CN116540546A - 工艺控制系统的控制参数的推荐方法、系统、设备和介质 - Google Patents
工艺控制系统的控制参数的推荐方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN116540546A CN116540546A CN202310627765.7A CN202310627765A CN116540546A CN 116540546 A CN116540546 A CN 116540546A CN 202310627765 A CN202310627765 A CN 202310627765A CN 116540546 A CN116540546 A CN 116540546A
- Authority
- CN
- China
- Prior art keywords
- vector
- model
- generator
- control parameter
- cwgan
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004886 process control Methods 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 79
- 238000005457 optimization Methods 0.000 claims abstract description 57
- 238000004519 manufacturing process Methods 0.000 claims abstract description 52
- 230000007613 environmental effect Effects 0.000 claims abstract description 45
- 238000005070 sampling Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 230000009471 action Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000010354 integration Effects 0.000 claims description 9
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 8
- 238000010845 search algorithm Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003860 storage Methods 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请实施例提供了一种工艺控制系统的控制参数的推荐方法、系统、设备和介质。该方法包括：获取工艺控制系统的当前环境影响因素向量；基于集成式生成器利用预设的优化求解算法求解当前环境影响因素向量下的最佳控制参数组合，该集成式生成器中的每个生成器获取自用历史样本数据集训练好的CWGAN模型，该历史样本数据包括控制参数向量、环境影响因素向量和对应的真实的生产结果，该控制参数向量、该环境影响因素向量叠加高斯白噪声作为模型中的生成器的输入以及该控制参数向量、环境影响因素向量和对应的真实的生产结果作为模型中的鉴别器的输入；输出最佳控制参数组合到工艺控制系统。本申请的实施例可提高最佳控制参数组合的求解结果的准确性。
Description
技术领域
本发明涉及工业生产及其工艺控制技术领域，尤其涉及一种工艺控制系统的控制参数的推荐方法、系统、设备和介质。
背景技术
在工业生产(例如流程工业生产)实践活动中，不同的行业和工艺都具有优化问题生产质量的需求。通常工艺人员需要根据环境因素变化、质量标准不同或不同的客户订单来更改多组控制参数的设定值。在实际运行时，生产效率或质量依然高度依赖人工经验，可能会导致控制参数组合处在非优或低效状态。通常而言，优化问题可以大致分为两类，即稳态优化问题与动态优化问题。对于工业工艺来说，如果多个控制参数从各自的初始值改变到目标值所经历的轨迹形状将影响最终的生产结果，则需要用动态模型处理，即算法需要在每个时间步长给出控制建议以实现理想轨迹的控制。如果实际操作中控制参数稳定后的取值是生产结果的主要影响因素，则稳态模型有更高的适用性。比较而言，稳态优化问题更为复杂，因为当前状态会受到系统以前状态的较大影响，且计算速度要求更为严格，计算用时不能超过时间步长。此外，工艺特征的不同、多个环境影响因素、时间滞后性、高维的控制参数、实际生产中的不确定性、不同的用户需求等问题使得在具体生产环境中很难找到能够最大化或最小化优化目标的高维度控制参数组合。
基于人工智能模型来解决稳态优化问题是当前工业场景的稳态优化问题的主要解决方法之一。而在利用有限规模训练集构建预测模型时，我们将面临两种不确定性：aleatoric不确定性和epistemic不确定性。但是，当前解决稳态优化问题所采用的人工智能模型(包括深度神经网络、基于树的回归算法等)都不能处理这两种不确定性。
发明内容
鉴于此，本发明提供了一种工艺控制系统的控制参数的推荐方法、系统、设备和介质，用于至少部分地解决上述技术问题。
本发明的实施例提供了一种工艺控制系统的控制参数的推荐方法，该方法包括：
获取所述工艺控制系统的当前环境影响因素向量；
基于集成式生成器，利用预设的优化求解算法求解所述当前环境影响因素向量下的最佳控制参数组合，其中所述集成式生成器中的每个生成器获取自使用历史样本数据集训练好的CWGAN模型，所述历史样本数据包括控制参数向量、环境影响因素向量和对应的真实的生产结果，并且训练所述CWGAN模型时，所述控制参数向量、所述环境影响因素向量叠加高斯白噪声作为模型中的生成器的输入以及所述控制参数向量、环境影响因素向量和对应的真实的生产结果作为模型中的鉴别器的输入；
输出所述最佳控制参数组合到所述工艺控制系统。
在一种可能的实现方式中，所述训练所述CWGAN模型时，还包括：
使用同一所述历史样本数据集训练CWGAN模型M次，其中获取每次训练好的CWGAN模型中的生成器后为其创建新的生成器以用于下次训练，直至获取得到对应的M个生成器，M≥2且M为整数。
在一种可能的实现方式中，所述集成式生成器是通过预设的模型集成方法对所述M个生成器进行集成得到。
在一种可能的实现方式中，所述基于集成式生成器，利用预设的优化求解算法求解所述当前环境影响因素向量下的最佳控制参数组合，进一步包括：
确定各个控制参数的目标动作区间，生成若干采样点，其中所述采样点包括所述目标动作区间内的所述控制参数的组合的向量表示和所述当前环境因素影响向量；
采用蒙特卡洛采样方法对每个采样点进行多次采样，并利用所述集成式生成器对每次采样的结果进行预测，得到所述每个采样点的多组预测的生产结果；
根据预先设定的评价标准将所述若干采样点的预测的生产结果转换为可优化的代价函数，并利用所述预设的优化求解算法基于所述集成式生成器和所述代价函数求解所述当前环境影响因素向量下的最佳控制参数组合。
在一种可能的实现方式中，所述根据预先设定的评价标准将所有采样点的预测的生产结果转换为可优化的代价函数，并利用所述预设的优化求解算法基于所述集成式生成器和所述代价函数求解所述当前环境影响因素向量下的最佳控制参数组合之前，包括：
根据所述工艺控制系统的工艺特征和/或用户需求确定该评价标准。
在一种可能的实现方式中，所述预设的优化求解算法为贝叶斯优化算法、网格搜索算法或随机搜索算法。
本发明的实施例还提供了一种工艺控制系统的控制参数的推荐系统，该系统包括：
输入模块，用于获取所述工艺控制系统的当前环境影响因素向量；
控制优化模块，所述控制优化模块配置有集成式生成器，所述控制优化模块用于集成式生成器，利用预设的优化求解算法求解所述当前环境影响因素向量下的最佳控制参数组合，其中所述集成式生成器中的每个生成器获取自使用历史样本数据集训练好的CWGAN模型，所述历史样本数据包括控制参数向量、环境影响因素向量和对应的真实的生产结果，并且训练所述CWGAN模型时，所述控制参数向量、所述环境影响因素向量叠加高斯白噪声作为模型中的生成器的输入以及所述控制参数向量、环境影响因素向量和对应的真实的生产结果作为模型中的鉴别器的输入；
输出模块，用于输出所述最佳控制参数组合到所述工艺控制系统。
在一种可能的实现方式中，该系统还包括模型训练模块，用于使用同一所述历史样本数据集训练CWGAN模型M次，其中获取每次训练好的CWGAN模型中的生成器后为其创建新的生成器以用于下次训练，直至获取得到对应的M个生成器，M≥2且M为整数。
在一种可能的实现方式中，所述集成式生成器是通过预设的模型集成方法对所述M个生成器进行集成得到。
在一种可能的实现方式中，所述控制优化模块还用于确定各个控制参数的目标动作区间，生成若干采样点，其中所述采样点包括所述目标动作区间内的所述控制参数的组合的向量表示和所述当前环境因素影响向量；采用蒙特卡洛采样方法对每个采样点进行多次采样，并利用所述集成式生成器对每次采样的结果进行预测，得到所述每个采样点的多组预测的生产结果；根据预先设定的评价标准将所述若干采样点的预测的生产结果转换为可优化的代价函数，并利用所述预设的优化求解算法基于所述集成式生成器和所述代价函数求解所述当前环境影响因素向量下的最佳控制参数组合。
在一种可能的实现方式中，所述预先设定的评价标准根据所述工艺控制系统的工艺特征和/或用户需求确定。
在一种可能的实现方式中，所述预设的优化求解算法为贝叶斯优化算法、网格搜索或随机搜索算法。
本发明的实施例又提供了一种计算设备，该计算设备包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行前述任一项所述的方法。
本发明的实施例还提供了一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行前述任一项所述的方法。
在本申请的实施例中，与现有技术相比，至少包括以下优点：
利用来自CWGAN模型的多个生成器来构建集成式生成器作为预测模型，使得预测模型在构建过程中就学习或处理了因有限规模训练集构建预测模型所造成的不确定性，可提高预测结果的准确性，进而提高基于该预测模型求解最佳控制参数组合的求解结果的准确性。
进一步地，利用合适的优化求解算法求解最佳控制参数组合时，采用蒙特卡洛采样方法对作为采样点的同一组样本数据进行大量的采样，然后基于集成式生成器对采样结果进行预测得到对于同一组样本数据的各种各样的生产结果，可增强对于所预测的生产结果的可信度，进一步提高最佳控制参数组合的求解结果的准确性。
此外，基于CWGAN模型构建的预测模型的模型复杂度允许其处理多工况切换。
附图说明
图1是根据发明的示例性实施例的工艺控制系统的控制参数的推荐方法流程示意图。
图2是根据发明的示例性实施例的CWGAN模型训练过程框图。
图3是根据发明的示例性实施例的步骤S104的优化求解过程框图。
图4是根据发明的示例性实施例的工艺控制系统的控制参数的推荐系统结构示意图。
图5是根据发明的示例性实施例的电子设备的结构框图。
附图标记列表：
200：CWGAN模型训练过程； 201：条件样本数据；
2011：控制参数向量-c； 2012环境影响因素向量-e；
202：高斯白噪声； 203：真实的生产结果-y；
204：生成器； 205：生成的生产结果；
206：鉴别器 300：优化求解过程；
301：集成式生成器； 302：蒙特卡洛采样；
303：预测的生产结果； 304：评价标准-F(y)；
305：代价函数或目标函数-f(c,e)； 306：优化求解器求最小化f(c,e)的c；
400：控制参数的推荐系统 401：输入模块；
402：控制优化模块； 403：输出模块；
404：模型训练模块； 500：电子设备；
501：处理器； 502：通信接口；
503：存储器； 504：通信总线；
505：机器可读程序。
具体实施方式
为使本申请的目的、技术方案、及优点更加清楚明白，以下参照附图和实施例，对本申请进一步详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他技术方案，都属于本申请保护的范围。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请的实施方式作进一步地详细描述。
第一方面，本发明的一个实施例提供了一种工艺控制系统的控制参数的推荐方法，该方法可以由任一计算设备执行。参见图1，该方法包括：
步骤S102：获取该工艺控制系统的当前环境影响因素向量。
其中，本发明中该“环境影响因素”是指会影响生产结果但无法直接通过工艺控制系统改变的条件参数。并且，本发明中该“工艺控制系统”可以但不限于是流程工业领域的工艺控制系统。
步骤S104：基于集成式生成器，利用预设的优化求解算法求解该当前环境影响因素向量下的最佳控制参数组合，该集成式生成器中的每个生成器获取自使用历史样本数据集训练好的CWGAN模型，该历史样本数据包括控制参数向量、环境影响因素向量和对应的真实的生产结果，并且训练该CWGAN模型时，该控制参数向量、该环境影响因素向量叠加高斯白噪声作为模型中的生成器的输入以及该控制参数向量、环境影响因素向量和对应的真实的生产结果作为模型中的鉴别器的输入。可以理解，在实际生产中一组控制参数向量和环境影响因素向量可能对应多组生产结果。
其中，本发明中的“控制参数”是指实际生产过程中可由工艺控制系统控制的条件参数。
其中，预设的优化求解算法较佳地为贝叶斯优化算法或其等同优化算法，也可选为网格搜索算法、随机搜索算法或其等同优化算法。
本发明中该的CWGAN模型，即为基于条件Wasserstein生成对抗网络，由生成器204和鉴别器206组成，参见图2，本发明在训练CWGAN模型时，将控制参数向量-c 2011、该环境影响因素向量-e 2012叠加高斯白噪声202作为生成器204的输入以及该对应的真实的生产结果-y 203作为鉴别器206的输入，其中生成器204同时将基于输入的控制参数向量-c2011、该环境影响因素向量-e 2012叠加高斯白噪声202生成的生产结果205反馈给鉴别器206。
进一步地，在训练该CWGAN模型时，较佳地使用同一历史样本数据集训练CWGAN模型来得到前述集成式生成器，该同一历史样本数据集优选地可以为从大量历史数据集中挑选出的具有代表意义的有限规模训练数据集。例如可以使用同一历史样本数据集训练CWGAN模型M次，获取每次训练好的CWGAN模型中的生成器204后为其创建新的生成器以用于下次训练，直至获取得到对应的M个生成器204，M≥2且M为整数；又例如可以使用同一历史样本数据集训练M个CWGAN模型，其中获取每个训练好的CWGAN模型中的生成器204以获取得到对应的M个生成器204，M≥2且M为整数；且不限于此。
此外，在训练该CWGAN模型时，还可选地使用不同历史样本数据集训练CWGAN模型来得到前述集成式生成器。例如获取每个训练好的CWGAN模型中的生成器204以获取得到对应的M个生成器204，M≥2且M为整数。
可选地，步骤S104中集成式生成器通过预设的模型集成方法对多个获取自训练好的CWGAN模型的生成器204进行集成得到。其中预设的模型集成方法可以是任一模型集成方法，例如但不限于为投票法、平均法、堆叠法、非交叉堆叠法等。例如，该集成式生成器是通过预设的模型集成方法对该M个生成器204进行集成得到。
可以理解，本发明中利用输入样本中引入了高斯白噪声202的CWGAN模型，并使用同一具有代表意义的训练数据集来训练CWGAN多次得到多个生成器并对多个生成器进行集成得到作为预测模型的集成式生成器，使得该预测模型在构建过程中就学习或处理了因有限规模训练集构建预测模型所造成的不确定性，可提高预测结果的准确性，进而可提高基于预测模型求解最佳控制参数组合的准确性。
转至图3，示出了步骤S104的优化求解过程300的框图。参见图3，前述步骤S104可以进一步实现为：
(1)确定各个控制参数的目标动作区间，生成若干采样点，所述采样点包括当前环境因素影响向量-e和所述目标动作区间内的所述控制参数的组合的向量表示-c；
(2)采用蒙特卡洛采样方法对每个采样点进行多次采样302，并利用集成式生成器301对每次采样的结果进行预测得到该每个采样点的多组预测的生产结果303，其中利用集成式生成器301对每次采样的结果进行预测时将采样点的数据叠加高斯噪声作为模型的输入；
(3)根据预先设定的评价标准-F(y)304将该若干采样点的预测的生产结果转换为可优化的代价函数-f(c,e)或目标函数)305；
(4)利用预设的优化求解算法306基于集成式生成器301和该代价函数-f(c,e)305求解该当前环境影响因素向量下的最佳控制参数组合，即重复步骤(1)～(3)直至得到代价函数-f(c,e)的最大值或最小值，该最佳控制参数组合为代价函数-f(c,e)的最大值或最小值下的控制参数组合。
前述步骤(1)中的“确定各个控制参数的目标动作区间”可以预先通过人工手动设定各个控制参数的目标动作区间，也可以根据预先设定的环境影响因素与控制参数的预定关系和当前环境影响因素向量-e机器自动确定各个控制参数的目标动作区间。并且，前述的“代价函数/目标函数”是指代表生产质量、生产效率等指标性参数的函数。
可选地，前述步骤(3)之前还包括步骤：根据该工艺控制系统的工艺特征和/或用户需求确定评价标准-F(y)304。
如前所述，由于一组控制参数向量和环境影响因素向量可能对应多组生产结果，本发明采用蒙特卡洛采样方法对同一组样本数据进行大量(例如上千次、上万次、上十万次等)的采样过程，然后基于集成式生成器对得到的采样结果进行生产结果的预测，这样可以根据预测模型(即集成式生成器)在训练时学习到的不确定性，对于同一组样本数据得到对应该组样本数据的各种可能的生产结果，从而可增强对于预测的生成结果的可信度，使得用该预设的优化求解算法求解最佳控制参数组合的求解结果更准确。
步骤S106：输出该最佳控制参数组合到该工艺控制系统。
第二方面，为了实现上述实施例的工艺控制系统的控制参数的推荐方法，本发明的一个实施例还提供了一种工艺控制系统的控制参数的推荐系统400。如图4所示，推荐系统400包括输入模块401、控制优化模块402和输出模块403。需要说明的是，由于下述的实施例是为了实现前述的方法实施例，故推荐系统400中的各模块都是为了实现前述推荐方法的各步骤而设，因此本发明不限于下述的实施例，任何可以实现上述方法的装置或模块都应包含在本发明的保护范围内。并且，为了节约篇幅，与前述方法部分相同内容在此省略。
具体的，在图4实施例中，输入模块401用于获取工艺控制系统的当前环境影响因素向量。
控制优化模块402配置有集成式生成器，控制优化模块402用于集成式生成器利用预设的优化求解算法求解当前环境影响因素向量下的最佳控制参数组合。
其中，该集成式生成器中的每个生成器获取自使用历史样本数据集训练好的CWGAN模型，历史样本数据包括控制参数向量、环境影响因素向量和对应的真实的生产结果，并且训练CWGAN模型时，控制参数向量、环境影响因素向量叠加高斯白噪声202作为模型中的生成器的输入以及对应的真实的生产结果作为模型中的鉴别器206的输入。
其中，该预设的优化求解算法较佳地为贝叶斯优化算法或其等同优化算法，也可选为网格搜索算法、随机搜索算法或其等同优化算法。
可选地，控制优化模块402还用于确定各个控制参数的目标动作区间，生成若干采样点，所述采样点包括当前环境因素影响向量-e和所述目标动作区间内的所述控制参数的组合的向量表示-c；采用蒙特卡洛采样方法对每个采样点进行多次采样，并利用集成式生成器对每次采样的结果进行预测得到该每个采样点的多组预测的生产结果，其中利用集成式生成器对每次采样的结果进行预测时将采样点的数据叠加高斯噪声作为模型的输入；根据预先设定的评价标准-F(y)将该若干采样点的预测的生产结果转换为可优化的代价函数-f(c,e)或目标函数)；利用预设的优化求解算法基于集成式生成器和该代价函数-f(c,e)求解该当前环境影响因素向量下的最佳控制参数组合。
可选地，该预先设定的评价标准可以根据工艺控制系统的工艺特征和/或用户需求确定。
此外，如图4所示，该推荐系统400还可选地包括模型训练模块404，该模型训练模块404用于例如使用同一历史样本数据集训练CWGAN模型M次，其中获取每次训练好的CWGAN模型中的生成器后为其创建新的生成器以用于下次训练，直至获取得到对应的M个生成器，M≥2且M为整数。进一步地，集成式生成器例如通过预设的模型集成方法对M个生成器进行集成得到。
在图4实施例中，输出模块403用于输出最佳控制参数组合到工艺控制系统。
此外，本发明中的推荐系统400可以单独设置或者配置在工艺控制系统中以作为工艺控制系统的一部分的形式存在。并且，本发明前述的工艺控制系统的控制参数的推荐方法和推荐系统例如可以但不限于应用于流程工业。
第三方面，本发明的一个实施例又提供一种计算设备。如图5所示，电子设备500500包括处理器501(processer)501、通信接口502(communication interface)、存储器503(memory)。
处理器501、通信接口502、以及存储器503可通过通信总线504完成相互间的通信。
通信接口502用于与其它电子设备500如终端设备或服务器进行通信。
处理器501用于执行机器可读程序505，具体可以执行上述各方法实施例中的相关步骤，亦即，执行如上述各实施例所述的轴承寿命预测方法中的各步骤。
具体地，机器可读程序505可以包括程序代码，该程序代码包括计算机操作指令。
处理器501可以是中央处理器501CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备500包括的一个或多个处理器501，可以是同一类型的处理器501，如一个或多个CPU；也可以是不同类型的处理器501，如一个或多个CPU以及一个或多个ASIC。
存储器503，用于存放机器可读程序505。存储器503可能包含高速RAM存储器503，也可能还包括非易失性存储器503(non-volatile memory)，例如至少一个磁盘存储器503。
第四方面，本发明的一个实施例还提供一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器501执行时，使所述处理器501执行前述第一方面提供的方法。
需要指出，根据实施的需要，可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本发明实施例的目的。
上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器501或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器501、微处理器501控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器501或硬件访问且执行时，实现在此描述的轴承寿命预测方法。此外，当通用计算机访问用于实现在此示出的轴承寿命预测方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的轴承寿命预测方法的专用计算机。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明实施例的范围。
以上实施方式仅用于说明本发明实施例，而并非对本发明实施例的限制，有关技术领域的普通技术人员，在不脱离本发明实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明实施例的范畴，本发明实施例的专利保护范围应由权利要求限定。
Claims (14)
1.一种工艺控制系统的控制参数的推荐方法，其特征在于，包括：
获取所述工艺控制系统的当前环境影响因素向量；
基于集成式生成器，利用预设的优化求解算法求解所述当前环境影响因素向量下的最佳控制参数组合，其中所述集成式生成器中的每个生成器获取自使用历史样本数据集训练好的CWGAN模型，所述历史样本数据包括控制参数向量、环境影响因素向量和对应的真实的生产结果，并且训练所述CWGAN模型时，所述控制参数向量、所述环境影响因素向量叠加高斯白噪声作为模型中的生成器的输入以及所述控制参数向量、环境影响因素向量和对应的真实的生产结果作为模型中的鉴别器的输入；
输出所述最佳控制参数组合到所述工艺控制系统。
2.根据权利要求1所述的方法，其特征在于，所述训练所述CWGAN模型时，还包括：
使用同一所述历史样本数据集训练CWGAN模型M次，其中获取每次训练好的CWGAN模型中的生成器后为其创建新的生成器以用于下次训练，直至获取得到对应的M个生成器，M≥2且M为整数。
3.根据权利要求2所述的方法，其特征在于，所述集成式生成器是通过预设的模型集成方法对所述M个生成器进行集成得到。
4.根据权利要求1所述的方法，其特征在于，所述基于集成式生成器，利用预设的优化求解算法求解所述当前环境影响因素向量下的最佳控制参数组合，进一步包括：
确定各个控制参数的目标动作区间，生成若干采样点，其中所述采样点包括所述目标动作区间内的所述控制参数的组合的向量表示和所述当前环境因素影响向量；
采用蒙特卡洛采样方法对每个采样点进行多次采样，并利用所述集成式生成器对每次采样的结果进行预测，得到所述每个采样点的多组预测的生产结果；
根据预先设定的评价标准将所述若干采样点的预测的生产结果转换为可优化的代价函数，并利用所述预设的优化求解算法基于所述集成式生成器和所述代价函数求解所述当前环境影响因素向量下的所述最佳控制参数组合。
5.根据权利要求4所述的方法，其特征在于，所述根据预先设定的评价标准将所有采样点的预测的生产结果转换为可优化的代价函数，并利用所述预设的优化求解算法基于所述集成式生成器和所述代价函数求解所述当前环境影响因素向量下的所述最佳控制参数组合之前，还包括：
根据所述工艺控制系统的工艺特征和/或用户需求确定所述评价标准。
6.根据权利要求1或4所述的方法，其特征在于，所述预设的优化求解算法为贝叶斯优化算法、网格搜索算法或随机搜索算法。
7.一种工艺控制系统的控制参数的推荐系统，其特征在于，包括：
输入模块(401)，用于获取所述工艺控制系统的当前环境影响因素向量；
控制优化模块(402)，所述控制优化模块(402)配置有集成式生成器，所述控制优化模块(402)用于集成式生成器，利用预设的优化求解算法求解所述当前环境影响因素向量下的最佳控制参数组合，其中所述集成式生成器中的每个生成器获取自使用历史样本数据集训练好的CWGAN模型，所述历史样本数据包括控制参数向量、环境影响因素向量和对应的真实的生产结果，并且训练所述CWGAN模型时，所述控制参数向量、所述环境影响因素向量叠加高斯白噪声作为模型中的生成器的输入以及所述控制参数向量、环境影响因素向量和对应的真实的生产结果作为模型中的鉴别器的输入；
输出模块(403)，用于输出所述最佳控制参数组合到所述工艺控制系统。
8.根据权利要求7所述的系统，其特征在于，还包括模型训练模块(404)，用于使用同一所述历史样本数据集训练CWGAN模型M次，其中获取每次训练好的CWGAN模型中的生成器后为其创建新的生成器以用于下次训练，直至获取得到对应的M个生成器，M≥2且M为整数。
9.根据权利要求8所述的系统，其特征在于，所述集成式生成器是通过预设的模型集成方法对所述M个生成器进行集成得到。
10.根据权利要求7所述的系统，其特征在于，所述控制优化模块(402)还用于确定各个控制参数的目标动作区间，生成若干采样点，其中所述采样点包括所述目标动作区间内的所述控制参数的组合的向量表示和所述当前环境因素影响向量；采用蒙特卡洛采样方法对每个采样点进行多次采样，并利用所述集成式生成器对每次采样的结果进行预测，得到所述每个采样点的多组预测的生产结果；根据预先设定的评价标准将所述若干采样点的预测的生产结果转换为可优化的代价函数，并利用所述预设的优化求解算法基于所述集成式生成器和所述代价函数求解所述当前环境影响因素向量下的所述最佳控制参数组合。
11.根据权利要求10所述的系统，其特征在于，所述预先设定的评价标准根据所述工艺控制系统的工艺特征和用户需求确定。
12.根据权利要求7或10所述的系统，其特征在于，所述预设的优化求解算法为贝叶斯优化算法、网格搜索或随机搜索算法。
13.一种计算设备，其特征在于，该计算设备包括：至少一个存储器(503)和至少一个处理器(501)；
所述至少一个存储器(503)，用于存储机器可读程序(505)；
所述至少一个处理器(501)，用于调用所述机器可读程序(505)，执行权利要求1～6中任一项所述的方法。
14.一种计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1～6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310627765.7A CN116540546A (zh) | 2023-05-30 | 2023-05-30 | 工艺控制系统的控制参数的推荐方法、系统、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310627765.7A CN116540546A (zh) | 2023-05-30 | 2023-05-30 | 工艺控制系统的控制参数的推荐方法、系统、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116540546A true CN116540546A (zh) | 2023-08-04 |
Family
ID=87455986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310627765.7A Pending CN116540546A (zh) | 2023-05-30 | 2023-05-30 | 工艺控制系统的控制参数的推荐方法、系统、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116540546A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117591750A (zh) * | 2024-01-19 | 2024-02-23 | 北京博点智合科技有限公司 | 内容推荐模型的训练方法、内容推荐的方法及相关产品 |
-
2023
- 2023-05-30 CN CN202310627765.7A patent/CN116540546A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117591750A (zh) * | 2024-01-19 | 2024-02-23 | 北京博点智合科技有限公司 | 内容推荐模型的训练方法、内容推荐的方法及相关产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6384065B2 (ja) | 情報処理装置、学習方法、及び、プログラム | |
| CN111625918B (zh) | 一种工艺参数推荐方法、装置及电子设备 | |
| JP6176979B2 (ja) | プロジェクト管理支援システム | |
| CN109857804B (zh) | 一种分布式模型参数的搜索方法、装置和电子设备 | |
| CN110705690B (zh) | 基于生成模型和元学习优化方法的连续学习方法及系统 | |
| CN109586954B (zh) | 一种网络流量预测方法、装置及电子设备 | |
| CN111586146B (zh) | 基于概率转移深度强化学习的无线物联网资源分配方法 | |
| CN111340233B (zh) | 机器学习模型的训练方法及装置、样本处理方法及装置 | |
| CN116540546A (zh) | 工艺控制系统的控制参数的推荐方法、系统、设备和介质 | |
| Bremer et al. | Sampling the Search Space of Energy Resources for Self-organized, Agent-based Planning of Active Power Provision. | |
| CN114006370A (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
| CN113011529A (zh) | 文本分类模型的训练方法、装置、设备及可读存储介质 | |
| CN117149410A (zh) | 一种基于ai智能模型训练调度指挥监控系统 | |
| CN111192257A (zh) | 一种确定设备状态的方法、系统及设备 | |
| CN112016774A (zh) | 一种基于数据增强技术的配网运行状态辨识方法及系统 | |
| CN113469377B (zh) | 联邦学习审计方法和装置 | |
| Savio et al. | Predicting energy measurements of service-enabled devices in the future smartgrid | |
| CN114363671A (zh) | 多媒体资源推送方法、模型训练方法、装置、存储介质 | |
| CN110348509B (zh) | 数据增广参数的调整方法、装置、设备及存储介质 | |
| CN109992507B (zh) | 基于模拟执行的程序模糊测试方法及装置 | |
| Liu et al. | Genetic algorithm with integrated computing budget allocation for stochastic problems | |
| KR20200021132A (ko) | 인공지능을 이용한 예측 방법 | |
| CN110399974A (zh) | 一种超参数的自动确定方法及装置 | |
| CN116757254B (zh) | 任务处理方法、电子设备及存储介质 | |
| CN115062543A (zh) | 一种混合设备可靠性预测方法、系统及存储介质、终端 |
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 |