CN115729189B - 一种融合数据模型和机理模型的生产控制方法 - Google Patents

Abstract

本申请公开了一种融合数据模型和机理模型的生产控制方法，涉及工业生产控制领域，该方法采用人工智能算法利用历史数据构建适应性强、可模拟复杂非线性系统的数据模型，采用包含各类边界工况和边界控制量识别规则的机理模型作为对数据模型的约束模型，融合数据模型和机理模型可以形成适应性广、可靠、稳定的智能控制模型，可以实现对生产控制系统的可靠稳定的自动控制，具有比传统自动控制更强大的适应性和控制弹性，比单纯使用数据模型具有更高的可靠性和稳定性。

Description

一种融合数据模型和机理模型的生产控制方法

技术领域

本申请涉及工业生产控制领域，尤其是一种融合数据模型和机理模型的生产控制方法。

背景技术

在工业生产中，可靠优良的生产控制系统，可以提高企业的生产效率、稳定生产质量、减少人员配比，直接影响了工业生产过程和产品品质的优劣。

目前常见的会基于传统控制理论的自动控制方法对生产控制系统进行自动化控制，但是工业生产领域的生产控制系统存在较大的不确定性和复杂性，虽然传统控制理论有自适应控制和鲁棒控制来处理对象的不确定性和复杂性，但在实际应用中，当工业生产领域的受控对象出现严重的非线性、数学模型的不确定及系统工作点变化剧烈的情况，自适应和鲁棒控制存在难以弥补的严重缺陷，尤其是一些异常工况条件导致的波动会对自动控制方法造成冲击干扰，从而造成自动控制方法的短暂控制失稳，严重影响了对生产控制系统的稳定性和可靠性。

发明内容

本申请人针对上述问题及技术需求，提出了一种融合数据模型和机理模型的生产控制方法，本申请的技术方案如下：

一种融合数据模型和机理模型的生产控制方法，该方法包括：

分别获取生产控制系统的反馈参数和被控参数的历史运行数据，构建得到训练数据集；

以反馈参数为输入、被控参数为输出，利用训练数据集基于人工智能算法训练得到数据模型；

构建生产控制系统的机理模型，每个机理模型用于在检测到输入的生产控制系统的被控约束对象达到相应的触发条件时执行对应的主动处置操作；

融合数据模型和机理模型得到智能控制模型并进行生产控制，智能控制模型获取生产控制系统的反馈参数的实时数据并输出被控参数的实时数据给生产控制系统，智能控制模型中的数据模型用于基于反馈参数的实时数据产生被控参数的实时数据，机理模型用于检测被控约束对象并在检测到达到相应的触发条件时执行对应的主动处置操作调节待输出给生产控制系统的被控参数的实时数据。

其进一步的技术方案为，构建得到的生产控制系统的机理模型包括多个，智能控制模型由一个数据模型和多个机理模型融合得到；

其中，不同的机理模型识别的被控约束对象、被控约束对象所要达到的触发条件以及被控约束对象达到相应的触发条件时执行的主动处置操作中存在至少一个不同。

其进一步的技术方案为，构建得到的生产控制系统的多个机理模型包括识别机理模型和处置机理模型，识别机理模型用于基于生产控制系统的反馈参数的实时数据和生产控制系统的被控参数的实时数据识别生产控制系统的异常工况，处置机理模型用于在异常工况下调节待输出给生产控制系统的被控参数的实时数据。

其进一步的技术方案为，一个识别机理模型识别的被控约束对象是生产控制系统的每项反馈参数的实时数据，被控约束对象所要达到的触发条件包括反馈参数的实时数据超出反馈参数的参数边界范围；

或者，一个识别机理模型识别的被控约束对象是数据模型产生的生产控制系统的每项被控参数的实时数据，被控约束对象所要达到的触发条件包括被控参数的实时数据超出被控参数的参数边界范围。

其进一步的技术方案为，每个识别机理模型在检测到被控约束对象达到相应的触发条件时执行对应的主动处置操作以输出异常标识，异常标识用于指示生产控制系统处于异常工况。

其进一步的技术方案为，一个处置机理模型识别的被控约束对象是一个识别机理模型产生的数据，处置机理模型在检测到识别机理模型输出用于指示生产控制系统的异常工况的异常标识时、确定被控约束对象达到触发条件、并执行主动处置操作调节待输出给生产控制系统的被控参数的实时数据。

其进一步的技术方案为，构建生产控制系统的机理模型，包括：

获取生产控制系统的机理规则并基于机理规则构建得到一个对应的机理模型；机理规则指示识别逻辑和处置规则，识别逻辑指示识别的被控约束对象以及被控约束对象所要达到的触发条件，处置规则指示在被控约束对象达到相应的触发条件时执行的主动处置操作。

其进一步的技术方案为，获取到的机理规则为设计仿真机理规则或生产经验机理规则，设计仿真机理规则基于数学仿真模型表示，生产经验机理规则基于自然语言形式描述。

其进一步的技术方案为，构建得到训练数据集的方法包括：

获取生产控制系统的每一项反馈参数的历史运行数据，以及生产控制系统的每一项被控参数的历史运行数据；

对采集到的各项参数的历史运行数据进行数据预处理得到训练数据集；

其中，数据预处理包括对采集到的各项参数的历史运行数据进行升采样处理或降采样处理完成数据对齐，以及对各项参数的历史运行数据进行缺失值填充处理，以及对各项参数的历史运行数据进行异常值剔除。

其进一步的技术方案为，构建得到训练数据集的方法包括：

结合岭回归模型和递归特征消除，从生产控制系统的所有反馈参数和被控参数中选择对生产控制系统的生产控制过程的重要度最高的部分参数作为最优特征参数，由最优特征参数的历史运行数据构建得到训练数据集。

本申请的有益技术效果是：

本申请公开了一种融合数据模型和机理模型的生产控制方法，该方法采用人工智能算法利用历史数据构建适应性强、可模拟复杂非线性系统的数据模型，采用包含各类边界工况和边界控制量识别规则的机理模型作为对数据模型的约束模型，融合数据模型和机理模型可以形成适应性广、可靠、稳定的智能控制模型，可以实现对生产控制系统的可靠稳定的自动控制，具有比传统自动控制更强大的适应性和控制弹性，比单纯使用数据模型具有更高的可靠性和稳定性。

该方法不仅可以为生产控制系统规划设计提供一套完整的智能控制设计流程，而且可以帮助将已有传统自动控制系统升级为稳定、可靠、高可用的智能控制系统，适用范围广。

附图说明

图1是本申请一个实施例中的生产控制方法的方法流程图。

图2是一个实例中对数据模型和机理模型进行融合得到的智能控制模型的逻辑控制示意图。

具体实施方式

下面结合附图对本申请的具体实施方式做进一步说明。

本申请公开了一种融合数据模型和机理模型的生产控制方法，该方法包括如下步骤，请参考图1：

步骤1，分别获取生产控制系统的反馈参数和被控参数的历史运行数据，构建得到训练数据集。

生产控制系统的反馈参数用于反馈生产控制系统的生产状态，主要包括生产控制系统中的生产设备的数据以及生产控制系统中设置的各类传感器的数据。生产控制系统的被控参数用于调节生产控制系统的生产状态，主要包括生产控制系统的执行器的数据。

该步骤通常获取到生产控制系统的多项反馈参数的历史运行数据，以及多项被控参数的历史运行数据，这些参数的历史运行数据是在一定时间尺度下收集到的，往往不是标准数据，因此需要对直接采集到的各项参数的历史运行数据进行数据预处理后才构建得到训练数据集。其中，对采集到的各项参数的历史运行数据执行的数据预处理包括：

(1)直接采集到的各项参数的历史运行数据中往往存在不同频率的数据，根据控制时效性要求，将不同采集频率的各项参数的历史运行数据进行升采样处理或降采样处理，对时间滞后性数据完成数据对齐，得到频率一致的各项参数的历史运行数据。该步骤的处理可以采用MCMC(马尔科夫链蒙特卡洛法)算法完成。

(2)对各项参数的历史运行数据进行缺失值填充处理。对历史运行数据中存在的缺失值，根据数据缺失的原因和类型，可以通过直接删除、替代填充、拟合填充和衍生变量等处理方法进行缺失值填充数据，其中替代填充的方法包括前值、后值、均值、众数、中位数、插值法等，拟合填充的方法包括回归算法、极大似然估计算法、随机森林算法等。

(3)对各项参数的历史运行数据进行异常值剔除。对历史运行数据中的数据使用统计分析判断数据中是否存在不合理的异常值，对确认存在异常值的情况，可以根据异常的原因和类型通过直接删除、用均值修正、以处理缺失值的方法进行处理，也可以将其视为数据的内在变化不作处理。

在一个实施例中，为了减少模型的复杂程度，在进行模型训练之前还会进行特征筛选，从生产控制系统的所有反馈参数和被控参数中选择对生产控制系统的生产控制过程的重要度最高的部分参数作为最优特征参数，由最优特征参数的历史运行数据构建得到训练数据集。

在一个实施例中，结合岭回归(Ridge)模型和递归特征消除来进行特征实现：通过反复构建岭回归模型，选出最好的特征参数，把选出来的特征参数作为候选特征集，然后在剩余的特征参数上重复这个过程，直到遍历所有特征参数，过程中特征参数被消除的次序就是特征参数的排序，依据排序进行最优特征的筛选。岭回归模型能够通过回归系数反映出参数的重要程度，模型倾向于保留更少的特征以减少模型的复杂程度。

步骤2，以反馈参数为输入、被控参数为输出，利用训练数据集基于人工智能算法训练得到数据模型。

在使用人工智能算法训练数据模型时，一般采用有监督的人工智能算法，比如神经网络算法，对训练数据集中的数据按一定比例划分训练集、验证集和测试集在训练集和验证集上分别训练数据模型，在测试集上使用均方误差(MSE，mean squared error)指标对数据模型的效果进行评估，在确保均方误差达到一定的精度阈值时，完成数据模型的训练。为了保证数据模型可靠性，在数据模型训练中使用交叉验证(Cross-validation)技术。

步骤3，构建生产控制系统的机理模型。

构建得到的每个机理模型用于在检测到输入的生产控制系统的被控约束对象达到相应的触发条件时执行对应的主动处置操作。

在本申请中，构建得到的生产控制系统的机理模型通常包括多个，不同的机理模型识别的被控约束对象、被控约束对象所要达到的触发条件以及被控约束对象达到相应的触发条件时执行的主动处置操作中存在至少一个不同。

每一个机理模型分别基于生产控制系统的一个机理规则构建得到，机理规则指示识别逻辑和处置规则，识别逻辑指示识别的被控约束对象以及被控约束对象所要达到的触发条件，处置规则指示在被控约束对象达到相应的触发条件时执行的主动处置操作。

获取到的机理规则为设计仿真机理规则或生产经验机理规则。其中：

设计仿真机理规则基于数学仿真模型表示，是将生产过程中被控对象的状态简化成可表述的数学模型后，建立数学模型，用Simulink等软件进行控制仿真，从而得到的各类控制参量。对于边界工况的模拟可以得到理论模拟的边界控制参数响应，作为一种对智能控制系统的参数约束。

生产经验机理规则基于自然语言形式描述，是将实际生产过程中，根据人为经验对一些边界工况、极端工况等的识别依据及处置操作进行规则化，作为一种对智能控制系统的参数约束。

步骤4，融合数据模型和机理模型得到智能控制模型并进行生产控制。如上所述，构建得到的机理模型一般包括多个，则在该步骤中，智能控制模型由一个数据模型和多个机理模型融合得到。

数据模型和机理模型的融合是指数据流的融合以及控制流的融合。融合得到的智能控制模型获取生产控制系统的反馈参数的实时数据并输出被控参数的实时数据给生产控制系统。为了方便应用，一般可以进一步将智能控制模型输出的被控参数的实时数据标准化成可对接生产控制系统的控制器的数据格式，控制参量接口对接主流控制通讯协议，包括但不限于RS-485、RS-422A、RS-232C等。

智能控制模型中的数据模型用于基于反馈参数的实时数据产生被控参数的实时数据，机理模型用于检测被控约束对象并在检测到达到相应的触发条件时执行对应的主动处置操作调节待输出给生产控制系统的被控参数的实时数据。

根据功能的不同，本申请构建得到并与数据模型进行融合的机理模型包括识别机理模型和处置机理模型两类。这两类机理模型一般配合使用，识别机理模型用于基于生产控制系统的反馈参数的实时数据和生产控制系统的被控参数的实时数据识别生产控制系统的异常工况，处置机理模型用于在异常工况下调节待输出给生产控制系统的被控参数的实时数据。

每个识别机理模型识别的被控约束对象是生产控制系统的每项反馈参数的实时数据，则被控约束对象所要达到的触发条件包括反馈参数的实时数据超出反馈参数的参数边界范围。当识别机理模型识别到被控约束对象超出反馈参数的参数边界范围时，执行对应的主动处置操作以输出异常标识，该异常标识用于指示生产控制系统处于异常工况。

或者，每个识别机理模型识别的被控约束对象是数据模型产生的生产控制系统的每项被控参数的实时数据，被控约束对象所要达到的触发条件包括被控参数的实时数据超出被控参数的参数边界范围。当识别机理模型识别到被控约束对象超出被控参数的参数边界范围时，执行对应的主动处置操作以输出异常标识，该异常标识用于指示生产控制系统处于异常工况。

每个处置机理模型识别的被控约束对象是一个识别机理模型产生的数据，处置机理模型在检测到识别机理模型输出用于指示生产控制系统的异常工况的异常标识时、确定被控约束对象达到触发条件、并执行主动处置操作调节待输出给生产控制系统的被控参数的实时数据。每个处置机理模型所执行的对被控参数的实时数据的具体调节方式可以自定义设置，比如预先设定在异常工况下提高被控参数的实时数据，或者预先设定在异常工况下减少被控参数的实时数据，根据实际情况配置。

比如在一个实例中，生产控制系统为精馏塔系统，精馏塔系统的反馈参数为精馏段灵敏板温度、被控参数为进料量。针对生产控制系统共构建得到四个机理模型，包括识别机理模型1、识别机理模型2、处置机理模型1和处置机理模型2。四个机理模型与数据模型的数据流以及控制流的逻辑融合示意图如图2所示。精馏段灵敏板温度的实时数据进入数据模型并产生进料量的实时数据。同时精馏段灵敏板温度的实时数据也是识别机理模型1的被控约束对象，识别机理模型1在检测到精馏段灵敏板温度的实时数据超出对应的参数边界范围时，执行对应的主动处置操作以输出异常标识指示异常工况，否则不输出。

处置机理模型1的被控约束对象是识别机理模型1的输出，当处置机理模型1检测到识别机理模型1输出异常标识时，处置机理模型1执行主动处置操作调节待输出的进料量的实时数据，以维持控制稳定。

识别机理模型2的被控约束对象是数据模型输出的进料量的实时数据，识别机理模型2在检测到进料量的实时数据超出对应的参数边界范围时，执行对应的主动处置操作以输出异常标识指示异常工况，否则不输出。

处置机理模型2的被控约束对象是识别机理模型2的输出,当处置机理模型2检测到识别机理模型2输出异常标识时，处置机理模型2执行主动处置操作调节待输出的进料量的实时数据，以维持控制稳定。

以上所述的仅是本申请的优选实施方式，本申请不限于以上实施例。可以理解，本领域技术人员在不脱离本申请的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本申请的保护范围之内。

Claims (8)

1.一种融合数据模型和机理模型的生产控制方法，其特征在于，所述方法包括：

分别获取生产控制系统的反馈参数和被控参数的历史运行数据，构建得到训练数据集，所述生产控制系统的反馈参数用于反馈所述生产控制系统的生产状态，所述生产控制系统的被控参数用于调节所述生产控制系统的生产状态；

以反馈参数为输入、被控参数为输出，利用所述训练数据集基于人工智能算法训练得到数据模型；

构建所述生产控制系统的机理模型，每个所述机理模型用于在检测到输入的所述生产控制系统的被控约束对象达到相应的触发条件时执行对应的主动处置操作；

融合所述数据模型和机理模型得到智能控制模型并进行生产控制，所述智能控制模型获取所述生产控制系统的反馈参数的实时数据并输出被控参数的实时数据给所述生产控制系统，所述智能控制模型中的数据模型用于基于反馈参数的实时数据产生被控参数的实时数据，所述机理模型用于检测被控约束对象并在检测到达到相应的触发条件时执行对应的主动处置操作调节待输出给所述生产控制系统的被控参数的实时数据；

构建得到的所述生产控制系统的机理模型包括多个，所述智能控制模型由一个所述数据模型和多个所述机理模型融合得到；其中，不同的机理模型识别的被控约束对象、被控约束对象所要达到的触发条件以及被控约束对象达到相应的触发条件时执行的主动处置操作中存在至少一个不同；

构建得到的所述生产控制系统的多个机理模型包括识别机理模型和处置机理模型，所述识别机理模型用于基于所述生产控制系统的反馈参数的实时数据和所述生产控制系统的被控参数的实时数据识别所述生产控制系统的异常工况，所述处置机理模型用于在异常工况下调节待输出给所述生产控制系统的被控参数的实时数据。

2.根据权利要求1所述的方法，其特征在于，

一个所述识别机理模型识别的被控约束对象是所述生产控制系统的每项反馈参数的实时数据，所述被控约束对象所要达到的触发条件包括反馈参数的实时数据超出反馈参数的参数边界范围；

或者，一个所述识别机理模型识别的被控约束对象是所述数据模型产生的所述生产控制系统的每项被控参数的实时数据，所述被控约束对象所要达到的触发条件包括被控参数的实时数据超出被控参数的参数边界范围。

3.根据权利要求1所述的方法，其特征在于，每个识别机理模型在检测到被控约束对象达到相应的触发条件时执行对应的主动处置操作以输出异常标识，所述异常标识用于指示所述生产控制系统处于异常工况。

4.根据权利要求3所述的方法，其特征在于，一个处置机理模型识别的被控约束对象是一个识别机理模型产生的数据，所述处置机理模型在检测到所述识别机理模型输出用于指示所述生产控制系统的异常工况的异常标识时、确定被控约束对象达到触发条件、并执行主动处置操作调节待输出给所述生产控制系统的被控参数的实时数据。

5.根据权利要求1所述的方法，其特征在于，所述构建所述生产控制系统的机理模型，包括：

获取所述生产控制系统的机理规则并基于所述机理规则构建得到一个对应的机理模型；所述机理规则指示识别逻辑和处置规则，所述识别逻辑指示识别的被控约束对象以及被控约束对象所要达到的触发条件，所述处置规则指示在被控约束对象达到相应的触发条件时执行的主动处置操作。

6.根据权利要求5所述的方法，其特征在于，

获取到的所述机理规则为设计仿真机理规则或生产经验机理规则，所述设计仿真机理规则基于数学仿真模型表示，所述生产经验机理规则基于自然语言形式描述。

7.根据权利要求1所述的方法，其特征在于，构建得到训练数据集的方法包括：

获取所述生产控制系统的每一项反馈参数的历史运行数据，以及所述生产控制系统的每一项被控参数的历史运行数据；

对采集到的各项参数的历史运行数据进行数据预处理得到训练数据集；

其中，数据预处理包括对采集到的各项参数的历史运行数据进行升采样处理或降采样处理完成数据对齐，以及对各项参数的历史运行数据进行缺失值填充处理，以及对各项参数的历史运行数据进行异常值剔除。

8.根据权利要求1所述的方法，其特征在于，构建得到训练数据集的方法包括：

结合岭回归模型和递归特征消除，从所述生产控制系统的所有反馈参数和被控参数中选择对所述生产控制系统的生产控制过程的重要度最高的部分参数作为最优特征参数，由所述最优特征参数的历史运行数据构建得到所述训练数据集。