CN115826648A - 一种基于云边协同的加热炉托管温度控制方法及系统 - Google Patents
一种基于云边协同的加热炉托管温度控制方法及系统 Download PDFInfo
- Publication number
- CN115826648A CN115826648A CN202211174460.7A CN202211174460A CN115826648A CN 115826648 A CN115826648 A CN 115826648A CN 202211174460 A CN202211174460 A CN 202211174460A CN 115826648 A CN115826648 A CN 115826648A
- Authority
- CN
- China
- Prior art keywords
- data
- heating furnace
- cloud
- edge
- algorithm
- 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
Images
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
本发明公开了一种基于云边协同的加热炉托管温度控制方法及系统,该系统包括数据采集模块、数据处理模块、云边协同架构、数据提取模块、分析模块、在线计算模块和自动更新模块。本发明结合云平台技术、大数据平台技术、算法平台技术、物联网平台技术、边缘计算等,通过多数据融合,异构精准的算法模型来驱动实现智能化加热炉管控,结合加热炉以往的经验库运行数据,建立一套基于多数据、多平台重构的分析方法,实现在不同场景炉况下维持设定出口温度所需要合理燃气流量的大小,智能分析辅助完成目标托管温度的控制。
Description
技术领域
本发明涉及加热炉集控技术领域,具体涉及一种基于云边协同的加热炉托管温度控制方法及系统。
背景技术
加热炉作为特种设备中的一类,在工业生产和生活中有着更广泛的应用,其具有危险性、基础性、广泛性、高耗能性等特点,因此,加热炉在运行过程中的安全和节能降耗直接关系工业有序的生产。
当前在国内针对加热炉的温度控制基本是采用人工管理方式,弊端是要具有专业知识的人力投入,无法保证全天候的精准安全控制,存在能源浪费,加大企业的运行成本,也会减少设备的使用寿命;同时由于炉况的复杂性和多样性,当介质流量发生改变或目标温度发生变动,通过改变燃气的流量操作以保持目标温度存在一定的滞后性,因此无法在炉况变动的瞬间通过人为操作无法合理估出燃气流量大小。随着近些年智能技术的发展,托管温度控制亟需智能化改进。
发明内容
针对上述存在的技术不足,本发明的目的是提供一种基于云边协同的加热炉托管温度控制方法及系统,本发明结合云平台技术、大数据平台技术、算法平台技术、物联网平台技术、边缘计算等,通过多数据融合,异构精准的算法模型驱动来实现智能化加热炉管控,结合加热炉以往的经验库运行数据,建立一套基于多数据、多平台重构的分析方法,实现在不同场景炉况下维持设定出口温度所需要合理燃气流量的大小。
为解决上述技术问题,本发明提供一种基于云边协同的加热炉托管温度控制系统,包括以下模块:
数据采集模块,用于通过边缘网关从各集散控制系统中采集各个传感器的实时数据,将实时数据存入数据库,并通过边缘侧网关设备传输到云端;
数据处理模块,在云端通过云技术、大数据平台技术、算法平台技术针对边缘侧传递来的数据进行建模分析,并对数据进行融合异构处理、存储和分析,从而完成自纠正算法模型构建,实现对加热炉的运行状况进行精准定位,并对边缘的设备控制提供纠正数值;
云边协同架构,采用大数据存储,提供算法分布式训练、数据处理、在线计算、自动更新,使云端和边缘侧的计算资源通过物联网技术将智能优化延伸到边缘侧,从而使边缘节点计算智能化;
数据提取模块,结合云计算、模型训练、边缘实时数据,提取加热炉运行中具有代表性的数据,构成分析样本以供后续运用,通过提取不同工况下加热炉平稳运行的数据来实现该目的;
分析模块,用于对所述数据提取模块获得的样本进行加热炉热效率与负荷率的相关关系分析;
在线计算模块,生产过程中介质流量或出口温度目标值瞬时发生较大改动时,通过云端的大数据分析,结合算法模型理论计算,推荐出合理的燃气量大小,通过物联网平台将推荐数值下发给边缘应用,从而实现对燃气流量做相关调控,使目标出口温度稳定在设定的区间;
自动更新模块,对不同工作区域下负荷率与热效率对应关系进行定时的更新。
本发明的第二个目的是提供一种基于云边协同的加热炉托管温度控制系统的控制方法,
S1:多用户操作云端进行配置和指令下发操作发送至边缘网关,边缘网关将指令转发至集散控制系统进行各传感器的连接配置;
S2:通过集散控制系统采集到实时数据后上传至边缘网关,由边缘网关将数据进行DB存储和云端上传;
S3:云端针对边缘侧传递来的数据进行建模分析,并对数据进行融合异构处理,清洗掉存在的异常数据,对模型进行融合异构数据处理,并实现数据的处理、存储和分析,从而完成机器自纠正算法模型构建,实现对加热炉的运行状况进行精准定位,并对边缘的设备控制提供纠正数值;
S4:通过提取不同工况下炉子平稳运行的数据来实现,获得运行中具有代表性的数据,构成分析样本,录入数据库,该数据将通过物联网技术由边缘侧传输到云端,以供大数据算法模型后续分析;
S5:将以上步骤S4获得的样本进行加热炉热效率与负荷率的相关关系分析,包含热效率、负荷率的计算和按负荷率分区后进行负荷率与热效率的拟合两个步骤,从而确定不同工况下对应的热效率值η;
S6:出口温度目标设定值发生了改变,程序首先自动计算改变后的负荷率大小,结合算法模型理论计算推荐出合理的燃气量大小,使目标出口温度稳定在设定的区间,根据负荷率大小,确定落入到某个工作区域Gk,利用该工作区域内的加热炉热效率与负荷率的关系确定此时的加热炉热效率η,再根据不同工况下燃气流量计算公式,确定了当出口温度目标设定值发生改变后,要维持出口温度处于设定区间范围内,此时要求的燃气流量的数值的大小;
S7:设定一个更新检查周期T,设定获取数据集时间跨度T2,在云端从大数据平台的历史数据库中获取离该时间节点时间跨度在T2范围内的数据,重复步骤S4筛选出炉子平稳运行的数据,得到数据集D,根据步骤S6,对不同工作区域下负荷率与热效率对应关系进行定时的更新。
进一步地,上述步骤S31,所述数据处理模块,具体建模步骤流程如下:
S31:用户通过在算法平台创建Python单机或分布式训练环境,根据需求自主安装业内主流算法组件如TensorFlow,PyTorch,Paddle等供开发训练使用;
S32:利用平台的数据自动或定时导出功能,导出训练数据集,并进行大数据分析处理以及数据清洗和格式化,存入到指定算法训练项目中;
S33:通过算法程序在线编辑工具,上传算法训练资源和编辑算法训练脚本,发布到训练环境进行CPU/GPU深度学习,在训练过程中可通过算法训练可视化工具实时查询训练进度、日志记录以及各项训练指标;
S34:算法项目训练成功生成算法模型,在模型管理界面,可对模型进行注册,进行版本管理,用户可根据业务需求将模型在平台进行部署或构建成Docker镜像部署到其他系统,为各业务场景提供算法模型预测服务。
进一步地,上述步骤S4包括:
S41:固定一段时间窗口T,依次滑动该时间窗口,通过云端大数据分析,并结合边缘计算该窗口内特定点位的平稳性;
其中,yji分别为特征变量的第i个值,j=1,2,3,代表特征变量;
T是时间窗口长度;
F是数据采样周期;
ε是预先指定的稳态判定阈值,取值范围为(0,0.05);
S44:不断滑动窗口,重复以上过程,从而获得多个分析样本。
进一步地,步骤S41中,所述时间窗口T大于滞后时间,所述特定点位包括燃气流量、介质流量、出口温度和入口温度。
进一步地,步骤S5中,所述热效率、负荷率的计算公式包括式(1)和式(2):
其中ηl为加热炉的额定功率;
C介为被加热介质的比热容,C介=(1-δ)*C油+δC水,δ为介质含水率,C油纯石油比热容,C水纯水比热容;
v为被加热介质流量;
ρ为被加热介质密度,ρ=(1-δ)*ρ油+δ*ρ水,ρ油为石油比热容,ρ水为纯水比热容;
T出、T入分别为出口温度、入口温度;
B为燃气流量大小;
进一步地,所述步骤S5中,按负荷率分区后进行负荷率与热效率的拟合,不同工况下对应的燃气流量公式为:
其中当前时刻的进出口温度T入、T出、介质流量v为测试数据,由现场传感器实时采集到,已知当前时刻热效率值η,即可求得对应的燃气流量B大小;
利用采集的历史数据,通过按负荷率分区,在不同负荷率工作区域内拟合负荷率与热效率的关系,从而确定不同工况下对应的热效率值η,拟合方法包括任何线性、非线性拟合、大数据建模预测分析。
进一步地,所述拟合方法为一元线性回归关系拟合,一元线性回归方程形式如下y=kx+b,针对某个工作区域Gk,分别利用以下式子求得对应的kk、bk:
其中,xi表示负荷率,yi表示热效率,n表示该工作区域Gk数据的条数。
综上总结,本发明与现有方法和技术相比,具备以下有益效果:
1.本发明运用物联网技术、边缘计算、云平台、大数据分析技术,进行加热炉热效率与负荷率的相关关系分析和负荷率与热效率的拟合,专门用于加热炉的智慧托管算法,利用机理智能分析辅助完成目标托管温度的控制实现;
2.本发明结合大数据技术、算法模型理论计算、边缘计算,确定不同工况下对应不同出口温度目标值所需要的燃气流量大小,通过机理计算燃气流量大小来控制目标出口温度的步骤。
3.本发明通过多数据融合,异构精准的算法模型驱动来实现智能化加热炉管控,结合加热炉以往的经验库运行数据,建立一套基于多数据、多平台重构的分析方法,并且基于海量历史数据进行大数据分析,实现在不同场景炉况下维持设定出口温度所需要合理燃气流量的大小,避免了热传递纯物理仿真模型过程所需要考虑的复杂条件;
4.本发明的控制方法有一定的容错、纠错能力,且能克服因出口温度存在滞后性导致在某个时间段内燃气流量大小无法确定的问题;
5.本发明的算法方案能够自动完成更新学习过程,对不同工作区域下负荷率与热效率对应关系进行定时的更新,避免推荐的燃气流量大小计算出现偏差。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1的数据采集模块工作流程图;
图2为本发明实施例1的数据处理模块工作流程图;
图3为本发明实施例1的控制系统的整体工作流程图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
一、数据采集模块
数据采集流程图如图1所示,该模块通过边缘网关从各集散控制系统中采集各个传感器的实时数据,将实时数据存入数据库,并通过边缘侧网关设备传输到云端。利用边缘计算技术实现原始数据分析、整理、计算、编辑等加工处理,通过物联网技术,实现云端的转换、存储、调度,并对敏感数据进行分类和加密,实现云平台对边缘的数据采集。
1、首先多用户操作云端进行配置和指令下发等操作发送至边缘网关。然后边缘网关将指令转发至集散控制系统进行各传感器的连接配置。
2、通过集散控制系统采集到数据后上传至边缘网关,由边缘网关将数据进行DB存储和云端上传。
二、数据处理分析模块
在云端通过云技术、大数据平台技术、算法平台技术针对边缘侧传递来的数据进行建模分析,并对数据进行融合异构处理,清洗掉存在的异常数据,对模型进行融合异构数据处理,并实现数据的处理、存储和分析,从而完成机器自纠正算法模型构建,实现对加热炉的运行状况进行精准定位,并对边缘的设备控制提供纠正数值;
数据处理流程图如图2所示,包括以下步骤:
1、用户通过在算法平台创建Python单机或分布式训练环境,根据需求自主安装业内主流算法组件如TensorFlow,PyTorch,Paddle等供开发训练使用;
2、利用平台的数据自动或定时导出功能,导出训练数据集,并进行大数据分析处理以及数据清洗和格式化,存入到指定算法训练项目中;
3、通过算法程序在线编辑工具,上传算法训练资源和编辑算法训练脚本,发布到训练环境进行CPU/GPU深度学习,在训练过程中可通过算法训练可视化工具实时查询训练进度、日志记录以及各项训练指标;
4、算法项目训练成功生成算法模型,在模型管理界面,可对模型进行注册,进行版本管理,用户可根据业务需求将模型在平台进行部署或构建成Docker镜像部署到其他系统,为各业务场景提供算法模型预测服务;
三、云边协同架构
使云端和边缘侧的计算资源通过物联网技术将智能优化延伸到边缘侧,从而使边缘节点计算智能化,如图3所示,在云平台提供大数据存储,并且提供算法分布式训练、数据处理、在线计算、自动更新的技术支持,应用开发者和算法用户按照云平台设定的开发模式和使用规则进行匹配,把边缘数据收集到云端大数据仓库进行存储,并分析处理,将结果反馈到边缘。以AI场景为例,我们可以把部分的分析功能放到边缘,然后从边缘收集数据在云端进行训练,训练好的模型下发到边缘。另外,云上的能力也形成联动,比如把边缘数据收集上来,在云上做呈现和再加工。即满足了实时性的要求,也大幅度提高针对炉况场景需求要求,实现更智能、更精准、更快速、更有效、更节能的托管温度控制目标;
四、数据提取模块
本模块主要功能是结合云计算、模型训练、边缘实时数据,提取炉子运行中具有代表性的数据,以供后续分析运用,通过提取不同工况下炉子平稳运行的数据来实现该目的。
数据提取具体步骤如下:
固定一段时间窗口T,假设T=30min(大于滞后时间),依次滑动该时间窗口,通过云端大数据分析,并结合边缘计算该窗口内某些特定点位(燃气流量、介质流量、出口温度)的平稳性,按如下判定准则判断点位在该过程的稳定状态:
其中,yji(j=1,2,3,代表特征变量)分别为特征变量(燃气流量、介质流量、出口温度)的第i个值;
T是时间窗口长度,F是数据采样周期;
ε是预先指定的稳态判定阈值,取值范围为(0,0.05)。
当所有选定特征变量(3个)在该时间窗口下稳态状态值都在ε阈值以下,则该时间窗口段数据即为代表性的数据,求取每个特征(燃气流量、介质流量、出口温度、入口温度)在该时间窗口的平均值为该点位代表值,则由此构成一个分析样本,录入数据库,该数据将通过物联网技术由边缘侧传输到云端,以供大数据算法模型后续分析。不断滑动窗口,重复以上过程,从而获得多个分析样本。
五、分析模块
该模块主要针对以上获得的样本进行加热炉热效率与负荷率的相关关系分析,包含热效率、负荷率的计算和按负荷率分区后进行负荷率与热效率的拟合两个步骤。
(1)热效率、负荷率的计算
S11:先根据下式计算负荷率;对被加热介质无相变的加热炉,加热炉的有效负荷率
其中ηl为加热炉的额定功率,C介为被加热介质的比热容,C介=(1-δ)*C油+δC水,δ为介质含水率,C油纯石油比热容,C水纯水比热容;v为被加热介质流量;ρ为被加热介质密度,ρ=(1-δ)*ρ油+δ*ρ水,ρ油为石油比热容,ρ水为纯水比热容;T出、T入分别为出口温度、入口温度。
S12:再计算热效率η;由正平衡法计算热效率公式知
其中B为燃气流量大小;
(2)按负荷率分区后进行负荷率与热效率的拟合
由热效率计算公式知,不同工况下对应的燃气流量如下式
从该式可知,C介、ρ、Qnet为化验数据,可以认定为一已知定值;当前时刻的进出口温度T入、T出、介质流量v为测试数据,可由现场传感器实时采集到,若已知当前时刻热效率值η,即可求得对应的燃气流量B大小。由于热效率η为计算值,且在不同工况下其数值大小都存在较大幅度的变化,本方案利用采集的历史数据,通过按负荷率分区,在不同负荷率工作区域内拟合负荷率与热效率的关系,从而确定不同工况下对应的热效率值η。
具体步骤如下:
S21:通过数据提取模块得到相关稳定数据库数据,计算出每条样本对应下的负荷率、热效率值入库,利用负荷率区域分类器按照负荷率的大小将加热炉工况划分成N个不同工作区域[G1,G2,......,GN],每个工作区域对应一定范围的负荷率。假定N=6,当加热炉正常工作的负荷率在设计负荷率[70%,130%]范围变化时,6个区域的范围为[70%,80%),[80%,90%),[90%,100%),[100%,110%),[110%,120%),[120%,130%]。
S22:针对某个负荷率区间Gk,拟合该区间负荷率与热效率的关系。本案例以简单一元线性回归关系拟合两者关系来进行解释说明,但需注意该拟合关系不仅仅局限于线性拟合,凡是涉及负荷率与热效率探索拟合关系的模型,包括任何线性、非线性拟合、大数据建模预测分析等方式也属于该方案的保护范围。
一元线性回归方程形式如下y=kx+b,针对某个工作区域Gk,分别利用以下式(5)和式(6)分别求得对应的kk、bk:
其中,xi表示负荷率,yi表示热效率,n表示该工作区域Gk数据的条数。
六、在线计算模块
当生产过程中介质流量或出口温度目标值瞬时发生较大改动时,此时若继续原有的火力,会导致目标出口温度偏离设定区间,而又由于出口温度存在滞后性,调整燃气流量大小不能及时看到出口温度的变化,导致这段时间无法确定燃气流量合适的数值。此时若通过云端的大数据分析,结合算法模型理论计算即可推荐出合理的燃气量大小,使目标出口温度稳定在设定的区间。
具体实施上,假设出口温度目标设定值发生了改变,则程序首先自动计算改变后的负荷率大小:
其中,T出,t为改变后的出口温度目标设定值。
即确定了当出口温度目标设定值发生改变后,要维持出口温度处于设定区间范围内,此时要求的燃气流量的数值的大小,根据此推荐数值通过物联网平台下发给边缘应用,从而实现对燃气流量做相关调控。
六、自动更新模块
随着加热炉运行时间的进行,由于各种干扰因素的影响(比如结垢),负荷率与热效率之间的对应关系会存在一些变化,此时若不及时更新不同工作区域下负荷率与热效率的对应拟合关系,会存在推荐的燃气流量大小计算出现偏差。因此需要对不同工作区域下负荷率与热效率对应关系进行定时的更新。具体流程如下:
(1)设定一个更新检查周期T(比如T=1个月),设定获取数据集时间跨度T2(比如T2=3个月)
(2)在云端从大数据平台的海量历史数据库中获取离该时间节点时间跨度在T2范围内的数据,利用数据提取模块的步骤筛选出炉子平稳运行的数据,得到数据集D;
综上所述,本发明所叙述的实施例是说明性,而不是限定性,显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围,凡是本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明的保护范畴。
Claims (9)
1.一种基于云边协同的加热炉托管温度控制系统,其特征在于,包括以下模块:
数据采集模块,用于通过边缘网关从各集散控制系统中采集各个传感器的实时数据,将实时数据存入数据库,并通过边缘侧网关设备传输到云端;
数据处理模块,在云端通过云技术、大数据平台技术、算法平台技术针对边缘侧传递来的数据进行建模分析,并对数据进行融合异构处理、存储和分析,从而完成自纠正算法模型构建,实现对加热炉的运行状况进行精准定位,并对边缘的设备控制提供纠正数值;
云边协同架构,采用大数据存储,提供算法分布式训练、数据处理、在线计算、自动更新,使云端和边缘侧的计算资源通过物联网技术将智能优化延伸到边缘侧,从而使边缘节点计算智能化;
数据提取模块,结合云计算、模型训练、边缘实时数据,提取加热炉运行中具有代表性的数据,构成分析样本以供后续运用,通过提取不同工况下加热炉平稳运行的数据来实现;
分析模块,用于对所述数据提取模块获得的样本进行加热炉热效率与负荷率的相关关系分析;
在线计算模块,生产过程中介质流量或出口温度目标值瞬时发生较大改动时,通过云端的大数据分析,结合算法模型理论计算,推荐出合理的燃气量大小,通过物联网平台将推荐数值下发给边缘应用,从而实现对燃气流量做相关调控,使目标出口温度稳定在设定的区间;
自动更新模块,对不同工作区域下负荷率与热效率对应关系进行定时的更新。
2.如权利要求1所述的一种基于云边协同的加热炉托管温度控制系统的控制方法,其特征在于,包括以下步骤:
S1:多用户操作云端进行配置和指令下发操作发送至边缘网关,边缘网关将指令转发至集散控制系统进行各传感器的连接配置;
S2:通过集散控制系统采集到实时数据后上传至边缘网关,由边缘网关将数据进行DB存储和云端上传;
S3:云端针对边缘侧传递来的数据进行建模分析,并对数据进行融合异构处理,清洗掉存在的异常数据,对数据进行融合异构处理,并实现数据的处理、存储和分析,从而完成机器自纠正算法模型构建,实现对加热炉的运行状况进行精准定位,并对边缘的设备控制提供纠正数值;
S4:通过提取不同工况下炉子平稳运行的数据来实现,获得运行中具有代表性的数据,构成分析样本,录入数据库,该数据将通过物联网技术由边缘侧传输到云端,以供大数据算法模型后续分析;
S5:将上述步骤S4获得的样本进行加热炉热效率与负荷率的相关关系分析,包含热效率、负荷率的计算和按负荷率分区后进行负荷率与热效率的拟合两个步骤,从而确定不同工况下对应的热效率值η;
S6:出口温度目标设定值发生了改变,程序首先自动计算改变后的负荷率大小,结合算法模型理论计算推荐出合理的燃气量大小,使目标出口温度稳定在设定的区间,根据负荷率大小,确定落入到某个工作区域Gk,利用该工作区域内的加热炉热效率与负荷率的关系确定此时的加热炉热效率η,再根据不同工况下燃气流量计算公式,确定了当出口温度目标设定值发生改变后,要维持出口温度处于设定区间范围内,此时要求的燃气流量的数值的大小;
S7:设定一个更新检查周期T,设定获取数据集时间跨度T2,在云端从大数据平台的历史数据库中获取离该时间节点时间跨度在T2范围内的数据,重复步骤S4筛选出炉子平稳运行的数据,得到数据集D,根据步骤S6,对不同工作区域下负荷率与热效率对应关系进行定时的更新。
3.如权利要求2所述的一种基于云边协同的加热炉托管温度控制系统的控制方法,其特征在于,上述步骤S31,所述数据处理模块,具体建模步骤流程如下:
S31:用户通过在算法平台创建Python单机或分布式训练环境,根据需求自主安装业内主流算法组件如TensorFlow,PyTorch,Paddle等供开发训练使用;
S32:利用平台的数据自动或定时导出功能,导出训练数据集,并进行大数据分析处理以及数据清洗和格式化,存入到指定算法训练项目中;
S33:通过算法程序在线编辑工具,上传算法训练资源和编辑算法训练脚本,发布到训练环境进行CPU/GPU深度学习,在训练过程中可通过算法训练可视化工具实时查询训练进度、日志记录以及各项训练指标;
S34:算法项目训练成功生成算法模型,在模型管理界面,可对模型进行注册,进行版本管理,用户可根据业务需求将模型在平台进行部署或构建成Docker镜像部署到其他系统,为各业务场景提供算法模型预测服务。
4.如权利要求2所述的一种基于云边协同的加热炉托管温度控制系统的控制方法,其特征在于,上述步骤S4包括:
S41:固定一段时间窗口T,依次滑动该时间窗口,通过云端大数据分析,并结合边缘计算该窗口内特定点位的平稳性;
其中,yji分别为特征变量的第i个值,j=1,2,3,代表特征变量;
T是时间窗口长度;
F是数据采样周期;
ε是预先指定的稳态判定阈值,取值范围为(0,0.05);
S44:不断滑动窗口,重复以上过程,从而获得多个分析样本。
5.如权利要求4所述的一种基于云边协同的加热炉托管温度控制系统的控制方法,其特征在于,步骤S41中,所述时间窗口T大于滞后时间,所述特定点位包括燃气流量、介质流量、出口温度和入口温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211174460.7A CN115826648A (zh) | 2022-09-26 | 2022-09-26 | 一种基于云边协同的加热炉托管温度控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211174460.7A CN115826648A (zh) | 2022-09-26 | 2022-09-26 | 一种基于云边协同的加热炉托管温度控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115826648A true CN115826648A (zh) | 2023-03-21 |
Family
ID=85523969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211174460.7A Pending CN115826648A (zh) | 2022-09-26 | 2022-09-26 | 一种基于云边协同的加热炉托管温度控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115826648A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116482994A (zh) * | 2023-06-26 | 2023-07-25 | 深圳市佳运通电子有限公司 | 一种加热炉的实时控制方法、装置、介质及计算机设备 |
-
2022
- 2022-09-26 CN CN202211174460.7A patent/CN115826648A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116482994A (zh) * | 2023-06-26 | 2023-07-25 | 深圳市佳运通电子有限公司 | 一种加热炉的实时控制方法、装置、介质及计算机设备 |
CN116482994B (zh) * | 2023-06-26 | 2024-02-13 | 深圳市佳运通电子有限公司 | 一种加热炉的实时控制方法、装置、介质及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101619850B (zh) | 基于热电系统负荷在线预测的调度方法与系统 | |
CN102809928B (zh) | 一种工业企业热力设备能耗的控制优化方法 | |
CN101408769B (zh) | 一种基于乘积arima模型的在线能源预测系统及方法 | |
CN114742294A (zh) | 一种碳排放预测的神经网络算法 | |
CN100501608C (zh) | 后验控制与多传感器融合方法及中央空调节能控制装置 | |
CN104102211B (zh) | 一种燃煤热电厂热电联产系统的调度方法、服务器和系统 | |
Lim et al. | BIM and genetic algorithm optimisation for sustainable building envelope design | |
CN106910144B (zh) | 基于分时刻实际用能系数的大型建筑逐时能耗在线预测方法 | |
CN110701796B (zh) | 一种基于云预测算法的热水系统节能控制系统 | |
CN113919028A (zh) | 一种基于大数据分析的工程造价评估管理系统 | |
CN112413831A (zh) | 一种中央空调节能控制系统及方法 | |
CN103268069A (zh) | 基于Hammerstein模型的自适应预测控制方法 | |
CN112597430B (zh) | 一种用于复杂精馏塔的操作参数优化方法 | |
CN112712189A (zh) | 一种供热需求负荷预测方法 | |
CN115826648A (zh) | 一种基于云边协同的加热炉托管温度控制方法及系统 | |
CN102004444A (zh) | 稀土萃取过程组分含量多模型预测控制方法 | |
CN110852496A (zh) | 一种基于lstm循环神经网络的天然气负荷预测方法 | |
CN114925874A (zh) | 一种基于bert神经网络模型的碳排量预判方法及装置 | |
CN102637020A (zh) | 一种轧钢加热炉集成型控制系统 | |
CN114415607A (zh) | 基于数据驱动的设计工艺制造一体化数字孪生系统 | |
CN101598927B (zh) | 一种基于神经网络的纯碱碳化工艺控制系统及其控制方法 | |
CN1651613A (zh) | 一种碳素阳极焙烧生产系统的控制方法 | |
CN109386839A (zh) | 一种基于物联网技术的在线燃煤监测管理方法及系统 | |
CN112347629A (zh) | 基于流程模拟软件的常减压装置模拟计算优化平台 | |
CN116085823A (zh) | 锅炉燃烧控制方法及系统 |
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 |