CN114880037B - 基于参数动态配置和环境驱动的工业app自适应演化方法 - Google Patents
基于参数动态配置和环境驱动的工业app自适应演化方法 Download PDFInfo
- Publication number
- CN114880037B CN114880037B CN202210607597.0A CN202210607597A CN114880037B CN 114880037 B CN114880037 B CN 114880037B CN 202210607597 A CN202210607597 A CN 202210607597A CN 114880037 B CN114880037 B CN 114880037B
- Authority
- CN
- China
- Prior art keywords
- parameters
- evolution
- environment
- parameter
- adaptive
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004519 manufacturing process Methods 0.000 claims abstract description 62
- 230000006870 function Effects 0.000 claims abstract description 46
- 230000008859 change Effects 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000011161 development Methods 0.000 claims abstract description 9
- 238000010924 continuous production Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 230000003044 adaptive effect Effects 0.000 claims description 40
- 230000007613 environmental effect Effects 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 29
- 239000003054 catalyst Substances 0.000 description 27
- 230000000694 effects Effects 0.000 description 26
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 17
- 238000001833 catalytic reforming Methods 0.000 description 12
- 230000002068 genetic effect Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000008186 active pharmaceutical agent Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000002779 inactivation Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/4401—Bootstrapping
- G06F9/4411—Configuring for operating with peripheral devices; Loading of device drivers
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于参数动态配置和环境驱动的工业APP自适应演化方法,针对产品制造过程中生产环境变化带来的工业APP生产参数的调整需求,以工厂操作系统平台和Python语言作为开发环境,将生产环境变化参数定义为环境参数,工业APP的生产参数定义为演化参数,建立环境参数与演化参数间的映射函数关系,利用Python的引用传递进行参数动态配置,并与环境驱动相结合,根据环境参数与演化参数间的映射关系制定工业APP参数在线调整的自适应决策规则,动态更新演化参数,实现在流程工业连续生产过程中对工业APP多个参数的自适应演化。
Description
技术领域
本发明涉及流程工业智能制造和计算机技术领域,具体但不限于涉及一种基于参数动态配置和环境驱动的工业APP自适应演化方法。
背景技术
在流程工业制造过程中,当生产环境发生变化时,传统工业软件存在环境适应性不强、二次开发量大、实施和维护更新成本过高等缺点。如今,传统工业软件向工业APP转变,可利用工业APP灵活、简单、适应性强等特点实现软件的在线更新演化,以适应生产过程环境变化。工业APP的自适应演化有参数调整和结构调整两种技术途径,相较于结构调整,参数调整更为简单,使用更广泛。一些学者提出了中断模型的参数配置方法和调用模型的参数配置方法,用于工业APP中参数属性值的自适应演化。但对于流程工业的连续生产过程来说,工业APP的自适应演化需要在不停机的状态下进行,现有的这些参数配置方法均未考虑这一需求,且没有考虑环境变化给生产过程带来的变化。流程工业生产过程中所遇到的环境变化主要指生产环境的变化,包括影响产品制造和质量的所有过程因素,它们往往会改变生产过程中影响产品质量的生产参数,不利于制造过程的顺利运行和产品质量,这些生产参数定义为演化参数。因此,为确保制造过程的顺利运行和产品质量,需要对工业APP中的演化参数进行相应的在线调整,使生产过程适应环境的变化。
有鉴于此,需要提供一种新的方法,以期解决上述至少部分问题。
发明内容
针对现有技术中的一个或多个问题,本发明提出了一种基于参数动态配置和环境驱动的工业APP自适应演化方法,结合流程工业企业难以在不停机的条件下对软件和管控系统进行更新迭代升级的情况,针对生产过程中环境变化带来的APP软件参数调整需求,以工厂操作系统平台和Python语言作为开发环境,利用Python中的引用传递进行参数动态配置,并与环境驱动相结合,根据环境参数与演化参数间的映射关系制定工业APP的自适应决策规则,动态更新演化参数,实现工业APP的自适应演化。
实现本发明目的的技术解决方案为:
根据本发明的一个方面,一种基于参数动态配置和环境驱动的工业APP自适应演化方法,用于流程工业连续生产过程,包括以下步骤:
步骤1、根据生产过程中影响产品质量的生产环境变化,确定生产环境变化的指标参数为环境参数,根据环境参数对应的工业APP生产参数的在线更新需求,确定演化参数;
步骤2、对环境参数、演化参数分别建立对象实例及其相应的对象属性,并对各参数赋予初始值;同时,在线采集生产过程中的环境参数和演化参数的实时数据,并对该实时数据进行数据预处理;所述对象实例是对物理设备、资产、产品、系统、人员或具有属性和业务特性的实体表示,对象属性是对对象实例的属性值、类型等的具体表示;
步骤3、利用Python开发环境建立环境参数与演化参数之间的映射函数关系,并根据该映射函数关系制定自适应决策规则,根据参数动态配置要求将演化参数的数据类型定义为列表形式,将自适应决策规则编译成自适应演化算法;具体包括:
步骤3-1、利用Python的引用传递概念,将环境参数和演化参数以in_data[m][n]列表形式定义,根据环境参数和演化参数的采集顺序读取对应的数据,其中,m代表第m个参数,n代表该参数中的第n个数据,m≥0、n≥0,当n为0时,表示选取该参数的最新数据;
步骤3-2、根据生产过程中实际工况下的工艺机理对应关系,建立环境参数与演化参数之间的映射函数关系;
步骤3-3、基于映射函数关系制定自适应决策规则,用于判断不同环境参数下执行何种自适应演化;
步骤3-4、将环境参数和演化参数以in_data[][]列表形式定义,将自适应决策规则采用Python代码编写成自适应演化算法;
步骤4、将自适应演化算法在工业APP中作为计算任务发布,并设置自适应演化算法的执行周期,并按照执行周期自动执行自适应演化算法,根据自适应演化算法的结果更新参数;
步骤5、在工业APP前端显示演化参数的属性名、属性值和演化结果属性值。
进一步的,本发明的基于参数动态配置和环境驱动的工业APP自适应演化方法,步骤1中,环境参数{x1,x2,x3,…,xp}表示生产环境变化的指标参数,所述生产环境是指使产品制造过程偏离正常工况和/或产品质量偏离指标允许要求的所有影响因素,其中,x代表环境变量,p表示环境参数的个数。
进一步的,本发明的基于参数动态配置和环境驱动的工业APP自适应演化方法,步骤1中,演化参数{y1,y2,y3,…,yq}表示当环境参数变化时,为确保产品制造过程和产品质量符合预设要求而需要随环境参数而改变的对应的工业APP生产参数,其中,y代表演化变量,q代表演化参数的个数。
进一步的,本发明的基于参数动态配置和环境驱动的工业APP自适应演化方法,步骤2中数据预处理包括去除噪声等外在干扰、替换异常值、填充缺失值。
进一步的,本发明的基于参数动态配置和环境驱动的工业APP自适应演化方法,步骤2中,每个环境参数或演化参数包括名称name、别名id、命名空间system以及类型type,所述每个参数的别名id唯一。
进一步的,本发明的基于参数动态配置和环境驱动的工业APP自适应演化方法,步骤5中利用每个参数的别名id在工业APP前端通过应用程序编程接口API与工业APP后端进行数据连接,用于工业APP前端与后端的信息交互并将后端的自适应演化结果显示在前端。
进一步的,本发明的基于参数动态配置和环境驱动的工业APP自适应演化方法,步骤3-2中环境参数与演化参数之间的映射函数关系为:
in_data[m][n]=f(Xi),Xi={x1,x2,x3,…,xi} (1)
式(1)中,f(Xi)代表环境变化与演化参数之间对应的映射函数,i代表环境参数个数,m、n随着i的变化而改变;当环境参数Xi发生变化时,f(Xi)会输出相应的函数值,并赋给对应的演化参数in_data[m][n]。
进一步的,本发明的基于参数动态配置和环境驱动的工业APP自适应演化方法,步骤3-3中自适应决策规则由以下判断语句和分段函数表示:
式(2)用于判断是否执行自适应演化,其中,当环境参数x在正常范围c与d之间变化时,Surroundings(x)=1,表示工业APP执行自适应演化,其他情况时不执行自适应演化;
式(3)中,当环境参数位于不同约束段时,对应的演化参数取不同的函数表达式,即需要对环境参数进行判断分析。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明的基于参数动态配置和环境驱动的工业APP自适应演化方法,通过环境变化与演化参数间的映射函数关系,利用参数动态配置技术,实现演化算法中的参数动态调整,即实现工业APP自适应演化,从而使企业使用的软件可重复利用,节约企业资源成本。
2、本发明的基于参数动态配置和环境驱动的工业APP自适应演化方法,其采用的参数动态配置技术可在生产过程中进行参数在线调整,即在不中断现有生产过程的情况下完成参数的调整,使得企业不需要停工,节约了企业的时间成本。
3、本发明的基于参数动态配置和环境驱动的工业APP自适应演化方法,其采用的自适应演化规则可将实时采集的数据信息进行判断,判断是否进行工业APP自适应演化,自动进行参数调整,不需要人为干预。
附图说明
附图用来提供对本发明的进一步理解,与说明描述一起用于解释本发明的实施例,并不构成对本发明的限制。在附图中:
图1为本发明实施例的催化重整流程图;
图2为本发明的基于参数动态配置和环境驱动的工业APP自适应演化方法整体框架图;
图3为本发明实施例的多目标遗传优化算法流程图;
图4为本发明实施例的参数动态配置修改前后端参数流程图;
图5为本发明实施例的后端算法流程图;
图6为本发明实施例的工业APP软件界面图。
具体实施方式
为了进一步理解本发明,下面结合实施例对本发明优选实施方案进行描述,但是应当理解,这些描述只是为进一步说明本发明的特征和优点,而不是对本发明权利要求的限制。
一种基于参数动态配置和环境驱动的工业APP自适应演化方法,为实现工业APP自适应演化,以工厂操作系统平台和Python语言作为开发环境,所述工厂操作系统平台包含对象模型管理、APP设计器、工业大数据和计算任务四个模块。所述对象模型管理模块负责建立对象实例和对象属性,用于数据的模拟。所述APP设计器模块负责APP前端界面的绘制,包括参数的可视化、报警功能的实现以及工艺流程的显示。所述工业大数据模块包括样本集采集、实验管理、Python脚本编写,负责后端Python代码的编译、数据的采集。所述计算任务模块负责将编译好的代码发布为模型,作为计算任务根据设置的执行周期,在后端循环执行。
实现基于参数动态配置和环境驱动的工业APP自适应演化的过程包括以下步骤:
步骤1:分析产品制造过程中因生产环境变化对产品质量的影响,以及相应工业APP中的生产参数在线更新需求,确定需要演化的生产参数,即演化参数。所述生产环境是指造成制造过程和产品质量偏离正常工况和指标允许要求的所有影响因素,如生产过程的温度、压力或者化学反应时反应物和催化剂的活性等因素,相应的指标参数定义为环境参数。所述需要演化的生产参数(即演化参数)是指当环境参数变化时,为确保制造过程和产品质量符合设计要求而需要随之改变的工业APP生产参数,如液位、流量、产物收率等。具体包括:将环境参数设定为一个多元组{x1,x2,x3,…,xp},其中x代表环境变量,p表示环境参数的个数;同理,演化参数也设定为一个多元组{y1,y2,y3,…,yq},其中y代表演化变量,q代表演化参数的个数;所述演化参数在Python中以列表形式定义,列表使用方括号[]表示。
当流程工业生产过程中的生产环境发生变化时,往往会导致制造过程或产品质量偏离生产工艺的允许要求,因此当出现这种生产环境变化时,必须对工业APP中相应的生产参数进行演化,以使生产过程顺利运行,保证产品质量。
步骤2:利用对象模型管理模块对环境参数、演化参数分别建立对象实例和对象属性,赋予各参数初始值;利用工业大数据模块在线采集生产过程中的环境参数和演化参数的实时数据,并进行数据预处理;具体包括:
在流程工业生产过程中,对所需环境参数x、演化参数y分别创建对象实体模板、对象实例和对象属性,统一定义每个参数的名称name、别名id、命名空间system以及类型type,每个参数都有唯一的id;利用唯一id在工业APP前端通过API进行数据连接,实现APP前端与后端信息的交互,使用户可以在工业APP的前端界面实时观察到参数的演化结果;
当在线采集到环境参数x与对应的演化参数y后,利用工厂操作系统平台中工业大数据模块自带的数据预处理功能,对采集到的数据进行预处理,去除噪声等外在干扰,同时进行缺失值的填充。
步骤3:利用Python开发环境建立环境参数与演化参数间的映射函数关系,据此制定自适应决策规则,根据参数动态配置要求将演化参数的数据类型定义为列表形式,将自适应决策规则编译成自适应演化算法;具体包括:
根据步骤1确定的演化参数,利用Python中的引用传递概念,即:以复合数据形式定义演化参数,这样当改变参数的时候,复制的只是该参数的内存空间首地址,从而在修改参数时,复制的变量指向的是同一个内存块的地址,可以成功实现参数调整;
将环境参数x和演化参数y以in_data[m][n]列表形式定义,其中m代表第m个演化参数,n代表该演化参数中的第n个数据,m、n都是从0开始,即0代表第一个,当n为0时,表示选取该演化参数的最新数据;
根据采集环境参数x和演化参数y的顺序,读取对应的数据,每个参数的m是固定的。为了编写代码时能准确找到所需参数,数据读取完成后进行自适应演化算法的编写。
其中,自适应演化算法的步骤如下:
(1)根据实际工况下的工艺机理对应关系,建立环境参数与演化参数间的映射函数:
in_data[m][n]=f(Xi),Xi={x1,x2,x3,…,xi} (1)
式中,f(Xa)代表环境变化与演化参数之间对应的映射函数,i代表环境参数个数,m、n随着i的变化而改变;当环境发生改变时,即环境参数发生变化,f(Xi)会输出相应的函数值,并赋给对应的演化参数in_data[m][n];
(2)在环境参数与演化参数的映射函数关系基础上,制定自适应决策规则,以判断是否执行自适应演化功能;
自适应决策规则用以下判断语句和分段函数表示:
式(2)中,当环境参数x在正常范围c与d之间变化时,Surroundings(x)=1,表示APP执行自适应演化功能,其他情况时不执行自适应演化功能;式(3)中,当环境参数位于不同约束段时,对应的演化参数取不同的函数表达式,即需要对环境参数进行判断分析,利用Python中的if语句,可实现多种情况的分类;
(3)将上述环境参数和演化参数以in_data[][]列表形式定义,并将自适应演化规则用if语句编写,即根据函数式(3)中的分段进行相对应函数的Python代码编写,将整个演化算法用def method(y1,y2,…,yi)定义成Python中的方法,演化参数y1,y2,…,yi值发生改变,即表示环境发生变化,可调用transfer(y1,y2,…,yi),将新的y值赋予到算法中。
步骤4:利用计算任务模块将编写好的自适应演化算法进行计算任务的发布,并设置执行周期;具体包括:
将步骤3编译好的自适应演化算法封装为模型,发布成后端计算任务,并设置演化算法的执行周期,即算法以一定的时间粒度进行循环执行。注意时间粒度的选择必须合适,粒度太小会导致计算任务没有完全执行完毕,粒度太大会浪费时间。时间粒度的选择取决于算法在Python中调试时所用时间的长短。
步骤5:利用工业APP设计器模块在工业APP前端界面绘制演化参数的属性名id、属性值value以及演化结果属性值value,实现演化参数和演化结果的可视化。
实施例1
本实施例以多目标遗传算法求解催化重整装置中芳烃生产过程的优化问题为例应用本发明的基于参数动态配置和环境驱动的工业APP自适应演化方法,即求取能同时使总芳烃收率最大化和重芳烃收率最小化的可行最优解操作。考虑到由于芳烃生产过程中催化剂活性的变化会影响芳烃收率,因此将催化重整反应中的催化剂活性作为1个环境参数,多目标遗传算法中的12个约束条件作为演化参数,2个目标函数的输出结果作为演化是否完成的依据,基于工厂操作系统平台设计催化重整的自适应演化工业APP,催化重整流程图如图1所示。
结合上述催化重整优化过程,本方法的整体框架如图2所示,具体实施步骤如下:
步骤1:确定流程工业场景为催化重整中生产芳烃的最优化计算过程,催化重整的主要工艺参数包括反应压力、反应器入口温度、氢油比、水氯比及催化剂循环速率等。除反应器入口温度以外,其余4个参数在开始生产时就基本固定,反应器入口温度是对催化重整的优化计算进行在线调整最重要的参数。应用遗传算法对催化重整过程进行多目标优化计算时,其优化目标为最大化芳烃收率和最小化重芳烃收率,优化决策变量为四个反应器入口温度、反应压力和氢油比。据此,可获得多目标优化计算的优化模型描述:
其中,向量中的分量分别为四个反应器入口温度、反应压力和氢油比6个主要的反应操作条件,{a1,a2,…,a6}、{b1,b2,…,b6}为6个反应操作条件对应的上下限数值,其初始值为{520,520,520,520,0.8,3.0}、{530,530,530,530,0.9,4.0},/>和/>分别表示芳烃收率AY和重芳烃收率HAY关于决策变量的函数,可表达为如下函数形式:
利用Python语言编写上述多目标遗传优化算法,求解最大化芳烃收率和最小化重芳烃收率,算法步骤如图3所示,具体步骤如下:
第一步:初始种群并设置进化代数Gen=1。
第二步:判断是否生成了第一代子种群,若已生成则令进化代数Gen=2,否则,对初始种群进行非支配排序和选择、高斯交叉、变异从而生成第一代子种群并使进化代数Gen=2。
第三步:将父代种群与子代种群合并为新种群。
第四步:判断是否已生成新的父代种群,若没有则计算新种群中个体的目标函数,并执行快速非支配排序、计算拥挤度、精英策略等操作生成新的父代种群;否则,进入第五步。
第五步:对生成的父代种群执行选择、交叉、变异操作生成子代种群。
第六步:判断Gen是否等于最大的进化代数,若没有则进化代数Gen=Gen+1并返回第三步;否则,算法运行结束。
下表1是多目标遗传优化算法计算过程用到的算法参数,其中最大迭代次数为终止条件。
表1本优化问题用到的算法参数
根据优化结果是否满足前述约束条件范围来确定迭代是否继续,若满足约束条件范围,则当前迭代结束时的计算结果为芳烃收率的优化值;否则,以最大迭代次数Kmax为终止条件,防止程序陷入死循环。不同优化模型可设置不同最大迭代次数,可在pycharm软件中对优化模型进行测试来获取合理数值。优化模型中约束条件的参数采用列表形式定义,为后续参数动态配置做准备。
步骤2:根据实际生产过程,催化重整反应中的催化剂会出现失活现象,会影响多目标优化计算结果。因此,将优化算法中的四个反应器温度上下限、压力上下限以及氢油比上下限数值{a1,a2,…,a6}和{b1,b2,…,b6}作为需要在线调整的12个演化参数,催化剂的活性作为1个环境参数,用f(a)表示对应的演化参数需要改变的值,即在T1、T2、T3、T4、P、HC的上下限{a1,a2,…,a6}、{b1,b2,…,b6}会有f(a)的变化量,其中T1、T2、T3的上下限{a1,a2,a3}、{b1,b2,b3}减去相应的量f(a),T4、P、HC的上下限{a4,a5,a6}、{b4,b5,b6}增加相应的量f(a)。
针对优化结果因为催化剂的失活而变差的情况,需要对优化模型的参数在线调整,重新进行优化计算得到新的最优结果。其中演化过程中,f(a)的值可根据采集的催化剂活性实时数据进行计算,这里假定催化剂活性的具体数据经归一化预处理后在区间[0,1]之间变化,0代表没有活性,1代表活性最好。将催化剂活性作为环境参数变量x,因此当x在0~1之间,由公式(2)得Surroundings(x)=1,其他情况为0,即表示当催化剂有活性时,可以进行自适应演化。
据此,在分析实际生产过程中催化剂活性的变化机理和数据基础上,可将环境参数与演化参数之间的映射函数关系描述为:
当催化剂活性为1或者不在0~1之间时,f(a)=0,表示APP不演化;
当催化剂活性在0~0.1之间时,f(a)=150;
当催化剂活性在0.1~0.2之间时,f(a)=135;
当催化剂活性在0.2~0.3之间时,f(a)=120;
当催化剂活性在0.3~0.4之间时,f(a)=105;
当催化剂活性在0.4~0.5之间时,f(a)=90;
当催化剂活性在0.5~0.6之间时,f(a)=75;
当催化剂活性在0.6~0.7之间时,f(a)=60;
当催化剂活性在0.7~0.8之间时,f(a)=45;
当催化剂活性在0.8~0.9之间时,f(a)=30;
当催化剂活性在0.9~1之间时,f(a)=15。
步骤3:在前述多目标遗传优化算法的基础上加入上述参数动态配置策略,用来调整优化模型中12个约束条件的参数,将12个演化参数和1个环境参数在工厂操作系统平台中建立其对象实例和对象属性,赋予各参数的初始值,初始值的取值见步骤1。
与优化模型及其多目标遗传优化算法类似,使用Python进行代码编程时,Python中的参数动态调整就是用Python脚本编写代码以改变函数内部参数的取值,利用引用传递的概念技术,将12个演化参数以列表的数据形式定义,即利用中括号[]定义这12个参数,从而确保在优化算法定义的函数方法中也能成功修改12个约束条件参数的数值。
在工厂操作系统平台中,APP后端只操作数据,前端通过API方式获取数据。对前后端数据进行统一格式定义,使数据的名称、类型一致,从而后端进行数据匹配时,可以将代码中的数据匹配到自己创建的对象属性,前端通过创建的属性来建立数据连接,实现前后端的信息交互,因此后端算法可通过参数动态配置修改参数的属性值,前端也能通过API来连接到后端参数的属性值。利用参数动态配置修改APP前后端参数的流程如图4所示。
步骤4:利用工厂操作系统平台进行APP的开发设计,上述步骤1~步骤3都是为APP的后端研发做准备,步骤3中已经将1个环境变化参数f(a)、12个约束条件参数{a1,a2,…,a6}和{b1,b2,…,b6},以及2个目标函数芳烃收率AY和重芳烃收率HAY在工厂操作系统平台的对象模型管理模块中建立了对象模板、对象实例和对象属性;
由于工厂操作系统平台和优化计算需要一定的历史数据样本,因此在步骤3中对约束条件进行赋予初始值,形成历史值,以便在工业大数据模块中进行样本数据的采集,初始值的赋予可以在对象模型管理模块中的对象属性中实现;然后将采集到的优化过程数据样本连接到工厂操作系统平台的工业大数据模块的实验管理中,以便在此处编写Python代码。在实验管理中,首先将采集的样本数据连接到样本集输入模块,然后经过数据缺失值的预处理,将缺失的历史值进行最大值填充,形成完整的数据送入到Python脚本模块,Python代码中数据输入用变量in_data[n][0]获取,n代表具体约束条件参数,0代表约束条件参数的最新值,中括号[]表示符合参数动态配置要求。关于自适应演化算法的编程,先利用if语句判断催化剂是否失活,然后根据催化剂活性实时数据来修改12个演化参数,并导入多目标遗传优化算法,最后利用工厂操作系统平台中内置变量out_data.append([AY])、out_data.append([HAY])输出优化结果。根据上述算法步骤完成代码编写,校验成功后发布为模型,最后该模型作为计算任务在APP后端循环执行。在APP前端界面将代码中的数据与采集到的数据进行连接,使前端可以显示后端数据处理的结果,本实施例将计算任务执行周期设置15秒的时间粒度,即每隔15秒执行一次计算任务,求解一次优化模型的优化解。在工厂操作系统平台的工业大数据模块执行APP后端算法的流程如图5所示。
步骤5:上述步骤完成了APP的后端工作,APP前端设计可以利用工厂操作系统平台中的APP设计器模块,使用工厂操作系统平台自带的组件,包括数据连接、报警、报表、趋势图等,可以完成界面设计。前端界面的设计内容包括催化重整流程图,反应器温度、压力、氢油比的报警记录和实时数据显示,芳烃收率AY和重芳烃收率HAY的趋势显示和在线计算的最优结果显示,优化模型中12个约束条件和两个目标函数AY、HAY的数据链接等内容。在对象属性中的数据和代码中的数据保持名称、类型一致的前提下,利用数据连接组件可将APP后端定义好的数据连接到前端,保证数据成功连接,且可以进行修改。
数据在前端连接好后,用户可以在前端实时观察到12个约束条件参数值是否发生变化,并可以根据催化剂失活程度获得的变化参数值f(a)来对12个约束条件参数进行在线调整演化,演化方式采用步骤2中的形式。APP软件界面图如图6所示。
步骤6:APP界面设计完成后,进行APP功能调试,即参数动态调整效果的测试。通过模拟催化剂的失活,得到新的环境参数f(a),实现12个约束条件参数的自适应调整,实时观察12个约束条件和2个目标函数AY、HAY是否进行相应改变,以及AY、HAY改变是否在设定范围内,若优化结果在设定范围内,则工业APP自适应演化设计完成;反之参数改变失败,需要对后端代码进行修改完善,直至参数演化顺利完成。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。说明书中所涉及的效果或优点等相关描述可因具体条件参数的不确定或其它因素影响而可能在实际实验例中不能体现,效果或优点等相关描述不用于对发明范围进行限制。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (8)
1.一种基于参数动态配置和环境驱动的工业APP自适应演化方法,其特征在于,用于流程工业连续生产过程,包括以下步骤:
步骤1、根据生产过程中影响产品质量的生产环境变化,确定生产环境变化的指标参数为环境参数,根据环境参数对应的工业APP生产参数的在线更新需求,确定演化参数;
步骤2、对环境参数、演化参数分别建立对象实例及其相应的对象属性,并对各参数赋予初始值;同时,在线采集生产过程中的环境参数和演化参数的实时数据,并对该实时数据进行数据预处理;
步骤3、利用Python开发环境建立环境参数与演化参数之间的映射函数关系,并根据该映射函数关系制定自适应决策规则,根据参数动态配置要求将演化参数的数据类型定义为列表形式,将自适应决策规则编译成自适应演化算法;具体包括:
步骤3-1、利用Python的引用传递概念,将环境参数和演化参数以in_data[m][n]列表形式定义,根据环境参数和演化参数的采集顺序读取对应的数据,其中,m代表第m个环境参数或演化参数,n代表该环境参数或演化参数中的第n个数据,m≥0、n≥0,当n为0时,表示选取该参数的最新数据;
步骤3-2、根据生产过程中实际工况下的工艺机理对应关系,建立环境参数与演化参数之间的映射函数关系;
步骤3-3、基于上述映射函数关系制定自适应决策规则,用于判断不同环境参数下执行何种自适应演化;
步骤3-4、将环境参数和演化参数以in_data[][]列表形式定义,将自适应决策规则采用Python代码编写成自适应演化算法;
步骤4、将自适应演化算法在工业APP中作为计算任务发布,设置自适应演化算法的执行周期,并按照执行周期自动执行自适应演化算法,根据自适应演化算法的结果更新参数;
步骤5、在工业APP前端显示演化参数的属性名、属性值和演化结果属性值。
2.根据权利要求1所述的基于参数动态配置和环境驱动的工业APP自适应演化方法,其特征在于,步骤1中,环境参数{x1,x2,x3,…,xi}表示生产环境变化的指标参数,所述生产环境是指使产品制造过程偏离正常工况和/或产品质量偏离指标允许要求的所有影响因素,其中,x代表环境变量,i表示环境参数的个数。
3.根据权利要求1所述的基于参数动态配置和环境驱动的工业APP自适应演化方法,其特征在于,步骤1中,演化参数{y1,y2,y3,…,yq}表示当环境参数变化时,为确保产品制造过程和产品质量符合预设要求而需要随环境参数而改变的对应的工业APP生产参数,其中,y代表演化变量,q代表演化参数的个数。
4.根据权利要求1所述的基于参数动态配置和环境驱动的工业APP自适应演化方法,其特征在于,步骤2中数据预处理包括去除噪声及外在干扰、替换异常值、填充缺失值。
5.根据权利要求1所述的基于参数动态配置和环境驱动的工业APP自适应演化方法,其特征在于,步骤2中,每个环境参数或演化参数均包括名称name、别名id、命名空间system以及类型type,所述每个参数的别名id唯一。
6.根据权利要求1或5所述的基于参数动态配置和环境驱动的工业APP自适应演化方法,其特征在于,步骤5中利用每个参数的别名id在工业APP前端通过应用程序编程接口API与工业APP后端进行数据连接,用于工业APP前端与后端的信息交互并将后端的自适应演化结果显示在前端。
7.根据权利要求1所述的基于参数动态配置和环境驱动的工业APP自适应演化方法,其特征在于,步骤3-2中环境参数与演化参数之间的映射函数关系为:
in_data[m][n]= f(Xi),Xi ={x1,x2,x3,…,xi} (1)
式(1)中,f(Xi)代表环境变化与演化参数之间对应的映射函数,i代表环境参数个数,m、n随着i的变化而改变;当环境参数Xi发生变化时,f(Xi)会输出相应的函数值,并赋给对应的演化参数in_data[m][n]。
8.根据权利要求1所述的基于参数动态配置和环境驱动的工业APP自适应演化方法,其特征在于,步骤3-3中自适应决策规则由以下判断语句和分段函数表示:
式(2)用于判断是否执行自适应演化,其中,当环境参数x在正常范围c与d之间变化时,Surroundings(x)=1,表示工业APP执行自适应演化,其他情况时不执行自适应演化;
式(3)中,{a11,a12,...,a1i}、...、{ai1,ai2,...,aii}分别表示式(3)中的各段约束条件环境参数的上限;{b11,b12,...,b1i}、...、{bi1,bi2,...,bii}分别表示式(3)中的各段约束条件环境参数的下限;f1(Xi)、…、fi(Xi)分别表示式(3)中的不同约束条件环境参数对应不同的环境变化与演化参数之间的映射函数,当环境参数位于不同约束段时,对应的演化参数取不同的函数表达式,即需要对环境参数进行判断分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210607597.0A CN114880037B (zh) | 2022-05-31 | 2022-05-31 | 基于参数动态配置和环境驱动的工业app自适应演化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210607597.0A CN114880037B (zh) | 2022-05-31 | 2022-05-31 | 基于参数动态配置和环境驱动的工业app自适应演化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114880037A CN114880037A (zh) | 2022-08-09 |
CN114880037B true CN114880037B (zh) | 2024-02-06 |
Family
ID=82678768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210607597.0A Active CN114880037B (zh) | 2022-05-31 | 2022-05-31 | 基于参数动态配置和环境驱动的工业app自适应演化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114880037B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308229A (zh) * | 2020-11-26 | 2021-02-02 | 西安邮电大学 | 基于自组织映射的动态多目标演化优化方法 |
CN114397861A (zh) * | 2021-12-02 | 2022-04-26 | 南京工业大学 | 反应精馏智能工厂模拟测试系统及开发方法 |
CN114493235A (zh) * | 2022-01-21 | 2022-05-13 | 南京工业大学 | 一种基于SVDD和Agent的精馏过程质量监控业务自适应演化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10902368B2 (en) * | 2014-03-12 | 2021-01-26 | Dt360 Inc. | Intelligent decision synchronization in real time for both discrete and continuous process industries |
-
2022
- 2022-05-31 CN CN202210607597.0A patent/CN114880037B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308229A (zh) * | 2020-11-26 | 2021-02-02 | 西安邮电大学 | 基于自组织映射的动态多目标演化优化方法 |
CN114397861A (zh) * | 2021-12-02 | 2022-04-26 | 南京工业大学 | 反应精馏智能工厂模拟测试系统及开发方法 |
CN114493235A (zh) * | 2022-01-21 | 2022-05-13 | 南京工业大学 | 一种基于SVDD和Agent的精馏过程质量监控业务自适应演化方法 |
Non-Patent Citations (2)
Title |
---|
一种基于智能体技术的软件自适应动态演化机制;李青山;王璐;褚华;张曼;;软件学报;第26卷(第04期);第760−777页 * |
多品种变批量产品智能生产线应用框架;于成龙 等;航空制造技术;第63卷(第6期);第73-79页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114880037A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schneidewind | The state of software maintenance | |
CN100380382C (zh) | 用于工业自动化系统的工程方法和工程系统 | |
CN101782771B (zh) | 基于免疫神经网络的纺丝工艺智能优化设计方法 | |
CN112163420A (zh) | 一种基于nlp技术的rpa流程自动生成方法 | |
US20140031958A1 (en) | Systems and methods for rule-based control system reliability | |
CN116737129B (zh) | 一种供应链控制塔生成式大语言模型及其构建方法 | |
KR20230121164A (ko) | 신속한 스크리닝을 위한 도메인-특정 언어 해석기 및대화형 시각적 인터페이스 | |
CN103279075A (zh) | 一种间歇化工生产过程及其控制方法 | |
CN110196720A (zh) | 一种Simulink生成动态链接库的优化方法 | |
CN117453915A (zh) | 一种基于可规划工作流的大语言模型的复杂任务处理方法 | |
CN103186713A (zh) | 用于整体设备效率分析的方法和应用 | |
CN115018326A (zh) | 一种产品精确制造全生命周期管理平台及装置 | |
CN114880037B (zh) | 基于参数动态配置和环境驱动的工业app自适应演化方法 | |
Ostapchenko et al. | Functional organization of system of support of decision-making of organizational management | |
CN212460603U (zh) | 基于物资合同管理的机器人管理系统 | |
Rao et al. | Software selection in manufacturing industries using a fuzzy multiple criteria decision making method, PROMETHEE | |
Ostrowski et al. | Using cultural algorithms to evolve strategies in agent-based models | |
Blanco-Muñoz et al. | Towards higher-order mutant generation for WS-BPEL | |
Konstantinov et al. | Expert systems in bioprocess control: Requisite features | |
Vedros et al. | Enhancement of Industry Legacy Probabilistic Risk Assessment Methods and Tools | |
CN114496101A (zh) | 一种工业催化裂化装置的性能评估方法及系统 | |
Mi et al. | Seasonal electricity consumption forecasting: an approach with novel weakening buffer operator and fractional order accumulation grey model | |
CN116976294B (zh) | 一种用于实现复杂电子表格自动填充的方法及系统 | |
Ellen et al. | Reducing the configuration burden in automation systems-case study in a modern brewery | |
Zhao | Research on the Decision Support Model of Investment and Financing Based on BP Neural Network Algorithm |
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 |