CN115129005A - 基于工业过程的控制、模型方法、设备和存储介质 - Google Patents
基于工业过程的控制、模型方法、设备和存储介质 Download PDFInfo
- Publication number
- CN115129005A CN115129005A CN202210675334.3A CN202210675334A CN115129005A CN 115129005 A CN115129005 A CN 115129005A CN 202210675334 A CN202210675334 A CN 202210675334A CN 115129005 A CN115129005 A CN 115129005A
- Authority
- CN
- China
- Prior art keywords
- data
- control parameter
- main control
- input data
- time point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000003321 amplification Effects 0.000 claims abstract description 33
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 83
- 239000011159 matrix material Substances 0.000 claims description 68
- 238000012545 processing Methods 0.000 claims description 66
- 230000009467 reduction Effects 0.000 claims description 60
- 238000010606 normalization Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012905 input function Methods 0.000 claims description 11
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 10
- 239000001301 oxygen Substances 0.000 claims description 10
- 229910052760 oxygen Inorganic materials 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 230000008859 change Effects 0.000 abstract description 15
- 238000004364 calculation method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000002485 combustion reaction Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000001364 causal effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003546 flue gas Substances 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 239000010813 municipal solid waste Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101100498818 Arabidopsis thaliana DDR4 gene Proteins 0.000 description 1
- 108010074864 Factor XI Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000004056 waste incineration Methods 0.000 description 1
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] or computer integrated manufacturing [CIM]
- G05B19/41865—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] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请实施例提供了一种基于工业过程的控制、模型方法、设备和存储介质。所述方法包括：在工业锅炉运行过程中，获取运行数据和对应的第一主控参数；依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据；将所述输入数据输入到预测模型中，预测设定未来时间点的第二主控参数，以便基于预测的主控参数调节工业锅炉运行；在达到设定未来时间点时，依据所述工业锅炉采集对应的第三主控参数；当所述第三主控参数与所述第二主控参数的差值大于设定阈值时，采用所述运行数据和第三主控参数构成训练样本并对所述预测模型进行更新。能够实现提前多步的准确预测，提高生产安全，并且具备自适应更新能力以及时反映系统特性的变化。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于工业过程的控制方法、一种基于工业过程的预测模型的训练方法、一种电子设备和一种存储介质。
背景技术
工业锅炉是工业使用的锅炉，利用煤、燃油、燃气等燃料的燃烧，产生热量进行处理的。如工业锅炉可包括燃油、燃气锅炉，垃圾焚烧锅炉等。
目前，工业锅炉由于测点位罝和测量环节滞后的影响，主要参数测量值相对控制量存在明显的迟延现象，控制量变化后到主要参数到达新的稳定状态需要经过一个过渡过程。例如：燃烧生成的烟气到达过热器前需要依次经过主燃区、第一烟道、第二烟道、过热器以及每部分之间的烟道，而主汽流量测点位于过热器后，则一二次风等控制量变化后，主汽流量测量值需要经历一定时间的烟气流动、换热后才会产生对应变化，该段迟延时间大概在2-3分钟。即锅炉主要参数的测量值存在滞后，反映的为过去燃烧状况而并非当前燃烧状况，基于此测量值所进行的控制量调节将同样存在滞后性，易造成主参数的大幅波动，影响生产安全。
发明内容
本申请实施例提供了一种基于工业过程的控制方法，以提高生产安全。
相应的，本申请实施例还提供了一种基于工业过程的预测模型的训练方法、一种电子设备和一种存储介质，用以保证上述系统的实现及应用。
为了解决上述问题，本申请实施例公开了一种基于工业过程的控制方法，所述方法包括：
在工业锅炉运行过程中，获取运行数据和对应的第一主控参数；
依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据；
将所述输入数据输入到预测模型中，预测设定未来时间点的第二主控参数，以便基于预测的主控参数调节工业锅炉运行；
在达到设定未来时间点时，依据所述工业锅炉采集对应的第三主控参数；
当所述第三主控参数与所述第二主控参数的差值大于设定阈值时，采用所述运行数据和第三主控参数构成训练样本并对所述预测模型进行更新。
可选的，所述依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据，包括：
对所述第一主控参数和运行数据分别进行归一化处理；
将处理后的第一主控参数和处理后的运行数据进行拼接，得到对应的输入数据。
可选的，所述预测模型通过以下步骤预测设定未来时间点的第二主控参数：
基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据；
基于降维的输入函数进行迭代处理，得到权系数向量；
依据所述权系数向量确定设定未来时间点的第二主控参数。
可选的，所述基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据，包括：
采用输入数据计算核函数矩阵；
根据置信度阈值维度，并基于所述维度确定降维矩阵；
依据所述降维矩阵和核函数矩阵对输入数据进行降维处理，得到降维的输入数据。
可选的，还包括：计算所述采集主控参数与所述预测主控参数的差值，判断所述差值是否大于设定阈值；若所述差值不大于设定阈值，将第二主控参数输出到控制系统中进行后续控制。
可选的，还包括：基于所述设定未来时间点的预测主控参数，对所述工业锅炉的运行进行调整。
可选的，采用所述运行数据和采集主控参数构成训练样本并对所述预测模型进行更新，包括：
依据所述主控参数对运行数据进行输入扩增，得到对应的输入数据；
将设定时间点前的多个输入数据与设定时间点对应的采集主控参数构成多对一的训练样本；
将所述输入模型输入到预测模型中，得到预测主控参数；
基于所述预测主控参数和采集主控参数确定损失函数，基于所述损失函数对所述预测模型进行调整。
可选的，所述运行数据包括：控制数据和测量数据，所述控制数据包括以下至少一种：一次风机频率、二次风机频率、给料炉排周期，所述测量数据包括以下至少一种：炉膛温度、省煤器后氧量、汽包水位；所述主控参数包括：主汽流量、主汽压力、汽包压力。
本申请实施例还公开了一种基于工业过程的预测模型的训练方法，所述方法包括：
获取工业锅炉的历史数据，并从所述历史数据中获取历史运行数据和历史主控参数；
依据所述历史主控参数对所述历史运行数据进行输入扩增，得到对应的输入数据；
基于输入数据对应指定时间点的历史主控参数，构成样本数据；
将所述输入数据输入到预测模型中，预测指定时间点的预测主控参数；
将所述预测主控参数与指定时间点的历史主控参数进行比较，确定对应的损失函数；
依据所述损失函数对所述预测模型进行调整，得到训练完成的预测模型。
可选的，所述预测模型通过以下步骤预测设定指定时间点的预测主控参数：
基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据；
基于降维的输入函数进行迭代处理，得到权系数向量；
依据所述权系数向量确定设定指定时间点的预测主控参数。
可选的，所述基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据，包括：
采用输入数据计算核函数矩阵；
根据置信度阈值维度，并基于所述维度确定降维矩阵；
依据所述降维矩阵和核函数矩阵对输入数据进行降维处理，得到降维的输入数据。
可选的，所述运行数据包括：控制数据和测量数据，所述控制数据包括以下至少一种：一次风机频率、二次风机频率、给料炉排周期，所述测量数据包括以下至少一种：炉膛温度、省煤器后氧量、汽包水位；所述主控参数包括：主汽流量、主汽压力、汽包压力。
本申请实施例还公开了一种电子设备，包括：处理器；和存储器，其上存储有可执行代码，当所述可执行代码被处理器执行时，执行如本申请实施例所述的方法。
本申请实施例还公开了一个或多个机器可读介质，其上存储有可执行代码，当所述可执行代码被处理器执行时，执行如本申请实施例所述的方法。
与现有技术相比，本申请实施例包括以下优点：
本申请实施例中，在工业锅炉运行过程中，获取运行数据和对应的第一主控参数，依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据，将输出数据与影响其变化的输入变量之间的因果关系构建出来，将所述输入数据输入到预测模型中，预测设定未来时间点的第二主控参数，以便基于预测的主控参数调节工业锅炉运行，从而能够实现提前多步的准确预测，提高生产安全；在达到设定未来时间点时，依据所述工业锅炉采集对应的第三主控参数，当所述第三主控参数与所述第二主控参数的差值大于设定阈值时，采用所述运行数据和第三主控参数构成训练样本并对所述预测模型进行更新，具备自适应更新能力以及时反映系统特性的变化。
附图说明
图1是本申请实施例的一种基于工业过程的预测模型的训练方法实施例的步骤流程图；
图2是本申请的一种基于工业过程的控制方法实施例的步骤流程图；
图3是本申请的一种基于工业过程的预测效果示例的示意图；
图4是本申请的一种基于工业过程的控制方法的可选实施例的步骤流程图；
图5是本申请实施例的另一种基于工业过程的控制方法实施例的步骤流程图；
图6是本申请实施例的另一种基于工业过程的预测模型的训练方法实施例的步骤流程图；
图7是本申请一个实施例提供的示例性装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
本申请实施例可以应用于工业锅炉等工业生产场景中，在工业生成过程中，有些参数的测量和调节可能存在滞后性而影响生产安全。本申请实施例提供了一种预测模型，对锅炉主要参数预测模型的在线更新，建立自适应模型以应对锅炉的时变特性。
本申请实施例对工业锅炉建立预测模型，对主汽流量、主汽压力、汽包压力等主控参数进行预测。可以预先基于历史数据训练得到初始预测模型，然后采用训练得到的预测模型与实时数据进行工业锅炉运行过程的预测，并将预测结果与对应时刻的实际输出进行比较，如果差异较大则可重新基于该预测结果和实际输出更新该预测模型，从而实现自适应的在线更新。
预测模型可通过如下训练过程构建：
步骤102，获取工业锅炉的历史数据，并从所述历史数据中获取历史运行数据和历史主控参数。
可以获取工业锅炉的历史数据，例如基于厂级监管信息系统(SupervisoryInformation System，SIS)采集历史运行的各种数据，包括一次风机频率、二次风机频率、给料炉排周期等控制数据，以及炉膛温度、省煤器后氧量、汽包水位等测量数据。然后可以对历史数据进行预处理，预处理包括数据清洗和筛选等操作，例如可先对历史数据进行处理，去除空值、坏值、异常值等，然后时间均匀化处理，其中，各测量数据、控制数据对应的时间范围可能不同，如有些数据是每分钟测量，有些数据是每4分钟测量，因此可执行时间均匀化处理。还可根据主汽流量剔除非正常运行工况段的数据等。
然后可以从历史数据中获取各时间点对应的历史运行数据和历史主控参数。本申请实施例中，运行数据包括：控制数据和测量数据，所述控制数据包括以下至少一种：一次风机频率、二次风机频率、给料炉排周期，所述测量数据包括以下至少一种：炉膛温度、省煤器后氧量、汽包水位；所述主控参数包括：主汽流量、主汽压力、汽包压力。
步骤104，依据所述历史主控参数对所述历史运行数据进行输入扩增，得到对应的输入数据。
由于工业锅炉的具有较大的滞后特性，当前输出测量值的变化受过去时刻输入量的影响，而非当前时间影响。因此为了提高预测的准确性，本申请实施例进行输入扩增，将历史一段时间内输入变量和输出变量的采样值也作为模型输入。即历史运行数据为基础的输入变量，获取该历史运行数据的相同时间点的历史主控参数，采用同一时间点的历史主控参数对历史运行数据进行输入扩增，得到输入数据。
其中，所述依据所述历史主控参数对所述历史运行数据进行输入扩增，得到对应的输入数据，包括：对所述历史主控参数和历史运行数据分别进行归一化处理；将处理后的历史主控参数和处理后的历史运行数据进行拼接，得到对应的输入数据。本申请实施例还可对输入数据进行归一化处理，可将历史主控参数和历史运行数据分别进行归一化处理，从而便于不同量级的数据进行比较和加权，采用归一化的方法将有量纲变量转化为无量纲，然后可将处理后的历史主控参数和处理后的历史运行数据进行拼接，得到对应的输入数据。在一个示例中，可采用最大-最小归一化(Min-Max Normalization)方式，把数据归到[0,1]范围内，如公式1所示：
其中，x,x*分别为归一化前后的变量值，xmax为样本数据的最大值，xmin为样本数据的最小值。
在另外一些示例中，也可采用其他方式进行归一化处理，本申请实施例对此不做限制。
步骤106，基于输入数据对应指定时间点的历史主控参数，构成样本数据。
本申请实施例还可进行输出匹配，确定输入数据的时间点，基于该时间点确定指定时间点，如该时间点之后T步的时间点，可以将历史输入数据之后T步的时间点对应的历史主控参数构成多对一的训练样本形式，从而得到样本数据。
本申请实施例可在原始数据集中将扩增后的输入与对应T步后的输出进行匹配，构成多对一的训练样本形式。然后还可对样本数据进行筛选，筛选各个工况下的样本，使样本总数与所设模型样本数M一致。
步骤108，将所述输入数据输入到预测模型中，预测指定时间点的预测主控参数。
在确定出样本数据后，可将样本数据中输入数据输入到预测模型中进行处理，预测指定时间点的预测主控参数。
本申请实施例中，可通过核函数进行降维，并打通迭代链路，缩小迭代处理的运行时间。一个可选实施例中，所述预测模型通过以下步骤预测设定指定时间点的预测主控参数：基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据；基于降维的输入函数进行迭代处理，得到权系数向量；依据所述权系数向量确定设定指定时间点的预测主控参数。所述基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据，包括：采用输入数据计算核函数矩阵；根据置信度阈值维度，并基于所述维度确定降维矩阵；依据所述降维矩阵和核函数矩阵对输入数据进行降维处理，得到降维的输入数据。
在一个示例中，核函数可采用主成分分析(Principal Component Analysis，PCA)，是一种使用最广泛的数据降维算法。PCA通过线性变换将原始数据(n维特征)变换为一组各维度(k维特征)线性无关的数据，其中，k维特征是全新的正交特征也被称为主成分。可采用加权最小二乘支持向量回归(WLS-SVR)构建预测模型，并采用核函数PCA降维，并打通迭代链路，把WLS-SVR方法推广到非线性回归问题。还可采用权重最小二乘方法使迭代过程中各样本点满足KKT条件。可采用如下步骤计算：
1)通过训练样本计算核函数矩阵KN＝ΦNΦN T，并对其进行奇异值分解(SVD)；其中核函数采用高斯核函数，其计算公式2如下：
其中，xi,xj为数据集中的输入数据，σ为核参数。
2)根据设置的置信度阈值确定主成分的维度R，并得到主成分降维矩阵VR；
3)将训练样本投影到降维后的空间上，得
其中，KN为步骤1)中所得核函数矩阵，VR为步骤2)中所得主成分降维矩阵。
4)开始IQP算法迭代，初始化γ+[k]＝β，γ-[k]＝0，首次迭代周期时k取为1；
其中，γ为样本拉式乘子与松弛因子的比值，其计算公式如公式10、11所示，k为当前迭代次数，β为配置的初始值。
5)根据式下式计算权系数向量ω[k]；
其中，XΦ＝[Φ(x1),Φ(x1),…,Φ(xl)]，1l×l和1l×1分别表示l×l和l×1的元素全为1的矩阵。
6)根据下式计算新的权系数对应的松弛因子ξi +[k+1]和ξi -[k+1]：
其中，yi为数据集中的输出数据，b为模型残差参数，ε为不敏感系数。
7)根据下式求拉式乘子λi +[k]和λi -[k]：
其中，C为惩罚系数。
根据下式更新γ+[k]和γ-[k]：
8)若k＝1或‖ω[k]-ω[k-1]‖2>κ1(κ1为设置的停止训练阈值)，令k＝k+1，回到步骤5开始下一周期迭代；否则结束循环，输出权系数向量ω[k]作为最终模型参数，模型f可表示为下述形式：
f(xi)＝ωT·Φ(xi)+b
＝ωT·ΦN TVRVR TΦN·Φ(xi)+b
＝ωR T·(VR TΦN·Φ(xi))+b 公式12
其中，VR TΦN·Φ(xi)为R×1维向量，通过上述PCA方法构造出高维映射函数的内积形式，从而能够通过核函数计算。对应降维后的高维映射函数，其最终求得的权重系数ωR为1×R维向量。
从而可通过预测模型得到T时间的预测主控参数。
步骤110，将所述预测主控参数与指定时间点的历史主控参数进行比较，确定对应的损失函数。
然后可将T时间(即指定时间点)的预测主控参数与该T时间点的历史主控参数进行比较，确定相应的损失函数。
步骤112，依据所述损失函数对所述预测模型进行调整，得到训练完成的预测模型。
再基于该损失函数对所述预测模型进行调整，通过多次迭代处理，直到预测模型预测的主控参数满足条件，得到训练完成的预测模型。
基于上述步骤对预测模型进行训练，计算速度较快。
本申请实施例的模型训练、处理过程计算速度快，因此还可将该方法用于在线运行时的全量自适应更新，解决了常规全量更新方式计算效率低、难以在线应用的问题。通过在线全量自适应更新，对模型准确度进行实时监测及更新，保证长期运行的情况下模型仍能够保持较高的预测精度。
参照图2，示出了本申请的一种基于工业过程的控制方法实施例的步骤流程图。
步骤202，在工业锅炉运行过程中，获取运行数据和对应的第一主控参数。
可以在工业锅炉运行过程中采集各种数据，包括运行数据、主控参数等。所述运行数据包括：控制数据和测量数据，所述控制数据包括以下至少一种：一次风机频率、二次风机频率、给料炉排周期，所述测量数据包括以下至少一种：炉膛温度、省煤器后氧量、汽包水位；所述主控参数包括：主汽流量、主汽压力、汽包压力。
步骤204，依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据。
依据所述主控参数对运行数据进行输入扩增，为了便于区分，将作输入扩增的主控参数称为第一主控参数，第一主控参数为与输入的运行数据处于同一时间点的主控参数。将预测的未来T时间点的主控参数称为第二主控参数，将T时间点的实际主控参数称为第三主控参数。因此可将同一时间点的第一主控参数和运行数据构成输入数据。
一个可选实施例中，所述依据所述主控参数对运行数据进行输入扩增，得到对应的输入数据，包括：对所述第一主控参数和运行数据分别进行归一化处理；将处理后的第一主控参数和处理后的运行数据进行拼接，得到对应的输入数据。可以对第一主控参数和运行数据分别进行归一化处理，从而便于不同量级的数据进行比较和加权，采用归一化的方法将有量纲变量转化为无量纲，然后可将处理后的第一主控参数和处理后的运行数据进行拼接，得到对应的输入数据。在一个示例中，可采用最大-最小归一化方式，把数据归到[0,1]范围内，从而得到预测模型的输入数据X(t)。
针对锅炉的大时滞特性，本方案采用输入扩增与输出匹配的方式，一方面进行输入扩增，将历史一段时间内输入变量的采样值X(t-m),X(t-m+1),…,X(t-n)和输出变量的采样值y(t-m),y(t-m+1),…,y(t-n)也作为模型输入；另一方面须进行输出匹配，在原始数据集中将扩增后的输入与对应T步后的输出y(t+T)进行匹配，构成多对一的训练样本形式。基于该方式，将输出y(t+T)与影响其变化的输入变量之间的因果关系构建出来，从而能够实现提前T步的预测。
步骤206，将输入数据输入到预测模型中，预测设定未来时间点的第二主控参数，以便基于预测的主控参数调节工业锅炉运行。
将输入数据X(t)输入到预测模型中，预测设定未来时间点T的第二主控参数，
并记录。
一个可选实施例中，所述预测模型通过以下步骤预测设定未来时间点的第二主控参数：基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据；基于降维的输入函数进行迭代处理，得到权系数向量；依据所述权系数向量确定设定未来时间点的第二主控参数。所述基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据，包括：采用输入数据计算核函数矩阵；根据置信度阈值维度，并基于所述维度确定降维矩阵，依据所述降维矩阵和核函数矩阵对输入数据进行降维处理，得到降维的输入数据。该过程与上述模型训练过程中对应过程类似，因此不再赘述。
以基于WLS-SVR的预测模型训练与更新为例，与基于二次规划的常规SVR解法相比，WLS-SVR算法在迭代框架下进行了两点改进：一是采用权重最小二乘方法使迭代过程中各样本点满足KKT条件；二是采用核函数PCA降维，并打通迭代链路，把WLS-SVR方法推广到非线性回归问题。因此，整个迭代算法运行时间较短，所以在线运行时可以采取全量更新策略，即根据最近时段数据重新构建训练样本。由于计算速度快，从而能够将该方法用于在线运行时的全量自适应更新，解决了常规全量更新方式计算效率低、难以在线应用的问题。通过在线全量自适应更新，对模型准确度进行实时监测及更新，保证长期运行的情况下模型仍能够保持较高的预测精度。
步骤208，在达到设定未来时间点时，依据所述工业锅炉采集对应的第三主控参数。
本申请实施例执行在线的自适应更新，因此在达到设定未来时间点T时，可以采集该工业锅炉对应的第三主控参数y(t)，即一次风机频率、二次风机频率、给料炉排周期等。
步骤210，当所述第三主控参数与所述第二主控参数的差值大于设定阈值时，采用所述运行数据和第三主控参数构成训练样本并对所述预测模型进行更新。
将第三主控参数y(t)与T步前对应模型预测的第二主控参数
进行比较，计算两者的差值。若差值大于设定阈值，则判定为模型失配，采用所述运行数据和第三主控参数构成对所述预测模型进行更新，若所述差值不大于设定阈值，则判定模型准确，将第二主控参数
输出到控制系统中进行后续控制。然后继续下一周期的计算。
本申请实施例中，可通过预测模型预测未来时间点的主控参数，因此能够为工业生产过程提供更有价值的参考。还可基于所述设定未来时间点的预测主控参数，对所述工业锅炉的运行进行调整，如可以确定后续燃料的数量等。
其中，采用所述运行数据和第三主控参数构成对所述预测模型进行更新，包括：依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据；将所述输入数据与设定时间点对应的第三主控参数构成多对一的训练样本；将所述输入模型输入到预测模型中，得到第四主控参数；基于所述第四主控参数和第三主控参数确定损失函数，基于所述损失函数对所述预测模型进行调整。在另外一些实施例中，也可直接基于第三主控参数和第二主控参数确定损失函数，基于所述损失函数对所述预测模型进行调整。
该过程与上述模型训练过程类似，因此不再赘述。
综上，在工业锅炉运行过程中，获取运行数据和对应的第一主控参数，依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据，将输出数据与影响其变化的输入变量之间的因果关系构建出来，将所述输入数据输入到预测模型中，预测设定未来时间点的第二主控参数，以便基于预测的主控参数调节工业锅炉运行，从而能够实现提前多步的准确预测，提高生产安全；在达到设定未来时间点时，依据所述工业锅炉采集对应的第三主控参数，当所述第三主控参数与所述第二主控参数的差值大于设定阈值时，采用所述运行数据和第三主控参数构成训练样本并对所述预测模型进行更新，需要具备自适应更新能力以及时反映系统特性的变化。
与传统单步预测建模方式相比，本方案采用输入扩增与输出匹配的方式进行多步提前预测，能够克服传统方式中预测结果跟随上一时刻输出的问题，建立合理的反映输入输出因果关系的模型，且提前多步的预测结果能够为控制系统提供更有价值的参考。将本方案用于某厂主蒸汽流量预测模型的构建，通过该厂历史运行数据(如推料行程、推料动作、一次风量、一次风压、二次风量、炉膛温度、烟气含氧量、给水流量、汽包液位、主蒸汽压力等数十个运行参数)建立了蒸汽量预测模型，其预测效果如图3所示。可见，预测曲线相较实际曲线存在T＝180s的提前量，即预测模型可基本准确的预测未来180s后的蒸汽量，为后续蒸汽量走势预估与控制量决策提供了有效依据，减缓了燃料热值不确定性和大时滞带来的蒸汽量波动大难以有效控制的影响。
在上述实施例的基础上，本申请实施例提供了一种自适应在线更新的基于工业过程的控制方法，如图4所示：
步骤402，在工业锅炉运行过程中，获取运行数据和对应的第一主控参数。
步骤404，对所述第一主控参数和运行数据分别进行归一化处理。
步骤406，将处理后的第一主控参数和处理后的运行数据进行拼接，得到对应的输入数据。
步骤408，将所述输入数据输入到预测模型中，预测设定未来时间点的第二主控参数。
其中，所述预测模型通过以下步骤预测设定未来时间点的第二主控参数：基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据；基于降维的输入函数进行迭代处理，得到权系数向量；依据所述权系数向量确定设定未来时间点的第二主控参数。所述基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据，包括：采用输入数据计算核函数矩阵；根据置信度阈值维度，并基于所述维度确定降维矩阵，依据所述降维矩阵和核函数矩阵对输入数据进行降维处理，得到降维的输入数据。
步骤410，在达到设定未来时间点时，依据所述工业锅炉采集对应的第三主控参数。
步骤412，计算所述采集主控参数与所述预测主控参数的差值，判断所述差值是否大于设定阈值。
若否，执行步骤414，若是，执行步骤416,。
步骤414，将第二主控参数输出到控制系统中进行后续控制。
若所述差值不大于设定阈值，将第二主控参数输出到控制系统中进行后续控制。基于所述设定未来时间点的预测主控参数，对所述工业锅炉的运行进行调整。
步骤416，采用所述运行数据和第三主控参数构成训练样本。
其中，依据所述主控参数对运行数据进行输入扩增，得到对应的输入数据；将设定时间点前的多个输入数据与设定时间点对应的采集主控参数构成多对一的训练样本。
步骤418，将所述输入模型输入到预测模型中，得到第四主控参数。
步骤420，基于所述第四主控参数和第三主控参数确定损失函数，基于所述损失函数对所述预测模型进行调整。
以垃圾焚烧炉为例，垃圾性质变化、设备老化以及受热面积灰，都会导致锅炉燃烧系统的特性随时间发生变化，现有在模型长期应用于工业现场时会出现模型失配的问题，且模型对初始训练样本数据的依赖程度高，泛化能力低、抗扰能力弱，不适用于长期在线运行。因此，本申请实施例建立了具备自适应更新能力以及时反映系统特性的变化的预测模型，可以对锅炉主要参数预测模型的在线更新算法进行研究，建立自适应模型以应对锅炉的时变特性。
本申请实施例借助数据驱动优势，结合工业过程原理，开发了一种工业锅炉主要运行参数预测模型构建方法。所建立的固废焚烧炉主要参数预测模型，可根据当前运行参数，准确预测2-3分钟后的主要参数变化趋势，包括主汽流量、主汽压力、尾气污染物浓度等。该预测模型的预测结果与控制算法相结合，根据主要参数未来变化趋势指导控制系统提前动作，能够缓解大延迟、大惯性及模型不确定性造成的控制性能不佳、运行参数波动大的问题，实现垃圾焚烧炉的智能自动控制。
上述实施例主要以工业锅炉的生产过程为例进行论述，实际在其他工业生产过程中，也存在测点位罝和测量环节滞后的影响，主要参数测量值相对控制量存在明显的迟延现象，如原料生产加工过程、能源生产过程等，导致预测不准确，影响生产安全的问题。
参照图5，示出了本申请的另一个于工业过程的控制方法实施例的步骤流程图。
步骤502，在工业设备的运行过程，获取运行数据和对应的第一主控参数。
步骤504，依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据。
所述依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据，包括：对所述第一主控参数和运行数据分别进行归一化处理；将处理后的第一主控参数和处理后的运行数据进行拼接，得到对应的输入数据。
步骤506，将所述输入数据输入到预测模型中，预测设定未来时间点的第二主控参数，以便基于预测的主控参数调节工业锅炉运行。
所述预测模型通过以下步骤预测设定未来时间点的第二主控参数：基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据；基于降维的输入函数进行迭代处理，得到权系数向量；依据所述权系数向量确定设定未来时间点的第二主控参数。所述基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据，包括：采用输入数据计算核函数矩阵；根据置信度阈值维度，并基于所述维度确定降维矩阵，依据所述降维矩阵和核函数矩阵对输入数据进行降维处理，得到降维的输入数据。
步骤508，在达到设定未来时间点时，依据所述工业锅炉采集对应的第三主控参数。
计算所述采集主控参数与所述预测主控参数的差值，判断所述差值是否大于设定阈值；若所述差值不大于设定阈值，将第二主控参数输出到控制系统中进行后续控制。基于所述设定未来时间点的预测主控参数，对所述工业锅炉的运行进行调整。
步骤510，当所述第三主控参数与所述第二主控参数的差值大于设定阈值时，采用所述运行数据和第三主控参数构成训练样本并对所述预测模型进行更新。
采用所述运行数据和第三主控参数构成训练样本并对所述预测模型进行更新，包括：依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据；将所述输入数据与设定时间点对应的第三主控参数构成多对一的训练样本；将所述输入模型输入到预测模型中，得到第四主控参数；基于所述第四主控参数和第三主控参数确定损失函数，基于所述损失函数对所述预测模型进行调整。
所述运行数据包括：控制数据和测量数据，所述控制数据包括以下至少一种：一次风机频率、二次风机频率、给料炉排周期，所述测量数据包括以下至少一种：炉膛温度、省煤器后氧量、汽包水位；所述主控参数包括：主汽流量、主汽压力、汽包压力。
参照图6，示出了本申请的另一种基于工业过程的预测模型的训练方法实施例的步骤流程图。
步骤602，获取工业设备生产过程的历史数据，并从所述历史数据中获取历史运行数据和历史主控参数。
步骤604，依据所述历史主控参数对所述历史运行数据进行输入扩增，得到对应的输入数据。
步骤606，基于输入数据对应指定时间点的历史主控参数，构成样本数据。
步骤608，将所述输入数据输入到预测模型中，预测指定时间点的预测主控参数。
所述预测模型通过以下步骤预测设定指定时间点的预测主控参数：基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据；基于降维的输入函数进行迭代处理，得到权系数向量；依据所述权系数向量确定设定指定时间点的预测主控参数。
所述基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据，包括：采用输入数据计算核函数矩阵；根据置信度阈值维度，并基于所述维度确定降维矩阵；依据所述降维矩阵和核函数矩阵对输入数据进行降维处理，得到降维的输入数据。
步骤610，将所述预测主控参数与指定时间点的历史主控参数进行比较，确定对应的损失函数。
步骤612，依据所述损失函数对所述预测模型进行调整，得到训练完成的预测模型。
本申请实施例建立了具备自适应更新能力以及时反映系统特性的变化的预测模型，可以对工业设备主要参数预测模型的在线更新算法进行研究，建立自适应模型以应对锅炉的时变特性。
本申请各实施例中，如果涉及到用户信息，均在得到用户的授权允许后进行采集、使用及存储，各类基于用户信息的操作也在得到用户授权允许后执行。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
在上述实施例的基础上，本实施例还提供了一种基于工业过程的控制装置，应用于服务端的电子设备中。
输入处理模块，用于在工业锅炉运行过程中，获取运行数据和对应的第一主控参数；依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据；
预测模块，用于将所述输入数据输入到预测模型中，预测设定未来时间点的第二主控参数，以便基于预测的主控参数调节工业锅炉运行；
更新判断模块，用于在达到设定未来时间点时，依据所述工业锅炉采集对应的第三主控参数；
更新模块，用于当所述第三主控参数与所述第二主控参数的差值大于设定阈值时，采用所述运行数据和第三主控参数构成训练样本并对所述预测模型进行更新。
综上，在工业锅炉运行过程中，获取运行数据和对应的第一主控参数，依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据，将输出数据与影响其变化的输入变量之间的因果关系构建出来，将所述输入数据输入到预测模型中，预测设定未来时间点的第二主控参数，以便基于预测的主控参数调节工业锅炉运行，从而能够实现提前多步的准确预测，提高生产安全；在达到设定未来时间点时，依据所述工业锅炉采集对应的第三主控参数，当所述第三主控参数与所述第二主控参数的差值大于设定阈值时，采用所述运行数据和第三主控参数构成训练样本并对所述预测模型进行更新，需要具备自适应更新能力以及时反映系统特性的变化。
所述输入处理模块，用于对所述第一主控参数和运行数据分别进行归一化处理；将处理后的第一主控参数和处理后的运行数据进行拼接，得到对应的输入数据。
所述预测模块，用于基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据；基于降维的输入函数进行迭代处理，得到权系数向量；依据所述权系数向量确定设定未来时间点的第二主控参数。
所述预测模块，用于采用输入数据计算核函数矩阵；根据置信度阈值维度，并基于所述维度确定降维矩阵，依据所述降维矩阵和核函数矩阵对输入数据进行降维处理，得到降维的输入数据。
所述更新判断模块，还用于计算所述第三主控参数与所述第二主控参数的差值，判断所述差值是否大于设定阈值；若所述差值不大于设定阈值，将第二主控参数输出到控制系统中进行后续控制。
所述更新判断模块，还用于基于所述设定未来时间点的第二主控参数，对所述工业锅炉的运行进行调整。
所述更新模块，用于依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据；将所述输入数据与设定时间点对应的第三主控参数构成多对一的训练样本；将所述输入模型输入到预测模型中，得到第四主控参数；基于所述第四主控参数和第三主控参数确定损失函数，基于所述损失函数对所述预测模型进行调整。
其中，所述运行数据包括：控制数据和测量数据，所述控制数据包括以下至少一种：一次风机频率、二次风机频率、给料炉排周期，所述测量数据包括以下至少一种：炉膛温度、省煤器后氧量、汽包水位；所述主控参数包括：主汽流量、主汽压力、汽包压力。
在上述实施例的基础上，本申请实施例还提供了一种基于工业过程的预测模型的训练装置，应用于服务端的电子设备中。
样本确定模块，用于获取工业锅炉的历史数据，并从所述历史数据中获取历史运行数据和历史主控参数；依据所述历史主控参数对所述历史运行数据进行输入扩增，得到对应的输入数据；基于输入数据对应指定时间点的历史主控参数，构成样本数据；
模型处理模块，用于将所述输入数据输入到预测模型中，预测指定时间点的预测主控参数；
模型调整模块，用于将所述预测主控参数与指定时间点的历史主控参数进行比较，确定对应的损失函数；依据所述损失函数对所述预测模型进行调整，得到训练完成的预测模型。
本申请实施例的模型训练、处理过程计算速度快，因此还可将该方法用于在线运行时的全量自适应更新，解决了常规全量更新方式计算效率低、难以在线应用的问题。通过在线全量自适应更新，对模型准确度进行实时监测及更新，保证长期运行的情况下模型仍能够保持较高的预测精度。
所述模型处理模块，用于基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据；基于降维的输入函数进行迭代处理，得到权系数向量；依据所述权系数向量确定设定指定时间点的预测主控参数。
所述模型处理模块，用于采用输入数据计算核函数矩阵；根据置信度阈值维度，并基于所述维度确定降维矩阵；依据所述降维矩阵和核函数矩阵对输入数据进行降维处理，得到降维的输入数据。
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例中各方法步骤的指令(instructions)。
本申请实施例提供了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得电子设备执行如上述实施例中一个或多个所述的方法。本申请实施例中，所述电子设备包括服务器、终端设备等设备。
本公开的实施例可被实现为使用任意适当的硬件，固件，软件，或及其任意组合进行想要的配置的装置，该装置可包括服务器(集群)、终端等电子设备。图7示意性地示出了可被用于实现本申请中所述的各个实施例的示例性装置700。
对于一个实施例，图7示出了示例性装置700，该装置具有一个或多个处理器702、被耦合到(一个或多个)处理器702中的至少一个的控制模块(芯片组)704、被耦合到控制模块704的存储器706、被耦合到控制模块704的非易失性存储器(NVM)/存储设备708、被耦合到控制模块704的一个或多个输入/输出设备710，以及被耦合到控制模块704的网络接口712。
处理器702可包括一个或多个单核或多核处理器，处理器702可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中，装置700能够作为本申请实施例中所述服务端、终端等设备。
在一些实施例中，装置700可包括具有指令714的一个或多个计算机可读介质(例如，存储器706或NVM/存储设备708)以及与该一个或多个计算机可读介质相合并被配置为执行指令714以实现模块从而执行本公开中所述的动作的一个或多个处理器702。
对于一个实施例，控制模块704可包括任意适当的接口控制器，以向(一个或多个)处理器702中的至少一个和/或与控制模块704通信的任意适当的设备或组件提供任意适当的接口。
控制模块704可包括存储器控制器模块，以向存储器706提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器706可被用于例如为装置700加载和存储数据和/或指令714。对于一个实施例，存储器706可包括任意适当的易失性存储器，例如，适当的DRAM。在一些实施例中，存储器706可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例，控制模块704可包括一个或多个输入/输出控制器，以向NVM/存储设备708及(一个或多个)输入/输出设备710提供接口。
例如，NVM/存储设备708可被用于存储数据和/或指令714。NVM/存储设备708可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备708可包括作为装置700被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备708可通过网络经由(一个或多个)输入/输出设备710进行访问。
(一个或多个)输入/输出设备710可为装置700提供接口以与任意其他适当的设备通信，输入/输出设备710可以包括通信组件、音频组件、传感器组件等。网络接口712可为装置700提供接口以通过一个或多个网络通信，装置700可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入基于通信标准的无线网络，如WiFi、2G、3G、4G、5G等，或它们的组合进行无线通信。
对于一个实施例，(一个或多个)处理器702中的至少一个可与控制模块704的一个或多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器702中的至少一个可与控制模块704的一个或多个控制器的逻辑封装在一起以形成系统级封装(SiP)。对于一个实施例，(一个或多个)处理器702中的至少一个可与控制模块704的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器702中的至少一个可与控制模块704的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中，装置700可以但不限于是：服务器、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，装置700可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，装置700包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
其中，检测装置中可采用主控芯片作为处理器或控制模块，传感器数据、位置信息等存储到存储器或NVM/存储设备中，传感器组可作为输入/输出设备，通信接口可包括网络接口。
本申请实施例还提供了一种电子设备，包括：处理器；和存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如本申请实施例中一个或多个所述的方法。本申请实施例中存储器中可存储各种数据，如目标文件、文件与应用关联数据等各种数据，还可包括用户行为数据等，从而为各种处理提供数据基础。
本申请实施例还提供了一个或多个机器可读介质，其上存储有可执行代码，当所述可执行代码被执行时，使得处理器执行如本申请实施例中一个或多个所述的方法。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本申请实施例是参照根据本申请实施例的方法、终端设备(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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种基于工业过程的控制方法、一种基于工业过程的预测模型的训练方法、一种电子设备和一种存储介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (14)
1.一种基于工业过程的控制方法，其特征在于，所述方法包括：
在工业锅炉运行过程中，获取运行数据和对应的第一主控参数；
依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据；
将所述输入数据输入到预测模型中，预测设定未来时间点的第二主控参数，以便基于预测的主控参数调节工业锅炉运行；
在达到设定未来时间点时，依据所述工业锅炉采集对应的第三主控参数；
当所述第三主控参数与所述第二主控参数的差值大于设定阈值时，采用所述运行数据和第三主控参数构成训练样本并对所述预测模型进行更新。
2.根据权利要求1所述的方法，其特征在于，所述依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据，包括：
对所述第一主控参数和运行数据分别进行归一化处理；
将处理后的第一主控参数和处理后的运行数据进行拼接，得到对应的输入数据。
3.根据权利要求1所述的方法，其特征在于，所述预测模型通过以下步骤预测设定未来时间点的第二主控参数：
基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据；
基于降维的输入函数进行迭代处理，得到权系数向量；
依据所述权系数向量确定设定未来时间点的第二主控参数。
4.根据权利要求3所述的方法，其特征在于，所述基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据，包括：
采用输入数据计算核函数矩阵；
根据置信度阈值维度，并基于所述维度确定降维矩阵；
依据所述降维矩阵和核函数矩阵对输入数据进行降维处理，得到降维的输入数据。
5.根据权利要求1所述的方法，其特征在于，还包括：
计算所述第三主控参数与所述第二主控参数的差值，判断所述差值是否大于设定阈值；
若所述差值不大于设定阈值，将第二主控参数输出到控制系统中进行后续控制。
6.根据权利要求1所述的方法，其特征在于，还包括：
基于所述设定未来时间点的第二主控参数，对所述工业锅炉的运行进行调整。
7.根据权利要求1所述的方法，其特征在于，采用所述运行数据和第三主控参数构成训练样本并对所述预测模型进行更新，包括：
依据所述第一主控参数对运行数据进行输入扩增，得到对应的输入数据；
将所述输入数据与设定时间点对应的第三主控参数构成多对一的训练样本；
将所述输入模型输入到预测模型中，得到第四主控参数；
基于所述第四主控参数和第三主控参数确定损失函数，基于所述损失函数对所述预测模型进行调整。
8.根据权利要求1-7任一所述的方法，其特征在于，所述运行数据包括：控制数据和测量数据，所述控制数据包括以下至少一种：一次风机频率、二次风机频率、给料炉排周期，所述测量数据包括以下至少一种：炉膛温度、省煤器后氧量、汽包水位；所述主控参数包括：主汽流量、主汽压力、汽包压力。
9.一种基于工业过程的预测模型的训练方法，其特征在于，所述方法包括：
获取工业锅炉的历史数据，并从所述历史数据中获取历史运行数据和历史主控参数；
依据所述历史主控参数对所述历史运行数据进行输入扩增，得到对应的输入数据；
基于输入数据对应指定时间点的历史主控参数，构成样本数据；
将所述输入数据输入到预测模型中，预测指定时间点的预测主控参数；
将所述预测主控参数与指定时间点的历史主控参数进行比较，确定对应的损失函数；
依据所述损失函数对所述预测模型进行调整，得到训练完成的预测模型。
10.根据权利要求9所述的方法，其特征在于，所述预测模型通过以下步骤预测设定指定时间点的预测主控参数：
基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据；
基于降维的输入函数进行迭代处理，得到权系数向量；
依据所述权系数向量确定设定指定时间点的预测主控参数。
11.根据权利要求10所述的方法，其特征在于，所述基于核函数矩阵对输入数据进行降维处理，得到降维的输入数据，包括：
采用输入数据计算核函数矩阵；
根据置信度阈值维度，并基于所述维度确定降维矩阵；
依据所述降维矩阵和核函数矩阵对输入数据进行降维处理，得到降维的输入数据。
12.根据权利要求9-11任一所述的方法，其特征在于，所述运行数据包括：控制数据和测量数据，所述控制数据包括以下至少一种：一次风机频率、二次风机频率、给料炉排周期，所述测量数据包括以下至少一种：炉膛温度、省煤器后氧量、汽包水位；所述主控参数包括：主汽流量、主汽压力、汽包压力。
13.一种电子设备，包括：处理器；
和存储器，其上存储有可执行代码，当所述可执行代码被处理器执行时，执行如权利要求1-12中任一项所述的方法。
14.一个或多个机器可读介质，其上存储有可执行代码，当所述可执行代码被处理器执行时，执行如权利要求1-12中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210675334.3A CN115129005A (zh) | 2022-06-15 | 2022-06-15 | 基于工业过程的控制、模型方法、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210675334.3A CN115129005A (zh) | 2022-06-15 | 2022-06-15 | 基于工业过程的控制、模型方法、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115129005A true CN115129005A (zh) | 2022-09-30 |
Family
ID=83378466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210675334.3A Pending CN115129005A (zh) | 2022-06-15 | 2022-06-15 | 基于工业过程的控制、模型方法、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115129005A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115982533A (zh) * | 2023-01-09 | 2023-04-18 | 浙江中智达科技有限公司 | 一种工业控制器降维方法、装置、设备及存储介质 |
| CN116165911A (zh) * | 2023-04-19 | 2023-05-26 | 深圳市吉方工控有限公司 | 智能家居控制方法、装置、嵌入式工控设备及介质 |
-
2022
- 2022-06-15 CN CN202210675334.3A patent/CN115129005A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115982533A (zh) * | 2023-01-09 | 2023-04-18 | 浙江中智达科技有限公司 | 一种工业控制器降维方法、装置、设备及存储介质 |
| CN116165911A (zh) * | 2023-04-19 | 2023-05-26 | 深圳市吉方工控有限公司 | 智能家居控制方法、装置、嵌入式工控设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115129005A (zh) | 基于工业过程的控制、模型方法、设备和存储介质 | |
| Jin et al. | Multiple model LPV approach to nonlinear process identification with EM algorithm | |
| CN109992921B (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
| CN110285403A (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
| CN101995822A (zh) | 一种大时滞系统的灰色自抗扰控制方法 | |
| CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
| CN108628288B (zh) | 一种用于一阶时滞组合积分控制系统的性能评价方法 | |
| CN111006240B (zh) | 一种生物质锅炉炉膛温度和负荷预测方法 | |
| CN112365045A (zh) | 一种基于大数据的主蒸汽温度智能预测方法 | |
| CN103246279A (zh) | 一种存在执行阀粘滞特性的化工过程的控制性能评估方法 | |
| WO2019051963A1 (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
| Tang et al. | A deep learning model for measuring oxygen content of boiler flue gas | |
| CN107085371A (zh) | 基于数据驱动的原油蒸馏装置经济模型预测控制方法 | |
| CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
| CN116485041A (zh) | 一种燃气数据的异常检测方法及装置 | |
| Huang et al. | Attention-augmented recalibrated and compensatory network for machine remaining useful life prediction | |
| Bao et al. | Multivariate linear-regression variable parameter spatio-temporal zoning model for temperature prediction in steel rolling reheating furnace | |
| CN115290218A (zh) | 一种火力发电机组锅炉水冷壁壁温的软测量方法与系统 | |
| CN115014454A (zh) | 一种火电机组主蒸汽流量软测量方法、系统、设备及介质 | |
| Chaibakhsh | Modelling and long-term simulation of a heat recovery steam generator | |
| US20240191871A1 (en) | Artificial intelligence-based optimal air damper control system and method for increasing energy efficiency of industrial boilers | |
| CN111459030B (zh) | 一种用于锅炉闭环燃烧优化的自适应建模方法 | |
| JP6319164B2 (ja) | 積分系プロセス動特性自動同定装置 | |
| Li et al. | Supervisory predictive control of weighted least square support vector machine based on Cauchy distribution | |
| CN111503656B (zh) | 一种生活垃圾燃烧发电优化系统、方法及存储介质 |
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 |