CN117075588A - 面向工业自动化控制行为的安全性预测拟合方法和系统 - Google Patents
面向工业自动化控制行为的安全性预测拟合方法和系统 Download PDFInfo
- Publication number
- CN117075588A CN117075588A CN202311344959.2A CN202311344959A CN117075588A CN 117075588 A CN117075588 A CN 117075588A CN 202311344959 A CN202311344959 A CN 202311344959A CN 117075588 A CN117075588 A CN 117075588A
- Authority
- CN
- China
- Prior art keywords
- control
- control strategy
- function
- industrial automation
- cost
- 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.)
- Granted
Links
- 230000006399 behavior Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000011217 control strategy Methods 0.000 claims abstract description 105
- 238000011156 evaluation Methods 0.000 claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 230000009471 action Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000000977 initiatory effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 55
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008713 feedback mechanism Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- -1 period Chemical class 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种面向工业自动化控制行为的安全性预测拟合方法和系统。本发明采集工业自动化运行状态的观测值，确定初始化观测值；定义并初始化控制策略函数、控制成本代价函数和安全性评价函数；通过迭代训练，以控制策略的安全性评价和成本代价的优化为目标，执行控制策略函数的参数优化；基于参数优化后的控制策略函数，确定执行工业自动化控制行为的控制策略。本发明通过学习和优化控制策略函数，实现对控制策略的实时调整，提高系统运行的安全性、高效率和稳定性。
Description
技术领域
本发明涉及工业网络自动控制技术领域，特别涉及一种面向工业自动化控制行为的安全性预测拟合方法和系统。
背景技术
目前，工业自动化控制系统在现代工业生产中起着重要作用，特别是随着工业生产网络化、数字化的进程加速，自动化控制相关数据信息的感应、采集、传输、分析、存储等环节的实时性、高效性、精确性持续提升。近年来，大数据和人工智能技术的发展和应用也为工业自动化控制开辟了新的技术发展空间，基于大数据资源统计，以及深度学习模式下的特征变化动态分析，促进了多维度、多变量、多优化目标的工业自动化控制的发展，显著提升了工业自动化控制的客观性和预测性。
但目前，工业自动化控制行为仍然存在一些安全性和稳定性问题。自动化控制策略往往是基于经验性或预置规则制定的，缺乏适应系统的动态性状态和多元化参数而进行实时监测和调整的能力。这导致系统在面对外部干扰或内部变化时，无法及时做出相应的调整，特别是无法准确区分潜在变化趋势和偶发的非持续性干扰因素，从而影响系统的安全性和稳定性。
发明内容
本发明旨在解决工业自动化控制系统中存在的安全性和稳定性问题，本发明通过机器学习优化动态性的控制策略，基于多元化参数实现对控制策略的实时调整，提高对系统潜在性变化趋势的响应实时性并排除干扰因素，提高系统运行的安全性和稳定性。
本发明所述的面向工业自动化控制行为的安全性预测拟合方法，其特征在于，包括：
采集工业自动化运行状态的观测值，确定初始化观测值；
定义并初始化工业自动化控制行为的控制策略函数、控制成本代价函数和安全性评价函数；
通过迭代训练，以控制策略的安全性评价和成本代价的优化为目标，执行工业自动化控制行为的控制策略函数的参数优化；
基于参数优化后的控制策略函数，针对工业自动化运行状态的观测值，确定执行工业自动化控制行为的控制策略。
优选的是，所述确定初始化观测值具体包括：以初始化的当前时刻为时间起点，收
集工业自动化运行状态的相关数据，对采集到的数据进行预处理，组合为工业自动化运行
状态的初始化观测值，所述初始化观测值表示为：，其中
表示共计个运行状态维度在初始化时刻各自的观测值。
优选的是，所述控制策略函数定义为；工业自动化控制行为的控制策略总
体表示为，其中，集合表示可采
取的控制方式，控制策略的取值空间集合表示为 = ；表示基于所述控制策略函
数，适应工业自动化运行状态而采取的控制策略，而表示执行控制策略函数拟合的神经
网络的网络参量向量。
优选的是，定义控制成本代价函数，表示针对工业自动化运行状态而采取
控制策略所带来的成本代价，所述成本代价包括以下任意一项或者多项：执行控制策略所
产生的时间延迟、软硬件资源消耗、能耗。
优选的是，定义安全性评价函数为，表示针对工业自动化运行状态而做出
的安全性评价，是执行安全性评价拟合的神经网络的网络参量向量。
优选的是，所述通过迭代训练，以控制策略的安全性评价和成本代价的优化为目标，执行工业自动化控制行为的控制策略函数的参数优化，具体包括：在第n个轮次的第t个控制行为周期当中，基于控制策略函数得到针对第t个控制行为周期内的控制策略，进而，针对第t个控制行为周期观测直至本周期完成其所引起的工业自动化运行状态观测值，以及观测相应的成本代价；基于所述安全性评价函数，获得本周期初始和本周期完成2个节点的观测值对应的安全性评价；利用直至第t个控制行为周期完成其所引起的成本代价和安全性评价，获得第t个控制行为周期的控制策略目标和策略优化误差；利用第t个控制行为周期的策略优化误差，进行安全性评价函数的神经网络的网络参量向量的更新，以及进行控制策略函数的神经网络的网络参量向量的更新。
优选的是，在第n个轮次的第t个控制行为周期当中，观测从初始化观测值出发
逐一响应每一个控制行为周期直至第t个控制行为周期初始的时间节点而形成的工业自动
化运行状态的观测值，并观测直至本周期完成其所引起的工业自动化运行状态观测值，以及观测相应的成本代价；基于所述安全性评价函数，获得安全性评价以及；进而，利用直至第t个控制行为周期完成其所引起的
成本代价和安全性评价，获得第t个控制行为周期的控制策略目标和
策略优化误差，其中为成本代价和安全性评价之间的权重分配因子。
优选的是，所述参数优化后的控制策略函数表示为，其中是以控制策
略的安全性评价和成本代价为目标执行优化后的控制策略函数的神经网络参数。
优选的是，基于参数优化后的控制策略函数，输入当前控制行为周期内
对工业自动化运行状态的观测值，获得控制策略，且 ，通过控制策略的集合定义了可采取的控制方
式，该控制方式与基于安全性评价和成本代价而产生的优化目标充分拟合。
本发明提供了一种面向工业自动化控制行为的安全性预测拟合系统，其特征在于，包括：
运行状态观测单元，用于采集工业自动化运行状态的观测值；
自动化控制预测拟合单元，用于采集工业自动化运行状态的初始化观测值，以及，定义并初始化工业自动化控制行为的控制策略函数、控制成本代价函数和安全性评价函数；并且，通过迭代训练，以控制策略的安全性评价和成本代价的优化为目标，执行工业自动化控制行为的控制策略函数的参数优化；
控制策略确定单元，基于参数优化后的控制策略函数，针对工业自动化运行状态的观测值，确定执行工业自动化控制行为的控制策略。
可见，本发明通过学习和优化控制策略函数，实现对控制策略的实时调整，提高系统运行的安全性、高效率和稳定性。在具体实施过程中，本发明通过引入机器学习算法和模型，执行实时数据观测和反馈机制，能够更全面和准确地选择输入的系统状态和控制参数，清晰定义最优控制策略的具体指标和约束条件，充分考虑了模型的鲁棒性和可靠性。本发明能够在不同类型的工业自动化控制系统中的应用，以验证其普适性和适应性，具有广泛的应用前景和改进空间。
附图说明
下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
图1是本发明提供的面向工业自动化控制行为的安全性预测拟合方法的流程图；
图2是本发明提供的面向工业自动化控制行为的安全性预测拟合系统的结构图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。
需要说明的是：在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面参考图1，本发明提供了一种面向工业自动化控制行为的安全性预测拟合方法，包括：
S1：采集工业自动化运行状态的观测值，确定其中的初始化观测值。
具体来说，定义工业自动化运行状态具有共计个运行状态维度，各个运行状态
维度上的观测值表示为，则工业自动化运行状态的观测值总体表示为，工业自动化运行状态的观测值的取值空间集合表示为={}。
本步骤中，以初始化的当前时刻为时间起点，收集工业自动化运行状态的相关数
据，包括传感器数据、系统运行状态日志数据等，以及对采集到的数据进行预处理，包括数
据清洗、缺失值处理和异常值处理等，以保证数据的质量和准确性。进而，利用收集到的初
始化数据，组合为工业自动化运行状态的初始化观测值，表示为：，其
中表示共计个运行状态维度在初始化时刻各自的观测值。
S2：定义并初始化工业自动化控制行为的控制策略函数、控制成本代价函数和安全性评价函数。
本步骤中，定义工业自动化控制行为的控制策略函数为；工业自动化控制
行为的控制策略总体表示为，其中，而集
合表示可采取的控制方式，控制策略的取值空间集合表示为 = ；表示
基于所述控制策略函数，适应工业自动化运行状态而采取的控制策略，而表示执行控制
策略函数拟合的神经网络的网络参量向量。在以上定义基础上，初始化控制策略函数为，是神经网络初始化的参数向量。
定义控制成本代价函数，表示针对工业自动化运行状态而采取控制策略
所带来的成本代价，这里的成本代价的定义是广义的，包括执行控制策略所产生的时间延
迟、软硬件资源消耗、能耗等均可以计入成本代价。
定义安全性评价函数为，表示针对工业自动化运行状态而做出的安全性
评价，是执行安全性评价拟合的神经网络的网络参量向量。这里的安全性评价包括对工
业自动化运行状态的稳定性、抗干扰鲁棒性做出的评价；初始化安全性评价函数，
其中是神经网络初始化的参数向量。进而，设定针对以上网络参量向量、的拟合学习
率，。
S3：通过迭代训练，以控制策略的安全性评价和成本代价的优化为目标，执行工业自动化控制行为的控制策略函数的参数优化。
具体来说，执行共计N个轮次的迭代训练，在第n个轮次中（n= 1,2, …N），接受工
业自动化运行状态的初始化观测值，并在第n个轮次的第t个控制行为周期当中（t = 1,
2,…,，其中是第n个轮次的最大数量的控制行为周期），基于控制策略函数获
得本控制行为周期对应的，其中表示针对第t个控制行为周期内的控制策略，表示从初始化观测值出发逐一响应每一个控制行为周期直至第t个控制行为周期初始
的时间节点而形成的工业自动化运行状态的观测值，表示控制策略函数的神经网络从初
始化的参数向量开始直至第t个控制行为周期初始时间节点的参数向量。
进而，针对第t个控制行为周期，观测直至本周期完成其所引起的工业自动化运行
状态观测值，以及观测相应的成本代价。对于第t个控制行为周期，基于所述安全性
评价函数，获得本周期初始和本周期完成2个节点的观测值对应的安全性评价以及。进而，利用直至第t个控制行为周期完成其所引起的
成本代价和安全性评价，获得第t个控制行为周期的控制策略目标和
策略优化误差，其中为成本代价和安全性评价之间的权重分配因子。
利用第t个控制行为周期的策略优化误差，进行安全性评价函数的神经网络的网
络参量向量的更新，即：；其中表示安全性评价函数的神经
网络从初始化的参数向量开始直至第t个控制行为周期初始时间节点的参数向量，且其
中的为：，表示该安全性评价函数关于参数向量的梯
度。
进而，利用第t个控制行为周期的策略优化误差，更新控制策略函数的神经网络的
网络参量向量，即：，其中为该控制策略
函数关于参数向量的梯度，且：。
S4：基于参数优化后的控制策略函数，针对工业自动化运行状态的观测值，确定执行工业自动化控制行为的控制策略。
具体来说，参数优化后的控制策略函数表示为，其中是以控制策略的
安全性评价和成本代价为目标执行优化后的控制策略函数的神经网络参数。基于该参数优
化后的控制策略函数，输入当前控制行为周期内对工业自动化运行状态的观测值，该观测
值来自于工业自动化相关的传感器数据、系统运行状态日志数据等相关数据；所获得控制
策略，且 ，通过控制策略的集合定义了可采取的控制方式，该控制方式可以与基于安全性评价和成本代价而产
生的优化目标充分拟合。
进而，参见图2，本发明提供了一种面向工业自动化控制行为的安全性预测拟合系统，包括：
运行状态观测单元，用于采集工业自动化运行状态的观测值；
自动化控制预测拟合单元，用于采集工业自动化运行状态的初始化观测值，以及，定义并初始化工业自动化控制行为的控制策略函数、控制成本代价函数和安全性评价函数；并且，通过迭代训练，以控制策略的安全性评价和成本代价的优化为目标，执行工业自动化控制行为的控制策略函数的参数优化；
控制策略确定单元，基于参数优化后的控制策略函数，针对工业自动化运行状态的观测值，确定执行工业自动化控制行为的控制策略。
可见，本发明通过学习和优化控制策略函数，实现对控制策略的实时调整，提高系统运行的安全性、高效率和稳定性。在具体实施过程中，本发明通过引入机器学习算法和模型，执行实时数据观测和反馈机制，能够更全面和准确地选择输入的系统状态和控制参数，清晰定义最优控制策略的具体指标和约束条件，充分考虑了模型的鲁棒性和可靠性。本发明能够在不同类型的工业自动化控制系统中的应用，以验证其普适性和适应性，具有广泛的应用前景和改进空间。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种面向工业自动化控制行为的安全性预测拟合方法，其特征在于，包括：
采集工业自动化运行状态的观测值，确定初始化观测值；
定义并初始化工业自动化控制行为的控制策略函数、控制成本代价函数和安全性评价函数；
通过迭代训练，以控制策略的安全性评价和成本代价的优化为目标，执行工业自动化控制行为的控制策略函数的参数优化；
基于参数优化后的控制策略函数，针对工业自动化运行状态的观测值，确定执行工业自动化控制行为的控制策略。
2.根据权利要求1所述的方法，其特征在于，所述确定初始化观测值具体包括：以初始化的当前时刻为时间起点，收集工业自动化运行状态的相关数据，对采集到的数据进行预处理，组合为工业自动化运行状态的初始化观测值，所述初始化观测值表示为：，其中/>表示共计/>个运行状态维度在初始化时刻各自的观测值。
3.根据权利要求2所述的方法，其特征在于，所述控制策略函数定义为；工业自动化控制行为的控制策略总体表示为/>，其中，集合/>表示可采取的控制方式，控制策略的取值空间集合表示为/> = />；/>表示基于所述控制策略函数，适应工业自动化运行状态/>而采取的控制策略，而/>表示执行控制策略函数拟合的神经网络的网络参量向量。
4.根据权利要求3所述的方法，其特征在于，定义控制成本代价函数，表示针对工业自动化运行状态/>而采取控制策略/>所带来的成本代价，所述成本代价包括以下任意一项或者多项：执行控制策略所产生的时间延迟、软硬件资源消耗、能耗。
5.根据权利要求4所述的方法，其特征在于，定义安全性评价函数为，表示针对工业自动化运行状态/>而做出的安全性评价，/>是执行安全性评价拟合的神经网络的网络参量向量。
6.根据权利要求5所述的方法，其特征在于，所述通过迭代训练，以控制策略的安全性评价和成本代价的优化为目标，执行工业自动化控制行为的控制策略函数的参数优化，具体包括：
在第n个轮次的第t个控制行为周期当中，基于控制策略函数得到针对第t个控制行为周期内的控制策略，进而，针对第t个控制行为周期观测直至本周期完成其所引起的工业自动化运行状态观测值，以及观测相应的成本代价；基于所述安全性评价函数，获得本周期初始和本周期完成2个节点的观测值对应的安全性评价；利用直至第t个控制行为周期完成其所引起的成本代价和安全性评价，获得第t个控制行为周期的控制策略目标和策略优化误差；利用第t个控制行为周期的策略优化误差，进行安全性评价函数的神经网络的网络参量向量的更新，以及进行控制策略函数的神经网络的网络参量向量的更新。
7.根据权利要求6所述的方法，其特征在于，在第n个轮次的第t个控制行为周期当中，观测从初始化观测值出发逐一响应每一个控制行为周期直至第t个控制行为周期初始的时间节点而形成的工业自动化运行状态的观测值/>，并观测直至本周期完成其所引起的工业自动化运行状态观测值/>，以及观测相应的成本代价/>；基于所述安全性评价函数，获得安全性评价/>以及/>；进而，利用直至第t个控制行为周期完成其所引起的成本代价和安全性评价，获得第t个控制行为周期的控制策略目标和策略优化误差/>，其中/>为成本代价和安全性评价之间的权重分配因子。
8.根据权利要求7所述的方法，其特征在于，所述参数优化后的控制策略函数表示为，其中/>是以控制策略的安全性评价和成本代价为目标执行优化后的控制策略函数的神经网络参数。
9.根据权利要求8所述的方法，其特征在于，基于参数优化后的控制策略函数，输入当前控制行为周期内对工业自动化运行状态的观测值/>，获得控制策略，且 />，通过控制策略的集合/>定义了可采取的控制方式，该控制方式与基于安全性评价和成本代价而产生的优化目标充分拟合。
10.一种面向工业自动化控制行为的安全性预测拟合系统，其特征在于，包括：
运行状态观测单元，用于采集工业自动化运行状态的观测值；
自动化控制预测拟合单元，用于采集工业自动化运行状态的初始化观测值，以及，定义并初始化工业自动化控制行为的控制策略函数、控制成本代价函数和安全性评价函数；并且，通过迭代训练，以控制策略的安全性评价和成本代价的优化为目标，执行工业自动化控制行为的控制策略函数的参数优化；
控制策略确定单元，基于参数优化后的控制策略函数，针对工业自动化运行状态的观测值，确定执行工业自动化控制行为的控制策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311344959.2A CN117075588B (zh) | 2023-10-18 | 2023-10-18 | 面向工业自动化控制行为的安全性预测拟合方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311344959.2A CN117075588B (zh) | 2023-10-18 | 2023-10-18 | 面向工业自动化控制行为的安全性预测拟合方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117075588A true CN117075588A (zh) | 2023-11-17 |
| CN117075588B CN117075588B (zh) | 2024-01-23 |
Family
ID=88704758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311344959.2A Active CN117075588B (zh) | 2023-10-18 | 2023-10-18 | 面向工业自动化控制行为的安全性预测拟合方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117075588B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159341A (zh) * | 2021-04-23 | 2021-07-23 | 中国电力科学研究院有限公司 | 融合深度强化学习和专家经验的配电网辅助决策方法及系统 |
| CN113885328A (zh) * | 2021-10-18 | 2022-01-04 | 哈尔滨理工大学 | 一种基于积分强化学习的核电功率跟踪控制方法 |
| CN113991760A (zh) * | 2021-10-20 | 2022-01-28 | 山东大学 | 交直流混联受端电网直流闭锁多资源紧急控制优化方法 |
| CN115309047A (zh) * | 2022-07-29 | 2022-11-08 | 天津大学 | 一种基于事件触发的多控制器系统稳定控制方法 |
-
2023
- 2023-10-18 CN CN202311344959.2A patent/CN117075588B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159341A (zh) * | 2021-04-23 | 2021-07-23 | 中国电力科学研究院有限公司 | 融合深度强化学习和专家经验的配电网辅助决策方法及系统 |
| CN113885328A (zh) * | 2021-10-18 | 2022-01-04 | 哈尔滨理工大学 | 一种基于积分强化学习的核电功率跟踪控制方法 |
| CN113991760A (zh) * | 2021-10-20 | 2022-01-28 | 山东大学 | 交直流混联受端电网直流闭锁多资源紧急控制优化方法 |
| CN115309047A (zh) * | 2022-07-29 | 2022-11-08 | 天津大学 | 一种基于事件触发的多控制器系统稳定控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117075588B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7188255B2 (ja) | 学習方法、学習プログラムおよび学習装置 | |
| CN107092582B (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
| CN112292642B (zh) | 用于控制技术系统的控制装置和用于配置控制装置的方法 | |
| CN116738868B (zh) | 一种滚动轴承剩余寿命预测方法 | |
| CN117639602A (zh) | 电机运行状态自适应调节方法及系统 | |
| CN117313029A (zh) | 一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法 | |
| Turchin et al. | Tuning complex event processing rules using the prediction-correction paradigm | |
| CN110928341B (zh) | 温度控制方法、装置、设备及存储介质 | |
| CN117075588B (zh) | 面向工业自动化控制行为的安全性预测拟合方法和系统 | |
| CN118211943A (zh) | 一种注塑产品生产管理方法及系统 | |
| Wang et al. | Deep recurrent belief propagation network for POMDPs | |
| CN117111568B (zh) | 基于物联网的设备监测方法、装置、设备及存储介质 | |
| CN115174263B (zh) | 攻击路径动态决策方法与装置 | |
| CN112800672B (zh) | 锅炉粘污系数的评估方法、系统、介质及电子设备 | |
| CN116433219A (zh) | 一种工装更换策略动态搜索方法 | |
| CN113821893B (zh) | 一种航空发动机伺服作动系统自适应状态估计方法 | |
| CN115146675A (zh) | 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 | |
| Ruan et al. | Human operator decision support for highly transient industrial processes: a reinforcement learning approach | |
| CN111356959B (zh) | 用于计算机辅助地控制技术系统的方法 | |
| Saidi et al. | A survey of software reliability growth model selection methods for improving reliability prediction accuracy | |
| Huang et al. | Multimodel Self-Learning Predictive Control Method With Industrial Application | |
| CN115345523B (zh) | 一种设备风险系数评估方法及相关装置 | |
| CN117669739B (zh) | 基于Agent的智能谈判策略优化方法及系统 | |
| CN117348384B (zh) | 智能熨烫机能效优化系统及方法 | |
| CN118423907B (zh) | 一种加热制冷循环器的智能化监控报警系统及方法 |
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 |