CN115373278A - 基于数字孪生驱动的工控业务异常预测响应系统和方法 - Google Patents

基于数字孪生驱动的工控业务异常预测响应系统和方法 Download PDF

Info

Publication number
CN115373278A
CN115373278A CN202211311961.5A CN202211311961A CN115373278A CN 115373278 A CN115373278 A CN 115373278A CN 202211311961 A CN202211311961 A CN 202211311961A CN 115373278 A CN115373278 A CN 115373278A
Authority
CN
China
Prior art keywords
industrial control
module
control
digital twin
process output
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.)
Granted
Application number
CN202211311961.5A
Other languages
English (en)
Other versions
CN115373278B (zh
Inventor
周磊
饶志波
兰锋镝
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.)
Beijing Andi Technology Co ltd
Original Assignee
Beijing Andi Technology Co ltd
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 Beijing Andi Technology Co ltd filed Critical Beijing Andi Technology Co ltd
Priority to CN202211311961.5A priority Critical patent/CN115373278B/zh
Publication of CN115373278A publication Critical patent/CN115373278A/zh
Application granted granted Critical
Publication of CN115373278B publication Critical patent/CN115373278B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Abstract

本申请公开了基于数字孪生驱动的工控业务异常预测响应系统和方法。本申请依靠数字孪生模型提供的针对任一工控系统业务模块的期望过程输出参考值，以及基于数字孪生模型的描述参数集，通过滚动优化处理，产生适当的自适应控制律，从而，在工控业务实际状态的过程输出发生异常偏离时，能够开展自适应调控，平滑过渡逼近该期望过程，从而在这一过程中对工控业务的异常状态进行预测式的响应。

Description

基于数字孪生驱动的工控业务异常预测响应系统和方法
技术领域
本申请涉及工控系统安全技术领域，特别涉及一种基于数字孪生驱动的工控业务异常预测响应系统和方法。
背景技术
随着智慧工厂的建立和普及，各个行业的工业生产系统走向全面数字化、智能化和自动化的协调控制的趋势持续增强。相应地，工控系统稳定、安全运行的重要性日益凸显。特别是，对于各个业务模块的异常状态，希望工控系统能够给予预测性响应，从而最大程度降低和消除该异常状态的影响。
然而，目前各类工控系统对于其业务模块的异常状态的响应机制，仍然普遍采用传统的异常监测和反馈调控，属于事后型的响应机制，在时效性方面仍然较为滞后，存在对工控业务异常状态判断不清晰，响应不灵敏等方面的问题。
数字孪生（DIGITAL TWINS）指的是建立对某个真实物理对象能够完全复现的动态数字模型，即数字孪生模型，并基于该数字孪生模型实现对该真实物理对象过去和未来运行过程的仿真。数字孪生在工控系统中有着广泛的应用前景，通过对工控系统的各个业务模块进行数字化，建立系统整体的数字孪生模型，能够对工控系统的运行状态进行有效的仿真。目前面向工控系统的数字孪生模型已经在可视化、系统验证、个性化场景优化等方面发挥了一定的作用。
但是，现有技术中基于数字孪生模型实现工控业务异常响应还缺乏有效的解决方案，特别是，工控系统在异常状态下发生的各种非常规的未知因素，会改变工控业务的运行规律性质，导致基于数字孪生模型并不能准确复现工控业务的运行过程，也就不能对工控业务的异常状态仿真以形成有效的响应。
发明内容
（一）申请目的
基于此，本申请公开了基于数字孪生驱动的工控业务异常预测响应系统和方法。本申请依靠数字孪生模型提供的针对任一工控系统业务模块的期望过程输出参考值，以及基于数字孪生模型的描述参数集，通过滚动优化处理，产生适当的自适应控制律，从而，在工控业务实际状态的过程输出发生异常偏离时，能够开展自适应调控，平滑过渡逼近期望过程输出轨迹，从而在这一过程中对工控业务的异常状态进行预测式的响应。
（二）技术方案
本申请公开了基于数字孪生驱动的工控业务异常预测响应系统，其特征在于，包括：
工控数字孪生模型库，用于预先存储工控系统各个业务模块的数字孪生模型，所述数字孪生模型通过对描述参数集赋值，实现对工控系统业务模块的建模和复现，且所述数字孪生模型能够从所述描述参数集中提供针对工业系统各个业务模块的仿真参数；
期望过程驱动模块，用于从所述工业系统业务模块的数字孪生模型中，调入工控业务期望过程输出的参考值，并根据所述参考值以及工控模块实际的过程输出，生成并输出期望过程输出轨迹；
预测控制模块，用于根据期望过程驱动模块所输出的期望过程输出轨迹和工控模块实际的过程输出，生成预测能够达到所述期望过程输出轨迹的预测控制量，并将预测控制量提供给执行进程模块；
执行进程模块，用于从所述预测控制模块获得所述预测控制量，根据所述预测控制量获得工控系统业务模块的过程输出，该过程输出能够在工控业务实际状态发生异常偏离时平滑过渡逼近该期望过程输出轨迹。
优选的是，所述期望过程驱动模块通过循环滚动优化对所述参考值和工控模块实际的过程输出的比例系数的进行赋值，从而生成期望过程输出轨迹。
优选的是，所述期望过程驱动模块按照如下公式生成期望过程输出轨迹
Figure 18100DEST_PATH_IMAGE001
：
Figure 629734DEST_PATH_IMAGE002
其中，
Figure 567734DEST_PATH_IMAGE003
表示预测水平，用来表示自第k个控制区间起算的未来控制区间数量，
Figure 878367DEST_PATH_IMAGE004
为在预测水平
Figure 927226DEST_PATH_IMAGE003
条件下的第
Figure 975124DEST_PATH_IMAGE005
个控制区间的期望过程输出，
Figure 411921DEST_PATH_IMAGE006
与
Figure 85217DEST_PATH_IMAGE007
为第k个、第
Figure 875449DEST_PATH_IMAGE008
个控制区间的期望过程输出的参考值，
Figure 710944DEST_PATH_IMAGE009
为工控模块第
Figure 459588DEST_PATH_IMAGE008
个控制区间的实际的过程输出；
Figure 89021DEST_PATH_IMAGE010
为比例系数，基于循环滚动优化后的这三个比例系数，计算保持工控模块正常状态的期望过程输出轨迹
Figure 214103DEST_PATH_IMAGE011
；
Figure 904104DEST_PATH_IMAGE012
和
Figure 558070DEST_PATH_IMAGE013
表示从数字孪生模型调入的表征工控模块正常状态的预设描述参数实际值中描述参数的个数。
优选的是，所述预测控制模块针对期望过程输出轨迹和工控模块实际的过程输出，通过循环滚动优化对转换系数的实际值进行赋值，从而生成预测能够达到所述期望过程输出轨迹的预测控制量。
优选的是，所述预测控制模块按照如下公式生成预测控制量：
Figure 97636DEST_PATH_IMAGE014
其中，
Figure 259365DEST_PATH_IMAGE015
第k个控制区间的预测控制量，
Figure 708932DEST_PATH_IMAGE016
为第k+1-i个控制区间的预测控制量，
Figure 159898DEST_PATH_IMAGE017
为工控模块第k+1-i个控制区间的实际的过程输出，
Figure 593285DEST_PATH_IMAGE018
为在预测水平
Figure 293125DEST_PATH_IMAGE003
条件下的第
Figure 659516DEST_PATH_IMAGE005
个控制区间的期望过程输出，
Figure 452022DEST_PATH_IMAGE019
为转换系数的实际值；通过循环滚动优化对转换系数
Figure 885888DEST_PATH_IMAGE020
的实际值进行赋值，从而生成预测能够达到所述期望过程输出轨迹的预测控制量；
Figure 156464DEST_PATH_IMAGE021
表示从数字孪生模型调入的表征工控模块针对输入控制量发生过程输出响应的描述参数实际值中对应自回归项阶数的描述参数个数，
Figure 407054DEST_PATH_IMAGE022
表示从数字孪生模型调入的表征工控模块针对输入控制量发生过程输出响应的描述参数实际值中对应控制变量阶数的描述参数个数。
优选的是，所述期望过程驱动模块从数字孪生模型调入表征工控模块正常状态的预设描述参数实际值
Figure 636042DEST_PATH_IMAGE023
，其中
Figure 483168DEST_PATH_IMAGE024
表示描述参数
Figure 823014DEST_PATH_IMAGE025
的个数，
Figure 600215DEST_PATH_IMAGE026
表示描述参数
Figure 327999DEST_PATH_IMAGE027
的个数，以上实际值中的各个
Figure 160957DEST_PATH_IMAGE025
和
Figure 274800DEST_PATH_IMAGE027
是数字孪生模型对正常状态下工控模块的有效状态表征参量进行实测所得到的；进而，按照循环滚动优化方式对
Figure 470289DEST_PATH_IMAGE028
的值进行计算。
优选的是，执行进程模块从所述预测控制模块获得所述预测控制量
Figure 70773DEST_PATH_IMAGE029
，并按照如下公式获得工控系统业务模块的过程输出
Figure 391027DEST_PATH_IMAGE030
：
Figure 666150DEST_PATH_IMAGE031
其中，
Figure 92977DEST_PATH_IMAGE025
和
Figure 536465DEST_PATH_IMAGE032
分别表示从数字孪生模型调入的表征工控系统业务模块过程输出响应的描述参数预测值，其中
Figure 671912DEST_PATH_IMAGE033
表示描述参数
Figure 522363DEST_PATH_IMAGE025
的个数，
Figure 489182DEST_PATH_IMAGE034
表示描述参数
Figure 775676DEST_PATH_IMAGE032
的个数。
本发明进而提供了基于数字孪生驱动的工控业务异常预测响应方法，其特征在于，包括：
工控数字孪生建模步骤，用于预先存储工控系统各个业务模块的数字孪生模型，所述数字孪生模型通过对描述参数集赋值，实现对工控系统业务模块的建模和复现，且所述数字孪生模型能够从所述描述参数集中提供针对工业系统各个业务模块的仿真参数；
期望过程驱动步骤，用于从所述工业系统业务模块的数字孪生模型中，调入工控业务期望过程输出的参考值，并根据所述参考值以及工控模块实际的过程输出，生成并输出期望过程输出轨迹；
预测控制步骤，用于根据期望过程驱动模块所输出的期望过程输出轨迹和工控模块实际的过程输出，生成预测能够达到所述期望过程输出轨迹的预测控制量，并将预测控制量提供给执行进程模块；
执行进程步骤，用于从所述预测控制步骤获得所述预测控制量，根据所述预测控制量获得工控系统业务模块的过程输出，该过程输出能够在工控业务实际状态发生异常偏离时平滑过渡逼近该期望过程输出轨迹。
优选的是，所述期望过程驱动步骤通过循环滚动优化对所述参考值和工控模块实际的过程输出的比例系数的进行赋值，从而生成期望过程输出轨迹。
优选的是，所述预测控制步骤针对期望过程输出轨迹和工控模块实际的过程输出，通过循环滚动优化对转换系数的实际值进行赋值，从而生成预测能够达到所述期望过程输出轨迹的预测控制量。
（三）有益效果
本申请公开的一种基于数字孪生驱动的工控业务异常预测响应系统和方法，能够基于期望的过程输出自适应控制律，使得控制效果最大可能的得到优化，对工控系统的异常偏离具有更强的适应能力和更好的鲁棒性，系统容错性高，适合于工控系统的强耦合特性，通过循环滚动优化能有效地解决过程中的干扰。
附图说明
以下参考附图描述的实施例是示例性的，旨在用于解释和说明本申请，而不能理解为对本申请的保护范围的限制。
图1是本申请公开的一种基于数字孪生驱动的工控业务异常预测响应系统结构图；
图2是本申请公开的一种基于数字孪生驱动的工控业务异常预测响应方法流程图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行更加详细的描述。
本申请提供了基于数字孪生驱动的工控业务异常预测响应系统和方法。本申请依靠数字孪生模型提供的针对任一工控系统业务模块的期望过程输出参考值，以及基于数字孪生模型的描述参数集，通过滚动优化处理，产生适当的自适应控制律，从而，在工控业务实际状态的过程输出发生异常偏离时，能够开展自适应调控，平滑过渡逼近该期望过程，从而在这一过程中对工控业务的异常状态进行预测式的响应。
下面参考图1详细描述本申请所述的基于数字孪生驱动的工控业务异常预测响应系统。该系统包括工控数字孪生模型库、期望过程驱动模块、预测控制模块、执行进程模块。
所述工控数字孪生模型库中预先存储了工控系统各个业务模块的数字孪生模型，数字孪生模型针对真实世界中的工控系统业务模块，在采集该业务模块的历史数据基础上，对数字孪生模型原型的各个描述参数集进行赋值，从而以数字化的形式对真实的工控系统业务模块实现建模和复现。针对本系统中其它各个模块对工控业务异常状态的预测和响应，数字孪生模型能够从本模型的描述参数集中为各个模块提供针对工业系统业务模块的仿真参数，从而实现数字孪生驱动的工控业务异常预测响应。
期望过程驱动模块用于从所述工业系统业务模块的数字孪生模型中，调入工控业务期望过程输出的参考值
Figure 663997DEST_PATH_IMAGE006
；其中k代表第k个控制区间，该参考值
Figure 392175DEST_PATH_IMAGE006
是根据该业务模块运行的预期正常状态所设定的以控制控制区间k作为自变量的函数式。所述期望过程驱动模块根据所述参考值
Figure 620025DEST_PATH_IMAGE035
以及工控模块实际的过程输出
Figure 936475DEST_PATH_IMAGE036
，生成并输出期望过程输出轨迹
Figure 577672DEST_PATH_IMAGE001
。
具体来说，所述期望过程驱动模块参照以下公式（一），根据从数字孪生模型调入的对该工控模块的描述参数的实际值，通过循环滚动优化对表示参考值
Figure 843961DEST_PATH_IMAGE037
和工控模块实际的过程输出
Figure 457477DEST_PATH_IMAGE036
的比例系数的
Figure 508609DEST_PATH_IMAGE010
进行赋值，从而生成期望过程输出轨迹
Figure 542162DEST_PATH_IMAGE011
。
Figure 438574DEST_PATH_IMAGE038
公式（一）
其中，
Figure 703333DEST_PATH_IMAGE003
表示预测水平，用来表示自第k个控制区间起算的未来控制区间数量，
Figure 957990DEST_PATH_IMAGE004
为在预测水平
Figure 980304DEST_PATH_IMAGE003
条件下的第
Figure 680407DEST_PATH_IMAGE005
个控制区间的期望过程输出，
Figure 829366DEST_PATH_IMAGE006
与
Figure 956722DEST_PATH_IMAGE039
为第k个、第
Figure 466332DEST_PATH_IMAGE008
个控制区间的期望过程输出的参考值，
Figure 155413DEST_PATH_IMAGE009
为工控模块第
Figure 503087DEST_PATH_IMAGE008
个控制区间的实际的过程输出；
Figure 598082DEST_PATH_IMAGE040
为公式（一）的比例系数，通过计算
Figure 126146DEST_PATH_IMAGE041
可得
Figure 76041DEST_PATH_IMAGE009
、
Figure 701057DEST_PATH_IMAGE042
、
Figure 278538DEST_PATH_IMAGE006
在公式（一）中的比重，基于循环滚动优化后的这三个参数，计算保持工控模块正常状态的期望过程输出轨迹
Figure 762740DEST_PATH_IMAGE011
。
期望过程驱动模块从数字孪生模型调入的表征工控模块正常状态的预设描述参数实际值
Figure 375381DEST_PATH_IMAGE043
，其中
Figure 323745DEST_PATH_IMAGE024
表示描述参数
Figure 229384DEST_PATH_IMAGE025
的个数，
Figure 997620DEST_PATH_IMAGE026
表示描述参数
Figure 676601DEST_PATH_IMAGE044
的个数，以上实际值中的各个
Figure 948313DEST_PATH_IMAGE025
和
Figure 24854DEST_PATH_IMAGE044
是数字孪生模型对正常状态下工控模块的有效状态表征参量进行实测所得到的；进而，按照循环滚动优化方式对
Figure 545965DEST_PATH_IMAGE041
的值进行计算：
（1）对
Figure 234828DEST_PATH_IMAGE045
执行循环滚动计算:
通过公式（二）设定初始条件：
Figure 954523DEST_PATH_IMAGE046
公式（二）
根据初始条件赋值
Figure 936385DEST_PATH_IMAGE047
；进而，启动如下循环滚动：
for j=2,…,
Figure 115432DEST_PATH_IMAGE003
do
for i=1,…,p do
Figure 372101DEST_PATH_IMAGE048
end for
end for
其中对于
Figure 821668DEST_PATH_IMAGE049
，根据公式（三）可得：
Figure 567907DEST_PATH_IMAGE050
公式（三）
（2）对
Figure 959881DEST_PATH_IMAGE051
执行循环滚动计算：
通过公式（四）设定初始条件：
Figure 754662DEST_PATH_IMAGE052
公式（四）
根据初始条件赋值
Figure 121052DEST_PATH_IMAGE053
；进而，启动如下循环滚动：
for j=2,…,
Figure 208831DEST_PATH_IMAGE003
do
for i=1,…,p do
Figure 988569DEST_PATH_IMAGE054
end for
end for
其中对于
Figure 321461DEST_PATH_IMAGE055
根据公式（五）可得：
Figure 450347DEST_PATH_IMAGE056
公式（五）
（3）对
Figure 741651DEST_PATH_IMAGE057
执行循环滚动计算：
通过公式（六）设定初始条件：
Figure 946368DEST_PATH_IMAGE058
= 0 公式（六）
根据初始条件赋值
Figure 817372DEST_PATH_IMAGE059
Figure 922469DEST_PATH_IMAGE060
；进而，启动如下循环滚动：
for i=1,…,
Figure 853516DEST_PATH_IMAGE003
do
Figure 811107DEST_PATH_IMAGE061
end for
其中，对于
Figure 924950DEST_PATH_IMAGE062
根据公式（七）可得：
Figure 120439DEST_PATH_IMAGE063
公式（七）
预测控制模块用于根据期望过程驱动模块所输出的期望过程输出轨迹
Figure 222388DEST_PATH_IMAGE011
和工控模块实际的过程输出
Figure 198434DEST_PATH_IMAGE036
，生成预测能够达到所述期望过程输出轨迹
Figure 175355DEST_PATH_IMAGE011
的预测控制量
Figure 897454DEST_PATH_IMAGE064
，并将预测控制量
Figure 170304DEST_PATH_IMAGE064
提供给执行进程模块。
具体来说，所述预测控制模块参照以下公式（八），针对期望过程输出轨迹
Figure 276057DEST_PATH_IMAGE011
和工控模块实际的过程输出
Figure 26975DEST_PATH_IMAGE036
，通过循环滚动优化对转换系数的实际值
Figure 367695DEST_PATH_IMAGE065
进行赋值，从而生成预测能够达到所述期望过程输出轨迹
Figure 811446DEST_PATH_IMAGE011
的预测控制量
Figure 699768DEST_PATH_IMAGE064
。
Figure 829877DEST_PATH_IMAGE066
公式（八）
其中，
Figure 120044DEST_PATH_IMAGE015
第k个控制区间的预测控制量，
Figure 469117DEST_PATH_IMAGE016
为第k+1-i个控制区间的预测控制量，
Figure 844735DEST_PATH_IMAGE017
为工控模块第k+1-i个控制区间的实际的过程输出，
Figure 639253DEST_PATH_IMAGE067
为在预测水平
Figure 783927DEST_PATH_IMAGE003
条件下的第
Figure 162956DEST_PATH_IMAGE005
个控制区间的期望过程输出。
所述预测控制模块从数字孪生模型调入表征工控模块针对输入控制量发生过程输出响应的描述参数实际值
Figure 291449DEST_PATH_IMAGE068
，其中
Figure 954905DEST_PATH_IMAGE021
表示描述参数
Figure 219664DEST_PATH_IMAGE069
的个数，对应于自回归项的阶数，而
Figure 644960DEST_PATH_IMAGE022
表示描述参数
Figure 729591DEST_PATH_IMAGE070
的个数，对应于控制变量的阶数。进而，按照以下循环滚动优化方式对
Figure 459387DEST_PATH_IMAGE071
的值进行计算：
（4） 对
Figure 313074DEST_PATH_IMAGE072
执行循环滚动计算:
通过公式（九）设定初始条件：
Figure 706009DEST_PATH_IMAGE073
公式（九）
根据初始条件赋值
Figure 809094DEST_PATH_IMAGE074
；进而，启动如下循环滚动：
for j=2,…,
Figure 814353DEST_PATH_IMAGE075
do
for i=1,…,
Figure 116021DEST_PATH_IMAGE021
do
Figure 679857DEST_PATH_IMAGE076
end for
end for
其中对于
Figure 4659DEST_PATH_IMAGE077
，根据公式（十）可得：
Figure 312144DEST_PATH_IMAGE078
公式（十）
（5）对
Figure 107799DEST_PATH_IMAGE079
执行循环滚动计算：
通过公式（十一）设定初始条件：
Figure 842537DEST_PATH_IMAGE080
公式（十一）
根据初始条件赋值
Figure 185794DEST_PATH_IMAGE081
；进而，启动如下循环滚动：
for j=2,…,
Figure 877063DEST_PATH_IMAGE003
do
for i=1,…,
Figure 825427DEST_PATH_IMAGE022
do
Figure 731066DEST_PATH_IMAGE082
end for
end for
其中对于
Figure 92778DEST_PATH_IMAGE083
根据公式（十二）可得：
Figure 912704DEST_PATH_IMAGE084
公式（十二）
（6）对
Figure 981154DEST_PATH_IMAGE085
执行循环滚动计算：
通过公式（十三）设定初始条件：
Figure 57694DEST_PATH_IMAGE086
公式（十三）
根据初始条件赋值；进而，启动如下循环滚动：
for i=1,…,
Figure 537393DEST_PATH_IMAGE003
do
Figure 521530DEST_PATH_IMAGE087
end for
其中，对于
Figure 710066DEST_PATH_IMAGE088
根据公式（十四）可得：
Figure 957507DEST_PATH_IMAGE089
公式（十四）
执行进程模块从所述预测控制模块获得所述预测控制量u，并基于公式（十五）获得工控系统业务模块的过程输出
Figure 402133DEST_PATH_IMAGE030
：
Figure 658802DEST_PATH_IMAGE090
公式（十五）
其中，
Figure 436265DEST_PATH_IMAGE025
和
Figure 854608DEST_PATH_IMAGE032
分别表示从数字孪生模型调入的表征工控系统业务模块过程输出响应的描述参数预测值，其中
Figure 678207DEST_PATH_IMAGE033
表示描述参数
Figure 708874DEST_PATH_IMAGE025
的个数，
Figure 606423DEST_PATH_IMAGE034
表示描述参数
Figure 461246DEST_PATH_IMAGE032
的个数。响应预测控制模块提供的自适应的控制律，执行进程模块的过程输出
Figure 381929DEST_PATH_IMAGE030
能够在工控业务实际状态发生异常偏离时平滑过渡逼近该期望过程
Figure 213356DEST_PATH_IMAGE011
，从而在这一过程中对工控业务的异常状态进行预测式的响应。
本发明进而提供了基于数字孪生驱动的工控业务异常预测响应方法，参见图2，包括：
工控数字孪生建模步骤，用于预先存储工控系统各个业务模块的数字孪生模型，所述数字孪生模型通过对描述参数集赋值，实现对工控系统业务模块的建模和复现，且所述数字孪生模型能够从所述描述参数集中提供针对工业系统各个业务模块的仿真参数；
期望过程驱动步骤，用于从所述工业系统业务模块的数字孪生模型中，调入工控业务期望过程输出的参考值，并根据所述参考值以及工控模块实际的过程输出，生成并输出期望过程输出轨迹；
预测控制步骤，用于根据期望过程驱动模块所输出的期望过程输出轨迹和工控模块实际的过程输出，生成预测能够达到所述期望过程输出轨迹的预测控制量，并将预测控制量提供给执行进程模块；
执行进程步骤，用于从所述预测控制步骤获得所述预测控制量，根据所述预测控制量获得工控系统业务模块的过程输出，该过程输出能够在工控业务实际状态发生异常偏离时平滑过渡逼近该期望过程。
其中，所述期望过程驱动步骤通过循环滚动优化对所述参考值和工控模块实际的过程输出的比例系数的进行赋值，从而生成期望过程输出轨迹。
其中，所述预测控制步骤针对期望过程输出轨迹和工控模块实际的过程输出，通过循环滚动优化对转换系数的实际值进行赋值，从而生成预测能够达到所述期望过程输出轨迹的预测控制量。
综上所述，本申请提供的基于数字孪生驱动的工控业务异常预测响应系统和方法，能够基于期望的过程输出自适应控制律，使得控制效果最大可能的得到优化，对工控系统的异常偏离具有更强的适应能力和更好的鲁棒性，系统容错性高，适合于工控系统的强耦合特性，通过循环滚动优化能有效地解决过程中的干扰。
本文中的模块、单元或组件的划分仅仅是一种逻辑功能的划分，在实际实现时可以有其他的划分方式，例如多个模块和/或单元可以结合或集成于另一个系统中。作为分离部件说明的模块、单元、组件在物理上可以是分开的，也可以是不分开的。作为单元显示的部件可以是物理单元，也可以不是物理单元，即可以位于一个具体地方，也可以分布到网格单元中。因此可以根据实际需要选择其中的部分或全部的单元来实现实施例的方案。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于数字孪生驱动的工控业务异常预测响应系统，其特征在于，包括：
工控数字孪生模型库，用于预先存储工控系统各个业务模块的数字孪生模型，所述数字孪生模型通过对描述参数集赋值，实现对工控系统业务模块的建模和复现，且所述数字孪生模型能够从所述描述参数集中提供针对工业系统各个业务模块的仿真参数；
期望过程驱动模块，用于从所述工业系统业务模块的数字孪生模型中，调入工控业务期望过程输出的参考值，并根据所述参考值以及工控模块实际的过程输出，生成并输出期望过程输出轨迹；
预测控制模块，用于根据期望过程驱动模块所输出的期望过程输出轨迹和工控模块实际的过程输出，生成预测能够达到所述期望过程输出轨迹的预测控制量，并将预测控制量提供给执行进程模块；
执行进程模块，用于从所述预测控制模块获得所述预测控制量，根据所述预测控制量获得工控系统业务模块的过程输出，该过程输出能够在工控业务实际状态发生异常偏离时平滑过渡逼近该期望过程输出轨迹。
2.根据权利要求1所述的基于数字孪生驱动的工控业务异常预测响应系统，其特征在于，所述期望过程驱动模块通过循环滚动优化对所述参考值和工控模块实际的过程输出的比例系数的进行赋值，从而生成期望过程输出轨迹。
3.根据权利要求2所述的基于数字孪生驱动的工控业务异常预测响应系统，其特征在于，所述期望过程驱动模块按照如下公式生成期望过程输出轨迹
Figure 91702DEST_PATH_IMAGE001
：
Figure 792198DEST_PATH_IMAGE002
其中，
Figure 775197DEST_PATH_IMAGE003
表示预测水平，用来表示自第k个控制区间起算的未来控制区间数量，
Figure 108090DEST_PATH_IMAGE004
为在预测水平
Figure 624259DEST_PATH_IMAGE003
条件下的第
Figure 525350DEST_PATH_IMAGE005
个控制区间的期望过程输出，
Figure 995646DEST_PATH_IMAGE006
与
Figure 910992DEST_PATH_IMAGE007
为第k个、第
Figure 783133DEST_PATH_IMAGE008
个控制区间的期望过程输出的参考值，
Figure 855126DEST_PATH_IMAGE009
为工控模块第
Figure 45673DEST_PATH_IMAGE008
个控制区间的实际的过程输出；
Figure 251527DEST_PATH_IMAGE010
为比例系数，基于循环滚动优化后的这三个比例系数，计算保持工控模块正常状态的期望过程输出轨迹
Figure 712595DEST_PATH_IMAGE011
；
Figure 253691DEST_PATH_IMAGE012
和
Figure 964158DEST_PATH_IMAGE013
表示从数字孪生模型调入的表征工控模块正常状态的预设描述参数实际值中描述参数的个数。
4.根据权利要求3所述的基于数字孪生驱动的工控业务异常预测响应系统，其特征在于，所述预测控制模块针对期望过程输出轨迹和工控模块实际的过程输出，通过循环滚动优化对转换系数的实际值进行赋值，从而生成预测能够达到所述期望过程输出轨迹的预测控制量。
5.根据权利要求4所述的基于数字孪生驱动的工控业务异常预测响应系统，其特征在于，所述预测控制模块按照如下公式生成预测控制量：
Figure 754128DEST_PATH_IMAGE014
其中，
Figure 600862DEST_PATH_IMAGE015
第k个控制区间的预测控制量，
Figure 404870DEST_PATH_IMAGE016
为第k+1-i个控制区间的预测控制量，
Figure 71474DEST_PATH_IMAGE017
为工控模块第k+1-i个控制区间的实际的过程输出，
Figure 589437DEST_PATH_IMAGE018
为在预测水平
Figure 25097DEST_PATH_IMAGE003
条件下的第
Figure 734427DEST_PATH_IMAGE005
个控制区间的期望过程输出，
Figure 622749DEST_PATH_IMAGE019
为转换系数的实际值；通过循环滚动优化对转换系数
Figure 941473DEST_PATH_IMAGE019
的实际值进行赋值，从而生成预测能够达到所述期望过程输出轨迹的预测控制量；
Figure 231640DEST_PATH_IMAGE020
表示从数字孪生模型调入的表征工控模块针对输入控制量发生过程输出响应的描述参数实际值中对应自回归项阶数的描述参数个数，
Figure 111871DEST_PATH_IMAGE021
表示从数字孪生模型调入的表征工控模块针对输入控制量发生过程输出响应的描述参数实际值中对应控制变量阶数的描述参数个数。
6.根据权利要求5所述的基于数字孪生驱动的工控业务异常预测响应系统，其特征在于，所述期望过程驱动模块从数字孪生模型调入表征工控模块正常状态的预设描述参数实际值
Figure 487489DEST_PATH_IMAGE022
，其中
Figure 347254DEST_PATH_IMAGE023
表示描述参数
Figure 898452DEST_PATH_IMAGE024
的个数，
Figure 480743DEST_PATH_IMAGE025
表示描述参数
Figure 107771DEST_PATH_IMAGE026
的个数，以上实际值中的各个
Figure 410707DEST_PATH_IMAGE024
和
Figure 206625DEST_PATH_IMAGE026
是数字孪生模型对正常状态下工控模块的有效状态表征参量进行实测所得到的；进而，按照循环滚动优化方式对
Figure 856088DEST_PATH_IMAGE027
的值进行计算。
7.根据权利要求6所述的基于数字孪生驱动的工控业务异常预测响应系统，其特征在于，执行进程模块从所述预测控制模块获得所述预测控制量
Figure 347244DEST_PATH_IMAGE028
，并按照如下公式获得工控系统业务模块的过程输出
Figure 342619DEST_PATH_IMAGE029
：
Figure 727464DEST_PATH_IMAGE030
其中，
Figure 526924DEST_PATH_IMAGE031
和
Figure 131474DEST_PATH_IMAGE032
分别表示从数字孪生模型调入的表征工控系统业务模块过程输出响应的描述参数预测值，其中
Figure 776213DEST_PATH_IMAGE033
表示描述参数
Figure 15565DEST_PATH_IMAGE031
的个数，
Figure 15619DEST_PATH_IMAGE034
表示描述参数
Figure 871580DEST_PATH_IMAGE032
的个数。
8.一种基于数字孪生驱动的工控业务异常预测响应方法，其特征在于，包括：
工控数字孪生建模步骤，用于预先存储工控系统各个业务模块的数字孪生模型，所述数字孪生模型通过对描述参数集赋值，实现对工控系统业务模块的建模和复现，且所述数字孪生模型能够从所述描述参数集中提供针对工业系统各个业务模块的仿真参数；
期望过程驱动步骤，用于从所述工业系统业务模块的数字孪生模型中，调入工控业务期望过程输出的参考值，并根据所述参考值以及工控模块实际的过程输出，生成并输出期望过程输出轨迹；
预测控制步骤，用于根据期望过程驱动模块所输出的期望过程输出轨迹和工控模块实际的过程输出，生成预测能够达到所述期望过程输出轨迹的预测控制量，并将预测控制量提供给执行进程模块；
执行进程步骤，用于从所述预测控制步骤获得所述预测控制量，根据所述预测控制量获得工控系统业务模块的过程输出，该过程输出能够在工控业务实际状态发生异常偏离时平滑过渡逼近该期望过程输出轨迹。
9.根据权利要求8所述的基于数字孪生驱动的工控业务异常预测响应方法，其特征在于，所述期望过程驱动步骤通过循环滚动优化对所述参考值和工控模块实际的过程输出的比例系数的进行赋值，从而生成期望过程输出轨迹。
10.根据权利要求9所述的基于数字孪生驱动的工控业务异常预测响应方法，其特征在于，所述预测控制步骤针对期望过程输出轨迹和工控模块实际的过程输出，通过循环滚动优化对转换系数的实际值进行赋值，从而生成预测能够达到所述期望过程输出轨迹的预测控制量。
CN202211311961.5A 2022-10-25 2022-10-25 基于数字孪生驱动的工控业务异常预测响应系统和方法 Active CN115373278B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211311961.5A CN115373278B (zh) 2022-10-25 2022-10-25 基于数字孪生驱动的工控业务异常预测响应系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211311961.5A CN115373278B (zh) 2022-10-25 2022-10-25 基于数字孪生驱动的工控业务异常预测响应系统和方法

Publications (2)

Publication Number Publication Date
CN115373278A true CN115373278A (zh) 2022-11-22
CN115373278B CN115373278B (zh) 2023-01-06

Family

ID=84072705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211311961.5A Active CN115373278B (zh) 2022-10-25 2022-10-25 基于数字孪生驱动的工控业务异常预测响应系统和方法

Country Status (1)

Country Link
CN (1) CN115373278B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107861478A (zh) * 2017-10-17 2018-03-30 广东工业大学 一种智能车间平行控制方法及系统
WO2020049214A1 (en) * 2018-09-03 2020-03-12 Metso Flow Control Oy Valve positioner and diagnostic method
WO2021019551A1 (en) * 2019-07-26 2021-02-04 Tata Consultancy Services Limited System and method for real-time self-optimization of manufacturing operations
US20210118067A1 (en) * 2016-12-15 2021-04-22 Siemens Aktiengesellschaft Configuration and parameterization of energy control system
CN113780375A (zh) * 2021-08-26 2021-12-10 同济大学 一种基于数字孪生的虚实交互风电场风力监测系统及应用
CN113805550A (zh) * 2021-09-30 2021-12-17 上海卫星装备研究所 基于数字孪生的航天器装配过程管控方法及系统
CN114091231A (zh) * 2021-10-18 2022-02-25 广西电网有限责任公司电力科学研究院 一种基于数字孪生体与误差自适应优化的开关柜建模方法
CN114217616A (zh) * 2021-12-14 2022-03-22 武汉理工大学 船岸协同内河船舶远程控制方法及系统
CN114239883A (zh) * 2021-12-27 2022-03-25 华南智能机器人创新研究院 一种基于数字孪生的服务机器人在线运维系统及方法
US20220114897A1 (en) * 2020-10-12 2022-04-14 Tongji University Method for feasibility evaluation of UAV digital twin based on vicon motion capture system
CN114442510A (zh) * 2021-12-31 2022-05-06 广东省科学院智能制造研究所 数字孪生闭环控制方法、系统、计算机设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210118067A1 (en) * 2016-12-15 2021-04-22 Siemens Aktiengesellschaft Configuration and parameterization of energy control system
CN107861478A (zh) * 2017-10-17 2018-03-30 广东工业大学 一种智能车间平行控制方法及系统
WO2020049214A1 (en) * 2018-09-03 2020-03-12 Metso Flow Control Oy Valve positioner and diagnostic method
WO2021019551A1 (en) * 2019-07-26 2021-02-04 Tata Consultancy Services Limited System and method for real-time self-optimization of manufacturing operations
US20220114897A1 (en) * 2020-10-12 2022-04-14 Tongji University Method for feasibility evaluation of UAV digital twin based on vicon motion capture system
CN113780375A (zh) * 2021-08-26 2021-12-10 同济大学 一种基于数字孪生的虚实交互风电场风力监测系统及应用
CN113805550A (zh) * 2021-09-30 2021-12-17 上海卫星装备研究所 基于数字孪生的航天器装配过程管控方法及系统
CN114091231A (zh) * 2021-10-18 2022-02-25 广西电网有限责任公司电力科学研究院 一种基于数字孪生体与误差自适应优化的开关柜建模方法
CN114217616A (zh) * 2021-12-14 2022-03-22 武汉理工大学 船岸协同内河船舶远程控制方法及系统
CN114239883A (zh) * 2021-12-27 2022-03-25 华南智能机器人创新研究院 一种基于数字孪生的服务机器人在线运维系统及方法
CN114442510A (zh) * 2021-12-31 2022-05-06 广东省科学院智能制造研究所 数字孪生闭环控制方法、系统、计算机设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐博 等: "数字孪生视角下基于LSTM的工控系统异常检测方法", 《信息安全研究》 *
黄海松 等: "数字孪生技术在智能制造中的发展与应用研究综述", 《贵州大学学报（自然科学版）》 *

Also Published As

Publication number Publication date
CN115373278B (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
US10990087B2 (en) Parallel control method and system for intelligent workshop
US20070179675A1 (en) System for dispatching and controlling of generation in large-scale electric power systems
CN112018758A (zh) 基于数字孪生的含高比例新能源交直流混联系统建模方法
CN109032117B (zh) 基于arma模型的单回路控制系统性能评价方法
CN111013370A (zh) 一种基于深度神经网络的湿法脱硫浆液供给量预测方法
CN112526882A (zh) 基于分层模型预测控制算法的超临界机组协调控制方法
CN111522230A (zh) Mimo异因子紧格式无模型控制方法
CN110880044B (zh) 一种基于马尔科夫链的负荷预测方法
CN107717986A (zh) 一种智能机器人的控制方法
CN115373278B (zh) 基于数字孪生驱动的工控业务异常预测响应系统和方法
CN113225994B (zh) 一种面向数据中心的智能空调控制方法
CN110486261A (zh) 基于多点压力轨迹预测的空压机组调配系统及方法
CN111756031B (zh) 一种电网运行趋势估算方法和系统
CN117200250A (zh) 火储联合调频的控制方法及系统
CN113850017B (zh) 一种基于潮流变化图谱的系统级故障分析系统及方法
JP2005160171A (ja) 産業用エネルギー管理システム
Kumar et al. Multiarea automatic generation control using model predictive based control in deregulated environment
CN112784439A (zh) 一种基于离散化模型的能源互联网规划方法及装置
CN113836820A (zh) 一种基于自相关模型和多变量监控方法的设备健康评估与故障诊断算法
CN103064284B (zh) 应用逆向差分抑制不可测扰动的模型预测控制器及方法
CN103558762B (zh) 基于图形化组态技术的免疫遗传pid控制器的实现方法
CN110633844A (zh) 基于emd和ann的建筑能源系统模拟预测方法及应用
CN112859614A (zh) 一种超超临界火电机组的控制方法、装置、设备及存储介质
CN111852596B (zh) 一种锅炉汽轮发电机组运行参数及相对发电煤耗率预测方法
CN110631003A (zh) 一种基于层级调度多模型预测控制的再热汽温调节方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant