CN111162933B - 一种具有预测功能的云计算系统及其实现方法 - Google Patents

一种具有预测功能的云计算系统及其实现方法 Download PDF

Info

Publication number
CN111162933B
CN111162933B CN201911286053.3A CN201911286053A CN111162933B CN 111162933 B CN111162933 B CN 111162933B CN 201911286053 A CN201911286053 A CN 201911286053A CN 111162933 B CN111162933 B CN 111162933B
Authority
CN
China
Prior art keywords
data
algorithm
module
apc
predictive
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.)
Active
Application number
CN201911286053.3A
Other languages
English (en)
Other versions
CN111162933A (zh
Inventor
谢东平
陈德基
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.)
Shanghai Puao Data Technology Co ltd
Original Assignee
Shanghai Puao Data Technology 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 Shanghai Puao Data Technology Co ltd filed Critical Shanghai Puao Data Technology Co ltd
Priority to CN201911286053.3A priority Critical patent/CN111162933B/zh
Publication of CN111162933A publication Critical patent/CN111162933A/zh
Application granted granted Critical
Publication of CN111162933B publication Critical patent/CN111162933B/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
    • H04L41/147—Network analysis or design for predicting network behaviour
    • 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
    • H04L41/0876—Aspects of the degree of configuration automation
    • H04L41/0886—Fully automatic configuration
    • 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
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种具有预测功能的云计算系统，包括通信模块、虚拟机、数据识别和存储模块、预测性算法模块、历史数据采集模块、预测性算法训练模块，其中，所述虚拟机、数据识别和存储模块、预测性算法模块、预测性算法训练模块均设置在云端；本发明还提供一种具有预测功能的云计算系统的实现方法，包括以下过程：用户在现场安装运行DCS系统；构建云端的虚拟机、数据识别和存储模块、预测性算法模块、预测性算法训练模块；并将云端与现场的数据通过通信模块进行连接；根据现场，获取APC内部参数等过程，本发明进行有效现场数据的预测，给出现场数据预测值，并且不断更新预测性算法，以缩小所预测模型所预测的现场数据与实际现场数据的偏差。

Description

一种具有预测功能的云计算系统及其实现方法
技术领域
本发明属于工业控制技术领域，具体涉及一种具有预测功能的云计算系统及其实现方法。
背景技术
随着过程工业自动化程度的持续发展，人们的关注点已经从实现自动化生产转向了优化生产。通过先进控制算法节省原料、改进生产条件、降低能耗、提高成品率等等。过程工业中的这类算法叫先进过程控制APC(Advanced Process Control)算法。APC算法的例子有MPC、Fuzzy Logic、neuro-network等。APC算法通常有一到多个现场输入数据和一到多个现场输出数据。APC是分布式控制系统DCS(Distributed Control Systems)的一部分，一般在控制器里运行。目前，市面上先进的DCS系统通常都支持一些APC，成熟的APC算法在很多DCS中都能找到；但通常APC都非常贵，用户希望在降低DCS成本的同时还能用到APC。
DCS里面的控制算法，包括APC，在运行时都是配置了一个周期，它在每个周期运算一次，每次运算过程分几步：读取输入参数，进行算法计算，输出计算结果到输出参数。
很多DCS系统提供帮助设定APC内部参数的工具，叫做整定(Tuning)。整定过程包括实地运行APC算法一段时间，在这期间APC内部参数被设置为不同的值，从而得到过程在不同内部参数下的反应特性。根据这些反应特性，可以寻找最佳的内部参数设定值。
另一方面，随着工业互联网的成熟，生产现场和上层乃至互联网都互联互通了。在远离现场的服务器上、云上运行APC也逐渐成为了可能。不同于现场回路控制算法，APC通常不需要持续的低延时现场数据，APC输出数据也不一定需要快速反馈到控制现场。在云上运行APC，通过远程通信传输APC数据，同样能够达到生产优化的目的。
CN106575282A公开了一种用于先进过程控制的云计算系统和方法。所述系统包括设置在本地的APC控制计算机和设置在云端的APC管理计算机，从而实现了在云端对本地的APC进行管理。然后该申请公布的技术方案依然需要在本地设置APC控制计算机。
将APC设置在云端可以极大的降低生产成本。然而，在云上运行APC依然会面临网络通信不稳定的问题。当网络运行不稳定的时候，可能会出现从现场传输的数据不能及时的到达APC，甚至可能产生数据丢失的现象。然而APC需要严格的按照时间对数据进行运算；同时，APC的输出参数也应当及时传输到控制对象。为了解决数据传输不及时，甚至是数据丢失的问题，一种方案是在系统中加入预测性算法模块。当系统发生数据传输不及时甚至数据丢失的问题时，预测性算法模块会给出一个预测值并输入APC进行运算。然而，随着现场的生产设备的长时间运行，如果预测模型不进行不断的更新训练，就很有可能导致预测数值和实际数值偏差较大的问题。
发明内容
本发明要解决的技术问题是提供一种具有预测功能的云计算系统及其实现方法，以解决现有技术中本地设置APC控制计算机、云上运行APC依然会面临网络通信不稳定的、数据传输不及时、预测模型中预测数值和实际数值偏差较大等问题。
为解决上述技术问题，本发明的实施例提供一种具有预测功能的云计算系统，其特征在于，包括通信模块、虚拟机、数据识别和存储模块、预测性算法模块、历史数据采集模块、预测性算法训练模块，其中，所述虚拟机、数据识别和存储模块、预测性算法模块、预测性算法训练模块均设置在云端；
所述通信模块用于从现场传感器读取现场数据、将虚拟机中APC算法运行后输出的数据传输至现场DCS系统；所述现场数据包括被采集时的时间信息；
所述虚拟机根据现场DCS系统自动配置同样的操作系统并安装有APC算法运行所需的软件、完全复制有与APC算法对接数据的接口；所述虚拟机用于设置APC算法内部参数，实现数据的输入、计算、输出；
所述数据识别和存储模块用于识别通信模块所获得的现场数据是否及时、存储暂时不需要参与计算的数据，将APC算法运行所需及时数据输入APC算法进行运算；
所述预测性算法模块用于在数据识别和存储模块检测到出现网络数据传输不及时或数据丢包时进行现场数据预测，给出现场数据预测值，将现场数据预测值输入APC算法进行运算；
所述历史数据采集模块用于采集现场数据和控制器中的控制变量的历史数据；
所述预测性算法训练模块用于在预测性算法模块得出的预测值与现场数据持续产生偏差时，对预测性算法模块中的预测模型重新训练。
进一步的，所述通信模块包括从现场传感器读取数据的数据接口、通信线路。
进一步的，所述数据识别和存储模块用于定期检测通信模块是否有现场数据输入及输入数据的时间戳上的时间信息；若输入的数据中的时间和APC算法设定一致，则将从现场上传的数据输入APC算法进行运算；若一个运算周期内，没有现场数据输入，则预测性算法模块会利用预测模型根据之前的输入数据进行预测性计算，得出一个现场数据的预测值，并将该预测值输入APC算法进行运算，从而得到APC算法的输出数据。
其中，所述数据识别和存储模块还可以用于存储暂时不需要参与计算的数据：当有些数据不需要立即通过APC算法运算，如果输入的数据中的时间早于APC算法中设定的运算时间，则该数据会被存储在数据识别和存储模块中；当到达预定时间，将存储的数据输入APC算法进行运算。
进一步的，所述历史数据采集模块在初次启动系统时，所采集的历史数据的时间跨度为用户设定，在系统运行中，所采集的历史数据的时间跨度为上一次训练直至此次训练开始这段时间。
进一步的，所述预测性算法训练模块的训练数据为历史数据采集模块可以采集的现场数据和控制器中的控制变量的历史数据。
本发明的实施例另外提供一种具有预测功能的云计算系统的实现方法，其特征在于，包括以下过程：
(1)用户在现场安装运行现场DCS系统；
(2)构建云端的虚拟机、数据识别和存储模块、预测性算法模块、预测性算法训练模块；并将云端与现场的数据通过通信模块进行连接；
(3)根据现场DCS系统，获取APC算法内部参数；
(4)云端虚拟机根据现场DCS系统自动配置相应的操作系统，安装相适配的APC算法，并根据步骤(3)所获取的APC算法内部参数进行内部参数配置；
(5)数据识别和存储模块对由通信模块输入的数据进行识别、存储和传输；
(5-1)所述数据识别和存储模块的识别过程
(5-1-1)在APC算法运行过程中，数据识别和存储模块定期检测通信模块是否有现场数据输入及输入数据的时间戳上的时间信息；
(5-1-2)若输入的数据中的时间和APC算法设定一致，则将从现场上传的数据输入APC算法进行运算；
(5-1-3)若一个运算周期内，没有现场数据输入，则预测性算法模块会利用预测模型根据之前的输入数据进行预测性计算，得出一个现场数据的预测值，并将该预测值输入APC算法进行运算；
(5-2)所述数据识别和存储模块的存储过程
(5-2-1)当有些数据不需要立即通过APC算法运算，如果输入的数据中的时间早于APC算法中设定的运算时间，则该数据会被存储在数据识别和存储模块中；
(5-2-2)当到达预定时间，将存储的数据输入APC算法进行运算；
(6)在云端运行APC算法，并将运算结果返回用户现场DCS系统，实现云上过程控制；
(7)判断是否需要对预测性算法模块进行训练
(7-1)在APC算法运行过程中，APC算法不断将预测性算法模块得到现场数据预测值与现场数据进行对比；
(7-2)当现场数据预测值与所采集到的现场数据持续产生偏差时，启动预测性算法训练模块对预测性算法模块中的预测模型重新训练，其中，预测性算法训练模块所训练的数据为历史数据采集模块可以收集现场数据和控制器中的控制变量的历史数据；预测性算法训练模块将重新训练后的预测模型输入至预测性算法模块；
(7-3)当再次出现一个运算周期内没有现场数据输入的情况时，则预测性算法模块运用新的预测模型进行预测性计算，从而得到一个现场数据的预测值，并将该预测值输入APC算法进行运算。
进一步的，所述步骤(3)的获取APC算法内部参数可根据现场情况采取以下三种实现方式中的一种实现：
a.在现场DCS系统中临时运行APC算法，确定内部参数值，然后将这些参数值写入云端APC算法；
b.在非现场DCS系统内临时搭建跟云端相同的架构，得到内部参数值后，将这些参数值写入云端APC算法；
c.在互联网通信效果良好时，可直接在云端确定内部参数值。
其中，采用方式c中判定互联网通信是否良好的过程如下：将现场DCS系统的数据传输至云端，APC算法在运行现场DCS系统中个数据之前先检查数据中的时间戳，如果时间戳中记录的时间和系统预定的时间无差异，则说明的网络通信良好，此时可以进行云端确定内部参数值。
进一步的，所述虚拟机中APC算法模块可优化。
本发明的上述技术方案的有益效果如下：
本发明的云计算系统及其实现方法，一方面通过将APC算法设置在云端，用户从现场DCS系统使用云端APC算法，帮助用户节约了在本地安装APC算法的成本，并且可以帮助客户解除了现场DCS系统和APC算法绑定的限制；另一方面通过设置有预测性算法模块、预测性算法训练模块进行有效现场数据的预测，解决了当APC算法设置在云端可能面临的数据传输不及时、数据丢失的问题；并且通过预测性算法训练模块不断更新预测性算法，以缩小所预测模型所预测的现场数据与实际现场数据的偏差。
本发明的一种具有预测功能的云计算系统包括数据识别和存储模块、预测性算法模块；数据识别和存储模块识别是否及时提供现场数据，在没有运行周期内的现场数据时，预测性算法模块给出现场预测值，解决了当APC算法设置在云端可能面临的数据传输不及时的问题；同时，本发明还包括所述历史数据采集模块，用于采集现场数据和控制器中的控制变量的历史数据；当实际现场数据与预测值出现持续偏差时，对预测性算法模块中的预测模型重新训练，预测性算法模块得到新的预测模型，使用新的预测模型进行现场数据预测，以缩小所预测模型所预测的现场数据与实际现场数据的偏差。
附图说明
图1为本发明的实施例中云计算系统的结构示意图；
图2为本发明的云计算系统的实现方法中数据识别、存储及现场数据预测的流程图；
图3为本发明的云计算系统的实现方法中预测性算法的训练流程图；
图4为本发明的云计算系统与实施例中用户一通信的框图。
附图标记说明：
100、云端；101、虚拟机；102、数据识别和存储模块；103、预测性算法模块；104、预测性算法训练模块；110、通信模块；111、历史数据采集模块；120、用户；121、液位传感器；122、称重传感器；123、红外传感器；124、现场DCS系统；125、水阀；126、药物添加阀；127、报警器。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
在本发明的描述中，需要说明的是，术语“中心”、“上”“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应作为广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
图1图示了与包括用户120的云计算系统的框图。用户120可以是生产商品或服务的单独公司或实体；每个用户的现场具有DCS系统，现场DCS系统可包含先进过程控制(APC)，根据或不含先进过程控制(APC)，用户120现场所实际使用的DCS供应商可以是不同于本发明中云端运行的APC的供应商。如图1中所示，一种具有预测功能的云计算系统，包括通信模块110、虚拟机101、数据识别和存储模块102、预测性算法模块103、历史数据采集模块111、预测性算法训练模块104，其中，虚拟机101、数据识别和存储模块102、预测性算法模块103、预测性算法训练模块104均设置在云端100。通信模块110用于从现场传感器读取现场数据、将虚拟机101中APC算法运行后输出的数据传输至用户的现场DCS系统；现场数据包括被采集时的时间信息；通信模块110通过互联网与云端100进行数据传输。虚拟机101根据用户现场DCS系统自动配置同样的操作系统并安装有APC算法运行所需的软件、完全复制有与APC算法对接数据的接口；虚拟机101用于设置APC算法内部参数，实现数据的输入、计算、输出。数据识别和存储模块102用于识别通信模块所获得的现场数据是否及时、存储暂时不需要参与计算的数据，将APC算法运行所需及时数据输入APC算法进行运算。预测性算法模块103用于在数据识别和存储模块检测到出现网络数据传输不及时或数据丢包时进行现场数据预测，给出现场数据预测值，将现场数据预测值输入APC算法进行运算。历史数据采集模块111用于采集用户现场数据和控制器中的控制变量的历史数据，历史数据采集模块111通过互联网将现场数据及控制器中的控制变量的历史数据发送给预测性算法训练模块。预测性算法训练模块104用于在预测性算法模块103得出的预测值与现场数据持续产生偏差时，对预测性算法模块103中的预测模型重新训练。
在本发明中，所述历史数据采集模块通过通信模块收集数据。具体的，若是初次运行系统，历史数据采集模块通过通信模块从现场DCS系统中读取其存储的历史数据，读取的数据的历史跨度可以是认为设定的，比如，现场DCS系统中过去一天或者一周的运行数据。当系统稳定的运行后，由于实际数据会一直通过通信模块被传输至数据识别和存储模块，因此，历史数据采集模块可以通过通信模块从数据识别和存储模块进行数据获取。
在本发明中，预测性算法模块103中预测性算法可采用已有常规算法，如沿用最近一次的现场数据、使用预先设定的值、或者根据多个前序值加入数学公式进行预估。预测性算法也可以根据具体应用场景进行编写。
在本发明中，当预测性算法模块中所产生的预测值与现场数据持续产生偏差，该持续产生的偏差可以进行预先设定。作为一种可行的实施方式，可在预测性算法训练模块设定，当果预测数值和实际数值的偏差超过5％，并且该偏差连续在3次预测中均发生则可以定义为持续产生偏差。本发明中，预测性算法训练模块中对于预测性算法模块进行训练可以通过机器学习(machine learning)来完成训练。具体的方式并没有严格的限制，比如说recurrent neural network(RNN)、long short term memory(LSTM),或者partialleast squares(PLS)都可以。以采用LSTM的训练为例，可以用的算法也很多，比如说反向传播算法。
本发明的实施例另外提供一种具有预测功能的云计算系统的实现方法，如图2及图3所示，包括以下过程：
(1)用户在现场安装运行现场DCS系统；
(2)构建云端的虚拟机101、数据识别和存储模块102、预测性算法模块103、预测性算法训练模块104；并将云端100与用户120的现场的数据通过通信模块110进行连接；
(3)根据现场，获取APC算法内部参数；
(4)云端100的虚拟机101根据现场DCS系统自动配置相应的操作系统，安装相适配的APC算法，并根据步骤(3)所获取的APC算法内部参数进行内部参数配置；
(5)数据识别和存储模块102对由通信模块输入的数据进行识别、存储和传输；
(5-1)所述数据识别和存储模块102的识别过程
(5-1-1)在APC算法运行过程中，数据识别和存储模块102定期检测通信模块110是否有现场数据输入及输入数据的时间戳上的时间信息；
(5-1-2)若输入的数据中的时间和APC算法设定一致，则将从现场上传的数据输入APC算法进行运算；
(5-1-3)若一个运算周期内，没有现场数据输入，则预测性算法模块会利用预测模型根据之前的输入数据进行预测性计算，得出一个现场数据的预测值，并将该预测值输入APC算法进行运算；
(5-2)所述数据识别和存储模块102的存储过程
(5-2-1)当有些数据不需要立即通过APC算法运算，如果输入的数据中的时间早于APC算法中设定的运算时间，则该数据会被存储在数据识别和存储模块102中；
(5-2-2)当到达预定时间，将存储的数据输入APC算法进行运算；
(6)在云端100运行APC算法，并将运算结果返回用户现场DCS系统，实现云上先进过程控制；
(7)判断是否需要对预测性算法模块103进行训练
(7-1)在APC算法运行过程中，APC算法不断将预测性算法模块103得到现场数据预测值与现场数据进行对比；
(7-2)当预测性算法模块103所输送的现场数据预测值与所采集到的现场数据持续产生偏差时，启动预测性算法训练模块104，对预测性算法模块103中的预测模型重新训练，其中，预测性算法训练模块104所训练的数据为历史数据采集模块111可以收集现场数据和控制器中的控制变量的历史数据；预测性算法训练模块将重新训练后的预测模型输入至预测性算法模块；
(7-3)当再次出现一个运算周期内没有现场数据输入的情况时，则预测性算法模块运用新的预测模型进行预测性计算，从而得到一个现场数据的预测值，并将该预测值输入APC算法进行运算。
在更近一步的实施例中，如图4所示为具有预测功能的云计算系统在用户一的运用。在本实施例中，用户120为水处理企业，该水处理企业内具有用于检测污水量的液位传感器121、用于测量水处理用添加剂重量的称重传感器122、监测是否有人员靠近污水处理池的红外传感器123等现场传感器，在水处理企业中配备有现场DCS系统124，在水处理企业中具备与现场DCS系统124相连接水阀125、药物添加阀126和报警器127。在使用本发明的云计算系统时，现在云端构建用户一的虚拟机101、数据识别和存储模块102、预测性算法模块103，将用户一现场所具备的检测污水量的液位传感器121、称重传感器122、监测是否有人员靠近污水处理池的红外传感器123等现场传感器、现场DCS系统124与通信模块110进行连接，通信模块110通过互联网150与云端100进行连接。根据现场的情况，进行整定(获取APC内部参数)，在云端100构建的用户一的虚拟机101中根据现场DCS系统124自动配置相应的操作系统，安装相适配的APC算法软件，配置APC算法内部参数；运行云上APC算法，数据识别和存储模块102对通信模块110所输入的数据进行识别，若输入的数据中的时间和APC算法设定一致，则将从现场上传的数据输入APC算法进行运算；若一个运算周期内，没有现场数据输入；预测性算法模块103根据前期所输入的数据得到预测值，将预测值输入APC算法进行运算，APC算法将运算后结果通过通信模块输出至用户的现场DCS系统124中，现场DCS系统124根据所接收到的结果数据，对现场的水阀125、药物添加阀126和报警器127进行控制；当虚拟机101中的APC算法软件检测到预测性算法模块103的预测值与历史数据采集模块111的所收集的数据持续出现偏差时，启动预测性算法训练模块104，对预测性算法模块103的预测模型进行重新训练，将新的预测模型发送至预测性算法模块103，在下一预测时，预测性算法模块103使用新的预测模型进行预测。
本发明适用的现场条件是可以多样的。现场可以有先进的DCS系统，此时云上APC算法是个补充。现场可以有落后的DCS，此时云上APC算法使得用户可以享受先进控制带来的优化。现场也可以没有DCS系统，此时在现场加装一些传感器/执行器，云上APC算法可以帮助做一些基本的控制。现场也可以只有PLC控制系统，此时云上APC算法同样可以执行，通过连接到PLC上的参数。
在本发明的实施例中，本发明可以增加一些安全方面的保护，如对输入输出参数进行加密转换。
在本发明得实现专门提供APC服务的云平台：APC的输入输出参数远程连到现场，可以是各种远程数据连接方式。
本发明不局限于过程行业的APC算法模块。任何辅助、优化性的控制算法模块都可以用这种方式移植到云端运行。本发明也不局限于已经实现的算法模块，还可以在云上直接编程实现这些算法。在这种情况下，数据的输入输出可以采用云平台自身提供的方式。
在本发明的进一步的实施例中，若云端的APC并非采用DCS中的既有模块，而是重新开发，可进行以下改进：(1)将APC与预测性算法模块整合成一个模块；(2)不再专门安装虚拟机，而是APC可以直接在云平台上执行，或者打包成微服务；(3)APC可以不用周期性执行，而是以新的输入数据触发执行方式；(4)可以开发一个专门在云上做整定的程序和方式。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种具有预测功能的云计算系统，其特征在于，包括通信模块、虚拟机、数据识别和存储模块、预测性算法模块、历史数据采集模块、预测性算法训练模块，其中，所述虚拟机、数据识别和存储模块、预测性算法模块、预测性算法训练模块均设置在云端；
所述通信模块用于从现场传感器读取现场数据、以及用于将虚拟机中APC算法运行后输出的数据传输至现场DCS系统；所述现场数据包括被采集时的时间信息；
所述虚拟机根据现场DCS系统自动配置同样的操作系统并安装有APC算法运行所需的软件、完全复制有与APC算法对接数据的接口；所述虚拟机用于设置APC算法内部参数，实现数据的输入、计算、输出；
所述数据识别和存储模块用于识别通信模块所获得的现场数据是否及时、用于存储暂时不需要参与计算的数据、以及用于将APC算法运行所需及时数据输入APC算法进行运算；
所述预测性算法模块用于在数据识别和存储模块检测到出现网络数据传输不及时或数据丢包时进行现场数据预测，给出现场数据预测值，将现场数据预测值输入APC算法进行运算；
所述历史数据采集模块用于采集现场数据和控制变量的历史数据；所述预测性算法训练模块用于在预测性算法模块得出的预测值与现场数据持续产生偏差时，对预测性算法模块中的预测模型重新训练。
2.根据权利要求1所述的一种具有预测功能的云计算系统，其特征在于，所述通信模块包括从现场传感器读取数据的数据接口、通信线路。
3.根据权利要求1所述的一种具有预测功能的云计算系统，其特征在于，所述数据识别和存储模块用于定期检测通信模块是否有现场数据输入及输入数据的时间戳上的时间信息；若输入的数据中的时间和APC算法设定一致，则将从现场上传的数据输入APC算法进行运算；若一个运算周期内，没有现场数据输入，则预测性算法模块会利用预测模型根据之前的输入数据进行预测性计算，得出一个现场数据的预测值，并将该预测值输入APC算法进行运算，从而得到APC算法的输出数据。
4.根据权利要求3所述的一种具有预测功能的云计算系统，其特征在于，所述数据识别和存储模块还用于存储暂时不需要参与计算的数据：当有些数据不需要立即通过APC算法运算，如果输入的数据中的时间早于APC算法中设定的运算时间，则该数据会被存储在数据识别和存储模块中；当到达预定时间，将存储的数据输入APC算法进行运算。
5.根据权利要求1所述的一种具有预测功能的云计算系统，其特征在于，所述历史数据采集模块在初次启动系统时，所采集的历史数据的时间跨度为用户设定；在系统运行中，所采集的历史数据的时间跨度为上一次训练直至此次训练开始这段时间。
6.根据权利要求1所述的一种具有预测功能的云计算系统，其特征在于，所述预测性算法训练模块的训练数据为历史数据采集模块采集的现场数据和控制变量的历史数据。
7.一种根据权利要求1所述的具有预测功能的云计算系统的实现方法，其特征在于，包括以下过程：
(1)用户在现场安装运行现场DCS系统；
(2)构建云端的虚拟机、数据识别和存储模块、预测性算法模块、预测性算法训练模块；并将云端与现场的数据通过通信模块进行连接；
(3)根据现场DCS系统，获取APC算法内部参数；
(4)云端虚拟机根据现场DCS系统自动配置相应的操作系统，安装相适配的APC算法，并根据步骤(3)所获取的APC算法内部参数进行内部参数配置；
(5)数据识别和存储模块对由通信模块输入的数据进行识别、存储和传输；
(5-1)所述数据识别和存储模块的识别过程
(5-1-1)在APC算法运行过程中，数据识别和存储模块定期检测通信模块是否有现场数据输入及输入数据的时间戳上的时间信息；
(5-1-2)若输入的数据中的时间和APC算法设定一致，则将从现场上传的数据输入APC算法进行运算；
(5-1-3)若一个运算周期内，没有现场数据输入，则预测性算法模块会利用预测模型根据之前的输入数据进行预测性计算，得出一个现场数据的预测值，并将该预测值输入APC算法进行运算；
(5-2)所述数据识别和存储模块的存储过程
(5-2-1)当有些数据不需要立即通过APC算法运算，如果输入的数据中的时间早于APC算法中设定的运算时间，则该数据会被存储在数据识别和存储模块中；
(5-2-2)当到达预定时间，将存储的数据输入APC算法进行运算；
(6)在云端运行APC算法，并将运算结果返回用户现场DCS系统，实现云上过程控制；
(7)判断是否需要对预测性算法模块进行训练
(7-1)在APC算法运行过程中，APC算法不断将预测性算法模块得到现场数据预测值与现场数据进行对比；
(7-2)当现场数据预测值与所采集到的现场数据持续产生偏差时，启动预测性算法训练模块对预测性算法模块中的预测模型重新训练，其中，预测性算法训练模块所训练的数据为历史数据采集模块收集现场数据和控制变量的历史数据；预测性算法训练模块将重新训练后的预测模型输入至预测性算法模块；
(7-3)当再次出现一个运算周期内没有现场数据输入的情况时，则预测性算法模块运用新的预测模型进行预测性计算，从而得到一个现场数据的预测值，并将该预测值输入APC算法进行运算。
8.根据权利要求7所述的一种具有预测功能的云计算系统的实现方法，其特征在于，所述步骤(3)的获取APC算法内部参数根据现场情况采取以下三种实现方式中的一种实现：
a.在现场DCS系统中临时运行APC算法，确定内部参数值，然后将这些参数值写入云端APC算法；
b.在非现场DCS系统内临时搭建跟云端相同的架构，得到内部参数值后，将这些参数值写入云端APC算法；
c.在互联网通信满足预设条件，直接在云端确定内部参数值。
9.根据权利要求8所述的一种具有预测功能的云计算系统的实现方法，其特征在于，采用方式c中判定互联网通信是否满足预设条件的过程如下：将现场DCS系统的数据传输至云端，APC算法在运行现场DCS系统中各数据之前先检查数据中的时间戳，如果时间戳中记录的时间和系统预定的时间无差异，则说明互联网通信满足预设条件，此时进行云端确定内部参数值。
CN201911286053.3A 2019-12-13 2019-12-13 一种具有预测功能的云计算系统及其实现方法 Active CN111162933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911286053.3A CN111162933B (zh) 2019-12-13 2019-12-13 一种具有预测功能的云计算系统及其实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911286053.3A CN111162933B (zh) 2019-12-13 2019-12-13 一种具有预测功能的云计算系统及其实现方法

Publications (2)

Publication Number Publication Date
CN111162933A CN111162933A (zh) 2020-05-15
CN111162933B true CN111162933B (zh) 2024-03-19

Family

ID=70557108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911286053.3A Active CN111162933B (zh) 2019-12-13 2019-12-13 一种具有预测功能的云计算系统及其实现方法

Country Status (1)

Country Link
CN (1) CN111162933B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112306689B (zh) * 2020-11-02 2021-05-11 时代云英(深圳)科技有限公司 一种边缘计算系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103744977A (zh) * 2014-01-13 2014-04-23 浪潮(北京)电子信息产业有限公司 一种云计算系统平台中的监控方法及系统
CN106068624A (zh) * 2014-01-27 2016-11-02 霍尼韦尔国际公司 用于保护分布式控制系统(dcs)的装置和方法
CN106575282A (zh) * 2014-08-13 2017-04-19 霍尼韦尔国际公司 用于先进过程控制的云计算系统和方法
CN108597057A (zh) * 2018-04-28 2018-09-28 济南浪潮高新科技投资发展有限公司 一种基于噪音深度学习的无人机故障预测诊断系统及方法
CN109635918A (zh) * 2018-10-30 2019-04-16 银河水滴科技（北京）有限公司 基于云平台和预设模型的神经网络自动训练方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10505790B2 (en) * 2015-05-14 2019-12-10 Honeywell International Inc. Apparatus and method for automated event notification read receipt to support non-repudiated auditing or other functions in industrial process control and automation system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103744977A (zh) * 2014-01-13 2014-04-23 浪潮(北京)电子信息产业有限公司 一种云计算系统平台中的监控方法及系统
CN106068624A (zh) * 2014-01-27 2016-11-02 霍尼韦尔国际公司 用于保护分布式控制系统(dcs)的装置和方法
CN106575282A (zh) * 2014-08-13 2017-04-19 霍尼韦尔国际公司 用于先进过程控制的云计算系统和方法
CN108597057A (zh) * 2018-04-28 2018-09-28 济南浪潮高新科技投资发展有限公司 一种基于噪音深度学习的无人机故障预测诊断系统及方法
CN109635918A (zh) * 2018-10-30 2019-04-16 银河水滴科技（北京）有限公司 基于云平台和预设模型的神经网络自动训练方法和装置

Also Published As

Publication number Publication date
CN111162933A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
Johansen On multi-parametric nonlinear programming and explicit nonlinear model predictive control
CN101807048B (zh) 过程控制系统中的在线自适应模型预测控制
KR102131847B1 (ko) 기계학습을 이용한 수처리 자율 제어 시스템 및 그 방법
JP2004152265A (ja) プロセス制御システムにおける統合型モデル予測制御および最適化
KR20010006363A (ko) 자동화 장치
EP3894966A1 (en) Predictions for a process in an industrial plant
CN110017161B (zh) 综采工作面智能供液方法、存储介质、电子设备和系统
CN111162933B (zh) 一种具有预测功能的云计算系统及其实现方法
CN116075783A (zh) 控制压缩机房间的方法及其装置
US20240223661A1 (en) Methods and smart gas internet of things (iot) systems for smart control of smart gas pipeline network data collection terminals
CN111080472A (zh) 一种电力系统负荷预测和分析方法
WO2018083202A1 (en) System and method for scheduling energy consumption in a network
KR20220107409A (ko) 디지털 트윈 기반 수처리시설 점검 및 솔루션 국산화를 위한 그 방법
CN115823500A (zh) 基于智慧燃气的燃气入户压力调控方法和物联网系统
CN117563756A (zh) 一种水泥立磨系统的控制方法、装置、设备及存储介质
CN116430821B (zh) 工业生产工艺模型的数据处理方法及装置
CN210927652U (zh) 一种具有预测功能的云计算系统
CN117519365A (zh) 基于多路pid温度控制器的温度控制方法及系统
CN111624874A (zh) 用于城市污水处理的泵站集群智能化预测方法及系统
CN111027620A (zh) 一种锅炉运行参数处理方法、装置、锅炉控制器及介质
KR100935364B1 (ko) 수위 변화에 따른 퍼지모델을 이용한 무인 원격 수처리 통합관리시스템 및 그 방법
CN211528986U (zh) 一种用于先进过程控制的云计算系统
CN111026056A (zh) 一种用于先进过程控制的云计算系统及其运行方法
CN113408795A (zh) 一种基于灰色理论的电力负荷预测系统及其方法
CN115095512B (zh) 基于人工智能的隧道空压机组智能控制系统和方法

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