场控制分时控制交接控制权的方法，其特征在于：信号选择模块以信号周期数占比100：N的比例分别切换现场控制器和插入控制器的信号导通；当插入控制器信号导通时，更新插入控制器中的机器学习模型参数；N从1至1000递增后递减往复至少两次后保持仅插入控制器信号导通；任一时间现场控制器和插入控制器仅有一路信号导通。
2.如权利要求1所述的现场控制分时控制交接控制权的方法，其特征在于：所述更新插入控制器中的机器学习模型参数，采用如下步骤：
a.从信号接收端获取当前输入数据，将当前输入数据作为机器学习模型的输出对机器学习模型反向计算，计算结果作为当前模拟输入；
b.根据当前模拟输入和前一输入数据的误差值更新机器学习模型，如无前一现场控制器输入，则将当前模拟输入直接作为误差值；
c.将当前输入数据代入至更新后的机器学习模型中计算输出指令值；
d.当前输入数据更新至前一输入数据，然后进入下一时序，等待从信号接收端获取当前输入数据。
3.如权利要求1所述的现场控制分时控制交接控制权的方法，其特征在于：所述N初始为1，每经过M个信号周期后，N自加1，当N为1000则标记反向，当N标记反向时每经过M个信号周期N自减1，当N自减结果为1时取消标记反向。
4.如权利要求3所述的现场控制分时控制交接控制权的方法，其特征在于：所述M取值为5～20。
5.如权利要求1所述的现场控制分时控制交接控制权的方法，其特征在于：所述机器学习模型采用带值函数逼近的TD学习算法。
6.如权利要求5所述的现场控制分时控制交接控制权的方法，其特征在于：所述强化学习模型的值函数为高斯核函数。
7.如权利要求1所述的现场控制分时控制交接控制权的方法，其特征在于：所述信号选择模块切换信号导通是通过时序协调模块控制实现。
8.如权利要求7所述的现场控制分时控制交接控制权的方法，其特征在于：所述信号选择模块为光耦电路，时序协调模块输出IO引脚连接控制两路光耦电路，两路光耦电路分别控制现场控制器和插入控制器的通信导通，其中一路光耦电路前级串联有非门。
CN201811027163.3A 2018-09-04 2018-09-04 一种现场控制分时控制交接控制权的方法 Active CN109325593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811027163.3A CN109325593B (zh) 2018-09-04 2018-09-04 一种现场控制分时控制交接控制权的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811027163.3A CN109325593B (zh) 2018-09-04 2018-09-04 一种现场控制分时控制交接控制权的方法

Publications (2)

Publication Number Publication Date
CN109325593A true CN109325593A (zh) 2019-02-12
CN109325593B CN109325593B (zh) 2021-01-15

Family

ID=65264785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811027163.3A Active CN109325593B (zh) 2018-09-04 2018-09-04 一种现场控制分时控制交接控制权的方法

Country Status (1)

Country Link
CN (1) CN109325593B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101452258A (zh) * 2007-12-06 2009-06-10 西安电子科技大学 一种与模型无关的自适应控制器及其控制方法
CN102817010A (zh) * 2011-06-10 2012-12-12 北京北方微电子基地设备工艺研究中心有限责任公司 单臂升降装置和双臂升降装置
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101452258A (zh) * 2007-12-06 2009-06-10 西安电子科技大学 一种与模型无关的自适应控制器及其控制方法
CN102817010A (zh) * 2011-06-10 2012-12-12 北京北方微电子基地设备工艺研究中心有限责任公司 单臂升降装置和双臂升降装置
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邓向民: ""可编程序控制器分时控制及其应用"", 《电器工程应用》 *

Also Published As

Publication number Publication date
CN109325593B (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN103064020B (zh) 电磁继电器可靠性试验装置及其运行方法
CN103245855B (zh) 基于数字仿真的智能变电站继电保护测试方法及系统
CN102323502B (zh) 用于继电保护的在线闭环测试系统及其测试方法
CN103928985A (zh) 基于goose通信机制的联闭锁逻辑自动检测方法
CN102354114A (zh) 一种网络控制系统的随机时延建模方法
CN109444582B (zh) 基于现场移动终端和模拟主站的配电终端侧自动调试方法
CN107276709B (zh) 一种时间同步方法及系统
CN105656204A (zh) 一种智能变电站遥信闭环测试方法
CN114244461B (zh) 一种双计划驱动的航天测运控设备自动化运行调度方法
CN102073274B (zh) 专家模糊增量式自适应的参数在线整定优化系统及方法
CN107748509A (zh) 基于单片机收发控制的asi通信从机实施方法
CN114742250A (zh) 一种基于数据分析的数控设备运行故障预测系统
CN116388381A (zh) 一种智能变电站监控系统仿真测试装置及测试方法
Pang et al. Comparison of three data-driven networked predictive control methods for a class of nonlinear systems
CN109325593A (zh) 一种现场控制分时控制交接控制权的方法
CN105182966A (zh) 一种plc及io扩展模块检测方法
CN104215859B (zh) 一种卫星电子载荷测试方法
CN113759815A (zh) 一种基于边缘计算的互联工厂iotplc处理平台
CN104881538B (zh) 一种虚端子配置表设计方法
CN110865645A (zh) 一种机器人和回充系统
CN110765616A (zh) 一种发电厂计算机监控系统的仿真闭环测试系统及方法
CN109188904A (zh) 一种基于机器学习的在线训练现场控制方法
CN109240227A (zh) 一种基于分时控制交接控制权的现场控制方法
CN111025135B (zh) 一种基于云平台的就地型ftu协调控制能力的测试方法
CN104391450B (zh) 一种数字仿真中模拟信号通讯延时的方法

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