CN117075549B - 基于人工神经网络的厂务控制方法及系统 - Google Patents
基于人工神经网络的厂务控制方法及系统 Download PDFInfo
- Publication number
- CN117075549B CN117075549B CN202311039473.8A CN202311039473A CN117075549B CN 117075549 B CN117075549 B CN 117075549B CN 202311039473 A CN202311039473 A CN 202311039473A CN 117075549 B CN117075549 B CN 117075549B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- layer
- subsystem
- plant
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 33
- 238000005265 energy consumption Methods 0.000 claims description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 239000000498 cooling water Substances 0.000 claims description 9
- 239000007789 gas Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 238000001223 reverse osmosis Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 235000019580 granularity Nutrition 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000003345 natural gas Substances 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims 1
- 239000010410 layer Substances 0.000 description 95
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 239000012792 core layer Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000003491 array 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41835—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by programme execution
-
- 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
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于神经网络技术控制领域，具体涉及基于人工神经网络的厂务控制方法及系统，对厂务数据进行收集，对厂务数据进行预处理，通过神经网络模型对厂务数据进行优化，通过对优化后的厂务数据进行解析并对厂务数据进行可视化处理，对可视化厂务数据进行实时监控和控制，通过人工神经网络对厂务数据的处理，可以让厂务数据可视化效果更加简洁，更好的帮助工作人员通过厂务数据对工厂控制系统做出决策，并且根据对神经网络中间层的进行改进，大大减小计算量而且还能让数据更为精准。
Description
技术领域
本发明属于神经网络技术控制领域，具体涉及基于人工神经网络的厂务控制方法及系统。
背景技术
在一个工厂系统中，总会有各种各样的厂务数据需要处理，并且每个工厂中的各个系统数据的格式并不匹配，并且计算效率和能耗的方法也不同，所以大量厂务数据冗余且难以处理，在工厂的生产过程中进行监控和控制，并且采集到厂务数据，并将厂务数据经过神经网络系统进行训练，将训练好的神经网络模型应用于各系统的运行过程中，系统可以自动调整生产参数，以保证各系统运行的质量和效率，但是在整个厂务系统中数据量过于庞大，可视化数据显示有限，所以亟需一种基于人工神经网络的厂务控制方法及系统，来解决上述出现的问题。
发明内容
本发明的目的在于提出基于人工神经网络的厂务控制方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
基于人工神经网络的厂务控制方法，所述方法包括以下步骤：
S100：对厂务数据进行收集；
S200：对厂务数据进行预处理；
S300：通过神经网络模型对厂务数据进行优化；
S400：通过对优化后的厂务数据进行解析并对厂务数据进行可视化处理；
S500：对可视化厂务数据进行实时监控和控制。
进一步地，在步骤S100中，所述厂务控制系统包括总系统和分系统，所述厂务数据包括各个分系统中的系统运行数据，所述分系统包括：低温冷冻水系统、中温冷冻水系统、冷却水系统、空压机冷却水系统、锅炉热水系统、热水回收水系统、工艺冷却水系统、天然气系统、柴油系统、回用水系统、热泵系统、给排水子系统、CDA空压子系统、GMS特气系统、真空子系统、MAU/AHU末端子系统、软化水子系统、RO纯水子系统及废气子系统，取一个或多个分系统的系统运行数据，所述系统运行数据为在各个分系统中通过传感器采集到并计算的各个系统中运行时的数据，所述运行时的数据包括系统运行时的温度，系统运行时的能耗以及系统运行时的效率，并将所述数据存储到存储器中。
优选地，数据收集和预处理：系统需要收集各系统运行过程中的各种数据，所述数据包括温度、湿度、压力、流量等，这些数据需要进行去噪、归一化等，以便于神经网络的学习和预测，所述运行时的数据包括系统运行时的温度，系统运行时的能耗以及系统运行时的效率通过系统中采集的运行过程中的各种数据自动计算得到。
进一步地，在步骤S200中，对所述厂务数据进行标准化处理，将存储器中存储的各个分系统中的数据进行对应单位和存储方式进行整合，并且进行分布式存储，通过不同分系统存储不同的节点，并且将所述存储节点进行连接进行数据传输，按照分系统的运行顺序对存储节点进行命名，构建存储区块链C1-Cn，所述C1代表开始运行的第一分系统，所述Cn为最后一个运行的分系统，所述n为本次总系统运行时调用的分系统总数。
进一步地，在步骤S300中，对不同节点中的厂务数据构建序列Ck，Ck为存储区块链C1-Cn中的第k位分系统的数据序列，所述数据集合Ck包括：系统运行时的温度数据集合teist，系统运行时的能耗数据集合enist，系统运行时的效率数据集合efist，所述集合teist，enist，efist为在总系统运行一个周期内，根据相同时间间隔采集的数据构建的集合，并且所述集合teist，enist，efist具有时间顺序，并且将时间间隔生成时间戳，并且一起存储进入集合中，将集合teist，enist，efist各个时间间隔中的数据根据时间戳进行对应。
总系统需要对各个分系统运行中的数据进行分析和优化，例如发现运行过程中的瓶颈和优化空间，以提高生产效率和质量。
进一步地，将厂务数据通过分布式存储后，对厂务数据中的各个部分的数据赋予权重，将集合teist进行重新排序，将温度数据从大到小进行排列得到集合teistl，通过计算得到温度数据的权重比例Htek，所述teistlk和teistlk+1为集合teistl中的第k位和第k+1位元素，获取集合enist，efist中与teistlk和teistlk+1相同时间戳的能耗数据和效率数据，并定义为enistlk，enistlk+1和efistlk，efistlk+1，enistlk，enistlk+1为时间戳与teistlk和teistlk+1对应的集合enist中的能耗数据，efistlk，efistlk+1为时间戳与teistlk和teistlk+1对应的集合efist中的效率数据，计算能耗数据和效率数据的权中比例Henk和Hefk，/>根据给定的Henk和Hefk进行赋值权重，计算得到温度数据对能耗数据和效率数据的影响权重Wen，Wef；
其中m为一个总系统运行周期中的时间间隔总数，同时也是集合teist，enist，efist和teistl的元素总数量；
根据温度数据对能耗数据和效率数据的影响权重Wen，Wef训练多层神经网络，输入集合teist，enist，efist中的厂务数据和Wen，Wef，输出后投入神经网络模型中进行训练，完成训练后对所述输入的厂务数据进行快速的性能指标X输出，所述性能指标X为在运行周期中判断所述分系统在此处是否达到合格的标准，每一项性能指标X需要通过一个单独的神经网络模型被训练以输入数据与该项性能指标间的映射关系；
其中，在神经网络模型中，网络输入层神经元数量与输入数据种类数量相等，输出层神经元数量与输出数据种类数量相等，而中间层层数以及每层的神经元数量则自由设定，中间层的设置将直接影响神经网络的近似数据的精度，根据训练的结果来判断是否需要增减中间层数或神经元数量，所述判断中间层数和神经元的数量计算方法为：
将神经网络模型中中间层逐层递加，并将中间层层数对应输出的性能指标X进行命名，当中间层层数为1时输出性能指标X1，以此类推，并根据所述性能指标X，构建非线性回归函数，a为常数值，计算所述函数自变量的方差D，/>其
`
中L为输出时中间层的层数，Xi为输出的第i位性能指标X，所述Xi为输出的第i位性能指标X对应的输入厂务数据，当时，A取最小值，其中/>为求函数偏导，A为确定中间层数的参数，通过所述A的值与方差D进行对比，若D＞A时，将所述输出的性能指标X在输入神经网络模型中，并且中间层层数加1，若D≤A时，输出性能指标X；
通过梯度下降法更新神经元的加权系数：
其中，为求函数偏导，P、Q分别为系统输出误差和神经元权重增量，均为常数值，ω(l)为神经元加权系数，Δω(l)为更新后的神经元加权系数，δ表示神经元学习率，通过所述Δω(l)确定在中间层中设置的神经元数量。
进一步地，在步骤S400中，将所获取的数据值经过神经网络输出后，将数据进行解析，令数据可以进行可视化，并将可视化数据传输到总系统的屏幕中，系统提供可视化用户界面，建筑、楼层、房间、设备监控跳转支持电子地图导航或3D动态展示，并将所述能耗数据转化为支持3D仿真展示，支持多种粒度的数据统计分析功能，可以随时查阅、检索表计数据记录；
在步骤S500中，通过总系统管理平台提供若干种数据查询、分析方式，消费结构、历史用量、历史费用、历史同期对比、能耗排名、同期对比；查询结果以数据表格、柱状图、曲线等方式展示，数据可以导出为多种文件格式，并通过管理平台输入控制指令对各个分系统进行控制。
优选地，总系统需要提供可视化界面，以便于操作和监控，界面可以显示实时数据、历史数据、预测结果等，以帮助运维管理人员做出决策，基于人工神经网络技术的厂务控制系统可以提高各系统运行的效率和质量、提升整体管理绩效、简化运转维护困难度、降低管理成本、提高企业竞争力。
进一步地，基于人工神经网络的厂务控制系统，所述总系统由应用层、控制层、传输层、设备层四部分组成，所述设备层包括处理器、存储器、传感器、电机和阀门，，所述总系统中的应用层、控制层、传输层均可在处理器中运行计算机程序，所述处理器执行所述计算机程序时可实现上述方法中的任一一项所述的基于人工神经网络的厂务控制方法中的步骤。
本系统由应用层、控制层、传输层、设备层四部分组成，系统架构如下：
应用层：应用层是控制系统的最高层，负责与用户交互，接收用户的指令和请求，并将其转化为控制命令发送到下一层。应用层通常包括人机界面、数据处理、报警管理等功能。
控制层：控制层是控制系统的核心层，负责实现控制算法和控制策略，控制各种设备和系统的运行状态。控制层通常包括逻辑控制器、PLC、DCS等设备。
传输层：传输层是控制系统的数据传输层，负责将控制命令和数据传输到各个设备和系统中。传输层通常包括网络通信设备、数据总线、传感器等。
设备层：设备层是控制系统的最底层，负责实现各种设备和系统的物理控制。设备层通常包括执行器、传感器、电机、阀门等。
这种分层架构可以将厂务控制系统的各个功能模块分离开来，使得系统更加模块化和可维护。同时，分层架构还可以提高控制系统的可靠性和安全性，防止控制系统出现故障和安全漏洞。
本发明的有益效果为：通过人工神经网络对厂务数据的处理，可以让厂务数据可视化效果更加简洁，更好的帮助工作人员通过厂务数据对工厂控制系统做出决策，并且根据对神经网络中间层的进行改进，大大减小计算量而且还能让数据更为精准。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，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，在附图中：
图1为基于人工神经网络的厂务控制方法的流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明的目的在于提出基于人工神经网络的厂务控制方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
基于人工神经网络的厂务控制方法，所述方法包括以下步骤：
S100：对厂务数据进行收集；
S200：对厂务数据进行预处理；
S300：通过神经网络模型对厂务数据进行优化；
S400：通过对优化后的厂务数据进行解析并对厂务数据进行可视化处理；
S500：对可视化厂务数据进行实时监控和控制。
进一步地，在步骤S100中，所述厂务控制系统包括总系统和分系统，所述厂务数据包括各个分系统中的系统运行数据，所述分系统包括：低温冷冻水系统、中温冷冻水系统、冷却水系统、空压机冷却水系统、锅炉热水系统、热水回收水系统、工艺冷却水系统、天然气系统、柴油系统、回用水系统、热泵系统、给排水子系统、CDA空压子系统、GMS特气系统、真空子系统、MAU/AHU末端子系统、软化水子系统、RO纯水子系统及废气子系统，取一个或多个分系统的系统运行数据，所述系统运行数据为在各个分系统中通过传感器采集到并计算的各个系统中运行时的数据，所述运行时的数据包括系统运行时的温度，系统运行时的能耗以及系统运行时的效率，并将所述数据存储到存储器中。
优选地，数据收集和预处理：系统需要收集各系统运行过程中的各种数据，所述数据包括温度、湿度、压力、流量等，这些数据需要进行去噪、归一化等，以便于神经网络的学习和预测，所述运行时的数据包括系统运行时的温度，系统运行时的能耗以及系统运行时的效率通过系统中采集的运行过程中的各种数据自动计算得到。
进一步地，在步骤S200中，对所述厂务数据进行标准化处理，将存储器中存储的各个分系统中的数据进行对应单位和存储方式进行整合，并且进行分布式存储，通过不同分系统存储不同的节点，并且将所述存储节点进行连接进行数据传输，按照分系统的运行顺序对存储节点进行命名，构建存储区块链C1-Cn，所述C1代表开始运行的第一分系统，所述Cn为最后一个运行的分系统，所述n为本次总系统运行时调用的分系统总数。
进一步地，在步骤S300中，对不同节点中的厂务数据构建序列Ck，Ck为存储区块链C1-Cn中的第k位分系统的数据序列，所述数据集合Ck包括：系统运行时的温度数据集合teist，系统运行时的能耗数据集合enist，系统运行时的效率数据集合efist，所述集合teist，enist，efist为在总系统运行一个周期内，根据相同时间间隔采集的数据构建的集合，并且所述集合teist，enist，efist具有时间顺序，并且将时间间隔生成时间戳，并且一起存储进入集合中，将集合teist，enist，efist各个时间间隔中的数据根据时间戳进行对应。
总系统需要对各个分系统运行中的数据进行分析和优化，例如发现运行过程中的瓶颈和优化空间，以提高生产效率和质量。
进一步地，将厂务数据通过分布式存储后，对厂务数据中的各个部分的数据赋予权重，将集合teist进行重新排序，将温度数据从从大到小进行排列得到集合teistl，通过计算得到温度数据的权重比例Htek，所述teistlk和teistlk+1为集合teistl中的第k位和第k+1位元素，获取集合enist，efist中与teistlk和teistlk+1相同时间戳的能耗数据和效率数据，并定义为enistlk，enistlk+1和efistlk，efistlk+1，enistlk，enistlk+1为时间戳与teistlk和teistlk+1对应的集合enist中的能耗数据，efistlk，efistlk+1为为时间戳与teistlk和teistlk+1对应的集合efist中的效率数据，计算能耗数据和效率数据的权中比例Henk和Hefk，/>根据给定的Henk和Hefk进行赋值权重，计算得到温度数据对能耗数据和效率数据的影响权重Wen，Wef；
其中m为一个总系统运行周期中的时间间隔总数，同时也是集合teist，enist，efist和teistl的元素总数量；
计算计算得到温度数据对能耗数据和效率数据的影响权重Wen，Wef的有益效果为：通过温度数据对能耗数据和效率数据的影响权重可以更好地判断系统是否处于高效运行状态，工作人员可以根据权重对系统的运行进行调整增加系统的生产效率。
根据温度数据对能耗数据和效率数据的影响权重Wen，Wef训练多层神经网络，输入集合teist，enist，efist中的厂务数据和Wen，Wef，输出后投入神经网络模型中进行训练，完成训练后对所述输入的厂务数据进行快速的性能指标X输出，所述性能指标X为在运行周期中判断所述分系统在此处是否达到合格的标准，每一项性能指标X需要通过一个单独的神经网络模型被训练以输入数据与该项性能指标间的映射关系；
其中，在神经网络模型中，网络输入层神经元数量与输入数据种类数量相等，输出层神经元数量与输出数据种类数量相等，而中间层层数以及每层的神经元数量则自由设定，中间层的设置将直接影响神经网络的近似数据的精度，根据训练的结果来判断是否需要增减中间层数或神经元数量，所述判断中间层数和神经元的数量计算方法为：
将神经网络模型中中间层逐层递加，并将中间层层数对应输出的性能指标X进行命名，当中间层层数为1时输出性能指标X1，以此类推，并根据所述性能指标X，构建非线性回归函数，a为常数值，计算所述函数自变量的方差D，/>其
`
中L为输出时中间层的层数，Xi为输出的第i位性能指标X，所述Xi为输出的第i位性能指标X对应的输入厂务数据，当时，A取最小值，其中/>为求函数偏导，A为确定中间层数的参数，通过所述A的值与方差D进行对比，若D＞A时，将所述输出的性能指标X在输入神经网络模型中，并且中间层层数加1，若D≤A时，输出性能指标X；
通过梯度下降法更新神经元的加权系数：
其中，为求函数偏导，P、Q分别为系统输出误差和神经元权重增量，均为常数值，ω(l)为神经元加权系数，Δω(l)为更新后的神经元加权系数，δ表示神经元学习率，通过所述Δω(l)确定在中间层中设置的神经元数量。
进一步地，在步骤S400中，将所获取的数据值经过神经网络输出后，将数据进行解析，令数据可以进行可视化，并将可视化数据传输到总系统的屏幕中，系统提供可视化用户界面，建筑、楼层、房间、设备监控跳转支持电子地图导航或3D动态展示，并将所述能耗数据转化为支持3D仿真展示，支持多种粒度的数据统计分析功能，可以随时查阅、检索表计数据记录；
在步骤S500中，通过总系统管理平台提供若干种数据查询、分析方式，消费结构、历史用量、历史费用、历史同期对比、能耗排名、同期对比；查询结果以数据表格、柱状图、曲线等方式展示，数据可以导出为多种文件格式，并通过管理平台输入控制指令对各个分系统进行控制。
优选地，总系统需要提供可视化界面，以便于操作和监控，界面可以显示实时数据、历史数据、预测结果等，以帮助运维管理人员做出决策，基于人工神经网络技术的厂务控制系统可以提高各系统运行的效率和质量、提升整体管理绩效、简化运转维护困难度、降低管理成本、提高企业竞争力。
进一步地，基于人工神经网络的厂务控制系统，所述总系统由应用层、控制层、传输层、设备层四部分组成，所述设备层包括处理器、存储器、传感器、电机和阀门，，所述总系统中的应用层、控制层、传输层均可在处理器中运行计算机程序，所述处理器执行所述计算机程序时可实现上述方法中的任一一项所述的基于人工神经网络的厂务控制方法中的步骤。
本系统由应用层、控制层、传输层、设备层四部分组成，系统架构如下：
应用层：应用层是控制系统的最高层，负责与用户交互，接收用户的指令和请求，并将其转化为控制命令发送到下一层。应用层通常包括人机界面、数据处理、报警管理等功能。
控制层：控制层是控制系统的核心层，负责实现控制算法和控制策略，控制各种设备和系统的运行状态。控制层通常包括逻辑控制器、PLC、DCS等设备。
传输层：传输层是控制系统的数据传输层，负责将控制命令和数据传输到各个设备和系统中。传输层通常包括网络通信设备、数据总线、传感器等。
设备层：设备层是控制系统的最底层，负责实现各种设备和系统的物理控制。设备层通常包括执行器、传感器、电机、阀门等。
这种分层架构可以将厂务控制系统的各个功能模块分离开来，使得系统更加模块化和可维护。同时，分层架构还可以提高控制系统的可靠性和安全性，防止控制系统出现故障和安全漏洞。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于人工神经网络的厂务控制系统的控制中心，利用各种接口和线路连接整个基于人工神经网络的厂务控制系统的各个分区域。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于人工神经网络的厂务控制系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (5)
1.基于人工神经网络的厂务控制方法，其特征在于，所述方法包括以下步骤：
S100：对厂务数据进行收集；
S200：对厂务数据进行预处理；
S300：通过神经网络模型对厂务数据进行优化；
S400：通过对优化后的厂务数据进行解析并对厂务数据进行可视化处理；
S500：对可视化厂务数据进行实时监控和控制；
在步骤S300中，对不同节点中的厂务数据构建序列Ck，Ck为存储区块链C1-Cn中的第k位分系统的数据序列，数据集合Ck包括：系统运行时的温度数据集合teist，系统运行时的能耗数据集合enist，系统运行时的效率数据集合efist，所述集合teist，enist，efist为在总系统运行一个周期内，根据相同时间间隔采集的数据构建的集合，并且所述集合teist，enist，efist具有时间顺序，并且将时间间隔生成时间戳，并且一起存储进入集合中，将集合teist，enist，efist各个时间间隔中的数据根据时间戳进行对应；
将厂务数据通过分布式存储后，对厂务数据中的各个部分的数据赋予权重，将集合teist进行重新排序，将温度数据从大到小进行排列得到集合teistl，通过计算得到温度数据的权重比例Htek，所述teistlk和teistlk+1为集合teistl中的第k位和第k+1位元素，获取集合enist，efist中与teistlk和teistlk+1相同时间戳的能耗数据和效率数据，并定义为enistlk，enistlk+1和efistlk，efistlk+1，enistlk，enistlk+1为时间戳与teistlk和teistlk+1对应的集合enist中的能耗数据，efistlk，efistlk+1为时间戳与teistlk和teistlk+1对应的集合efist中的效率数据，计算能耗数据和效率数据的权中比例Henk和Hefk，/>根据给定的Henk和Hefk进行赋值权重，计算得到温度数据对能耗数据和效率数据的影响权重Wen，Wef；
其中m为一个总系统运行周期中的时间间隔总数，同时也是集合teist，enist，efist和teistl的元素总数量；
根据温度数据对能耗数据和效率数据的影响权重Wen，Wef训练多层神经网络，输入集合teist，enist，efist中的厂务数据和Wen，Wef，输出后投入神经网络模型中进行训练，完成训练后对所述输入的厂务数据进行快速的性能指标X输出，所述性能指标X为在运行周期中判断分系统在此处是否达到合格的标准，每一项性能指标X需要通过一个单独的神经网络模型被训练以输入数据与该项性能指标间的映射关系；
其中，在神经网络模型中，网络输入层神经元数量与输入数据种类数量相等，输出层神经元数量与输出数据种类数量相等，而中间层层数以及每层的神经元数量则自由设定，中间层的设置将直接影响神经网络的近似数据的精度，根据训练的结果来判断是否需要增减中间层数或神经元数量，判断中间层数和神经元的数量计算方法为：
将神经网络模型中中间层逐层递加，并将中间层层数对应输出的性能指标X进行命名，当中间层层数为1时输出性能指标X1，以此类推，并根据所述性能指标X，构建非线性回归函数，a为常数值，计算所述函数自变量的方差D，/>其中L为输出时中间层的层数，Xi为输出的`
第i位性能指标X，所述Xi为输出的第i位性能指标X对应的输入厂务数据，当时，A取最小值，其中/>为求函数偏导，A为确定中间层数的参数，通过所述A的值与方差D进行对比，若D＞A时，将所述输出的性能指标X在输入神经网络模型中，并且中间层层数加1，若D≤A时，输出性能指标X；
通过梯度下降法更新神经元的加权系数：
其中，为求函数偏导，P、Q分别为系统输出误差和神经元权重增量，均为常数值，ω(l)为神经元加权系数，Δω(l)为更新后的神经元加权系数，δ表示神经元学习率，通过所述Δω(l)确定在中间层中设置的神经元数量。
2.根据权利要求1所述的基于人工神经网络的厂务控制方法，其特征在于，在步骤S100中，厂务控制系统包括总系统和分系统，所述厂务数据包括各个分系统中的系统运行数据，所述分系统包括：低温冷冻水系统、中温冷冻水系统、冷却水系统、空压机冷却水系统、锅炉热水系统、热水回收水系统、工艺冷却水系统、天然气系统、柴油系统、回用水系统、热泵系统、给排水子系统、CDA空压子系统、GMS特气系统、真空子系统、MAU/AHU末端子系统、软化水子系统、RO纯水子系统及废气子系统，取一个或多个分系统的系统运行数据，所述系统运行数据为在各个分系统中通过传感器采集到并计算的各个系统中运行时的数据，所述运行时的数据包括系统运行时的温度，系统运行时的能耗以及系统运行时的效率，并将上述数据存储到存储器中。
3.根据权利要求1所述的基于人工神经网络的厂务控制方法，其特征在于，在步骤S200中，对所述厂务数据进行标准化处理，将存储器中存储的各个分系统中的数据进行对应单位和存储方式进行整合，并且进行分布式存储，通过不同分系统存储不同的节点，并且将所述存储节点进行连接进行数据传输，按照分系统的运行顺序对存储节点进行命名，构建存储区块链C1-Cn，所述C1代表开始运行的第一分系统，所述Cn为最后一个运行的分系统，所述n为本次总系统运行时调用的分系统总数。
4.根据权利要求1所述的基于人工神经网络的厂务控制方法，其特征在于，在步骤S400中，将所获取的数据值经过神经网络输出后，将数据进行解析，令数据可以进行可视化，并将可视化数据传输到总系统的屏幕中，系统提供可视化用户界面，建筑、楼层、房间、设备监控跳转支持电子地图导航或3D动态展示，并将能耗数据转化为支持3D仿真展示，支持多种粒度的数据统计分析功能，可以随时查阅、检索表计数据记录；
在步骤S500中，通过总系统管理平台提供若干种数据查询、分析方式，消费结构、历史用量、历史费用、历史同期对比、能耗排名、同期对比；查询结果以数据表格、柱状图、曲线的方式展示，数据可以导出为多种文件格式，并通过管理平台输入控制指令对各个分系统进行控制。
5.基于人工神经网络的厂务控制系统，其特征在于，总系统由应用层、控制层、传输层、设备层四部分组成，所述设备层包括处理器、存储器、传感器、电机和阀门，所述总系统中的应用层、控制层、传输层均可在处理器中运行计算机程序，所述处理器执行所述计算机程序时可实现权利要求1-4中的任一一项所述的基于人工神经网络的厂务控制方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311039473.8A CN117075549B (zh) | 2023-08-17 | 2023-08-17 | 基于人工神经网络的厂务控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311039473.8A CN117075549B (zh) | 2023-08-17 | 2023-08-17 | 基于人工神经网络的厂务控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117075549A CN117075549A (zh) | 2023-11-17 |
| CN117075549B true CN117075549B (zh) | 2024-03-22 |
Family
ID=88712727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311039473.8A Active CN117075549B (zh) | 2023-08-17 | 2023-08-17 | 基于人工神经网络的厂务控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117075549B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102629106A (zh) * | 2012-04-11 | 2012-08-08 | 广州东芝白云自动化系统有限公司 | 供水控制方法及系统 |
| CN109613898A (zh) * | 2018-12-13 | 2019-04-12 | 四川永能油气技术开发有限公司 | 一种基于工业物联网的企业生产数据监测方法 |
| CN111105332A (zh) * | 2019-12-19 | 2020-05-05 | 河北工业大学 | 一种基于人工神经网络的高速公路智能预养护方法及系统 |
| CN113807615A (zh) * | 2021-10-14 | 2021-12-17 | 北京嘉洁能科技股份有限公司 | 基于bp神经网络的电供暖能耗预测方法和预测系统 |
| CN115271045A (zh) * | 2022-08-10 | 2022-11-01 | 郑州大学 | 一种基于机器学习的神经网络模型优化方法及系统 |
| CN115510150A (zh) * | 2022-10-14 | 2022-12-23 | 安徽环新集团股份有限公司 | 一种设备可视化管理平台 |
| CN116107279A (zh) * | 2023-02-20 | 2023-05-12 | 合肥城市云数据中心股份有限公司 | 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| TWI746038B (zh) * | 2020-07-02 | 2021-11-11 | 阿證科技股份有限公司 | 類神經網路人工智慧決策核心系統 |
-
2023
- 2023-08-17 CN CN202311039473.8A patent/CN117075549B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102629106A (zh) * | 2012-04-11 | 2012-08-08 | 广州东芝白云自动化系统有限公司 | 供水控制方法及系统 |
| CN109613898A (zh) * | 2018-12-13 | 2019-04-12 | 四川永能油气技术开发有限公司 | 一种基于工业物联网的企业生产数据监测方法 |
| CN111105332A (zh) * | 2019-12-19 | 2020-05-05 | 河北工业大学 | 一种基于人工神经网络的高速公路智能预养护方法及系统 |
| CN113807615A (zh) * | 2021-10-14 | 2021-12-17 | 北京嘉洁能科技股份有限公司 | 基于bp神经网络的电供暖能耗预测方法和预测系统 |
| CN115271045A (zh) * | 2022-08-10 | 2022-11-01 | 郑州大学 | 一种基于机器学习的神经网络模型优化方法及系统 |
| CN115510150A (zh) * | 2022-10-14 | 2022-12-23 | 安徽环新集团股份有限公司 | 一种设备可视化管理平台 |
| CN116107279A (zh) * | 2023-02-20 | 2023-05-12 | 合肥城市云数据中心股份有限公司 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117075549A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
| US8897900B2 (en) | Graphical language for optimization and use | |
| US20120239164A1 (en) | Graphical language for optimization and use | |
| CN114428803B (zh) | 空压站运行优化方法、系统、存储介质及终端 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN111878320A (zh) | 风力发电机组的监控方法、系统及计算机可读存储介质 | |
| CN116880372A (zh) | 数字孪生工厂的运行优化方法及系统 | |
| CN116146421B (zh) | 一种基于风机状态感知的智能控制方法及系统 | |
| CN118311429B (zh) | 基于发电厂的发电机故障检测方法和检测装置 | |
| CN117251695A (zh) | 数据预测模型的训练方法、装置、设备及存储介质 | |
| CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和系统 | |
| CN117875485A (zh) | 基于数字孪生的生产线工况预测方法、系统及存储介质 | |
| CN115662066A (zh) | 一种自然灾害检测装置及预测方法 | |
| CN117318033B (zh) | 一种结合数据孪生的电网数据管理方法及系统 | |
| CN117075549B (zh) | 基于人工神经网络的厂务控制方法及系统 | |
| CN117669984A (zh) | 基于数字孪生及知识图谱的强化学习的车间调度方法 | |
| CN117640431A (zh) | 实验室设备接入系统 | |
| CN115118578B (zh) | 一种基于web的scada系统 | |
| CN116826734A (zh) | 一种基于多输入模型的光伏发电功率预测方法及装置 | |
| CN117057772A (zh) | 一种设备故障检测维修实时跟踪展示方法及系统 | |
| CN113469263B (zh) | 适于小样本的预测模型训练方法、装置及相关设备 | |
| CN116150692A (zh) | 基于云平台和改进孤立森林的电网故障诊断方法和系统 | |
| CN113887843B (zh) | 一种风电场输出功率的群体预测方法和系统 | |
| CN118098443B (zh) | 一种红外气体传感器在线升级系统及方法 | |
| CN117810997B (zh) | 一种基于时空相关性的短期风电功率预测方法 |
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 |