TWI719302B - 將機器學習整合至控制系統 - Google Patents
將機器學習整合至控制系統 Download PDFInfo
- Publication number
- TWI719302B TWI719302B TW107114323A TW107114323A TWI719302B TW I719302 B TWI719302 B TW I719302B TW 107114323 A TW107114323 A TW 107114323A TW 107114323 A TW107114323 A TW 107114323A TW I719302 B TWI719302 B TW I719302B
- Authority
- TW
- Taiwan
- Prior art keywords
- controllable
- facility
- machine learning
- controllable facility
- setting board
- Prior art date
Links
Images
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
- G05B19/18—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
- G05B19/4155—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 programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G05B2219/40—Robotics, robotics mapping to robotics vision
- G05B2219/40499—Reinforcement learning algorithm
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本文中揭示用於在控制系統內實施機器學習之方法、系統、裝置及電腦程式產品。可自一機器學習系統接收一工業設施設定板且可做出關於是否採用該工業設施設定板中之設定之一判定。機器學習模型可係例如已使用強化學習訓練以預測經預測以最佳化一資料中心之一效率之一資料設定板之一神經網路,例如,一深度神經網路。
Description
[0001]本說明書係關於將機器學習整合至控制系統。 一機器學習模型接收輸入且基於其經接收輸入及模型參數之值而產生輸出。 神經網路係採用一或多個非線性單元層以預測一經接收輸入之一輸出之機器學習模型。除了一輸出層之外,一些神經網路亦包含一或多個隱藏層。各隱藏層之輸出被用作至網路中之下一層(即,下一隱藏層或輸出層)之輸入。網路之各層根據一各自參數集之當前值自一經接收輸入產生一輸出。 可使用強化學習訓練神經網路以產生預測輸出。一般言之,在一強化學習訓練技術中,一獎勵經接收且用於調整神經網路之參數之值。 舉例而言,使用強化學習訓練之一神經網路可提出一工業設施(諸如資料中心,其係保持用於大量資料之遠端儲存、處理或分佈之電腦伺服器之一設施)之設定。
本說明書大體上描述用於機器學習系統之技術,且具體言之係關於用於使用一機器學習系統直接控制工業設施之實體基礎設施之系統及方法。 一般言之,本說明書中描述之標的物之一個新穎態樣可體現於使用機器學習來控制工業設施之實體基礎設施之一方法中。 此態樣之其他實施例包含對應電腦系統、裝置及記錄在一或多個電腦儲存器件上之電腦程式,其等各經組態以執行方法之動作。針對經組態以執行特定操作之一或多個電腦之一系統意謂該系統已在其上安裝在操作中引起系統執行操作或動作之軟體、韌體、硬體或其等之一組合。針對經組態以執行特定操作或動作之一或多個電腦程式意謂該一或多個程式包含當藉由資料處理裝置執行時引起該裝置執行操作或動作之指令。 前述及其他實施例可各視情況單獨包含以下特徵之一或多者或包含其等之組合。特定言之,一項實施例包含全部以下特徵之組合。 一例示性方法包含自一機器學習系統接收該機器學習系統預測將最佳化一工業設施之一效率之一工業設施設定板(slate),其中該工業設施設定板定義複數個工業設施控制項之各者之一各自設定;判定由該工業設施設定板定義之該等工業設施設定是否可由該工業設施安全地採用(例如,若採用由一預測模型預測之該等設定,則該工業設施是否將根據判定該工業設施之一安全環境之預定準則操作);及回應於判定由該工業設施設定板定義之該等工業設施設定可安全地採用,採用由該工業設施設定板定義之該等工業設施設定。 此處,術語「最佳化」用於意謂關於一效率準則改良工業設施之效率。「效率最佳化」不一定暗示由工業設施設定板定義之設定係關於設定之全部可能值提供絕對最大效率之設定,而係該術語可意謂根據效率準則,針對工業設施設定板之效率大於針對至少一個其他可能工業設施設定板之效率。特定言之,術語「效率最佳化」可意謂工業設施設定板提供根據效率準則不小於已針對複數個其他可能工業設施設定板導出之各自效率之一效率。 術語「工業設施」可被定義為一實體(「實體基礎設施」),其包括經配置以作用於(例如,產生、修改或重新配置)以下之任何一或多者之一或多個實體單元(例如,機器、電腦設備或其他設備):(i)資料;(ii)至少一個通信信號;(iii)至少一個電力信號;及/或(iv)複數個實體元件。工業設施可係用於針對通常不具有工業設施之所有權之大量(例如,至少100個,且通常數千個)個人產生資料/信號/實體元件。工業設施控制項可包括修改實體單元之實體操作之控制參數及/或用於修改用於維持實體單元之操作狀態之額外設備(例如,冷卻設備)之操作之控制參數。實體單元可定位於一個地理位置中(例如,一個建築物內)但可替代地在地理上分佈。「工業設施」可(例如)係一資料中心,且(若干)實體單元可包括用於處理由資料中心接收之資料以自經接收資料產生自資料中心傳輸之經修改資料之(若干)伺服器。替代地,「工業設施」可係一製造或分佈中心,且(若干)實體單元可包括作用於實體元件以修改其等及/或組裝其等及/或將其等分佈至工業設定外部之位置之裝置。替代地,「工業設施」可係用於產生一電信信號(例如,其係廣播或多播)之一站,或用於產生一電力信號之一發電設施或其中檢查及/或修改實體元件以產生資料之一實驗室。 一第二實施例可係執行例示性方法之各自操作之一控制器。 該第二實施例可表達為一系統,其包括: 一或多個電腦;及 一或多個儲存器件,其或其等儲存當在一或多個電腦上執行時可操作以引起該一或多個電腦執行以下操作之指令: 自一機器學習系統接收該機器學習系統預測將最佳化一工業設施之一效率之一工業設施設定板,其中該工業設施設定板定義複數個工業設施控制項之各者之一各自設定; 判定由該工業設施設定板定義之該等工業設施設定是否可由該工業設施安全地採用;及 回應於判定由該工業設施設定板定義之該等工業設施設定可安全地採用,採用由該工業設施設定板定義之該等工業設施設定。 該第二實施例亦可表達為包括(例如,儲存於媒體上之)指令之一電腦程式產品(例如,一或多個非暫時性電腦可讀儲存媒體),該等指令可由一處理器件執行且在此執行之後引起該處理器件執行以下操作: 自一機器學習系統接收該機器學習系統預測將最佳化一工業設施之一效率之一工業設施設定板,其中該工業設施設定板定義複數個工業設施控制項之各者之一各自設定; 判定由該工業設施設定板定義之該等工業設施設定是否可由該工業設施安全地採用;及 回應於判定由該工業設施設定板定義之該等工業設施設定可安全地採用,採用由該工業設施設定板定義之該等工業設施設定。 該第二實施例亦可表達為一種用於控制一工業設施中之實體基礎設施之器件,該器件包括: 一控制器,其執行以下各自操作: 自一機器學習系統接收該機器學習系統預測將最佳化一工業設施之一效率之一工業設施設定板,其中該工業設施設定板定義複數個工業設施控制項之各者之一各自設定; 判定由該工業設施設定板定義之該等工業設施設定是否可由該工業設施安全地採用;及 回應於判定由該工業設施設定板定義之該等工業設施設定可安全地採用,採用由該工業設施設定板定義之該等工業設施設定。 一第三實施例可係一種系統,其包括:一機器學習系統,其接收特性化一工業設施之一狀態之一狀態資料且預測將最佳化該工業設施之一效率之一工業設施設定板,其中該工業設施設定板定義複數個工業設施控制項之各者之一各自設定;一控制器,其判定由該工業設施設定板定義之該等工業設施設定是否可由該工業設施採用,且回應於判定由該工業設施設定板定義之該等工業設施設定可安全地採用而採用由該工業設施設定板定義之該等工業設施設定;及一代理(proxy),其促進該機器學習系統與該控制器之間之一通信路徑(例如,使該通信路徑可行)。 該代理可包括實體組件(例如,至一通信網路之一實體介面)及/或一通信協定。 回應於判定該等工業設施設定無法由該工業設施安全地採用,可採用由一預設控制系統提供之設定用於該工業設施。 該預設控制系統可係一基於規則之控制系統。判定由該工業設施設定板定義之該等工業設施設定是否可安全地採用可包含判定由該工業設施設定板定義之該等工業設施設定之各者是否落在該設定之一可接受範圍內。 判定由該工業設施設定板定義之該等工業設施設定是否可安全地採用可包含判定自該機器學習系統接收之預測是否已變得不穩定。 判定自該機器學習系統接收之預測是否已變得不穩定可包含針對該等工業設施控制項之各者判定針對該控制項之最近預測設定之一改變速率是否已滿足一臨限值。術語「最近預測」可係指在進行判定之前小於一特定(例如,預定義)時段產生之設定。 判定自該機器學習系統接收之預測是否已變得不穩定可包含針對該等工業設施控制項之各者判定針對該工業設施控制項之最近預測設定之一變動是否已滿足一臨限值。 在採用該等工業設施設定之前,可接收特性化該工業設施之當前狀態之狀態資料。可進行一判定以使用該狀態資料判定由該工業設施設定板定義之該等工業設施設定是否可安全地採用。該判定可包含判定該工業設施之該當前狀態是否適合於採用該等工業設施設定。 判定該工業設施之該當前狀態是否適合於採用該等工業設施設定可包含判定在該狀態資料中識別之任何感測器讀數是否落在該感測器之一(例如,預定)可接受範圍之外。 可判定超過一臨限時間量未自該機器學習系統接收通信且作為回應,可使用該工業設施之該預設控制系統控制該工業設施。 在該等工業設施設定已被採用以用於產生一新預測資料設定板之後可將特性化該工業設施之一經更新狀態之狀態資料發送至該機器學習系統。 該機器學習系統可包含作為一神經網路之一機器學習模型。該機器學習模型可係一深度神經網路。可使用強化學習基於該工業設施之該效率之量測訓練該神經網路。 本說明書中描述之標的物可在特定實施例中實施以便實現一或多個以下優點。 一機器學習系統可能夠自動選擇工業設施中之資源之設定值以最佳化電力使用效率、機器健康、中央處理單元利用率及熱邊限(thermal margin)同時確保該工業設施可安全地採用設定。該系統可不需要使用者輸入或使用預測安全、有利設定之一機器學習模型之廣泛測試的情況下選擇該等設定。 在隨附圖式及下文描述中闡述本說明書之標的物之一或多項實施例之細節。將自描述、圖式及發明申請專利範圍明白標的物之其他特徵、態樣及優點。
相關申請案之交叉參考
本申請案主張2017年4月26日申請之美國申請案第62/490,544號之申請日期之權利。先前申請案之揭示內容被視為本申請案之揭示內容之部分且以引用的方式併入本申請案之揭示內容中。 本說明書大體上描述與一機器學習系統整合之一控制系統,該控制系統提供對工業設施基礎設施之直接控制以改良工業設施效率。舉例而言,一機器學習系統可選擇工業設施中之資源之設定值,該等設定值最佳化電力使用效率、機器健康、中央處理單元利用率及熱邊限等之任何一或多者。設定值可最佳化設施之全部或僅設施之指定部分(例如,設施中之機器之一子集)之效率。 在一工業設施中,硬體(例如,機械及電設備)及軟體(例如,控制策略及設定點)之許多可能組合促成工業設施效率。舉例而言,工業設施環境中之能量使用之一個主要來源係冷卻。工業設施產生熱,必須移除熱以保持伺服器運行。冷卻通常由大工業設備(諸如泵、冷卻機及冷卻塔)完成。 然而,對一冷通道溫度設定點之一簡單改變將產生工業設施(例如,冷卻機、冷卻塔、熱交換器及泵)之冷卻基礎設施中之負載變動。此等負載變動引起設備效率之非線性改變。工業設施設備、設備操作及工業設施環境當中之可能操作組態及各種回饋迴路之數目使得難以最佳化能量效率。鑑於時間約束、工業設施感測器資訊及天氣條件之頻繁波動及維持一穩定工業設施環境之需要,測試各及每一特徵組合以最大化工業設施效率不可行。用於預測模型化之傳統工程公式通常產生大誤差,此係因為其等未能擷取工業設施中之系統之複雜互相依賴性。 [0003]一機器學習系統接收特性化一工業設施之當前狀態之狀態資料且將經更新工業設施設定提供至管理工業設施之設定之一控制系統。機器學習系統可係(例如)諸如在2017年1月19日申請之標題為OPTIMIZING DATA CENTER CONTROLS USING NEURAL NETWORKS之美國專利申請案第15/410,547號中描述之機器學習系統之一機器學習系統,該案之全部內容藉此以引用的方式併入本文中。 圖1展示一例示性效率管理系統100。效率管理系統100係實施為可實施下文描述之系統、組件及技術之一或多個位置中之一或多個電腦上之電腦程式之一系統之一實例。 效率管理系統100接收特性化一資料中心(或其他工業設施) 104之當前狀態之狀態資料140且將經更新設定120提供至管理資料中心104之設定之一控制系統102。 效率管理系統100可接受表示資料中心(或其他工業設施) 104之當前狀態之狀態資料140作為輸入。此狀態資料可來自資料中心104中之感測器之感測器讀數及資料中心104內之操作情境。狀態資料可包含諸如溫度、電力、泵速及設定點之任何一或多者之資料。 效率管理系統100使用此資料來判定應在資料中心104中改變以便使資料中心104更有效之資料中心設定120。 一旦效率管理系統100判定將使資料中心104更有效之資料中心設定120,效率管理系統100便將經更新資料中心設定120提供至控制系統102。控制系統102使用經更新資料中心設定120來設定用於控制資料中心之一或多個資料中心值(控制值)。舉例而言,若效率管理系統100判定應在資料中心104中開啟一額外冷卻塔,則效率管理系統100可將經更新資料中心設定120提供至更新設定之一使用者或至在無使用者互動之情況下自動採用設定之控制系統102。控制系統102可將信號發送至資料中心以增加在資料中心104中通電且起作用之冷卻塔之數目。 效率管理系統100可使用一模型訓練子系統160訓練機器學習模型132A至132N之一總體(ensemble)以預測在採用特定資料中心設定之情況下資料中心104之資源效率。在一些情況中,效率管理系統100可訓練一單一機器學習模型以預測在採用特定資料中心設定之情況下資料中心之資源效率。 特定言之,總體中之各機器學習模型132A至132N係透過訓練組態以接收特性化資料中心104之當前狀態之一狀態輸入及定義可能的資料中心設定之一組合之一資料中心設定板且處理狀態輸入及資料中心設定板以產生特性化在採用由資料中心設定板定義之資料中心設定之情況下資料中心之一預測資源效率之一效率分數。 在一些實施方案中,效率分數表示在一特定板之設定由資料中心104採用之情況下資料中心之一預測電力使用效率(PUE)。PUE被定義為總建築物能量使用對資訊技術能量使用之比率。 在一些實施方案中,效率分數表示在一特定板之設定由資料中心104採用之情況下資料中心之一預測用水量。在其他實施方案中,效率分數表示花費在電力上之一預測資金量。在其他實施方案中,效率分數表示可由一資料中心達成之一預測負載量。 在一些實施方案中,各機器學習模型(132A至132N)係效率管理系統100可訓練以產生一效率分數之一神經網路,例如,一深度神經網路。 神經網路係採用一或多個模型層以產生一經接收輸入之一輸出(例如,一或多個分類)之機器學習模型。除了一輸出層之外,深度神經網路亦包含一或多個隱藏層。各隱藏層之輸出被用作至網路中之下一層(即,下一隱藏層或輸出層)之輸入。神經網路之各層根據該層之一各自參數集之當前值自一經接收輸入產生一輸出。 模型訓練子系統160使用來自一資料中心104之歷史資料以產生來自資料中心之感測器資料之不同資料集。可對歷史感測器資料之一個資料集訓練機器學習模型之總體中之各機器學習模型132A至132N。 效率管理系統100可使用模型訓練子系統160訓練約束機器學習模型112A至112N之額外總體以預測在資料中心104採用某些資料中心設定102之情況下資料中心之對應於一操作約束之一操作性質。 若效率管理系統100判定一約束模型預測一給定資料中心設定之值將違反資料中心之一約束,則效率管理系統將摒棄違反設定。 各約束模型112A至112N係經訓練以預測在資料中心採用一給定輸入設定之情況下在一時間段內資料中心之一操作性質之某些值之一機器學習模型,(例如)一深度神經網路。舉例而言,模型訓練子系統160可訓練一個約束模型以預測在給定輸入狀態資料140及潛在設定之情況下在下一個小時內資料中心之未來水溫。模型訓練子系統120可訓練另一約束模型以預測在給定狀態資料140及潛在設定之情況下在下一個小時內之水壓。 效率管理系統100內之一設定板管理子系統110預處理狀態資料140且建構表示在給定資料中心104之已知操作條件及當前狀態之情況下可針對資料中心之各種部分設定之一或多個(通常複數個)資料中心設定值之一設定板集。各設定板定義影響資料中心104之效率之可能資料中心設定之一各自組合。 舉例而言,效率管理系統100可判定針對資料中心104之一冷卻系統之最具資源效率設定。冷卻系統可具有以下架構:(1)伺服器加熱伺服器樓層上之空氣;(2)空氣循環且將熱傳送至處理水系統;(3)處理水系統循環且使用一熱同步連接至冷凝水系統;及(4)冷凝水系統自處理水系統獲取熱且使用冷卻塔或大風扇將其傳送至外部空氣。 為了有效地控制冷卻系統,效率管理系統100可建構不同潛在設定板,該等潛在設定板包含冷卻塔設定點之各種溫度、冷卻塔旁通閥位置、冷卻單元冷凝水泵速、運行之冷卻單元之一數目及/或處理水壓差設定點。作為一實例,一個設定板可包含以下值:作為冷卻塔設定點之溫度之68度、作為冷卻塔旁通閥位置之27度、作為冷卻單元冷凝水泵速之500 rpm及作為運行之冷卻單元之數目之10。 影響資料中心104之效率之板設定之其他實例包含:跨資料中心之各種部分之潛在電力使用;跨資料中心之某些溫度設定;一給定水壓;特定風扇或泵速;及運行資料中心設備(諸如冷卻塔及水泵)之一數目及類型。 在預處理期間,設定板管理子系統110可修改狀態資料140。舉例而言,其可移除無效電力使用效率內之資料、使用一給定資料設定之一平均值替換該資料設定之遺失資料及/或移除資料設定之一百分比。設定板管理系統110離散化全部動作維度且產生可能動作組合之一非窮舉集。針對任何連續動作維度,系統將動作轉換為可能值之一離散集。舉例而言,若動作維度之一者係具有自0.0至1.0之一值之一值,則系統可將值離散化至集[0.0, 0.05, 0.1, 0.15,…, 1.0]。系統可針對各維度離散化,且完全動作集係值之每一可能組合。系統接著移除違反約束模型之全部動作。 設定板管理子系統110將經建構設定板集及資料中心104之當前狀態發送至約束模型112A至112N。設定板管理子系統接著判定某些資料中心設定板若由系統選擇是否被預測導致資料中心之操作約束之違反。設定板管理子系統100自設定板集移除經預測違反資料中心之約束之任何資料中心設定板。 效率管理系統100將經更新設定板集及狀態資料140發送至使用狀態資料及設定板來產生效率分數作為輸出之機器學習模型132A至132N之總體。 由於在模型132A至132N之總體中之各機器學習模型係對與其他模型不同之一資料集訓練,故當總體中之全部機器學習模型係使用相同資料中心設定值作為輸入運行時,各模型具有提供一不同經預測PUE輸出之可能性。另外或替代地,各機器學習模型可具有亦可引起各模型潛在地提供一不同經預測PUE輸出之一不同架構。 效率管理系統100可選擇關注於資料中心之長期效率之資料中心設定值。舉例而言,一些資料中心設定值提供資料中心之長期電力使用效率,(例如)確保在資料中心處於由狀態輸入特性化之狀態中之後,資料中心中之電力使用在一長預定時間內有效。長期電力使用效率可針對自資料中心處於輸入狀態之時間起之至少10分鐘(諸如30分鐘、1小時或更長)之持續時間,而短期電力使用效率關注於資料中心處於輸入狀態之後之一短時間(例如,小於10分鐘),(例如)緊接在資料中心處於輸入狀態之後5秒。 系統可針對長期效率最佳化機器學習模型,使得模型可基於資料中心之動態而進行預測且較不可能提供在短期內產生良好結果但在長期內效率不佳之板設定之推薦。舉例而言,系統可預測下一天之PUE,假定每小時將持續採取最佳動作。系統可接著採取其知道將導致整個資料之最佳PUE之動作,即使針對一給定小時之PUE比前一小時差。 效率管理系統100基於模型之總體中之各機器學習模型針對一給定設定板之效率分數而判定一給定設定板之最終效率分數以產生每一設定板之一個整體效率分數。 效率管理系統100接著基於自機器學習模型132A至132N指派至各板之效率分數推薦或選擇資料中心設定之新值。效率管理系統可將推薦發送給一資料中心操作者以供實施(例如,藉由在一使用者電腦上呈現給資料中心操作者)或自動設定而不需要發送給一資料中心操作者。 在一些實施方案中,機器學習系統可係一基於雲端之人工智能系統。機器學習系統與控制系統之間可存在一代理,該代理容許控制系統(例如)經由一電信系統與基於雲端之AI通信。代理將經推薦工業設施設定自機器學習系統發送至控制系統。代理可使用一通信協定(諸如Modbus)以促進通信。 在某些情況中,使用由圖1之機器學習系統產生之預測可導致資料中心中之不穩定性或危險條件。在此等情況中,應使用一控制系統以判定可由資料中心或工業設施採用而不引起資料中心或工業設施環境變得危險或不穩定之安全設定。 圖2展示此一控制系統202之一實例。控制系統202係實施為可實施下文描述之系統、組件及技術之一或多個位置中之一或多個電腦上之電腦程式之一系統之一實例。 控制系統202接收描述工業設施204之狀態資料240。狀態資料240可來自工業設施204中之感測器之感測器讀數及工業設施204內之操作情境。狀態資料可包含諸如溫度、電力、泵速及設定點之之資料。如圖2中繪示,控制系統在工業設施204內。然而,在一些實施方案中,控制系統可與工業設施204分離且藉由一代理或某一其他通信機構與工業設施通信。 控制系統202可將狀態資料240發送至機器學習系統200。系統202自一機器學習系統200接收經提出之工業設施設定220及視情況一心跳信號260。工業設施設定220係機器學習系統200判定將使工業設施204在機器學習系統已經訓練以最佳化之一或多個度量方面更有效之設定。設定可呈定義工業設施控制設定之各者之一設定值之一設定板之形式。 舉例而言,設定可係針對工業設施204之一冷卻系統,如上文類似地描述。冷卻系統可具有以下架構:(1)伺服器加熱伺服器樓層上之空氣;(2)空氣循環且將熱傳送至處理水系統;(3)處理水系統循環且使用一熱同步連接至冷凝水系統;及(4)水冷凝水系統自處理水系統獲取熱且使用冷卻塔或大風扇將其傳送至外部空氣。設定可包含冷卻塔設定點之各種溫度、冷卻塔旁通閥位置、冷卻單元冷凝水泵速、運行之冷卻單元之一數目及/或處理水壓差設定點。 可在包含以下項之若干成本函數之一者方面量測效率:最佳化電力使用效率、機器健康、中央處理單元利用率及熱邊限。心跳信號260驗證控制系統202與機器學習系統200之即時資料網路之間之通信。 控制系統202可使用來自機器學習系統200之經更新工業設施設定220以設定工業設施204值。舉例而言,若機器學習系統200判定應在工業設施204中開啟一額外冷卻塔,則機器學習系統200可將經更新工業設施設定220提供至控制系統202。如圖2中繪示,控制系統202與機器學習系統200直接通信。然而,在一些實施方案中,控制系統透過一代理或某一其他通信機構與機器學習系統通信。 控制系統202之控制器222判定設定在無使用者互動202之情況下之自動採用是否安全。若設定之採用安全,則控制系統202將工業設施204之控制項設定為設定225,該等設定225與控制系統202自機器學習系統200接收之工業設施設定220相同。舉例而言,控制項可係可電子組態且(例如)透過一有線或無線連接通信地耦合至控制系統202。控制系統202可接著發送引起控制項被設定為與工業設施設定220相同之設定225之一信號。 在此實例中,若控制系統202判定設定之採用安全,則控制系統202可將信號發送至工業設施204以增加在工業設施204中通電且起作用之冷卻塔之數目。 然而,若控制器222判定自機器學習系統200接收之設定之採用不安全,則控制系統202可將工業設施保持於最新已知良好工業設施設定且開始採用由一預設控制系統232針對工業設施204提供之設定。控制器接著將預設控制系統232設定發送至工業設施204作為工業設施設定225。 圖3繪示藉由控制器222關於是否使用來自機器學習系統200之工業設施設定或使用來自一預設控制系統之預設控制及設定之判定之一例示性流程圖。在一些情況中,預設控制系統使用規則及啟發法以設定工業設施值,即,其中預設控制系統選擇設定之方式經硬編碼且不使用機器學習。 控制器222使用一或多個準則以判定是否使用來自機器學習系統之工業設施設定或使用預設控制及設定。控制器可檢查以查看是否已停用在使用機器學習系統工業設施設定與來自一預設控制系統之預設設定之間區分之一機器學習模式。機器學習模式可由一工業設施操作者手動地停用或由機器學習系統透過一模式設定停用。若已停用機器學習模式,則控制器將進入預設模式且使用預設控制系統以設定工業設施設定。當在工業設施中存在設備故障時,控制器亦將進入預設模式且使用預設控制系統設定。若控制器與其他控制器或設備之間之通信丟失,則控制器亦可恢復至預設控制。 當控制器222處於機器學習模式時,控制器可判定由機器學習系統提出之工業設施設定在工業設施中實施是否安全。 如圖3中繪示,一例示性控制器222自機器學習系統接收工業設施設定220且自工業設施接收包含感測器資料345之狀態資料。控制器222亦可視情況自機器學習系統接收一心跳信號260。 控制器222判定工業設施是否可安全地採用由機器學習系統提出之工業設施設定302。控制器可藉由比較經接收工業設施設定中之各設定與已針對設定預定義之一可接受值或值之範圍而執行此判定。控制器判定各設定是否係一適當值或落在設定之可接受範圍內。若設定在可接受值或值之範圍內,則控制器判定工業設施可安全地採用由機器學習系統提出之設定。舉例而言,由機器學習系統提出之工業設施設定可包含指示應在工業設施中開啟一額外冷卻塔之一設定。在一給定時間在工業設施中開啟之冷卻塔之可接受數目可係10。若10個冷卻塔當前開啟,則指示應開啟一額外冷卻塔之設定將引起在一給定時間在工業設施中開啟11個冷卻塔。由於11大於經定義適當值10,故控制器判定工業設施無法安全地採用工業設施設定。 另外或替代地,在一些實施方案中,工業設施藉由判定自機器學習模型接收之預測是否已變得不穩定而判定由機器學習系統提出之工業設施設定之採用安全。舉例而言,穩定性可由一設定值之一改變速率或變動判定。若一工業設施設定改變及/或變動達至少一預定臨限值量,則設定值被視為不穩定。系統計算由機器學習系統針對設定之最近預測值之間之一改變速率或一變動。若改變速率或變動超過一經定義臨限值,則系統判定來自機器學習系統之針對設定值之預測已變得不穩定。 當判定工業設施設定不穩定時,控制器222可將工業設施保持於最新已知良好值且過渡至預設控制系統232之新工業設施設定。 控制器222可另外或替代地接收包含特性化工業設施之當前狀態之資料之狀態資料240且判定工業設施之當前狀態是否適合於採用由機器學習系統提出之工業設施設定。在一些情況中,鑑於工業設施之狀態,經提出工業設施設定之實施將不安全。可藉由判定在狀態資料中識別之任何感測器讀數是否落在感測器之一可接受值或一可接受範圍之外而進行此適合性判定。舉例而言,感測器讀數之一者可係在某一時點設施內之當前溫度。若當前溫度讀數超過一臨限值,則經提出工業設施被視為處於對於由機器學習系統直接控制而言不安全之狀態。因此,在採用工業設施設定之前,控制器將工業設施保持於最新已知良好值且過渡至預設控制系統之新工業設施設定。 控制器222可使用選用心跳信號260以判定控制器與機器學習系統之間是否存在通信。若判定超過一預定義時間臨限值量304未由控制器自機器學習系統接收通信,則控制器將使用工業設施之預設控制系統232控制該工業設施314且可停用機器學習控制模式312。 [0004]可在數位電子電路、有形體現之電腦軟體或韌體、電腦硬體中實施本說明書中描述之標的物及功能性操作之實施例,包含本說明書中揭示之結構及其等之結構等效物或其等之一或多者之組合。可將本說明書中描述之標的物之實施例實施為一或多個電腦程式,即,編碼於一有形非暫時性儲存媒體上以供資料處理裝置執行或控制資料處理裝置之操作之電腦程式指令之一或多個模組。電腦儲存媒體可係一電腦可讀儲存器件、一機器可讀儲存基板、一隨機或串列存取記憶體器件或其等之一或多者之一組合。替代地或另外,程式指令可編碼於一人工產生之傳播信號(例如,一機器產生之電信號、光學信號或電磁信號)上,該信號經產生以編碼用於傳輸至適合接收器裝置以供一資料處理裝置執行之資訊。 術語「資料處理裝置」係指資料處理硬體且涵蓋用於處理資料之全部種類之裝置、器件及機器,包含例如一可程式化處理器、一電腦,或多個處理器或電腦。裝置亦可係或進一步包含專用邏輯電路,例如,一FPGA (場可程式化閘陣列)或一ASIC (特定應用積體電路)。除了硬體之外,裝置亦可視情況包含針對電腦程式形成一執行環境之程式碼,例如,構成處理器韌體、一協定堆疊、一資料庫管理系統、一作業系統或其等之一或多者之一組合之程式碼。 一電腦程式(其亦可稱為或描述為一程式、軟體、一軟體應用程式、一應用程式(app)、一模組、一軟體模組、一指令碼或程式碼)可以任何形式之程式設計語言(包含編譯或解譯語言,或宣告或程序語言)編寫,且其可以任何形式部署,包含作為一獨立程式或作為一模組、組件、副常式或適用於一運算環境中之其他單元。一程式可(但無需)對應於一檔案系統中之一檔案。一程式可儲存於保存其他程式或資料(例如,儲存於一標記語言文件中之一或多個指令碼)之一檔案之一部分中,儲存於專用於所述程式之一單一檔案中,或儲存於多個協調檔案(例如,儲存一或多個模組、子程式或程式碼之部分之檔案)中。一電腦程式可經部署以在一個電腦上或在定位於一個位置或跨多個位置分佈且由一資料通信網路互連之多個電腦上執行。 本說明書中描述之程序及邏輯流程可由一或多個可程式化電腦執行,該一或多個可程式化電腦執行一或多個電腦程式以藉由操作輸入資料且產生輸出而執行功能。程序及邏輯流程亦可由專用邏輯電路(例如,一FPGA、一ASIC)或由專用邏輯電路及一或多個程式化電腦之一組合執行。 適於執行一電腦程式之電腦可基於通用或專用微處理器或兩者,或任何其他種類之中央處理單元。一般言之,一中央處理單元將自一唯讀記憶體或一隨機存取記憶體或兩者接收指令及資料。一電腦之主要元件係用於執行(performing或executing)指令之一中央處理單元及用於儲存指令及資料之一或多個記憶體器件。中央處理單元及記憶體可輔以專用邏輯電路或併入專用邏輯電路中。一般而言,一電腦亦將包含用於儲存資料之一或多個大容量儲存器件(例如,磁碟、磁光碟或光碟),或經可操作地耦合以自該一或多個大容量儲存器件接收資料或將資料傳送至該一或多個大容量儲存器件或兩者。然而,一電腦無需具有此等器件。再者,一電腦可嵌入於另一器件中,例如一行動電話、一個人數位助理(PDA)、一行動音訊或視訊播放器、一遊戲機、一全球定位系統(GPS)接收器或一可攜式儲存器件(例如,一通用串列匯流排(USB)隨身碟)等。 適於儲存電腦程式指令及資料之電腦可讀媒體包含全部形式之非揮發性記憶體、媒體及記憶體器件,包含例如:半導體記憶體器件,例如,EPROM、EEPROM及快閃記憶體器件;磁碟,例如,內部硬碟或可抽換式磁碟;磁光碟;及CD-ROM及DVD-ROM光碟。 為提供與一使用者之互動,本說明書中描述之標的物之實施例可實施於一電腦上,該電腦具有:用於將資訊顯示給使用者之一顯示器件,例如,一CRT (陰極射線管)或LCD (液晶顯示器)監視器;及一鍵盤及一指向器件,例如,一滑鼠或一軌跡球,藉由其等使用者可將輸入提供至電腦。亦可使用其他種類之器件來提供與一使用者之互動;例如,提供給使用者之回饋可為任何形式之感覺回饋,例如,視覺回饋、聽覺回饋或觸覺回饋;且可以任何形式接收來自使用者之輸入,包含聲音、語音或觸覺輸入。另外,一電腦可藉由將文件發送至由一使用者使用之一器件且自該器件接收文件而與使用者互動;例如,藉由回應於自一使用者之器件上之一網頁瀏覽器接收之請求而將網頁發送至該網頁瀏覽器。又,一電腦可藉由將文字訊息或其他形式之訊息發送至一個人器件(例如,一智慧型電話)、運行一訊息應用程式及繼而自使用者接收回應訊息而與一使用者互動。 本說明書中描述之標的物之實施例可實施於一運算系統中,該運算系統包含一後端組件(例如,作為一資料伺服器),或包含一中間體組件(例如,一應用程式伺服器),或包含一前端組件(例如,具有一圖形使用者介面、一網頁瀏覽器或一使用者可透過其與本說明書中描述之標的物之一實施方案互動之一應用程式之一用戶端電腦),或一或多個此等後端組件、中間體組件或前端組件之任何組合。系統之組件可由任何形式或媒體之數位資料通信(例如,一通信網路)互連。通信網路之實例包含一區域網路(LAN)及一廣域網路(WAN),例如,網際網路。 運算系統可包含用戶端及伺服器。一用戶端及伺服器通常彼此遠離且通常透過一通信網路互動。用戶端及伺服器之關係憑藉運行於各自電腦上且彼此具有一用戶端-伺服器關係之電腦程式而產生。在一些實施例中,一伺服器將資料(例如,一HTML頁)傳輸至一使用者器件(例如)用於將資料顯示給與充當一用戶端之器件互動之一使用者且自該使用者接收使用者輸入之目的。可在伺服器處自器件接收在使用者器件處例如,因使用者互動而產生之資料。 雖然本說明書含有許多具體實施方案細節,但不應將此等細節理解為對任何發明之範疇或可主張之內容之範疇之限制,而是應理解為可專屬於特定發明之特定實施例的特徵之描述。亦可在一單一實施例中組合實施本說明書中在各別實施例之內容背景中描述之特定特徵。相反地,亦可在多個實施例中單獨地或以任何適合子組合實施在一單一實施例之內容背景中描述之各種特徵。此外,儘管上文可將特徵描述為以特定組合作用且甚至最初如此主張,然在一些情況中,來自一所主張組合之一或多個特徵可自該組合去除,且該所主張組合可係關於一子組合或一子組合之變動。 類似地,雖然在圖式中以一特定順序描繪操作,但不應將此理解為要求依所展示之特定順序或依循序順序執行此等操作,或執行全部所繪示之操作以達成所要結果。在某些境況中,多重任務處理及並行處理可為有利的。再者,不應將上文描述之實施例中之各種系統模組及組件之分離理解為在全部實施例中皆要求此分離,且應將此理解為所描述之程式組件及系統通常可一起整合於一單一軟體產品中或封裝至多個軟體產品中。 已描述標的物之特定實施例。其他實施例係在以下發明申請專利範圍之範疇內。舉例而言,在發明申請專利範圍中敘述之動作可依一不同順序執行且仍達成所要結果。作為一個實例,附圖中描繪之程序不一定要求所展示之特定順序或循序順序以達成所要結果。在一些情況中,多重任務處理及並行處理可為有利的。
100‧‧‧效率管理系統102‧‧‧控制系統104‧‧‧資料中心110‧‧‧設定板管理子系統112A至112N‧‧‧約束機器學習模型120‧‧‧經更新設定/資料中心設定132A至132N‧‧‧機器學習模型140‧‧‧狀態資料160‧‧‧模型訓練子系統200‧‧‧機器學習系統202‧‧‧控制系統204‧‧‧工業設施220‧‧‧工業設施設定222‧‧‧控制器225‧‧‧設定232‧‧‧預設控制系統240‧‧‧狀態資料260‧‧‧心跳信號302‧‧‧步驟304‧‧‧步驟312‧‧‧步驟314‧‧‧步驟345‧‧‧感測器資料
[0002]圖1展示一例示性效率管理系統。 圖2展示具有機器學習整合之一控制系統之一實例。 圖3係用於控制工業設施設定之一例示性程序之一流程圖。 各種圖式中之相同元件符號及名稱指示相同元件。
100‧‧‧效率管理系統
102‧‧‧控制系統
104‧‧‧資料中心
110‧‧‧設定板管理子系統
112A至112N‧‧‧約束機器學習模型
120‧‧‧經更新設定/資料中心設定
132A至132N‧‧‧機器學習模型
140‧‧‧狀態資料
160‧‧‧模型訓練子系統
Claims (20)
- 一種用於控制一工業設施之方法,其包括:自一機器學習系統並由針對一可控制設施之一控制系統接收該機器學習系統預測將最佳化該可控制設施之一效率之一最佳可控制設施設定板,其中該最佳可控制設施設定板定義複數個可控制設施控制項之各者之一各自設定;由針對該可控制設施之該控制系統判定由該最佳可控制設施設定板定義之該等各自設定是否如由該機器學習系統所預測將導致該可控制設施中之不穩定條件;及回應於判定由該最佳可控制設施設定板定義之該等各自設定將不會導致該可控制設施中之不穩定條件,採用由該最佳可控制設施設定板定義之該等各自設定。
- 如請求項1之方法,其進一步包括:回應於判定該等各自設定將導致該可控制設施中之不穩定條件,採用由一預設控制系統針對該可控制設施提供之設定。
- 如請求項2之方法,其中該預設控制系統係一基於規則之控制系統。
- 如請求項1之方法,其中判定由該最佳可控制設施設定板定義之該等各自設定是否如由該機器學習系統所預測將導致該可控制設施中之不穩定條件包括: 判定由該最佳可控制設施設定板定義之該等各自設定之各者是否落在該各自設定之一可接受範圍內。
- 如請求項1之方法,其中判定由該最佳可控制設施設定板定義之該等各自設定是否如由該機器學習系統所預測將導致該可控制設施中之不穩定條件進一步包括:判定自該機器學習系統接收之預測是否已變得不穩定。
- 如請求項5之方法,其中判定自該機器學習系統接收之預測是否已變得不穩定包括:針對該等可控制設施控制項之各者判定針對該可控制設施控制項之最近預測設定之一改變速率是否已滿足一臨限值。
- 如請求項5之方法,其中判定自該機器學習系統接收之預測是否已變得不穩定包括:針對該等可控制設施控制項之各者判定針對該可控制設施控制項之最近預測設定之一變動是否已滿足一臨限值。
- 如請求項1之方法,其進一步包括:在採用該等各自設定之前,接收特性化該可控制設施之當前狀態之狀態資料;且其中判定由該最佳可控制設施設定板定義之該等各自設定是否將導致不穩定條件包括: 判定該可控制設施之該當前狀態是否適合於採用該等各自設定。
- 如請求項8之方法,其中判定該可控制設施之該當前狀態是否適合於採用該等各自設定包括:判定在該狀態資料中識別之任何感測器讀數是否落在該感測器之一可接受範圍之外。
- 如請求項1之方法,其進一步包括:判定超過一臨限時間量未自該機器學習系統接收通信;及作為回應,使用該可控制設施之一預設控制系統控制該可控制設施。
- 如請求項1之方法,其進一步包括:在該等各自設定已被採用以用於產生一新預測資料設定板之後將特性化該可控制設施之一經更新狀態之狀態資料發送至該機器學習系統。
- 如請求項1之方法,其中該機器學習系統包含作為一神經網路之一機器學習模型。
- 如請求項12之方法,其中該機器學習模型係一深度神經網路。
- 如請求項12之方法,其中已使用強化學習基於該可控制設施之該效 率之量測訓練該神經網路。
- 一種用於控制一工業設施之系統,其包括:一或多個電腦;及一或多個儲存器件,其或其等儲存當在一或多個電腦上執行時可操作以引起該一或多個電腦執行以下操作之指令:自一機器學習系統並由針對一可控制設施之一控制系統接收該機器學習系統預測將最佳化該可控制設施之一效率之一最佳可控制設施設定板,其中該最佳可控制設施設定板定義複數個可控制設施控制項之各者之一各自設定;由針對該可控制設施之該控制系統判定由該最佳可控制設施設定板定義之該等各自設定是否如由該機器學習系統所預測將導致該可控制設施中之不穩定條件;及回應於判定由該最佳可控制設施設定板定義之該等各自設定將不會導致該可控制設施中之不穩定條件,採用由該最佳可控制設施設定板定義之該等各自設定。
- 如請求項15之系統,該等操作進一步包括:回應於判定該等各自設定將導致該可控制設施中之不穩定條件,採用由一預設控制系統針對該可控制設施提供之設定。
- 如請求項15之系統,其中判定由該最佳可控制設施設定板定義之該等各自設定是否將導致該可控制設施中之不穩定條件包括: 判定自該機器學習系統接收之預測是否已變得不穩定。
- 一種包括指令之電腦程式產品,該等指令可由一處理器件執行且在此執行之後引起該處理器件執行以下操作:自一機器學習系統並由針對一可控制設施之一控制系統接收該機器學習系統預測將最佳化該可控制設施之一效率之一最佳可控制設施設定板,其中該最佳可控制設施設定板定義複數個可控制設施控制項之各者之一各自設定;由針對該可控制設施之該控制系統判定由該最佳可控制設施設定板定義之該等各自設定是否如由該機器學習系統所預測將導致該可控制設施中之不穩定條件;及回應於判定由該最佳可控制設施設定板定義之該等各自設定將不會導致該可控制設施中之不穩定條件,採用由該最佳可控制設施設定板定義之該等各自設定。
- 如請求項18之電腦程式產品,該等操作進一步包括:回應於判定該等各自設定無法由該可控制設施將導致該可控制設施中之不穩定條件,採用由一預設控制系統針對該最佳可控制設施提供之設定。
- 一種用於控制一可控制設施中之實體基礎設施之器件,該器件包括:一控制器,其執行以下各自操作: 自一機器學習系統並由針對該可控制設施之一控制系統接收該機器學習系統預測將最佳化該可控制設施之一效率之一最佳可控制設施設定板,其中該最佳可控制設施設定板定義複數個可控制設施控制項之各者之一各自設定;由針對該可控制設施之該控制系統判定由該最佳可控制設施設定板定義之該等各自設定是否如由該機器學習系統所預測將導致該可控制設施中之不穩定條件;及回應於判定由該最佳可控制設施設定板定義之該等各自設定將不會導致該可控制設施中之不穩定條件,採用由該最佳可控制設施設定板定義之該等各自設定。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762490544P | 2017-04-26 | 2017-04-26 | |
US62/490,544 | 2017-04-26 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201908991A TW201908991A (zh) | 2019-03-01 |
TWI719302B true TWI719302B (zh) | 2021-02-21 |
Family
ID=62599674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107114323A TWI719302B (zh) | 2017-04-26 | 2018-04-26 | 將機器學習整合至控制系統 |
Country Status (5)
Country | Link |
---|---|
US (2) | US20200050178A1 (zh) |
EP (1) | EP3616137A1 (zh) |
CN (1) | CN110326008A (zh) |
TW (1) | TWI719302B (zh) |
WO (1) | WO2018200845A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10838375B2 (en) | 2017-12-12 | 2020-11-17 | Distech Controls Inc. | Inference server and environment controller for inferring via a neural network one or more commands for controlling an appliance |
US10895853B2 (en) | 2017-12-12 | 2021-01-19 | Distech Controls Inc. | Inference server and environment controller for inferring one or more commands for controlling an appliance taking into account room characteristics |
US10845768B2 (en) | 2017-12-12 | 2020-11-24 | Distech Controls Inc. | Environment controller and method for inferring via a neural network one or more commands for controlling an appliance |
US10908561B2 (en) | 2017-12-12 | 2021-02-02 | Distech Controls Inc. | Environment controller and method for inferring one or more commands for controlling an appliance taking into account room characteristics |
US11204761B2 (en) * | 2018-12-03 | 2021-12-21 | International Business Machines Corporation | Data center including cognitive agents and related methods |
KR20210012730A (ko) | 2019-07-26 | 2021-02-03 | 삼성전자주식회사 | 인공지능 모델의 학습 방법 및 전자 장치 |
TWI728535B (zh) * | 2019-10-31 | 2021-05-21 | 國立勤益科技大學 | 監控系統與其方法 |
EP4150412A1 (en) * | 2020-06-15 | 2023-03-22 | Huawei Technologies Co., Ltd. | Method and system for a controller |
US11880173B2 (en) | 2020-08-17 | 2024-01-23 | 5G3I Ltd | Systems and methods for enhanced control of electronic circuits |
US11864359B2 (en) | 2020-08-27 | 2024-01-02 | Nvidia Corporation | Intelligent threshold leak remediaton of datacenter cooling systems |
US20230384764A1 (en) * | 2020-09-21 | 2023-11-30 | Siemens Aktiengesellschaft | A Controlling Method and Device for an Industrial Device |
AU2022253491A1 (en) * | 2021-04-08 | 2023-11-09 | Cdm Smith Inc. | Pumping efficiency apparatus and method |
US11844145B2 (en) * | 2021-06-09 | 2023-12-12 | Qualcomm Incorporated | User equipment signaling and capabilities to enable federated learning and switching between machine learning and non-machine learning related tasks |
EP4396634A1 (en) * | 2021-08-12 | 2024-07-10 | 5G3I Ltd | System and method for operating an electronic device |
CN115408150B (zh) * | 2022-06-15 | 2023-08-22 | 华为技术有限公司 | 算力度量方法、装置及相关设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090204267A1 (en) * | 2001-08-10 | 2009-08-13 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
US20100076607A1 (en) * | 2008-08-08 | 2010-03-25 | Osman Ahmed | Data center thermal performance optimization using distributed cooling systems |
TW201533396A (zh) * | 2014-02-18 | 2015-09-01 | Advanced Control & Systems Inc | 空調的最佳化控制方法以及相關的廠務空氣控制系統 |
US20160281607A1 (en) * | 2015-03-27 | 2016-09-29 | General Electric Company | Methods and systems for enhancing operation of power plant generating units and systems |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070000494A1 (en) * | 1999-06-30 | 2007-01-04 | Banner Michael J | Ventilator monitor system and method of using same |
US8914300B2 (en) * | 2001-08-10 | 2014-12-16 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
GB0127552D0 (en) * | 2001-11-16 | 2002-01-09 | Abb Ab | Analysing events |
US20080177994A1 (en) * | 2003-01-12 | 2008-07-24 | Yaron Mayer | System and method for improving the efficiency, comfort, and/or reliability in Operating Systems, such as for example Windows |
US7089220B2 (en) * | 2003-06-24 | 2006-08-08 | Palo Alto Research Center Incorporated | Complexity-directed cooperative problem solving |
US10463774B2 (en) * | 2007-02-27 | 2019-11-05 | Deka Products Limited Partnership | Control systems and methods for blood or fluid handling medical devices |
CN101470421B (zh) * | 2007-12-28 | 2012-01-11 | 中国科学院沈阳应用生态研究所 | 一种基于人工智能技术的植物生长室及其控制系统 |
CN102184746B (zh) * | 2010-12-31 | 2013-03-20 | 中国传媒大学 | 一种基于粒子群算法优化参数的存储性能测试系统及方法 |
CN102620378B (zh) * | 2011-01-27 | 2014-01-15 | 国际商业机器公司 | 数据中心节能控制方法和系统 |
US8849783B2 (en) * | 2011-09-30 | 2014-09-30 | Oracle International Corporation | Storage tape analytics user interface |
US9077208B2 (en) * | 2011-12-30 | 2015-07-07 | Schneider Electric USA, Inc. | Method of detecting instability in islanded electrical systems |
US20130191185A1 (en) * | 2012-01-24 | 2013-07-25 | Brian R. Galvin | System and method for conducting real-time and historical analysis of complex customer care processes |
WO2014116276A1 (en) * | 2013-01-24 | 2014-07-31 | Kantrack Llc | Individualized medicine system |
US10091276B2 (en) * | 2013-09-27 | 2018-10-02 | Transvoyant, Inc. | Computer-implemented systems and methods of analyzing data in an ad-hoc network for predictive decision-making |
CN106793894A (zh) * | 2014-05-01 | 2017-05-31 | 艾肯制造公司 | 用于分配可消耗液体的系统和方法 |
EP3146448A4 (en) * | 2014-05-22 | 2017-12-13 | The Bank Of New York Mellon | Liquidity forecasting and management system and method |
US10289962B2 (en) * | 2014-06-06 | 2019-05-14 | Google Llc | Training distilled machine learning models |
US9613523B2 (en) * | 2014-12-09 | 2017-04-04 | Unilectric, Llc | Integrated hazard risk management and mitigation system |
US10628733B2 (en) * | 2015-04-06 | 2020-04-21 | Deepmind Technologies Limited | Selecting reinforcement learning actions using goals and observations |
EP3278213A4 (en) * | 2015-06-05 | 2019-01-30 | C3 IoT, Inc. | SYSTEMS, METHODS AND DEVICES FOR AN APPLICATION DEVELOPMENT PLATFORM OF AN INTERNET OF THE THINGS OF A COMPANY |
AU2016297852C1 (en) * | 2015-07-24 | 2019-12-05 | Deepmind Technologies Limited | Continuous control with deep reinforcement learning |
US20170220974A1 (en) * | 2016-01-29 | 2017-08-03 | Sap Se | Resource optimization for production efficiency |
US10795337B2 (en) * | 2016-06-01 | 2020-10-06 | Incucomm, Inc. | Predictive and prescriptive analytics for systems under variable operations |
-
2018
- 2018-04-26 TW TW107114323A patent/TWI719302B/zh active
- 2018-04-26 CN CN201880013978.8A patent/CN110326008A/zh active Pending
- 2018-04-26 WO PCT/US2018/029611 patent/WO2018200845A1/en unknown
- 2018-04-26 EP EP18731233.5A patent/EP3616137A1/en active Pending
-
2019
- 2019-10-16 US US16/654,978 patent/US20200050178A1/en not_active Abandoned
-
2022
- 2022-02-25 US US17/681,652 patent/US11809164B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090204267A1 (en) * | 2001-08-10 | 2009-08-13 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
US20100076607A1 (en) * | 2008-08-08 | 2010-03-25 | Osman Ahmed | Data center thermal performance optimization using distributed cooling systems |
TW201533396A (zh) * | 2014-02-18 | 2015-09-01 | Advanced Control & Systems Inc | 空調的最佳化控制方法以及相關的廠務空氣控制系統 |
US20160281607A1 (en) * | 2015-03-27 | 2016-09-29 | General Electric Company | Methods and systems for enhancing operation of power plant generating units and systems |
Also Published As
Publication number | Publication date |
---|---|
EP3616137A1 (en) | 2020-03-04 |
US20200050178A1 (en) | 2020-02-13 |
WO2018200845A1 (en) | 2018-11-01 |
CN110326008A (zh) | 2019-10-11 |
US20220179401A1 (en) | 2022-06-09 |
TW201908991A (zh) | 2019-03-01 |
US11809164B2 (en) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI719302B (zh) | 將機器學習整合至控制系統 | |
US11836599B2 (en) | Optimizing data center controls using neural networks | |
US10747183B2 (en) | Systems and methods for agent interaction with building management system | |
US11231691B2 (en) | Systems and methods for agent interaction with building management system | |
US11226597B2 (en) | Systems and methods for interaction with a building management system | |
US20200356087A1 (en) | Model predictive maintenance system with event or condition based performance | |
Maasoumy et al. | Model predictive control approach to online computation of demand-side flexibility of commercial buildings hvac systems for supply following | |
US11573540B2 (en) | Methods and systems for training HVAC control using surrogate model | |
Chen et al. | Electric demand response management for distributed large-scale internet data centers | |
EP3655826A1 (en) | Systems and methods for agent based building simulation for optimal control | |
US11859847B2 (en) | Methods and systems for training building control using simulated and real experience data | |
Wang et al. | Event-driven optimal control of central air-conditioning systems: Event-space establishment | |
Williams et al. | On the use of thermal inertia in building stock to leverage decentralised demand side frequency regulation services | |
Zhang et al. | DRL-S: Toward safe real-world learning of dynamic thermal management in data center | |
CN116963461A (zh) | 一种机房空调的节能方法和装置 | |
US11687689B2 (en) | Capacity forecasting | |
Kamat et al. | On-line simulation of building energy processes: Need and research requirements | |
US20220083903A1 (en) | Load forecasting | |
US11735916B2 (en) | Autonomous electrical grid management | |
US20210216934A1 (en) | Managing flexible grid resources | |
Yu et al. | Decentralized optimization algorithm for parallel pumps in HVAC based on log-linear model | |
CA3195348A1 (en) | Capacity forecasting | |
WO2021095822A1 (ja) | プラント運転予測装置 | |
Wang et al. | Measuring the Variation of Function Invocation for Cold Start Optimization in Serverless Environments | |
Berger et al. | Machine Learning-Enhanced Operation of a Solar-Driven HVAC System: A Case Study. |