CN114237172A - 基于机器学习的自优化被控变量选择方法和装置 - Google Patents

基于机器学习的自优化被控变量选择方法和装置 Download PDF

Info

Publication number
CN114237172A
CN114237172A CN202111441414.4A CN202111441414A CN114237172A CN 114237172 A CN114237172 A CN 114237172A CN 202111441414 A CN202111441414 A CN 202111441414A CN 114237172 A CN114237172 A CN 114237172A
Authority
CN
China
Prior art keywords
variable
self
optimization
controlled
variables
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.)
Pending
Application number
CN202111441414.4A
Other languages
English (en)
Inventor
杨双华
苏洪昕
周辰琛
曹毅
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.)
Zhejiang University ZJU
Quzhou Research Institute of Zhejiang University
Original Assignee
Zhejiang University ZJU
Quzhou Research Institute of Zhejiang University
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 Zhejiang University ZJU, Quzhou Research Institute of Zhejiang University filed Critical Zhejiang University ZJU
Priority to CN202111441414.4A priority Critical patent/CN114237172A/zh
Publication of CN114237172A publication Critical patent/CN114237172A/zh
Pending legal-status Critical Current

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], computer integrated manufacturing [CIM]
    • G05B19/41885—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], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • 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]

Abstract

本发明公开了一种基于机器学习的自优化被控变量选择方法和装置，包括：从工业控制系统中采集历史稳态数据，包括测量变量、操纵变量和干扰变量；根据物料平衡、能量平衡构建稳态模型方程并求解；确定经济目标函数和系统约束条件，基于稳态模型构建稳态优化问题，并进行求解得到测量变量、操纵变量和约束变量的最优数据；利用机器学习算法对测量变量、操纵变量和约束变量的最优数据构建的样本数据进行学习，以构建约束变量与测量变量和操纵变量之间的映射关系，并将该映射关系与约束变量的差作为自优化被控变量表达式；根据自优化被控变量表达式在线计算自优化被控变量的实际值，并将其控制在零值附近，以保持被控系统实时靠近最优运行。

Description

基于机器学习的自优化被控变量选择方法和装置
技术领域
本发明属于厂级控制结构设计及优化控制技术领域，具体涉及一种基于机器学习的自优化被控变量选择方法和装置。
背景技术
工厂中往往有很多装置设备，包含数以千计的测量变量和控制回路。由于各测量变量间可能存在较强的耦合性，控制回路间也可能相互影响，导致牵一发而动全身，因此，对整个工厂控制结构的合理设计对提高生产安全性和经济效益有极重要的意义。
在工厂控制结构设计过程中，被控变量的选择往往不被关注，而且非常依赖于工程师的知识和经验，没有普适的选择依据。自优化控制从操作优化角度出发提出了被控变量选择的数学依据，如零空间法(Alstad V,Skogestad S.Null space method forselecting optimal measurement combinations as controlled variables[J].Industrial&engineering chemistry research,2007,46(3):846-853.)以及全局法(YeL,Cao Y,Yuan X.Global approximation of self-optimizing controlled variableswith average loss minimization[J].Industrial&Engineering Chemistry Research,2015,54(48):12040-12053.)等等，但这些方法在求解优化问题时有诸多假设条件，如积极约束集不发生改变，即系统的约束变量要么一直在边界范围内(不积极约束)，要么一直保持在边界值上(积极约束)。然而实际上在全局操作空间内，各种不同干扰的影响很可能使得某些约束变量在积极与不积极之间切换，使得原被控变量无法保证系统最优性。
基于此，需要寻找一种新的被控变量选择方法保证系统最优性。
发明内容
鉴于上述，本发明的目的是提供一种基于机器学习的自优化被控变量选择方法和装置，通过机器学习算法离线选择自优化被控变量表达式，并在线将其控制在恒定设定值上，使得被控系统始终保持最优运行或靠近最优运行，提高工厂经济效益。
为实现上述目的，本发明提供以下技术方案：
第一方面，实施例提供了一种基于机器学习的自优化被控变量选择方法，包括以下步骤：
步骤1，从工业控制系统中采集历史稳态数据，包括测量变量、操纵变量和干扰变量数据；
步骤2，根据物料平衡、能量平衡构建含有未知参数的稳态模型方程，利用历史稳态数据进行参数辨识，得到被控系统的稳态模型；
步骤3，确定经济目标函数和系统约束条件，基于被控系统的稳态模型，构建稳态优化问题，并进行求解得到测量变量、操纵变量和约束变量的最优数据；
步骤4，采用测量变量、操纵变量和约束变量的最优数据作为样本数据，利用机器学习算法对该样本数据进行离线学习，构建约束变量与测量变量和操纵变量之间的变量映射关系，将该变量映射关系与约束变量的差作为自优化被控变量的表达式；
步骤5，从工业控制系统中实时采集测量变量、操纵变量和约束变量的实际数据，根据自优化被控变量表达式计算实际的被控变量值，并在线通过反馈控制将该值维持在零值附近，使得被控系统实时靠近最优运行。
在一个实施例中，步骤1中，依据香农采样定理确定采样频率。
在一个实施例中，步骤2中，构建的稳态模型为非线性稳态模型，表示为y＝f(u,d,α)，其中，u和d分别表示操纵变量与干扰变量，y表示测量变量，α表示待求解的模型参数；采用非线性回归方法进行求解非线性稳态模型，以确定模型参数α，得到参数确定的非线性稳态模型y＝f(u,d)。
在一个实施例中，步骤3中，求解稳态优化问题时，对干扰变量d在其变化范围内进行蒙特卡洛随机采样，在每个采样点di处求解优化问题，i＝1,…,N，N为采样点个数，通过求解N个优化问题，得到一系列的测量变量、操纵变量和约束变量的最优数据。优选地，通过逐渐增加N值直到平均经济损失逐渐变小且趋于稳定来确定最优采样N值，其中，经济损失为经济目标函数的实际值与最优值之差。
在一个实施例中，步骤4中，机器学习算法可采用神经网络方法，以测量变量和操纵变量的最优数据作为神经网络的输入，以约束变量的最优数据作为神经网络的输出，来训练神经网络，确定神经网络参数，以参数确定的神经网络体现的非线性映射来构建约束变量与测量变量和操纵变量之间的映射关系，将该映射关系与约束变量的差作为自优化被控变量的表达式。
在一个实施例中，步骤5中，工业控制系统的控制器采用比例-积分-微分(Proportional-Integral-Derivative,PID)控制器，基于Skogestad IMC(SIMC)规则对PID参数进行整定，包括控制器增益Kp、积分时间TI以及微分时间TD，通过PID控制器将自优化被控变量维持在零值附近，以保持被控系统实时靠近最优运行。
在一个实施例中，步骤5中，当工业控制系统的原控制结构不能更改时，可在原控制层上增加自优化层，将自优化被控变量应用于自优化层，自优化层中的PID控制器的输出作为原控制回路中被控变量的设定值。
第二方面，实施例提供了一种基于机器学习的自优化被控变量选择装置，包括：工业控制系统和与其通信的工业电脑，工业电脑中存储有利用第一方面所述的基于机器学习的自优化被控变量选择方法构建的自优化被控变量表达式；
工业控制系统实时采集测量变量、操纵变量和约束变量的实际数据，并传输至工业电脑；
工业电脑根据自优化被控变量表达式计算自优化被控变量的实际值，并反馈给工业控制系统；
工业控制系统通过控制器将自优化被控变量值维持在零值附近，以保持被控系统实时靠近最优运行。
与现有技术相比，实施例提供的基于机器学习的自优化被控变量选择方法和装置具有的有益效果至少包括：
利用机器学习算法对最优历史稳态数据进行离线训练，从而得到全局最优的自优化被控变量表达式，其不受积极约束集变化的影响，且是全局最优的，无需设计复杂的控制结构以及频繁优化更新被控变量设定值，只需简单的在线反馈控制将其维持在恒定设定值上，即可在积极约束集改变的情况下仍能保持系统的最优性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是一实施例提供的基于机器学习的自优化被控变量选择方法的流程图；
图2是一实施例提供的通过通讯协议连接工业控制系统和工业电脑的现场部署示意图；
图3是一实施例提供的采用自优化控制后经济目标函数值跟踪最优值的效果图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。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，并不限定本发明的保护范围。
图1是一实施例提供的基于机器学习的自优化被控变量选择方法的流程图。如图1所示，实施例提供的基于机器学习的自优化被控变量选择方法，包括以下步骤：
步骤1，历史稳态数据的采集。
实施例中，从工业控制系统中采集m个历史样本数据，包括温度、压力、浓度、流量等测量变量数据
Figure BDA0003383488970000051
操纵变量数据
Figure BDA0003383488970000052
以及干扰变量数据
Figure BDA0003383488970000053
其中，R表示实数空间，ny、nu和nd分别表示表测量变量、操纵变量和干扰变量的个数。这些历史样本数据为被控系统的稳态数据，即各控制回路的被控变量都较好地维持在设定值附近时的数据。
由于历史数据的采样时间间隔取决于被控系统状态的变化快慢，不能过长，否则无法准确反映各变量的变化情况，也不必过短，否则导致数据量过大，因此可根据香农采样定理确定采样频率。
步骤2，构建被控系统稳态模型。
实施例中，根据能量平衡和物料平衡定理构建被控系统的稳态模型方程，然后基于测量变量、操纵变量和干扰变量的历史数据求解稳态模型参数。稳态模型表示为只含代数方程的表达式y＝f(u,d,α)，其中α为稳态模型中所有的未知参数，u和d为稳态模型的输入变量，即操纵变量和干扰变量，y为稳态模型的输出变量，即测量变量。采用参数辨识方法，得到未知参数α，从而得到被控系统稳态模型表达式y＝f(u,d)。
由于被控系统的输入与输出往往呈非线性关系，可建立非线性稳态方程，采用非线性回归法求解模型方程中的未知参数α，例如可采用高斯—牛顿迭代法求解
Figure BDA0003383488970000061
从而得到被控系统的非线性稳态模型。
步骤3，确定经济目标函数和系统约束条件，基于被控系统稳态模型，构建稳态优化问题，并进行求解得到测量变量、操纵变量和约束变量的最优数据。
实施例中，构建的稳态优化问题可表示为：
Figure BDA0003383488970000062
s.t.y＝f(u,d)
g(u,d)≤0
其中，J和g分别表示经济目标函数和系统约束条件。为获取在全局操作空间内的最优数据，对干扰变量d在其变化范围内进行蒙特卡洛随机采样，在每个采样点di(i＝1,…,N)处求解优化问题，N为采样点个数，求解这N个优化问题，从而得到一系列操纵变量的最优值
Figure BDA0003383488970000063
测量变量的最优值
Figure BDA0003383488970000064
和约束变量的最优值
Figure BDA0003383488970000065
其中上标(·)*表示最优值。
在对干扰变量d采样时，根据大数定理，采样个数N越大越好，合适的采样个数N可离线确定，优选地，通过逐渐增加N值直到平均经济损失逐渐变小且趋于稳定来确定最优采样N值，其中，经济损失为经济目标函数的实际值与最优值之差。
步骤4，根据步骤3得到的数据，利用机器学习算法离线构建约束变量与测量变量和操纵变量之间的变量映射关系，并将该映射关系与约束变量的差作为自优化被控变量的表达式。
实施例中，采用测量变量、操纵变量和约束变量的最优数据作为样本数据，利用机器学习算法对样本数据进行学习，以构建约束变量与测量变量和操纵变量之间的变量映射关系。即将包含操纵变量和测量变量的最优数据
Figure BDA0003383488970000071
作为输入，将约束变量的最优数据G*作为输出，利用机器学习算法进行离线训练，得到输入变量的非线性函数
Figure BDA0003383488970000072
其中
Figure BDA0003383488970000073
实施例中，由于系统各变量间存在非线性关系，而具有一定结构的神经网络能够拟合任何非线性函数，因此可采用神经网络技术对最优数据进行训练。首先需要设计合理的神经网络结构，如隐藏层层数及隐藏层神经元个数等。由于隐藏层层数以及隐藏层中的神经元个数越多，神经网络拟合函数的能力越强，但过多可能导致过拟合或模型不收敛。一般来说，可选择一层或两层隐藏层，且隐藏层中的神经元个数应在输入层和输出层神经元个数之间，小于输出层大小的两倍。
构建好神经网络结构后，以测量变量和操纵变量的最优数据作为神经网络的输入，以约束变量的最优数据作为神经网络的输出，来训练神经网络，确定神经网络参数，以参数确定的神经网络体现的非线性映射来构建约束变量与测量变量和操纵变量之间的映射关系，即
Figure BDA0003383488970000074
步骤5，在线计算自优化被控变量实际值，并将其控制在恒定设定值上。
实施例中，从工业控制系统中实时采集测量变量和操纵变量的实际数据，即
Figure BDA0003383488970000081
以及约束变量的实际数据g，根据自优化被控变量表达式
Figure BDA0003383488970000082
计算其实际值，并将其控制在零值附近，以保持被控系统实时靠近最优运行。
实施例中，工业控制系统的控制器采用比例-积分-微分(Proportional-Integral-Derivative,PID)控制器，若要获得好的动态性能，可基于Skogestad IMC(SIMC)规则对PID参数进行整定，包括控制器增益Kp、积分时间TI以及微分时间TD，使得自优化被控变量能较快较准地维持在零值附近，以保持被控系统实时靠近最优运行。
在另一个可能的实施方式中，当工业控制系统的原控制结构不能更改时，可在原控制层上增加自优化层，将自优化被控变量应用于自优化层，自优化层中的PID控制器的输出作为原控制回路中被控变量的设定值。
图2是一实施例提供的通过通讯协议连接工业控制系统和工业电脑的现场部署示意图。如图2所示，实施例提供的基于机器学习的自优化被控变量选择装置，包括：工业控制系统和工业电脑，工业控制系统和工业电脑通过通讯协议进行通信。工业电脑中存储有利用上述基于机器学习的自优化被控变量选择方法构建的自优化被控变量表达式。工业控制系统实时采集测量变量和操纵变量数据，即
Figure BDA0003383488970000083
以及约束变量数据g，并传输至工业电脑；工业电脑根据自优化被控变量表达式
Figure BDA0003383488970000084
计算自优化被控变量的实际值，并反馈给工业控制系统；工业控制系统通过PID控制器将自优化被控变量维持在零值附近，以保持被控系统实时靠近最优运行。
以上述基于机器学习的自优化被控变量选择方法和装置在某蒸发过程优化控制的应用为实验例，进行一步说明自优化被控变量选择方法。
从工厂的工业控制系统中读取蒸发过程的历史稳态数据，根据能量平衡和物料平衡列出含有一系列未知参数αk(k＝1,2,…,15)的稳态模型方程：
F1＝F4+F2
F1X1＝F2X2
F4＝F5
T2＝α1P2+α2X2+α3
T3＝α4P2+α5
F4＝α6Q100+α7F1(T2-T1)
T100＝α8P100+α9
Q100＝α10(F1+F3)(T100-T2)
F100＝α11Q100
Figure BDA0003383488970000091
Figure BDA0003383488970000092
其中，各变量含义如表1所示，
表1各变量含义及单位
Figure BDA0003383488970000093
Figure BDA0003383488970000101
利用历史数据辨识得出这些方程中的参数为α＝[0.56,0.31,48.43,0.51,55,0.026,-0.0018,0.15,90,0.16,0.027,0.96,0.14,6.84,13.68]，从而得到蒸发过程的稳态模型。
根据操作成本和产品效益定义经济目标函数(最小化操作成本)J＝600F100+0.6F200+1.009(F2+F3)，这三项系数分别与蒸汽、冷却水以及泵的操作费用有关。此外，根据操作安全以及产品质量要求确定各约束条件，如下：
X2≥35.5％
40kPa≤P2≤80kPa
P100≤400kPa
F200≤400kg/min
0kg/min≤F3≤100kg/min
基于稳态模型以及目标函数和约束条件，可构建稳态优化模型。
在全局操作空间内，可能在积极与不积极之间切换的约束变量为g＝P2，剩余操作自由度为u＝F200，测量变量集(包含操纵变量)选为y＝[F2 F100 T201 F3]。
干扰变量d＝[F1 X1 T1 T200]在其名义值[10,5,40,25]处±20％之内波动，在该干扰变化范围内进行蒙特卡洛随机采样，采样个数为N＝2000，在每个采样点di(i＝1,…,N)处采用SQP数值算法求解稳态优化模型，得到一系列在满足各约束条件下使得经济目标函数最小的测量变量的最优值
Figure BDA0003383488970000102
和约束变量的最优值
Figure BDA0003383488970000103
将上述包括测量变量和约束变量的最优值作为最优历史数据集，并将其70％作为训练集，30％作为测试集。定义神经网络结构，包括一层含有4个神经元的输入层、一层含有12个神经元的隐藏层以及一层含有1个神经元的输出层，隐藏层的激活函数σ1为sigmoid函数，输出层的激活函数σ2为线性函数。因此，该神经网络函数可表示为
Figure BDA0003383488970000111
其中
Figure BDA0003383488970000112
和
Figure BDA0003383488970000113
分别表示输入层到隐藏层各神经元的权重和偏置，
Figure BDA0003383488970000114
和bo分别表示隐藏层各神经元到输出层的权重和偏置。
将训练集中的
Figure BDA0003383488970000115
和
Figure BDA0003383488970000116
分别作为神经网络的输入和输出，采用Levenberg-Marquardt算法对该神经网络进行训练，可以确定网络中的所有未知参数θ(包括所有的权重和偏置)，即得到测量变量的非线性函数g*＝h(y*,θ)。
应用时，实时读取测量变量和约束变量的值y和g，根据c＝h(y,θ)-g计算自优化被控变量的当前值，设置PID控制器参数Kp＝300,TI＝0.067,TD＝0。通过调整操纵变量F200将自优化被控变量维持在零值附近，当干扰变量发生变化时，该蒸发过程的实际经济目标函数值能够跟踪其最优值，如图3所示，说明该蒸发过程能够自主靠近最优运行状态。
利用机器学习算法对最优历史稳态数据进行离线训练，从而得到全局最优的自优化被控变量表达式，其不受积极约束集变化的影响，且是全局最优的，无需设计复杂的控制结构以及频繁优化更新被控变量设定值，只需简单的在线反馈控制将其维持在恒定设定值上，即可在积极约束集改变的情况下仍能保持系统的最优性。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于机器学习的自优化被控变量选择方法，其特征在于，包括以下步骤：
步骤1，从工业控制系统中采集历史稳态数据，包括测量变量、操纵变量和干扰变量数据；
步骤2，根据物料平衡、能量平衡构建含有未知参数的稳态模型方程，利用历史稳态数据进行参数辨识，得到被控系统的稳态模型；
步骤3，确定经济目标函数和系统约束条件，基于被控系统的稳态模型，构建稳态优化问题，并进行求解得到测量变量、操纵变量和约束变量的最优数据；
步骤4，采用测量变量、操纵变量和约束变量的最优数据作为样本数据，利用机器学习算法对该样本数据进行离线学习，构建约束变量与测量变量和操纵变量之间的变量映射关系，将该变量映射关系与约束变量的差作为自优化被控变量的表达式；
步骤5，从工业控制系统中实时采集测量变量、操纵变量和约束变量的实际数据，根据自优化被控变量表达式计算实际的被控变量值，并在线通过反馈控制将该值维持在零值附近，使得被控系统实时靠近最优运行。
2.如权利要求1所述的基于机器学习的自优化被控变量选择方法，其特征在于，步骤1中，依据香农采样定理确定采样频。
3.如权利要求1所述的基于机器学习的自优化被控变量选择方法，其特征在于，步骤2中，构建的稳态模型为非线性稳态模型，表示为y＝f(u,d,α)，其中，u和d分别表示操纵变量与干扰变量，y表示测量变量，α表示待求解的模型参数；采用非线性回归方法进行求解非线性稳态模型，以确定模型参数α，得到参数确定的非线性稳态模型y＝f(u,d)。
4.如权利要求1所述的基于机器学习的自优化被控变量选择方法，其特征在于，步骤3中，求解稳态优化问题时，对干扰变量d在其变化范围内进行蒙特卡洛随机采样，在每个采样点di处求解优化问题，i＝1,…,N，N为采样点个数，通过求解N个优化问题，得到一系列的测量变量、操纵变量和约束变量的最优数据。
5.如权利要求4所述的基于机器学习的自优化被控变量选择方法，其特征在于，通过逐渐增加N值直到平均经济损失逐渐变小且趋于稳定来确定最优采样N值，其中，经济损失为经济目标函数的实际值与最优值之差。
6.如权利要求1所述的基于机器学习的自优化被控变量选择方法，其特征在于，步骤4中，机器学习算法可采用神经网络方法，以测量变量和操纵变量的最优数据作为神经网络的输入，以约束变量的最优数据作为神经网络的输出，来训练神经网络，确定神经网络参数，以参数确定的神经网络体现的非线性映射来构建约束变量与测量变量和操纵变量之间的变量映射关系，将该映射关系与约束变量的差作为自优化被控变量的表达式。
7.如权利要求1所述的基于机器学习的自优化被控变量选择方法，其特征在于，步骤5中，工业控制系统的控制器采用PID控制器，可基于Skogestad IMC规则对PID参数进行整定，包括控制器增益Kp、积分时间TI以及微分时间TD，通过PID控制器将自优化被控变量维持在零值附近，以保持被控系统实时靠近最优运行。
8.如权利要求1所述的基于机器学习的自优化被控变量选择方法，其特征在于，步骤5中，当工业控制系统的原控制结构不能更改时，可在原控制层上增加自优化层，将自优化被控变量应用于自优化层，自优化层中的PID控制器的输出作为原控制回路中被控变量的设定值。
9.一种基于机器学习的自优化被控变量选择装置，其特征在于，包括：工业控制系统和与其通信的工业电脑，工业电脑中存储有利用权利要求1-8任一项所述的基于机器学习的自优化被控变量选择方法构建的自优化被控变量表达式；
工业控制系统实时采集测量变量、操纵变量和约束变量的实际数据，并传输至工业电脑；
工业电脑根据自优化被控变量表达式计算自优化被控变量的实际值，并反馈给工业控制系统；
工业控制系统通过控制器将自优化被控变量维持在零值附近，以保持被控系统实时靠近最优运行。
10.如权利要求9所述的基于机器学习的自优化被控变量选择装置，其特征在于，当工业控制系统的原控制结构不能更改时，可在原控制层上增加自优化层，将自优化被控变量应用于自优化层，自优化层中的PID控制器的输出作为原控制回路中被控变量的设定值。
CN202111441414.4A 2021-11-30 2021-11-30 基于机器学习的自优化被控变量选择方法和装置 Pending CN114237172A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111441414.4A CN114237172A (zh) 2021-11-30 2021-11-30 基于机器学习的自优化被控变量选择方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111441414.4A CN114237172A (zh) 2021-11-30 2021-11-30 基于机器学习的自优化被控变量选择方法和装置

Publications (1)

Publication Number Publication Date
CN114237172A true CN114237172A (zh) 2022-03-25

Family

ID=80752084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111441414.4A Pending CN114237172A (zh) 2021-11-30 2021-11-30 基于机器学习的自优化被控变量选择方法和装置

Country Status (1)

Country Link
CN (1) CN114237172A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107180279A (zh) * 2017-06-14 2017-09-19 重庆科技学院 基于qpso‑dmpc的反应再生系统优化控制方法
CN107783423A (zh) * 2017-10-25 2018-03-09 珠海格力电器股份有限公司 基于机器学习的pid参数自整定方法及其装置
CN108845501A (zh) * 2018-09-11 2018-11-20 东北大学 一种基于懒惰学习的高炉铁水质量自适应优化控制方法
CN111553118A (zh) * 2020-04-26 2020-08-18 西安交通大学 基于强化学习的多维连续型优化变量全局优化方法
CN112287990A (zh) * 2020-10-23 2021-01-29 杭州卷积云科技有限公司 一种基于在线学习的边云协同支持向量机的模型优化方法
CN112327625A (zh) * 2020-11-12 2021-02-05 西安建筑科技大学 基于机器学习的不确定系统模型预测控制参数整定方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107180279A (zh) * 2017-06-14 2017-09-19 重庆科技学院 基于qpso‑dmpc的反应再生系统优化控制方法
CN107783423A (zh) * 2017-10-25 2018-03-09 珠海格力电器股份有限公司 基于机器学习的pid参数自整定方法及其装置
CN108845501A (zh) * 2018-09-11 2018-11-20 东北大学 一种基于懒惰学习的高炉铁水质量自适应优化控制方法
CN111553118A (zh) * 2020-04-26 2020-08-18 西安交通大学 基于强化学习的多维连续型优化变量全局优化方法
CN112287990A (zh) * 2020-10-23 2021-01-29 杭州卷积云科技有限公司 一种基于在线学习的边云协同支持向量机的模型优化方法
CN112327625A (zh) * 2020-11-12 2021-02-05 西安建筑科技大学 基于机器学习的不确定系统模型预测控制参数整定方法

Similar Documents

Publication Publication Date Title
Potočnik et al. Nonlinear model predictive control of a cutting process
Chakravarthi et al. Adaptive type-2 fuzzy controller for nonlinear delay dominant MIMO systems: an experimental paradigm in LabVIEW
Glushchenko Neural tuner development method to adjust PI-controller parameters on-line
Venkataraman Application of DCS for level control in nonlinear system using optimization and robust algorithms
US10534325B2 (en) Adaptive control techniques for pH control or control of other industrial processes
CN111103833A (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
Jeyaraj et al. Real‐time data‐driven PID controller for multivariable process employing deep neural network
CN114237172A (zh) 基于机器学习的自优化被控变量选择方法和装置
CN109062030A (zh) 基于拉盖尔函数模型的火电单元机组负荷预测pid控制方法
Jin et al. Improved minmax control for industrial networked systems over imperfect communication
Wang et al. Model-based predictive control for spatially-distributed systems using dimensional reduction models
Zaidi et al. Robust neural control of discrete time uncertain nonlinear systems using sliding mode backpropagation training algorithm
Rómoli et al. Neural network-based state estimation for a closed-loop control strategy applied to a fed-batch bioreactor
Mao et al. Simulation of liquid level cascade control system based on genetic Fuzzy PID
CN108646559A (zh) 输出反馈型预测函数控制器设计方法
Al-Hiary et al. Identification of a chemical process reactor using soft computing techniques
Sood Autonomous robot motion control using fuzzy PID controller
CN112255912A (zh) 一种无模型自适应pid控制策略的聚合釜产物浓度控制方法
CN117784852B (zh) 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法
Chen et al. Dynamic modeling of biotechnical process based on online support vector machine
Zhang et al. A novel estimation algorithm based on data and low-order models for virtual unmodeled dynamics
Vasičkaninová et al. Fuzzy model-based neural network predictive control of a heat exchanger
Li et al. Model Following Adaptive Control for a Class of Complex Dynamic Networks Based on the Dynamics of Links
Umamaheswari et al. Control and Monitoring of pH Process
Nagaraju et al. Neural Network Predictive Controller For Temperature Process Station

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