CN112926890A - 指挥控制装置及控制方法 - Google Patents
指挥控制装置及控制方法 Download PDFInfo
- Publication number
- CN112926890A CN112926890A CN202110350017.XA CN202110350017A CN112926890A CN 112926890 A CN112926890 A CN 112926890A CN 202110350017 A CN202110350017 A CN 202110350017A CN 112926890 A CN112926890 A CN 112926890A
- Authority
- CN
- China
- Prior art keywords
- industrial
- task scheduling
- scheduling instruction
- instruction
- decision
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- 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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种工业控制的技术领域,揭露了一种指挥控制方法,包括:获取工业任务决策信息,利用基于多决策的指令生成策略生成工业设备任务调度指令;将工业指挥控制网络划分为若干层次区域,并利用基于层次权重的指令转发算法将工业设备任务调度指令下发到对应的工业设备;在任务调度指令下发过程中,将任务调度指令的信息进行信息处理,得到任务调度指令处理信息;利用改进的SVM模型实时地根据任务调度指令处理信息监测工业指挥控制网络,若未监测到异常信息,工业设备则根据所接收到的任务调度指令进行任务调度处理。本发明还提供了一种指挥控制装置。本发明实现了工业任务的指挥控制。
Description
技术领域
本发明涉及工业控制的技术领域,尤其涉及一种指挥控制装置及控制方法。
背景技术
随着信息技术的快速发展,工业指挥控制装置打破了传统的物理隔离的形式,越来越多地与外界网络相连,而在工业化与信息化深度融合的同时,工业控制装置自身的封闭性被打破,加之工业控制系统信息安全防护技术发展较为缓慢,工业网络信息安全问题愈发突出。
传统工业控制网络监测方法大多为通过预设分组运行,将工业控制网络监测点的数据流图分解为不重叠的子图,根据子图边界值确定工业控制网络存在的安全问题,然而,该方法通常都由于应用环境的不同,导致应用对象和系统内部代码容易混合,算法适用性相对较差。
鉴于此,如何对工业指挥控制网络中的异常信息进行实时监测,实现工业设备的实时指挥控制,成为本领域技术人员亟待解决的问题。
发明内容
本发明提供一种指挥控制方法,指挥控制装置通过利用基于多决策的指令生成策略生成工业设备任务调度指令,将工业指挥控制网络划分为若干层次区域,并利用基于层次权重的指令转发算法将工业设备任务调度指令下发到对应的工业设备,在任务调度指令下发过程中,将任务调度指令的信息进行处理,并利用改进的SVM模型实时地监测工业指挥控制网络,若未监测到异常信息,工业设备则根据所接收到的任务调度指令进行任务调度处理。
为实现上述目的,本发明提供的一种指挥控制方法,包括:
获取工业任务决策信息,利用基于多决策的指令生成策略生成工业设备任务调度指令;
将工业指挥控制网络划分为若干层次区域,并利用基于层次权重的指令转发算法将工业设备任务调度指令下发到对应的工业设备;
在任务调度指令下发过程中,将任务调度指令的信息进行信息处理,得到任务调度指令处理信息;
利用改进的SVM模型实时地根据任务调度指令处理信息监测工业指挥控制网络,若未监测到异常信息,工业设备则根据所接收到的任务调度指令进行任务调度处理。
可选地,所述利用基于多决策的指令生成策略生成工业设备任务调度指令,包括:
所述工业任务决策信息包括当前正在进行的工业任务中各工业设备的任务调度信息,以及将要进行的工业任务中各工业设备的任务调度信息;
根据工业任务决策信息,本发明利用基于多决策的指令生成策略生成工业设备任务调度指令,所述工业设备任务调度包括工业设备的启动、作业、关闭,其中作业为工业设备执行调度任务;
所述基于多决策的指令生成策略包括:
1)根据工业任务中的任务决策,生成m个预指令S={s1,s2,…si,…,sm},其中si表示第i个任务预指令;定义决策变量C={c1,c2,…,ci,…,cm},其中第i个决策变量ci对应第i个任务预指令si:
2)设置多决策的目标函数:
max{Se(C),Sg(C),Sa(C)}
Se(C)=X-XC
Sg(C)=Y-YC
Sa(C)=Z-ZC
其中:
Se(C)为在执行决策C后工业控制网络的安全收益,X为当前状态不采取任何措施的工业控制网络风险,XC为执行决策C后工业控制网络的工业控制网络网络风险;
Sg(C)为在执行决策C后工业设备的工业收益,Y为当前状态不采取任何措施的工业设备的工业收益,YC为执行决策C后工业设备的工业收益;
Sa(C)为在执行决策C后工业设备的状态收益,Z为当前状态不采取任何措施的工业设备的状态收益,ZC为执行决策C后工业设备的状态收益,在本发明一个具体实施例中,状态收益为工业设备在进行状态切换后的状态参数欧氏距离;
3)利用遗传算法求解决策解集P={C1,C2,…,Ck},并对其进行标准化处理,得到标准化处理后的S′e(Ci),S′g(Ci),S′a(Ci):
4)计算标准化处理结果与最优点之间的距离:
可选地,所述将工业指挥控制网络划分为若干层次区域的流程为:
在所述工业指挥控制网络中,将工业控制网络中得通信基站进行层次划分,将离指挥控制装置i跳距离的通信基站作为第i层通信基站,其中指挥控制装置为第0层通信基站,任务调度指令所对应的工业设备为最高层的通信基站,在本发明一个具体实施例中,层级数越大,级别越高,当低层通信基站需要向高层通信基站传输指令时,会首先从较高层中择优选择通信基站。
可选地,所述利用基于层次权重的指令转发算法将工业设备任务调度指令下发到对应的工业设备,包括:
1)将工业设备任务调度指令从第i层的通信基站a转发到第i+1层通信基站,其中i的初始值为0;计算第i+1层各通信基站的权重:
其中:
wi+1,j为第i+1层工业控制网络中通信基站j的权重;
daj为通信基站a到通信基站j之间的欧式距离;
Ej为通信基站j的剩余能量;
Laj为通信基站a到通信基站j之间的通信链路质量;
RSSIaj为通信基站j接收到来自通信基站a工业设备调度指令的信号强度;
naj表示工业设备调度指令的比特数;
2)在第i+1层工业控制网络中选取权重最大的通信基站作为转发基站;
3)重复上述步骤,直到将工业设备任务调度指令下发到对应的工业设备。
可选地,所述将任务调度指令的信息进行信息处理,包括:
1)设置采样间隔为Δt,在采样间隔Δt内对任务调度指令进行采样,并将采样后的任务调度指令信息转换为二进制序列信号X=(x[1],x[2],…,x[k]),对于第i个采样间隔,若存在信息符号,则设置x[i]=1,反之设置为0;
2)对二进制序列信号X进行快速傅里叶变换,并计算其功率谱密度,得到二进制序列信号的周期图;
3)获取周期图中局部最大值的值和位置,设置频率阈值T,低于该值的周期图频率能量值均舍去,得到主导周期的候选列表;
4)滤除频率为原始周期频率的正整数倍的周期,保留基波,并返回主导周期以及主导周期所对应的频率作为任务调度指令处理信息。
可选地,所述利用改进的SVM模型实时地根据任务调度指令处理信息监测工业指挥控制网络,包括:
所述改进的SVM模型训练流程为:
1)初始化粒子群,设置最大迭代次数K,种群规模N,随机产生N个粒子的位置{x1,x2,…,xN},组成初始种群X(k),随机产生初始粒子速度{x1,x2,…,xN},组成速度矩阵V(k),每个粒子由三个分量构成,分别表示SVM模型的c1,c2,混合核函数系数ρ;
2)将粒子的分量代入SVM训练目标函数中:
其中:
c1,c2为惩罚因子参数;
Y表示训练数据集;
ω表示SVM模型中的向量权重;
b表示SVM模型中的偏置向量;
e为全由1组成的列向量,eT为转置后的列向量;
将SVM分类的准确率作为适应度值;并根据适应度值判断粒子的个体最优解和群体最优解;
3)判断是否到达最大迭代次数,若达到最大迭代次数则进行4),若未达到最大迭代次数则更新粒子的位置和速度,迭代次数k+1,并返回1),所述粒子的位置以及速度的更新公式为:
xi(k+1)=xi(k)+vi(k+1)
vi(k}1)=wvi(k)+u1(pi(k)-xi(k))+u2(bi(k)-xi(k))
其中:
xi(k)为粒子i在第k次迭代的位置,vi(k)为粒子i在第k次迭代的速度;
w表示惯性权重;
pi(k)为第k次迭代过程中粒子i的最优位置;
bi(k)为从第1次迭代到第k次迭代过程中粒子i的最优位置;
4)将粒子的向量参数代入SVM模型中,得到最优SVM模型。
利用最优SVM模型对工业指挥控制网络进行监测,若未监测到异常信息,工业设备则根据所接收到的任务调度指令进行任务调度处理。
此外,为实现上述目的,本发明还提供一种指挥控制装置,所述指挥控制装置包括:
指令生成装置,用于获取工业任务决策信息,利用基于多决策的指令生成策略生成工业设备任务调度指令;
通信处理器,用于利用基于层次权重的指令转发算法将工业设备任务调度指令下发到对应的工业设备,并在任务调度指令下发过程中,将任务调度指令的信息进行信息处理,得到任务调度指令处理信息;
指挥装置,用于利用改进的SVM模型实时地根据任务调度指令处理信息监测工业指挥控制网络,若未监测到异常信息,工业设备则根据所接收到的任务调度指令进行任务调度处理。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有指挥控制方法程序指令,所述指挥控制方法程序指令可被一个或者多个处理器执行,以实现如上所述的指挥控制方法的实现方法的步骤。
相对于现有技术,本发明提出一种指挥控制方法,该技术具有以下优势:
首先,本发明提出一种基于多决策的指令生成策略生成工业设备任务调度指令,根据工业任务中的任务决策,生成m个预指令S={s1,s2,…si,…,sm},其中si表示第i个任务预指令;定义决策变量C={c1,c2,…,ci,…,cm},其中第i个决策变量ci对应第i个任务预指令si:
相较于传统技术,本发明基于工业任务中的任务决策,设置基于安全收益、工业收益以及状态收益的目标函数,通过对各收益进行决策权衡,得到任务指令决策结果,所述目标函数为:
max{Se(C),Sg(C),Sa(C)}
Se(C)=X-XC
Sg(C)=Y-YC
Sa(C)=Z-ZC
其中:Se(C)为在执行决策C后工业控制网络的安全收益,X为当前状态不采取任何措施的工业控制网络风险,XC为执行决策C后工业控制网络的工业控制网络网络风险;Sg(C)为在执行决策C后工业设备的工业收益,Y为当前状态不采取任何措施的工业设备的工业收益,YC为执行决策C后工业设备的工业收益;Sa(C)为在执行决策C后工业设备的状态收益,Z为当前状态不采取任何措施的工业设备的状态收益,ZC为执行决策C后工业设备的状态收益;利用遗传算法求解决策解集P={C1,C2,…,Ck},并对其进行标准化处理,得到标准化处理后的S′e(Ci),S′g(Ci),S′a(Ci):
计算标准化处理结果与最优点之间的距离:
同时本发明提出一种基于层次权重的指令转发算法,通过将工业指挥控制网络划分为若干层次区域,将离指挥控制装置i跳距离的通信基站作为第i层通信基站,其中指挥控制装置为第0层通信基站,任务调度指令所对应的工业设备为最高层的通信基站;将工业设备任务调度指令从第i层的通信基站a转发到第i+1层通信基站,其中i的初始值为0;计算第i+1层各通信基站的权重:
其中:wi+1,j为第i+1层工业控制网络中通信基站j的权重;daj为通信基站a到通信基站j之间的欧式距离;Ej为通信基站j的剩余能量;Laj为通信基站a到通信基站j之间的通信链路质量;RSSIaj为通信基站j接收到来自通信基站a工业设备调度指令的信号强度;naj表示工业设备调度指令的比特数;在第i+1层工业控制网络中选取权重最大的通信基站作为转发基站,其中通信基站的权重越大即代表其通信质量越高,能更好地避免任务调度指令转发错误;直到将工业设备任务调度指令下发到对应的工业设备。
最后本发明提出一种SVM模型的改进策略,从而利用改进的SVM模型实时地根据任务调度指令处理信息监测工业指挥控制网络,所述改进的SVM模型训练流程为:初始化粒子群,设置最大迭代次数K,种群规模N,随机产生N个粒子的位置{x1,x2,…,xN},组成初始种群X(k),随机产生初始粒子速度{x1,x2,…,xN},组成速度矩阵V(k),每个粒子由三个分量构成,分别表示SVM模型的c1,c2,混合核函数系数ρ;将粒子的分量代入SVM训练目标函数中:
其中:c1,c2为惩罚因子参数;Y表示训练数据集;K表示核函数,其中yi,yj为训练数据集中的任务调度指令处理信息,α,r为参数,α=0.1,r=0.2;ω表示SVM模型中的向量权重;b表示SVM模型中的偏置向量;e为全由1组成的列向量,eT为转置后的列向量;将SVM分类的准确率作为适应度值;并根据适应度值判断粒子的个体最优解和群体最优解;判断是否到达最大迭代次数,若未达到最大迭代次数则更新粒子的位置和速度,迭代次数k+1,并重新开始迭代,所述粒子的位置以及速度的更新公式为:
xi(k+1)=xi(k)+vi(k+1)
vi(k+1)=wvi(k)+u1(pi(k)-xi(k))+u2(bi(k)-xi(k))
其中:xi(k)为粒子i在第k次迭代的位置,vi(k)为粒子i在第k次迭代的速度;w表示惯性权重;u1,u2为学习因子,当迭代次数时,其值为[1,2],否则其值为[0,1],从而使得算法在开始阶段具有较大学习率,粒子会迅速拉向目标区域,而在最后迭代阶段具有较小学习率,避免算法过早收敛,陷入局部最优;pi(k)为第k次迭代过程中粒子i的最优位置;bi(k)为从第1次迭代到第k次迭代过程中粒子i的最优位置;将粒子的向量参数代入SVM模型中,得到最优SVM模型。因此本发明则利用最优SVM模型对工业指挥控制网络进行实时监测,若未监测到异常信息,工业设备则根据所接收到的任务调度指令进行任务调度处理,有效对工业控制网络进行安全防护。
附图说明
图1为本发明一实施例提供的一种指挥控制方法的流程示意图;
图2为本发明一实施例提供的一种指挥控制装置的结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
指挥控制装置通过利用基于多决策的指令生成策略生成工业设备任务调度指令,将工业指挥控制网络划分为若干层次区域,并利用基于层次权重的指令转发算法将工业设备任务调度指令下发到对应的工业设备,在任务调度指令下发过程中,将任务调度指令的信息进行处理,并利用改进的SVM模型实时地监测工业指挥控制网络,若未监测到异常信息,工业设备则根据所接收到的任务调度指令进行任务调度处理。参照图1所示,为本发明一实施例提供的指挥控制方法示意图。
在本实施例中,指挥控制方法包括:
S1、获取工业任务决策信息,利用基于多决策的指令生成策略生成工业设备任务调度指令。
首先,本发明获取工业任务决策信息,所述工业任务决策信息包括当前正在进行的工业任务中各工业设备的任务调度信息,以及将要进行的工业任务中各工业设备的任务调度信息;
进一步地,根据工业任务决策信息,本发明利用基于多决策的指令生成策略生成工业设备任务调度指令,所述工业设备任务调度包括工业设备的启动、作业、关闭,其中作业为工业设备执行调度任务;
所述基于多决策的指令生成策略包括:
1)根据工业任务中的任务决策,生成m个预指令S={s1,s2,…si,…,sm},其中si表示第i个任务预指令;定义决策变量C={c1,c2,…,ci,…,cm},其中第i个决策变量ci对应第i个任务预指令si:
2)设置多决策的目标函数:
max{Se(C),Sg(C),Sa(C)}
Se(C)=X-XC
Sg(C)=Y-YC
Sa(C)=Z-ZC
其中:
Se(C)为在执行决策C后工业控制网络的安全收益,X为当前状态不采取任何措施的工业控制网络风险,XC为执行决策C后工业控制网络的工业控制网络网络风险;
Sg(C)为在执行决策C后工业设备的工业收益,Y为当前状态不采取任何措施的工业设备的工业收益,YC为执行决策C后工业设备的工业收益;
Sa(C)为在执行决策C后工业设备的状态收益,Z为当前状态不采取任何措施的工业设备的状态收益,ZC为执行决策C后工业设备的状态收益,在本发明一个具体实施例中,状态收益为工业设备在进行状态切换后的状态参数欧氏距离;
3)利用遗传算法求解决策解集P={C1,C2,…,Ck},并对其进行标准化处理,得到标准化处理后的S′e(Ci),S′g(Ci),S′a(Ci):
4)计算标准化处理结果与最优点之间的距离:
S2、将工业指挥控制网络划分为若干层次区域,并利用基于层次权重的指令转发算法将工业设备任务调度指令下发到对应的工业设备。
进一步地,本发明将工业指挥控制网络划分为若干层次区域,在所述工业指挥控制网络中,将工业控制网络中得通信基站进行层次划分,将离指挥控制装置i跳距离的通信基站作为第i层通信基站,其中指挥控制装置为第0层通信基站,任务调度指令所对应的工业设备为最高层的通信基站,在本发明一个具体实施例中,层级数越大,级别越高,当低层通信基站需要向高层通信基站传输指令时,会首先从较高层中择优选择通信基站;
进一步地,本发明利用基于层次权重的指令转发算法将工业设备任务调度指令下发到对应的工业设备,所述基于层次权重的指令转发算法流程为:
1)将工业设备任务调度指令从第i层的通信基站a转发到第i+1层通信基站,其中i的初始值为0;计算第i+1层各通信基站的权重:
其中:
wi+1,j为第i+1层工业控制网络中通信基站j的权重;
daj为通信基站a到通信基站j之间的欧式距离;
Ej为通信基站j的剩余能量;
Laj为通信基站a到通信基站j之间的通信链路质量;
RSSIaj为通信基站j接收到来自通信基站a工业设备调度指令的信号强度;
naj表示工业设备调度指令的比特数;
2)在第i+1层工业控制网络中选取权重最大的通信基站作为转发基站;
3)重复上述步骤,直到将工业设备任务调度指令下发到对应的工业设备。
S3、在任务调度指令下发过程中,将任务调度指令的信息进行信息处理,得到任务调度指令处理信息。
进一步地,在任务调度指令的下发过程中,本发明将任务调度指令的信息进行信息处理,所述任务调度指令的信息处理流程为:
1)设置采样间隔为Δt,在采样间隔Δt内对任务调度指令进行采样,并将采样后的任务调度指令信息转换为二进制序列信号X=(x[1],x[2],…,x[k]),对于第i个采样间隔,若存在信息符号,则设置x[i]=1,反之设置为0;
2)对二进制序列信号X进行快速傅里叶变换,并计算其功率谱密度,得到二进制序列信号的周期图;
3)获取周期图中局部最大值的值和位置,设置频率阈值T,低于该值的周期图频率能量值均舍去,得到主导周期的候选列表;
4)滤除频率为原始周期频率的正整数倍的周期,保留基波,并返回主导周期以及主导周期所对应的频率作为任务调度指令处理信息。
S4、利用改进的SVM模型实时地根据任务调度指令处理信息监测工业指挥控制网络,若未监测到异常信息,工业设备则根据所接收到的任务调度指令进行任务调度处理。
进一步地,本发明利用改进的SVM模型实时地根据任务调度指令处理信息监测工业指挥控制网络,所述改进的SVM模型训练流程为:
1)初始化粒子群,设置最大迭代次数K,种群规模N,随机产生N个粒子的位置{x1,x2,…,xN},组成初始种群X(k),随机产生初始粒子速度{x1,x2,…,xN},组成速度矩阵V(k),每个粒子由三个分量构成,分别表示SVM模型的c1,c2,混合核函数系数ρ;
2)将粒子的分量代入SVM训练目标函数中:
其中:
c1,c2为惩罚因子参数;
Y表示训练数据集;
ω表示SVM模型中的向量权重;
b表示SVM模型中的偏置向量;
e为全由1组成的列向量,eT为转置后的列向量;
将SVM分类的准确率作为适应度值;并根据适应度值判断粒子的个体最优解和群体最优解;
3)判断是否到达最大迭代次数,若达到最大迭代次数则进行4),若未达到最大迭代次数则更新粒子的位置和速度,迭代次数k+1,并返回1),所述粒子的位置以及速度的更新公式为:
xi(k+1)=xi(k)+vi(k+1)
vi(k+1)=wvi(k)+u1(pi(k)-xi(k))+u2(bi(k)-xi(k))
其中:
xi(k)为粒子i在第k次迭代的位置,vi(k)为粒子i在第k次迭代的速度;
w表示惯性权重;
pi(k)为第k次迭代过程中粒子i的最优位置;
bi(k)为从第1次迭代到第k次迭代过程中粒子i的最优位置;
4)将粒子的向量参数代入SVM模型中,得到最优SVM模型。
进一步地,本发明利用最优SVM模型对工业指挥控制网络进行监测,若未监测到异常信息,工业设备则根据所接收到的任务调度指令进行任务调度处理。
下面通过一个算法实验来说明本发明的具体实施方式,并对发明的处理方法进行测试。本发明算法的硬件测试环境为:Inter(R)Core(TM)i7-6700K CPU,软件为Matlab2018a;对比方法为基于遗传算法的指挥控制装置控制方法以及基于随机森林的指挥控制装置控制方法。
在本发明所述算法实验中,数据集为10G的指挥控制装置控制指令。本实验将控制指令输入到指挥控制装置控制方法中,将指挥控制装置的控制准确率作为算法可行性的评价指标。
根据实验结果,基于遗传算法的指挥控制装置控制方法的控制准确率为81.12%,基于随机森林的指挥控制装置控制方法的控制准确率为83.69%,本发明所述方法的控制准确率为87.09%,相较于对比算法,本发明所提出的指挥控制方法能够实现更为准确的工业控制。
发明还提供一种指挥控制装置。参照图2所示,为本发明一实施例提供的指挥控制装置的内部结构示意图。
在本实施例中,所述指挥控制装置1至少包括指令生成装置11、通信处理器12、指挥装置13,通信总线14,以及网络接口15。
其中,指令生成装置11可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备,也可以是一种服务器等。
通信处理器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。通信处理器12在一些实施例中可以是指挥控制装置1的内部存储单元,例如该指挥控制装置1的硬盘。通信处理器12在另一些实施例中也可以是指挥控制装置1的外部存储设备,例如指挥控制装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,通信处理器12还可以既包括指挥控制装置1的内部存储单元也包括外部存储设备。通信处理器12不仅可以用于存储安装于指挥控制装置1的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
指挥装置13在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行通信处理器12中存储的程序代码或处理数据,例如指挥控制方法程序指令等。
通信总线14用于实现这些组件之间的连接通信。
网络接口15可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该指挥控制装置1与其他电子设备之间建立通信连接。
可选地,该指挥控制装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在指挥控制装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-15以及指挥控制装置1,本领域技术人员可以理解的是,图1示出的结构并不构成对指挥控制装置1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的指挥控制装置1实施例中,通信处理器12中存储有指挥控制方法程序指令;指挥装置13执行通信处理器12中存储的指挥控制方法程序指令的步骤,与指挥控制方法的实现方法相同,在此不作类述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有指挥控制方法程序指令,所述指挥控制方法程序指令可被一个或多个处理器执行,以实现如下操作:
获取工业任务决策信息,利用基于多决策的指令生成策略生成工业设备任务调度指令;
将工业指挥控制网络划分为若干层次区域,并利用基于层次权重的指令转发算法将工业设备任务调度指令下发到对应的工业设备;
在任务调度指令下发过程中,将任务调度指令的信息进行信息处理,得到任务调度指令处理信息;
利用改进的SVM模型实时地根据任务调度指令处理信息监测工业指挥控制网络,若未监测到异常信息,工业设备则根据所接收到的任务调度指令进行任务调度处理。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.指挥控制方法,其特征在于,所述方法包括:
获取工业任务决策信息,利用基于多决策的指令生成策略生成工业设备任务调度指令;
将工业指挥控制网络划分为若干层次区域,并利用基于层次权重的指令转发算法将工业设备任务调度指令下发到对应的工业设备;
在任务调度指令下发过程中,将任务调度指令的信息进行信息处理,得到任务调度指令处理信息;
利用改进的SVM模型实时地根据任务调度指令处理信息监测工业指挥控制网络,若未监测到异常信息,工业设备则根据所接收到的任务调度指令进行任务调度处理。
2.如权利要求1所述的一种指挥控制方法,其特征在于,所述利用基于多决策的指令生成策略生成工业设备任务调度指令,包括:
1)根据工业任务中的任务决策,生成m个预指令S={s1,s2,…si,…,sm},其中si表示第i个任务预指令;定义决策变量C={c1,c2,…,ci,…,cm},其中第i个决策变量ci对应第i个任务预指令si:
2)设置多决策的目标函数:
max{Se(C),Sg(C),Sa(C)}
Se(C)=X-XC
Sg(C)=Y-YC
Sa(C)=Z-ZC
其中:
Se(C)为在执行决策C后工业控制网络的安全收益,X为当前状态不采取任何措施的工业控制网络风险,XC为执行决策C后工业控制网络的工业控制网络网络风险;
Sg(C)为在执行决策C后工业设备的工业收益,Y为当前状态不采取任何措施的工业设备的工业收益,YC为执行决策C后工业设备的工业收益;
Sa(C)为在执行决策C后工业设备的状态收益,Z为当前状态不采取任何措施的工业设备的状态收益,ZC为执行决策C后工业设备的状态收益;
3)利用遗传算法求解决策解集P={C1,C2,…,Ck},并对其进行标准化处理,得到标准化处理后的S′e(Ci),S′g(Ci),S′a(Ci):
4)计算标准化处理结果与最优点之间的距离:
3.如权利要求2所述的一种指挥控制方法,其特征在于,所述将工业指挥控制网络划分为若干层次区域的流程为:
将工业控制网络中得通信基站进行层次划分,将离指挥控制装置i跳距离的通信基站作为第i层通信基站,其中指挥控制装置为第0层通信基站,任务调度指令所对应的工业设备为最高层的通信基站。
4.如权利要求3所述的一种指挥控制方法,其特征在于,所述利用基于层次权重的指令转发算法将工业设备任务调度指令下发到对应的工业设备,包括:
1)将工业设备任务调度指令从第i层的通信基站a转发到第i+1层通信基站,其中i的初始值为0;计算第i+1层各通信基站的权重:
其中:
wi+1,j为第i+1层工业控制网络中通信基站j的权重;
daj为通信基站a到通信基站j之间的欧式距离;
Ej为通信基站j的剩余能量;
Laj为通信基站a到通信基站j之间的通信链路质量;
RSSIaj为通信基站j接收到来自通信基站a工业设备调度指令的信号强度;
naj表示工业设备调度指令的比特数;
2)在第i+1层工业控制网络中选取权重最大的通信基站作为转发基站;
3)重复上述步骤,直到将工业设备任务调度指令下发到对应的工业设备。
5.如权利要求4所述的一种指挥控制方法,其特征在于,所述将任务调度指令的信息进行信息处理,包括:
1)设置采样间隔为Δt,在采样间隔Δt内对任务调度指令进行采样,并将采样后的任务调度指令信息转换为二进制序列信号X=(x[1],x[2],…,x[k]),对于第i个采样间隔,若存在信息符号,则设置x[i]=1,反之设置为0;
2)对二进制序列信号X进行快速傅里叶变换,并计算其功率谱密度,得到二进制序列信号的周期图;
3)获取周期图中局部最大值的值和位置,设置频率阈值T,低于该值的周期图频率能量值均舍去,得到主导周期的候选列表;
4)滤除频率为原始周期频率的正整数倍的周期,保留基波,并返回主导周期以及主导周期所对应的频率作为任务调度指令处理信息。
6.如权利要求5所述的一种指挥控制方法,其特征在于,所述利用改进的SVM模型实时地根据任务调度指令处理信息监测工业指挥控制网络,包括:
所述改进的SVM模型训练流程为:
1)初始化粒子群,设置最大迭代次数K,种群规模N,随机产生N个粒子的位置{x1,x2,…,xN},组成初始种群X(k),随机产生初始粒子速度{x1,x2,…,xN},组成速度矩阵V(k),每个粒子由三个分量构成,分别表示SVM模型的c1,c2,混合核函数系数ρ;
2)将粒子的分量代入SVM训练目标函数中:
其中:
c1,c2为惩罚因子参数;
Y表示训练数据集;
ω表示SVM模型中的向量权重;
b表示SVM模型中的偏置向量;
e为全由1组成的列向量,eT为转置后的列向量;
将SVM分类的准确率作为适应度值;并根据适应度值判断粒子的个体最优解和群体最优解;
3)判断是否到达最大迭代次数,若达到最大迭代次数则进行4),若未达到最大迭代次数则更新粒子的位置和速度,迭代次数k+1,并返回1),所述粒子的位置以及速度的更新公式为:
xi(k+1)=xi(k)+vi(k+1)
vi(k+1)=wvi(k)+u1(pi(k)-xi(k))+u2(bi(k)-xi(k))
其中:
xi(k)为粒子i在第k次迭代的位置,vi(k)为粒子i在第k次迭代的速度;
w表示惯性权重;
pi(k)为第k次迭代过程中粒子i的最优位置;
bi(k)为从第1次迭代到第k次迭代过程中粒子i的最优位置;
4)将粒子的向量参数代入SVM模型中,得到最优SVM模型;
利用最优SVM模型对工业指挥控制网络进行监测,若未监测到异常信息,工业设备则根据所接收到的任务调度指令进行任务调度处理。
7.一种指挥控制装置,其特征在于,所述指挥控制装置包括:
指令生成装置,用于获取工业任务决策信息,利用基于多决策的指令生成策略生成工业设备任务调度指令;
通信处理器,用于利用基于层次权重的指令转发算法将工业设备任务调度指令下发到对应的工业设备,并在任务调度指令下发过程中,将任务调度指令的信息进行信息处理,得到任务调度指令处理信息;
指挥装置,用于利用改进的SVM模型实时地根据任务调度指令处理信息监测工业指挥控制网络,若未监测到异常信息,工业设备则根据所接收到的任务调度指令进行任务调度处理。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指挥控制方法程序指令,所述指挥控制方法程序指令可被一个或者多个处理器执行,以实现如权利要求1至6中任一项所述的一种指挥控制装置的控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110350017.XA CN112926890B (zh) | 2021-03-31 | 2021-03-31 | 指挥控制装置及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110350017.XA CN112926890B (zh) | 2021-03-31 | 2021-03-31 | 指挥控制装置及控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926890A true CN112926890A (zh) | 2021-06-08 |
CN112926890B CN112926890B (zh) | 2023-07-14 |
Family
ID=76176813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110350017.XA Active CN112926890B (zh) | 2021-03-31 | 2021-03-31 | 指挥控制装置及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926890B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728643A (zh) * | 2017-11-10 | 2018-02-23 | 西安电子科技大学 | 一种动态环境下的无人机群分布式任务调度方法 |
CN110570075A (zh) * | 2019-07-18 | 2019-12-13 | 北京邮电大学 | 一种电力业务边缘计算任务分配方法及装置 |
CN112561300A (zh) * | 2020-12-10 | 2021-03-26 | 南京莱斯信息技术股份有限公司 | 一种基于人工智能的应急指挥辅助决策方法及系统 |
-
2021
- 2021-03-31 CN CN202110350017.XA patent/CN112926890B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728643A (zh) * | 2017-11-10 | 2018-02-23 | 西安电子科技大学 | 一种动态环境下的无人机群分布式任务调度方法 |
CN110570075A (zh) * | 2019-07-18 | 2019-12-13 | 北京邮电大学 | 一种电力业务边缘计算任务分配方法及装置 |
CN112561300A (zh) * | 2020-12-10 | 2021-03-26 | 南京莱斯信息技术股份有限公司 | 一种基于人工智能的应急指挥辅助决策方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112926890B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A rough set-based method for updating decision rules on attribute values’ coarsening and refining | |
Yu et al. | A nested tensor product model transformation | |
Kawai et al. | Improved malgan: Avoiding malware detector by leaning cleanware features | |
Zhao et al. | An improved particle swarm optimization with decline disturbance index (DDPSO) for multi-objective job-shop scheduling problem | |
WO2022068623A1 (zh) | 一种模型训练方法及相关设备 | |
CN112488183B (zh) | 一种模型优化方法、装置、计算机设备及存储介质 | |
CN115099684B (zh) | 企业安全生产管理系统及其管理方法 | |
CN109242106B (zh) | 样本处理方法、装置、设备和存储介质 | |
CN111062036A (zh) | 恶意软件识别模型构建、识别方法及介质和设备 | |
CN110363303B (zh) | 智能分配模型训练内存方法、装置及计算机可读存储介质 | |
Park et al. | Scalable scheduling of semiconductor packaging facilities using deep reinforcement learning | |
CN110147444A (zh) | 神经网络语言模型、文本预测方法、装置及存储介质 | |
CN114492279A (zh) | 一种模拟集成电路的参数优化方法及系统 | |
Zimmert et al. | Safe screening for support vector machines | |
CN115329876A (zh) | 一种设备故障处理方法、装置、计算机设备及存储介质 | |
CN111461979A (zh) | 验证码图像去噪识别方法、电子装置及存储介质 | |
Lopes et al. | Constrained robust model predicted control of discrete‐time Markov jump linear systems | |
Arjona et al. | Fast fuzzy anti‐collision protocol for the RFID standard EPC Gen‐2 | |
CN115766104A (zh) | 一种基于改进的Q-learning网络安全决策自适应生成方法 | |
CN112926890B (zh) | 指挥控制装置及控制方法 | |
US20200110881A1 (en) | Framework for determining resilient manifolds | |
CN113991843B (zh) | 一种电网调度操作的防误方法、系统、设备和介质 | |
WO2023064468A1 (en) | Security vulnerability communication and remediation with machine learning | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
US8150785B2 (en) | Multi-modal green computing fusion using problem analytics |
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 |