CN113033109B - 一种基于学习的工业网络系统边缘感知与控制设计方法 - Google Patents
一种基于学习的工业网络系统边缘感知与控制设计方法 Download PDFInfo
- Publication number
- CN113033109B CN113033109B CN202110452770.XA CN202110452770A CN113033109B CN 113033109 B CN113033109 B CN 113033109B CN 202110452770 A CN202110452770 A CN 202110452770A CN 113033109 B CN113033109 B CN 113033109B
- Authority
- CN
- China
- Prior art keywords
- learning
- perception
- edge
- control
- industrial
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种基于学习的工业网络系统边缘感知与控制设计方法,涉及工业网络系统领域,所述方法包括如下步骤:步骤1:工业云平台全局优化;步骤2:云端知识下发;步骤3:边缘侧精细调节;步骤4:生产运行结果返回云端。利用本发明提供的算法,可以提升工业生产的整体性能,有效地克服模型未知对于工业系统感知与控制联合设计所带来的不利影响。
Description
技术领域
本发明属于工业网络系统领域,特别涉及基于学习的工业网络系统边缘感知与控制设计方法。
背景技术
随着以数字化、网络化和智能化为核心的工业4.0时代的到来,包括感知、通信、控制和计算等各类工业系统的关键功能逐步融合形成了复杂的高维动态系统,称之为工业网络系统。通过在工业产线边缘侧部署具备有较强计算能力的边缘计算单元,可以实现更高效的信息感知和精准实时控制。新引入的边缘计算层使得感知和控制设计更加紧密地耦合在一起,为了提升工业生产的整体性能,如何刻画分析边缘感知和控制间的内在联系是一个核心问题。而众所周之,精确的系统模型是实现完整状态估计和产生合适控制决策的基础。由于工业系统固有的复杂动态和强耦合特性,其系统模型往往难以通过机理精确表征;同时在未来小批量定制化场景下,生产过程系统模型的先验知识往往较弱,这些都对工业现场提质增效产生了不利影响。因此需要引入先进学习方法来实现未知系统模型的刻画,以此为基础将工业网络系统的边缘感知和协同控制结合起来实现联合设计以提升工业生产的整体性能。
目前工业系统中感知和控制过程的方法大多是独立的,比如国内申请号为CN109963262A的“一种无线传感网络中无线传感器调度优化方法”和国内申请号为CN111459627A的“基于强化学习的智能终端传感器调度方法”的专利只关注如何设计传感器调度策略,并未考虑其对于工业现场控制作用的影响,这样的设计难以实时匹配控制需求;另外的包括国内申请号为CN202011395699.8的“一种基于大数据的工业控制系统”和国内申请号为CN202011009783.1的“基于传感器网络和存内计算神经网络的控制系统及方法”只单纯利用感知获得数据信息进行控制决策和系统实现,却没有针对实时个性化的控制需求对感知过程进行反向调节,这样一来感知过程很容易造成能力过剩或欠缺,感知-控制的整体性能较差;除此外,这些专利大多建立在系统模型完全已知的情况下设计感知过程的调度方法和系统控制策略,对于复杂工业系统动态难以刻画和未来小批量定制化生产先验知识较弱的情况难以完全适用。
因此,本领域的技术人员致力于开发一种可以同时克服以上所有问题。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是如何综合权衡工业网络系统中的边缘感知与控制代价,提升工业生产的整体性能;以及如何基于学习的思想,有效地克服模型未知对于工业系统感知与控制联合设计所带来的不利影响。
为实现上述目的,本发明提供了一种基于学习的工业网络系统边缘感知与控制设计方法,其特征在于,所述方法包括如下步骤:
步骤1:工业云平台全局优化;
步骤2:云端知识下发;
步骤3:边缘侧精细调节;
步骤4:生产运行结果返回云端。
进一步地,所述步骤1的所述工业云平台全局优化综合考虑了模型学习过程、所述边缘侧计算性能和初始的感知-控制决策,能够匹配工业生产的个性化需求和所述边缘侧的实时算力。
进一步地,所述步骤1依据所述步骤2将优化结果和相关知识传递给所述边缘侧。
进一步地,所述工业云平台结合知识库历史专家经验,依据工业生产整体需求并充分权衡所述边缘侧计算能力,通过求解如下优化问题确定各所述边缘侧计算单元所负责区域的初始感知和控制决策、系统维度、初始模型以及学习滑窗长度;
这里目标函数中的fc(χ),fm(χ),fs(χ),ft(χ)分别包括控制性能、学习模型的精确程度、感知代价和计算负担;决策变量集合x={Ck,uk,M,p,d}中依次包含的决策变量为第k时刻的感知设计,控制决策,系统演化转化为图信号后的非0分量个数,系统演化矩阵维度和所述学习滑窗长度;约束条件分别为感知策略需要满足的可观性约束,所述控制决策需要满足的上下界范围和工业生产命中率要求,以及所述决策变量需要满足的所述边缘侧计算能力需求。
进一步地,从云端知识库提取对于所述边缘侧学习和所述感知-控制联合设计的相关知识,包括学习速率、系统噪声水平和生产过程的时隙总数,并结合问题的解下发至各所属的边缘计算单元。
进一步地,所述步骤3在所述步骤1和所述步骤2的基础上,实现所述边缘侧各所述边缘计算单元的模型精细化调节,以系统模型的学习过程作为桥梁实现所述感知-控制联合设计,并以此获得新的各批次工业生产数据。
进一步地,所述步骤3在承接所述步骤2的计算结果后,各所述边缘计算单元根据所述云端所确定的所述系统维度和所述学习滑窗的长度进行系统模型的学习,依据学习的模型和初始确定的Ck,uk,M进行实际运行部署,获得完整一个批次的生产运行数据;
然后在下一个批次前基于获得生产运行数据,首先进行模型的学习和更新,然后进一步求解如下优化问题进行Ck,uk的修正,并确定新的M。
进一步地,将所述步骤3获得优化问题的解部署在下一个批次的运行当中,依次进行下去直到达到所要求的在所述边缘侧运行的最大批次数目。
进一步地,所述步骤4将相关的运行数据和学到的模型返回所述工业云平台进行运行效果评估,结合新的用户个性化生产需求和变动的所述边缘侧计算力情况;重新返回执行所述步骤1,依次进行下去直到同类产品的所有批次产品均加工完毕停止。
进一步地,所述步骤4在前一步的基础上,可以在所述云端对所述边缘侧的学习和优化过程进行全局调节,以便获得更好的所述边缘侧学习、感知和控制效果。
与现有技术相比,本发明具有如下的有益效果:
设计了基于学习的工业网络系统边缘感知与控制联合设计方法。其通过系统学习过程的相关参数设计作为桥梁,将工业边缘感知和控制过程结合起来实现联合设计。采用云边协同的思想,利用工业云平台求解确定了学习的基本参数和模型维度实现工业产线整体优化,然后在边缘侧对系统模型表征、感知和控制决策进行精细调节。该方法可以显著提升工业生产的整体性能,并克服模型未知对于工业生产提质增效带来的不利影响。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1为本发明实施例中的生产批次加工时序示意图;
图2为本发明实施例中的以工业热轧层流冷却过程为例的实际现场部署方案。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本实施例以工业热轧层流冷却过程为例,工业现场整体架构如图1所示,真实的边缘计算单元、感知终端和执行终端部署如图2所示,在层流冷却过程中现场部署大量各类型温度传感器,包括热成像仪、高温枪等感知终端,边缘计算单元通过不断获取感知数据用于控制决策,调节冷却阀门的开度实现合适的钢板温度喷淋降温,从而达到理想的钢坯物理化学性能。
按照图2流程图所示的步骤,具体步骤为:
步骤1:首先工业云平台结合知识库中热轧层流冷却工序的专家历史操纵经验,依据前后工序对该工序的性能要求和工厂提质增效整体需求,充分权衡各边缘计算单元的算力,求解如下优化问题确定层流冷却的边缘计算单元的初始感知和控制决策,系统维度、初始模型以及学习的滑窗长度。
这里目标函数中的fc(χ),fm(χ),fs(χ),ft(χ)分别包括控制性能、学习模型的精确程度、感知代价和计算负担;决策变量集合x={Ck,uk,M,p,d}中依次包含的决策变量为第k时刻的感知设计,控制决策,系统演化转化为图信号后的非0分量个数,系统演化矩阵维度和学习滑窗长度。约束条件分别为感知策略需要满足的可观性约束,控制决策需要满足的上下界范围和层流冷却降温曲线的命中率要求,以及决策变量需要满足的边缘侧算力需求。
步骤2:从云端知识库提取边缘侧学习和感知-控制联合设计的相关知识,包括学习速率、系统噪声水平和生产过程的时隙总数,并结合步骤1中问题的解下发至负责层流冷却的相关边缘计算单元。
步骤3:在承接云平台的计算结果后,各所述边缘计算单元根据所述云端所确定的所述系统维度和所述学习滑窗的长度进行系统模型的学习,依据学习的模型和初始确定的Ck,uk,M进行实际运行部署,获得完整一个批次的生产运行数据;然后在下一个批次前基于获得生产运行数据,首先进行模型的学习和更新,然后进一步求解如下优化问题进行Ck,uk的修正,并确定新的M。
步骤4:在达到所设定的最大批次数目后,将相关的降温曲线和学到的模型返回工业云平台进行运行效果评估,结合新的用户个性化生产需求和变动的边缘侧算力情况。重新返回执行步骤1,依次进行下去直到同类产品的所有批次产品层流冷却过程均完成算法停止。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (9)
1.一种基于学习的工业网络系统边缘感知与控制设计方法,其特征在于,所述方法包括如下步骤:
步骤1:工业云平台全局优化;
步骤2:云端知识下发;
步骤3:边缘侧精细调节;
步骤4:生产运行结果返回云端;
所述工业云平台结合知识库历史专家经验,依据工业生产整体需求并充分权衡所述边缘侧计算能力,通过求解如下优化问题确定各所述边缘侧计算单元所负责区域的初始感知和控制决策、系统维度、初始模型以及学习滑窗长度;
这里目标函数中的fc(χ),fm(χ),fs(χ),ft(χ)分别包括控制性能、学习模型的精确程度、感知代价和计算负担;决策变量集合x={Ck,uk,M,p,d}中依次包含的决策变量为第k时刻的感知设计,控制决策,系统演化转化为图信号后的非0分量个数,系统演化矩阵维度和所述学习滑窗长度;约束条件分别为感知策略需要满足的可观性约束,所述控制决策需要满足的上下界范围和工业生产命中率要求,以及所述决策变量需要满足的所述边缘侧计算能力需求。
2.如权利要求1所述的一种基于学习的工业网络系统边缘感知与控制设计方法,其特征在于,所述步骤1的所述工业云平台全局优化综合考虑了模型学习过程、所述边缘侧计算性能和初始的感知-控制决策,能够匹配工业生产的个性化需求和所述边缘侧的实时算力。
3.如权利要求2所述的一种基于学习的工业网络系统边缘感知与控制设计方法,其特征在于,所述步骤1依据所述步骤2将优化结果和相关知识传递给所述边缘侧。
4.如权利要求3所述的一种基于学习的工业网络系统边缘感知与控制设计方法,其特征在于,从云端知识库提取对于所述边缘侧学习和所述感知-控制联合设计的相关知识,包括学习速率、系统噪声水平和生产过程的时隙总数,并结合问题的解下发至各所属的边缘计算单元。
5.如权利要求4所述的一种基于学习的工业网络系统边缘感知与控制设计方法,其特征在于,所述步骤3在所述步骤1和所述步骤2的基础上,实现所述边缘侧各所述边缘计算单元的模型精细化调节,以系统模型的学习过程作为桥梁实现所述感知-控制联合设计,并以此获得新的各批次工业生产数据。
7.如权利要求6所述的一种基于学习的工业网络系统边缘感知与控制设计方法,其特征在于,将所述步骤3获得优化问题的解部署在下一个批次的运行当中,依次进行下去直到达到所要求的在所述边缘侧运行的最大批次数目。
8.如权利要求7所述的一种基于学习的工业网络系统边缘感知与控制设计方法,其特征在于,所述步骤4将相关的运行数据和学到的模型返回所述工业云平台进行运行效果评估,结合新的用户个性化生产需求和变动的所述边缘侧计算力情况;重新返回执行所述步骤1,依次进行下去直到同类产品的所有批次产品均加工完毕停止。
9.如权利要求8所述的一种基于学习的工业网络系统边缘感知与控制设计方法,其特征在于,所述步骤4在前一步的基础上,可以在所述云端对所述边缘侧的学习和优化过程进行全局调节,以便获得更好的所述边缘侧学习、感知和控制效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452770.XA CN113033109B (zh) | 2021-04-26 | 2021-04-26 | 一种基于学习的工业网络系统边缘感知与控制设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110452770.XA CN113033109B (zh) | 2021-04-26 | 2021-04-26 | 一种基于学习的工业网络系统边缘感知与控制设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033109A CN113033109A (zh) | 2021-06-25 |
CN113033109B true CN113033109B (zh) | 2022-07-26 |
Family
ID=76454640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110452770.XA Active CN113033109B (zh) | 2021-04-26 | 2021-04-26 | 一种基于学习的工业网络系统边缘感知与控制设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033109B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400040A (zh) * | 2020-03-12 | 2020-07-10 | 重庆大学 | 基于深度学习和边缘计算的工业互联网系统及工作方法 |
CN111901435A (zh) * | 2020-07-31 | 2020-11-06 | 南京航空航天大学 | 一种负载感知的云边协同服务部署方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109995546B (zh) * | 2017-12-29 | 2021-02-05 | 中国科学院沈阳自动化研究所 | 边缘计算与云计算协同的智能工厂自动化系统 |
CN209842401U (zh) * | 2018-10-25 | 2019-12-24 | 武汉江南电子技术开发有限公司 | 一种基于边缘计算的工业传感信号采集器 |
CN112532746B (zh) * | 2020-12-21 | 2021-10-26 | 北京邮电大学 | 一种云边协同感知的方法及系统 |
-
2021
- 2021-04-26 CN CN202110452770.XA patent/CN113033109B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400040A (zh) * | 2020-03-12 | 2020-07-10 | 重庆大学 | 基于深度学习和边缘计算的工业互联网系统及工作方法 |
CN111901435A (zh) * | 2020-07-31 | 2020-11-06 | 南京航空航天大学 | 一种负载感知的云边协同服务部署方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113033109A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108317670B (zh) | 一种基于机器学习的制冷系统节能控制方法及系统 | |
CN112365029B (zh) | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 | |
Truong et al. | Design of an advanced time delay measurement and a smart adaptive unequal interval grey predictor for real-time nonlinear control systems | |
CN105805822A (zh) | 基于神经网络预测的供热节能控制方法与系统 | |
CN107390524B (zh) | 一种基于双线性子空间辨识的高炉铁水质量优化控制方法 | |
Li et al. | Dynamic time features expanding and extracting method for prediction model of sintering process quality index | |
CN102779228A (zh) | 商场建筑中央空调冷负荷在线预测方法及系统 | |
CN105487376B (zh) | 一种基于数据驱动单网络结构的最优控制方法 | |
CN103205665A (zh) | 一种连续热镀锌线锌层厚度自动控制方法 | |
CN109270835A (zh) | 大时滞系统的预测智慧pi控制方法 | |
CN109492335B (zh) | 一种退火炉炉温预测方法及系统 | |
CN109657878A (zh) | 一种空调负荷预测方法及装置 | |
CN104050380A (zh) | 一种基于Adaboost-PLS-ELM的LF炉终点温度预报方法 | |
CN108153259A (zh) | 一种基于卡尔曼滤波的多控制器最优状态估计控制策略设计方法 | |
CN109242265A (zh) | 基于误差平方和最小的城市需水量组合预测方法 | |
CN103177289A (zh) | 一种噪声不确定复杂非线性动态系统的建模方法 | |
CN116974230A (zh) | 一种基于物联网的设备运行模式智能控制方法及系统 | |
CN101520856A (zh) | 基于kkt条件和最近邻法的支持向量回归机自适应建模方法 | |
Cao et al. | A dynamic subspace model for predicting burn-through point in iron sintering process | |
Huang et al. | Model predictive control for energy-efficient buildings: An airport terminal building study | |
CN104331630B (zh) | 一种多速率观测数据的状态估计和数据融合方法 | |
CN113033109B (zh) | 一种基于学习的工业网络系统边缘感知与控制设计方法 | |
Lopez-Echeverria et al. | Variable sampling approach to mitigate instability in networked control systems with delays | |
CN201476905U (zh) | 神经网络pid控温的热电偶自动检定系统 | |
CN110262334A (zh) | 一种随机通信协议下状态饱和系统的有限时域h∞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 |