CN116165976A - 生产系统的控制方法、装置、系统、设备及存储介质 - Google Patents

Abstract

本说明书实施例提供一种生产系统的控制方法、装置、系统、设备及存储介质，所述方法应用于预测控制系统，所述预测控制系统包括线性模型和非线性模型，所述方法包括：在每一个采样时刻，迭代执行如下步骤，直至求解出满足预设条件的目标函数值：确定输入序列；将所述线性模型对本次确定的输入序列预测的第一输出序列和所述非线性模型对本次确定的输入序列预测的第二输出序列融合后，代入至预设的目标函数以计算得到目标函数值；利用求解出的满足预设条件的目标函数值对应的输入序列，生成控制指令控制所述生产系统。

Description

生产系统的控制方法、装置、系统、设备及存储介质

技术领域

本公开涉及工业控制技术领域，尤其涉及生产系统的控制方法、装置、系统、设备及存储介质。

背景技术

先进控制技术是实现智能制造升级的核心技术，通过建立模型可以有效处理大时滞系统和工艺约束，实现生产制造流程的全自动控制，在水泥、钢铁或炼油等工业生产行业取得了成功的应用。

传统的模型预测控制方案采用一个模型进行趋势预测与控制动作计算。具体的，生产设备对应有输入参数和输出参数，传统方案构建出表示输入参数和输出参数的线性关系的模型，并利用历史生产数据对其进行训练。在线时控制动作计算实际上是最优化问题的求解，通过持续调节不同的未来输入序列，根据训练得到的线性关系预测对应的未来输出序列，直至寻找到最优的目标输入序列。

在工业生产技术领域，设备的控制需要满足实时性要求，因此传统方案采用线性模型以快速进行优化求解。然而，实际的生产过程是非常复杂的，并且可能受到外部扰动，输入参数和输出参数之间并非是简单的线性关系，两者之间往往存在非线性的动态关系，传统的线性模型虽然实现简单、且能够快速进行最优化求解，但是不足以对输入参数与输出参数之间的关系进行准确描述，因此模型无法对输出参数进行准确预测，导致实际的控制效果不佳。

发明内容

为克服相关技术中存在的问题，本公开提供了生产系统的控制方法、装置、计算机设备及存储介质。

根据本说明书实施例的第一方面，提供一种生产系统的控制方法，所述方法应用于预测控制系统，所述预测控制系统包括线性模型和非线性模型；

所述线性模型和所述非线性模型分别用于预测输入序列对应的输出序列；

所述方法包括：

在每一个采样时刻迭代执行如下步骤，直至求解出满足预设条件的目标函数值：确定输入序列；将所述线性模型对本次确定的输入序列预测的第一输出序列和所述非线性模型对本次确定的输入序列预测的第二输出序列融合后，代入至预设的目标函数以计算得到目标函数值；

利用求解出的满足预设条件的目标函数值对应的输入序列，生成控制指令控制所述生产系统。

根据本说明书实施例的第二方面，提供一种生产系统的控制装置，所述装置应用于预测控制系统，所述预测控制系统包括线性模型和非线性模型；

所述线性模型和所述非线性模型分别用于预测输入序列对应的输出序列；

所述装置包括：

执行模块，用于：在每一个采样时刻迭代执行如下步骤，直至求解出满足预设条件的目标函数值：确定输入序列；将所述线性模型对本次确定的输入序列预测的第一输出序列和所述非线性模型对本次确定的输入序列预测的第二输出序列融合后，代入至预设的目标函数以计算得到目标函数值；

控制模块，用于：利用求解出的满足预设条件的目标函数值对应的输入序列，生成控制指令控制所述生产系统。

根据本说明书实施例的第三方面，提供一种工业控制系统，所述工业控制系统包括预测控制系统与生产系统，所述预测控制系统与所述生产系统连接，所述预测控制系统包括：

建模子系统，用于利用所述生产系统的历史生产数据训练得到线性模型和非线性模型；

控制子系统，用于获取所述生产系统的实时运行数据，在每一个采样时刻，迭代执行如下步骤，直至求解出满足预设条件的目标函数值：确定当前输入序列；将所述线性模型对所述当前输入序列预测的第一输出序列和所述非线性模型对所述当前输入序列预测的第二输出序列融合后，代入至预设的目标函数计算目标函数值；利用求解出的满足预设条件的目标函数值对应的当前输入序列，生成控制指令控制所述生产系统。

根据本说明书实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述第一方面所述方法实施例的步骤。

根据本说明书实施例的第五方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现前述第一方面所述方法实施例的步骤。

本说明书的实施例提供的技术方案可以包括以下有益效果：

本说明书实施例中，预测控制系统包括线性模型和非线性模型，非线性模型不直接用于寻优求解，其非线性的特点能够准确预测出输出序列，非线性模型的结构没有限制，相比于常规的非线性模型预测控制算法，具有很强的通用性。而线性模型用于最优化求解，在求解时，输出序列融合了非线性模型的预测，因此提升了输出序列的预测准确性；并且由于线性模型的线性特点，使得模型参数具有可解释性，便于调优，因此能有效避免基于黑盒非线性模型寻优可能存在的控制动作异常或次优，在全工况范围内具备较强的鲁棒性；同时该算法计算效率高，能满足工业生产系统的高频计算要求。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。

图1是本说明书根据一示例性实施例示出的相关技术中的控制示意图。

图2A和图2B分别是本说明书根据一示例性实施例示出的一种生产系统的控制方法的流程图。

图2C是本说明书根据一示例性实施例示出的一种模型的预测示意图。

图2D是本说明书根据一示例性实施例示出的一种优化求解的示意图。

图2E是本说明书根据一示例性实施例示出的一种预测控制系统的示意图。

图2F是本说明书根据一示例性实施例示出的另一种生产系统的控制方法的流程图。

图3是本说明书根据一示例性实施例示出的一种生产系统的控制装置所在计算机设备的框图。

图4是本说明书根据一示例性实施例示出的一种生产系统的控制装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

复杂工业生产制造过程(如水泥、钢铁或石化等)中往往存在极强的非线性，即不同工况条件下，生产过程的响应特性会发生非线性的变化。对于这类复杂系统，传统控制器适应性差，实际控制效果波动性较大，无法满足实际生产要求，往往需要依赖操作员时刻监测关键变量，进行手动调节，导致一线生产人员工作强度大，同时系统无法保持在最优生产工况，造成效益损失。

如图1所示，是相关技术中的预测控制方案，传统模型预测控制算法采用同一模型进行趋势预测与控制动作计算，且模型为线性预测模型，无法对非线性过程变量进行准确预测，因此得到的控制效果无法满足实际生产要求。

传统方案中，利用历史生产数据训练一个控制模型，控制模型与生产系统连接，控制模型需要执行如下的预测及优化求解过程：

从生产系统获取生产数据后，基于约束条件，调节出一个未来输入序列，预测出与该未来控制序列对应的未来输出序列，计算对应的目标值(目标函数值)，重复该调节过程，直至寻找到最优的目标未来输入序列。利用寻找到的最优的输入序列，生成控制指令发送给生产系统。

由于实际的生产过程中输入和输出之间往往存在非线性的动态关系，线性模型无法准确预测，在这一基础上，相关技术的改进方向是非线性模型预测控制技术，其主要改进是建立能准确描述系统特性的非线性模型，并基于该非线性模型进行寻优，以获得满足控制目标的最优输入序列。但这类算法的核心仍是依赖同一个模型进行趋势预测与控制动作计算，这类方案在实际应用中存在如下问题：

1、基于AI(Artificial Intelligence，人工智能)的非线性模型只能保证模型输出变量的预测精度，但模型的任务还包括控制动作的最优计算，非线性模型中的导数信息与实际过程往往存在较大差异，因此在寻优的过程中，由于导数信息的偏差以及因果关系上存在的不确定性，极易导致控制器求解进入错误的寻优方向，得到不合适的控制动作，造成控制性能下降。

2、可解释的非线性预测模型开发难度高，需要耗费很大的精力去构建训练模型；并且，需要结合过程机理进行建模开发，对开发者要求高，且难以维护；而对于机理不明确的复杂生产系统，无法得到准确的机理模型。

3、基于传统非线性模型的优化控制求解计算效率低下，由于非线性模型往往涉及大规模的变量和复杂的非线性关系，优化求解耗时长，且求解鲁棒性差，易陷入局部鞍点或者求解失败，因此无法满足工业生产的实时性(秒级)的要求。

基于以上原因，非线性模型并未在工业生产中取得广泛应用，而针对这类复杂非线性系统的自动控制问题也是业内的重大挑战和痛点。

基于此，本说明书实施例提供一种工业生产系统的控制方法，该方法中，预测控制系统包括线性模型和非线性模型，非线性模型不直接用于寻优求解，其非线性的特点能够准确预测出输出序列，非线性模型的结构没有限制，相比于常规的非线性模型预测控制算法，具有很强的通用性。而线性模型用于最优化求解，在求解时融合了非线性模型预测的输出序列，因此提升了输出序列的预测准确性；并且由于线性模型的线性特点，使得模型参数具有可解释性，便于调优，因此能有效避免基于黑盒的线性模型得到的控制动作异常，在全工况范围内具备较强的鲁棒性；同时该算法计算效率高，能满足工业生产系统的高频计算要求。

如图2A所示，是本说明书根据一示例性实施例示出的一种工业生产系统的控制方法的流程图，如图2B所示，该方法可应用于预测控制系统，所述预测控制系统包括线性模型和非线性模型。

所述线性模型和所述非线性模型分别用于预测输入序列对应的输出序列。该方法可包括以下步骤：

在步骤202、在每一个采样时刻，执行如下步骤：迭代执行如下步骤，直至求解出满足预设条件的目标函数值：确定输入序列；将所述线性模型对本次确定的输入序列预测的第一输出序列和所述非线性模型对本次确定的输入序列预测的第二输出序列融合后，代入至预设的目标函数以计算得到目标函数值。

在步骤204、利用求解出的满足预设条件的目标函数值对应的输入序列，生成控制指令控制所述生产系统。

实际应用中，生产系统可以是任一工业领域的生产系统，例如水泥生产系统、固废发电系统或钢铁生产系统等等。

本实施例中生产系统对应输入参数和输出参数。生产系统的输入参数，是指输入至生产系统中一种或多种被控设备的参数；输入参数的类型大于或等于1。输入参数可以包括操作变量(MV，Manipulated Variable)，操作变量是指可以人为调控的并且影响系统输出的变量，用于控制生产系统中的被控设备，是可控制的变量；可选的，输入参数还可以包括扰动变量，扰动变量是指不可人为调控的但也影响系统输出的变量，其并非是可控的变量，但会影响到生产系统的输出。

生产系统的输出参数，是指上述设备被控制后输出相关的参数，也可以称为被控变量(CV，Controlled Variable)。可以根据实际应用的生产系统及工艺要求，灵活地选择合适的输入参数和输出参数，本实施例对此不进行限定。

以水泥生产系统场景为例，水泥生产系统的被控设备是分解炉，需要对水泥分解炉进行自动控制。分解炉的出口温度可以反映物料在分解炉内的预分解状况。分解炉温度的稳定对分解炉的操作很重要，并且温度受生料喂料量、生料成分等多种因素影响，同时也存在多种不可测的扰动变量。示例性的，水泥生产系统中，输入参数中的操作变量可以包括分解炉的喂煤量，扰动变量包括不可人为控制的二次风温，生料进料量或燃煤热值波动等。生产系统的输出参数包括分解炉的出口温度等。

以工业气体生产空气分离系统为例，生产系统的输入数据包括输入空气流量、压缩机和精馏塔阀门开度，即操作变量包括进入压缩机空气流量、进口阀开度、放空开度、主塔回流量阀和液氧机回流量阀等；生产系统的输出数据包括产品流量、纯度和压强等，即输出参数包括出口氧气、氩气、氮气等产品纯度、产品负荷、运行温度、压力或液位等。

本实施例中，所述输入序列包括多个采样时刻对应的输入参数，所述输出序列包括多个采样时刻对应的输出参数。

本实施例的控制方案中包括两个模型，一个是线性模型，一个是非线性模型。其中，非线性模型可用于准确地预测输出序列，线性模型可用于优化求解，从而保证在线控制的实时性要求。

线性模型和非线性模型是根据“历史的操作变量(MV)和扰动变量(DV)序列、以及未来的MV序列”来预测未来的趋势(即未来输出序列CV)，其中线性模型和非线性模型可以用到不同的MV和DV，在求解过程中只有未来的MV序列是可以变化的，也是求解问题的输出。

非线性模型可以采用任意的结构，例如有监督学习、无监督学习或深度学习等算法进行训练，可以根据实际应用的生产系统灵活设置。非线性模块的任务，是对生产系统的输入序列预测出输出序列。如图2C所示，是本说明书根据一示例性实施例示出的预测模型的预测示意图，图中t表示时刻，k为当前时刻，CV表示输出变量随时间变化的序列，MV表示输入变量随时间变化的序列；

其中，在k之后的采用虚线表示的u，是指未来一段时间的未来输入序列；在k之后的采用虚线表示的y，是指未来一段时间的未来输出序列。

预测模型的任务，是基于历史动作和未来动作的调整，预测模型可以得到未来CV的预测序列，为控制器计算控制动作提供依据，有效提升控制器响应速度和控制效果。

线性模型是可解释的模型，即模型中的参数是可解释的，用于描述输入参数至输出参数的控制关系，例如操作变量到被控变量的控制关系。可选的，也可以是描述“操作变量和扰动变量”到被控变量的控制关系。实际应用中，可以是用户自定义操作变量到被控变量的控制关系，也可以采用系统辨识算法构建该模型，示例性的，可以采用传递函数等构建模型。线性模型是可解释的模型，例如，线性模型描述了y＝f(u)，函数f表示输入参数y与输出参数u之间的线性关系，函数f中的参数是可解释的。

本实施例中，步骤202可以是在每一个采样时刻执行，各个采样时刻的可以是固定的间隔时间，间隔时间可以根据需要灵活配置，本实施例对此不进行限定。

本实施例中，将线性模型预测的未来的输出序列称为第一输出序列，将非线性模型预测的未来的输出序列称为第二输出序列；在线实时控制时，将融合第一输出序列和第二输出序列进行最优化求解。

如图2D所示，是本说明书根据一示例性实施例示出的优化求解的示意图。在t＝k时刻，可以计算未来N个采样时刻的最优控制轨迹，并执行下一步的控制输出。其中，可以根据需要灵活配置，本实施例对此不进行限定。

实际应用中，线性模型的目标函数可以根据需要灵活配置。在一些例子中，线性模型的目标函数可以是：未来一段时间内，CV到设定值的偏差，加上MV变化量。其中，CV到设定值的偏差，以及MV变化量可以分别设置不同的权重，表示不同目标间的相对重要程度。

实际应用中，最优化问题的求解过程中，需要调节不同的未来的输入序列。基于过去和未来的输入序列，本实施例方案利用线性模型和非线性模型得到未来的输出序列，相比于单纯线性模型的预测更加准确，而线性模型则用于最优化求解，通过迭代得到最优的未来输出序列。

其中，线性模型预测的输出序列称为第一输出序列，非线性模型预测的序列称为第二输出序列，所述第一输出序列和所述第二输出序列对应有相同的采样时刻。本实施例中，第一输出序列和第二输出序列对应有相同的采样时刻是指，线性模型和非线性模型是在相同时刻开始预测的，且具有相同的采样频率，第一输出序列和第二输出序列包括有多个相同的采样时刻，两个输出序列的长度可以相同也可以不同。示例性的，可以利用第二输出序列对第一输出序列进行修正，修正后得到输出序列称为目标输出序列，修正的方式可以根据实际需要灵活确定。

示例性的，所述将所述线性模型对本次确定的输入序列预测的第一输出序列和所述非线性模型对本次确定的输入序列预测的第二输出序列融合后，代入至预设的目标函数以计算得到目标函数值，包括：

将所述线性模型对本次确定的输入序列预测的第一输出序列和所述非线性模型对本次确定的输入序列预测的第二输出序列融合，确定目标输出序列；其中，所述目标输出序列中每个目标采样时刻的输出参数值，是根据所述第一输出序列中所述目标采样时刻的输出参数值和所述第二输出序列中所述目标采样时刻的输出参数值确定的；

将所述目标输出序列中各输出参数值代入至预设的目标函数，计算得到目标函数值。

例如，第一输出序列、第二输出序列和目标输出序列均包括m个未来采样时刻的输出参数值，目标输出序列中第i个采样时刻的输出参数值，根据第一输出序列中第i个采样时刻的输出参数值和第二输出序列中第i个采样时刻的输出参数值确定的。

求解最优化问题时，需要调节不同的未来输入序列，即产生多个不同的未来输入序列。实际应用中，根据实际场景，可以是无约束的条件，也可以是在约束条件下进行调节，约束条件可以根据需要灵活配置。在一些例子中，所述确定当前输入序列，可以包括：

所述确定输入序列，包括：

若首次确定输入序列，将上一采样时刻实际输入参数值作为当前采样时刻以及未来多个采样时刻的输入参数值，得到本次确定的输入序列；

若非首次确定输入序列，在预设约束条件的约束下，将上一次确定的输入序列中各采样时刻的输入参数值进行调整，得到本次确定的输入序列；

其中，所述预设约束条件包括：

输入序列中各输入参数值满足第一预设数值范围；或，

输入序列中各输入参数值相对于上一采样时刻的输入参数值的差异满足预设变化量数值范围。

本实施例中，在一个采样时刻会迭代执行多次确定输入序列的步骤。在首次确定的输入序列，可以是将上一采样时刻实际输入参数值作为当前采样时刻以及未来多个采样时刻的输入参数值，得到本次确定的输入序列。后续再次确定输入序列时，在预设约束条件的约束下，将上一次确定的输入序列中各采样时刻的输入参数值进行调整，得到本次确定的输入序列。其中，调整的方式可以根据需要灵活配置，例如每次调整可以是针对上一次确定的输入序列中一个或多个采样时刻的输入参数值进行调整，可以是上一次确定的输入序列中采样时刻的输入参数值增加设定的步长值等等。

其中，第一预设数值范围可以根据实际应用灵活设置，该第一预设数值范围可以用于限定输入参数值的上限和/或下限，使得对输入参数值有要求的生产系统，可以通过第一预设数值范围的设置可以使模型预测的输入序列可以满足生产要求。

同理，第二预设数值范围可以根据实际应用灵活设置，该第二预设数值范围可以用于限定输入参数值相对于当前时刻的实际输入参数值的变化量的上限和/或下限，使得对输入参数值的变化有要求的生产系统，可以通过第二预设数值范围的设置可以使模型预测的输入序列可以满足生产要求，保持模型预测的输入序列的稳定。

其中，预设约束条件还可以包括其他条件，例如MV变化引起的CV未来变化趋势；CV未来预测序列满足上下限约束；MV未来动作序列满足上下限约束；MV未来变化序列满足变化量上下限约束；优化问题中的自由度是MV的未来动作序列等等，本实施例对此不进行限定。

实际应用中，可以根据实际应用场景灵活地设定目标函数。作为示例，所述根据所述线性模型的目标函数计算目标函数值，可以包括：

获取所述目标输出序列中输出参数值与设定输出参数值的差异，以及获取所述本次确定的输入序列与所述上一采样时刻的输入参数值的差异，根据获取的差异确定目标函数值。

例如，线性模型的目标函数可以是：未来一段时间内，CV到设定值的偏差以及MV变化量，也即是，目标输出序列中输出参数值到设定值的差值的绝对值，本次确定的输入序列与上一采样时刻的输入参数值的差值的绝对值。可选的，还可以对两个差值分别设置不同的权重，表示不同目标间的相对重要程度，权重的大小可以根据需要灵活配置。通过上述实施例，可以在最优化求解时，求解出精确的输出序列。

实际应用中，最优化求解可以采用多种方式实现，例如梯度下降法、牛顿法或共轭梯度法等，本实施例对此不进行限定。其中，求解出满足预设条件的目标函数值中的预设条件即最优化求解的终止条件，实际应用中可以灵活配置，可以包括达到预设迭代次数和/或求解出的目标函数值满足设定阈值范围等。

当求解出满足预设条件的目标函数值，即可将求解出的满足预设条件的目标函数值对应的当前输入序列，生成控制指令控制所述生产系统；其中，预测出的当前输入序列可以包括多个采样时刻的输出参数值，控制指令可以包括下一个采样时刻的输出参数值；例如，控制指令包括下一采样时刻的一个或多个生产设备分别对应的操作变量值。实际应用中，控制指令中包括多个采样时刻的输出参数值也是可选的。

实际应用中，由于模型失配和外部扰动等原因，模型预测值往往与真实测量值存在着预测误差。如果不加以处理，预测误差长期累积会影响控制效果。基于此，在线实时控制时，还可以实时对两个模型进行校正，从而实时提升模型的预测准确度；示例性的，所述方法还可包括：

获取当前采样时刻的实际输出参数值；

根据所述实际输出参数值以及所述线性模型在上一采样时刻预测的当前采样时刻的输出参数值，对所述线性模型进行校正；和/或，

根据所述实际输出参数值以及所述非线性模型在上一采样时刻预测的当前采样时刻的输出参数值，对所述非线性模型进行校正。

本实施例中，可以基于当前时刻的真实测量值，修正模型当前预测值和未来预测序列，可有效克服系统扰动和模型失配带来的影响，提升控制系统鲁棒性。

如图2E所示，是本说明书根据一示例性实施例示出的一种预测控制系统的示意图，该系统包括智能建模及评估子系统、数据采集及存储子系统、智能控制子系统；其中，

云端智能建模及评估子系统包括数据预处理模块、机器学习模型训练模块、系统辨识模块、预测模型及控制模型性能评估模块。该子系统的输入包括生产系统的历史运行数据，输出包括满足使用要求的预测模型及控制模型。

云端数据采集与存储子系统包括数据云存储模块、模型云存储及发布模块。该子系统的输入包括从工业生产系统的现场采集获取的运行数据，同时从云端智能建模及评估子系统获取预测模型及控制模型，子系统的输出包括发布到智能控制子系统的预测模型及控制模型。

智能控制子系统包括机器学习模型预测模块、控制模型预测模块、模型校正模块及滚动优化模块。其中，机器学习模型预测模块中，预测模型基于实时数据计算得到被控变量的未来预测序列，并传递给滚动优化求解器；基于未来预测序列，滚动优化求解器模块调节不同的控制序列作为控制模型的输入，得到不同的闭环预测序列，再根据用户设定的控制优化目标，计算得到最优的控制序列，并将下一时刻的控制指令下发至工业生产系统的执行机构进行闭环控制。例如，控制模型可以在每个采样时刻预测第一输出序列，预测模型可以在每个采样时刻预测第二输出序列，滚动优化求解器可以将第一输出序列和第二输出序列融合得到目标输出序列，融合方式有多种，实际应用中可以根据需要确定，例如目标输出序列中每个目标采样时刻的输出参数值，可以是根据所述第一输出序列中所述目标采样时刻的输出参数值和所述第二输出序列中所述目标采样时刻的输出参数值的均值，或者是在均值的基础上进行自定义的调整等多种方式。滚动优化求解器将融合得到的目标输出序列代入至目标函数中计算得到目标函数值，重复该过程，最终求解出最优的控制序列。

如图2F所示，是本说明书根据一示例性实施例示出的另一种生产系统的控制方法的流程图，包括如下步骤：

步骤21:数据预处理。

本步骤主要对工业现场的历史数据进行建模前的预处理，以满足后续建模需求。

其中，历史数据可以包括：

1)工业生产系统的输出数据，即控制系统的被控变量；

2)工业生产系统的输入数据，即影响系统的输出数据的主要变量，包括控制系统中的操作变量和扰动变量。

数据预处理包括：

1)异常数据处理，包括但不限于异常值剔除、缺失值填充等处理；

2)特征提取，包括但不限于主成分分析(Principal Component Analysis，PCA)、偏最小二乘法回归(Partial least squares regression，PLS)、卡尔曼滤波(Kalmanfiltering)等算法从原始数据中提取有效特征；

3)变量相关性和因果性分析，找到影响输出变量的主要影响因素，用于模型构建。

步骤22:机器学习模型训练。

本步骤主要是基于预处理后的生产系统的输入数据(操作变量与扰动变量)和输出变量(被控变量)，利用机器学习算法构建非线性的AI预测模型，准确预测输出变量的未来变化序列，本步骤中对预测模型的结构没有限制，可以使用常见的有监督学习、无监督学习或深度学习等算法进行训练。

预测模型的训练数据，包括生产系统的历史生产数据，历史生产数据包括上述的生产系统的输入数据(如喂煤量数据等)和输出数据(如温度数据等)。

训练过程中，预测模型的输入是生产系统的历史输入数据(喂煤量)，预测模型根据生产系统的历史输入数据(喂煤量)，得到预测数据(即预测出温度数据)，然后将预测数据与生产系统的历史输出数据(历史温度数据)进行比较，得到两者的差异值，以两者差异值最小作为优化目标，对模型参数进行优化。

步骤23:预测模型性能评估。

本步骤中，基于Step2训练得到的预测模型，对验证集中的输入数据进行预测计算，得到输出变量(被控变量)的未来预测序列，并与验证集中的输出变量(被控变量)的实际值对比，获得相应的精度指标，并根据评价结果确定预测模型是否可以用于生产系统的控制使用。可选的，还可以确定预测模型有效的预测长度，即预测模型预测的输出序列中有效的时间长度，即有效的采样时刻的个数。

步骤24:系统辨识。

本步骤主要是基于预处理后的生产系统输入数据(操作变量)和输出数据(被控变量)，利用系统辨识算法构建可解释的控制模型，侧重准确描述操作变量到被控变量的控制关系，本步骤中得到的控制模型的参数应具有可解释性，并符合实际生产系统特性。

训练过程中，控制模型的输入是生产系统的历史输出数据(温度数据)，控制模型的输出是生产系统的输入数据(喂煤量)。

步骤25:控制模型的性能评估。

本步骤基于Step4训练得到的控制模型，对验证集输入数据进行预测计算，得到输出变量(被控变量)的未来预测序列，并与验证集中输出变量(被控变量)的实际值对比，获得相应的精度指标，同时，可以通过人工或算法分析评估控制模型的参数是否符合实际生产系统特性，根据评价结果确定控制模型是否可以用于智能控制器使用。

步骤26:模型发布。

本步骤将Step1-Step5得到的符合要求的机器学习预测模型与控制模型发布至智能控制子系统，用于在线预测与实时控制。

步骤27:预测模型在线预测。该步骤基于实时的现场生产系统的输入数据(操作变量与扰动变量)，利用训练发布的AI预测模型进行在线预测，生成未来一定时间段内的系统输出变量(被控变量)的预测序列，供后续智能控制算法使用。

步骤28:模型校正。

该步骤基于实时现场数据，比较预测模型和控制模型的预测值偏差，对预测模型的参数和控制模型的参数进行校正，校正后的预测模型及控制模型用于下一时刻的控制计算。

例如，针对控制模型，基于实时现场数据与控制模型预测的第一输出序列的偏差对控制模型的参数进行校正。针对预测模块，基于实时现场数据与预测模型预测的第二输出序列的偏差对预测模型的参数进行校正。

步骤29:在线控制指令计算。

该步骤基于AI预测模型生成的预测序列与控制模型关系，利用优化求解器，调节控制变量(即控制模型输入)，得到不同的闭环预测序列，再根据用户设定的控制优化目标，计算得到最优的控制序列，并将下一时刻的控制指令下发至工业生产系统的执行机构进行闭环控制。

在下一运行时刻，重复步骤27至步骤29进行滚动优化，实现在线实时控制。

本实施例可以应用于任意工业生产场景。以水泥分解炉智能控制场景为例，分解炉是水泥生产过程的关键设备，在分解炉中投放生活垃圾、减少燃煤消耗是行业发展的必然趋势，降低分解炉温度的波动有利于提高垃圾处理量，对系统的节能降耗有着有重要的意义。但垃圾处理量增加带来的爆燃现象也往往要求系统有更加精细、及时的调整动作，这就要求系统对温度未来的变化有更加精准的预测。但由于爆燃现象具有强非线性和随机性，其对系统的扰动无法通过传统的扰动变量的形式引入模型预测控制器中，因此，利用本实施例的方案，可以利用机器学习方式对未来的温度变化趋势建立可靠的非线性预测模型，并融合到智能控制器进行在线滚动优化，实现了分解炉的闭环控制，有效提升了分解炉出口温度的控制稳定性，分解炉控制平稳后，可以投放更多垃圾量减少燃煤消耗，进而也提升了垃圾处理量，有效降低系统煤耗及碳排放。

本实施例方案中，可以使用非线性AI模型进行前馈预测，基于AI预测序列和控制模型的控制关系求解最优控制序列，在确保控制动作稳定合理的前提下，可以更有效地考虑生产系统的非线性动态特性，提升了在复杂非线性工况的控制效果。

本实施例方案中，提出的融合机器学习预测模型的智能算法，由于并不直接将AI模型用于寻优求解，因此对AI模型的形式没有限制，可以针对不同的生产过程，选用合适的机器学习算法进行建模，开发门槛较低，具有很强的通用性；同时控制动作求解并不直接对复杂的AI模型寻优，因此可以有效避免基于黑盒AI预测模型得到的控制动作异常，在全工况范围内具备较强的鲁棒性，同时寻优过程计算效率高，能满足工业制造系统的高频计算要求(秒级)。

针对复杂生产过程存在强非线性的特点，本实施例方案相比于传统模型预测控制算法采用同一模型进行趋势预测与控制动作计算，本实施例通过对控制器的预测模型与控制模型解耦，融合AI模型进行前馈预测，基于AI预测序列和控制模型的控制关系求解最优控制序列，在确保控制动作稳定合理的前提下，有效考虑了系统的非线性特性，提升了对复杂非线性工况的适应程度。

本实施例方案提出的融合机器学习预测模型的智能算法，由于控制模型的参数具有可解释性，便于调优，因此能有效避免基于黑盒AI预测模型得到的控制动作异常，在全工况范围内具备较强的鲁棒性。

本实施例方案提出的融合机器学习预测模型的智能控制器系统，集成模型训练、模型质量评估、模型发布管理及实时控制子系统，可进行一体化控制器开发；同时本实施例的控制器系统可以基于云边协同架构，可在云端计算平台进行模型训练、仿真验证及参数调优，在边缘端部署运行智能控制器进行实时反控，既具备边缘平台的稳定性与实时性，保证工业过程稳定安全生产，同时利用云平台的算力优势，有效提升控制器设计与调试效率，相应的调优结果可以直接下发边缘端，提升了控制器运行的便捷度。

与前述生产系统的控制方法的实施例相对应，本说明书还提供了生产系统的控制装置及其所应用的计算机设备的实施例。

本说明书生产系统的控制装置的实施例可以应用在计算机设备上，例如服务器或终端设备。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在文件处理的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本说明书生产系统的控制装置所在计算机设备的一种硬件结构图，除了图3所示的处理器310、内存330、网络接口320、以及非易失性存储器340之外，实施例中生产系统的控制装置331所在的计算机设备，通常根据该计算机设备的实际功能，还可以包括其他硬件，对此不再赘述。

如图4所示，图4是本说明书根据一示例性实施例示出的一种生产系统的控制装置的框图，所述装置应用于预测控制系统，所述预测控制系统包括线性模型和非线性模型；

所述线性模型和所述非线性模型分别用于预测输入序列对应的输出序列；

所述装置包括：

执行模块，用于：在每一个采样时刻，迭代执行如下步骤，直至求解出满足预设条件的目标函数值：确定输入序列；将所述线性模型对本次确定的输入序列预测的第一输出序列和所述非线性模型对本次确定的输入序列预测的第二输出序列融合后，代入至预设的目标函数以计算得到目标函数值；

控制模块，用于：利用求解出的满足预设条件的目标函数值对应的输入序列，生成控制指令控制所述生产系统。

在一些例子中，所述输入序列包括至少一个采样时刻对应的输入参数，所述输出序列包括至少一个采样时刻对应的输出参数；所述第一输出序列和所述第二输出序列对应有相同的采样时刻；

所述执行模块执行所述将所述线性模型对本次确定的输入序列预测的第一输出序列和所述非线性模型对本次确定的输入序列预测的第二输出序列融合后，代入至预设的目标函数以计算得到目标函数值，包括：

将所述线性模型对本次确定的输入序列预测的第一输出序列和所述非线性模型对本次确定的输入序列预测的第二输出序列融合，确定目标输出序列，其中，所述目标输出序列中每个目标采样时刻的输出参数值，是根据所述第一输出序列中所述目标采样时刻的输出参数值和所述第二输出序列中所述目标采样时刻的输出参数值确定的；

将所述目标输出序列中各输出参数值代入至预设的目标函数，计算得到目标函数值。

在一些例子中，所述第三输出序列中每个目标采样时刻的输出参数值，是根据所述第一输出序列中所述目标采样时刻的输出参数值和所述第二输出序列中所述目标采样时刻的输出参数值的均值确定的。

在一些例子中，所述线性模型和所述非线性模型均是预先训练得到的，训练所述线性模型所使用的训练数据，与训练所述非线性模型所使用的训练数据部分相同或全部相同。

在一些例子中，所述执行模块执行所述确定输入序列，包括：

若首次确定输入序列，将上一采样时刻实际输入参数值作为当前采样时刻以及未来多个采样时刻的输入参数值，得到本次确定的输入序列；

在非首次确定输入序列时，将上一次确定的输入序列中各个采样时刻的输入参数值按照设定步长调整，且调整后各个采样时刻的输入参数满足预设约束条件，得到本次确定的输入序列；

其中，所述预设约束条件包括：

输入序列中各输入参数值满足第一预设数值范围；

输入序列中各输入参数值相对于上一采样时刻的输入参数值的差异满足预设变化量数值范围。

在一些例子中，所述执行模块执行所述代入至预设的目标函数以计算得到目标函数值，包括：

获取所述目标输出序列与设定输出参数值的差异，以及获取所述本次确定的输入序列中输入参数值与所述上一采样时刻的输入参数值的差异，根据获取的差异确定目标函数值。

在一些例子中，所述装置还包括校正模块，用于：

获取当前采样时刻的实际输出参数值；

根据所述实际输出参数值以及所述线性模型在上一采样时刻预测的当前采样时刻的输出参数值，对所述线性模型进行校正；和/或，

根据所述实际输出参数值以及所述非线性模型在上一采样时刻预测的当前采样时刻的输出参数值，对所述非线性模型进行校正。

上述生产系统的控制装置中各个模块的功能和作用的实现过程具体详见上述生产系统的控制方法中对应步骤的实现过程，在此不再赘述。

相应的，本说明书实施例还提供一种工业控制系统，所述工业控制系统包括预测控制系统与生产系统，所述预测控制系统与所述生产系统连接，所述预测控制系统包括：

建模子系统，用于利用所述生产系统的历史生产数据训练得到线性模型和非线性模型；

控制子系统，用于获取所述生产系统的实时运行数据，在每一个采样时刻，迭代执行如下步骤，直至求解出满足预设条件的目标函数值：确定当前输入序列；将所述线性模型对所述当前输入序列预测的第一输出序列和所述非线性模型对所述当前输入序列预测的第二输出序列融合后，代入至预设的目标函数计算目标函数值；利用求解出的满足预设条件的目标函数值对应的当前输入序列，生成控制指令控制所述生产系统。

相应的，本说明书实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现前述生产系统的控制方法实施例的步骤。

相应的，本说明书实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现生产系统的控制方法实施例的步骤。

相应的，本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现生产系统的控制方法实施例的步骤。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述实施例可以应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，所述电子设备的硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field-Programmable Gate Array，FPGA)、数字处理器(DigitalSignal Processor，DSP)、嵌入式设备等。

所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。

所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。

所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该申请的保护范围内。

其中，“具体示例”、或“一些示例”等的描述意指结合所述实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

Claims (10)

1.一种生产系统的控制方法，所述方法应用于预测控制系统，所述预测控制系统包括线性模型和非线性模型；

所述线性模型和所述非线性模型分别用于预测输入序列对应的输出序列；

所述方法包括：

在每一个采样时刻，迭代执行如下步骤，直至求解出满足预设条件的目标函数值：确定输入序列；将所述线性模型对本次确定的输入序列预测的第一输出序列和所述非线性模型对本次确定的输入序列预测的第二输出序列融合后，代入至预设的目标函数以计算得到目标函数值；

利用求解出的满足预设条件的目标函数值对应的输入序列，生成控制指令控制所述生产系统。

2.根据权利要求1所述的方法，所述输出序列包括多个采样时刻对应的输出参数；所述第一输出序列和所述第二输出序列对应有相同的采样时刻；

所述将所述线性模型对本次确定的输入序列预测的第一输出序列和所述非线性模型对本次确定的输入序列预测的第二输出序列融合后，代入至预设的目标函数以计算得到目标函数值，包括：

将所述线性模型对本次确定的输入序列预测的第一输出序列和所述非线性模型对本次确定的输入序列预测的第二输出序列融合，确定目标输出序列，其中，所述目标输出序列中每个目标采样时刻的输出参数值，是根据所述第一输出序列中所述目标采样时刻的输出参数值和所述第二输出序列中所述目标采样时刻的输出参数值确定的；

将所述目标输出序列中各输出参数值代入至预设的目标函数，计算得到目标函数值。

3.根据权利要求1所述的方法，所述线性模型和所述非线性模型均是预先训练得到的，训练所述线性模型所使用的训练数据，与训练所述非线性模型所使用的训练数据部分相同或全部相同。

4.根据权利要求1所述的方法，所述确定输入序列，包括：

若首次确定输入序列，将上一采样时刻实际输入参数值作为当前采样时刻以及未来多个采样时刻的输入参数值，得到本次确定的输入序列；

若非首次确定输入序列，在预设约束条件的约束下，将上一次确定的输入序列中各采样时刻的输入参数值进行调整，得到本次确定的输入序列；

其中，所述预设约束条件包括：

输入序列中输入参数值满足第一预设数值范围；或，

输入序列中输入参数值相对于上一采样时刻的输入参数值的差异满足预设变化量数值范围。

5.根据权利要求2所述的方法，所述代入至预设的目标函数以计算得到目标函数值，包括：

获取所述目标输出序列中输出参数值与设定输出参数值的差异，以及获取所述本次确定的输入序列中输入参数值与上一采样时刻的输入参数值的差异，根据获取的差异确定目标函数值。

6.根据权利要求1所述的方法，所述方法还包括：

获取当前采样时刻的实际输出参数值；

根据所述实际输出参数值以及所述线性模型在上一采样时刻预测的当前采样时刻的输出参数值，对所述线性模型进行校正；和/或，

根据所述实际输出参数值以及所述非线性模型在上一采样时刻预测的当前采样时刻的输出参数值，对所述非线性模型进行校正。

7.一种生产系统的控制装置，所述装置应用于预测控制系统，所述预测控制系统包括线性模型和非线性模型；

所述线性模型和所述非线性模型分别用于预测输入序列对应的输出序列；

所述装置包括：

执行模块，用于：在每一个采样时刻，迭代执行如下步骤，直至求解出满足预设条件的目标函数值：确定输入序列；将所述线性模型对本次确定的输入序列预测的第一输出序列和所述非线性模型对本次确定的输入序列预测的第二输出序列融合后，代入至预设的目标函数以计算得到目标函数值；

控制模块，用于：利用求解出的满足预设条件的目标函数值对应的输入序列，生成控制指令控制所述生产系统。

8.一种工业控制系统，所述工业控制系统包括预测控制系统与生产系统，所述预测控制系统与所述生产系统连接，所述预测控制系统包括：

建模子系统，用于利用所述生产系统的历史生产数据训练得到线性模型和非线性模型；

控制子系统，用于获取所述生产系统的实时运行数据，在每一个采样时刻，迭代执行如下步骤，直至求解出满足预设条件的目标函数值：确定当前输入序列；将所述线性模型对所述当前输入序列预测的第一输出序列和所述非线性模型对所述当前输入序列预测的第二输出序列融合后，代入至预设的目标函数计算目标函数值；利用求解出的满足预设条件的目标函数值对应的当前输入序列，生成控制指令控制所述生产系统。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现权利要求1至7任一所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述方法的步骤。

Images