CN117452885A - 复杂工业过程的运行决策智能方法及系统 - Google Patents
复杂工业过程的运行决策智能方法及系统 Download PDFInfo
- Publication number
- CN117452885A CN117452885A CN202310981536.5A CN202310981536A CN117452885A CN 117452885 A CN117452885 A CN 117452885A CN 202310981536 A CN202310981536 A CN 202310981536A CN 117452885 A CN117452885 A CN 117452885A
- Authority
- CN
- China
- Prior art keywords
- decision
- model
- operation decision
- complex industrial
- value
- 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 221
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 170
- 230000008569 process Effects 0.000 claims abstract description 186
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 15
- 238000004886 process control Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 15
- 238000011156 evaluation Methods 0.000 description 12
- 230000006399 behavior Effects 0.000 description 11
- 238000005265 energy consumption Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 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]
- G05B19/41885—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 modeling, simulation of the manufacturing system
-
- 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
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供复杂工业过程的运行决策智能方法及系统,其中,所述运行决策智能方法包括:基于复杂工业运行决策过程中人的过程控制系统设定值的决策行为分析,建立运行决策过程的动态模型;利用运行决策过程的运行指标实际值,控制系统设定决策值,以及影响复杂工业运行决策过程的上下游工业过程变量的大数据,建立运行决策过程数字孪生模型;基于运行决策过程数字孪生模型,建立以运行指标目标值为输入,以过程控制系统设定决策值为输出的端边云协同的运行智能决策模型,用于复杂工业过程的运行决策。上述方案能够对整个复杂工业过程进行准确的运行决策,以保障复杂工业过程的运行指标实际值达到目标值。
Description
技术领域
本说明书实施例涉及工业控制技术领域,尤其涉及一种复杂工业过程的运行决策智能方法及系统。
背景技术
复杂工业过程是指一类具有长流程、大滞后、强非线性、有复杂的化学反应和物理变化、受到未知干扰、动态特性发生变化,难以建立精确模型等特点的工业过程。
为了提高产品的质量与生产效率,以及降低整个复杂工业过程的能耗与物耗,需要对整个复杂工业过程进行准确的运行决策。
然而,目前对复杂工业过程的运行决策通常由人工完成。
发明内容
针对上述技术问题,本说明书实施例提供一种复杂工业过程的运行决策智能方法及系统,通过将复杂工业运行决策过程的运行决策指标目标值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输入运行决策模型,能够直接获取运行决策值,从而能够对整个复杂工业过程进行准确的运行决策,以保障复杂工业过程的运行决策指标实际值达到目标值。
首先,本说明书实施例提供一种复杂工业过程的运行决策智能方法,包括:
基于复杂工业运行决策过程中人的决策行为分析,建立运行决策过程的动态模型;
基于复杂工业运行决策过程的运行指标实际值,运行决策值,以及影响复杂工业运行决策过程的上下游工业过程变量的大数据,建立运行决策过程数字孪生模型;
基于所述运行决策过程的动态模型以及所述运行决策过程数字孪生模型,建立运行决策模型,用于复杂工业过程的运行决策。
可选地,所述基于复杂工业运行决策过程中人的决策行为分析,建立运行决策过程的动态模型,包括:
将所述基于复杂工业运行决策过程中人的决策行为分析,量化为基于复杂工业运行决策过程的运行指标实际值与运行指标目标值的误差的变比例反馈控制,以及基于上下游工业过程对复杂工业运行决策过程影响的变量的变比例前馈控制;
基于所述变比例反馈控制以及所述变比例前馈控制,建立所述运行决策过程的动态模型。
可选地,所述建立运行决策过程数字孪生模型包括:
基于所述复杂工业运行决策过程的运行指标实际值控制在预设目标区间,将所述运行决策过程数字孪生模型建模为线性模型和非线性模型的组合。
可选地,所述基于所述运行决策过程的动态模型以及所述运行决策过程数字孪生模型,建立运行决策模型,用于复杂工业过程的运行决策,包括:
将所述运行决策模型部署在预设的边侧控制系统,作为第一运行决策模型;
调用所述第一运行决策模型;
将所述运行指标目标值以及影响复杂工业运行决策过程的上下游工业过程变量的大数据输入所述第一运行决策模型,得到所述第一运行决策模型输出的第一运行决策值;
将所述第一运行决策值,用于复杂工业过程的运行决策。
可选地,所述复杂工业过程的运行决策智能方法还包括:
判断所述第一运行决策模型的精度是否满足预设的精度要求,在确定不满足所述精度要求时,调整所述第一运行决策模型的模型参数,得到更新后的第一运行决策模型。
可选地,所述判断所述第一运行决策模型的精度是否满足预设的精度要求,包括:
在预设的云侧控制系统部署两个所述运行决策模型,作为第二运行决策模型和第三运行决策模型;
调用所述第二运行决策模型和第三运行决策模型;
将复杂工业运行决策过程的运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输入所述第二运行决策模型,得到所述第二运行决策模型输出的第二运行决策值;
将复杂工业运行决策过程的运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输入所述第三运行决策模型,得到所述第三运行决策模型输出的第三运行决策值;
基于所述第二运行决策值和所述第三运行决策值,比较所述第二运行决策模型和所述第三运行决策模型的精度,在满足预设条件时,则确定所述第一运行决策模型的精度不满足所述预设的精度要求。
可选地,所述在确定不满足所述精度要求时,调整所述第一运行决策模型的模型参数,得到更新后的第一运行决策模型,包括:
获取所述第二运行决策模型的模型参数,所述第二运行决策模型的模型参数处于实时更新状态;
将所述第一运行决策模型的模型参数调整为所述第二运行决策模型的模型参数,得到更新后的第一运行决策模型。
可选地,所述第一运行决策模型在线实时决策,所述第二运行决策模型在线实时训练。
可选地,所述复杂工业过程的运行决策智能方法还包括:
实时获取所述运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据与其对应的运行决策实际值;
将实时获取的运行指标实际值、上下游工业过程对复杂工业运行决策过程影响变量的大数据以及与其对应的运行指标实际值作为训练数据,以降低第二运行决策模型针对所述运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输出的第二运行决策值与运行指标实际值的误差为训练目标,对所述第二运行决策模型的模型参数进行实时调整。
可选地,所述复杂工业过程的运行决策智能方法还包括:
如果第一运行决策模型更新,将所述运行指标目标值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输入更新后的第一运行决策模型,重新计算第一运行决策值;
所述获取运行决策值,用于复杂工业过程的运行决策,包括:
将重新计算后的第一运行决策值,用于复杂工业过程的运行决策。
本说明书实施例还提供一种复杂工业过程的运行决策智能系统,适于执行前述任一项复杂工业过程的运行决策智能方法的实施例;所述运行决策智能系统包括:端侧控制系统和边缘侧控制系统,其中:
所述端侧控制系统,适于获取复杂工业运行决策过程的运行指标目标值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据;以及控制复杂工业运行决策过程的运行;
所述边缘侧控制系统,适于运行第一运行决策模型,获取第一运行决策值。
可选地,所述运行决策智能系统还包括云侧控制系统;
所述边缘侧控制系统,还适于判断所述第一运行决策模型的精度是否满足预设的精度要求,在确定不满足所述精度要求时,调整所述第一运行决策模型的模型参数,得到更新后的第一运行决策模型;
所述端侧控制系统,还适于获取复杂工业运行决策过程的运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据;
所述云侧控制系统,适于运行第二运行决策模型,获取第二运行决策值;
运行第三运行决策模型,获取第三运行决策值;以及将实时获取的运行指标实际值、上下游工业过程对复杂工业运行决策过程影响变量的大数据以及与其对应的运行指标实际值作为训练数据,以降低第二运行决策模型针对所述运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输出的第二运行决策值与运行指标实际值的误差为训练目标,对所述第二运行决策模型的模型参数进行实时调整。
采用本说明书实施例提供的复杂工业过程的运行决策智能方法,通过基于复杂工业运行决策过程中人的决策行为分析,建立运行决策过程的动态模型;以及基于复杂工业运行决策过程的运行指标实际值,运行决策值,以及影响复杂工业运行决策过程的上下游工业过程变量的大数据,建立运行决策过程数字孪生模型;从而可以基于所述运行决策过程的动态模型以及所述运行决策过程数字孪生模型,建立运行决策模型,用于复杂工业过程的运行决策,可以对整个复杂工业过程进行准确的运行决策,从而能够保障复杂工业过程的运行指标实际值达到目标值。
进一步地,通过将所述基于复杂工业运行决策过程中人的决策行为分析,量化为基于复杂工业运行决策过程的运行指标实际值与运行指标目标值的误差的变比例反馈控制,以及基于上下游工业过程对复杂工业运行决策过程影响的变量的变比例前馈控制;进而所述变比例反馈控制以及所述变比例前馈控制,建立所述运行决策过程的动态模型,可以保障所述运行决策过程的动态模型的准确度,从而可以保障所运行决策过程的动态模型输出的运行决策值的准确度,故而能够对整个复杂工业过程进行准确的运行决策,从而能够保障复杂工业过程的运行指标实际值达到目标值。
进一步地,基于所述复杂工业运行决策过程的运行决策指标实际值控制在预设目标区间,将所述运行决策过程数字孪生模型建模为线性模型和非线性模型的组合。由于所述运行过程数字孪生模型不仅考虑了运行决策值对运行指标实际值的影响,还考虑了非线性因素对运行指标实际值的影响,因此能够进一步提高运行决策模型输出的运行决策值的准确度,从而能够进一步提高对整个复杂工业过程的运行决策的准确度,以进一步保障复杂工业过程的运行指标实际值达到目标值。
进一步地,通过将所述运行决策模型部署在预设的边侧控制系统,作为第一运行决策模型;进而调用所述第一运行决策模型,将所述运行决策指标目标值以及复杂工业运行决策过程的上下游工业过程变量的大数据输入所述第一运行决策模型,得到所述第一运行决策模型输出的第一运行决策值;继而将所述第一运行决策值,用于复杂工业过程的运行决策,不仅只需要占用较少的计算资源和运行带宽,而且可以实现根据模型的输入进行实时输出。
进一步地,通过判断所述第一运行决策模型的精度是否满足预设的精度要求,在确定不满足所述精度要求时,调整所述第一运行决策模型的模型参数,得到更新后的第一运行决策模型,可以进一步提高第一运行决策模型输出的第一运行决策值的准确度,从而可以进一步提高对整个复杂工业过程的运行决策的准确度。
进一步地,通过在预设的云侧控制系统部署两个所述运行决策模型,作为第二运行决策模型和第三运行决策模型;调用所述第二运行决策模型和第三运行决策模型;将复杂工业运行决策过程的运行决策指标实际值以及上下游工业过程对复杂工业运行决策过程影响的变量的大数据输入所述第二运行决策模型,得到所述第二运行决策模型输出的第二运行决策值;将复杂工业运行决策过程的运行决策指标实际值以及上下游工业过程对复杂工业运行决策过程影响的变量的大数据输入所述第三运行决策模型,得到所述第三运行决策模型输出的第三运行决策值;基于所述第二运行决策值和所述第三运行决策值,比较所述第二运行决策模型和所述第三运行决策模型的精度,在满足预设条件时,则确定所述第一运行决策模型的精度不满足所述预设的精度要求。采用上述实施例,不仅可以客观准确地判断所述第一运行决策模型的精度是否满足预设的精度要求,而且易于实施。
进一步地,通过获取所述第二运行决策模型的模型参数,将第一运行决策模型的模型参数调整为精度更高的第二运行决策模型的模型参数,可以进一步提高第一运行决策模型输出的第一运行决策值的准确度,从而可以对整个复杂工业过程进行准确的运行决策。
进一步地,所述第一运行决策模型可以在线实时决策,所述第二运行决策模型可以在线实时训练,一方面,在线实时决策只需要占用较少的计算资源和运行带宽,可以将所述第一运行决策模型部署在边缘计算设备上,以实现根据模型的输入进行实时输出;另一方面,可以将所述第二运行决策模型部署在云计算设备上,从而有足够的计算资源和存储空间,对所述第二运行决策模型进行在线实时训练,以实现根据模型的输入对模型参数进行实时调整。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1示出了一种现有的复杂工业过程的运行决策结构示意图;
图2示出了本说明书实施例中一种复杂工业过程的运行决策智能方法的步骤示意图;
图3示出了本说明书实施例中一种复杂工业过程的运行决策过程示意图;
图4示出了本说明书实施例中一种长短周期记忆网络结构示意图;
图5示出了本说明书实施例中一种获取运行决策值,用于复杂工业过程的运行决策的步骤示意图;
图6示出了本说明书实施例中一种复杂工业过程的运行决策智能系统的结构示意图;
图7示出了本说明书实施例中一种复杂工业过程的运行决策智能系统的具体结构示意图。
具体实施方式
如背景技术所述,目前对复杂工业过程的运行决策通常由人工完成,由于人工对复杂工业过程的运行决策都是基于经验进行的,而且复杂工业过程的运行工况变化频繁,人工难以实时感知运行工况的动态变化,因此,无法对整个复杂工业过程进行准确的运行决策,因而无法保障复杂工业过程的运行指标到目标值。
为便于理解,以下对现有的复杂工业过程的运行决策方法及存在的技术问题进行简要介绍。
参照图1所示的一种现有的复杂工业过程的运行决策结构示意图,复杂工业过程包括过程运行层和过程控制层,由运行操作人员通过观测运行指标rj(k),根据运行指标的目标值rj *的范围[rjmax,rjmin],凭经验和知识决策过程回路控制系统设定值进而过程控制器基于/>控制复杂工业过程的运行。过程控制系统使输出的过程回路控制实际值yi(k)跟踪所述设定值/>从而将运行指标控制在目标值范围内。
由上可知,由于人工对复杂工业过程的控制系统都是基于经验设定的,而且复杂工业过程的运行工况变化频繁,人工难以实时感知运行工况的动态变化,因此,这导致无法对整个复杂工业过程进行准确的运行决策。
针对上述问题,本说明书实施例提供一种复杂工业过程的运行决策智能方法,能够通过将复杂工业运行决策过程的运行指标目标值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输入运行决策模型,能够直接获取运行决策值,从而能够对整个复杂工业过程进行准确的运行决策,以保障复杂工业过程的运行指标实际值达到目标值。
为使本领域技术人员更好地理解和实施本说明书实施例,以下对本说明书实施例的构思、方案、原理及优点等结合附图,并通过具体应用示例进行详细描述。
首先,本说明书实施例提供一种复杂工业过程的运行决策智能方法,参照图2所示的一种复杂工业过程的运行决策智能方法的步骤示意图,在本说明书一些实施例中,可以采用如下步骤控制复杂工业过程的运行决策:
步骤S1,基于复杂工业运行决策过程中人的决策行为分析分析,建立运行决策过程的动态模型。
步骤S2,基于复杂工业运行决策过程的运行指标实际值,运行决策值,以及影响复杂工业运行决策过程的上下游工业过程变量的大数据,建立运行决策过程数字孪生模型。
作为一可选示例,所述运行指标可以是指能够反映产品在复杂工业过程中质量、效率、能耗与物耗的工艺参数。
具体而言,运行指标的目标值的设定应该满足以下要求:在生产工艺所规定的运行指标的目标值范围内,反应质量与效率的工艺参数应该尽可能的高,而反应能耗与物耗的工艺参数应该尽可能的低。
需要说明的是,本说明书实施例对运行指标不作具体限制。
步骤S3,基于所述运行决策过程的动态模型以及所述运行决策过程数字孪生模型,建立运行决策模型,用于复杂工业过程的运行决策。
采用上述实施例,通过基于人工在复杂工业运行决策过程中的决策行为分析,建立运行决策过程的动态模型;以及基于复杂工业运行决策过程的运行指标实际值,运行决策值,以及影响复杂工业运行决策过程的上下游工业过程变量的大数据,建立运行决策过程数字孪生模型;从而可以基于所述运行决策过程的动态模型以及所述运行决策过程数字孪生模型,建立运行决策模型;进而通过将复杂工业运行决策过程的运行指标目标值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输入所述运行决策模型,获取运行决策值,用于复杂工业过程的运行决策,可以对整个复杂工业过程进行准确的运行决策,从而能够保障复杂工业过程的运行指标实际值达到目标值。
在本说明书一些实施例中,对于步骤S1,可以将所述基于复杂工业运行决策过程中人的决策行为分析,量化为基于复杂工业运行决策过程的运行指标实际值与运行指标目标值的误差的变比例反馈控制,以及基于上下游工业过程对复杂工业运行决策过程影响的变量的变比例前馈控制;基于所述变比例反馈控制以及所述变比例前馈控制,建立所述运行决策过程的动态模型。
采用上述实施例,通过将所述基于复杂工业运行决策过程中人的决策行为分析,量化为基于复杂工业运行决策过程的运行指标实际值与运行指标目标值的误差的变比例反馈控制,以及基于上下游工业过程对复杂工业运行决策过程影响的变量的变比例前馈控制;基于所述变比例反馈控制以及所述变比例前馈控制,建立所述运行决策过程的动态模型,可以保障所述运行决策过程的动态模型的准确度,从而可以保障所述运行决策过程的动态模型输出的运行决策值的准确度,故而能够对整个复杂工业过程进行准确的运行决策,从而能够保障复杂工业过程的运行指标实际值达到目标值。
作为一具体示例,复杂工业过程的运行控制目标可以描述如下:
在保证安全运行的条件下,将运行指标的实际值控制在目标范围内,即:
rjmin<rj<rjmax,j=1,2,3,4 (1)
其中,rj(j=1,…,4)为本示例确定的运行指标,r1表示反映产品质量的工艺参数,r2表示反映生产效率的工艺参数,r3表示反映能耗的工艺参数,r4表示反映物耗的工艺参数,[rjmax,rjmin]表示运行指标的目标值范围。
尽可能提高反映产品质量与生产效率的运行指标,即:
maxrj,j=1,2 (2)
尽可能降低反映产品在复杂工业过程中的能耗和物耗的运行指标,即:
minrj,j=3,4 (3)
进一步地,人工在复杂工业运行决策过程中的决策行为可以看作是变比例控制,即根据运行指标实际值与目标值的误差变比例反馈控制技术和上下游工业过程对复杂工业运行决策过程影响变量的大数据变比例前馈控制技术,给出运行决策值。因此,所述运行决策过程的动态模型可以建模如下:
其中,为运行指标实际值与目标值的误差,xl(k)=[x1(k),x2(k),...,xn2(k)]T为上下游工业过程对复杂工业运行决策过程影响变量的大数据,Kpi(k)为预设定变比例参数,Kfi(k)为前馈补偿变比例参数。
在具体实施中,基于所述复杂工业运行决策过程的运行指标实际值控制在预设目标区间,将所述运行决策过程数字孪生模型建模为线性模型和非线性模型的组合。由于所述运行决策过程数字孪生模型不仅考虑了运行决策值对运行指标实际值的影响,还考虑了非线性因素对运行指标实际值的影响,因此能够进一步提高运行决策模型输出的运行决策值的准确度,从而能够进一步提高对整个复杂工业过程的运行决策的准确度,以进一步保障复杂工业过程的运行指标实际值达到目标值。
作为一具体示例,参照图3所示的一种复杂工业过程的运行决策过程示意图,通过运行决策过程分析,在人工运行决策行为分析考虑影响因素的基础上建立运行指标动态模型如下:
rj(k)=g(rj(k-1),...,y(k),...,xl(k),...,ε)j=1,2,3,4 (5)
其中,ε为未知干扰,g(·)是模型结构和系统阶次未知的复杂动态系统,而且输入输出因果关系不清。
由于运行决策的作用,运行指标实际值在目标值范围内波动,因此可以将运行决策过程数字孪生模型描述下式所示,采用未知非线性项表示被控对象的建模误差,未知非线性和未知干扰等不确定性。
其中,rj(k)为运行指标实际值,为运行决策值,xl(k)为上下游工业过程对复杂工业运行决策过程影响变量的大数据,ζj(k)为未知非线性项,Aj(z-1)、Bj(z-1)和Dj(z-1)为关于Z-1的多项式。
在本说明书一些实施例中,对于步骤S3,作为一具体示例,根据式(4)和式(6),可以建立运行决策模型如下:
进一步地,可以将式(7)表示为:
其中
作为一可选示例,参照图4所示的一种长短周期记忆网络结构示意图,由于vi(k)是一个模型结构与系统阶次未知的非线性动态系统,因此可以采用长短周期记忆(LongShort Term Memory,LSTM)网络结构的深度学习模型和大数据,建立vi(k)的模型。参照式(7),对于输入层,知其输入变量为x(k)=[rj(k),xl(k)],k表示采集输入变量的当前时刻,m表示采集输入变量的中间某一时刻,t表示最早采集输入变量的时刻,α为注意力机制层计算后得到的矩阵,β为全连接层计算得到的矩阵。因此,可以将其作为单个神经网络的输入,神经元的个数n表示为系统的阶次,单个神经元的节点数h与网络层数L表示系统的结构。
在本说明书一些实施例中,对于步骤S3,参照图5所示的一种获取运行决策值,用于复杂工业过程的运行决策的步骤示意图,具体可以采用如下步骤:
步骤S31,将所述运行决策模型部署在预设的边侧控制系统,作为第一运行决策模型。
步骤S32,调用所述第一运行决策模型。
步骤S33,将所述运行指标目标值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输入所述第一运行决策模型,得到所述第一运行决策模型输出的第一运行决策值。
步骤S34,将所述第一运行决策值,用于复杂工业过程的运行决策。
采用上述实施例,通过将所述运行决策模型部署在预设的边侧控制系统,作为第一运行决策模型;进而调用所述第一运行决策模型,将所述运行指标目标值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输入所述第一运行决策模型,得到所述第一运行决策模型输出的第一运行决策值;继而将所述第一运行决策值,用于复杂工业过程的运行决策,不仅只需要占用较少的计算资源和运行带宽,而且可以实现根据模型的输入进行实时输出。
作为一可选示例,继续参照图5,对于步骤S3,还可以包括:
步骤S35,判断所述第一运行决策模型的精度是否满足预设的精度要求,在确定不满足所述精度要求时,执行步骤S46。
步骤S36,调整所述第一运行决策模型的模型参数,得到更新后的第一运行决策模型。
采用上述实施例,通过判断所述第一运行决策模型的精度是否满足预设的精度要求,在确定不满足所述精度要求时,调整所述第一运行决策模型的模型参数,得到更新后的第一运行决策模型,可以进一步提高第一运行决策模型输出的第一运行决策值的准确度,从而可以进一步提高对整个复杂工业过程的运行决策的准确度。
作为一可选示例,继续参照图5,对于步骤S3,还可以包括:
步骤S37,将所述运行指标目标值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输入更新后的第一运行决策模型,重新计算第一运行决策值。
步骤S38,将重新计算后的第一运行决策值,用于复杂工业过程的运行决策。
作为一具体示例,可以采用如下步骤判断所述第一运行决策模型的精度是否满足预设的精度要求:
在预设的云侧控制系统部署两个所述运行决策模型,作为第二运行决策模型和第三运行决策模型;
调用所述第二运行决策模型和第三运行决策模型;
将复杂工业运行决策过程的运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输入所述第二运行决策模型,得到所述第二运行决策模型输出的第二运行决策值;
将复杂工业运行决策过程的运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输入所述第三运行决策模型,得到所述第三运行决策模型输出的第三运行决策值;
基于所述第二运行决策值和所述第三运行决策值,比较所述第二运行决策模型和所述第三运行决策模型的精度,在满足预设条件时,则确定所述第一运行决策模型的精度不满足所述预设的精度要求。
作为一具体示例,所述预设条件可以是预先设置的阈值,所述阈值可以根据实际应用场景进行调整。
采用上述实施例,不仅可以客观准确地判断所述第一运行决策模型的精度是否满足预设的精度要求,而且易于实施。
作为一可选示例,对于步骤S36,可以采用如下步骤调整所述第一运行决策模型的模型参数:
获取所述第二运行决策模型的模型参数,所述第二运行决策模型的模型参数处于实时更新状态。
作为一可选示例,可以获取所述第二运行决策模型的权重参数与偏置参数。
将所述第一运行决策模型的模型参数调整为所述第二运行决策模型的模型参数,得到更新后的第一运行决策模型。
采用上述实施例,通过获取所述第二运行决策模型的模型参数,将第一运行决策模型的模型参数调整为精度更高的第二运行决策模型的模型参数,可以进一步提高第一运行决策模型输出的第一运行决策值的准确度,从而可以对整个复杂工业过程进行准确的运行决策。
作为一可选示例,所述第一运行决策模型在线实时决策,所述第二运行决策模型在线实时训练。
采用上述实施例,一方面,在线实时决策只需要占用较少的计算资源和运行带宽,可以将所述第一运行决策模型部署在边缘计算设备上,以实现根据模型的输入进行实时输出;另一方面,可以将所述第二运行决策模型部署在云计算设备上,从而有足够的计算资源和存储空间,对所述第二运行决策模型进行在线实时训练,以实现根据模型的输入对模型参数进行实时调整。
作为一可选示例,可以采用如下步骤对第二运行决策模型进行实时更新:
步骤A,实时获取所述运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据与其对应的运行决策实际值。
步骤B,将实时获取的运行指标实际值、上下游工业过程对复杂工业运行决策过程影响变量的大数据以及与其对应的运行决策实际值作为训练数据,以降低第二运行决策模型针对所述运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输出的第二运行决策值与运行决策实际值的误差为训练目标,对所述第二运行决策模型的模型参数进行实时调整。
具体而言,采用当前时刻及历史时刻的运行指标实际值、上下游工业过程对复杂工业运行决策过程影响变量的大数据以及与其对应的运行决策实际值作为训练数据,其中以运行指标实际值、上下游工业过程对复杂工业运行决策过程影响变量的大数据作为特征,以运行决策实际值作为标签,对所述第二运行决策模型的模型参数进行实时调整,使第二运行决策模型的输出与运行决策实际值一致。
为便于实施,本说明书实施例还提供一种复杂工业过程的运行决策智能系统,可以执行前述任一项复杂工业过程的运行决策智能方法的实施例,参照图6所示的一种复杂工业过程的运行决策智能系统的结构示意图,运行决策智能系统T包括:端侧控制系统T1和边缘侧控制系统T2,其中:
所述端侧控制系统T1,适于获取复杂工业运行决策过程的运行指标目标值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据;以及控制复杂工业运行决策过程的运行;
所述边缘侧控制系统T2,适于运行第一运行决策模型,获取第一运行决策值。
采用上述实施例,通过端侧控制系统获取复杂工业运行决策过程的运行指标目标值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据,进而通过边缘侧控制系统运行第一运行决策模型,直接获取第一运行决策值,能够对整个复杂工业过程进行准确的运行决策,以保障复杂工业过程的运行指标实际值达到目标值。
作为一可选示例,所述复杂工业过程的运行决策智能系统T还可以包括云侧控制系统T3,其中:
所述边缘侧控制系统T1,还适于判断所述第一运行决策模型的精度是否满足预设的精度要求,在确定不满足所述精度要求时,调整所述第一运行决策模型的模型参数,得到更新后的第一运行决策模型;
所述端侧控制系统T2,还适于获取复杂工业运行决策过程的运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据;
所述云侧控制系统T3,适于运行第二运行决策模型,获取第二运行决策值;运行第三运行决策模型,获取第三运行决策值;以及将实时获取的运行指标实际值、上下游工业过程对复杂工业运行决策过程影响变量的大数据以及与其对应的运行决策实际值作为训练数据,以降低第二运行决策模型针对所述运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输出的第二运行决策值与运行决策实际值的误差为训练目标,对所述第二运行决策模型的模型参数进行实时调整。
作为一具体示例,参照图7所示的一种复杂工业过程的运行决策智能系统的具体结构示意图,包括:端侧控制系统,边缘侧控制系统和云侧控制系统,其中:
端侧控制系统由比例积分微分(Proportion Integration Differentiation,PID)控制系统和边缘控制系统组成。
PID控制系统由执行PID控制算法的PLC控制系统和复杂工业过程组成。PLC控制系统实现PID控制器对运行过程回路控制的闭环控制,使运行控制系统输出的运行控制实际值跟踪运行决策值。
边缘控制系统由数据采集与传输装置和运行决策值智能控制模型组成。运行决策值智能控制模型产生运行决策值。数据采集与传输装置通过交换机、防火墙和无线网络(例如5G)将运行控制过程的输入输出等大数据传输到云侧控制系统,将运行决策值智能控制模型产生的运行决策值传输到端侧控制系统的PID控制系统,PID控制系统的输出跟踪所述运行决策值,对复杂工业过程的运行进行优化,以使得复杂工业运行决策过程的运行指标的实际值达到目标值。
在具体实施中,端侧控制系统由PLC控制系统与复杂工业过程进行连接,用于现场的回路控制以及过程数据的交互。
其中,边缘控制系统可以部署在工业服务器中,使用TCP/IP协议通过交换机与PLC控制系统进行连接,用于进行数据采集与传输,同时还运行运行决策值智能控制模型,将输出的运行决策值传输至PLC控制系统中,完成现场的智能运行决策。
云侧控制系统由数据服务器与人工智能计算平台和运行决策模型系统软件组成,其中运行决策模型系统软件包括:运行第二运行决策模型的模块,运行第三运行决策模型的模块,运行第二模型评价的模块和运行自校正机制的模块。以实际运行决策过程的运行指标的实际值、上下游工业过程输出变量作为第二运行决策模型的输入,以运行决策过程的运行决策控制实际值作为输出。第二模型评价使第二运行决策模型的输出与运行控制实际值完全一致。自校正机制与第二模型评价使第二运行决策模型与第一运行决策模型完全一致。
在具体实施中,云侧控制系统可以在工业大数据服务器中建立数据库,用于存储由端侧工业服务器传输的运行过程数据,数据中存在异常数据采用数据滤波由人工智能计算平台对数据进行处理,人工智能计算平台运行智能运行第二运行决策模型,实现基于大数据的第二运行决策模型参数更新校正并将模型参数下发至边缘侧控制系统。
边缘侧控制系统由边缘系统和边缘设定值智能控制软件组成,所述边缘系统包括:运行第一运行决策模型的模块,运行第一模型评价的模块,运行模型参数自校正的模块和运行边设定值智能控制模型的模块。模型参数自校正与第二模型评价使第一运行决策模型和边设定值智能控制模型采用同样输入,模型输出一致,并使边设定值智能控制模型与端侧控制系统中运行的运行决策值智能控制模型完全一致。
在具体实施中,边缘系统可以部署在工业服务器中,用于运行第一运行决策模型,模型参数都由第二运行决策模型进行下发,同时系统还对第二运行决策模型和第一运行决策模型进行运行效果评价,当边缘系统中第一运行决策模型效果评价满足预设的精度要求时,第二运行决策模型的模型参数不进行下发,当第一运行决策模型效果评价不满足预设的精度要求时,第二运行决策模型的模型参数下发到现场边缘控制系统中,再由边缘控制系统运行后输出控制系统设定决策值传输到PLC控制系统中,经PLC控制系统作用后,在保证现场稳定运行的情况下,提高复杂工业过程的效率,降低能耗。各个设备通过工业交换机、现场总线等通讯设备进行连接,实现数据的互联互通。
采用上述控制系统,可以自动获取复杂工业运行决策过程的运行决策值,并且所述运行决策值可以对整个复杂工业过程进行准确的运行决策,以保障复杂工业运行决策过程的运行指标实际值达到目标值。此外,所述控制系统可以独立于复杂工业过程现场的控制系统,便于快捷部署,不会引发生产安全问题。
为使本领域技术人员更好地理解和实施本说明书实施例中的复杂工业过程的运行控制方法、系统,以下结合一具体应用场景详细说明所述运行决策智能系统的运行流程。
本实施例选取高压辊磨磨矿过程作为具体应用场景,辊磨能耗与辊磨效率会受到其它过程变量干扰以及操作员对控制系统设定决策值不及时等原因造成的影响,导致辊磨能耗升高,辊磨效率降低。
针对上述复杂工业过程,本说明书实施例提供一种具体应用场景下的复杂工业过程的运行决策智能系统,所述控制方法由图7所示的运行决策智能系统运行,具体结构参照上述实施例中对图7所示的运行决策智能系统的描述,此处不再赘述;当所述决策智能系统运行时,包括以下流程:
步骤1,端侧控制系统中的边缘系统通过工业服务器采集一次高压辊磨磨矿过程数据。
在具体实施中,所述高压辊磨磨矿过程数据可以包括皮带机电流值,皮带机称重值,振动给料机频率以及启停信号,料仓料位值,阀门开度值,高频筛电流值。
步骤2,将采集的高压辊磨磨矿过程数据通过5G网络模块送入云侧控制系统的工业大数据存储服务器中并将数据存入服务器内部设备的MySQL数据库。
在具体实施中,各部分数据传输可以采用TCP/IP协议,将包括皮带机电流值,皮带机称重值,振动给料机频率以及启停信号,料仓料位值,阀门开度值,高频筛电流值等数据存储在云端工业大数据存储服务器中的MySQL数据库中。
步骤3,人工智能计算平台对大数据存储服务器中的数据进行滤波处理,建立模型可用的数据集。
在具体实施中,对数据进行滤波处理的方法可以包括一阶惯性滤波、均值滤波、滑动滤波和3σ原则处理异常值。
步骤4,人工智能计算平台基于工业大数据存储服务器中的大量现场数据对第二运行决策模型进行训练,同时还进行模型参数校正。
其中,可以采用线性模型和非线性模型组合来描述高压辊磨磨矿过程的运行控制过程;线性模型参数初值由最小二乘辨识算法辨识给出,线性模型如式(9)所示:
式中表示x1(k),x2(k)…x10(k),r31(k),r32(k)对高压辊磨磨矿过程的运行控制过程的影响以及建模误差和未知干扰。
采用最小二乘算法离线辨识模型参数aij和bil,得其估计值和/>则式(9)可表示为:
其中,
其中,vi(k)=fi(r1,r2,r3,x1,…,x10,r31,r32),fi(·)是模型结构与系统阶次未知的非线性动态系统。因此,采用图4所示的长短周期记忆网络结构的深度学习模型,以vi(k)的输入变量作为单个神经元的输入,即X(k)=[r1(k),r2(k),r3(k),x1(k),…,x10(k),r31(k),r32(k)],采用自适应深度学习训练方法和大数据,确定神经元个数n,单个神经元的节点数h,网络层数L。
当边缘侧的第一运行决策模型的精度低于第二运行决策模型精度时,模型输出值与真实值的平均绝对误差θ1(k)>δ利用自校正机制对模型参数进行更新,其中,
θ1(k)=|r(k)-r0(k)-v(k)| (12)
r(k)为k时刻现场运行指标的实际值;r0(k)为k时刻线性模型输出值;v(k)为k时刻非线性模型的输出值。
步骤5,边缘系统运行受自校正机制校正下的第一运行决策模型,同时还运行第一模型评价算法,对第二运行决策模型与第一运行决策模型的效果进行评价,最终决定最优第一运行决策模型的模型参数。
步骤6,边缘系统效果好的第一运行决策模型参数通过5G网络终端发送至端侧控制系统的边缘控制系统中,再由边缘控制系统运行后输出控制系统设定决策值传输到PLC控制系统中,经PLC控制系统作用后,在保证现场稳定运行的情况下,提高辊磨效率,降低辊磨能耗。
在具体实施中,可以通过引入评价指标对运行控制效果进行对比:
均方根误差(Mean Square Error,MSE):在对应时刻的运行指标的实际值与目标值之差的平方和的均值;
误差绝对值积分(IAE):在对应时刻的运行指标实际值与目标值之差的绝对值超出允许范围的超出值之和。
性能评价如表1所示,从评价指标上看MSE分别下降了84.50%,76.85%,48.60%,IAE下降了81.52%,77.22%,27.35%,从运行指标上看辊磨效率提高4.5%,辊磨电耗降低约13.4%,综合以上指标,系统效果有明显提升。
表1复杂工业过程的运行决策智能系统性能评价表
需要说明的是,本说明书实施例中的术语“第一”、“第二”等对不同运行决策模型、运行决策值的限定仅用于区别描述,并不用于对其具体内容、结构或数值作任何限定。
虽然本说明书实施例披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (12)
1.一种复杂工业过程的运行决策智能方法,其特征在于,包括:
基于复杂工业运行决策过程中人的决策行为分析,建立运行决策过程的动态模型;
基于复杂工业运行决策过程的运行指标实际值,运行决策值,以及影响复杂工业运行决策过程的上下游工业过程变量的大数据,建立运行决策过程数字孪生模型;
基于所述运行决策过程的动态模型以及所述运行决策过程数字孪生模型,建立运行决策模型,用于复杂工业过程的运行决策。
2.根据权利要求1所述的方法,其特征在于,所述基于复杂工业运行决策过程中人的决策行为分析,建立运行决策过程的动态模型,包括:
将所述基于复杂工业运行决策过程中人的决策行为分析,量化为基于复杂工业运行决策过程的运行指标实际值与运行指标目标值的误差的变比例反馈控制,以及基于上下游工业过程对复杂工业运行决策过程影响的变量的变比例前馈控制;
基于所述变比例反馈控制以及所述变比例前馈控制,建立所述运行决策过程的动态模型。
3.根据权利要求2所述的方法,其特征在于,所述建立运行决策过程数字孪生模型包括:
基于所述复杂工业运行决策过程的运行指标实际值控制在预设目标区间,将所述运行决策过程数字孪生模型建模为线性模型和非线性模型的组合。
4.根据权利要求3所述的方法,其特征在于,所述基于所述运行决策过程的动态模型以及所述运行决策过程数字孪生模型,建立运行决策模型,用于复杂工业过程的运行决策,包括:
将所述运行决策模型部署在预设的边侧控制系统,作为第一运行决策模型;
调用所述第一运行决策模型;
将所述运行指标目标值以及影响复杂工业运行决策过程的上下游工业过程变量的大数据输入所述第一运行决策模型,得到所述第一运行决策模型输出的第一运行决策值;
将所述第一运行决策值,用于复杂工业过程的运行决策。
5.根据权利要求4所述的方法,其特征在于,还包括:
判断所述第一运行决策模型的精度是否满足预设的精度要求,在确定不满足所述精度要求时,调整所述第一运行决策模型的模型参数,得到更新后的第一运行决策模型。
6.根据权利要求5所述的方法,其特征在于,所述判断所述第一运行决策模型的精度是否满足预设的精度要求,包括:
在预设的云侧控制系统部署两个所述运行决策模型,作为第二运行决策模型和第三运行决策模型;
调用所述第二运行决策模型和第三运行决策模型;
将复杂工业运行决策过程的运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输入所述第二运行决策模型,得到所述第二运行决策模型输出的第二运行决策值;
将复杂工业运行决策过程的运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输入所述第三运行决策模型,得到所述第三运行决策模型输出的第三运行决策值;
基于所述第二运行决策值和所述第三运行决策值,比较所述第二运行决策模型和所述第三运行决策模型的精度,在满足预设条件时,则确定所述第一运行决策模型的精度不满足所述预设的精度要求。
7.根据权利要求6所述的方法,其特征在于,所述在确定不满足所述精度要求时,调整所述第一运行决策模型的模型参数,得到更新后的第一运行决策模型,包括:
获取所述第二运行决策模型的模型参数,所述第二运行决策模型的模型参数处于实时更新状态;
将所述第一运行决策模型的模型参数调整为所述第二运行决策模型的模型参数,得到更新后的第一运行决策模型。
8.根据权利要求7所述的方法,其特征在于,所述第一运行决策模型在线实时决策,所述第二运行决策模型在线实时训练。
9.根据权利要求6所述的方法,其特征在于,还包括:
实时获取所述运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据与其对应的运行决策实际值;
将实时获取的运行指标实际值、上下游工业过程对复杂工业运行决策过程影响变量的大数据以及与其对应的运行指标实际值作为训练数据,以降低第二运行决策模型针对所述运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输出的第二运行决策值与运行指标实际值的误差为训练目标,对所述第二运行决策模型的模型参数进行实时调整。
10.根据权利要求5所述的方法,其特征在于,还包括:
如果第一运行决策模型更新,将所述运行指标目标值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输入更新后的第一运行决策模型,重新计算第一运行决策值;
所述获取运行决策值,用于复杂工业过程的运行决策,包括:
将重新计算后的第一运行决策值,用于复杂工业过程的运行决策。
11.一种复杂工业过程的运行决策智能系统,其特征在于,所述运行决策智能系统适于执行权利要求1-10任一项所述的复杂工业过程的运行决策智能方法;所述运行决策智能系统包括:端侧控制系统和边缘侧控制系统,其中:
所述端侧控制系统,适于获取复杂工业运行决策过程的运行指标目标值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据;以及控制复杂工业运行决策过程的运行;
所述边缘侧控制系统,适于运行第一运行决策模型,获取第一运行决策值。
12.根据权利要求11所述的系统,其特征在于,还包括:云侧控制系统;
所述边缘侧控制系统,还适于判断所述第一运行决策模型的精度是否满足预设的精度要求,在确定不满足所述精度要求时,调整所述第一运行决策模型的模型参数,得到更新后的第一运行决策模型;
所述端侧控制系统,还适于获取复杂工业运行决策过程的运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据;
所述云侧控制系统,适于运行第二运行决策模型,获取第二运行决策值;运行第三运行决策模型,获取第三运行决策值;以及将实时获取的运行指标实际值、上下游工业过程对复杂工业运行决策过程影响变量的大数据以及与其对应的运行指标实际值作为训练数据,以降低第二运行决策模型针对所述运行指标实际值以及上下游工业过程对复杂工业运行决策过程影响变量的大数据输出的第二运行决策值与运行指标实际值的误差为训练目标,对所述第二运行决策模型的模型参数进行实时调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310981536.5A CN117452885A (zh) | 2023-08-06 | 2023-08-06 | 复杂工业过程的运行决策智能方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310981536.5A CN117452885A (zh) | 2023-08-06 | 2023-08-06 | 复杂工业过程的运行决策智能方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117452885A true CN117452885A (zh) | 2024-01-26 |
Family
ID=89595477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310981536.5A Pending CN117452885A (zh) | 2023-08-06 | 2023-08-06 | 复杂工业过程的运行决策智能方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117452885A (zh) |
-
2023
- 2023-08-06 CN CN202310981536.5A patent/CN117452885A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102014102665B4 (de) | Verbesserte Kalman-Filter in Prozesssteuerungssystemen | |
Jiang et al. | Tracking control for linear discrete-time networked control systems with unknown dynamics and dropout | |
DE102006045429B4 (de) | Adaptive, Modellprädiktive Online-Steuerung in einem Prozesssteuerungssystem | |
DE112005003076B4 (de) | Verfahren zur Steuerung einer industriellen Automationsvorrichtung oder eines Prozesses | |
DE112015003733T5 (de) | Modellprädiktive Regelung unter Verwendung drahtloser Prozesssignale | |
JP5697899B2 (ja) | 連続的にスケジュールされるモデルパラメータに基づく適応制御装置 | |
EP1021752B1 (en) | Model-free adaptive process control | |
DE102014102660A1 (de) | Benutzung von Prädiktoren in Prozesssteuerungssystemen mit drahtlosen oder intermittierenden Prozessmessungen | |
DE102006049832A1 (de) | Nichtperiodische Steuerungskommunikationen in drahtlosen und anderen Prozesssteuerungssystemen | |
CN110202768B (zh) | 一种注塑机料筒温度控制方法 | |
DE102013100434A1 (de) | Kompensieren von Sollwertänderungen in einer nicht-periodisch aktualisierten Steuereinrichtung | |
CN112424702B (zh) | 过程控制器及其方法和系统 | |
Liu | Tracking control of multi-agent systems using a networked predictive PID tracking scheme | |
CN108628270B (zh) | 一种基于plc远程监控终端的优化网络控制装置与方法 | |
Zhao et al. | Adaptive neural network control for a class of discrete-time nonlinear interconnected systems with unknown dead-zone | |
CN117452885A (zh) | 复杂工业过程的运行决策智能方法及系统 | |
Lindemann et al. | Adaptive Quality Control for discrete large-scale Manufacturing Systems subjected to Disturbances | |
CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
Ament et al. | A process oriented approach to automated quality control | |
CN111538232A (zh) | 基于自适应神经模糊控制的无人行车防摇定位方法及系统 | |
CN106950821A (zh) | 在非周期性更新的控制器中基于速度的控制 | |
Hajebi et al. | Online adaptive fuzzy logic controller using neural network for Networked Control Systems | |
CN112799367A (zh) | 一种基于工业互联网云平台的智能控制系统及方法 | |
DE112015001348T5 (de) | Reduzierung von Controller-Aktualisierungen in einem Regelkreis | |
US11467543B2 (en) | Process controller design with process approximation and lambda tuning |
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 |