CN115729189B - 一种融合数据模型和机理模型的生产控制方法 - Google Patents
一种融合数据模型和机理模型的生产控制方法 Download PDFInfo
- Publication number
- CN115729189B CN115729189B CN202211453589.1A CN202211453589A CN115729189B CN 115729189 B CN115729189 B CN 115729189B CN 202211453589 A CN202211453589 A CN 202211453589A CN 115729189 B CN115729189 B CN 115729189B
- Authority
- CN
- China
- Prior art keywords
- production control
- model
- control system
- controlled
- data
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 124
- 238000013499 data model Methods 0.000 title claims abstract description 41
- 238000000195 production control method Methods 0.000 title claims description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 109
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 26
- 238000004088 simulation Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims 1
- 239000000758 substrate Substances 0.000 claims 1
- 230000004927 fusion Effects 0.000 description 5
- 238000009776 industrial production Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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]
Landscapes
- Feedback Control In General (AREA)
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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211453589.1A CN115729189B (zh) | 2022-11-21 | 2022-11-21 | 一种融合数据模型和机理模型的生产控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211453589.1A CN115729189B (zh) | 2022-11-21 | 2022-11-21 | 一种融合数据模型和机理模型的生产控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115729189A CN115729189A (zh) | 2023-03-03 |
CN115729189B true CN115729189B (zh) | 2024-02-27 |
Family
ID=85296763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211453589.1A Active CN115729189B (zh) | 2022-11-21 | 2022-11-21 | 一种融合数据模型和机理模型的生产控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115729189B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105259754A (zh) * | 2015-10-16 | 2016-01-20 | 华北理工大学 | 一种基于主动学习的板厚智能控制方法 |
CN106168759A (zh) * | 2016-07-12 | 2016-11-30 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络算法的混凝投药控制方法和系统 |
CN109377046A (zh) * | 2018-10-18 | 2019-02-22 | 上海经达信息科技股份有限公司 | 基于bp神经网络的车辆超载判别方法、系统和装置 |
CN110824922A (zh) * | 2019-11-22 | 2020-02-21 | 电子科技大学 | 基于六阶b-样条小波神经网络的史密斯预估补偿方法 |
RU2724990C1 (ru) * | 2020-01-09 | 2020-06-29 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Способ обнаружения и классификации морских целей с использованием математической модели определения типа цели |
CN111949700A (zh) * | 2020-06-24 | 2020-11-17 | 浙江中控技术股份有限公司 | 用于石化装置的智能安全保障实时优化方法及系统 |
CN113848706A (zh) * | 2021-09-13 | 2021-12-28 | 无锡宏源机电科技股份有限公司 | 一种丝线张力检测方法、控制方法及控制装置 |
CN115034483A (zh) * | 2022-06-16 | 2022-09-09 | 西安热工研究院有限公司 | 一种水轮发电机组运行故障监测方法及系统 |
CN115201608A (zh) * | 2022-07-26 | 2022-10-18 | 广东粤电靖海发电有限公司 | 一种基于神经网络的电厂设备运行参数监测方法 |
KR20220143423A (ko) * | 2021-04-16 | 2022-10-25 | 한국과학기술원 | 기계 학습용 아날로그 내적 연산기, 이를 이용한 기계 학습 프로세서 및 학습 방법 |
-
2022
- 2022-11-21 CN CN202211453589.1A patent/CN115729189B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105259754A (zh) * | 2015-10-16 | 2016-01-20 | 华北理工大学 | 一种基于主动学习的板厚智能控制方法 |
CN106168759A (zh) * | 2016-07-12 | 2016-11-30 | 武汉长江仪器自动化研究所有限公司 | 一种基于人工神经网络算法的混凝投药控制方法和系统 |
CN109377046A (zh) * | 2018-10-18 | 2019-02-22 | 上海经达信息科技股份有限公司 | 基于bp神经网络的车辆超载判别方法、系统和装置 |
CN110824922A (zh) * | 2019-11-22 | 2020-02-21 | 电子科技大学 | 基于六阶b-样条小波神经网络的史密斯预估补偿方法 |
RU2724990C1 (ru) * | 2020-01-09 | 2020-06-29 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Способ обнаружения и классификации морских целей с использованием математической модели определения типа цели |
CN111949700A (zh) * | 2020-06-24 | 2020-11-17 | 浙江中控技术股份有限公司 | 用于石化装置的智能安全保障实时优化方法及系统 |
KR20220143423A (ko) * | 2021-04-16 | 2022-10-25 | 한국과학기술원 | 기계 학습용 아날로그 내적 연산기, 이를 이용한 기계 학습 프로세서 및 학습 방법 |
CN113848706A (zh) * | 2021-09-13 | 2021-12-28 | 无锡宏源机电科技股份有限公司 | 一种丝线张力检测方法、控制方法及控制装置 |
CN115034483A (zh) * | 2022-06-16 | 2022-09-09 | 西安热工研究院有限公司 | 一种水轮发电机组运行故障监测方法及系统 |
CN115201608A (zh) * | 2022-07-26 | 2022-10-18 | 广东粤电靖海发电有限公司 | 一种基于神经网络的电厂设备运行参数监测方法 |
Non-Patent Citations (1)
Title |
---|
基于神经网络的水下机器人推进器故障诊断;万磊;王建国;姜春萌;孙玉山;何斌;李吉庆;;中国造船;20111220(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115729189A (zh) | 2023-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Demetriou et al. | Incipient fault diagnosis of dynamical systems using online approximators | |
Mittal et al. | Dynamics and performance modeling of multi-stage manufacturing systems using nonlinear stochastic differential equations | |
US20160116892A1 (en) | Method and system of cause analysis and correction for manufacturing data | |
CN113094860B (zh) | 一种基于注意力机制的工控网络流量建模方法 | |
CN115570228B (zh) | 一种焊接管道供气智能反馈控制方法与系统 | |
CN112486111B (zh) | 一种基于数据分析的食用油碱炼工艺智能调节方法 | |
CN105427047A (zh) | 输变电设备多维运维数据融合方法和系统 | |
CN110175682A (zh) | 一种基于混沌粒子群的优化核主元分析故障监测方法 | |
CN116431966A (zh) | 一种增量式特征解耦自编码器的堆芯温度异常检测方法 | |
CN115729189B (zh) | 一种融合数据模型和机理模型的生产控制方法 | |
CN109102080B (zh) | 一种数值型金融数据质量监控系统及方法 | |
CN111127242A (zh) | 一种基于小样本数据的电力系统可靠性动态实时评估方法 | |
CN116520758B (zh) | 一种机加工设备远程控制方法及系统 | |
CN111108738B (zh) | 数据处理设备、数据分析设备、数据处理系统和用于处理数据的方法 | |
CN108445855B (zh) | 基于K-means的注塑机配方参数优化方法 | |
CN108304854A (zh) | 一种基于随机森林的异常数据处理方法 | |
CN111523662B (zh) | 基于adaline神经网络的动态过程控制限确定方法及设备 | |
CN114186865A (zh) | 一种基于机器学习的流程工业能耗评估及优化方法 | |
Luo et al. | Data-based fault-tolerant control of the semiconductor manufacturing process based on k-nearest neighbor nonparametric regression | |
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 | |
CN112132428A (zh) | 基于大数据的蒸汽热网配汽站预测性调控决策方法 | |
Aminnayeri et al. | Short-run process control based on non-conformity degree | |
CN110825051A (zh) | 一种基于gap metric的不确定系统的多模型控制方法 | |
CN106529025B (zh) | 一种网络故障诊断方法 | |
Chen et al. | Data preprocessing using hybrid general regression neural networks and particle swarm optimization for remote terminal units |
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 |