CN112214550A - 一种基于区块链的工业结晶控制系统及方法 - Google Patents
一种基于区块链的工业结晶控制系统及方法 Download PDFInfo
- Publication number
- CN112214550A CN112214550A CN202011086209.6A CN202011086209A CN112214550A CN 112214550 A CN112214550 A CN 112214550A CN 202011086209 A CN202011086209 A CN 202011086209A CN 112214550 A CN112214550 A CN 112214550A
- Authority
- CN
- China
- Prior art keywords
- control
- block
- control system
- processing unit
- time
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于区块链的工业结晶控制系统及方法,所述控制系统包括由控制变量信息采集节点组成的第一区块,数据处理单元组成的第二区块,及目标变量信息采集节点组成的第三区块,第一区块与第二区块及第二区块与第三区块间建立通讯,形成完整的区块链控制系统,该控制系统根据目标变量的实时数据与设定数据间的偏差对控制变量进行调整,实现对结晶过程的优化控制。本发明采用数据处理单元构成的神经网络代替传统的处理中心,实现了控制系统的去中心化和控制数据的分布式存储,避免了传统控制系统依赖单一处理中心,当单一处理中心发生故障时将导致整个控制系统失效的缺点,同时耦合区块链的时间戳技术,使控制系统适用于延迟时变系统。
Description
技术领域
本申请涉及控制系统领域,具体涉及一种基于区块链的工业结晶控制系统及方法。
背景技术
目前随着电子信息技术的发展,自动化控制已经在工业生产中得到了广泛的应用,但大部分控制系统仍然仅限于被控参数的单点控制或是通过单一的处理中心依赖PID技术实现自动控制。传统控制方式一个显而易见的缺点在于完全依赖单一的控制中心,当控制中心出现故障时将导致整个控制系统的瘫痪。另外,现有控制系统往往基于函数关系明确的简单过程,对于函数关系复杂或是具体函数关系不明确的过程的自动化控制仍然是行业难题,且工程化案例少之又少。近年来随着人工智能的发展,神经网络技术重新为人们所关注,并在处理复杂函数关系问题中显示出了巨大优势。如E.Yesilnacar等人将其用于确定土耳其地区山体滑坡风险度,建立了山体滑坡灾害与地质及气象参数间的模型关系,解决了复杂的地质学问题(E.Yesilnacar,T.Topal/Engineering Geology 79(2005)251–266)。有鉴于其在处理复杂函数关系中的优势,也有人尝试将神经网络技术应用于控制过程,如现有技术CN201810554501.2公开了一种多层全连接神经网络控制系统,实现了对多输入多输出控制的良好适应性,然而其采用全连接网络结构,导致系统运算量大,响应速度慢,且没有时间信息,无法适用于延迟时变系统。区块链技术因其分布式存储、去中心化、基于验证建立通讯等特点在数据处理及信息、通讯等领域引起广泛关注。其时间戳技术使其适应于处理时变系统。将区块链技术与神经网络技术结合用于复杂系统的控制具有巨大潜力。
发明内容
工业结晶是一项重要的化工单元操作,几乎80%的化工产品的生产要涉及到结晶过程。同时,工业结晶控制参数与晶体产品特性参数间的影响关系又十分复杂,是一个典型的高度非线性系统。另外,对于间歇操作过程可以认为每个批次控制参数的改变会与产品特性参数的变化形成直接对应关系,而对于连续操作其产品特性参数的变化往往滞后于控制参数的调整,又属于典型的延迟时变系统。因此,现有技术还没有能够很好的应用于工业结晶的自动控制系统。针对现有技术的不足,本发明提供一种基于区块链的工业结晶控制系统及方法,将区块链技术与人工神经网络技术结合,使控制系统具有分布式存储,不依赖单一控制中心进行控制,高抗瘫痪能力及适用于延迟时变系统等特性。所述控制系统在满足控制精度要求的情况下能够自动调整系统参数及数据处理单元间的通讯关系,实现控制系统的自动迭代优化,保证系统的高效运行及快速响应。
本发明采用以下技术方案:
一种基于区块链的工业结晶控制系统,包括由控制变量信息采集节点组成的第一区块,数据处理单元组成的第二区块,及目标变量信息采集节点组成的第三区块,第一区块与第二区块及第二区块与第三区块间建立通讯,形成完整的区块链控制系统,该控制系统根据目标变量的实时数据与设定数据间的偏差对控制变量进行调整,实现对具体过程的优化控制。
优选的,所述基于区块链的工业结晶控制系统,其第二区块由多个数据处理单元组成,所述多个数据处理单元构成单层或多层人工神经网络。
优选的,所述第二区块的人工神经网络采用BP结构,所述数据处理单元与处于同一层中的其他数据处理单元间不建立通讯连接,而与相邻层间的每个数据处理单元建立通讯连接,每一控制变量信息采集节点与第二区块的人工神经网络的首层数据处理单元建立通讯连接,每一目标变量信息采集节点与第二区块的人工神经网络的末层数据处理单元建立通讯连接。
优选的,所述输入信息由控制变量信息采集节点进行采集,并正向传递给第二区块的人工神经网络,目标信息由目标变量信息采集节点进行采集,计算目标变量实时数据与设定数据间的误差,并将误差信息反向传递给第二区块的人工神经网络。
优选的,所述第二区块的每一数据处理单元存储有一特定的传递函数,
所述传递函数为连续函数。
优选的,所述传递函数为logsig函数、tansig函数或直线purelin函数。
优选的,所述基于区块链的工业结晶控制系统,每一通讯连接具有一特定的权值w及阀值θ,信息正向传递时遵循以下函数关系
其中权值和阀值根据反向传递的实时误差信息动态调整,以确定控制变量与目标变量间的最佳控制关系,及在系统函数关系发生变化时通过调整各单元节点参数以适应新的控制函数。
优选的,所述基于区块链的工业结晶控制系统,其还包含一系统时钟,
对于任一控制变量及目标变量的实时数据依据系统时钟添加一时间戳,当系统处于稳定状态或是系统属于同步时变系统时,所述控制系统依据具有相同时间戳的控制变量及目标变量信息进行运算调整,确定系统的最优参数,当系统属于延迟时变系统时,数据处理单元通过改变时间步长对某一时刻t的控制变量及延迟t1的目标变量信息进行运算匹配,确定系统延迟时间及系统最优参数。
优选的,所述第二区块的每一处理单元还储存有一影响因子在控制过程中每次处理单元间建立通讯时均将基于当前系统参数计算得出的实时影响因子与储存的影响因子进行比较,当实时影响因子小于储存的影响因子时,断开所述处理单元与后一处理单元的正向通讯连接,以使控制系统在满足控制精度要求的条件下保证系统结构的简化,加快系统运算速率,其中实时影响因子由以下公式进行计算:
其中i,j为处理单元坐标,x和y分别为数据处理单元的输入和输出值,xmax和xmin分别为输入范围的上限和下限,ymax和ymin分别为输出范围的上限和下限,此处根据影响因子的判据只对正向通讯进行切断,在下一运算周期中,反向通讯任然存在,数据处理单元间的通讯参数仍然进行实时调整,当实时影响因子大于储存的影响因子时重新恢复所述处理单元与后一处理单元的正向通讯连接。
进一步地,本发明还提供一种基于区块链的工业结晶控制方法,其采用以上所述的控制系统,所述信息采集节点通过多个传感器及存储器实现,所述数据处理单元通过多个处理器及存储器实现,采用random函数或经验函数对系统进行初始化,并依据历史数据对系统进行训练优化,当控制系统的控制精度达要求时切换至具体控制过程的实际参数,以实现对具体过程的优化控制,同时控制系统的参数依据实际参数不断调整,实现控制系统的迭代更新与优化;其中控制变量为结晶系统进料浓度、进料速度、结晶温度、结晶压力、搅拌强度、进排料速度、停留时间;目标变量为晶体平均粒径、粒度分布范围和形状因子。
本发明与现有技术相比的有益效果在于:
1、本发明所述控制系统与传统控制系统相比,不存在控制中心,而是通过多个数据处理单元间的通讯连接及分布式存储的系统参数和传递函数共同构成控制系统的函数关系,不存在传统控制系统当控制中心发生故障时整个系统即陷入瘫痪的缺点。即使单个数据处理单元发生故障或错误时,整个系统仍能保持较高精度的稳定运行,大大提高了系统的可靠性。
2、采用神经网络结构进行系统架构,无需事先明确知晓控制变量与目标变量间的函数关系,能够处理任何复杂的非线性函数关系,拓宽了控制系统的适用范围。
3、采用神经网络运算方式对系统参数进行实时调整,使控制系统不是一成不变的,而是能够自动迭代更新的动态控制系统,满足不同条件下,控制过程函数关系发生变化时的控制需求。
3、时间戳技术的引入使控制系统适用于处理延迟时变系统。
4、采用影响因子对数据处理单元间的通讯关系进行验证,确保所有通讯连接均对目标参数具有显著影响,当通讯连接为无效连接时将其断开,确保了控制系统在满足控制精度要求的同时保持结构最优,减少运算量,保证系统的高效运行及快速响应。
附图说明
图1控制系统结构图
图2系统控制方法逻辑框图
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
实施例1:
对于分批次间歇操作的工业结晶过程,属于同步时变系统,其基本实施方式如下。
系统初始化,确定数据处理单元网络初始结构,采用random函数对各信息处理单元间通讯连接的权值W={ωi,j}(i=1,2,…,n;j=1,2,…,p)、V={Vj,t}(j=1,2,…,p;t=1,2,…,q)及阀值θ={θj}(j=1,2,…,p)、γ={γt}(t=1,2,…,q)进行初始化,其中i,j,t分别代表信息处理单元的坐标位置。采用历史数据对系统进行训练优化,当控制系统的控制精度达要求时切换至具体控制过程。
实时控制,如附图1所示的第一区块的控制变量信息采集节点对各控制变量参数进行实时采集,这里控制变量为结晶系统的进料浓度、进料温度、结晶器内结晶温度、操作压力、停留时间、搅拌强度共六个变量。读取系统时钟时间信息k,并传递给第二区块中神经网络的首层各信息处理单元。各信息采集节点传递的信息可用输入向量表示,第二区块的各数据处理单元对其接收的输入信息进行计算处理,并传递给后续信息处理单元。各信息处理单元的输出可用向量(k=1,2,…,m)表示时间戳信息,其中n为信息输入向量维度,这里n=6,代表信息采集节点个数,q为输出向量维度,代表有效信息处理单元个数。这里控制的目标参数为晶体平均粒径、粒度分布范围和晶体形状因子,所以q=3。同理,第二区块中神经网络首末层之间的各中间层输入输出均可用向量和表示,最末层实际输出可用向量表示。以Φ和ψ分别为表示数据处理单元的传递函数,则其数据处理过程可以表示为和假设目标变量的期望值为则第二区块中末层数据处理单元会将实际输出和目标输出进行比较,并计算当前系统误差
并将此误差信息反向传递给之前的各数据处理单元,对控制系统参数进行调整,以缩小误差值。其中系统各信息处理单元的参数调整值的具体算法为:
同时,为了避免系统误差陷入局部最小值应采取适宜的调整步长η。
系统优化,第二区块的每一处理单元还储存有一影响因子在控制过程中每次处理单元间建立通讯时均将基于当前系统参数计算得出的实时影响因子与储存的影响因子进行比较,当实时影响因子小于储存的影响因子时,断开所述处理单元与后一处理单元的正向通讯连接,以使控制系统在满足控制精度要求的条件下保证系统结构的简化,加快系统运算速率及响应速度,其中实时影响因子由以下公式进行计算:
其中i,j为处理单元坐标,x和y分别为数据处理单元的输入和输出值。xmax和xmin分别为输入范围的上限和下限,ymax和ymin分别为输出范围的上限和下限,此处根据影响因子的判据只对正向通讯进行切断,在下一运算周期中,反向通讯任然存在,数据处理单元间的通讯参数仍然进行实时调整,当实时影响因子大于储存的影响因子时重新恢复所述处理单元与后一处理单元的正向通讯连接。如此,本发明的控制系统将基于实际过程的实时参数对控制系统结构及参数进行动态调整,使控制系统不断自我迭代更新,在满足控制精度要求的同时保持结构最优,减少运算量,保证系统的高效运行及快速响应。
实施例2:
对于连续操作的工业结晶过程,属于延迟时变系统,其基本实施方式如下。
系统初始化,确定数据处理单元网络初始结构,采用random函数对各信息处理单元间通讯连接的权值W={ωi,j}(i=1,2,…,n;j=1,2,…,p)、V={Vj,t}(j=1,2,…,p;t=1,2,…,q)及阀值θ={θj}(j=1,2,…,p)、γ={γt}(t=1,2,…,q)进行初始化,其中i,j,t分别代表信息处理单位的坐标位置。采用历史数据对系统进行训练优化,当控制系统的控制精度达要求时切换至具体控制过程。
实时控制,如附图1所示的第一区块的控制变量信息采集节点对各控制变量参数进行实时采集,这里控制变量为结晶系统的进料浓度、进料温度、进料速度、结晶器内结晶温度、操作压力、排料速度、搅拌强度共七个变量。读取系统时钟时间信息k,并将参数实时信息及系统时间信息一同传递给第二区块中神经网络的首层各信息处理单元。各信息采集节点传递的信息可用输入向量表示,第二区块的各数据处理单元对其接收的输入信息进行计算处理,并传递给后续信息处理单元。各信息处理单元的输出可用向量(k=1,2,…,m)表示时间戳信息,其中n为信息输入向量维度,这里n=7,代表信息采集节点个数,q为输出向量维度,代表有效信息处理单元个数。这里控制的目标参数为晶体平均粒径、粒度分布范围和晶体形状因子,所以q=3。同理,第二区块中神经网络首末层之间的各中间层输入输出均可用向量和表示,最末层实际输出可用向量表示。以Φ和ψ分别为表示数据处理单元的传递函数,则其数据处理过程可以表表示为和假设目标变量的期望值为 系统延迟步长初始值为ε,则第二区块中末层数据处理单元会将实际输出和目标输出进行比较,并计算当前系统误差
并将此误差信息反向传递给之前的各数据处理单元,对控制系统参数进行调整,以缩小误差值。其中系统各信息处理单元的参数调整值的具体算法为:
同时,为了避免系统误差陷入局部最小值应采取适宜的调整步长η。调整时间步长ε,依据最佳匹配值确定系统延迟时间t。并依此系统延迟时间建立控制变量与目标变量间的控制关系
系统优化,第二区块的每一处理单元还储存有一影响因子在控制过程中每次处理单元间建立通讯时均将基于当前系统参数计算得出的实时影响因子与储存的影响因子进行比较,当实时影响因子小于储存的影响因子时,断开所述处理单元与后一处理单元的正向通讯连接,以使控制系统在满足控制精度要求的条件下保证系统结构的简化,加快系统运算速率及响应速度,其中实时影响因子由以下公式进行计算:
其中i,j为处理单元坐标,x和y分别为数据处理单元的输入和输出值。xmax和xmin分别为输入范围的上限和下限,ymax和ymin分别为输出范围的上限和下限,此处根据影响因子的判据只对正向通讯进行切断,在下一运算周期中,反向通讯任然存在,数据处理单元间的通讯参数仍然进行实时调整,当实时影响因子大于储存的影响因子时重新恢复所述处理单元与后一处理单元的正向通讯连接。如此,本发明的控制系统将基于实际过程的实时参数对控制系统结构及参数进行动态调整,使控制系统不断自我迭代更新,在满足控制精度要求的同时保持结构最优,减少运算量,保证系统的高效运行及快速响应。
实施例3:
此实施例给出搭建实现以上实施例所述控制系统的硬件措施,其中所述信息采集节点通过多个传感器及存储器实现,所述数据处理单元通过多个处理器及存储器实现,各处理单元间配备通讯模块以实现数据节点间的通讯,采用random函数或经验函数对系统进行初始化,读取样本数据,将样本数据分为训练组、验证组和测试组。依据训练组数据对系统进行训练优化,同时,采用验证组数据对训练效果进行验证,当控制系统的控制精度达要求时采用测试组数据测试控制系统的可靠性及外推效果,当验证和测试效果均达要求时切换至具体控制过程的实际参数,以实现对具体过程的优化控制,同时控制系统的参数依据实际参数不断调整,实现控制系统的迭代更新与优化;其中控制变量为结晶系统进料浓度、进料速度、结晶器内操作温度、结晶压力、搅拌强度、进排料速度、停留时间;目标变量为晶体平均粒径、粒度分布范围及形状因子。
应该指出,上述详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语均具有与本申请所属技术领域的普通技术人员的通常理解所相同的含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请所述的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式。此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是,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”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术语在适当情况下可以互换,以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
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。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位,如旋转90度或处于其他方位,并且对这里所使用的空间相对描述作出相应解释。
在上面详细的说明中,参考了附图,附图形成本文的一部分。在附图中,类似的符号典型地确定类似的部件,除非上下文以其他方式指明。在详细的说明书、附图及权利要求书中所描述的图示说明的实施方案不意味是限制性的。在不脱离本文所呈现的主题的精神或范围下,其他实施方案可以被使用,并且可以作其他改变。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于区块链的工业结晶控制系统,包括由控制变量信息采集节点组成的第一区块,数据处理单元组成的第二区块,及目标变量信息采集节点组成的第三区块,第一区块与第二区块及第二区块与第三区块间建立通讯,该控制系统根据目标变量的实时数据与设定数据间的偏差对控制变量进行调整。
2.如权利要求1所述的基于区块链的工业结晶控制系统,其第二区块由多个数据处理单元组成,所述多个数据处理单元构成单层或多层人工神经网络。
3.如权利要求2所述的基于区块链的工业结晶控制系统,其第二区块的人工神经网络采用BP结构,所述数据处理单元与处于同一层中的其他数据处理单元间不建立通讯连接,而与相邻层间的每个数据处理单元建立通讯连接,每一控制变量信息采集节点与第二区块的人工神经网络的首层数据处理单元建立通讯连接,每一目标变量信息采集节点与第二区块的人工神经网络的末层数据处理单元建立通讯连接。
4.如权利要求3所述的基于区块链的工业结晶控制系统,输入信息由控制变量信息采集节点进行采集,并正向传递给第二区块的人工神经网络,目标信息由目标变量信息采集节点进行采集,计算目标变量实时数据与设定数据间的误差,并将误差信息反向传递给第二区块的人工神经网络。
5.如权利要求4所述的基于区块链的工业结晶控制系统,其第二区块的每一数据处理单元存储有一特定的传递函数,所述传递函数为连续函数。
6.如权利要求5所述的基于区块链的工业结晶控制系统,所述传递函数为logsig函数、tansig函数或直线purelin函数。
8.如权利要求7所述的基于区块链的工业结晶控制系统,其还包含一系统时钟,对于任一控制变量及目标变量的实时数据依据系统时钟添加一时间戳,当系统处于稳定状态或是系统属于同步时变系统时,所述控制系统依据具有相同时间戳的控制变量及目标变量信息进行运算调整,确定系统的最优参数,当系统属于延迟时变系统时,数据处理单元通过改变时间步长对某一时刻t的控制变量及延迟t1的目标变量信息进行运算匹配,确定系统延迟时间及系统最优参数。
9.如权利要求8所述的基于区块链的工业结晶控制系统,其第二区块的每一处理单元还储存有一影响因子在控制过程中每次处理单元间建立通讯时均将基于当前系统参数计算得出的实时影响因子与储存的影响因子进行比较,当实时影响因子小于储存的影响因子时,断开所述处理单元与后一处理单元的正向通讯连接,以使控制系统在满足控制精度要求的条件下保证系统结构的简化,加快系统运算速率,其中实时影响因子由以下公式进行计算:
其中i,j为处理单元坐标,x和y分别为数据处理单元的输入和输出值,xmax和xmin分别为输入范围的上限和下限,ymax和ymin分别为输出范围的上限和下限,此处根据影响因子的判据只对正向通讯进行切断,在下一运算周期中,反向通讯任然存在,数据处理单元间的通讯参数仍然进行实时调整,当实时影响因子大于储存的影响因子时重新恢复所述处理单元与后一处理单元的正向通讯连接。
10.一种基于区块链的工业结晶控制方法,其采用如权利要求1-9所述的控制系统,所述信息采集节点通过多个传感器及存储器实现,所述数据处理单元通过多个处理器及存储器实现,采用random函数或经验函数对系统进行初始化,并依据历史数据对系统进行训练优化,当控制系统的控制精度达要求时切换至具体控制过程的实际参数,以实现对具体过程的优化控制,同时控制系统的参数依据实际参数不断调整,实现控制系统的迭代更新与优化;其中控制变量为结晶系统进料浓度、进料速度、结晶温度、结晶压力、搅拌强度、进排料速度、停留时间;目标变量为晶体平均粒径、粒度分布范围和形状因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011086209.6A CN112214550B (zh) | 2020-10-12 | 2020-10-12 | 一种基于区块链的工业结晶控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011086209.6A CN112214550B (zh) | 2020-10-12 | 2020-10-12 | 一种基于区块链的工业结晶控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112214550A true CN112214550A (zh) | 2021-01-12 |
CN112214550B CN112214550B (zh) | 2022-12-13 |
Family
ID=74052835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011086209.6A Active CN112214550B (zh) | 2020-10-12 | 2020-10-12 | 一种基于区块链的工业结晶控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112214550B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102830625A (zh) * | 2012-09-10 | 2012-12-19 | 江苏科技大学 | 基于神经网络预测控制的过程控制系统及方法 |
CN106369834A (zh) * | 2016-09-02 | 2017-02-01 | 南通大学 | 基于神经网络的直热式热泵系统恒温流量控制方法 |
CN109870904A (zh) * | 2018-12-27 | 2019-06-11 | 深圳市中电数通智慧安全科技股份有限公司 | 一种远程反向控制系统及其控制方法 |
CN111459186A (zh) * | 2020-04-18 | 2020-07-28 | 王烟烟 | 基于深度神经网络与区块链的无人机巡航系统 |
-
2020
- 2020-10-12 CN CN202011086209.6A patent/CN112214550B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102830625A (zh) * | 2012-09-10 | 2012-12-19 | 江苏科技大学 | 基于神经网络预测控制的过程控制系统及方法 |
CN106369834A (zh) * | 2016-09-02 | 2017-02-01 | 南通大学 | 基于神经网络的直热式热泵系统恒温流量控制方法 |
CN109870904A (zh) * | 2018-12-27 | 2019-06-11 | 深圳市中电数通智慧安全科技股份有限公司 | 一种远程反向控制系统及其控制方法 |
CN111459186A (zh) * | 2020-04-18 | 2020-07-28 | 王烟烟 | 基于深度神经网络与区块链的无人机巡航系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112214550B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108803349B (zh) | 非线性多智能体系统的最优一致性控制方法及系统 | |
CN112804107B (zh) | 一种物联网设备能耗自适应控制的分层联邦学习方法 | |
CN112532530B (zh) | 一种拥塞通知信息调整的方法及设备 | |
Palm et al. | Vascular networks due to dynamically arrested crystalline ordering of elongated cells | |
CN106203622B (zh) | 神经网络运算装置 | |
Sader et al. | General decay synchronization of delayed BAM neural networks via nonlinear feedback control | |
CN107040961A (zh) | 一种无线传感器网络拥塞控制方法 | |
Sahoo et al. | Comparative analysis of multi-step time-series forecasting for network load dataset | |
Wang et al. | Lag synchronization of multiple identical Hindmarsh–Rose neuron models coupled in a ring structure | |
CN116187429A (zh) | 一种基于切分学习的端边云协同同步联邦学习训练算法 | |
CN112214550B (zh) | 一种基于区块链的工业结晶控制系统及方法 | |
Herreros et al. | A forward model at Purkinje cell synapses facilitates cerebellar anticipatory control | |
CN115552412A (zh) | 利用异构代理组进行图卷积强化学习 | |
CN108376282A (zh) | 一种模拟狼群行为的计算智能优化方法 | |
CN106339072B (zh) | 一种基于左右脑模型的分布式大数据实时处理系统及方法 | |
CN110378476A (zh) | 脉冲卷积神经网络的最大池化层的近似实现方法、系统及介质 | |
Babazadeh et al. | Event-triggered surrounding adaptive control of nonlinear multi-agent systems | |
CN110175680B (zh) | 利用分布式异步更新在线机器学习的物联网数据分析方法 | |
CN107979540A (zh) | 一种sdn网络多控制器的负载均衡方法及系统 | |
CN108205706A (zh) | 人工神经网络反向训练装置和方法 | |
Alhassan et al. | Towards Congestion Control Approach Based on Weighted Random Early Detection and Type-2 Fuzzy Logic System | |
CN109542513B (zh) | 一种卷积神经网络指令数据存储系统及方法 | |
CN115225512B (zh) | 基于节点负载预测的多域服务链主动重构机制 | |
Yuwono et al. | The impact of communication and memory in state-based potential game-based distributed optimization | |
CN116436980A (zh) | 一种实时视频任务端网边协同调度方法及装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221110 Address after: 276300 no.5-1, West Yanjie District, Wenquan Road, economic development zone, Yinan County, Linyi City, Shandong Province Applicant after: Shandong Sanhong Information Technology Co.,Ltd. Address before: 513, 34 / F, A4 - (3) office building, Hanyu financial and business center, 7000 Jingshi Road, Jinan area, China (Shandong) pilot Free Trade Zone, Jinan City, Shandong Province Applicant before: Jinan Xinge Information Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |