CN116203891B - 一种基于plc的自动化控制决策优化方法及系统 - Google Patents
一种基于plc的自动化控制决策优化方法及系统 Download PDFInfo
- Publication number
- CN116203891B CN116203891B CN202310473785.3A CN202310473785A CN116203891B CN 116203891 B CN116203891 B CN 116203891B CN 202310473785 A CN202310473785 A CN 202310473785A CN 116203891 B CN116203891 B CN 116203891B
- Authority
- CN
- China
- Prior art keywords
- decision
- plc
- evaluation
- automatic control
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 254
- 239000011159 matrix material Substances 0.000 claims abstract description 117
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 86
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000012360 testing method Methods 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004132 cross linking Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
- G05B19/054—Input/output
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/10—Plc systems
- G05B2219/11—Plc I-O input output
- G05B2219/1103—Special, intelligent I-O processor, also plc can only access via processor
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于PLC的自动化控制决策优化方法及系统,涉及自动化控制技术领域,包括:获取自动化控制系统的若干评价因子;建立自动化控制的PLC参数与自动化控制系统的若干评价因子之间的映射矩阵;基于评价因子构建自动化控制系统的评价指标模型;获取评价因子决策矩阵;获得评价因子的权重矩阵;将评价因子的权重矩阵和评价因子决策矩阵输入自动化控制系统的评价指标模型,获得最优化PLC参数组;对最优化PLC参数组进行抗干扰处理,得到最终PLC参数组。本发明的优点是可实现PLC参数组的自动化最优决策,降低对人工经验的依赖程度,同时可有效的保证PLC控制参数可实现自动化控制系统的最优化运行。
Description
技术领域
本发明涉及自动化控制技术领域,具体是涉及一种基于PLC的自动化控制决策优化方法及系统。
背景技术
PLC控制系统是在传统的顺序控制器的基础上引入了微电子技术、计算机技术、自动控制技术和通讯技术而形成的一代新型工业控制装置,目的是用来取代继电器、执行逻辑、记时、计数等顺序控制功能,建立柔性的远程控制系统。具有通用性强、使用方便、适应面广、可靠性高、抗干扰能力强、编程简单等特点。
现有的PLC自动化控制系统中PLC控制参数通常由人工依据加工需求结合生产经验进行设定,这种方式一方面对于人工经验的依赖程度较高,可复制性不高,另一方面难以保证设定的PLC控制参数可以实现自动化控制系统的最优化控制需求,因此,提出一套行之有效的基于PLC的自动化控制决策优化方案是本领域的技术人员所亟需解决的问题。
发明内容
为解决上述技术问题,提供一种基于PLC的自动化控制决策优化方法及系统,本技术方案解决了上述的现有的PLC自动化控制系统中PLC控制参数通常由人工依据加工需求结合生产经验进行设定,这种方式一方面对于人工经验的依赖程度较高,可复制性不高,另一方面难以保证设定的PLC控制参数可以实现自动化控制系统的最优化控制需求的问题。
为达到以上目的,本发明采用的技术方案为:
一种基于PLC的自动化控制决策优化方法,包括:
基于自动化控制系统的的属性进行分析,获取自动化控制系统的若干评价因子;
获取自动化控制系统的控制逻辑体系,建立自动化控制的PLC参数与自动化控制系统的若干评价因子之间的映射矩阵;
基于评价因子构建自动化控制系统的评价指标模型,所述评价指标模型以评价因子的权重矩阵和评价因子决策矩阵作为输入,以自动化控制系统的最优化PLC参数组作为输出;
按照设定的取值间隔分别对每一个PLC参数取若干个决策数值,并组合成若干个PLC参数决策组,将所有PLC参数决策组组成PLC参数决策矩阵,并基于PLC参数与自动化控制系统的若干评价因子之间的映射矩阵将PLC参数决策矩阵转化为评价因子决策矩阵;
根据自动化控制系统的属性,对若干评价因子附加权重值,获得评价因子的权重矩阵;
将评价因子的权重矩阵和评价因子决策矩阵输入自动化控制系统的评价指标模型,获得最优化PLC参数组;
对最优化PLC参数组进行抗干扰处理,得到最终PLC参数组;
将最终PLC参数组反馈到PLC控制台,PLC控制台依据最终PLC参数组进行控制参数的修改,控制自动化控制系统执行优化后的控制决策。
优选的,所述基于评价因子构建自动化控制系统的评价指标模型具体包括:
分别针对每一个评价因子训练评价因子评分模型,所述评价因子评分模型以评价因子的数值作为输入,以评价因子的正向化评分作为输出;
构建评价因子权重规范化转化模型,所述评价因子权重规范化转化模型以评价因子的权重矩阵和评价因子决策矩阵作为输入,以权重规范化矩阵作为输出;
构建决策指标计算模型,所述决策指标计算模型以权重规范化矩阵作为输入,以决策指标作为输出。
优选的,所述训练评价因子评分模型具体包括:
根据历史经验数据分别对不同的评价因子数值附加对应的正向化评分,并将评价因子数值和正向化评分进行封装成若干组训练数据集;
将多组训练数据集随机分成计算训练样本和测试样本,所述训练样本中训练数据集数量占比为80%,所述测试样本中训练数据集数量占比为20%;
利用训练样本中的训练数据集进行评价因子评分模型的训练模型计算,获得多个初步训练模型;
将测试样本中的训练数据集代入初步训练模型中,筛选出测试拟合度最高的初步训练模型,作为评价因子评分模型。
优选的,所述将测试样本中的训练数据集代入初步训练模型中,筛选出测试拟合度最高的初步训练模型具体包括:
将测试样本中的所有训练数据集的输入变量输入初步训练模型中,得到预测输出变量;
根据测试样本中的所有训练数据集的输出变量和预测输出变量计算回归确定系数;
对每一个初步训练模型进行回归确定系数计算;
筛选出回归确定系数最大的初步训练模型;
其中,所述回归确定系数的计算公式为:
式中,为回归确定系数;
RSS为初步训练模型的残差平方和;
TSS为初步训练模型的总平方和。
优选的,所述将评价因子的权重矩阵和评价因子决策矩阵输入自动化控制系统的评价指标模型,获得最优化PLC参数组具体包括如下步骤:
将评价因子决策矩阵中每一个评价因子的决策数值输入对应的评价因子评分模型,获取每一个评价因子的若干决策正向化评分,并将所有评价因子的若干决策正向化评分进行组合成若干个决策正向化评分组,并将若干个决策正向化评分组组成决策评价因子的正向化评分矩阵A;
其中,m为决策正向化评分组的总数,n为自动化控制系统的若干评价因子总数,为第i个决策正向化评分组中第j个评价因子的正向化评分;
将评价因子的权重矩阵和决策评价因子的正向化评分矩阵A输入评价因子权重规范化转化模型,基于规范化计算公式计算每一个评价因子的权重规范化数值,并将所有评价因子的权重规范化数值组成权重规范化矩阵B;
其中,为第i个决策正向化评分组中第j个评价因子的权重规范化数值;
基于权重规范化矩阵B确定最优化权重规范化数值组和最劣化权重规范化数值组/>,其中:
其中,为第j个评价因子的权重规范化数值的最大值,/>为第j个评价因子的权重规范化数值的最小值;
按照指标计算公式计算每一决策正向化评分组的决策指标;
筛选出决策指标最大的决策正向化评分组,其对应的PLC参数决策组为最优化PLC参数组。
优选的,所述规范化计算公式为:
式中,为第j个评价因子的权重值,/>为第k个决策正向化评分组中第j个评价因子的正向化评分。
优选的,所述指标计算公式为:
式中,为第i组决策正向化评分组的决策指标。
优选的,所述对最优化PLC参数组进行抗干扰处理具体包括:
按照抗干扰公式对最优化PLC参数组中的每一个PLC参数进行抗干扰计算,获得每一个PLC参数抗干扰处理后的PLC参数值;
将每一个PLC参数抗干扰处理后的PLC参数值进行组合后生成最终PLC参数组;
所述抗干扰公式为:
式中,为抗干扰处理后的PLC参数值,/>为自动化控制系统稳定性矩阵的逆矩阵,/>为最优化PLC参数组的PLC参数值,/>为自动化控制系统的噪声。
进一步的,提出一种基于PLC的自动化控制决策优化系统,用于实现如上述的基于PLC的自动化控制决策优化系统,包括:
处理器,所述处理器用于获取自动化控制系统的若干评价因子、获取自动化控制系统的控制逻辑体系,建立自动化控制的PLC参数与自动化控制系统的若干评价因子之间的映射矩阵、基于评价因子构建自动化控制系统的评价指标模型、将PLC参数决策矩阵转化为评价因子决策矩阵、进行计算最优化PLC参数组和对最优化PLC参数组进行抗干扰处理;
存储器,存储器与所述处理器电性连接,所述存储器用于存储自动化控制系统的评价指标模型;
输入模块,输入模块与所述处理器电性连接,所述输入模块用于输入评价因子的权重矩阵;
输出模块,输出模块与所述处理器电性连接,所述输出模块用于进行输出最终PLC参数组至PLC控制台;
PLC控制台,PLC控制台与所述输出模块通过有线或无线进行通讯连接,所述PLC控制台用于依据最终PLC参数组进行控制参数的修改,控制自动化控制系统执行优化后的控制决策。
可选的,所述处理器内部集成有:
第一分析单元,所述第一分析单元用于基于自动化控制系统的的属性进行分析,获取自动化控制系统的若干评价因子;
第二分析单元,所述第二分析单元用于获取自动化控制系统的控制逻辑体系,建立自动化控制的PLC参数与自动化控制系统的若干评价因子之间的映射矩阵;
模型单元,所述模型单元用于基于评价因子构建自动化控制系统的评价指标模型;
第一计算单元,所述第一计算单元用于按照设定的取值间隔分别对每一个PLC参数取若干个决策数值,并组合成若干个PLC参数决策组,将所有PLC参数决策组组成PLC参数决策矩阵,并基于PLC参数与自动化控制系统的若干评价因子之间的映射矩阵将PLC参数决策矩阵转化为评价因子决策矩阵;
第二计算单元,所述第二计算单元用于将评价因子的权重矩阵和评价因子决策矩阵输入自动化控制系统的评价指标模型,获得最优化PLC参数组;
抗干扰处理单元,所述抗干扰处理单元用于对最优化PLC参数组进行抗干扰处理,得到最终PLC参数组。
与现有技术相比,本发明的有益效果在于:
本发明提出一种基于PLC的自动化控制决策优化方案,结合自动化控制系统的属性确定若干个自动化控制系统的评价因子,之后结合自动化控制系统的控制逻辑体系,获取自动化控制的PLC参数与评价因子之间的内在控制矩阵,之后通过对若干个PLC参数决策组进行最优化PLC参数评价,通过此方式可实现PLC参数组的自动化最优决策,降低对人工经验的依赖程度,同时可有效的保证PLC控制参数可实现自动化控制系统的最优化运行。
附图说明
图1为本发明提出的基于PLC的自动化控制决策优化系统结构框图;
图2为本发明提出的基于PLC的自动化控制决策优化方法流程图;
图3为本发明中的评价指标模型的构建方法流程图;
图4为本发明中的评价因子评分模型的训练方法流程图;
图5为本发明中的初步训练模型的筛选方法流程图;
图6为本发明中的最优化PLC参数组的计算方法流程图;
图7为本发明中的对最优化PLC参数组进行抗干扰处理方法流程图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。
参照图1所示,一种基于PLC的自动化控制决策优化系统,包括:
处理器,处理器用于获取自动化控制系统的若干评价因子、获取自动化控制系统的控制逻辑体系,建立自动化控制的PLC参数与自动化控制系统的若干评价因子之间的映射矩阵、基于评价因子构建自动化控制系统的评价指标模型、将PLC参数决策矩阵转化为评价因子决策矩阵、进行计算最优化PLC参数组和对最优化PLC参数组进行抗干扰处理;
存储器,存储器与处理器电性连接,存储器用于存储自动化控制系统的评价指标模型;
输入模块,输入模块与处理器电性连接,输入模块用于输入评价因子的权重矩阵;
输出模块,输出模块与处理器电性连接,输出模块用于进行输出最终PLC参数组至PLC控制台;
PLC控制台,PLC控制台与输出模块通过有线或无线进行通讯连接,PLC控制台用于依据最终PLC参数组进行控制参数的修改,控制自动化控制系统执行优化后的控制决策。
其中,处理器内部集成有:
第一分析单元,第一分析单元用于基于自动化控制系统的的属性进行分析,获取自动化控制系统的若干评价因子;
第二分析单元,第二分析单元用于获取自动化控制系统的控制逻辑体系,建立自动化控制的PLC参数与自动化控制系统的若干评价因子之间的映射矩阵;
模型单元,模型单元用于基于评价因子构建自动化控制系统的评价指标模型;
第一计算单元,第一计算单元用于按照设定的取值间隔分别对每一个PLC参数取若干个决策数值,并组合成若干个PLC参数决策组,将所有PLC参数决策组组成PLC参数决策矩阵,并基于PLC参数与自动化控制系统的若干评价因子之间的映射矩阵将PLC参数决策矩阵转化为评价因子决策矩阵;
第二计算单元,第二计算单元用于将评价因子的权重矩阵和评价因子决策矩阵输入自动化控制系统的评价指标模型,获得最优化PLC参数组;
抗干扰处理单元,抗干扰处理单元用于对最优化PLC参数组进行抗干扰处理,得到最终PLC参数组。
上述基于PLC的自动化控制决策优化系统的运行过程为:
步骤一:获取自动化控制系统的属性,第一分析单元基于自动化控制系统的的属性进行分析,获取自动化控制系统的若干评价因子;
步骤二:第二分析单元获取自动化控制系统的控制逻辑体系,建立自动化控制的PLC参数与自动化控制系统的若干评价因子之间的映射矩阵;
步骤三:模型单元基于评价因子构建自动化控制系统的评价指标模型;
步骤四:第一计算单元按照设定的取值间隔分别对每一个PLC参数取若干个决策数值,并组合成若干个PLC参数决策组,将所有PLC参数决策组组成PLC参数决策矩阵,并基于PLC参数与自动化控制系统的若干评价因子之间的映射矩阵将PLC参数决策矩阵转化为评价因子决策矩阵;
步骤五:通过输入模块用于输入评价因子的权重矩阵;
步骤六:第二计算单元将评价因子的权重矩阵和评价因子决策矩阵输入自动化控制系统的评价指标模型,获得最优化PLC参数组;
步骤七:抗干扰处理单元对最优化PLC参数组进行抗干扰处理,得到最终PLC参数组;
步骤八:输出模块输出最终PLC参数组至PLC控制台;
步骤九:PLC控制台依据最终PLC参数组进行控制参数的修改,控制自动化控制系统执行优化后的控制决策。
参阅图2所示,为进一步的说明本方案,以下结合上述基于PLC的自动化控制决策优化系统提出一种基于PLC的自动化控制决策优化方法,包括:
基于自动化控制系统的的属性进行分析,获取自动化控制系统的若干评价因子;
获取自动化控制系统的控制逻辑体系,建立自动化控制的PLC参数与自动化控制系统的若干评价因子之间的映射矩阵;
基于评价因子构建自动化控制系统的评价指标模型,评价指标模型以评价因子的权重矩阵和评价因子决策矩阵作为输入,以自动化控制系统的最优化PLC参数组作为输出;
按照设定的取值间隔分别对每一个PLC参数取若干个决策数值,并组合成若干个PLC参数决策组,将所有PLC参数决策组组成PLC参数决策矩阵,并基于PLC参数与自动化控制系统的若干评价因子之间的映射矩阵将PLC参数决策矩阵转化为评价因子决策矩阵;
根据自动化控制系统的属性,对若干评价因子附加权重值,获得评价因子的权重矩阵;
将评价因子的权重矩阵和评价因子决策矩阵输入自动化控制系统的评价指标模型,获得最优化PLC参数组;
对最优化PLC参数组进行抗干扰处理,得到最终PLC参数组;
将最终PLC参数组反馈到PLC控制台,PLC控制台依据最终PLC参数组进行控制参数的修改,控制自动化控制系统执行优化后的控制决策。
本方案结合自动化控制系统的属性确定若干个自动化控制系统的评价因子,之后结合自动化控制系统的控制逻辑体系,获取自动化控制的PLC参数与评价因子之间的内在控制矩阵,之后通过对若干个PLC参数决策组进行最优化PLC参数评价,通过此方式可实现PLC参数组的自动化最优决策;
其中在进行PLC参数决策组选取时,本领域的技术人员可以理解的是,对于设定的取值间隔越小,最终确定的最优化PLC参数组更加贴合自动化控制系统控制需求,但是设定的取值间隔越小其计算过程所需算力越大,因此在实际的设定过程中,工作人员可根据需求进行设定;
对于评价因子,不同的属性的自动化控制系统的评价因子不相同,例如对于生产加工属性的自动化控制系统,其评价因子为生产效率,产品质量,系统稳定性,且对于不同的自动化控制系统各个评价因子所占权重也不相同,因此本方案中根据自动化控制系统的属性,对若干评价因子附加权重值,进而使计算出的最优化PLC参数组可满足自动化控制系统的需求。
参阅图3所示,基于评价因子构建自动化控制系统的评价指标模型具体包括:
分别针对每一个评价因子训练评价因子评分模型,评价因子评分模型以评价因子的数值作为输入,以评价因子的正向化评分作为输出;
构建评价因子权重规范化转化模型,评价因子权重规范化转化模型以评价因子的权重矩阵和评价因子决策矩阵作为输入,以权重规范化矩阵作为输出;
构建决策指标计算模型,决策指标计算模型以权重规范化矩阵作为输入,以决策指标作为输出。
由于在进行计算过程中,每一个评价因子的数值不同,例如针对于生产效率,其评价数值可以是生产耗时、产量等,因此本方案中针对每一个评价因子训练评价因子评分模型,进行回归计算评价因子的正向化评分,正向化评分数值越大,代表评价因子评价越优。
参阅图4所示,训练评价因子评分模型具体包括:
根据历史经验数据分别对不同的评价因子数值附加对应的正向化评分,并将评价因子数值和正向化评分进行封装成若干组训练数据集;
将多组训练数据集随机分成计算训练样本和测试样本,训练样本中训练数据集数量占比为80%,测试样本中训练数据集数量占比为20%;
利用训练样本中的训练数据集进行评价因子评分模型的训练模型计算,获得多个初步训练模型;
将测试样本中的训练数据集代入初步训练模型中,筛选出测试拟合度最高的初步训练模型,作为评价因子评分模型。
参阅图5所示,将测试样本中的训练数据集代入初步训练模型中,筛选出测试拟合度最高的初步训练模型具体包括:
将测试样本中的所有训练数据集的输入变量输入初步训练模型中,得到预测输出变量;
根据测试样本中的所有训练数据集的输出变量和预测输出变量计算回归确定系数;
对每一个初步训练模型进行回归确定系数计算;
筛选出回归确定系数最大的初步训练模型;
其中,回归确定系数的计算公式为:
式中,为回归确定系数;
RSS为初步训练模型的残差平方和;
TSS为初步训练模型的总平方和。
在进行模型训练时首先对训练数据集进行数据分隔成训练样本和测试样本,通过训练样本建立多个训练模型,然后将这种训练好的训练模型应用于测试样本,此时测试样本作为新的、未见过的数据,进行预测,根据多个模型在测试样本上的表现来选择最佳模型;
回归确定系数作为解释方差的相对量度,其值越大代表着训练模型所代表的交联关系与现实中的交联关系越接近,具体的,若/>=0.7,则代表训练样本中70%的训练数据集满足该训练模型。
参阅图6所示,将评价因子的权重矩阵和评价因子决策矩阵输入自动化控制系统的评价指标模型,获得最优化PLC参数组具体包括如下步骤:
将评价因子决策矩阵中每一个评价因子的决策数值输入对应的评价因子评分模型,获取每一个评价因子的若干决策正向化评分,并将所有评价因子的若干决策正向化评分进行组合成若干个决策正向化评分组,并将若干个决策正向化评分组组成决策评价因子的正向化评分矩阵A;
其中,m为决策正向化评分组的总数,n为自动化控制系统的若干评价因子总数,为第i个决策正向化评分组中第j个评价因子的正向化评分;
将评价因子的权重矩阵和决策评价因子的正向化评分矩阵A输入评价因子权重规范化转化模型,基于规范化计算公式计算每一个评价因子的权重规范化数值,并将所有评价因子的权重规范化数值组成权重规范化矩阵B;
其中,为第i个决策正向化评分组中第j个评价因子的权重规范化数值;
基于权重规范化矩阵B确定最优化权重规范化数值组和最劣化权重规范化数值组/>,其中:
其中,为第j个评价因子的权重规范化数值的最大值,/>为第j个评价因子的权重规范化数值的最小值;
按照指标计算公式计算每一决策正向化评分组的决策指标;
筛选出决策指标最大的决策正向化评分组,其对应的PLC参数决策组为最优化PLC参数组。
规范化计算公式为:
式中,为第j个评价因子的权重值,/>为第k个决策正向化评分组中第j个评价因子的正向化评分。
指标计算公式为:
式中,为第i组决策正向化评分组的决策指标。
通过计算每一组的决策正向化评分组的权重规范化数组与最优化权重规范化数值组和最劣化权重规范化数值组之间的距离并做归一化处理,可有效的标识出每一组决策正向化评分组的权重规范化数组的优劣,具体的决策指标越靠近1,则代表该组决策正向化评分组的权重规范化数组与最优化权重规范化数值组越近,其对应的PLC参数决策组越优。
参阅图7所示,对最优化PLC参数组进行抗干扰处理具体包括:
按照抗干扰公式对最优化PLC参数组中的每一个PLC参数进行抗干扰计算,获得每一个PLC参数抗干扰处理后的PLC参数值;
将每一个PLC参数抗干扰处理后的PLC参数值进行组合后生成最终PLC参数组;
抗干扰公式为:
式中,为抗干扰处理后的PLC参数值,/>为自动化控制系统稳定性矩阵的逆矩阵,/>为最优化PLC参数组的PLC参数值,/>为自动化控制系统的噪声。
通过对最优化PLC参数组进行抗干扰处理,得到的最终PLC参数组可有有效的隔绝外部以及系统内部的噪音干扰,降低控制系统运行时的参数波动,有效的保证PLC控制台在执行时的稳定性。
综上所述,本发明的优点在于:可实现PLC参数组的自动化最优决策,降低对人工经验的依赖程度,同时可有效的保证PLC控制参数可实现自动化控制系统的最优化运行。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.一种基于PLC的自动化控制决策优化方法,其特征在于,包括:
基于自动化控制系统的属性进行分析,获取自动化控制系统的若干评价因子;
获取自动化控制系统的控制逻辑体系,建立自动化控制的PLC参数与自动化控制系统的若干评价因子之间的映射矩阵;
基于评价因子构建自动化控制系统的评价指标模型,所述评价指标模型以评价因子的权重矩阵和评价因子决策矩阵作为输入,以自动化控制系统的最优化PLC参数组作为输出;
按照设定的取值间隔分别对每一个PLC参数取若干个决策数值,并组合成若干个PLC参数决策组,将所有PLC参数决策组组成PLC参数决策矩阵,并基于PLC参数与自动化控制系统的若干评价因子之间的映射矩阵将PLC参数决策矩阵转化为评价因子决策矩阵;
根据自动化控制系统的属性,对若干评价因子附加权重值,获得评价因子的权重矩阵;
将评价因子的权重矩阵和评价因子决策矩阵输入自动化控制系统的评价指标模型,获得最优化PLC参数组;
对最优化PLC参数组进行抗干扰处理,得到最终PLC参数组;
将最终PLC参数组反馈到PLC控制台,PLC控制台依据最终PLC参数组进行控制参数的修改,控制自动化控制系统执行优化后的控制决策。
2.根据权利要求1所述的一种基于PLC的自动化控制决策优化方法,其特征在于,所述基于评价因子构建自动化控制系统的评价指标模型具体包括:
分别针对每一个评价因子训练评价因子评分模型,所述评价因子评分模型以评价因子的数值作为输入,以评价因子的正向化评分作为输出;
构建评价因子权重规范化转化模型,所述评价因子权重规范化转化模型以评价因子的权重矩阵和评价因子决策矩阵作为输入,以权重规范化矩阵作为输出;
构建决策指标计算模型,所述决策指标计算模型以权重规范化矩阵作为输入,以决策指标作为输出。
3.根据权利要求2所述的一种基于PLC的自动化控制决策优化方法,其特征在于,所述训练评价因子评分模型具体包括:
根据历史经验数据分别对不同的评价因子数值附加对应的正向化评分,并将评价因子数值和正向化评分进行封装成若干组训练数据集;
将多组训练数据集随机分成计算训练样本和测试样本,所述训练样本中训练数据集数量占比为80%,所述测试样本中训练数据集数量占比为20%;
利用训练样本中的训练数据集进行评价因子评分模型的训练模型计算,获得多个初步训练模型;
将测试样本中的训练数据集代入初步训练模型中,筛选出测试拟合度最高的初步训练模型,作为评价因子评分模型。
4.根据权利要求3所述的一种基于PLC的自动化控制决策优化方法,其特征在于,所述将测试样本中的训练数据集代入初步训练模型中,筛选出测试拟合度最高的初步训练模型具体包括:
将测试样本中的所有训练数据集的输入变量输入初步训练模型中,得到预测输出变量;
根据测试样本中的所有训练数据集的输出变量和预测输出变量计算回归确定系数;
对每一个初步训练模型进行回归确定系数计算;
筛选出回归确定系数最大的初步训练模型;
其中,所述回归确定系数的计算公式为:
式中,为回归确定系数;
RSS为初步训练模型的残差平方和;
TSS为初步训练模型的总平方和。
5.根据权利要求4所述的一种基于PLC的自动化控制决策优化方法,其特征在于,所述将评价因子的权重矩阵和评价因子决策矩阵输入自动化控制系统的评价指标模型,获得最优化PLC参数组具体包括如下步骤:
将评价因子决策矩阵中每一个评价因子的决策数值输入对应的评价因子评分模型,获取每一个评价因子的若干决策正向化评分,并将所有评价因子的若干决策正向化评分进行组合成若干个决策正向化评分组,并将若干个决策正向化评分组组成决策评价因子的正向化评分矩阵A;
其中,m为决策正向化评分组的总数,n为自动化控制系统的若干评价因子总数,为第i个决策正向化评分组中第j个评价因子的正向化评分;
将评价因子的权重矩阵和决策评价因子的正向化评分矩阵A输入评价因子权重规范化转化模型,基于规范化计算公式计算每一个评价因子的权重规范化数值,并将所有评价因子的权重规范化数值组成权重规范化矩阵B;
其中,为第i个决策正向化评分组中第j个评价因子的权重规范化数值;
基于权重规范化矩阵B确定最优化权重规范化数值组和最劣化权重规范化数值组,其中:
,
,
其中,为第j个评价因子的权重规范化数值的最大值,/>为第j个评价因子的权重规范化数值的最小值;
按照指标计算公式计算每一决策正向化评分组的决策指标;
筛选出决策指标最大的决策正向化评分组,其对应的PLC参数决策组为最优化PLC参数组。
6.根据权利要求5所述的一种基于PLC的自动化控制决策优化方法,其特征在于,所述规范化计算公式为:
式中,为第j个评价因子的权重值,/>为第k个决策正向化评分组中第j个评价因子的正向化评分。
7.根据权利要求6所述的一种基于PLC的自动化控制决策优化方法,其特征在于,所述指标计算公式为:
式中,为第i组决策正向化评分组的决策指标。
8.根据权利要求7所述的一种基于PLC的自动化控制决策优化方法,其特征在于,所述对最优化PLC参数组进行抗干扰处理具体包括:
按照抗干扰公式对最优化PLC参数组中的每一个PLC参数进行抗干扰计算,获得每一个PLC参数抗干扰处理后的PLC参数值;
将每一个PLC参数抗干扰处理后的PLC参数值进行组合后生成最终PLC参数组;
所述抗干扰公式为:
,
式中,为抗干扰处理后的PLC参数值,/>为自动化控制系统稳定性矩阵的逆矩阵,/>为最优化PLC参数组的PLC参数值,/>为自动化控制系统的噪声。
9.一种基于PLC的自动化控制决策优化系统,用于实现如权利要求1-8任一项所述的基于PLC的自动化控制决策优化系统,其特征在于,包括:
处理器,所述处理器用于获取自动化控制系统的若干评价因子、获取自动化控制系统的控制逻辑体系,建立自动化控制的PLC参数与自动化控制系统的若干评价因子之间的映射矩阵、基于评价因子构建自动化控制系统的评价指标模型、将PLC参数决策矩阵转化为评价因子决策矩阵、进行计算最优化PLC参数组和对最优化PLC参数组进行抗干扰处理;
存储器,存储器与所述处理器电性连接,所述存储器用于存储自动化控制系统的评价指标模型;
输入模块,输入模块与所述处理器电性连接,所述输入模块用于输入评价因子的权重矩阵;
输出模块,输出模块与所述处理器电性连接,所述输出模块用于进行输出最终PLC参数组至PLC控制台;
PLC控制台,PLC控制台与所述输出模块通过有线或无线进行通讯连接,所述PLC控制台用于依据最终PLC参数组进行控制参数的修改,控制自动化控制系统执行优化后的控制决策。
10.根据权利要求9所述的一种基于PLC的自动化控制决策优化系统,其特征在于,所述处理器内部集成有:
第一分析单元,所述第一分析单元用于基于自动化控制系统的属性进行分析,获取自动化控制系统的若干评价因子;
第二分析单元,所述第二分析单元用于获取自动化控制系统的控制逻辑体系,建立自动化控制的PLC参数与自动化控制系统的若干评价因子之间的映射矩阵;
模型单元,所述模型单元用于基于评价因子构建自动化控制系统的评价指标模型;
第一计算单元,所述第一计算单元用于按照设定的取值间隔分别对每一个PLC参数取若干个决策数值,并组合成若干个PLC参数决策组,将所有PLC参数决策组组成PLC参数决策矩阵,并基于PLC参数与自动化控制系统的若干评价因子之间的映射矩阵将PLC参数决策矩阵转化为评价因子决策矩阵;
第二计算单元,所述第二计算单元用于将评价因子的权重矩阵和评价因子决策矩阵输入自动化控制系统的评价指标模型,获得最优化PLC参数组;
抗干扰处理单元,所述抗干扰处理单元用于对最优化PLC参数组进行抗干扰处理,得到最终PLC参数组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473785.3A CN116203891B (zh) | 2023-04-28 | 2023-04-28 | 一种基于plc的自动化控制决策优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473785.3A CN116203891B (zh) | 2023-04-28 | 2023-04-28 | 一种基于plc的自动化控制决策优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116203891A CN116203891A (zh) | 2023-06-02 |
CN116203891B true CN116203891B (zh) | 2023-08-04 |
Family
ID=86507987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310473785.3A Active CN116203891B (zh) | 2023-04-28 | 2023-04-28 | 一种基于plc的自动化控制决策优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116203891B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103163831A (zh) * | 2011-12-12 | 2013-06-19 | 沈阳高精数控技术有限公司 | 一种用于数控系统的递阶式风险评估方法 |
CN108319223A (zh) * | 2018-02-06 | 2018-07-24 | 合肥工业大学 | 一种面向绿色制造的螺纹车削工艺参数优化方法 |
CN111033396A (zh) * | 2018-01-11 | 2020-04-17 | 欧姆龙株式会社 | 用于模型预测控制的控制参数的设定方法 |
CN112845618A (zh) * | 2021-02-05 | 2021-05-28 | 唐山钢铁集团有限责任公司 | 一种优化热轧平整二级轧制力设定值的方法 |
CN114690700A (zh) * | 2022-04-11 | 2022-07-01 | 山东智达自控系统有限公司 | 一种基于plc的智能污水处理决策优化方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6880335B1 (ja) * | 2020-03-17 | 2021-06-02 | 三菱電機株式会社 | 加工条件探索装置および加工条件探索方法 |
-
2023
- 2023-04-28 CN CN202310473785.3A patent/CN116203891B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103163831A (zh) * | 2011-12-12 | 2013-06-19 | 沈阳高精数控技术有限公司 | 一种用于数控系统的递阶式风险评估方法 |
CN111033396A (zh) * | 2018-01-11 | 2020-04-17 | 欧姆龙株式会社 | 用于模型预测控制的控制参数的设定方法 |
CN108319223A (zh) * | 2018-02-06 | 2018-07-24 | 合肥工业大学 | 一种面向绿色制造的螺纹车削工艺参数优化方法 |
CN112845618A (zh) * | 2021-02-05 | 2021-05-28 | 唐山钢铁集团有限责任公司 | 一种优化热轧平整二级轧制力设定值的方法 |
CN114690700A (zh) * | 2022-04-11 | 2022-07-01 | 山东智达自控系统有限公司 | 一种基于plc的智能污水处理决策优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116203891A (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002686B (zh) | 一种自动生成样本的多牌号化工过程软测量建模方法 | |
CN112034789A (zh) | 一种数控机床关键部件及整机的健康评估方法,系统及评估终端机 | |
CN113094980B (zh) | 一种基于iga-dnn的焊膏印刷质量预测方法及系统 | |
CN109934422B (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN110023850A (zh) | 用于控制技术系统的方法和控制装置 | |
CN113239991B (zh) | 基于回归生成对抗网络的火焰图像氧浓度预测方法 | |
CN112308298B (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
CN111144552A (zh) | 一种粮食品质多指标预测方法及装置 | |
CN116107279A (zh) | 基于注意力深度神经网络的流程工业能耗多目标优化方法 | |
CN111582395A (zh) | 一种基于卷积神经网络的产品质量分类系统 | |
CN112861436A (zh) | 一种发动机排放实时预测方法 | |
CN113554213A (zh) | 一种天然气需求预测方法、系统、存储介质及设备 | |
CN108268018A (zh) | 一种基于rfid的机械制造车间生产进程信息采集系统 | |
CN116203891B (zh) | 一种基于plc的自动化控制决策优化方法及系统 | |
CN110648023A (zh) | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 | |
CN111506868A (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
CN110851784A (zh) | 一种现场运行电能表的预警方法 | |
CN115206455A (zh) | 基于深度神经网络的稀土元素组分含量预测方法及系统 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN111652384B (zh) | 一种数据量分布的平衡方法及数据处理方法 | |
CN110728292A (zh) | 一种多任务联合优化下的自适应特征选择算法 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
CN113111588A (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN112598186A (zh) | 一种基于改进的lstm-mlp的小型发电机故障预测方法 | |
CN111103799A (zh) | 基于师生网络在线探索学习的能效优化建模方法 |
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 |