CN113435067B - 数据处理系统及方法 - Google Patents
数据处理系统及方法 Download PDFInfo
- Publication number
- CN113435067B CN113435067B CN202110990811.0A CN202110990811A CN113435067B CN 113435067 B CN113435067 B CN 113435067B CN 202110990811 A CN202110990811 A CN 202110990811A CN 113435067 B CN113435067 B CN 113435067B
- Authority
- CN
- China
- Prior art keywords
- model
- controlled object
- controller
- industrial
- object model
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims description 47
- 238000005457 optimization Methods 0.000 claims abstract description 98
- 238000004088 simulation Methods 0.000 claims abstract description 79
- 238000003860 storage Methods 0.000 claims abstract description 50
- 238000003672 processing method Methods 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 28
- 230000005284 excitation Effects 0.000 claims description 26
- 238000013461 design Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 31
- 238000004590 computer program Methods 0.000 description 20
- 238000013500 data storage Methods 0.000 description 15
- 238000013480 data collection Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004904 shortening Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本申请实施例提供一种数据处理系统及方法。在本申请实施例中，仿真子系统、数据采集与存储子系统及优化子系统均部署于云端，可不受具体的物理存储和计算设备的限制，实现仿真子系统、数据采集与存储子系统及优化子系统的无缝集成和数据共享，子系统之间无需通过数据协议进行数据传输，有助于提高数据处理效率，尤其有利于提高仿真处理效率。
Description
技术领域
本申请涉及工业控制技术领域，尤其涉及一种数据处理系统及方法。
背景技术
随着信息技术与工业技术的深度融合，数据成为工业系统运行的核心要素，如何融合并利用这些海量且分散的数据来提升产品质量、生产效率、降低能耗，成为了实现智能工业的关键。
作为工业互联网重要组成部分的工业软件，是工业智能化转型升级的重要抓手与核心动力。常规工业软件平台功能往往比较单一，控制方案设计开发系统、仿真测试环境、数据采集与存储系统等功能模块等往往需要单独部署，之后再通过数据交换协议实现不同工业软件之间的信息交互，数据处理效率低。
发明内容
本申请的多个方面提供一种数据处理系统及方法，用以实现工业对象仿真、控制方案设计与优化的一体化集成，有助于降低开发和维护成本。
本申请实施例提供一种数据处理系统，包括：部署于云端的仿真子系统和优化子系统和数据采集和存储子系统；
所述仿真子系统，用于模拟工业对象和对所述工业对象进行控制的控制器，得到工业对象对应的被控对象模型以及对所述被控对象模型进行控制的控制器模型；
所述仿真子系统，用于响应于运行操作，运行所述控制器模型和所述被控对象模型；
所述数据采集和存储子系统，用于采集所述被控对象模型的运行状态参数，并提供给所述优化子系统；
所述优化子系统，用于根据所述被控对象模型的运行状态参数，对所述被控对象模型进行运行状态评估；并在所述被控对象模型运行状态不达标的情况下，对所述控制器模型进行参数优化，至所述被控对象模型的运行状态达标。
本申请实施例还提供一种数据处理方法，包括：
模拟工业对象和对工业对象进行控制的控制器，得到被控对象模型和控制器模型；
响应于运行操作，运行控制器模型和被控对象模型；
采集所述被控对象模型的运行状态参数；
根据所述被控对象模型的运行状态参数，对所述被控对象模型进行运行状态评估；
在所述被控对象模型运行状态不达标的情况下，对所述控制器模型进行参数优化，至所述被控对象模型的运行状态达标。
本申请实施例还提供一种存储有计算机指令的计算机可读存储介质，当计算机指令被一个或多个处理器执行时，致使一个或多个处理器执行上述数据处理方法中的步骤。
本申请实施例还提供一种计算机程序产品，包括：计算机程序；当计算机程序被一个或多个处理器执行时，致使一个或多个处理器执行上述数据处理方法中的步骤。
在本申请实施例提供数据处理系统中，仿真子系统、数据采集与存储子系统及优化子系统均部署于云端，可不受具体的物理存储和计算设备的限制，实现仿真子系统、数据采集与存储子系统及优化子系统的无缝集成和数据共享，子系统之间无需通过数据协议进行数据传输，有助于提高数据处理效率，尤其有利于提高仿真处理效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1和图2为本申请实施例提供的数据处理系统的结构示意图；
图3为本申请实施例提供的数据处理过程示意图；
图4为本申请实施例提供的数据处理方法的流程示意图；
图5为本申请实施例提供的另一数据处理过程示意图；
图6为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了提高工业对象的仿真效率，在本申请实施例提供数据处理系统中，仿真子系统、数据采集与存储子系统及优化子系统均部署于云端，可不受具体的物理存储和计算设备的限制，实现仿真子系统、数据采集与存储子系统及优化子系统的无缝集成和数据共享，子系统之间无需通过数据协议进行数据传输，有助于提高数据处理效率，尤其有利于提高仿真处理效率。
以下结合附图，详细说明本申请各实施例提供的技术方案。
应注意到：相同的标号在下面的附图以及实施例中表示同一物体，因此，一旦某一物体在一个附图或实施例中被定义，则在随后的附图和实施例中不需要对其进行进一步讨论。
在实际工业生产过程中，工业流程需要对工业对象进行控制，使工业对象进行正常运转，完成作业任务。其中，工业对象是指实际工业生产过程中的被控对象。例如，工业生产过程中的泵（如混流泵、冷却液循环泵等）、炉（如锅炉等）、塔（如过滤塔）、釜（如反应釜、蒸压釜等）、罐（如压力罐）、窑（如水泥回转窑）等，但不限于此。这就需要针对工业对象设计合适的控制器，使工业对象进行正常运转。
为了降低控制器的设计成本，在实际生产控制器之前，可对工业对象进行建模分析，得到工业对象对应的被控对象模型；并基于被控对象模型设计合适的控制器模型。该控制器模型可为控制器的设计和研发提供参考依据。
为了实现工业对象和控制器的仿真，本申请实施例提供一种数据处理系统。下面结合具体的实施例进行示例性说明。
图1和图2为本申请实施例提供的数据处理系统的结构示意图。如图1和图2所示，数据处理系统S10包括：部署于云端的仿真子系统10、数据采集与存储子系统20及优化子系统30。
在本申请实施例中，仿真子系统10、优化子系统30及数据采集与存储子系统20分别是指可实现相应功能的软件模块、设备或虚拟实例等。虚拟实例可以为虚拟机实例或容器实例等。仿真子系统10、优化子系统30及数据采集与存储子系统20可部署于同一物理机，也可部署于不同的物理机。
不同的物理机之间可以是无线或有线连接。可选地，不同物理机可以通过移动网络通信连接，相应地，移动网络的网络制式可以为2G（GSM）、2.5G（GPRS）、3G（WCDMA、TD-SCDMA、CDMA2000、UTMS）、4G（LTE）、4G+（LTE+）、5G、WiMax等中的任意一种。可选地，不同物理机也可以通过蓝牙、WiFi、红外线等方式通信连接。当然，不同物理机之间也可通过高速专用网络通信连接，如虚拟专用网络（Virtual Private Network，VPN）等。
在本申请实施例中，仿真子系统10可模拟工业对象和对工业对象进行控制的控制器，得到工业对象对应的被控对象模型101以及对被控对象模型101进行控制的控制器模型102。本申请实施例进行仿真控制的目的是为了通过对工业对象进行建模分析，得到对工业对象进行控制的控制器对应的控制器模型，该控制器模型可对实际控制器的设计提供参考依据。
在本实施例中，仿真子系统10中的被控对象模型101是对实际工业对象模型进行建模分析得到的。在实际应用过程中，有些工业对象较为复杂或者用户对工业对象缺乏先验知识的了解，无法直接得到工业对象对应的被控对象模型，则需要对工业对象进行模型辨识；有些工业对象较为简单或者用户对工业对象有足够的先验知识的了解，则可通过先验知识得到工业对象对应的被控对象模型，无需再对工业对象进行模型辨识。基于此，可基于实际的工业对象，判断是否需要通过对工业对象进行模型辨识建模；若判断结果为否，则获取工业对象对应的先验知识；并根据工业对象对应的先验知识，确定工业对象的模型特征参数。其中，若工业对象已有建模结果，无需对工业对象进行模型辨识。若工业对象尚未有建模结果，需对工业对象进行模型辨识。其中，工业对象的模型特征参数包括：工业对象的模型结构和模型参数等。若判断结果为是，则需要通过对工业对象进行模型辨识，构建工业对象对应的被控对象模型。主要建模分析过程如下：
S11、可设计激励信号，并将该激励信号输入至实际工业对象。工业对象可响应于获取到的激励信号进行开环运行。
S12、数据采集和存储子系统20可采集工业对象的输入输出数据，并提供给优化子系统30。
S13、优化子系统30可根据工业对象的输入输出数据，对工业对象进行模型辨识，得到工业对象的模型特征参数。
S14、用于部署上述仿真子系统10的物理机，可根据工业对象的模型特征参数，对工业对象进行建模，得到工业对象对应的被控对象模型101。
在得到被控对象模型101之后，可针对被控对象模型101设计适配的控制器模型。相应地，用于部署上述仿真子系统10的物理机，还用于输出被控对象模型101的模型特征参数，以供用户基于模型特征参数设计与被控对象模型适配的控制器模型。进一步，如图2所示，用户可在云端画布中添加被控对象模型101、控制器模型102以及传感器模型103；并根据信号流向，在被控对象模型101、控制器模型102以及传感器模型103添加数据传输通道，得到仿真子系统10。相应地，用于部署上述仿真子系统10的物理机，还可响应于针对被控对象模型、控制器模型、传感器模型的添加操作，在云端画布中添加被控对象模型101、控制器模型102及传感器模型103。进一步，可响应于针对信号流向的设计操作，按照信号流向在被控对象模型、控制器模型及传感器模型之间添加数据传输通道，以搭建仿真子系统10。
可选地，除了在云端画面中添加被控对象模型101、控制器模型102以及传感器模型103之外，还可添加指令输入模块104、数据读入模块105以及数据写出模块 106等。相应地，如图2所示，还可按照信号流向及数据输入输出端口在被控对象模型101、控制器模型102、传感器模型103、指令输入模块104、数据读入模块105以及数据写出模块 106之间添加数据传输通道，得到仿真子系统10。
上述传感器模型103用于采集被控对象模型101运行过程中产生的运行状态参数，如温度、压力、液位或蒸汽量等，具体由工业对象的工作原理决定。数据读入模块105用于从数据采集和存储子系统20中读取数据；数据写出模块106用于将传感器模型103采集的被控对象模型101的状态数据写入数据采集和存储子系统20等。
此外，如图2所示，仿真子系统10还部署有趋势分析模块107。其中，趋势分析模块107可根据传感器模型103采集的被控对象模型101运行过程中产生的运行状态参数，对被控对象模型101的运行状态进行趋势分析。
在仿真子系统10搭建完成之后，可调试和运行仿真子系统10。仿真子系统10可响应于运行操作，运行控制器模型102和被控对象模型101。相应地，数据采集和存储子系统20可采集被控对象模型101的运行状态参数，并提供给优化子系统30。
具体地，仿真子系统10中的传感器模型103可采集被控对象模型101的运行状态参数，并将被控对象模型101的运行状态参数传输给数据写出模块106。数据写出模块106可将被控对象模型101的运行状态参数输出至数据采集和存储子系统20。数据采集和存储子系统20可通过其数据写出模块203输出至优化子系统30。
进一步，优化子系统30可根据被控对象模型的运行状态参数，对被控对象模型101进行运行状态评估。在本实施例中，不限定对被控对象模型101进行运行状态评估的具体实施方式。下面例举几种可选实施方式：
实施方式1：可判断被控对象模型的运行状态参数是否处于设定的参数范围内。
实施方式2：根据被控对象模型的运行状态参数，确定运行状态参数的变化幅度；判断运行状态参数的变化幅度是否处于设定的变化范围内。
实施方式3：从被控对象模型的运行状态参数，获取被控对象模型的能耗信息；判断被控对象模型的能耗信息是否处于设定的能耗范围内。
上述例举的三种实施方式可择一实施，也可多种实施方式结合进行实施。在三种实施方式择一实施时，所采用的实施方式判断结果为是，确定被控对象模型101的运行状态达标；若该实施方式判断结果为否，确定被控对象模型101的运行状态不达标。在三种实施方式中多种结合实施时，若所采用的多种实施方式判断结果均为是，确定被控对象模型101的运行状态达标；若采用的多种实施方式存在判断结果为否的情况，确定被控对象模型101的运行状态不达标。
进一步，优化子系统30可在被控对象模型101运行状态不达标的情况下，对被控对象模型101和控制器模型102进行参数优化，至被控对象模型的运行状态达标。
可选地，针对被控对象模型101运行状态不达标的情况，优化子系统30可对被控对象模型101进行模型识别，以确定被控对象模型的模型特征参数。
具体地，在被控对象模型101的运行状态不达标的情况下，可向被控对象模型101输入激励信号，控制被控对象模型闭环运行。在本申请实施例中，为了与上述向实际工业对象输入的激励信号进行区分，可将向被控对象模型101输入的激励信号，定义为第一激励信号；并将上述向实际工业对象输入的激励信号，定义为第二激励信号。第一激励信号与第二激励信号可以相同，也可不同。
相应地，数据采集与存储子系统20可采集被控对象模型101的输入输出数据，并提供给优化子系统30。优化子系统30可根据被控对象模型的输入输出数据，对被控对象模型进行模型识别，以确定被控对象模型101的模型特征参数。
进一步，如图2所示，优化子系统30可根据模型特征参数，对控制器模型102进行参数整定，得到控制器模型102的优化控制参数；并将模型特征参数和优化控制参数提供给仿真子系统10。其中，模型特征参数和优化控制参数作为优化结果，提供给仿真子系统10。
具体地，优化子系统30中的数据输入模块305可通过数据采集与存储子系统20中的数据写出模块203，获取被控对象模型101的运行状态参数，并输出至运行状态评估模块301。运行状态评估模块301可根据被控对象模型的运行状态参数，对被控对象模型101进行运行状态评估，得到运行状态评估结果；并根据运行状态评估结果，判断被控对象模块101的运行状态是否达标等。进一步，在被控对象模型101运行状态不达标的情况下，模型辨识模块302可根据被控对象模型的输入输出数据，对被控对象模型进行模型识别，以确定被控对象模型101的模型特征参数；并将被控对象模型101的模型特征参数传输至参数整定模块303。
进一步，参数整定模块303可根据模型特征参数，对控制器模型102进行参数整定，得到控制器模型102的优化控制参数。
可选地，优化子系统30可通过其数据写出模块304，将模型特征参数和优化控制参数输出至数据采集与存储子系统20中的数据读入模块201；数据读入模块201可将模型特征参数和优化控制参数存储至数据存储模块202。进一步，数据采集与存储子系统20可通过数据写出模块203将模型特征参数和优化控制参数输出至仿真子系统10中的数据读入模块105。
进一步，仿真子系统10可基于模型特征参数和优化控制参数分别对被控对象模型和控制器模型进行参数更新；并运行参数更新后的控制器模型102和被控对象模型101。
进一步，数据采集和存储子系统20可采集参数更新后的被控对象模型101的运行状态参数，并将采集到的运行状态参数提供给优化子系统30；优化子系统30执行上述运行状态评估以及参数优化过程，循环执行上述数据采集和存储子系统进行运行状态参数采集，优化子系统30执行上述运行状态评估以及参数优化过程，仿真子系统10进行模型参数更新过程，至被控对象模型101的运行状态达标。
相应地，可将运行状态达标时的控制器模型和被控对象模型作为最终的控制器模型和被控对象模型。
进一步，数据采集和存储子系统20可输出被控对象模型的运行状态达标时对应的控制器模型的控制参数，以供用户基于控制器模型的控制器参数，设计对工业对象进行控制的控制器。
本申请实施例提供的数据处理系统，仿真子系统、数据采集与存储子系统及优化子系统均部署于云端，即图1所示的云计算平台，可不受具体的物理存储和计算设备的限制，实现仿真子系统10、数据采集与存储子系统20及优化子系统30的无缝集成和数据共享，有助于提高数据处理效率，尤其有利于提高仿真处理效率。
另一方面，本申请实施例提供的数据处理系统通过对工业对象进行仿真和优化，得到工业对象的控制器模型的控制参数，可为工业对象的控制器的设计提供参考依据，甚至可应用于实际工业对象的控制器中，有助于缩短控制器的开发和调试周期，且有助于缩短控制器的开发和调试成本。
此外，在申请实施例提供的仿真系统，结合云计算技术，可以在云端实时评估仿真子系统的运行状态和优化控制效果，可在云端对运行状态评估、模型辨识及整定优化算法进行验证，这些验证结果可为实际使用过程中算法的开发提供参考依据，有助于算法开发与测试周期。
本申请实施例提供的数据处理系统，除了可应用于对工业对象进行仿真之外，还可与实际工业对象进行结合，调整工业对象的控制器，进而调整工业对象的运行状态。具体实施过程如下：
在本申请实施例中，数据采集和存储子系统20可采集工业对象的运行状态参数，并提供给优化子系统30。优化子系统30可根据工业对象的运行状态参数，对工业对象进行运行状态评估。优化子系统30对工业对象进行运行状态评估的具体实施方式，可参见上述对被控对象模型进行运行状态评估的相关内容，在此不再赘述。
进一步，若工业对象的运行状态不达标，优化子系统30可根据工业对象的输入输出数据，对工业对象进行模型识别，得到工业对象的模型特征参数；进一步，可根据工业对象的模型特征参数对控制器模型进行参数优化，至被控对象模型的运行状态达标。具体地，优化子系统30可根据工业对象的模型特征参数，对控制器模型102进行参数整定，得到优化后的控制参数；进一步，优化子系统可将工业对象的模型特征参数和优化会的控制参数提供给仿真子系统10。
进一步，仿真子系统10可基于工业对象的模型特征参数和优化后的控制参数分别对被控对象模型和控制器模型进行参数更新；并运行参数更新后的控制器模型102和被控对象模型101。
进一步，数据采集和存储子系统20可采集参数更新后的被控对象模型101的运行状态参数，并将采集到的运行状态参数提供给优化子系统30；优化子系统30执行上述对被控对象模型进行运行状态评估以及参数优化过程，循环执行上述数据采集和存储子系统20对被控对象模型101的运行状态参数进行采集，优化子系统30执行上述被控对象模型的运行状态评估以及参数优化过程，仿真子系统10进行模型参数更新过程，至被控对象模型101的运行状态达标。
进一步，数据采集和存储子系统20可将被控对象模型的运行状态达标时对应的控制器模型的控制参数提供给对工业对象进行控制的控制器。
控制器可将控制参数调整为被控对象模型的运行状态达标时对应的控制器模型的控制参数，并根据被控对象模型的运行状态达标时对应的控制器模型的控制参数，对工业对象进行控制。
本申请实施例提供的数据处理系统部署于云端，与实际工业对象可形成云边系统，这样，云端可通过对工业对象进行仿真和优化，得到工业对象的控制器模型的控制参数；并将控制器模型的控制参数下发给边缘云网络中的边缘节点中的控制器，这样无需对控制器进行逐一配置和部署，有助于提高控制器配置和部署效率，降低控制器配置和部署成本。
为了更清楚地说明上述实施例提供的数据处理系统对工业对象进行仿真和优化过程，下面结合图3提供的具体实施例对本申请实施例提供的数据处理方式进行示例性说明。如图3所示，本申请实施例提供的数据处理过程主要包括以下步骤：
S21、基于实际的工业过程对象，判断是否需要进行模型辨识建模。如果不需要，通过先验知识，确定工业对象的模型特征参数，并执行步骤S23。如果需要，执行步骤S22。
S22、设计激励信号，激励实际工业对象开环运行，产生相应的输入输出数据。数据采集和存储子系统20采集现场输入输出数据，并传输到优化子系统30中的模型辨识模块进行开环模型辨识，得到工业对象的模型特征参数。
S23、获得该工业对象的模型特征参数。
S24、根据模型特征进行分析控制策略，设计合适的控制器和控制参数。
S25、在云端画布中，添加被控对象模型、传感器模型、控制器、指令输入模块、趋势分析模块、数据读入模块及数据写出模块等，根据信号流向、数据输入输出的端口进行连线搭建仿真子系统10。
S26、调试和运行云端仿真子系统10。
S27、在优化子系统30中配置数据输入输出端口，获取数据采集和存储子系统20采集到的仿真子系统的运行状态参数，运行性能评估模块，获得仿真子系统10的运行状态评估结果。
S28、基于运行状态评估结果，判断仿真子系统10的运行状态是否达标。若达标，执行步骤S210；若不达标，执行步骤S29。
S29、设计激励信号，激励仿真子系统10中被对象模型闭环运行，产生相应的输入输出数据，通过数据采集和存储子系统20采集被控对象模型的运行状态参数并传入优化子系统30。
S210、根据被控对象模型的输入数据参数进行模型标识，得到被控对象模型的模型特征数据。
S211、根据被控对象模型的模型特征数据，对控制器模型进行参数整定，得到优化后的控制参数。
S212、将被控对象模型的模型特征参数和控制器模型对应的优化后的控制参数作为优化结果，通过数据输出端口传输到数据采集和存储子系统，再由数据采集和存储子系统传输给仿真子系统10中的控制器模型和被控对象模型进行参数更新。
S213、返回执行上述步骤S27，即执行仿真子系统运行，至被控对象模型的运行状态达标。
除了上述实施例提供的数据处理系统之外，本申请实施例还提供数据处理方法，下面对本申请实施例提供的数据处理方法进行示例性说明。
图4为本申请实施例提供的数据处理方法的流程示意图。如图4所示，本申请实施例提供的数据处理方法包括：
401、模拟工业对象和对工业对象进行控制的控制器，得到被控对象模型和控制器模型。
402、响应于运行操作，运行控制器模型和被控对象模型。
403、采集被控对象模型的运行状态参数。
404、根据被控对象模型的运行状态参数，对被控对象模型进行运行状态评估。
405、在被控对象模型运行状态不达标的情况下，对控制器模型进行参数优化，至被控对象模型的运行状态达标。
在本实施例步骤401中，可模拟工业对象和对工业对象进行控制的控制器，得到工业对象对应的被控对象模型以及对被控对象模型进行控制的控制器模型。本申请实施例进行仿真控制的目的是为了通过对工业对象进行建模分析，得到对工业对象进行控制的控制器对应的控制器模型，该控制器模型可对实际控制器的设计提供参考依据。
其中，被控对象模型是对实际工业对象模型进行建模分析得到的。其中，建模分析过程如下：
S31、可设计激励信号，并将该激励信号输入至实际工业对象。工业对象可响应于获取到的激励信号进行开环运行。
S32、采集工业对象的输入输出数据。
S33、根据工业对象的输入输出数据，对工业对象进行模型辨识，得到工业对象的模型特征参数。
S34、根据工业对象的模型特征参数，对工业对象进行建模，得到工业对象对应的被控对象模型。
在得到被控对象模型之后，可针对被控对象模型设计适配的控制器模型。相应地，用于部署上述仿真子系统的物理机，还用于输出被控对象模型的模型特征参数，以供用户基于模型特征参数设计与被控对象模型适配的控制器模型。进一步，用于部署上述仿真子系统的物理机，还可响应于针对被控对象模型、控制器模型、传感器模型的添加操作，在云端画布中添加被控对象模型、控制器模型及传感器模型。进一步，可响应于针对信号流向的设计操作，按照信号流向在被控对象模型、控制器模型及传感器模型之间添加数据传输通道，以搭建仿真子系统。
在仿真子系统搭建完成之后，可调试和运行仿真子系统。相应地，在步骤402中，可响应于运行操作，运行控制器模型和被控对象模型。相应地，在步骤403中，可采集被控对象模型的运行状态参数。
进一步，在步骤404中，可根据被控对象模型的运行状态参数，对被控对象模型进行运行状态评估。其中，对被控对象模型进行运行状态评估的具体实施方式可参见上述实施方式1-3的相关描述，在此不再赘述。
进一步，在被控对象模型运行状态不达标的情况下，在步骤405中，可对被控对象模型和控制器模型进行参数优化，至被控对象模型的运行状态达标。
可选地，针对被控对象模型运行状态不达标的情况，可对被控对象模型进行模型识别，以确定被控对象模型的模型特征参数。
具体地，在被控对象模型的运行状态不达标的情况下，可向被控对象模型输入激励信号，控制被控对象模型闭环运行。在本申请实施例中，为了与上述向实际工业对象输入的激励信号进行区分，可将向被控对象模型输入的激励信号，定义为第一激励信号；并将上述向实际工业对象输入的激励信号，定义为第二激励信号。第一激励信号与第二激励信号可以相同，也可不同。
相应地，可采集被控对象模型的输入输出数据；并根据被控对象模型的输入输出数据，对被控对象模型进行模型识别，以确定被控对象模型的模型特征参数。
进一步，可根据模型特征参数，对控制器模型进行参数整定，得到控制器模型的优化控制参数；并可基于模型特征参数和优化控制参数分别对被控对象模型和控制器模型进行参数更新，得到运行参数更新后的控制器模型和被控对象模型。
进一步，可采集参数更新后的被控对象模型的运行状态参数，并执行上述运行状态评估以及参数优化过程，循环执行上述进行运行状态参数采集，运行状态评估、参数优化过程以及模型参数更新过程，至被控对象模型的运行状态达标。
相应地，可将运行状态达标时的控制器模型和被控对象模型作为最终的控制器模型和被控对象模型。
进一步，可输出被控对象模型的运行状态达标时对应的控制器模型的控制参数，以供用户基于控制器模型的控制器参数，设计对工业对象进行控制的控制器。
本申请实施例提供的数据处理方法，可将仿真子系统、数据采集与存储子系统及优化子系统均部署于云端，可不受具体的物理存储和计算设备的限制，实现仿真子系统、数据采集与存储子系统及优化子系统的无缝集成和数据共享，有助于提高数据处理效率，尤其有利于提高仿真处理效率。
另一方面，本申请实施例提供的数据处理方法通过对工业对象进行仿真和优化，得到工业对象的控制器模型的控制参数，可为工业对象的控制器的设计提供参考依据，甚至可应用于实际工业对象的控制器中，有助于缩短控制器的开发和调试周期，且有助于缩短控制器的开发和调试成本。
此外，在申请实施例提供的数据处理方法，可结合云计算技术在云端实时评估仿真子系统的运行状态和优化控制效果，可在云端对运行状态评估、模型辨识及整定优化算法进行验证，这些验证结果可为实际使用过程中算法的开发提供参考依据，有助于算法开发与测试周期。
本申请实施例提供的数据处理系统，除了可应用于对工业对象进行仿真之外，还可与实际工业对象进行结合，调整工业对象的控制器，进而调整工业对象的运行状态。具体实施过程如下：
在本申请实施例中，可采集工业对象的运行状态参数，并根据工业对象的运行状态参数，对工业对象进行运行状态评估。对工业对象进行运行状态评估的具体实施方式，可参见上述对被控对象模型进行运行状态评估的相关内容，在此不再赘述。
进一步，若工业对象的运行状态不达标，可根据工业对象的输入输出数据，对工业对象进行模型识别，得到工业对象的模型特征参数；进一步，可根据工业对象的模型特征参数对控制器模型进行参数优化，至被控对象模型的运行状态达标。具体地，可根据工业对象的模型特征参数，对控制器模型进行参数整定，得到优化后的控制参数；进一步，可基于工业对象的模型特征参数和优化后的控制参数分别对被控对象模型和控制器模型进行参数更新；并运行参数更新后的控制器模型和被控对象模型。
进一步，可采集参数更新后的被控对象模型的运行状态参数，并执行上述对被控对象模型进行运行状态评估以及参数优化过程，循环执行上述对被控对象模型的运行状态参数进行采集、上述被控对象模型的运行状态评估、参数优化过程及模型参数更新过程，至被控对象模型的运行状态达标。
进一步，可将被控对象模型的运行状态达标时对应的控制器模型的控制参数提供给对工业对象进行控制的控制器。
控制器可将控制参数调整为被控对象模型的运行状态达标时对应的控制器模型的控制参数，并根据被控对象模型的运行状态达标时对应的控制器模型的控制参数，对工业对象进行控制。
本申请实施例提供的数据处理方法部署于云端，与实际工业对象可形成云边系统，这样，云端可通过对工业对象进行仿真和优化，得到工业对象的控制器模型的控制参数；并将控制器模型的控制参数下发给边缘云网络中的边缘节点中的控制器，这样无需对控制器进行逐一配置和部署，有助于提高控制器配置和部署效率，降低控制器配置和部署成本。
为了更清楚地说明上述实施例提供的数据处理方法对工业对象进行仿真和优化过程，下面结合图5提供的具体实施例对本申请实施例提供的数据处理方式进行示例性说明。如图5所示，本申请实施例提供的数据处理过程主要包括以下步骤：
S40、模拟工业对象和对工业对象进行控制的控制器，得到被控对象模型和控制器模型。
S41、响应于运行操作，运行控制器模型和被控对象模型。
S42、采集被控对象模型的运行状态参数。
S43、根据被控对象模型的运行状态参数，对被控对象模型进行运行状态评估，得到运行状态评估结果。
S44、根据运行状态评估结果，判断被控对象的运行状态是否达标。若判断结果为否，执行步骤S45；若判断结果为是，执行步骤S410。
S45、响应于获取到的被控对象模型的第一激励信号，控制被控对象模型闭环运行。
S46、采集被控对象模型的输入输出数据。
S47、根据被控对象模型的输入输出数据，对被控对象模型进行模型识别，以确定被控对象模型的模型特征参数。
S48、根据被控对象模型的模型特征参数，对控制器模型进行参数整定，得到控制器模型的优化控制参数。
S49、基于被控对象模型的模型特征参数和优化控制参数分别对被控对象模型和控制器模型进行参数更新；并返回执行步骤S41。
S410、输出被控对象模型的运行状态达标时对应的控制器模型的控制参数，以供用户基于控制器模型的控制参数，设计对工业对象进行控制的控制器。
需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤401和402的执行主体可以为设备A；又比如，步骤401的执行主体可以为设备A，步骤402的执行主体可以为设备B；等等。
另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如401、402等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。
相应地，本申请实施例还提供一种存储有计算机指令的计算机可读存储介质，当计算机指令被一个或多个处理器执行时，致使一个或多个处理器执行上述数据处理方法中的步骤。
本申请实施例还提供一种计算机程序产品，包括：计算机程序；当计算机程序被一个或多个处理器执行时，致使一个或多个处理器执行上述数据处理方法中的步骤。在本申请实施例中，不限定计算机程序产品的具体实现形态。在一些实施例中，计算机程序产品可实现为仿真软件；或者，计算机程序产品也可部署于云端，实现为一种软件即服务（SaaS）产品等。
图6为本申请实施例提供的计算机设备的结构示意图。如图6所示，该计算机设备包括：存储器60a和处理器60b。其中，存储器60a用于存储计算机程序。
处理器60b耦合至存储器60a，用于执行计算机程序以用于：模拟工业对象和对工业对象进行控制的控制器，得到被控对象模型和控制器模型；响应于运行操作，运行控制器模型和被控对象模型；采集被控对象模型的运行状态参数；根据被控对象模型的运行状态参数，对被控对象模型进行运行状态评估；以及，在被控对象模型运行状态不达标的情况下，对控制器模型进行参数优化，至被控对象模型的运行状态达标。
可选地，处理器60b在对控制器模型进行参数优化时，具体用于：对被控对象模型进行模型识别，以确定被控对象模型的模型特征参数；根据被控对象模型的模型特征参数，对控制器模型进行参数整定，得到控制器模型的优化控制参数；以及，基于被控对象模型的模型特征参数和优化控制参数分别对被控对象模型和控制器模型进行参数更新，以得到参数更新后的控制器模型和被控对象模型。
在一些实施例中，处理器60b还用于：输出被控对象模型的运行状态达标时对应的控制器模型的控制参数，以供用户基于控制器模型的控制参数，设计对工业对象进行控制的控制器。
可选地，处理器60b在输出被控对象模型的运行状态达标时对应的控制器模型的控制参数时，具体用于：通过通信组件60c将被控对象模型的运行状态达标时对应的控制器模型的控制参数发送给提供仿真请求的客户端，以供客户端输出被控对象模型的运行状态达标时对应的控制器模型的控制参数。
在一些实施例中，处理器60b还用于：采集工业对象的运行状态参数；根据工业对象的运行状态参数，对工业对象进行运行状态评估；在工业对象的运行状态不达标的情况下，根据工业对象的输入输出参数，对工业对象进行模型识别，以得到工业对象的模型特征参数；根据工业对象的模型特征参数，对控制器模型进行参数优化，至被控对象模型的运行状态达标；将被控对象模型的运行状态达标时对应的控制器模型的控制参数提供给工业对象的控制器，以供控制器根据被控对象模型的运行状态达标时对应的控制器模型的控制参数，对工业对象进行控制。
在一些可选实施方式中，如图6所示，该计算机设备还可以包括：电源组件60d等可选组件。图6中仅示意性给出部分组件，并不意味着计算机设备必须包含图6所示全部组件，也不意味着计算机设备只能包括图6所示组件。
值得说明的是，本申请实施例提供的计算机设备可为独立的物理机，也可为可提供存储资源和处理器资源的多台物理机构成的计算系统。
本实施例提供的计算机设备可部署于云端，仿真子系统、数据采集与存储子系统及优化子系统均部署于云端的计算机设备中，可不受具体的物理存储和计算设备的限制，实现仿真子系统、数据采集与存储子系统及优化子系统的无缝集成和数据共享，子系统之间无需通过数据协议进行数据传输，有助于提高数据处理效率，尤其有利于提高仿真处理效率。
在本申请实施例中，存储器用于存储计算机程序，并可被配置为存储其它各种数据以支持在其所在设备上的操作。其中，处理器可执行存储器中存储的计算机程序，以实现相应控制逻辑。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。
在本申请实施例中，处理器可以为任意可执行上述方法逻辑的硬件处理设备。可选地，处理器可以为中央处理器（Central Processing Unit，CPU）、图形处理器（GraphicsProcessing Unit，GPU）或微控制单元（Microcontroller Unit，MCU）；也可以为现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程阵列逻辑器件（ProgrammableArray Logic，PAL）、通用阵列逻辑器件（General Array Logic，GAL）、复杂可编程逻辑器件（Complex Programmable Logic Device，CPLD）等可编程器件；或者为先进精简指令集（RISC）处理器（Advanced RISC Machines，ARM）或系统芯片（System on Chip，SOC）等等，但不限于此。
在本申请实施例中，通信组件被配置为便于其所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，4G，5G或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件还可基于近场通信（NFC）技术、射频识别（RFID）技术、红外数据协会（IrDA）技术、超宽带（UWB）技术、蓝牙（BT）技术或其他技术来实现。
在本申请实施例中，显示组件可以包括液晶显示器（LCD）和触摸面板（TP）。如果显示组件包括触摸面板，显示组件可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
在本申请实施例中，电源组件被配置为其所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
在本申请实施例中，音频组件可被配置为输出和/或输入音频信号。例如，音频组件包括一个麦克风（MIC），当音频组件所在设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中，音频组件还包括一个扬声器，用于输出音频信号。例如，对于具有语言交互功能的设备，可通过音频组件实现与用户的语音交互等。
需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，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、方法、商品或者设备不仅包括那些要素，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、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种数据处理系统，其特征在于，包括：部署于云端的仿真子系统和优化子系统和数据采集和存储子系统；
所述仿真子系统，用于模拟工业对象和对所述工业对象进行控制的控制器，得到工业对象对应的被控对象模型以及对所述被控对象模型进行控制的控制器模型；
所述仿真子系统，用于响应于运行操作，运行所述控制器模型和所述被控对象模型；
所述数据采集和存储子系统，用于采集所述被控对象模型的运行状态参数，并提供给所述优化子系统；
所述优化子系统，用于根据所述被控对象模型的运行状态参数，对所述被控对象模型进行运行状态评估；并在所述被控对象模型运行状态不达标的情况下，对所述控制器模型进行参数优化，至所述被控对象模型的运行状态达标；
所述仿真子系统，用于在所述被控对象模型的运行状态不达标的情况下，响应于获取到的所述被控对象模型的第一激励信号，控制所述被控对象模型闭环运行；
所述数据采集与存储子系统，用于采集所述被控对象模型的输入输出数据，并提供给所述优化子系统；
所述优化子系统，用于根据所述被控对象模型的输入输出数据，对所述被控对象模型进行模型识别，以确定所述被控对象模型的模型特征参数；根据所述被控对象模型的模型特征参数，对所述控制器模型进行参数整定，得到所述控制器模型的优化控制参数；将所述被控对象模型的模型特征参数和所述优化控制参数提供给所述仿真子系统；
所述仿真子系统，用于基于所述被控对象模型的模型特征参数和所述优化控制参数分别对所述被控对象模型和所述控制器模型进行参数更新；并运行参数更新后的控制器模型和被控对象模型。
2.根据权利要求1所述的系统，其特征在于，所述优化子系统，在对所述被控对象模型进行运行状态评估时，具体用于执行以下至少一种判断操作：
判断所述被控对象模型的运行状态参数是否处于设定的参数范围内；
根据所述被控对象模型的运行状态参数，确定所述运行状态参数的变化幅度；判断所述运行状态参数的变化幅度是否处于设定的变化范围内；
从所述被控对象模型的运行状态参数，获取所述被控对象模型的能耗信息；判断所述被控对象模型的能耗信息是否处于设定的能耗范围内；
若所述执行一种判断操作的判断结果存在判断结果为否的情况，确定所述被控对象模型的运行状态不达标。
3.根据权利要求1所述的系统，其特征在于，还包括：
所述工业对象，用于响应于获取到的第二激励信号进行开环运行；
所述数据采集和存储子系统，用于采集所述工业对象的输入输出数据，并提供给所述优化子系统；
所述优化子系统，用于根据所述工业对象的输入输出数据，对所述工业对象进行模型辨识，得到所述工业对象的第一模型特征参数；
用于部署所述仿真子系统的物理机，用于：根据所述第一模型特征参数，对所述工业对象进行建模，以得到所述被控对象模型。
4.根据权利要求3所述的系统，其特征在于，所述物理机，还用于：
输出所述第一模型特征参数，以供用户基于所述第一模型特征参数设计与所述被控对象模型适配的控制器模型；
响应于针对被控对象模型、控制器模型、传感器模型的添加操作，在云端画布中添加被控对象模型、控制器模型及传感器模型；
响应于针对信号流向的设计操作，按照所述信号流向在所述被控对象模型、控制器模型及传感器模型之间添加数据传输通道，以搭建所述仿真子系统。
5.根据权利要求1-4任一项所述的系统，其特征在于，所述数据采集和存储子系统，还用于：输出所述被控对象模型的运行状态达标时对应的控制器模型的控制参数，以供用户基于所述控制器模型的控制参数，设计对所述工业对象进行控制的控制器。
6.根据权利要求5所述的系统，其特征在于，所述数据采集和存储子系统，还用于：采集所述工业对象的运行状态参数，并提供给所述优化子系统；
所述优化子系统，用于根据所述工业对象的运行状态参数，对所述工业对象进行运行状态评估；在所述工业对象的运行状态不达标的情况下，根据所述工业对象的输入输出数据，对所述工业对象进行模型辨识，得到所述工业对象的第二模型特征参数；并根据所述第二模型特征参数，对所述控制器模型进行参数优化，至所述被控对象模型的运行状态达标；
所述数据采集和存储子系统，还用于将所述被控对象模型的运行状态达标时对应的控制器模型的控制参数提供给所述工业对象对应的控制器；
所述控制器，用于根据所述被控对象模型的运行状态达标时对应的控制器模型的控制参数，对所述工业对象进行控制。
7.一种数据处理方法，其特征在于，包括：
模拟工业对象和对工业对象进行控制的控制器，得到被控对象模型和控制器模型；
响应于运行操作，运行控制器模型和被控对象模型；
采集所述被控对象模型的运行状态参数；
根据所述被控对象模型的运行状态参数，对所述被控对象模型进行运行状态评估；
在所述被控对象模型运行状态不达标的情况下，对所述控制器模型进行参数优化，至所述被控对象模型的运行状态达标；
其中，所述对所述控制器模型进行参数优化，包括：
在所述被控对象模型的运行状态不达标的情况下，响应于获取到的所述被控对象模型的第一激励信号，控制所述被控对象模型闭环运行；
采集所述被控对象模型的输入输出数据；
根据所述被控对象模型的输入输出数据，对所述被控对象模型进行模型识别，以确定所述被控对象模型的模型特征参数；
根据所述被控对象模型的模型特征参数，对所述控制器模型进行参数整定，得到所述控制器模型的优化控制参数；
基于所述被控对象模型的模型特征参数和所述优化控制参数分别对所述被控对象模型和所述控制器模型进行参数更新，以得到参数更新后的控制器模型和被控对象模型。
8.根据权利要求7所述的方法，其特征在于，还包括：
输出所述被控对象模型的运行状态达标时对应的控制器模型的控制参数，以供用户基于所述控制器模型的控制参数，设计对所述工业对象进行控制的控制器。
9.根据权利要求7或8所述的方法，其特征在于，还包括：
采集所述工业对象的运行状态参数；
根据所述工业对象的运行状态参数，对所述工业对象进行运行状态评估；
在所述工业对象的运行状态不达标的情况下，根据所述工业对象的输入输出参数，对所述工业对象进行模型识别，以得到所述工业对象的模型特征参数；
根据所述工业对象的模型特征参数，对所述控制器模型进行参数优化，至所述被控对象模型的运行状态达标；
将所述被控对象模型的运行状态达标时对应的控制器模型的控制参数提供给所述工业对象的控制器，以供所述控制器根据所述被控对象模型的运行状态达标时对应的控制器模型的控制参数，对所述工业对象进行控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110990811.0A CN113435067B (zh) | 2021-08-26 | 2021-08-26 | 数据处理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110990811.0A CN113435067B (zh) | 2021-08-26 | 2021-08-26 | 数据处理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113435067A CN113435067A (zh) | 2021-09-24 |
| CN113435067B true CN113435067B (zh) | 2022-02-18 |
Family
ID=77798098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110990811.0A Active CN113435067B (zh) | 2021-08-26 | 2021-08-26 | 数据处理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435067B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118312541A (zh) * | 2024-02-26 | 2024-07-09 | 苏州宾达互联网科技有限公司 | 基于互联网的运行优化系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106935088A (zh) * | 2017-04-11 | 2017-07-07 | 渤海大学 | 便携式过程工业对象的模拟装置及其控制方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101598927B (zh) * | 2009-05-15 | 2011-03-30 | 广东工业大学 | 一种基于神经网络的纯碱碳化工艺控制系统及其控制方法 |
| US20120310603A1 (en) * | 2009-07-03 | 2012-12-06 | Magma Giessereitechnologie Gmbh | Simulation of a Process |
| CN103336433B (zh) * | 2013-04-25 | 2016-10-19 | 常州大学 | 基于反步法的混合自适应预测控制系统及其预测控制方法 |
| CN109100955A (zh) * | 2018-09-21 | 2018-12-28 | 大连海事大学 | 一种半实物仿真控制试验平台及其试验方法 |
-
2021
- 2021-08-26 CN CN202110990811.0A patent/CN113435067B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106935088A (zh) * | 2017-04-11 | 2017-07-07 | 渤海大学 | 便携式过程工业对象的模拟装置及其控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113435067A (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gerasimou et al. | UNDERSEA: an exemplar for engineering self-adaptive unmanned underwater vehicles | |
| US20190101927A1 (en) | System and method for multitask processing for autonomous vehicle computation and control | |
| KR20200014510A (ko) | 기계 학습 기반의 예측 서비스 제공 방법 및 그 장치 | |
| CN106529673A (zh) | 基于人工智能的深度学习网络训练方法及装置 | |
| CN111797998B (zh) | 生成机器学习样本的组合特征的方法及系统 | |
| CN105701008A (zh) | 用于安全关键的软件的集成自动化测试用例生成 | |
| CN112433819A (zh) | 异构集群调度的模拟方法、装置、计算机设备及存储介质 | |
| CN106067028A (zh) | 基于gpu的自动化机器学习的建模方法 | |
| KR102170968B1 (ko) | 머신 러닝 기반의 근사모델 구축 방법 및 시스템 | |
| CN113435067B (zh) | 数据处理系统及方法 | |
| CN112052027A (zh) | 一种处理ai任务的方法及装置 | |
| CN113419941A (zh) | 评估方法及装置、电子设备和计算机可读存储介质 | |
| CN109117369A (zh) | 测试用例生成方法、执行方法及装置 | |
| EP4080789A1 (en) | Enhanced uncertainty management for optical communication systems | |
| CN112699044B (zh) | 压力测试方法、设备及存储介质 | |
| CN108006925A (zh) | 空调应力测试方法、计算机装置、计算机可读存储介质 | |
| EP3812884A1 (en) | Information presentation method and apparatus | |
| Wang et al. | Edge computing for artificial intelligence | |
| KR102497003B1 (ko) | 약물 평가 방법 및 장치 | |
| CN114741047A (zh) | 一种音量调节方法及音量调节系统 | |
| CN114239406A (zh) | 一种基于强化学习的财务流程挖掘方法和相关装置 | |
| CN111786824A (zh) | 数据中心能效比优化方法、系统、设备及可读存储介质 | |
| CN114341806A (zh) | 用于软件模块开发的系统 | |
| US10401803B2 (en) | Apparatus and method for computer code adjustments in an industrial machine | |
| KR20160065641A (ko) | Hsil 기반 가상 엔진 검증 장치 및 방법 |
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 |