CN116224872A - 针对多物理场耦合大规模工业系统的知识引入预测控制方法、预测控制器、设备及介质 - Google Patents

针对多物理场耦合大规模工业系统的知识引入预测控制方法、预测控制器、设备及介质 Download PDF

Info

Publication number
CN116224872A
CN116224872A CN202310216542.1A CN202310216542A CN116224872A CN 116224872 A CN116224872 A CN 116224872A CN 202310216542 A CN202310216542 A CN 202310216542A CN 116224872 A CN116224872 A CN 116224872A
Authority
CN
China
Prior art keywords
variable
knowledge
scale industrial
variables
predictive
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
Application number
CN202310216542.1A
Other languages
English (en)
Inventor
阳春华
张运锋
黄科科
吴德浩
韦可
桂卫华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202310216542.1A priority Critical patent/CN116224872A/zh
Publication of CN116224872A publication Critical patent/CN116224872A/zh
Pending legal-status Critical Current

Links

Images

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
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0423—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
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25257—Microcontroller
    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种针对多物理场耦合大规模工业系统的知识引入预测控制方法、预测控制器、设备及介质，方法包括：利用拓展收敛交叉映射算法获取多物理场耦合大规模工业系统的变量间影响关系；将获取到的变量间影响关系作为先验知识构建预测控制器中的预测器；再将预测器嵌入到预测控制器的损失函数中，建立知识引导的预测控制器；利用建立的预测控制器并根据多物理场耦合大规模工业系统的当前状态变量值，对多物理场耦合大规模工业系统进行预测控制。本发明通过提取系统中观测变量的影响关系，并将其作为先验知识融入到系统的预测模型中实现系统状态的准确控制。

Description

针对多物理场耦合大规模工业系统的知识引入预测控制方 法、预测控制器、设备及介质
技术领域
本发明属于控制技术领域，具体涉及一种针对多物理场耦合大规模工业系统的知识引入预测控制方法、预测控制器、设备及介质。
背景技术
随着现代工业技术的发展和进步，工业系统朝着大规模化方向发展，例如600KA铝电解槽、152m2焙烧炉等。这些系统内部机理复杂，通常涉及多个物理场耦合，难以对其实施快速准确地控制，使得系统无法长期维持稳定运行，因此对于系统状态的精准控制十分重要。目前针对大规模工业系统的控制主要包含两种方法：集总参数系统方法和分布式参数系统方法。其中集总参数系统方法认为大规模工业系统内监测指标与坐标位置无关，仅随时间变化，通过对特定位置的指标进行监控，从而实现对大规模工业系统的控制。虽然集总参数系统方法能够在一定程度上实现对大规模工业系统的控制，但是这些方法通常没有考虑变量指标随空间位置的变化情况，使得集总式参数系统方法无法实现对大规模工业系统的准确描述和控制。
为了实现对大规模工业系统状态的精准描述和控制，分布式参数系统方法被提出，并在冶金、化工等工业领域被广泛应用。该方法的基本思路是从机理上利用偏微分方程，结合给定的边界条件和初始条件，来描述大规模工业系统。基于分布式参数系统的大规模工业控制往往通过增加微分方程组的方式来提升控制效果，虽然控制精度得到改善，但是这类方法求解耗时长，难以实现实时控制。
近年来，随着传感器技术的发展，现场装配有足够数量的各类传感器，可以采集大规模工业系统的大量数据，这些数据为解决分布式参数系统方法所面临的问题提供了新的解决途径，数据驱动的分布式参数系统方法被提出，这类方法在得到大规模工业系统输入输出数据的基础上，学习得到分布式参数系统的时空降阶模型，基于降阶模型设计大规模工业系统的控制器，从而实现对其精准快速控制。但是，大规模工业系统的观测数据通常具有高维、强耦合的特性，变量间影响关系难以识别，传统的数据驱动的分布式参数系统方法没有融入物理知识，导致降阶预测模型训练时间长、泛化能力差，进一步降低了分布式参数系统方法的预测和控制精度。
发明内容
针对大规模工业系统状态精准控制难题，在分布式参数系统框架下，本发明提供一种针对多物理场耦合大规模工业系统的知识引入预测控制方法、预测控制器、设备及介质，能够提取系统中观测变量的影响关系，并将其作为先验知识融入到系统的预测模型中实现系统状态的准确控制。
为实现上述技术目的，本发明采用如下技术方案：
一种针对多物理场耦合大规模工业系统的知识引入预测控制方法，包括：
首先，利用拓展收敛交叉映射算法获取多物理场耦合大规模工业系统的变量间影响关系；
然后，将获取到的变量间影响关系作为先验知识构建预测控制器中的预测器；
再将预测器嵌入到预测控制器的损失函数中，建立知识引导的预测控制器；
最后，利用建立的预测控制器并根据多物理场耦合大规模工业系统的当前状态变量值，对多物理场耦合大规模工业系统进行预测控制。
进一步地，所述利用拓展收敛交叉映射算法获取多物理场耦合大规模工业系统的变量间影响关系，具体为：
(1)收集分布式参数系统的历史数据
Figure BDA0004115132690000021
其中
Figure BDA0004115132690000022
为系统输入变量，/>
Figure BDA0004115132690000023
为系统内不同空间点的状态变量，/>
Figure BDA0004115132690000024
为系统内不同空间点的输出变量，m表示数据的个数，ninput表示输入变量的维数，nstate表示状态变量的维数，noutput表示输出变量的维数；
(2)将每个输出变量作为结果变量，分布式参数系统的其余变量均作为原因变量，并针对每个结果变量yj，构建其流形空间
Figure BDA0004115132690000025
Figure BDA0004115132690000026
其中，j为输出变量的索引号，j＝1,…,noutput；1+(E-1)τ≤t≤m；E和τ分别代表嵌入尺寸和时间步长；
(3)寻找
Figure BDA0004115132690000027
的E+1个临近点，并将这些点与/>
Figure BDA0004115132690000028
间的欧氏距离从小到大排列为{d1,d2,…,dE+1}，记录这些点所对应的时间tk∈{t1,t2,…,tE+1}，这些时间对应的任意原因变量为xi(tk)，i为原因变量索引；然后计算每个临近点对重构数据的贡献度：
wk＝uk/N
其中，wk表示第k个临近点的贡献度，k＝1,…,E+1，
Figure BDA0004115132690000029
(4)利用Myj对每个原因变量xi进行估计，得到xi的估计值
Figure BDA0004115132690000031
Figure BDA0004115132690000032
式中
Figure BDA0004115132690000033
表示第j个结果变量到第i个原因变量之间的权重；
(5)对原因变量xi偏移l个单位得到
Figure BDA0004115132690000034
Figure BDA0004115132690000035
其中，
Figure BDA0004115132690000036
表示数据移动长度，l＜0表示数据向左偏移，l＞0表示数据向右偏移，l∈[-L,L],L表示最大偏移量；
(6)计算偏移数据
Figure BDA0004115132690000037
和估计数据/>
Figure BDA0004115132690000038
的Pearson相关性系数COVl：
Figure BDA0004115132690000039
(7)寻找COV最大时所对应的偏移量lmax，记为原因变量xi的时滞，并基于lmax和对应的Pearson相关性系数
Figure BDA00041151326900000310
确定与输出变量yj具有真实的正向因果关系的所有原因变量；
Figure BDA00041151326900000311
其中，若lmax≤0处COV取得最大值，表示原因变量和输出变量之间存在正向的因果关系；反之，则表示不存在正向关系；在确定正向的因果关系后，将
Figure BDA00041151326900000312
与因果关系阈值COVthreshold进行比较，如果/>
Figure BDA00041151326900000313
则表明原因变量xi和输出变量yj之间的正向因果关系是真实的，即原因变量xi与输出变量yj具有真实的正向因果关系。
进一步地，将获取到的变量间影响关系作为先验知识构建预测控制器中的预测器，具体为：对于每个空间点的输出变量yj均构建一个对应的反向传播神经网络，且第j(j＝1,…,noutput)个神经网络的输出为yj，输入
Figure BDA00041151326900000314
由变量间影响关系确定，表示为：
Figure BDA00041151326900000315
其中，
Figure BDA00041151326900000316
表示与输出变量yj存在正向因果关系的第k个原因变量，k＝1,…,nj，nj表示与输出变量yj存在真实的正向因果关系的原因变量总维数，/>
Figure BDA00041151326900000317
表示原因变量/>
Figure BDA00041151326900000318
的时滞。
进一步地，所述反向传播神经网络包括输入层、隐藏层和输出层，并采用Levenberg-Marquardt算法优化求解神经网络中的参数。
进一步地，将预测器嵌入到预测控制器后，每个时间步长的损失函数为：
Figure BDA0004115132690000041
Figure BDA0004115132690000042
其中，g表示预测器，其输入
Figure BDA0004115132690000043
为当前t时刻与各结果变量存在真实的正向因果关系的原因变量值；mc和mp分别表示控制步长和预测步长；
Figure BDA0004115132690000044
表示各空间点输出变量的下一t+1时刻预测值所组成的向量，
Figure BDA0004115132690000045
表示各空间点的输出变量下一t+1时刻的参考值，
Figure BDA0004115132690000046
为当前t时刻各空间点输出变量的实际值与预测值的偏差；目标函数中的P和Q均为加权范数。
进一步地，所述对未来状态变量值进行预测控制，具体为：通过求解预测控制器的损失函数，得到时间控制范围Tc＝mcΔt的输入变量序列u(·|X(t)):＝{u(t),…,u(t+mc)}，并将得到的第一个输入u(t)作用于多物理场耦合大规模工业系统。
一种针对多物理场耦合大规模工业系统的知识引入预测控制器，包括：
变量关系提取模块，用于：利用拓展收敛交叉映射算法获取多物理场耦合大规模工业系统的变量间影响关系；
预测器构建模块，用于：将获取到的变量间影响关系作为先验知识构建预测控制器中的预测器；
损失函数建立模块，用于：将预测器嵌入到预测控制器的损失函数中，建立知识引导的预测控制器；
所述预测控制器用于根据多物理场耦合大规模工业系统的当前状态变量值，基于损失函数对多物理场耦合大规模工业系统进行预测控制。
进一步地，知识引入预测控制器包括的各模块用于实现上述任一项技术方案所述的知识引入预测控制方法。
一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项技术方案所述的知识引入预测控制方法。
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上述任一项技术方案所述的知识引入预测控制方法。
有益效果
本发明首先基于拓展收敛交叉映射方法对系统观测数据进行特征提取与表达，获取变量间影响关系，并将其作为先验知识用于分布式参数系统的预测模型构建；最后，将降阶预测模型嵌入到控制器的损失函数中，并通过实时优化计算损失函数，得到最优控制输入，实现对系统状态的稳定控制。本发明可以应用于控制多物理场耦合的大规模工业系统，克服传统的数据驱动的分布式参数系统方法没有融入物理知识、导致降阶预测模型训练时间长、泛化能力差的问题，能够实现对大规模工业系统实施精准控制，为工业过程的稳定安全运行提供了保障。
附图说明
图1是本申请实施例所述方法的总体框架图；
图2是本申请神经网络的结构示意图；
图3是本申请例所述实验仿真得到的浓度场、温度场、速度场；
图4是本申请例所述的实验效果图：(a)是在1点处不同方法的温度控制效果，(b)是在2点处不同方法的温度控制效果，(c)是在3点处不同方法的温度控制效果，(d)三种控制输入。
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
本发明提出的针对多物理场耦合大规模工业系统的知识引入预测控制方法，总体框架如图1所示。首先，利用拓展收敛交叉映射算法获取多物理场耦合大规模工业系统的变量间影响关系；然后，将获取到的变量间影响关系作为先验知识构建预测控制器中的预测器；再将预测器嵌入到预测控制器的损失函数中，建立知识引导的预测控制器；最后，利用建立的预测控制器并根据多物理场耦合大规模工业系统的当前状态变量值，对多物理场耦合大规模工业系统进行预测控制。
一、拓展收敛交叉映射
首先收集分布式参数系统的历史数据
Figure BDA0004115132690000051
其中
Figure BDA0004115132690000052
为系统输入变量，/>
Figure BDA0004115132690000053
为系统内不同空间点的状态变量，/>
Figure BDA0004115132690000061
为系统内不同空间点的输出变量，m表示数据的个数，ninput表示输入变量的维数，nstate表示状态变量的维数，noutput表示输出变量的维数。分析原因变量X与结果变量Y之间的因果影响关系及影响时滞。
将每个输出变量作为结果变量，分布式参数系统的其余变量均作为原因变量，并针对每个结果变量yj，构建其流形空间。不失一般性，以yj为例，首先构建结果变量yj的流形空间：
Figure BDA0004115132690000062
其中1+(E-1)τ≤t≤m，E,τ分别代表嵌入尺寸和时间步长，本实施例中分别取2和1；然后寻找
Figure BDA0004115132690000063
的E+1个临近点，并将这些点与/>
Figure BDA0004115132690000064
间的欧氏距离从小到大排列为{d1,d2,…,dE+1}，记录这些点所对应的时间tk∈{t1,t2,…,tE+1}，这些时间点对应原因变量为xi(tk)。然后计算这些点对于重构数据的贡献度：
wk＝uk/N (2)
其中wk表示第k个临近点的贡献度，k＝1,…,E+1，
Figure BDA0004115132690000065
接着，利用Myj对xi进行估计，得到xi的估计值/>
Figure BDA0004115132690000066
Figure BDA0004115132690000067
式中
Figure BDA0004115132690000068
表示第j个结果变量到第i个原因变量之间的权重
对xi偏移l个单位得到
Figure BDA0004115132690000069
Figure BDA00041151326900000610
其中
Figure BDA00041151326900000611
表示数据移动长度，l＜0表示数据向左偏移，l＞0表示数据向右偏移，l∈[-L,L],L表示最大偏移量。接着计算偏移数据/>
Figure BDA00041151326900000612
和估计数据/>
Figure BDA00041151326900000613
的Pearson相关性系数：
Figure BDA00041151326900000614
每一个偏移量l都对应一个COV，然后寻找COV最大时所对应的偏移量lmax：
Figure BDA00041151326900000615
若lmax≤0处COV取得最大值，表示原因变量和结果变量之间存在正向的影响关系；反之，则表示不存在正向关系，在本文中不予考虑。在确定正向的因果关系后，将
Figure BDA00041151326900000616
与因果关系阈值COVthreshold进行比较，以确定这种因果关系是否真实。如果
Figure BDA0004115132690000071
则表明正向因果关系是真实的。
通过上述过程，同时提取系统的两个知识：变量之间的是否存在影响关系，以及影响关系时滞lmax，分别存入对应变量知识集vj和时滞知识集ej。
二、知识引入的神经网络
在提取系统的知识后，将其引入到神经网络模型，作为预测控制器中的预测器。本实施例设计的引入知识的反向传播神经网络包含输入层、隐藏层和输出层。对于每一个空间点的输出变量构建一个神经网络，因此共构建noutput个神经网络，其中第j个神经网络的结构图如图2所示。
对于引入知识的神经网络的构建需要考虑变量知识集vj和时滞知识集ej，第j(j＝1,…,noutput)个神经网络的输入
Figure BDA0004115132690000072
为：
Figure BDA0004115132690000073
其中，
Figure BDA0004115132690000074
表示与输出变量yj存在因果关系的第k个变量，k＝1,…,nj，nj表示与输出变量yj存在因果关系的变量总维数，/>
Figure BDA0004115132690000075
表示对应变量的时滞。输入层的数据直接连接到隐藏层，隐藏层每一个神经元的输出计算公式如下：
Figure BDA0004115132690000076
其中
Figure BDA0004115132690000077
代表第j个神经网络隐藏层第i个神经元输出，P表示隐藏层神经元总数，
Figure BDA00041151326900000714
表示第j个神经网络隐藏层第i个神经元权重，/>
Figure BDA0004115132690000078
表示隐藏层第i个神经元偏置，f(·)是激活函数，采用symmetric sigmoid transfer function：
Figure BDA0004115132690000079
输出层神经元的输出为：
Figure BDA00041151326900000710
其中yj表示第j个神经网络的输出，
Figure BDA00041151326900000711
表示第j个神经网络隐藏层每个原子到输出层的权重，/>
Figure BDA00041151326900000712
表示第j个神经网络隐藏层到输出层偏置，/>
Figure BDA00041151326900000713
表示隐藏层神经元输出，再对yj进行反标准化即可得到神经网络最终输出，神经网络采用Levenberg-Marquardt算法优化求解神经网络中的参数。
三、知识引入的预测控制器
将引入知识的神经网络作为预测控制器中的预测器，该预测器根据当前状态值，预测被控系统的未来状态，并在预测结果的基础上优化控制问题，以确定下一步控制操作，通过滚动优化的方式，在每个新的时间步长重复这种优化操作，并更新控制规律。
滚动优化通常可以表述为每一步的开环优化，根据当前时刻采集到的数据X(t)在控制范围Tc＝mcΔt内确定输入u(·|X(t)):＝{u(t),…,u(t+mc)}，在预测范围Tp＝mpΔt内使得损失函数J最小，mc和mp分别表示控制步长和预测步长，Δt是模型的时间步长。通常控制范围小于或等于预测范围，如果控制范围小于预测范围，则后续的控制输入为控制序列最后一个值且保持不变。优化得到的第一个输入u(t)作用到系统，并重新初始化优化过程，以求解新的控制输入。每个时间步长的损失函数如下：
Figure BDA0004115132690000081
其中，g表示构建的引入知识神经网络，网络输入
Figure BDA0004115132690000082
为当前t时刻与各结果变量存在真实的正向因果关系的原因变量值。
Figure BDA0004115132690000083
表示各空间点输出变量的下一t+1时刻预测值所组成的向量，
Figure BDA0004115132690000084
表示空间内各输出变量的下一t+1时刻的参考值，
Figure BDA0004115132690000085
为当前时刻各空间点输出变量的实际值与预测值的偏差。
损失函数中每一项都被计算为一个加权范数，例如
Figure BDA0004115132690000086
损失函数的第一项是使预测值和参考值之间的偏差最小化，在实际预测控制时，预测器的预测结果和实际值会有一定的偏差，为了防止因多步预测而导致预测误差的积累，本实施例采用反馈校正的方式对预测值进行修正，具体采用上一时刻实际值与预测值的偏差来对当前时刻预测值进行校正。损失函数的第二项是抑制控制输入较大波动，提高控制的稳定性和安全性。
最后，利用建立的预测控制器并根据多物理场耦合大规模工业系统的当前状态变量值，对多物理场耦合大规模工业系统进行预测控制。具体地，通过求解预测控制器的损失函数，得到时间控制范围Tc＝mcΔt的输入变量序列u(·|X(t)):＝{u(t),…,u(t+mc)}，并将得到的第一个输入作用于多物理场耦合大规模工业系统。
为了验证本发明所提方法的有效性，构建了一个管式反应器的多物理场耦合仿真，在不同仿真时间的浓度场、温度场、速度场如图3所示。
将本发明提方法与传统字典学习方法进行对比。设计了阶跃变化设定点的控制实验，测试本发明方法的跟踪控制效果，控制目标是在前300s使1、2、3点温度稳定在314.8K、315.8K和317K，在300-600s使3个点温度分别稳定在314.2K、315.1K和316K。实验效果如图4所示，并由结果表明，当设定点阶跃变化后，PID控制器的波动明显增大。而未引入知识的预测控制方法在控制目标变化后，存在较大的超调，快速跟踪控制效果差。因此本发明方法KI-PC能够对三个点的温度快速稳定跟踪。
通过以上实验，验证了本发明方法相比于传统方法对多物理场耦合大规模工业系统的控制优越性。
以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (10)

1.一种针对多物理场耦合大规模工业系统的知识引入预测控制方法，其特征在于，包括：
首先，利用拓展收敛交叉映射算法获取多物理场耦合大规模工业系统的变量间影响关系；
然后，将获取到的变量间影响关系作为先验知识构建预测控制器中的预测器；
再将预测器嵌入到预测控制器的损失函数中，建立知识引导的预测控制器；
最后，利用建立的预测控制器并根据多物理场耦合大规模工业系统的当前状态变量值，对多物理场耦合大规模工业系统进行预测控制。
2.根据权利要求1所述的知识引入预测控制方法，其特征在于，所述利用拓展收敛交叉映射算法获取多物理场耦合大规模工业系统的变量间影响关系，具体为：
(1)收集分布式参数系统的历史数据
Figure FDA0004115132680000011
其中
Figure FDA0004115132680000012
为系统输入变量，/>
Figure FDA0004115132680000013
为系统内不同空间点的状态变量，/>
Figure FDA0004115132680000014
为系统内不同空间点的输出变量，m表示数据的个数，ninput表示输入变量的维数，nstate表示状态变量的维数，noutput表示输出变量的维数；
(2)将每个输出变量作为结果变量，分布式参数系统的其余变量均作为原因变量，并针对每个结果变量yj，构建其流形空间
Figure FDA0004115132680000015
Figure FDA0004115132680000016
其中，j为输出变量的索引号，j＝1,…,noutput；1+(E-1)τ≤t≤m；E和τ分别代表嵌入尺寸和时间步长；
(3)寻找
Figure FDA0004115132680000017
的E+1个临近点，并将这些点与/>
Figure FDA0004115132680000018
间的欧氏距离从小到大排列为{d1,d2,…,dE+1}，记录这些点所对应的时间tk∈{t1,t2,…,tE+1}，这些时间对应的任意原因变量为xi(tk)，i为原因变量索引；然后计算每个临近点对重构数据的贡献度：
wk＝uk/N
其中，wk表示第k个临近点的贡献度，k＝1,…,E+1，
Figure FDA0004115132680000019
(4)利用
Figure FDA00041151326800000110
对每个原因变量xi进行估计，得到xi的估计值/>
Figure FDA00041151326800000111
Figure FDA00041151326800000112
式中
Figure FDA00041151326800000113
表示第j个结果变量到第i个原因变量之间的权重；
(5)对原因变量xi偏移l个单位得到
Figure FDA0004115132680000021
Figure FDA0004115132680000022
其中，
Figure FDA0004115132680000023
表示数据移动长度，l＜0表示数据向左偏移，l＞0表示数据向右偏移，l∈[-L,L],L表示最大偏移量；
(6)计算偏移数据
Figure FDA0004115132680000024
和估计数据/>
Figure FDA0004115132680000025
的Pearson相关性系数COVl：/>
Figure FDA0004115132680000026
(7)寻找COV最大时所对应的偏移量lmax，记为原因变量xi的时滞，并基于lmax和对应的Pearson相关性系数COVlmax确定与输出变量yj具有真实的正向因果关系的所有原因变量；
Figure FDA0004115132680000027
其中，若lmax≤0处COV取得最大值，表示原因变量和输出变量之间存在正向的因果关系；反之，则表示不存在正向关系；在确定正向的因果关系后，将
Figure FDA0004115132680000028
与因果关系阈值COVthreshold进行比较，如果/>
Figure FDA0004115132680000029
则表明原因变量xi和输出变量yj之间的正向因果关系是真实的，即原因变量xi与输出变量yj具有真实的正向因果关系。
3.根据权利要求1所述的知识引入预测控制方法，其特征在于，将获取到的变量间影响关系作为先验知识构建预测控制器中的预测器，具体为：对于每个空间点的输出变量yj均构建一个对应的反向传播神经网络，且第j(j＝1,…,noutput)个神经网络的输出为yj，输入
Figure FDA00041151326800000210
由变量间影响关系确定，表示为：
Figure FDA00041151326800000211
其中，
Figure FDA00041151326800000212
表示与输出变量yj存在正向因果关系的第k个原因变量，k＝1,…,nj，nj表示与输出变量yj存在真实的正向因果关系的原因变量总维数，/>
Figure FDA00041151326800000213
表示原因变量/>
Figure FDA00041151326800000214
的时滞。
4.根据权利要求3所述的知识引入预测控制方法，其特征在于，所述反向传播神经网络包括输入层、隐藏层和输出层，并采用Levenberg-Marquardt算法优化求解神经网络中的参数。
5.根据权利要求1所述的知识引入预测控制方法，其特征在于，将预测器嵌入到预测控制器后，每个时间步长的损失函数为：
Figure FDA0004115132680000031
Figure FDA0004115132680000032
其中，g表示预测器，其输入
Figure FDA0004115132680000033
为当前t时刻与各结果变量存在真实的正向因果关系的原因变量值；mc和mp分别表示控制步长和预测步长；
Figure FDA0004115132680000034
表示各空间点输出变量的下一t+1时刻预测值所组成的向量，
Figure FDA0004115132680000035
表示各空间点的输出变量下一t+1时刻的参考值，
Figure FDA0004115132680000036
为当前t时刻各空间点输出变量的实际值与预测值的偏差；目标函数中的P和Q均为加权范数。
6.根据权利要求1所述的知识引入预测控制方法，其特征在于，所述对未来状态变量值进行预测控制，具体为：通过求解预测控制器的损失函数，得到时间控制范围Tc＝mcΔt的输入变量序列u(·|X(t)):＝{u(t),…,u(t+mc)}，并将得到的第一个输入u(t)作用于多物理场耦合大规模工业系统。
7.一种针对多物理场耦合大规模工业系统的知识引入预测控制器，其特征在于，包括：
变量关系提取模块，用于：利用拓展收敛交叉映射算法获取多物理场耦合大规模工业系统的变量间影响关系；
预测器构建模块，用于：将获取到的变量间影响关系作为先验知识构建预测控制器中的预测器；
损失函数建立模块，用于：将预测器嵌入到预测控制器的损失函数中，建立知识引导的预测控制器；
所述预测控制器用于根据多物理场耦合大规模工业系统的当前状态变量值，基于损失函数对多物理场耦合大规模工业系统进行预测控制。
8.根据权利要求7所述的预测控制器，其特征在于，包括的各模块用于实现权利要求2-6任一所述的知识引入预测控制方法。
9.一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～6中任一项所述的知识引入预测控制方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～6中任一项所述的知识引入预测控制方法。
CN202310216542.1A 2023-03-08 2023-03-08 针对多物理场耦合大规模工业系统的知识引入预测控制方法、预测控制器、设备及介质 Pending CN116224872A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310216542.1A CN116224872A (zh) 2023-03-08 2023-03-08 针对多物理场耦合大规模工业系统的知识引入预测控制方法、预测控制器、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310216542.1A CN116224872A (zh) 2023-03-08 2023-03-08 针对多物理场耦合大规模工业系统的知识引入预测控制方法、预测控制器、设备及介质

Publications (1)

Publication Number Publication Date
CN116224872A true CN116224872A (zh) 2023-06-06

Family

ID=86574791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310216542.1A Pending CN116224872A (zh) 2023-03-08 2023-03-08 针对多物理场耦合大规模工业系统的知识引入预测控制方法、预测控制器、设备及介质

Country Status (1)

Country Link
CN (1) CN116224872A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116776135A (zh) * 2023-08-24 2023-09-19 之江实验室 一种基于神经网络模型的物理场数据预测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116776135A (zh) * 2023-08-24 2023-09-19 之江实验室 一种基于神经网络模型的物理场数据预测方法及装置
CN116776135B (zh) * 2023-08-24 2023-12-19 之江实验室 一种基于神经网络模型的物理场数据预测方法及装置

Similar Documents

Publication Publication Date Title
Feng et al. Dual attention-based encoder–decoder: A customized sequence-to-sequence learning for soft sensor development
US11543787B2 (en) Networked control system time-delay compensation method based on predictive control
Wang et al. Error compensation of industrial robot based on deep belief network and error similarity
Fan et al. A data-driven soft sensor based on multilayer perceptron neural network with a double LASSO approach
CN111353631A (zh) 基于多层lstm的火电厂凝汽器真空度预测方法
CN111158237B (zh) 基于神经网络的工业炉炉温多步预测控制方法
CN114397043B (zh) 多点温度智能检测系统
Tian et al. Time-delay compensation method for networked control system based on time-delay prediction and implicit PIGPC
CN111753300B (zh) 面向强化学习的检测防御异常数据方法和装置
CN116224872A (zh) 针对多物理场耦合大规模工业系统的知识引入预测控制方法、预测控制器、设备及介质
Guo et al. A self-interpretable soft sensor based on deep learning and multiple attention mechanism: From data selection to sensor modeling
Liu et al. Model fusion and multiscale feature learning for fault diagnosis of industrial processes
CN110097929A (zh) 一种高炉铁水硅含量在线预测方法
Kusumoputro et al. System identification and control of pressure process rig system using Backpropagation Neural Networks
CN112651519A (zh) 一种基于深度学习理论的二次设备故障定位方法及系统
CN114415503B (zh) 温度大数据物联网检测与智能控制系统
CN114358244B (zh) 基于物联网的压力大数据智能检测系统
CN115659201A (zh) 物联网气体浓度检测方法及监控系统
CN114692738A (zh) 一种轻量级实时时间序列异常检测方法
Di Muro et al. A constrained-optimization approach to training neural networks for smooth function approximation and system identification
Guo et al. Modelling for multi-phase batch processes using steady state identification and deep recurrent neural network
CN115016275B (zh) 智能化饲喂与畜禽舍大数据物联网系统
Chia et al. Two-phase Switching Optimization Strategy in LSTM Model For Predictive Maintenance
CN117444978B (zh) 一种气动软体机器人的位置控制方法及其系统、设备
Dippel et al. Deep Reinforcement Learning for Continuous Control of Material Thickness

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