CN117389237B - 一种实现mvc的工业流程控制平台 - Google Patents
一种实现mvc的工业流程控制平台 Download PDFInfo
- Publication number
- CN117389237B CN117389237B CN202311706392.9A CN202311706392A CN117389237B CN 117389237 B CN117389237 B CN 117389237B CN 202311706392 A CN202311706392 A CN 202311706392A CN 117389237 B CN117389237 B CN 117389237B
- Authority
- CN
- China
- Prior art keywords
- data
- controller
- module
- real
- industrial
- 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
- 238000004519 manufacturing process Methods 0.000 claims abstract description 110
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000005457 optimization Methods 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000013499 data model Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 65
- 238000004458 analytical method Methods 0.000 claims description 54
- 238000013461 design Methods 0.000 claims description 38
- 230000003993 interaction Effects 0.000 claims description 28
- 238000010219 correlation analysis Methods 0.000 claims description 22
- 238000007405 data analysis Methods 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 4
- 239000012528 membrane Substances 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 abstract description 29
- 230000008569 process Effects 0.000 description 16
- 230000004044 response Effects 0.000 description 15
- 238000012423 maintenance Methods 0.000 description 11
- 230000000007 visual effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 239000000047 product Substances 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 239000002994 raw material Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000002872 Statistical quality control Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000002759 z-score normalization 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]
- G05B19/41865—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 job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及数据处理技术领域，尤其涉及一种实现MVC的工业流程控制平台。所述平台包括：数据模型处理单元有效分析工业流程的控制器相关数据，并通过数据模型处理单元中的算法组件对工业流程的控制器数据进行反向学习，以实现用户传输的工业流程的控制器数据以及实时进行的控制器数据进行优化调节；用户输入数据视图单元提供直观易用的界面，即时接收数据以及显示关键数据和警报，提高操作效率并降低操作错误可能性；控制器操控单元接受数据模型处理单元中优化后的多操控反控指令，并根据多操控反控指令执行工业流程控制事件。本发明能够实现多指令的工业流程控制事件，并且基于控制器数据的反向控制优化，使得控制策略变得更精准高效。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种实现MVC的工业流程控制平台。
背景技术
PID算法是工业应用中最广泛算法之一，在闭环系统的控制中，可自动对控制平台进行准确且迅速的校正。PID算法已经有100多年历史，在四轴飞行器，平衡小车、汽车定速巡航、温度控制器等场景均有应用。先进过程控制（Advanced Process Control，APC）是对那些不同于常规单回路控制，并具有比常规 PID 控制更好的控制效果的控制策略的统称，而非专指某种计算机控制算法。先进过程控制的任务是用来处理那些采用常规控制效果不好，甚至无法控制的复杂工业过程控制的问题。通常所说的APC大致包含有三大类别的内容：一是传统的先进控制技术，比如变增益控制、时滞补偿控制、解耦控制、选择性控制等；二是现行的先进控制技术，如模型预测控制（MPC）、统计质量控制（SQC）、内模控制（IMC）、自适控制、专家控制、神经控制器、模糊控制、最优控制等；三是新兴的先进控制技术，如非线性控制、鲁棒控制等。就目前来讲，应用比较广泛并且取得了良好效果的是模型预测控制，模型预测控制亦有很多种形式，如动态矩阵控制（DMC）、广义预测控制（GPC）等，但不管形式如何，都遵循一个基本的原理：模型预测、滚动优化、反馈校正。然而，传统的工业流程控制方法对于多输入多输出系统需采用多个控制器进行多输入及多输出，但是往往由于各个控制回路之间存在耦合关系，其控制器参数的整定变得非常困难，并且不能考虑未来时间的控制器预测结果对控制器的参数进行反控优化。
发明内容
基于此，本发明提供一种实现MVC的工业流程控制平台，以解决至少一个上述技术问题。
为实现上述目的，一种实现MVC的工业流程控制平台，其中实现MVC的工业流程控制平台包括由数据模型处理单元、用户输入数据视图单元以及控制器操控单元组成，包括：
数据模型处理单元，包括如下模块：
历史数据采集模块，用于通过预装载的云计算采集程序对OPC服务器进行历史工业数据采集，获得历史工业数据；
算法组件处理模块，基于MQTT协议将历史工业数据传输至算法组件中；
其中，所述算法组件包括如下子模块：
数据处理子模块，用于对历史工业数据进行数据预处理，生成标准工业数据；
数据辨识子模块，用于分辨标准工业数据中的操纵变量、被控变量以及扰动变量；
机器学习子模块，用于建立时序动态模型；
传统控制器分析子模块，用于将接收操纵变量、被控变量以及扰动变量进行传统控制器的参数分析，生成控制器数据，其中所述传统控制器包括PID控制器、LQR控制器以及内膜控制器；通过数据交互将控制器分析数据传递至反向搜索控制子模块；
反向搜索控制子模块，利用控制器数据训练时序动态模型，并基于训练后的时序动态模型对控制器数据进行控制器数据优化调节，生成优化后的控制器数据；通过数据交互将优化调节后的控制器数据反馈至传统控制器分析子模块；
实时数据处理模块，用于通过预装载的云计算采集程序对OPC服务器进行实时控制器数据采集，获得实时控制器数据，对实时控制器数据进行控制器超限异常检测，生成超限实时控制器数据或者常规实时控制器数据；当识别到超限实时控制器数据时，根据超限实时控制器数据设计超限报警指令；当识别到常规实时控制器数据时，将常规实时控制器数据传输至训练后的时序动态模型进行实时控制器数据优化调节，生成优化实时控制器数据；
数据接口模块，用于接收用户输入数据视图单元的预输入的用户输入控制器数据，并将用户输入控制器数据传输至训练后的时序动态模型进行用户输入控制器数据优化调节，生成优化用户输入控制器数据；
反控组件处理模块，将优化实时控制器数据以及优化用户输入控制器数据传递至反控组建中；
其中，所述反控组件包括：
反控指令设计子模块，基于优化用户输入控制器数据以及实时控制器数据设计多操控反控指令，并基于MQTT协议将多操控反控指令下发至控制器操控单元；
反控指令开关模块，用于当反控指令开关关闭时，则不会有任何的多操控反控指令下发至控制器操控单元；当反控指令开关开启时，则多操控反控指令下发至控制器操控单元；
用户输入数据视图单元，包括：
用户输入数据视图设计模块，用于设计用户交互前端界面；
超限数据反馈模块，用于接收超限报警指令，并将超限报警指令反馈至用户交互前端界面；
用户输入数据获取模块：用于接收用户输入控制器数据；
控制器操控单元，包括：
控制器指令执行模块，用于接收多操控反控指令，并根据多操控反控指令执行工业流程控制事件。
本发明通过历史数据采集模块和实时数据处理模块，不仅能够实现对工业数据的持续和全面采集，还能确保数据的实时更新和准确性，这种高效率的数据处理对于及时发现和解决生产过程中的问题至关重要，同时也为数据分析和决策提供了坚实的基础。算法组件处理模块结合了数据处理、数据辨识、机器学习及传统控制器分析子模块，为工业控制提供强大的分析和优化能力。通过建立时序动态模型，能够更好地预测和模拟工业过程，从而提高控制策略的有效性，机器学习模型能够从数据中学习和自我优化，随着时间的推移，控制策略会变得更加精准和高效。通过分析各种控制器参数，如PID、LQR和内膜控制器的性能，能够找到最适合当前工业流程的控制策略，这种集成方法允许平台适应多种控制需求和环境，增加了平台的灵活性和适应性。利用控制器数据训练的时序动态模型可以优化控制器参数，提高控制策略的精度和响应速度，优化后的控制器数据反馈到传统控制器分析子模块，形成一个持续的改进和学习循环，不断提升平台的整体性能。反向搜索控制子模块和传统控制器分析子模块通过数据交互中学习和提取有价值的信息，从而为制定更优化的控制策略提供智能化支持。实时数据处理能力，结合超限数据检测和反馈机制，不仅能够即时响应生产过程中的异常情况，还能预测潜在的风险和故障，从而实现预测性维护。这大大减少了由于设备故障或操作失误导致的生产中断和损失。通过反向搜索控制子模块的设计，平台能够根据实时数据不断调整和优化控制器的参数，确保生产过程的稳定性和最优性能，这种自适应调节机制为应对复杂和变化的生产环境提供了强大的工具。用户输入数据视图单元提供的界面不仅直观易用，还能够即时显示关键数据和警报，使操作人员能够快速理解和响应生产过程中的变化，这种人机交互设计提高了操作效率并降低了操作错误的可能性。平台设计考虑了不同工业环境以及不同工业控制器的需求，其模块化和可配置的特性使得它可以轻松适应不同规模和类型的生产线。这种灵活性对于满足不断变化的市场需求和技术进步具有重要意义。以此，本发明的工业流程控制方法对于多输入多输出平台不需要采用多个控制器进行多输入及多输出，从而不会存在各个控制回路之间存在耦合关系，其控制器参数的整定变得更为简易，能够考虑未来时间的控制器预测结果对控制器的参数进行反控优化。
优选地，所述通过预装载的云计算采集程序对OPC服务器进行工业数据采集包括：
对OPC服务器进行OPC数据协议分析，以获得OPC数据协议；
根据OPC服务协议数据对预装载的云计算采集程序进行数据采集协议赋权，生成赋权云计算采集程序；
利用赋权云计算采集程序对OPC服务器进行历史工业数据采集，以获得历史工业数据，并将历史工业数据存储至预装载的数据存储程序中。
本发明通过对OPC服务器进行OPC数据协议分析，可以确保采集的数据与现有平台的数据协议兼容，从而避免数据格式不匹配或解析错误的问题，准确理解OPC数据协议有助于更精确地采集所需数据，降低数据误差。为云计算采集程序赋予针对特定OPC服务协议的权限，允许采集程序更有效地访问和收集特定数据，实现更高效的数据采集，赋权操作确保只有授权程序可以访问OPC服务器，减少了数据泄露或未授权访问的风险。利用赋权云计算采集程序进行实时数据采集，确保所获取的工业数据是最新的，这对于实时监控和控制工业过程至关重要，实时数据为操作者提供了即时的生产信息，有助于快速做出决策，以应对生产过程中的各种情况。将采集到的历史工业数据存储至预装载的数据存储程序中，为数据分析和历史对比提供了可靠的数据来源，存储的数据可用于未来的分析和决策支持，帮助识别生产趋势、进行故障诊断和优化生产流程。
优选地，所述对历史工业数据进行数据预处理包括：
对历史工业数据进行数据清洗处理，生成清洗工业数据；
对清洗工业数据进行数据滤波处理，生成滤波工业数据；
对滤波工业数据进行数据标准化处理，生成标准工业数据。
本发明移除错误、重复或无关数据，提高数据的准确性和可靠性，这对于后续的数据分析和决策制定非常重要，清洗后的数据更加整洁和一致，使得数据分析更为准确和高效。通过滤波处理，减少数据中的随机变异或噪声，从而提高数据的稳定性和可用性，对数据进行滤波有助于突出重要的信号或模式，使得数据分析能够更加集中于关键变量和趋势。标准化处理确保不同源和格式的数据在相同的标准或尺度上，这对比较和集成多源数据至关重要，标准化后的数据可以更容易地与其他平台或平台整合，提高了数据的兼容性和可转移性。
优选地，所述分辨标准工业数据中的操纵变量、被控变量以及扰动变量包括利用传递函数对标准工业数据进行工业数据分析，分别生成标准工业数据中的操纵变量、被控变量以及扰动变量。
本发明传递函数作为一种有效的工具，能够帮助精确地区分不同类型的变量。这种精确性对于后续的控制策略制定至关重要，通过对标准工业数据的分析，更好地理解数据之间的相互关系，如何相互影响，以及各自对平台性能的影响。这种深入的理解有助于更加有效地管理和控制工业过程。对操纵变量、被控变量和扰动变量的清晰识别和理解，使得可以更准确地设计控制平台，从而实现更优的平台性能和效率。准确识别这些变量有助于提高控制平台的响应时间和准确度，特别是在复杂或快速变化的工业环境中。通过准确地识别和管理这些关键变量，可以减少平台对于数据的整体误差和变异性，从而提高生产过程的稳定性和可预测性。这种基于传递函数的分析方法为数据驱动的决策制定提供了强有力的支持，有助于基于实时和准确的数据做出更有效的操作和管理决策。
优选地，所述建立时序动态模型包括利用时间序列预测模型以及粒子群优化算法建立时序动态模型。
本发明时间序列预测模型专门用于分析和预测随时间变化的数据，能够有效地捕捉数据的趋势和模式，这种预测准确性对于控制策略至关重要。粒子群优化算法是一种高效的全局优化算法，可以根据预设的优化目标传输至粒子群优化算法对时间序列模型进行模型参数优化，用于找到最优的模型参数，确保了时序动态模型能在复杂的工业环境中达到最佳性能。结合这两种方法可以使模型具有很强的适应性和灵活性，能够应对工业数据的不断变化和新情况的出现。粒子群优化算法在参数调整方面相对简单且计算效率高，有助于减少模型训练和优化过程中的计算负担。通过更精准的时序预测，控制策略可以更加精细地调整，以适应生产过程中的实时变化，从而提高整体的控制效果。
优选地，所述将接收操纵变量、被控变量以及扰动变量进行传统控制器的参数分析包括：
根据传相关性分析法对操纵变量、被控变量以及扰动变量进行相关性分析，生成相关性分析数据；
选取操纵变量、被控变量以及扰动变量之间相关性分析数据大于预设的相关性分析阈值的数据进行数据重构，以生成重构的操纵变量、被控变量以及扰动变量；
根据传统控制器类型对重构的操纵变量、被控变量以及扰动变量进行控制器类型差异的数据类型划分，以生成控制器数据。
本发明使用传相关性分析法可以精确地识别各变量之间的相关性，这有助于更准确地理解变量之间的相互作用和影响。通过设定相关性分析阈值，可以筛选出最重要和最相关的数据，从而提高后续处理和控制策略的有效性。重构数据的过程可以进一步提炼和强调关键变量，有助于更清晰地捕捉平台的动态特性，特别是在复杂的工业环境中。根据不同控制器类型（如PID、LQR等）对数据进行分类，确保数据与控制器的最佳匹配，从而提高控制策略的针对性和效率。这种方法使得控制平台能够更灵活地适应不同的操作条件和环境，提高其适应性和稳定性，更准确地确定控制器的参数设置，从而提高控制平台的性能和响应速度。
优选地，所述基于训练后的时序动态模型对控制器数据进行实时控制器数据优化调节包括：
根据训练后的时序动态模型对控制器数据的被控变量进行时间序列上的被控变量预测，生成被控变量预测数据；
根据预设的被控变量目标值对被控变量预测数据进行被控变量偏差数据计算，生成被控变量偏差值；
根据被控变量偏差值对控制器数据进行控制器数据优化调节，以生成优化控制器数据。
本发明利用训练后的时序动态模型进行被控变量的时间序列预测，可以准确预测未来的变量变化，从而为控制决策提供了准确的数据基础。通过计算被控变量的偏差值，可以及时发现和纠正偏离目标值的情况，从而确保工业流程的稳定运行。根据偏差值对控制器数据进行优化调节，可以更精确地调整控制器的响应，提高控制策略的效果和效率。这种实时的控制器数据优化调节能够实时调整平台正在运行控制器的参数数据，从而提高整个平台的响应速度和灵敏度。准确的预测和及时的偏差调整有助于减少平台的超限现象，缩短达到稳定状态的时间。使控制平台能够更好地适应不断变化的工业环境和生产条件，提高了平台的适应性和鲁棒性。
优选地，所述对实时控制器数据进行异常检测包括根据预设的控制器上下限度区间对实时控制器数据进行控制器超限异常检测，当实时控制器数据不处于控制器上下限度阈值区间时，将实时控制器数据标记为超限实时控制器数据，或者，当实时控制器数据处于控制器上下限度阈值区间时，将实时控制器数据标记为常规实时控制器数据。
本发明通过对实时控制器数据进行超限异常检测，可以及时识别数据是否超出正常操作范围，从而迅速响应潜在的问题或异常情况。超限检测有助于防止平台运行在不安全或不稳定的状态，降低故障和事故的风险。通过确保控制器数据在安全的操作范围内，可以提高整个控制平台的稳定性和可靠性。将数据标记为超限或常规，可以为操作人员和维护团队提供清晰的指示，帮助他们做出更有效的操作和维护决策。通过避免超限运行，可以减少设备的磨损和损坏，降低维修和更换成本。保持控制器数据在正常范围内有助于确保生产过程的连续性和效率，从而提高最终产品的质量。异常检测提供了关键的反馈信息，有助于识别和实施必要的平台优化和改进措施。
优选地，所述设计用户交互前端界面包括获取前端界面设计信息，根据前端界面设计信息设计用户交互前端界面。
本发明通过定制设计，用户交互界面可以更加直观和易用，提高操作人员的工作效率和满意度。根据具体的设计信息和用户需求定制前端界面，可以确保界面满足特定工业环境和用户的操作习惯。提高数据的可视化效果，帮助用户更快地识别关键信息和趋势，有效地展示平台状态、警报信息和控制选项，有助于实现更有效的监控和控制。
优选地，其中所述时间序列预测模型为单平移法、简单平均法、移动平均法、简答指数平滑法以及holt线性趋势法其中一种建立的数学模型。
本发明这些模型特别适用于短期预测，能够有效地捕捉并响应数据中的近期趋势和模式。与更复杂的预测模型相比，这些方法通常需要较少的计算资源，适合于对响应时间和计算效率有严格要求的场合，特别是如Holt线性趋势法之类的模型，能够适应数据中的趋势变化，对于具有明显趋势特征的数据集尤为有效。
本申请有益效果在于，本发明的实现MVC的工业流程控制平台可以基于用户输入的控制器参数以及现在进行的控制器参数进行控制器参数分析，并依据优化控制器参数中的控制器动作进行控制器参数的优化目标构建，并且可以基于时间序列预测模型对控制器未来想达到的理想预期进行控制器数据的反向优化调节，并将优化调节后的控制器参数进行多指令的并行处理，以减少指令执行的时间，加快处理工业流程控制的速度。
附图说明
图1为本发明一种实现MVC的工业流程控制平台的示意图；
图2为图1中算法组件示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图2，本发明提供一种实现MVC的工业流程控制平台，其中实现MVC的工业流程控制平台包括由数据模型处理单元、用户输入数据视图单元以及控制器操控单元组成，包括：
数据模型处理单元，包括如下模块：
历史数据采集模块，用于通过预装载的云计算采集程序对OPC服务器进行历史工业数据采集，获得历史工业数据；
算法组件处理模块，基于MQTT协议将历史工业数据传输至算法组件中；
其中，所述算法组件包括如下子模块：
数据处理子模块，用于对历史工业数据进行数据预处理，生成标准工业数据；
数据辨识子模块，用于分辨标准工业数据中的操纵变量、被控变量以及扰动变量；
机器学习子模块，用于建立时序动态模型；
传统控制器分析子模块，用于将接收操纵变量、被控变量以及扰动变量进行传统控制器的参数分析，生成控制器数据，其中所述传统控制器包括PID控制器、LQR控制器以及内膜控制器；通过数据交互将控制器分析数据传递至反向搜索控制子模块；
反向搜索控制子模块，利用控制器数据训练时序动态模型，并基于训练后的时序动态模型对控制器数据进行控制器数据优化调节，生成优化后的控制器数据；通过数据交互将优化调节后的控制器数据反馈至传统控制器分析子模块；
实时数据处理模块，用于通过预装载的云计算采集程序对OPC服务器进行实时控制器数据采集，获得实时控制器数据，对实时控制器数据进行控制器超限异常检测，生成超限实时控制器数据或者常规实时控制器数据；当识别到超限实时控制器数据时，根据超限实时控制器数据设计超限报警指令；当识别到常规实时控制器数据时，将常规实时控制器数据传输至训练后的时序动态模型进行实时控制器数据优化调节，生成优化实时控制器数据；
数据接口模块，用于接收用户输入数据视图单元的预输入的用户输入控制器数据，并将用户输入控制器数据传输至训练后的时序动态模型进行用户输入控制器数据优化调节，生成优化用户输入控制器数据；
反控组件处理模块，将优化实时控制器数据以及优化用户输入控制器数据传递至反控组建中；
其中，所述反控组件包括：
反控指令设计子模块，基于优化用户输入控制器数据以及实时控制器数据设计多操控反控指令，并基于MQTT协议将多操控反控指令下发至控制器操控单元；
反控指令开关模块，用于当反控指令开关关闭时，则不会有任何的多操控反控指令下发至控制器操控单元；当反控指令开关开启时，则多操控反控指令下发至控制器操控单元；
用户输入数据视图单元，包括：
用户输入数据视图设计模块，用于设计用户交互前端界面；
超限数据反馈模块，用于接收超限报警指令，并将超限报警指令反馈至用户交互前端界面；
用户输入数据获取模块：用于接收用户输入控制器数据；
控制器操控单元，包括：
控制器指令执行模块，用于接收多操控反控指令，并根据多操控反控指令执行工业流程控制事件。
本发明通过历史数据采集模块和实时数据处理模块，不仅能够实现对工业数据的持续和全面采集，还能确保数据的实时更新和准确性，这种高效率的数据处理对于及时发现和解决生产过程中的问题至关重要，同时也为数据分析和决策提供了坚实的基础。算法组件处理模块结合了数据处理、数据辨识、机器学习及传统控制器分析子模块，为工业控制提供强大的分析和优化能力。通过建立时序动态模型，能够更好地预测和模拟工业过程，从而提高控制策略的有效性，机器学习模型能够从数据中学习和自我优化，随着时间的推移，控制策略会变得更加精准和高效。通过分析各种控制器参数，如PID、LQR和内膜控制器的性能，能够找到最适合当前工业流程的控制策略，这种集成方法允许平台适应多种控制需求和环境，增加了平台的灵活性和适应性。利用控制器数据训练的时序动态模型可以优化控制器参数，提高控制策略的精度和响应速度，优化后的控制器数据反馈到传统控制器分析子模块，形成一个持续的改进和学习循环，不断提升平台的整体性能。反向搜索控制子模块和传统控制器分析子模块通过数据交互中学习和提取有价值的信息，从而为制定更优化的控制策略提供智能化支持。实时数据处理能力，结合超限数据检测和反馈机制，不仅能够即时响应生产过程中的异常情况，还能预测潜在的风险和故障，从而实现预测性维护。这大大减少了由于设备故障或操作失误导致的生产中断和损失。通过反向搜索控制子模块的设计，平台能够根据实时数据不断调整和优化控制器的参数，确保生产过程的稳定性和最优性能，这种自适应调节机制为应对复杂和变化的生产环境提供了强大的工具。用户输入数据视图单元提供的界面不仅直观易用，还能够即时显示关键数据和警报，使操作人员能够快速理解和响应生产过程中的变化，这种人机交互设计提高了操作效率并降低了操作错误的可能性。平台设计考虑了不同工业环境以及不同工业控制器的需求，其模块化和可配置的特性使得它可以轻松适应不同规模和类型的生产线。这种灵活性对于满足不断变化的市场需求和技术进步具有重要意义。以此，本发明的工业流程控制方法对于多输入多输出平台不需要采用多个控制器进行多输入及多输出，从而不会存在各个控制回路之间存在耦合关系，其控制器参数的整定变得更为简易，能够考虑未来时间的控制器预测结果对控制器的参数进行反控优化。
本发明实施例中，参考图1所述，为本发明一种实现MVC的工业流程控制平台的示意图，在本实施例中，所述实现MVC的工业流程控制平台包括：
具体的，实现MVC的工业流程控制平台由数据模型处理单元、用户输入数据视图单元以及控制器操控单元组成，在数据模型处理单元中包括：历史数据采集模块、算法组件处理模块、传统控制器分析子模块、反向搜索控制子模块、实时数据处理模块、数据接口模块以及反控组件处理模块；在用户输入数据视图单元中包括：用户输入数据视图设计模块、超限数据反馈模块、用户输入数据获取模块；在控制器操控单元中包括控制器指令执行模块。
具体的，历史数据采集模块用于部署一个预装载的云计算采集程序，例如link算盘，通过OPC直连方式对接实现MVC的工业流程控制平台，实时数据通过OPC DA代理程序（运行在Windows数采服务器上）接入算盘link算盘的LINK组件，该云计算程序定时从OPC服务器查询和收集历史工业数据、收集的数据包括机器运行状态、生产线速度、产量、能耗、设备运行时间等。采集到的数据存储在云端数据库中，例如InfluxDB数据库，数据进行初步的分类和标记，方便后续处理。
具体的，算法组件处理模块使用MQTT协议作为数据传输的通信协议，由于其轻量级和高效性，特别适用于工业物联网环境。设置MQTT客户端和代理，确保数据能够安全、可靠地从云计算平台传输至算法处理组件。算法组件在接收到数据后，开始对数据进行更深入的分析和处理，包括数据梳理子模块：对收集到的历史工业数据进行清洗，移除不完整、错误或无关数据，对数据进行滤波，减少噪声，突出关键信息，进行数据标准化，以统一不同数据源和格式；生成一致格式和标准的工业数据；数据辨识子模块：使用数据分析技术识别标准工业数据中的操纵变量（如设备设置）、被控变量（如生产量）和扰动变量（如原材料变化），确定这些变量对生产过程的影响程度，以及它们之间的相互作用；机器学习子模块：使用时间序列分析和机器学习技术（如ARIMA模型、神经网络）建立对工业过程的动态模拟模型，利用历史数据训练和优化模型，以提高其预测准确性；传统控制器分析子模块：对操纵变量、被控变量和扰动变量进行分析，确定如何使用传统控制器（PID、LQR、内膜控制器）最有效，生成适用于这些控制器的参数配置；反向搜索控制子模块：利用控制器数据对时序动态模型进行训练和调整，基于训练后的模型对控制器数据进行优化调节，以提高控制效率和准确性；将优化后的控制器数据反馈至传统控制器分析子模块，形成一个闭环，不断优化控制策略。例如，假设在一家化工厂，该平台用于优化生产线的控制，数据处理子模块对从各个传感器和记录平台收集的历史数据进行清洗和标准化，数据辨识子模块识别关键变量，如反应温度（被控变量）和原料投加速率（操纵变量），机器学习子模块基于这些数据建立模型，预测未来的生产趋势。传统控制器分析子模块评估不同控制器的适用性，而反向搜索控制子模块则通过不断迭代优化模型，实现更高效、精确的生产控制。
具体的，实时数据处理模块在工业环境中，配置云计算采集程序以实时连接OPC服务器，程序设定为不断查询并收集实时控制器数据，如设备运行状态、生产速度、温度、压力等。实时监控工业控制平台，实时收集控制器的输出数据，确保数据的实时性和准确性，以便于即时反应和分析。对实时采集的数据进行超限异常检测，检查数据是否超出预设的安全和运行参数范围，使用阈值、统计分析等方法判断数据是否异常。当数据被识别为超限实时控制器数据时，生成超限报警指令，以用于触发报警，通知操作员或触发自动应急响应。常规实时控制器数据被传输至已训练的时序动态模型，在模型中对数据进行进一步的优化调节，以提高控制平台的性能和响应。例如，假设在一个电力工厂，实时数据处理模块监控着发电机组的运行状态。云计算采集程序实时从OPC服务器获取发电机的输出功率、温度、转速等数据。这些数据被实时分析，以检测是否有任何超出正常运行范围的情况，如温度过高或功率异常。如果检测到超限数据，平台自动发出报警，通知工厂运维团队进行检查和维护。对于常规数据，实时数据处理模块将其传输至时序动态模型中进行优化，以确保发电效率最大化，同时保持设备的安全运行。
具体的，数据接口模块设计一个界面，允许用户输入控制器的数据，例如设定的温度、压力、速度等控制参数，界面可以为一个图形用户界面（GUI），提供直观的输入方式和即时的反馈。配置数据接口模块以接收用户从输入界面提交的数据，确保数据接口安全、稳定，并能够处理各种数据格式。将收集到的用户输入数据发送到已经训练好的时序动态模型中，利用模型对数据进行分析和处理，以优化控制器的设置。时序动态模型根据历史数据和实时反馈，对用户输入的数据进行优化调节，调节可能包括参数的微调，以适应实时变化的生产条件或提高效率。例如，假设在一个自动化生产线上，操作员需要根据生产需求调整机器的速度和温度，操作员通过用户界面输入期望的生产速度和温度设置，这些输入的数据通过数据接口模块传输到时序动态模型中，该模型基于过去的生产数据和当前的操作条件，自动微调这些参数，以确保生产线既高效又节能，如果模型预测某一设置可能导致过热或能效低下，它会相应地调整温度或速度设定。优化后的控制器数据随后会传回给生产线的控制平台，以实施这些优化调整。
具体的，在反控组件处理模块中配置MQTT协议，用于数据传输。MQTT（MessageQueuing Telemetry Transport）是一种轻量级的消息协议，特别适用于物联网环境，包括工业自动化。确保MQTT客户端与服务器的连接稳定，并实现有效的数据加密和安全措施。从时序动态模型和用户输入数据优化模块接收优化后的实时控制器数据和用户输入控制器数据，这些数据包括由模型优化后的控制参数，如温度设置、速度调节等。将这些优化后的数据传输至反控组件，反控组件负责根据这些数据生成具体的控制指令，如调整设备参数、启动或停止某一过程等，在反控组件的反控指令设计子模块这些控制指令通过MQTT协议随后被下发到相应的控制器或执行设备，以实施相应的操作。反控组件中的反控指令开关模块实现一个逻辑开关，用于控制是否下发多操控反控指令至控制器操控单元，当开关关闭时，阻止任何反控指令的下发；当开关开启时，允许指令的下发，在用户输入数据视图单元中，允许操作员手动控制这个开关，或者根据平台状态自动控制开关的状态。界面提供即时反馈，显示当前开关状态和相关操作信息。例如，当生产线的一部分需要加快速度以满足突增的生产需求时，时序动态模型会优化生产线的速度设置，这些优化数据发送至反控组件，反控组件中的反控指令设计子模块接收来自输送带速度调节器和货物分拣机的优化控制器数据，根据优化控制器数据，设计出一系列协调输送带速度和分拣机动作的指令，以优化物流效率并减少货物处理时间，这些协调输送带速度和分拣机动作的指令通过MQTT协议下发至相应的控制器操控单元。反控组件中的反控指令开关模块允许操作员在需要时手动停止这些自动化指令的下发，如在进行维护或处理紧急情况时。当一切正常时，操作员可以重新开启开关，恢复自动化控制。这种设计提供了灵活性和控制能力，确保了物流中心可以高效且安全地运行。
具体的，用户输入数据视图单元中包括：用户输入数据视图设计模块：用于设计一个图形用户界面（GUI），提供直观、易于使用的界面，允许操作员输入和调整控制器的设置，界面包括各种控件，如滑块、输入框、按钮等，用于输入或调整如温度、压力、速度等参数，确保界面布局直观，操作逻辑简单明了，以及提供即时反馈，如显示当前设备状态、操作确认等；超限数据反馈模块：从控制平台接收超限报警指令，这些指令可能是由于设备异常、参数超限等原因触发，保证在发生超限情况时能够及时接收报警信号，在用户界面上显示报警信息，提供明显的视觉和文字提示，设计报警信息内容清晰、易于理解，如具体的超限参数、建议的操作步骤等；用户输入数据获取模块：以收集用户通过界面输入的控制器数据，确保数据收集的准确性和实时性。将收集到的用户输入数据传输至控制平台或其他相关模块，如数据接口模块或时序动态模型，使用适当的通信协议确保数据传输的安全和效率。例如，用户输入数据视图单元允许操作员通过一个定制的图形界面输入和调整反应器的温度设置和混合速率，当反应器的温度超出安全范围时，超限数据反馈模块会在界面上显示紧急报警，指导操作员采取必要的安全措施，如降低温度或停止反应过程。操作员所做的任何调整都会通过用户输入数据获取模块实时传输至控制平台，以确保化学反应的高效和安全进行。
具体的，控制器操控单元包括：控制器指令执行模块：控制器指令执行模块配置为接收来自反控组件处理模块的多操控反控指令，这些指令可能包括设备参数调整、启动或停止某一过程、切换操作模式等，采用适当的通信协议和数据加密确保指令传输的安全性和可靠性。模块解析收到的指令，确定其含义和所需执行的操作，配置必要的逻辑和接口，以确保能够控制各种类型的工业设备和控制器。根据解析出的指令，模块控制相应的工业设备执行特定操作，如调整生产线速度、更改温度设置、激活安全程序等，实时监控执行过程，确保操作按照指令正确执行。例如，控制器指令执行模块负责接收和执行来自中央控制平台的指令。例如，当市场需求变化需要加快某型号汽车的生产速度时，中央控制平台会发送调整装配线速度的指令。控制器指令执行模块接收到这一指令后，解析并执行，实时调整装配线的运行速度。同时，该模块还监控装配线上的各个工作站，确保速度调整不会影响产品质量和员工安全。通过这种方式，控制器指令执行模块确保汽车装配线能够灵活响应市场需求的变化，同时保持高效和安全的运行。
作为本发明的一个实施例，参考图2所示，为图1中算法组件示意图，在本实例中算法组件示意图包括：
具体的，算法组件中的数据处理子模块对从OPC服务器收集的历史工业数据执行数据清洗，去除不一致和错误的数据条目，如修正时间戳错误、删除重复记录、填补缺失值。接着，进行数据滤波处理，可能包括应用低通滤波器去除高频噪声，平滑数据以便更好地捕捉趋势。最后，执行数据标准化处理，将所有的数据转换到一个标准格式和范围内，以便于不同数据源的比较和后续处理。数据处理子模块将预处理后的数据转换成标准化的格式，例如将所有的测量转换为国际单位制，确保日期和时间标记的一致性，以及调整数据结构以适配后续算法的输入要求，标准化的数据输出为易于操作的数据集，例如CSV文件、SQL数据库或实时数据流，供其他子模块使用。例如，在一个制药厂的生产线中，数据处理子模块负责处理生产设备记录的历史数据。这包括从各种传感器收集的温度、湿度、混合速度和产品质量控制参数。通过标准化这些数据，该模块确保了数据质量，为进一步的数据分析和生产过程控制打下了坚实基础。预处理后的数据将用于监控生产质量，优化生产过程，预测维护需求，以及提高整体操作效率。
具体的，数据辨识子模块首先接收数据处理子模块输出的标准工业数据，子模块利用统计分析方法，如相关性分析或主成分分析（PCA），来识别数据中的关键变量，操纵变量通常是可以控制的输入，比如机器的设置参数；被控变量是平台的输出，比如生产线的产出；扰动变量是不受控制的外部因素，可能会影响平台的输出。并利用传递函数构建数学模型，来理解不同变量之间的关系，利用此模型，子模块可以预测在给定的操纵变量和扰动变量条件下，被控变量的表现。分辨出的变量将分类为操纵变量、被控变量和扰动变量。进一步优化这些变量的识别过程，以提高模型的预测准确性和控制平台的响应性。在一个化学制造工厂中，数据辨识子模块负责分析化学反应器的数据。操纵变量可能包括原料的加入速率和反应器的温度设置；被控变量可能是产品的质量指标，如纯度；扰动变量可能包括原料批次之间的微小差异或环境温度波动。通过分析生产过程中收集的数据来识别这些变量，并建立传递函数模型来预测不同设置下产品质量的变化，从而帮助工程师优化生产参数，减少原料浪费，提高产品质量，通过这种方式，数据辨识子模块直接支持工厂的连续改进和精益制造目标。
具体的，机器学习子模块根据接收数据处理子模块输出的标准工业数据和预测需求选择合适的时序预测模型，如平移法、简单平均法、移动平均法、简答指数平滑法、霍尔特（holt）线性趋势法。应用粒子群优化算法(PSO：Particle swarm optimization)等优化技术来找到最佳的模型参数。
具体的，传统控制器分析子模块，接收来自数据辨识子模块的操纵变量、被控变量和扰动变量，利用这些变量进行传统控制器的参数分析，对于PID控制器，它会计算出最优的比例（P）、积分（I）和微分（D）参数。对于LQR（线性二次调节器）控制器，它会确定最佳的状态反馈增益，内膜控制器的参数也会相应地进行调整。根据平台的动态行为和目标性能，设计控制策略，确保平台能够在各种操作条件下保持稳定和高效，使用模拟和其他分析工具，如Matlab或Python中的控制平台库，来辅助设计和验证控制策略。分析得到的控制器数据被传递至反向搜索控制子模块。例如，传统控制器分析子模块负责调节反应温度、压力和混合速度。该子模块收到来自传感器的实时测量数据（被控变量），如反应器内部的温度和压力，以及外部扰动数据，如原材料的流量变化。子模块运用这些数据来计算PID控制器的参数，以实现快速且准确的温度控制。对于需要精细控制的变量，如反应器内的压力，它可能会使用LQR控制器来确保稳定性。内膜控制器可能用于那些受到严重扰动影响控制环节。控制器参数被定期发送到反向搜索控制子模块以进行优化，确保控制策略能够适应生产条件的变化，优化过程考虑到了能源消耗、原材料成本和产品质量等因素。通过这种方法，传统控制器分析子模块帮助化学工厂实现了更稳定、更高效的生产过程。
具体的，反向搜索控制子模块接收来自传统控制器分析子模块的控制器参数数据。使用这些数据训练时序动态模型，来捕捉时间序列数据的特性。应用粒子群优化算法优化时序动态模型的权重和偏差。基于训练后的模型，对控制器数据进行优化调节，可能涉及到调整PID参数、LQR增益或其他控制器的策略，将优化调节后的控制器数据反馈至传统控制器分析子模块，在此模块中，反馈数据用于进一步校准和细化控制器的参数。
优选地，所述通过预装载的云计算采集程序对OPC服务器进行工业数据采集包括：
对OPC服务器进行OPC数据协议分析，以获得OPC数据协议；
根据OPC服务协议数据对预装载的云计算采集程序进行数据采集协议赋权，生成赋权云计算采集程序；
利用赋权云计算采集程序对OPC服务器进行历史工业数据采集，以获得历史工业数据，并将历史工业数据存储至预装载的数据存储程序中。
本发明通过对OPC服务器进行OPC数据协议分析，可以确保采集的数据与现有平台的数据协议兼容，从而避免数据格式不匹配或解析错误的问题，准确理解OPC数据协议有助于更精确地采集所需数据，降低数据误差。为云计算采集程序赋予针对特定OPC服务协议的权限，允许采集程序更有效地访问和收集特定数据，实现更高效的数据采集，赋权操作确保只有授权程序可以访问OPC服务器，减少了数据泄露或未授权访问的风险。利用赋权云计算采集程序进行实时数据采集，确保所获取的工业数据是最新的，这对于实时监控和控制工业过程至关重要，实时数据为操作者提供了即时的生产信息，有助于快速做出决策，以应对生产过程中的各种情况。将采集到的历史工业数据存储至预装载的数据存储程序中，为数据分析和历史对比提供了可靠的数据来源，存储的数据可用于未来的分析和决策支持，帮助识别生产趋势、进行故障诊断和优化生产流程。
具体的，获取服务器的OPC数据协议细节，这包括数据格式、传输频率、安全要求等。从OPC服务器获取的OPC服务协议数据，对预装载的云计算采集程序进行配置，包括赋予必要的通信权限和认证。生成赋权后的云计算采集程序，确保它拥有与OPC服务器通信所需的所有权限和安全措施。例如，使用赋权后的云计算采集程序对OPC服务器进行历史工业数据采集，包括对生产线的数据，如机器状态、生产速度、质量控制参数等，将采集到的实时数据存储至云计算平台预装载的数据存储程序中，如InfluxDB，以便于数据分析和历史比对。例如，通过OPC直连方式对接平台。实时数据通过OPC DA代理程序（运行在Windows数采服务器上）接入预装载的云计算采集程序，预装载的云计算采集程序通过MQTT Client将实时数据发布到算法组件处理模块中，其他模块也可通过与算法组件处理模块连接获得历史工业数据。同时，预装载的云计算采集程序将历史工业数据写入到InfluxDB数据库中保存。
优选地，所述对历史工业数据进行数据预处理包括：
对历史工业数据进行数据清洗处理，生成清洗工业数据；
对清洗工业数据进行数据滤波处理，生成滤波工业数据；
对滤波工业数据进行数据标准化处理，生成标准工业数据。
本发明移除错误、重复或无关数据，提高数据的准确性和可靠性，这对于后续的数据分析和决策制定非常重要，清洗后的数据更加整洁和一致，使得数据分析更为准确和高效。通过滤波处理，减少数据中的随机变异或噪声，从而提高数据的稳定性和可用性，对数据进行滤波有助于突出重要的信号或模式，使得数据分析能够更加集中于关键变量和趋势。标准化处理确保不同源和格式的数据在相同的标准或尺度上，这对比较和集成多源数据至关重要，标准化后的数据可以更容易地与其他平台或平台整合，提高了数据的兼容性和可转移性。
具体的，建立数据清洗子程序，用于检测和修正历史工业数据中的错误，如去除异常值、填补缺失值、校正错误的数据格式，以及解决数据冲突或不一致性问题，清洗后的数据被验证其准确性和完整性，确保后续分析的质量。设计数据滤波算法，比如使用移动平均或中值滤波器来平滑数据序列，减少随机噪声，突出显示数据的真实趋势和重要特征，滤波过程保留了数据的核心特征，同时消除了短期波动带来的误导性信息。实施数据标准化流程，将滤波后的数据转换到统一的量度或范围内，例如使用Z-score标准化或将数据缩放到[0,1]区间内，标准化处理使得来自不同时间段、不同传感器或设备的数据具有可比性，为数据整合和模型建立创造条件。
优选地，所述分辨标准工业数据中的操纵变量、被控变量以及扰动变量包括利用传递函数对标准工业数据进行工业数据分析，分别生成标准工业数据中的操纵变量、被控变量以及扰动变量。
本发明传递函数作为一种有效的工具，能够帮助精确地区分不同类型的变量。这种精确性对于后续的控制策略制定至关重要，通过对标准工业数据的分析，更好地理解数据之间的相互关系，如何相互影响，以及各自对平台性能的影响。这种深入的理解有助于更加有效地管理和控制工业过程。对操纵变量、被控变量和扰动变量的清晰识别和理解，使得可以更准确地设计控制平台，从而实现更优的平台性能和效率。准确识别这些变量有助于提高控制平台的响应时间和准确度，特别是在复杂或快速变化的工业环境中。通过准确地识别和管理这些关键变量，可以减少平台对于数据的整体误差和变异性，从而提高生产过程的稳定性和可预测性。这种基于传递函数的分析方法为数据驱动的决策制定提供了强有力的支持，有助于基于实时和准确的数据做出更有效的操作和管理决策。
具体的，根据操纵变量、被控变量以及扰动变量建立传递函数关系，这个模型用于描述操纵变量、被控变量和扰动变量之间的动态关系，利用传递函数以及控制理论中的识别技术，识别出影响平台输出的各种输入变量之间的数学关系。通过传递函数模型分析标准工业数据，涉及到复杂的数据处理技术，如频域分析和模型拟合。利用传递函数模型的输出，自动分辨和生成操纵变量、被控变量和扰动变量的数据集，进一步用于控制器设计、性能监测和优化调整。
优选地，所述建立时序动态模型包括利用时间序列预测模型以及粒子群优化算法建立时序动态模型。
本发明时间序列预测模型专门用于分析和预测随时间变化的数据，能够有效地捕捉数据的趋势和模式，这种预测准确性对于控制策略至关重要。粒子群优化算法是一种高效的全局优化算法，可以根据预设的优化目标传输至粒子群优化算法对时间序列模型进行模型参数优化，用于找到最优的模型参数，确保了时序动态模型能在复杂的工业环境中达到最佳性能。结合这两种方法可以使模型具有很强的适应性和灵活性，能够应对工业数据的不断变化和新情况的出现。粒子群优化算法在参数调整方面相对简单且计算效率高，有助于减少模型训练和优化过程中的计算负担。通过更精准的时序预测，控制策略可以更加精细地调整，以适应生产过程中的实时变化，从而提高整体的控制效果。
优选地，所述将接收操纵变量、被控变量以及扰动变量进行传统控制器的参数分析包括：
根据传相关性分析法对操纵变量、被控变量以及扰动变量进行相关性分析，生成相关性分析数据；
选取操纵变量、被控变量以及扰动变量之间相关性分析数据大于预设的相关性分析阈值的数据进行数据重构，以生成重构的操纵变量、被控变量以及扰动变量；
根据传统控制器类型对重构的操纵变量、被控变量以及扰动变量进行控制器类型差异的数据类型划分，以生成控制器数据。
本发明使用传相关性分析法可以精确地识别各变量之间的相关性，这有助于更准确地理解变量之间的相互作用和影响。通过设定相关性分析阈值，可以筛选出最重要和最相关的数据，从而提高后续处理和控制策略的有效性。重构数据的过程可以进一步提炼和强调关键变量，有助于更清晰地捕捉平台的动态特性，特别是在复杂的工业环境中。根据不同控制器类型（如PID、LQR等）对数据进行分类，确保数据与控制器的最佳匹配，从而提高控制策略的针对性和效率。这种方法使得控制平台能够更灵活地适应不同的操作条件和环境，提高其适应性和稳定性，更准确地确定控制器的参数设置，从而提高控制平台的性能和响应速度。
具体的，确定适用于数据特性的时间序列预测模型，如单平移法、简单平均法、移动平均法、简答指数平滑法、霍尔特（holt）线性趋势法，这些模型能够根据历史数据预测未来的数据点，捕捉数据的趋势模式。对选定的时间序列模型进行初步参数设定，如移动平均法模型的p（自回归项数）、d（差分阶数）和q（移动平均项数）。利用粒子群优化算法来细化时间序列模型的参数。PSO是一种进化计算技术，通过模拟鸟群的社会行为来优化问题的解，在PSO过程中，每个粒子代表一组模型参数的候选解。粒子通过追踪个体和群体的经验，探索解空间，寻找最优解，使用历史数据训练时间序列模型，并应用PSO算法不断更新模型参数，直到找到最优化的模型参数，这通常是指最小化预测误差的参数组合，训练过程中，可能会多次迭代，每次迭代都根据预测误差调整粒子的位置（即模型参数）。
优选地，所述基于训练后的时序动态模型对控制器数据进行实时控制器数据优化调节包括：
根据训练后的时序动态模型对控制器数据的被控变量进行时间序列上的被控变量预测，生成被控变量预测数据；
根据预设的被控变量目标值对被控变量预测数据进行被控变量偏差数据计算，生成被控变量偏差值；
根据被控变量偏差值对控制器数据进行控制器数据优化调节，以生成优化控制器数据。
本发明利用训练后的时序动态模型进行被控变量的时间序列预测，可以准确预测未来的变量变化，从而为控制决策提供了准确的数据基础。通过计算被控变量的偏差值，可以及时发现和纠正偏离目标值的情况，从而确保工业流程的稳定运行。根据偏差值对控制器数据进行优化调节，可以更精确地调整控制器的响应，提高控制策略的效果和效率。这种实时的控制器数据优化调节能够实时调整平台正在运行控制器的参数数据，从而提高整个平台的响应速度和灵敏度。准确的预测和及时的偏差调整有助于减少平台的超限现象，缩短达到稳定状态的时间。使控制平台能够更好地适应不断变化的工业环境和生产条件，提高了平台的适应性和鲁棒性。
具体的，使用统计方法，如皮尔逊相关系数或斯皮尔曼等级相关，分析操纵变量、被控变量和扰动变量之间的相关性，生成相关性分析数据，该数据揭示了不同变量之间的相互依赖和影响程度。基于相关性分析，设定一个阈值，以筛选出相关性显著的变量组合，对这些高相关性的变量进行数据重构，这可能涉及到变量的重新组合、抽象或变换，目的是为了更好地反映变量间的关系。根据所选的传统控制器类型（如PID控制器、LQR控制器），对重构后的变量进行分类，以适应不同控制器的特性和需求，例如，对于PID控制器类型的控制器数据，可能会特别关注影响平台稳定性和响应时间的变量；对于LQR控制器类型的控制器数据，则可能更注重平台状态的全局最优控制。生成的控制器数据是针对特定控制器类型优化的变量集，这些数据将用于控制策略的制定和平台调节。
优选地，所述对实时控制器数据进行异常检测包括根据预设的控制器上下限度区间对实时控制器数据进行控制器超限异常检测，当实时控制器数据不处于控制器上下限度阈值区间时，将实时控制器数据标记为超限实时控制器数据，或者，当实时控制器数据处于控制器上下限度阈值区间时，将实时控制器数据标记为常规实时控制器数据。
本发明通过对实时控制器数据进行超限异常检测，可以及时识别数据是否超出正常操作范围，从而迅速响应潜在的问题或异常情况。超限检测有助于防止平台运行在不安全或不稳定的状态，降低故障和事故的风险。通过确保控制器数据在安全的操作范围内，可以提高整个控制平台的稳定性和可靠性。将数据标记为超限或常规，可以为操作人员和维护团队提供清晰的指示，帮助他们做出更有效的操作和维护决策。通过避免超限运行，可以减少设备的磨损和损坏，降低维修和更换成本。保持控制器数据在正常范围内有助于确保生产过程的连续性和效率，从而提高最终产品的质量。异常检测提供了关键的反馈信息，有助于识别和实施必要的平台优化和改进措施。
具体的，使用训练后的时序动态模型对控制器数据中的被控变量进行时间序列上的预测，包括分析历史数据，预测未来一段时间内被控变量的表现，如预测未来几小时内的温度、压力或其他关键工艺参数。根据被控变量的预设目标值，计算预测数据与目标值之间的偏差，例如目标温度是100度，而预测温度是105度，则偏差为-5度。利用计算得到的被控变量偏差值，对控制器数据进行调整，以减小偏差并接近目标值，这可能包括调整PID控制器的参数、修改设定点或改变操作策略。
优选地，所述设计用户交互前端界面包括获取前端界面设计信息，根据前端界面设计信息设计用户交互前端界面。
本发明通过定制设计，用户交互界面可以更加直观和易用，提高操作人员的工作效率和满意度。根据具体的设计信息和用户需求定制前端界面，可以确保界面满足特定工业环境和用户的操作习惯。提高数据的可视化效果，帮助用户更快地识别关键信息和趋势，有效地展示平台状态、警报信息和控制选项，有助于实现更有效的监控和控制。
具体的，进行用户和平台分析，以确定用户交互界面（UI）的需求，包括了解用户的技术背景、操作习惯以及他们需要监控和控制的平台参数。收集必要的设计信息，如布局偏好、功能需求、颜色方案、字体样式等，涉及到与潜在用户的访谈或使用问卷调查。根据收集的设计信息，使用UI设计工具（如Adobe XD、Sketch或Figma）创建界面原型，设计界面时，考虑易用性、可访问性和美观性。确保界面布局直观，功能按钮和控件清晰标记，用户易于理解和操作，进行用户测试，收集反馈，并根据反馈对设计进行迭代改进。
优选地，其中所述时间序列预测模型为单平移法、简单平均法、移动平均法、简答指数平滑法以及holt线性趋势法其中一种建立的数学模型。
本发明这些模型特别适用于短期预测，能够有效地捕捉并响应数据中的近期趋势和模式。与更复杂的预测模型相比，这些方法通常需要较少的计算资源，适合于对响应时间和计算效率有严格要求的场合，特别是如Holt线性趋势法之类的模型，能够适应数据中的趋势变化，对于具有明显趋势特征的数据集尤为有效。
具体的，在机器学习子模块中，根据具体的数据特性和预测需求，选择合适的时间序列预测模型，假设数据显示出明显的线性趋势但没有季节性变化，那么可以选择Holt线性趋势法。根据历史工业数据中的操纵变量、被动变量以及扰动变量调整模型参数，如趋势平滑参数和水平平滑参数，以最佳拟合历史数据。
本申请有益效果在于，本发明的实现MVC的工业流程控制平台可以基于用户输入的控制器参数以及现在进行的控制器参数进行控制器参数分析，并依据优化控制器参数中的控制器动作进行控制器参数的优化目标构建，并且可以基于时间序列预测模型对控制器未来想达到的理想预期进行控制器数据的反向优化调节，并将优化调节后的控制器参数进行多指令的并行处理，以减少指令执行的时间，加快处理工业流程控制的速度。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种实现MVC的工业流程控制平台，其特征在于，其中实现MVC的工业流程控制平台包括由数据模型处理单元、用户输入数据视图单元以及控制器操控单元组成，包括：
数据模型处理单元，具体包括：历史数据采集模块、算法组件处理模块、实时数据处理模块、数据接口模块以及反控组件处理模块；
历史数据采集模块，用于通过预装载的云计算采集程序对OPC服务器进行历史工业数据采集，获得历史工业数据；
算法组件处理模块，基于MQTT协议将历史工业数据传输至算法组件中；
其中，所述算法组件具体包括：数据处理子模块、数据辨识子模块、机器学习子模块、传统控制器分析子模块以及反向搜索控制子模块；
数据处理子模块，用于对历史工业数据进行数据预处理，生成标准工业数据；
数据辨识子模块，用于分辨标准工业数据中的操纵变量、被控变量以及扰动变量；
机器学习子模块，用于建立时序动态模型；
传统控制器分析子模块，用于将接收操纵变量、被控变量以及扰动变量进行传统控制器的参数分析，生成控制器数据，其中所述传统控制器包括PID控制器、LQR控制器以及内膜控制器；通过数据交互将控制器分析数据传递至反向搜索控制子模块；
反向搜索控制子模块，利用控制器数据训练时序动态模型，并基于训练后的时序动态模型对控制器数据进行控制器数据优化调节，生成优化后的控制器数据；通过数据交互将优化调节后的控制器数据反馈至传统控制器分析子模块；
实时数据处理模块，用于通过预装载的云计算采集程序对OPC服务器进行实时控制器数据采集，获得实时控制器数据，对实时控制器数据进行控制器超限异常检测，生成超限实时控制器数据或者常规实时控制器数据；当识别到超限实时控制器数据时，根据超限实时控制器数据设计超限报警指令；当识别到常规实时控制器数据时，将常规实时控制器数据传输至训练后的时序动态模型进行实时控制器数据优化调节，生成优化实时控制器数据；
数据接口模块，用于接收用户输入数据视图单元的预输入的用户输入控制器数据，并将用户输入控制器数据传输至训练后的时序动态模型进行用户输入控制器数据优化调节，生成优化用户输入控制器数据；
反控组件处理模块，将优化实时控制器数据以及优化用户输入控制器数据传递至反控组建中；
其中，所述反控组件具体包括：反控指令设计子模块以及反控指令开关模块；
反控指令设计子模块，基于优化用户输入控制器数据以及实时控制器数据设计多操控反控指令，并基于MQTT协议将多操控反控指令下发至控制器操控单元；
反控指令开关模块，用于当反控指令开关关闭时，则不会有任何的多操控反控指令下发至控制器操控单元；当反控指令开关开启时，则多操控反控指令可以下发至控制器操控单元；
用户输入数据视图单元，具体包括：用户输入数据视图设计模块、超限数据反馈模块以及用户输入数据获取模块；
用户输入数据视图设计模块，用于设计用户交互前端界面；
超限数据反馈模块，用于接收超限报警指令，并将超限报警指令反馈至用户交互前端界面；
用户输入数据获取模块：用于接收用户输入控制器数据；
控制器操控单元，包括：
控制器指令执行模块，用于接收多操控反控指令，并根据多操控反控指令执行工业流程控制事件。
2.根据权利要求1所述的实现MVC的工业流程控制平台，其特征在于，所述通过预装载的云计算采集程序对OPC服务器进行工业数据采集包括：
对OPC服务器进行OPC数据协议分析，以获得OPC数据协议；
根据OPC服务协议数据对预装载的云计算采集程序进行数据采集协议赋权，生成赋权云计算采集程序；
利用赋权云计算采集程序对OPC服务器进行历史工业数据采集，以获得历史工业数据，并将历史工业数据存储至预装载的数据存储程序中。
3.根据权利要求1所述的实现MVC的工业流程控制平台，其特征在于，所述对历史工业数据进行数据预处理包括：
对历史工业数据进行数据清洗处理，生成清洗工业数据；
对清洗工业数据进行数据滤波处理，生成滤波工业数据；
对滤波工业数据进行数据标准化处理，生成标准工业数据。
4.根据权利要求1所述的实现MVC的工业流程控制平台，其特征在于，所述分辨标准工业数据中的操纵变量、被控变量以及扰动变量包括利用传递函数对标准工业数据进行工业数据分析，分别生成标准工业数据中的操纵变量、被控变量以及扰动变量。
5.根据权利要求1所述的实现MVC的工业流程控制平台，其特征在于，所述建立时序动态模型包括利用时间序列预测模型以及粒子群优化算法建立时序动态模型。
6.根据权利要求1所述的实现MVC的工业流程控制平台，其特征在于，所述将接收操纵变量、被控变量以及扰动变量进行传统控制器的参数分析包括：
根据传相关性分析法对操纵变量、被控变量以及扰动变量进行相关性分析，生成相关性分析数据；
选取操纵变量、被控变量以及扰动变量之间相关性分析数据大于预设的相关性分析阈值的数据进行数据重构，以生成重构的操纵变量、被控变量以及扰动变量；
根据传统控制器类型对重构的操纵变量、被控变量以及扰动变量进行控制器类型差异的数据类型划分，以生成控制器数据。
7.根据权利要求1所述的实现MVC的工业流程控制平台，其特征在于，所述基于训练后的时序动态模型对控制器数据进行实时控制器数据优化调节包括：
根据训练后的时序动态模型对控制器数据的被控变量进行时间序列上的被控变量预测，生成被控变量预测数据；
根据预设的被控变量目标值对被控变量预测数据进行被控变量偏差数据计算，生成被控变量偏差值；
根据被控变量偏差值对控制器数据进行控制器数据优化调节，以生成优化控制器数据。
8.根据权利要求1所述的实现MVC的工业流程控制平台，其特征在于，所述对实时控制器数据进行异常检测包括根据预设的控制器上下限度区间对实时控制器数据进行控制器超限异常检测，当实时控制器数据不处于控制器上下限度阈值区间时，将实时控制器数据标记为超限实时控制器数据，或者，当实时控制器数据处于控制器上下限度阈值区间时，将实时控制器数据标记为常规实时控制器数据。
9.根据权利要求1所述的实现MVC的工业流程控制平台，其特征在于，所述设计用户交互前端界面包括获取前端界面设计信息，根据前端界面设计信息设计用户交互前端界面。
10.根据权利要求5所述的实现MVC的工业流程控制平台，其特征在于，其中所述时间序列预测模型为单平移法、简单平均法、移动平均法、简答指数平滑法以及holt线性趋势法其中一种建立的数学模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311706392.9A CN117389237B (zh) | 2023-12-13 | 2023-12-13 | 一种实现mvc的工业流程控制平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311706392.9A CN117389237B (zh) | 2023-12-13 | 2023-12-13 | 一种实现mvc的工业流程控制平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117389237A CN117389237A (zh) | 2024-01-12 |
| CN117389237B true CN117389237B (zh) | 2024-02-13 |
Family
ID=89436001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311706392.9A Active CN117389237B (zh) | 2023-12-13 | 2023-12-13 | 一种实现mvc的工业流程控制平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117389237B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108881475A (zh) * | 2018-07-12 | 2018-11-23 | 重庆市特种设备检测研究院 | 一种工业锅炉智能化采集系统及采集方法 |
| CN115528817A (zh) * | 2022-10-28 | 2022-12-27 | 华中科技大学 | 一种用户端智能配用电系统、方法、介质、设备及终端 |
| CN116846987A (zh) * | 2023-09-01 | 2023-10-03 | 山东省信息技术产业发展研究院(中国赛宝(山东)实验室) | 一种工业互联网的交互界面生成方法及系统 |
| CN117114137A (zh) * | 2023-09-04 | 2023-11-24 | 清华大学深圳国际研究生院 | 一种自行闭环优化的嵌入式算法模型系统 |
| CN117194919A (zh) * | 2023-09-05 | 2023-12-08 | 北京红山信息科技研究院有限公司 | 一种生产数据分析系统 |
| CN117193200A (zh) * | 2023-10-07 | 2023-12-08 | 无锡太湖学院 | 工业现场数据物联网管理系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2419796B1 (en) * | 2009-05-29 | 2016-09-07 | Aspen Technology, Inc. | Apparatus and method for model quality estimation and model adaptation in multivariable process control |
| US9141911B2 (en) * | 2009-05-29 | 2015-09-22 | Aspen Technology, Inc. | Apparatus and method for automated data selection in model identification and adaptation in multivariable process control |
| WO2021076760A1 (en) * | 2019-10-18 | 2021-04-22 | Aspen Technology, Inc. | System and methods for automated model development from plant historical data for advanced process control |
| US20230111047A1 (en) * | 2021-10-13 | 2023-04-13 | Servicenow, Inc. | Classification Evaluation and Improvement in Machine Learning Models |
-
2023
- 2023-12-13 CN CN202311706392.9A patent/CN117389237B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108881475A (zh) * | 2018-07-12 | 2018-11-23 | 重庆市特种设备检测研究院 | 一种工业锅炉智能化采集系统及采集方法 |
| CN115528817A (zh) * | 2022-10-28 | 2022-12-27 | 华中科技大学 | 一种用户端智能配用电系统、方法、介质、设备及终端 |
| CN116846987A (zh) * | 2023-09-01 | 2023-10-03 | 山东省信息技术产业发展研究院(中国赛宝(山东)实验室) | 一种工业互联网的交互界面生成方法及系统 |
| CN117114137A (zh) * | 2023-09-04 | 2023-11-24 | 清华大学深圳国际研究生院 | 一种自行闭环优化的嵌入式算法模型系统 |
| CN117194919A (zh) * | 2023-09-05 | 2023-12-08 | 北京红山信息科技研究院有限公司 | 一种生产数据分析系统 |
| CN117193200A (zh) * | 2023-10-07 | 2023-12-08 | 无锡太湖学院 | 工业现场数据物联网管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117389237A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11487252B2 (en) | Process model identification in a process control system | |
| Alves et al. | Deployment of a smart and predictive maintenance system in an industrial case study | |
| CN100555136C (zh) | 加工厂中的异常状况预防方法和系统 | |
| US7647131B1 (en) | Dynamic determination of sampling rates | |
| KR101825881B1 (ko) | 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템 | |
| US11687064B2 (en) | IBATCH interactive batch operations system enabling operational excellence and competency transition | |
| CN101305327A (zh) | 与多元统计分析一起用于过程中的故障检测和隔离及异常情况预防的统计特征 | |
| CN102032115A (zh) | 用于分析报告数据的系统和方法 | |
| CN110709789B (zh) | 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 | |
| CN117670378B (zh) | 一种基于大数据的食品安全监控方法及系统 | |
| CN117348503B (zh) | 一种环氧丙烷生产数据监控系统及方法 | |
| CN117118781A (zh) | 一种智能化工业网关设计方法及装置 | |
| US11966217B2 (en) | Faulty variable identification technique for data-driven fault detection within a process plant | |
| US20190361428A1 (en) | Competency gap identification of an operators response to various process control and maintenance conditions | |
| CN118011927A (zh) | 一种基于云端平台的滚塑机远程控制装置及方法 | |
| CN117193212A (zh) | 一种自动化生产用软件控制系统 | |
| CN116976862A (zh) | 一种工厂设备信息化管理系统及方法 | |
| Abdoune et al. | An enhanced methodology of Fault Detection and Diagnosis based on Digital Twin | |
| Lee et al. | Intelligent factory agents with predictive analytics for asset management | |
| CN117389237B (zh) | 一种实现mvc的工业流程控制平台 | |
| Vital-Soto et al. | Manufacturing systems for unexpected events: An exploratory review for operational and disruption risks | |
| CN114265891A (zh) | 基于多源数据融合的智慧车间系统、方法及存储介质 | |
| Subbu et al. | Management of complex dynamic systems based on model-predictive multi-objective optimization | |
| Karagiorgou et al. | On making factories smarter through actionable predictions based on time-series data | |
| Reinhart et al. | Machine Learning for Process-X: A Taxonomy |
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 |