CN112799367B - 一种基于工业互联网云平台的智能控制系统及方法 - Google Patents

一种基于工业互联网云平台的智能控制系统及方法 Download PDF

Info

Publication number
CN112799367B
CN112799367B CN202110025614.5A CN202110025614A CN112799367B CN 112799367 B CN112799367 B CN 112799367B CN 202110025614 A CN202110025614 A CN 202110025614A CN 112799367 B CN112799367 B CN 112799367B
Authority
CN
China
Prior art keywords
industrial
data
model
node
cloud platform
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
CN202110025614.5A
Other languages
English (en)
Other versions
CN112799367A (zh
Inventor
莫毓昌
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110025614.5A priority Critical patent/CN112799367B/zh
Publication of CN112799367A publication Critical patent/CN112799367A/zh
Application granted granted Critical
Publication of CN112799367B publication Critical patent/CN112799367B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31088—Network communication between supervisor and cell, machine group
    • 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)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于工业互联网云平台的智能控制系统及方法，方法包括将采集到的工业现场数据和工业控制指令作为历史数据；利用历史数据训练两个AI模型，得到数据过滤模型和指令生成模型，将其部署在工控机节点中；利用数据过滤模型过滤工业现场数据，指令生成模型利用工业现场数据生成工业控制指令；工业执行器节点根据工业控制指令对工业生产设备和/或生产线实施相应的控制功能；定期更新数据过滤模型和指令生成模型,并将更新后的模型部署在相应的工控机节点中。优点是：通过数据过滤模型和指令生成模型使得工程师把注意力集中在偏离稳态的工业现场数据，快速定位需要重点关注的控制场景；降低人力成本，减少疲劳和疏忽导致的工业生产事故。

Description

一种基于工业互联网云平台的智能控制系统及方法
技术领域
本发明涉及智能控制技术领域，尤其涉及一种基于工业互联网云平台的智能控制系统及方法。
背景技术
工业现场有很多传感器，采集工业生产的现场数据，如温度，湿度，振动，速度，电压，电流等。工业现场有很多执行器，用来控制工业生产设备和/或生产线，如继电器，可编程控制器，智能开关等。
工业控制是基于传感器采集的现场数据，根据目标设备和生产线的功能对数据进行分析计算，获得相应的工业控制指令，发送至执行器实施工业控制。例如对设备进行开关，加减速等。
传统的工业控制系统是在工业生产现场部署工控机节点，实施工业控制。当工业生产设备数量很多，生产线复杂时，由于工控机节点的计算资源有限，只能够进行简单的基于规则的工业控制。例如，当某个传感器监测到某个工况参数值超过预设的阈值，则实施工业控制指令。
随着现代工业产品越来越复杂，工序越来越多，制造过程柔性化和动态化，如电动汽车总装生产线，智能手机装配生产线等。已有的静态规则控制方法已经不能满足要求，需要更精准和智能的工业控制。
发明内容
本发明的目的在于提供一种基于工业互联网云平台的智能控制系统及方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于工业互联网云平台的智能控制系统，
工业传感器节点；用于采集工业生产过程中的工业现场数据，并将采集到的工业产生数据发送给工控机节点；
工业执行器节点；用于接收工控机节点发送的工业控制指令，对工业生产设备和/或生产线实施相应的控制功能；
工控机节点；用于管理配置至少一组工业传感器节点，并接收相应组工业传感器节点发送的工业现场数据，把工业现场数据通过IP网络或5G网络发送至云平台；接收云平台发送的工业控制指令，并将工业控制指令发送给相应的工业执行器节点，工业执行器节点根据工业控制指令对工业生产设备和/或生产线实施相应的控制功能；
云平台；用于管理配置至少一组工控机节点，为每个工控机节点训练两个AI 模型，并将训练完成获取的数据过滤模型和指令生成模型部署到相应的工控机节点中，并利用数据过滤模型和指令生成模型对工控机节点工业现场数据进行分析和处理，生成相应的工业控制指令发送给工控机节点；构建更新训练数据集，重新训练数据过滤模型和指令生成模型；
每组工业传感器节点中包括至少一个传感器节点；每组工控机节点中包括至少一个工控机节点。
本发明的目的还在于提供一种基于工业互联网云平台的智能控制方法，智能控制方法使用上述所述的智能控制系统实现；所述智能控制方法包括如下步骤，
S1、积累工业传感器节点采集到的工业现场数据和利用工业现场数据生成的工业控制指令作为历史数据；
S2、利用积累的历史数据分别为每个工控机节点训练两个AI模型，分别得到数据过滤模型和指令生成模型；
S3、为每个工控机节点部署相应的数据过滤模型和指令生成模型；工控机节点利用数据过滤模型对工业传感器节点采集到的新的工业现场数据进行过滤，将新的工业现场数据判定为稳态数据或偏离稳态数据，若为稳态数据，则将其传递给指令生成模型，并进入步骤S4；若为偏离稳态数据，则将其通过IP网络或5G 网络发送至云平台，并进入步骤S5；
S4、指令生成模型利用稳态数据生成第一工业控制指令，工控机节点将第一工业控制指令传递给工业执行器节点，工业执行器节点根据第一工业控制指令对工业生产设备和/或生产线实施相应的控制功能；
S5、云平台接收工控机节点传递过来的偏离稳态数据并存储；工业工程师通过云平台查看偏离稳态数据，并根据专家知识，设置第二工业控制指令，云平台记录工业工程师设置的第二工业控制指令，并将其发送给工控机节点；工控机节点接收第二工业控制指令，并将其发送给相应的工业执行器节点，工业执行器节点根据第二工业控制指令对工业生产设备和/或生产线实施相应的控制功能；
S6、将偏离稳态数据与第二工业控制指令组成更新训练数据集，云平台利用更新训练数据集重新训练数据过滤模型和指令生成模型，并返回S3。
优选的，步骤S2具体包括如下内容，
S21、构建第一训练数据集；
输入工业现场数据X′＝{x1，x2，…，xi，…，xn}，每个工业现场数据xi包括多个维度，每个维度对应一个工况参数，输出为yi，当某个工业现场数据xi需要工业控制指令时，输出yi为1；当某个工业现场数据xi无需工业控制指令时，输出yi为 0；输出yi∈{-1，1}；
S22、利用第一训练数据集训练高斯核函数，获取数据过滤模型；
选取核函数K(x，z)和惩罚系数C构造优化目标函数A，
Figure BDA0002890148830000031
Figure BDA0002890148830000032
0≤αi≤C；i＝1,2,…,n；j＝1,2，…,n
使用SMO算法求解上述优化目标函数A获取α*；
利用α*计算获取ω*和b*；
Figure BDA0002890148830000033
Figure BDA0002890148830000034
则计算求得分离超平面，
Figure BDA0002890148830000041
则获取数据过滤模型为，
Figure BDA0002890148830000042
S23、构建第二训练数据集；
输入工业现场数据X＝{x1,x2,…,xi,…，xm}，每个工业现场数据xi包括多个维度，每个维度对应一个工况参数，输出为指令输出编码数据集Yi，工业控制指令的种类为k，则工业现场数据xi对应的指令输出编码数据Yi为k维向量，Yi的每个维度ki对应一种工业控制指令；当ki＝1，则代表需要发布第i条工业控制指令；当ki≠1，则代表不需要发布第i条工业控制指令；
S24、构建三层神经网络模型；所述三层神经网络模型由一个隐藏层和一个输出层组成；
三层神经网络模型的隐藏层包含128个神经元，隐藏层的计算过程为：
T＝ReLU(w1·X+b1)；
其中,X是三层神经网络模型的输入，即为工业现场数据X；w1是权值矩阵， b1是偏置；T为隐藏层的128维输出向量；
三层神经网络模型的输出层计算过程为：
F＝softmax(w2·T+b2)；
其中,w2是权值矩阵，b2是偏置；F是输出值；
S25、利用工业现场数据X和对应的输出编码数据集Y，基于传统的BP算法训练三层神经网络模型，得到指令生成模型。
优选的，步骤S3中，利用数据过滤模型对工业传感器节点采集到的新的工业现场数据进行过滤的具体过程为，工控机节点将新的工业现场数据输入数据过滤模型，若数据过滤模型的输出为1，表示该新的工业现场数据为偏离稳态数据，则工控机节点将该新的工业现场数据通过IP网络或5G网络发送至云平台，并进入步骤S5；若数据过滤模型的输出不为1，表示该新的工业现场数据为稳态数据，则将其传递给指令生成模型生成相应的工业控制指令，并进入步骤S4。
优选的，步骤S1具体包括如下内容，
S11、工业传感器节点将采集到的工业现场数据发送给工控机节点；
S12、工控机节点接收工业传感器节点发送的工业现场数据，并将工业现场数据通过IP网络或5G网络发送至云平台；
S13、云平台接收并存储工控机节点上传的所有工业现场数据，并利用数据
S14、工业工程师通过云平台查看工业现场数据，并根据专家知识，设置相应的工业控制指令；
S16、工控机节点接收云平台接收云平台发送的工业控制指令，并将工业控制指令发送给相应的工业执行器节点，工业执行器节点根据工业控制指令对工业生产设备和/或生产线实施相应的控制功能。
本发明的有益效果是：1、通过数据过滤模型进行稳态正常数据过滤，使得工程师可以把注意力集中在偏离稳态的工业现场数据，快速定位需要重点关注的控制场景。2、通过指令生成模型进行智能控制，解放工程师监控大量现场数据，降低人力成本，减少疲劳和疏忽导致的工业生产事故。3、通过不断的数据补正和模型更新，使得智能程度越来越高，不断降低工程师工作量和提升工业控制的响应速度和准度。
附图说明
图1是本发明实施例中智能控制方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
实施例一
本实施例中，提供了一种基于工业互联网云平台的智能控制系统，
工业传感器节点；用于采集工业生产过程中的工业现场数据，并将采集到的工业产生数据发送给工控机节点；工业传感器节点部署在生产车间、流水线、厂房中；将采集到的工业现场数据通过有线连接(比如CAN总线)或无线连接(比如ZigBee、4G)发送给工控机节点；
工业执行器节点；用于接收工控机节点发送的工业控制指令，对工业生产设备和/或生产线实施相应的控制功能；工业执行器节点部署在生产车间、流水线、厂房中，接收工控机节点发送的工业控制指令，对工业生产设备和/或生产线实时相应的控制功能；
工控机节点；用于管理配置至少一组工业传感器节点，并接收相应组工业传感器节点发送的工业现场数据，把工业现场数据通过IP网络或5G网络发送至云平台，接收云平台发送的工业控制指令，并将工业控制指令发送给相应的工业执行器节点，工业执行器节点根据工业控制指令对工业生产设备和/或生产线实施相应的控制功能；
云平台；用于管理配置至少一组工控机节点，为每个工控机节点训练两个AI 模型，并将训练完成获取的数据过滤模型和指令生成模型部署到相应的工控机节点中，并利用数据过滤模型和指令生成模型对工控机节点工业现场数据进行分析和处理，生成相应的工业控制指令发送给工控机节点；构建更新训练数据集，重新训练数据过滤模型和指令生成模型；
每组工业传感器节点中包括至少一个传感器节点；每组工控机节点中包括至少一个工控机节点。
实施例二
如图1所示，本实施例中，提供了一种基于工业互联网云平台的智能控制方法，智能控制方法使用上述所述的智能控制系统实现；所述智能控制方法包括如下步骤，
S1、积累工业传感器节点采集到的工业现场数据和利用工业现场数据生成的工业控制指令作为历史数据；
S2、利用积累的历史数据分别为每个工控机节点训练两个AI模型，分别得到数据过滤模型和指令生成模型；
S3、为每个工控机节点部署相应的数据过滤模型和指令生成模型；工控机节点利用数据过滤模型对工业传感器节点采集到的新的工业现场数据进行过滤，将新的工业现场数据判定为稳态数据或偏离稳态数据，若为稳态数据，则将其传递给指令生成模型生成相应的工业控制指令，并进入步骤S4；若为偏离稳态数据，则将其通过IP网络或5G网络发送至云平台，并进入步骤S5；
S4、指令生成模型利用稳态数据生成第一工业控制指令，工控机节点将第一工业控制指令传递给工业执行器节点，工业执行器节点根据第一工业控制指令对工业生产设备和/或生产线实施相应的控制功能；
S5、云平台接收工控机节点传递过来的偏离稳态数据并存储；工业工程师通过云平台查看偏离稳态数据，并根据专家知识，设置第二工业控制指令，云平台记录工业工程师设置的第二工业控制指令，并将其发送给工控机节点；工控机节点接收第二工业控制指令，并将其发送给相应的工业执行器节点，工业执行器节点根据第二工业控制指令对工业生产设备和/或生产线实施相应的控制功能；
S6、将偏离稳态数据与第二工业控制指令组成更新训练数据集，云平台利用更新训练数据集重新训练数据过滤模型和指令生成模型，并返回S3。
可以看出智能控制方法具体包括四个阶段，下面分别针对这四个阶段做出详细的解释：
一、第一阶段，数据积累和手动控制阶段
第一阶段对应步骤S1的内容；本阶段会持续一定时间，目的是为了实现数据积累；步骤S1具体包括如下内容，
S11、工业传感器节点将采集到的工业现场数据发送给工控机节点；
S12、工控机节点接收工业传感器节点发送的工业现场数据，并将工业现场数据通过IP网络或5G网络发送至云平台；
S13、云平台接收并存储工控机节点上传的所有工业现场数据，并利用数据
S14、工业工程师通过云平台查看工业现场数据，并根据专家知识，设置相应的工业控制指令；
S16、工控机节点接收云平台接收云平台发送的工业控制指令，并将工业控制指令发送给相应的工业执行器节点，工业执行器节点根据工业控制指令对工业生产设备和/或生产线实施相应的控制功能。
每个工业现场数据都包括多个维度，每个温度都对应一个工况参数，工况参数可以是电流、电压、速度、振动、温度等参数；
一条电流参数的时间序列历史数据样本可以记为I(t＝1),I(t＝2),…,I(t＝n)；
一条电压参数的时间序列历史数据样本可以记为U(t＝1),U(t＝2),…,U(t＝n)；
一条速度参数的时间序列历史数据样本可以记为V(t＝1),V(t＝2),…,V(t＝n)；
一条振动参数的时间序列历史数据样本可以记为Z(t＝1),Z(t＝2),…,Z(t＝n)；
一条温度参数的时间序列历史数据样本可以记为T(t＝1),T(t＝2),…,T(t＝n)；二、第二阶段，基于积累的历史数据，训练相应的模型
第二阶段对应步骤S2的内容，步骤S2具体包括如下内容，
S21、构建第一训练数据集；
输入工业现场数据X′＝{x1，x2,…,xi,…,xn}，每个工业现场数据xi包括多个维度，每个维度对应一个工况参数，输出为yi，当某个工业现场数据xi需要工业控制指令时，输出yi为1；当某个工业现场数据xi无需工业控制指令时，输出yi为0；输出yi∈{-1，1}；
S22、利用第一训练数据集训练高斯核函数，获取数据过滤模型；
选取核函数K(x,z)和惩罚系数C构造优化目标函数A，
Figure BDA0002890148830000081
Figure BDA0002890148830000082
0≤αi≤C；i＝1,2,…,n；j＝1,2，…,n
使用SMO算法求解上述优化目标函数A获取α*；
利用α*计算获取ω*和b*；
Figure BDA0002890148830000083
Figure BDA0002890148830000084
则计算求得分离超平面，
Figure BDA0002890148830000091
则获取数据过滤模型为，
Figure BDA0002890148830000092
S23、构建第二训练数据集；
输入工业现场数据X＝{x1,x2,…,xi,…，xm}，每个工业现场数据xi包括多个维度，每个维度对应一个工况参数，输出为指令输出编码数据集Yi，工业控制指令的种类为k，则工业现场数据xi对应的指令输出编码数据Yi为k维向量，Yi的每个维度ki对应一种工业控制指令；当ki＝1，则代表需要发布第i条工业控制指令；当ki≠1，则代表不需要发布第i条工业控制指令；xi＝{I(t＝i)、U(t＝i)、V(t＝i)、Z(t＝i)、T(t＝i)}；
S24、构建三层神经网络模型；所述三层神经网络模型由一个隐藏层和一个输出层组成；
三层神经网络模型的隐藏层包含128个神经元，隐藏层的计算过程为：
T＝ReLU(w1·X+b1)；
其中,X是三层神经网络模型的输入，即为工业现场数据X；w1是权值矩阵， b1是偏置；T为隐藏层的128维输出向量；
三层神经网络模型的输出层计算过程为：
F＝softmax(w2·T+b2)；
其中,w2是权值矩阵，b2是偏置；F是输出值；
S25、利用工业现场数据X和对应的输出编码数据集Y，基于传统的BP算法训练三层神经网络模型，得到指令生成模型。
第二阶段是给工控机节点训练两个模型，分别为数据过滤模型和指令生成模型；
数据过滤模型为：工业现场数据量很大，很多数据是重复的，如果全部存储于云平台成本很高，并且浪费大量传输带宽。本模型用以过滤掉大量正常的稳态数据，只把偏离稳态的现场数据上传到云平台；
指令生成模型：该模型学习控制指令和现场数据之间的相关性，并实现自动生成指令进行工业控制，把工程师从大量数据监控的繁杂任务解放出来，也避免疲劳出错。
三、第三阶段，部署数据过滤模型和指令生成模型，实现智能控制
第三阶段对应步骤S3的内容，步骤S3具体包括如下内容，
为每个工控机节点部署相应的数据过滤模型和指令生成模型；
工业传感器节点将新采集的工业现场数据发送至工控机节点；
工控机节点将其接收的新的工业现场数据输入到数据过滤模型中进行过滤，将新的工业现场数据判定为稳态数据或偏离稳态数据，若为稳态数据，则将其传递给指令生成模型，指令生成模型利用稳态数据生成第一工业控制指令，工控机节点将第一工业控制指令传递给工业执行器节点，工业执行器节点根据第一工业控制指令对工业生产设备和/或生产线实施相应的控制功能；若为偏离稳态数据，则将其通过IP网络或5G网络发送至云平台，云平台接收工控机节点传递过来的偏离稳态数据并存储；工业工程师通过云平台查看偏离稳态数据，并根据专家知识，设置第二工业控制指令，云平台记录工业工程师设置的第二工业控制指令，并将其发送给工控机节点；工控机节点接收第二工业控制指令，并将其发送给相应的工业执行器节点，工业执行器节点根据第二工业控制指令对工业生产设备和/或生产线实施相应的控制功能。
步骤S3中，利用数据过滤模型对工业传感器节点采集到的新的工业现场数据进行过滤的具体过程为，工控机节点将新的工业现场数据输入数据过滤模型，若数据过滤模型的输出为1，表示该新的工业现场数据为偏离稳态数据，则工控机节点将该新的工业现场数据通过IP网络或5G网络发送至云平台，并进入步骤S5；若数据过滤模型的输出不为1，表示该新的工业现场数据为稳态数据，则将其传递给指令生成模型生成相应的工业控制指令，并进入步骤S4。
四、第四阶段，针对缺失的控制场景(也就是工业现场数据为偏离稳态数据)，就需要定期更新数据过滤模型和指令生成模型
在第三阶段中通过历史数据用神经网络模型学习控制指令和现场数据之间的相关性；存在着如下问题：由于第一阶段采集的数据时间有限，所以会存在某些控制场景的缺失；所以针对缺失的控制场景，需要定期更新数据过滤模型和指令生成模型。
第四阶段对应步骤S6的内容，S6具体为，
获取更新训练数据集；工业工程师通过云平台查看过滤之后的工业现场数据，并根据专家知识，设置第二工业控制指令，云平台记录工业工程师设置的第二工业控制指令，并发送给工控机节点，工控机节点接收云平台发送的第二工业控制指令，并将第二工业控制指令发送给相应的工业执行器节点，对工业生产设备和 /或生产线实施相应的控制功能；则偏离稳态数据以及工业工程师设置的第二工业控制指令构成更新训练数据集；
利用更新训练集重新训练数据过滤模型和指令生成模型，并将训练好的数据过滤模型和指令生成模型部署在工控机节点中。
本实施例中，数据过滤模型能够避免大数据量传输和模型无用的更新，通过只发送特殊的数据(偏离稳态数据)，使整个控制越来越精准智能。早期的时候因为没有积累数据所以都是人工来控制，随着数据的积累常用的场景(稳态数据)很快被AI模型所学习掌握可以自动生成控制命令，而那些没有出现过的场景 (偏离稳态数据)则需要人工参与，这样能够节约人工避免人工疲劳出错。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提供了一种基于工业互联网云平台的智能控制系统及方法，通过数据过滤模型进行稳态正常数据过滤，使得工程师可以把注意力集中在偏离稳态的工业现场数据，快速定位需要重点关注的控制场景。通过指令生成模型进行智能控制，解放工程师监控大量现场数据，降低人力成本，减少疲劳和疏忽导致的工业生产事故。通过不断的数据补正和模型更新，使得智能程度越来越高，不断降低工程师工作量和提升工业控制的响应速度和准度。
以上所述仅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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (3)

1.一种基于工业互联网云平台的智能控制系统，其特征在于：
工业传感器节点；用于采集工业生产过程中的工业现场数据，并将采集到的工业产生数据发送给工控机节点；
工业执行器节点；用于接收工控机节点发送的工业控制指令，对工业生产设备和/或生产线实施相应的控制功能；
工控机节点；用于管理配置至少一组工业传感器节点，并接收相应组工业传感器节点发送的工业现场数据，把工业现场数据通过IP网络或5G网络发送至云平台；接收云平台发送的工业控制指令，并将工业控制指令发送给相应的工业执行器节点，工业执行器节点根据工业控制指令对工业生产设备和/或生产线实施相应的控制功能；
云平台；用于管理配置至少一组工控机节点，为每个工控机节点训练两个AI模型，并将训练完成获取的数据过滤模型和指令生成模型部署到相应的工控机节点中，并利用数据过滤模型和指令生成模型对工控机节点工业现场数据进行分析和处理，生成相应的工业控制指令发送给工控机节点；构建更新训练数据集，重新训练数据过滤模型和指令生成模型；
每组工业传感器节点中包括至少一个传感器节点；每组工控机节点中包括至少一个工控机节点；
所述智能控制系统通过智能控制方法实现智能控制，所述智能控制方法包括如下步骤，
S1、积累工业传感器节点采集到的工业现场数据和利用工业现场数据生成的工业控制指令作为历史数据；
S2、利用积累的历史数据分别为每个工控机节点训练两个AI模型，分别得到数据过滤模型和指令生成模型；
S3、为每个工控机节点部署相应的数据过滤模型和指令生成模型；工控机节点利用数据过滤模型对工业传感器节点采集到的新的工业现场数据进行过滤，将新的工业现场数据判定为稳态数据或偏离稳态数据，若为稳态数据，则将其传递给指令生成模型，并进入步骤S4；若为偏离稳态数据，则将其通过IP网络或5G网络发送至云平台，并进入步骤S5；
S4、指令生成模型利用稳态数据生成第一工业控制指令，工控机节点将第一工业控制指令传递给工业执行器节点，工业执行器节点根据第一工业控制指令对工业生产设备和/或生产线实施相应的控制功能；
S5、云平台接收工控机节点传递过来的偏离稳态数据并存储；工业工程师通过云平台查看偏离稳态数据，并根据专家知识，设置第二工业控制指令，云平台记录工业工程师设置的第二工业控制指令，并将其发送给工控机节点；工控机节点接收第二工业控制指令，并将其发送给相应的工业执行器节点，工业执行器节点根据第二工业控制指令对工业生产设备和/或生产线实施相应的控制功能；
S6、将偏离稳态数据与第二工业控制指令组成更新训练数据集，云平台利用更新训练数据集重新训练数据过滤模型和指令生成模型，并返回S3；
步骤S2具体包括如下内容，
S21、构建第一训练数据集；
输入工业现场数据X′＝{x1,x2,…,xi,…,xn}，每个工业现场数据xi包括多个维度，每个维度对应一个工况参数，输出为yi，当某个工业现场数据xi需要工业控制指令时，输出yi为1；当某个工业现场数据xi无需工业控制指令时，输出yi为0；输出yi∈{-1，1}；
S22、利用第一训练数据集训练高斯核函数，获取数据过滤模型；
选取核函数K(x,z)和惩罚系数C构造优化目标函数A，
Figure FDA0003298822780000021
Figure FDA0003298822780000022
0≤ai≤C；i＝1,2,…,n；j＝1,2,…,n
使用SMO算法求解上述优化目标函数A获取α*；
利用α*计算获取ω*和b*；
Figure FDA0003298822780000031
Figure FDA0003298822780000032
则计算求得分离超平面，
Figure FDA0003298822780000033
则获取数据过滤模型为，
Figure FDA0003298822780000034
S23、构建第二训练数据集；
输入工业现场数据X＝{x1,x2,…,xi,…,xm}，每个工业现场数据xi包括多个维度，每个维度对应一个工况参数，输出为指令输出编码数据集Yi，工业控制指令的种类为k，则工业现场数据xi对应的指令输出编码数据Yi为k维向量，Yi的每个维度ki对应一种工业控制指令；当ki＝1，则代表需要发布第i条工业控制指令；当ki≠1，则代表不需要发布第i条工业控制指令；
S24、构建三层神经网络模型；所述三层神经网络模型由一个隐藏层和一个输出层组成；
三层神经网络模型的隐藏层包含128个神经元，隐藏层的计算过程为：
T＝ReLU(w1·X+b1)；
其中,X是三层神经网络模型的输入，即为工业现场数据X；w1是权值矩阵，b1是偏置；T为隐藏层的128维输出向量；
三层神经网络模型的输出层计算过程为：
F＝softmax(w2·T+b2)；
其中,w2是权值矩阵，b2是偏置；F是输出值；
S25、利用工业现场数据X和对应的输出编码数据集Y，基于传统的BP算法训练三层神经网络模型，得到指令生成模型。
2.根据权利要求1所述的基于工业互联网云平台的智能控制系统，其特征在于：步骤S3中，利用数据过滤模型对工业传感器节点采集到的新的工业现场数据进行过滤的具体过程为，工控机节点将新的工业现场数据输入数据过滤模型，若数据过滤模型的输出为1，表示该新的工业现场数据为偏离稳态数据，则工控机节点将该新的工业现场数据通过IP网络或5G网络发送至云平台，并进入步骤S5；若数据过滤模型的输出不为1，表示该新的工业现场数据为稳态数据，则将其传递给指令生成模型生成相应的工业控制指令，并进入步骤S4。
3.根据权利要求1所述的基于工业互联网云平台的智能控制系统，其特征在于：步骤S1具体包括如下内容，
S11、工业传感器节点将采集到的工业现场数据发送给工控机节点；
S12、工控机节点接收工业传感器节点发送的工业现场数据，并将工业现场数据通过IP网络或5G网络发送至云平台；
S13、云平台接收并存储工控机节点上传的所有工业现场数据；
S14、工业工程师通过云平台查看工业现场数据，并根据专家知识，设置相应的工业控制指令；
S16、工控机节点接收云平台接收云平台发送的工业控制指令，并将工业控制指令发送给相应的工业执行器节点，工业执行器节点根据工业控制指令对工业生产设备和/或生产线实施相应的控制功能。
CN202110025614.5A 2021-01-08 2021-01-08 一种基于工业互联网云平台的智能控制系统及方法 Active CN112799367B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110025614.5A CN112799367B (zh) 2021-01-08 2021-01-08 一种基于工业互联网云平台的智能控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110025614.5A CN112799367B (zh) 2021-01-08 2021-01-08 一种基于工业互联网云平台的智能控制系统及方法

Publications (2)

Publication Number Publication Date
CN112799367A CN112799367A (zh) 2021-05-14
CN112799367B true CN112799367B (zh) 2021-11-16

Family

ID=75809471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110025614.5A Active CN112799367B (zh) 2021-01-08 2021-01-08 一种基于工业互联网云平台的智能控制系统及方法

Country Status (1)

Country Link
CN (1) CN112799367B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114363366A (zh) * 2021-11-09 2022-04-15 四川宏华电气有限责任公司 一种基于云平台的远程自动定向系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110609512A (zh) * 2019-09-25 2019-12-24 新奥（中国）燃气投资有限公司 一种物联网平台和物联网设备监控方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2790101B1 (en) * 2013-04-10 2016-01-20 ABB Technology AG System and method for automated virtual commissioning of an industrial automation system
CN109947810A (zh) * 2017-11-16 2019-06-28 上海明匠智能系统有限公司 工业设备数据实时采集系统
CN111556032A (zh) * 2020-04-14 2020-08-18 江苏天人工业互联网研究院有限公司 一种基于人工智能算法的工业大数据处理系统
CN111580487A (zh) * 2020-05-30 2020-08-25 宁波伟立机器人科技股份有限公司 一种工业生产线智能监控控制系统
CN111752195A (zh) * 2020-06-17 2020-10-09 籍芳 一种嵌入式工业物联网数据采集监控系统及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110609512A (zh) * 2019-09-25 2019-12-24 新奥（中国）燃气投资有限公司 一种物联网平台和物联网设备监控方法

Also Published As

Publication number Publication date
CN112799367A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
US11488035B2 (en) Method and device for machine learning in a computing unit
CN110202768B (zh) 一种注塑机料筒温度控制方法
CN111428317B (zh) 一种基于5g和循环神经网络的关节摩擦力矩补偿方法
CN112799367B (zh) 一种基于工业互联网云平台的智能控制系统及方法
CN111722628A (zh) 一种多智能体轨迹更新迭代学习的点到点跟踪控制方法
CN107877511A (zh) 基于输出位置的多双连杆机械臂包含控制器及设计方法
CN111814333A (zh) 奇异Lur’e网络聚类同步的牵制节点选择方法
CN111103833B (zh) 一种多化学反应罐反应液体积一致性控制器系统及设计方法
CN106802564B (zh) 多智能体系统及其控制方法
Dong et al. Applying genetic algorithm to on-line updated PID neural network controllers for ball and plate system
CN116193819A (zh) 一种数据中心机房节能控制方法、系统、装置及电子设备
JP7381585B2 (ja) 情報処理システム
Huang et al. Adaptive fuzzy PID temperature control system based on OPC and modbus/TCP protocol
Srinivasan et al. Level control of three-tank system using intelligent techniques
WO2018224649A1 (en) Method and distributed control system for carrying out an automated industrial process
Wu et al. A study on PID intelligent optimization based on radial basis function neural networks
Zhang et al. Fuzzy controller design for networked control system with time-variant delays
Sood Autonomous robot motion control using fuzzy PID controller
Bashah et al. Feed Forward Neural Network Model for Isopropyl Myristate Production in Industrial-scale Semi-batch Reactive Distillation Columns
Gao et al. Neural network-based cooperative identification for a class of unknown nonlinear systems via event-triggered communication
JP2018147103A (ja) モデル学習装置、制御量算出装置、及びプログラム
CN117452885A (zh) 复杂工业过程的运行决策智能方法及系统
Huang et al. Pan-tilt Control Method Applied to Mobile Robots
CN111459161B (zh) 一种多机器人系统人为干预控制方法
CN115629544A (zh) 一种数据驱动的多智能体系统自触发跟踪控制方法

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