WO2020034092A1

WO2020034092A1 - 过程控制器及其方法和系统

Info

Publication number: WO2020034092A1
Application number: PCT/CN2018/100449
Authority: WO
Inventors: 牛铸; 闻博; 范顺杰
Original assignee: 西门子股份公司; 牛铸; 闻博; 范顺杰
Priority date: 2018-08-14
Filing date: 2018-08-14
Publication date: 2020-02-20
Also published as: US20210318661A1; EP3822715A1; CN112424702A; CN112424702B; EP3822715A4

Abstract

本申请提供了一种过程控制器，包括：深度神经网络，用于基于过程控制数据的特征信息，从过程控制数据存储设备中提取对于待控制的生产设备可用的过程控制数据，所述过程控制数据的特征信息至少包括生产设备特征参数和生产设备负荷；增强神经网络，用于基于过程控制预测模型，利用来自待控制的生产设备的实时过程控制数据来进行过程控制预测，其中，所述过程控制预测模型是使用所提取的可用过程控制数据来训练的；以及过程控制决策单元，用于基于过程控制预测的结果，确定针对所述待控制的生产设备的操作控制指令。利用该过程控制器，可以提高过程控制器的过程控制预测模型的预测准确性以及训练效率。

Description

过程控制器及其方法和系统

技术领域

本申请通常涉及过程控制领域，更具体地，涉及用于对至少一个生产站点中的生产设备进行过程控制的方法、过程控制器及其系统。

背景技术

预测控制器是过程控制中广为使用的控制方案，其被成功应用于许多工业应用中。在进行过程预测控制时，预测控制器利用过程模型，基于针对过程的预测值来采取控制动作。

然而，在一些实际过程自动化系统中，过程模型(例如，非线性模型)可能难以获得，并且比如原始材料变化、机器磨损等的因素趋于随时间漂移，从而造成失配问题。鉴于增强学习(reinforcement learning，RL)控制器在过程控制中具有出色的性能，比如免模型、自适应性和低在线复杂度等，并且RL控制器已经在智能控制中应用了很多年，在处理这些问题时，优选使用RL控制器。

RL控制器的控制策略是基于人工神经网络(artificial neural network，ANN)的。当面对足够多的数据流时，ANN中的代理将面对下述问题：它们必须从高维输入中导出环境的高效表示，并且使用这些表示来将过去的经验推广到新解决方案中。

在现有的RL控制器解决方案中，RL控制器中的ANN仅仅是利用来自自身站点(即，自身的自动化系统)中的数据存储设备的数据来训练的。不同自动化系统之间的在线数据交互通常非常难以实现，比如通过人工地拷贝历史数据来实现，更不用说在不同自动化系统之间进行实时在线数据交互。

随着各种云平台的发展，可以在云平台上实现越来越多的解决方案。由于云平台具有比如方便的信息交互、较低硬件成本、容易维护等特性，比如西门子的MindSphere的云平台成为了工业4.0中的重要组件。

近年来已经提出了基于ANN和云的预测解决方案。图1示出了一种基于ANN和云平台的预测解决方案的架构。如图1所示，首先，区域数据获取设备10，例如10-1、10-2和10-3，收集各个区域的现场数据，并且将该现场数据上传到数据交换平台20。然后，数据交换平台20对所收集的现场数据进行重组，并将重组后的现场数据提供给控制器中的ANN 30以用于ANN训练。训练好的ANN 40将负责执行性能和告警预测，该性能和告警预测结果将在云平台80中共享。

然而，在上述预测解决方案中，由于针对ANN的增强训练是仅仅基于自身站点的历史过程控制数据来进行的，过程控制器中的ANN在面对其之前从未遇到的情形时，难以给出控制策略。

而且，在上述预测解决方案中，具有ANN 30的控制器是在站点侧实现的硬件设备，其成本高并且不便于维护。另外，在上述预测解决方案中，数据是仅仅从边缘设备(Edge Device)传送到云平台，而不会从云平台返回到边缘设备，从而在该预测解决方案中不可能实现不同生产站点的生产设备中的控制器内的ANN之间的交互知识学习。

发明内容

鉴于上述，本申请提供了一种用于对至少一个生产站点中的生产设备进行过程控制的方法、过程控制器及其系统。利用该方法及过程控制器和系统，通过将各个生产站点处的自动化控制系统所采集的针对各个生产设备的过程控制数据发送到过程控制数据存储设备，并且针对每个待控制的生产设备，基于过程控制数据的特征信息，从一个过程控制数据存储设备中提取对于该待控制的生产设备可用的过程控制数据，并且使用该可用的过程控制数据来训练待控制的生产设备的过程控制预测模型，以及使用训练好的过程控制预测模型来预测待控制的生产设备的过程控制预测结果，然后基于该过程控制预测结果来确定针对该待控制的生产设备的操作控制指令，可以使得该过程控制器在面对其之前从未遇到的情形(例如，该情形在其它生产站点的生产设备处已经发生过)时，能够给出合适的控制策略。

根据本申请的一个方面，提供了一种过程控制器，包括：深度神经网络，其基于过程控制数据的特征信息，从一个过程控制数据库中提取对于待控制的生产设备可用的过程控制数据，其中所述过程控制数据库中存储至少一个生产设备的历史过程控制数据，所述过程控制数据的特征信息至少包括生产设备特征参数和生产设备负荷；增强神经网络，其基于一个过程控制预测模型，利用来自所述待控制的生产设备的实时过程控制数据来进行过程控制预测，其中，所述过程控制预测模型是使用所提取的可用过程控制数据来训练的；以及过程控制决策单元，其基于所述过程控制预测的结果，确定针对所述待控制的生产设备的操作控制指令。

可选地，在上述方面的一个示例中，所述深度神经网络包括：特征相似确定模块，其基于所述生产设备特征参数，确定与所述待控制的生产设备的生产设备特征参数相似的生产设备；以及负荷相似确定模块，其从所确定的特征参数相似的生产设备所产生的过程控制数据中提取出所具有的生产设备负荷与所述待控制的生产设备的生产设备负荷相似的过程控制数据，作为对于所述待控制的生产设备可用的过程控制数据。

可选地，在上述方面的一个示例中，所述深度神经网络还包括：获取模块，其获取所述待控制的生产设备的过程控制数据的特征信息。

可选地，在上述方面的一个示例中，所述过程控制器还可以包括：过程控制决策发送单元，其将所确定的针对所述待控制的生产设备的操作控制指令发送给所述待控制的生产设备的自动控制系统，以由所述自动控制系统来根据所述操作控制指令控制所述生产设备的操作。

可选地，在上述方面的一个示例中，所述过程控制数据可以包括：操作变量数据、被控变量数据和/或干扰变量数据。

可选地，在上述方面的一个示例中，所述过程控制数据的特征信息可以包括被控变量的被控范围，以及所述深度神经网络还可以包括：被控范围相似确定模块，其基于被控变量的被控范围，从所提取出的所具有的生产设备负荷与所述待控制的生产设备的生产设备负荷相似的过程控制数据中，提取出所具有的被控变量的被控范围与所述待控制的生产设备的过程控制数据的被控变量的被控范围匹配的过程控制数据。

可选地，在上述方面的一个示例中，所述过程控制数据的特征信息可以包括：过程控制数据的标准方差和变量耦合度，以及所述深度神经网络可以包括：正常工况数据确定模块，其基于所述过程控制数据的标准方差和变量耦合度，确定所述过程控制数据是否是正常工况数据；以及去除模块，其从所述过程控制数据中去除作为非正常工况数据的过程控制数据。

根据本申请的另一方面，提供了一种过程控制系统，包括：至少一个生产站点，其中每个生产站点包括生产设备和自动化控制系统，所述自动化控制系统用于控制对应生产设备的操作；至少一个如上所述的过程控制器；以及一个过程控制数据存储设备，用于存储至少一个生产设备的历史过程控制数据。

可选地，在上述方面的一个示例中，每个生产站点包括一个网络协议接口，其实现所述生产站点与所述过程控制器之间的通信以及所述生产站点与所述过程控制数据存储设备之间的通信。

可选地，在上述方面的一个示例中，所述过程控制器和所述过程控制数据存储设备设置在云端服务器中。

可选地，在上述方面的一个示例中，所述过程控制器被实现为应用程序模块。

根据本申请的另一方面，提供了一种用于对至少一个生产站点中的生产设备进行过程控制的方法，包括：基于过程控制数据的特征信息，从一个过程控制数据库中提取对于待控制的生产设备可用的过程控制数据，其中所述过程控制数据库中存储至少一个生产设备的历史过程控制数据，所述过程控制数据的特征信息至少包括生产设备特征参数和生产设备负荷；基于一个过程控制预测模型，利用来自所述待控制的生产设备的实时过程控制数据来进行过程控制预测，其中所述过程控制预测模型是使用所提取的可用过程控制数据来训练的；以及基于所述过程控制预测的结果，确定针对所述待控制的生产设备的操作控制指令。

可选地，在上述方面的一个示例中，基于过程控制数据的特征信息，从一个过程控制数据库中提取对于待控制的生产设备可用的过程控制数据可以包括：基于所述生产设备特征参数，确定与所述待控制的生产设备的生产设备特征参数相似的生产设备；以及从所确定的特征参数相似的生产设备所产生的过程控制数据中提取出所具有的生产设备负荷与所述待控制的生产设备的生产设备负荷相似的过程控制数据，作为对于所述待控制的生产设备可用的过程控制数据。

可选地，在上述方面的一个示例中，所述方法还可以包括：获取所述待控制的生产设备的过程控制数据的特征信息。

可选地，在上述方面的一个示例中，所述方法还可以包括：将所确定的针对所述待控制的生产设备的操作控制指令发送给所述待控制的生产设备的自动控制系统，以由所述自动控制系统来根据所述操作控制指令控制所述生产设备的操作。

可选地，在上述方面的一个示例中，所述过程控制数据的特征信息可以包括下述中的至少一种：被控变量的被控范围；标准方差；和变量耦合度。

根据本申请的另一方面，提供了一种计算设备，包括：至少一个处理器；以及与所述至少一个处理器耦合的存储器，用于存储指令，当所述指令被所述至少一个处理器执行时，使得所述处理器执行如上所述的用于对至少一个生产站点处的生产设备进行过程控制的方法。

根据本申请的另一方面，提供了一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的用于对至少一个生产站点处的生产设备进行过程控制的方法。

利用本申请中的方法及过程控制器和系统，通过将各个生产站点处的自动化控制系统所采集的针对各个生产设备的过程控制数据发送到过程控制数据存储设备，并且针对每个待控制的生产设备，基于过程控制数据的生产设备特征参数和生产设备负载，从过程控制数据存储设备中提取对于该待控制的生产设备可用的过程控制数据，并且使用所提取的可用过程控制数据来训练待控制的生产设备的过程控制预测模型，可以使得针对过程控制预测模型的训练所使用的数据更加可靠同时减少训练所使用的数据量，从而提高过程控制器的过程控制预测模型的预测准确性以及训练效率。

利用本申请中的方法及过程控制器和系统，通过基于过程控制数据的被控变量的被控范围来对所提取到的可用过程控制数据进行进一步的筛选处理，可以进一步提高针对过程控制预测模型的训练所使用的数据可靠性同时减少训练所使用的数据量，从而进一步提高过程控制器的过程控制预测模型的预测准确性以及训练效率。

利用本申请中的方法及过程控制器和系统，通过基于过程控制数据的标准方差和变量耦合度来对所提取到的可用过程控制数据进行进一步的筛选处理，可以进一步提高针对过程控制预测模型的训练所使用的数据可靠性并且大大地减少训练所使用的数据量，从而进一步提高过程控制器的过程控制预测模型的预测准确性以及训练效率。

附图说明

通过参照下面的附图，可以实现对于本公开内容的本质和优点的进一步理解。在附图中，类似组件或特征可以具有相同的附图标记。

图1示出了基于人工神经网络和云平台的预测解决方案的架构的方框图；

图2示出了根据本申请的第一实施例的用于对至少一个生产站点的生产设备进行过程控制的系统的方框图；

图3示出了图2中的过程控制器的示例的结构方框图；

图4示出了图3中的深度神经网络的示例的结构方框图；

图5示出了根据本申请的第二实施例的用于对至少一个生产站点的生产设备进行过程控制的系统的方框图；

图6示出了图5中的过程控制器的示例的结构方框图；

图7示出了图6中的深度神经网络的示例的结构方框图；

图8示出了根据本申请的第三实施例的用于对至少一个生产站点的生产设备进行过程控制的方法的流程图；

图9示出了根据本申请的第三实施例的用于从过程数据库中提取针对待控制的生产设备可用的过程控制数据的过程的一个示例的流程图；

图10示出了根据本申请的第三实施例的用于从过程数据库中提取针对待控制的生产设备可用的过程控制数据的过程的一个示例的流程图；和

图11示出了根据本申请的用于对至少一个生产站点的生产设备进行过程控制的计算设备的方框图。

附图标记

10-1，10-2，10-3 区域数据获取设备

20 数据交换平台

30 ANN

40-1，40-2，40-3 区域预测结果

50-1，50-2，50-3 决策模块

60-1，60-2，60-3 区域管理器

70 云平台管理器

80 云平台

1，1’ 过程控制系统

100 生产站点

110-1，110-2，110-3 生产设备

120-1，120-2，120-3 自动化系统

130-1，130-2，130-3 网关

200-1，201-2，201-3 过程控制器

200’ 过程控制器

300 过程控制数据存储设备

210，210’ 深度神经网络

220 增强神经网络

230 过程控制决策单元

240 过程控制决策发送单元

211 特征相似确定模块

213 负荷相似确定模块

215 被控范围相似确定模块

217 正常工况数据确定模块

218 去除模块

219 获取模块

810 基于过程控制数据的特征信息，从过程控制数据库中提取对于待控制的生产设备可用的过程控制数据

830 使用所提取的可用过程控制数据来训练过程控制预测模型

850 基于所训练的过程控制预测模型，利用来自所述待控制的生产设备的实时过程控制数据进行过程控制预测

870 基于过程控制预测的结果，确定针对待控制的生产设备的操作控制指令

890 将所确定的针对待控制的生产设备的操作控制指令发送给该生产设备的自动化控制系统

805 获取待控制的生产设备的过程控制数据的特征信息

811 基于生产设备特征参数，确定与待控制的生产设备具有相似生产设备特征参数的生产设备

813 从所确定的生产设备特征参数相似的生产设备所产生的过程控制数据中提取出所具有的生产设备负荷与待控制的生产设备的生产设备负荷相似的过程控制数据

815 基于被控变量的被控范围，提取出所具有的被控变量的被控范围与所述待控制的生产设备的过程控制数据的被控变量的被控范围匹配的过程控制数据

817 基于过程控制数据的标准方差和变量耦合度，确定过程控制数据是否是正常工况数据

819 从过程控制数据中去除被确定为非正常工况数据的过程控制数据

1100 计算设备

1110 至少一个处理器

1120 存储器

具体实施方式

现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。例如，所描述的方法可以按照与所描述的顺序不同的顺序来执行，以及各个步骤可以被添加、省略或者组合。另外，相对一些示例所描述的特征在其它例子中也可以进行组合。

如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。

图2示出了根据本申请的第一实施例的用于对至少一个生产站点的生产设备进行过程控制的系统1(下文中称为过程控制系统)的方框图。

如图2所示，过程控制系统1包括一个或多个生产站点100(例如，100-1、100-2、100-3)、过程控制器200和过程控制数据存储设备300。在图2中示出的系统1中包括多个过程控制200-1、200-2和200-3，每个过程控制器对应一个生产站点100-1，100-2或100-3。

每个生产站点100可以包括生产设备110(例如，图2中示出的110-1，110-2和110-3)。在本申请中，生产设备110指的是现场用于生产加工的设备，比如数控机床、伺服电机等。

每个生产站点100还可以包括自动化控制系统120(例如，图2中示出的120-1，120-2和120-3)。自动化控制系统120是指用于对生产设备进行自动控制的软件系统或硬件系统。在本申请中，自动化控制系统120的示例例如可以是分散式控制系统(Distributed Control System，DCS)或者可编程逻辑控制器(Programmable Logic Controller，PLC)。自动化控制系统120用于采集各自所对应的生产设备的过程控制数据，并且将所采集的生产设备的过程控制数据发送给各自对应的过程控制器200-1、200-2、200-3和过程控制数据存储设备300。在本申请的一个示例中，由于自动化控制系统采集信息可能是基于不同协议的，优选地，每个生产站点100还可以包括网络协议接口130，比如网关130(Gateway)(例如，图2中示出的130-1，130-2和130-3)，用于实现两个高层协议之间的网络互连。换言之，各个网关130用于实现对应的生产站点 100与过程控制器200之间的通信以及对应的生产站点100与过程控制数据存储设备300之间的通信。

过程控制数据存储设备300用于从各个生产站点100接收该自动化控制系统120所采集的各个生产设备110的过程控制数据，并且将所接收的各个生产设备的过程控制数据作为历史过程控制数据进行存储。其中该过程控制数据存储设备300可以是一个数据中心、一个服务器或者是一个或多个云，特别是工业云。

在本申请中，过程控制数据可以包括操作变量数据、被控变量数据以及干扰变量数据。操作变量指的是在过程控制中可以直接对其进行调节的变量。操作变量的调节值会直接影响被控变量。被控变量指的是需要被调节至指定数值或区域的变量。干扰变量指的是那些不可控并且会对被控变量产生影响的变量。在本申请中，过程控制器200实时监测上述三个变量的取值，并且使用上述三个变量的历史变化趋势来预测出被控变量的未来趋势，并且根据该未来变化趋势来给出操作变量的调节值，从而保持被控变量的稳定。

在本申请中，过程控制数据还可以包括过程控制数据的特征信息，该特征信息用于表征该过程控制数据所具有的特征，比如，产生该过程控制数据的生产设备的特征信息，该过程控制数据自身的特征信息等。在本申请中，过程控制数据的特征信息至少包括生产设备特征参数和生产设备负荷。这里，生产设备特征参数是指产生该过程控制数据的生产设备的特征参数，所述特征参数例如是生产工艺、产能、产量、过程参数范围等。生产设备负荷是指该过程控制数据的生产设备的负荷信息。

可选地，过程控制数据的特征信息还可以包括被控变量的被控范围。例如，假设过程控制数据中的被控变量是温度变量，则该被控变量的被控范围是指温度的被控范围，即，温度会被控制在什么温度范围区间内。可选地，过程控制数据的特征信息还可以包括过程控制数据的标准方差和/或变量耦合度。这里，标准方差用于指示统计组内数据的离散程度。变量耦合度用于指示各个变量之间相互影响的程度。在本申请中，可以基于标准方差和/或变量耦合度来确定该过程控制数据是否属于正常工况数据。例如，如果标准方差较大，说明数据的离散度高，反应出生产设备可能处于波动状态，从而该数据不合适用于校正。如果存在两个操作变量和两个被控变量，他们之间的耦合度较高，也就是说，每个操作变量变化的时候都会同时影响两个被控变量，那么在这两个操作变量同时变化的时候，由于无法分辨当前被控变量受到的影响到底是谁造成的，因此该数据就不可用于校正。

在本实施例中，各个过程控制器200能够用于从对应的生产站点的自动化控制系统接收该生产设备的过程控制数据，并且使用所接收的过程控制数据，基于过程控制器200中的过程控制预测模型来进行该生产设备的过程控制预测，即，预测出过程控制数据中的被控变量的未来趋势，并且根据过程控制预测结果(即，被控变量的未来变化趋势)来给出操作变量的调节值，即，针对该生产设备的操作控制指令。

在本实施例中，各个过程控制器200还用于从过程控制数据存储设备300中接收过程控制数据存储设备300所存储的历史过程控制数据，并且使用针对对应的生产设备可用的过程控制数据来训练各自的过程控制预测模型。这里，历史过程控制数据包括来自所有生产站点100-1、100-2和100-3的自动化控制系统所产生的过程控制数据。

在本实施例中，数据存储设备300可以是一个服务器或者是一个云，特别可以是工业云。有利的是，各个生产站点100-1、100-2和100-3的自动化控制系统所产生的过程控制数据均通过网关130上传到该数据存储设备300中，使得各个过程控制器200均可以调用数据存储设备300所存储的历史过程控制数据，以从中提取出对于该过程控制器200所对应的生产设备可用的所有过程控制数据来进行过程控制预测模型训练，特别是除了自己所对应的生产站点的历史数据以外，还可以调用邻近的或者其他与该数据存储设备300连接的生产站点产生的历史数据，从而使得过程控制器的预测能力大幅优化。

图3示出了图2中的过程控制器200的示例的结构方框图。如图3所示，过程控制器200可以包括深度神经网络210、增强神经网络220和过程控制决策单元230和过程控制决策发送单元240。

深度神经网络210基于过程控制数据的特征信息，从过程控制数据存储设备300中提取对于对应的生产设备可用的过程控制数据。依据本实施例，这些可用的过程控制数据包括基于生产设备自身产生的数据以及基于其他生产设备产生的可以为本生产设备所用的数据。在本申请中，所述过程控制数据的特征信息至少包括生产设备特征参数和生产设备负荷。可选地，所述过程控制数据的特征信息还可以包括被控变量的被控范围。或者，所述过程控制数据的特征信息还可以包括过程控制数据的标准方差和变量耦合度。深度神经网络210的组成以及具体操作将在下面结合图4进行详细描述。

图4示出了图3中的深度神经网络210的示例的结构方框图。

如图4中所示，深度神经网络210包括特征相似确定模块211和负荷相似确定模块213。

特征相似确定模块211用于基于所述生产设备特征参数，确定与所述待控制的生产设备的生产设备特征参数相似的生产设备。例如，特征相似确定模块211可以从产生所获取的历史过程控制数据的生产设备中，基于各个生产设备的特征参数以及待控制的生产设备的生产设备特征参数，确定与所述待控制的生产设备的生产设备特征参数相似的生产设备。

然后，负荷相似确定模块213从所确定的特征参数相似的生产设备所产生的过程控制数据中提取出所具有的生产设备负荷与所述待控制的生产设备的生产设备负荷相似的过程控制数据，作为针对待控制的生产设备可用的过程控制数据。

可选地，在本申请的另一示例中，所述过程控制数据的特征信息还可以包括被控变量的被控范围。相应地，深度神经网络210还可以包括被控范围相似确定模块215，用于基于被控变量的被控范围，对所提取出的所具有的生产设备负荷与所述待控制的生产设备的生产设备负荷相似的过程控制数据进一步处理，以提取出所具有的被控变量的被控范围与所述待控制的生产设备的过程控制数据的被控变量的被控范围匹配的过程控制数据，作为针对待控制的生产设备可用的过程控制数据。

可选地，在本申请的另一示例中，所述过程控制数据的特征信息还可以包括过程控制数据的标准方差和变量耦合度。相应地，深度神经网络210还可以包括正常工况数据确定模块217和去除模块218。

正常工况数据确定模块217用于基于过程控制数据的标准方差和变量耦合度，确定过程控制数据是否是正常工况数据。然后，去除模块218从过程控制数据中去除被确定为非正常工况数据的过程控制数据。

这里要说明的是，正常工况数据确定模块217和去除模块218的操作是从过程控制数据中筛除被确定为非正常工况数据的过程控制数据。正常工况数据确定模块217和去除模块218的操作所针对的过程控制数据可以是从过程控制数据存储设备300获取的过程控制数据，也可以是负荷相似确定模块213或被控范围相似确定模块215输出的过程控制数据。换言之，正常工况数据确定模块217和去除模块218的操作可以发生在特征相似确定模块211的操作之前，也可以发生在负荷相似确定模块213的操作之后，或者发生在被控范围相似确定模块215的操作之后。

图5示出了根据本申请的第二实施例的用于对至少一个生产站点的生产设备进行过程控制的过程控制系统1’的方框图。与图2相比，不同之处仅在于系统1’中的过程控制器200’，过程控制系统1’中的其他组件的功能和结构与图2中的对应组件完全相同，在此不再赘述。在该实施例中，为多个生产站点配备一个集中的过程控制器200’，其能够用于从各个生产站点的自动化控制系统接收该生产设备的过程控制数据，并且使用所接收的过程控制数据，基于过程控制器200’中的过程控制预测模型来进行该生产设备的过程控制预测，即，预测出过程控制数据中的被控变量的未来趋势，并且根据过程控制预测结果(即，被控变量的未来变化趋势)来给出操作变量的调节值，即，针对该生产设备的操作控制指令。

在本实施例中，该集中的过程控制器200’还用于从过程控制数据存储设备300中接收过程控制数据存储设备300所存储的历史过程控制数据，并且从中提取出待控制生产设备可用的所有过程控制数据并使用所提取的过程控制数据来训练过程控制预测模型。这里，历史过程控制数据包括来自所有生产站点100-1、100-2和100-3的自动化控制系统所产生的过程控制数据。该过程控制数据存储设备300中的历史数据还可以包括从别的生产站点采集的数据或者购买的商业历史数据等。

在本实施例中，数据存储设备300可以是一个服务器或者是一个云，特别可以是工业云。有利的是，各个生产站点100-1、100-2和100-3的自动化控制系统所产生的过程控制数据均通过网关130上传到该数据存储设备300中，使得过程控制器200’可以调用数据存储设备300所存储的历史过程控制数据，以从中提取出对于待控制生产设备可用的所有过程控制数据来进行过程控制预测模型训练，特别是除了待控制的生产设备对应的生产站点的历史数据以外，还可以调用邻近的或者其他与该数据存储设备300连接的生产站点所产生的历史数据，从而使得过程控制器的预测能力大幅优化。图6示出了图5中的过程控制器200’的示例的结构方框图。如图6所示，过程控制器200’包括深度神经网络210’、增强神经网络220和过程控制决策单元230和过程控制决策发送单元240。与图3相比，不同之处仅仅在于深度神经网络210’，过程控制器200’中的其他组件的功能和结构与图3中的对应组件完全相同，在此不再赘述。

图7示出了图6中的深度神经网络210’的示例的结构方框图。与图4相比，图7中示出的深度神经网络210’的不同之处在于，深度神经网络210’还包括获取模块219。深度神经网络210’的其它组件与图4中示出的深度神经网络210的对应组件完全相同，在此不再描述。

如图7中所示，深度神经网络210’中的获取模块219用于获取待控制的生产设备的过程控制数据的特征信息。例如，在一个示例中，获取模块219可以从待控制的生产站点的自动化控制系统接收待控制的生产设备的过程控制数据的特征信息。在另一示例中，在深度神经网络210’中可以存储有生产设备的唯一标识与过程控制数据的特征信息的对应关系表。获取模块219可以从待控制的生产站点的自动化控制系统中接收待控制的生产设备的唯一标识。然后，获取模块219基于所接收的待控制的生产设备的唯一标识，从唯一标识与过程控制数据的特征信息的对应关系表中获取对应的过程控制数据的特征信息。

然后，特征相似确定模块211基于所获取的过程控制数据的特征信息中的生产设备特征参数，确定与所述待控制的生产设备的生产设备特征参数相似的生产设备。并且，随后负荷相似确定模块213、被控范围相似确定模块215、正常工况数据确定模块217和去除模块218执行各自对应的操作，以提取出针对待控制的生产设备可用的过程控制数据。

在深度神经网络210、210’提取出针对待控制的生产设备可用的过程控制数据后，增强神经网络220使用所提取的可用过程控制数据来训练过程控制预测模型，然后使用来自所述待控制的生产设备的实时过程控制数据，基于所训练的过程控制预测模型进行过程控制预测。

过程控制决策单元230基于所述过程控制预测的结果，确定针对所述待控制的生产设备的操作控制指令。

可选地，过程控制器200还可以包括过程控制决策发送单元240。过程控制决策发送单元240从过程控制决策单元230接收所确定的针对待控制的生产设备的操作控制指令，并且将所确定的针对待控制的生产设备的操作控制指令发送给该待控制的生产设备的自动化控制系统，以由该自动化控制系统来根据所述操作控制指令控制该生产设备的操作。

在本申请的一个示例中，过程控制器200和过程控制数据存储设备300可以设置在云端服务器中，即，在云端实现。此外，过程控制数据存储设备300可以被实现为云端服务器中的过程控制数据库。过程控制器200也可以被实现为云端服务器中的应用程序模块，即，APP模块。

上面参照图2到图7对根据本申请的用于对至少一个生产站点的生产设备进行过程控制的装置和系统进行描述，下面结合图8到图10描述根据本申请的用于对至少一个生产站点的生产设备进行过程控制的方法。

图8示出了根据本申请的实施例的用于对至少一个生产站点的生产设备进行过程控制的方法的流程图。在本申请中，该方法通常由控制程序或控制模块来执行。

如图8所示，在块810中，基于过程控制数据的特征信息，从过程控制数据存储设备300中提取对于待控制的生产设备110可用的过程控制数据，所述过程控制数据存储设备中300存储至少一个生产设备的历史过程控制数据，所述过程控制数据的特征信息至少包括生产设备110特征参数和生产设备负荷。块810的操作与上面参照图3到图4中描述的深度神经网络210(在系统1包括多个过程控制器的情况下，此时，待控制的生产设备是该过程控制器对应的生产设备)或者参照图6到图7的描述的深度神经网络210’(在系统包括单个过程控制器的情况下)的操作相同。

接着，在块830，使用所提取的可用过程控制数据来训练过程控制预测模型。在块850，基于所述训练的过程控制预测模型，利用来自所述待控制的生产设备的实时过程控制数据来进行过程控制预测。块830和850的操作与上面参照图3或图6中描述的增强神经网络220的描述的操作相同。

然后，在块870，基于所述过程控制预测的结果，确定针对所述待控制的生产设备的操作控制指令。块870的操作与上面参照图3或图6中描述的过程控制决策单元230的描述的操作相同。

可选地，上述方法还可以包括：在块890，将所确定的针对待控制的生产设备的操作控制指令发送给待控制的生产设备的自动化控制系统，以由该自动化控制系统来根据所述操作控制指令控制该生产设备的操作。块890的操作与上面参照图3或图6中描述的过程控制决策发送单元240的描述的操作相同。

此外，可选地，在本申请的另一示例中，根据本申请的用于对至少一个生产站点的生产设备进行过程控制的方法还可以不包括块830的操作，即，块830的操作可以利用单独的训练程序或训练模块来完成。具体地，在控制模块或控制程序在执行完块810的可用过程控制数据提取操作后，将所提取的可用过程控制数据发送给训练程序或训练模块。随后，训练程序或训练模块使用所接收的可用过程控制数据来训练过程控制预测模型，然后控制程序或控制模块调用训练好的过程控制预测模型来进行过程控制预测。

如上所述，在本申请的一个示例中，过程控制器200可以包括多个过程控制器，每个过程控制器对应于一个生产站点。在本申请的另一示例中，过程控制器200也可以仅仅包括一个过程控制器，该过程控制器用于确定所有生产站点的生产设备的操作控制指令。

图9示出了根据本申请的实施例的用于从过程数据库中提取对于待控制的生产设备可用的过程控制数据的过程的一个示例的流程图。图9中示出的用于从过程数据库中提取对于待控制的生产设备可用的过程控制数据的过程的示例对应于上述过程控制器由多个过程控制器组成并且每个过程控制器对应于一个生产站点中的生产设备的情形。在该示例中，待控制的生产设备是指过程控制器对应的生产设备。

如图9中所示，在块811中，基于待控制生产设备的生产设备特征参数，确定与所述待控制的生产设备的生产设备特征参数相似的生产设备。块811的操作与上面参照图4中描述的特征相似确定模块211的描述的操作相同。

接着，在块813，从所确定的特征参数相似的生产设备所产生的过程控制数据中提取出所具有的生产设备负荷与所述待控制的生产设备的生产设备负荷相似的过程控制数据，作为针对待控制的生产设备可用的过程控制数据。块813的操作与上面参照图4中描述的负荷相似确定模块213的描述的操作相同。

可选地，在本申请的另一示例中，所述过程控制数据的特征信息还可以包括被控变量的被控范围。相应地，上述用于从过程数据库中提取针对待控制的生产设备可用的过程控制数据的过程还可以包括：在块815，基于被控变量的被控范围，对所提取出的所具有的生产设备负荷与所述待控制的生产设备的生产设备负荷相似的过程控制数据进一步处理，以提取出所具有的被控变量的被控范围与所述待控制的生产设备的过程控制数据的被控变量的被控范围匹配的过程控制数据，作为针对待控制的生产设备可用的过程控制数据。块815的操作与上面参照图4中描述的被控范围相似确定模块215的操作相同。

可选地，在本申请的另一示例中，所述过程控制数据的特征信息还可以包括过程控制数据的标准方差和变量耦合度。相应地，上述用于从过程数据库中提取针对待控制的生产设备可用的过程控制数据的过程还可以包括：在块817，基于过程控制数据的标准方差和变量耦合度，确定过程控制数据是否是正常工况数据。块817处的操作与上面参照图4中描述的正常工况数据确定模块217的描述的操作相同。然后，在块819，从过程控制数据中去除被确定为非正常工况数据的过程控制数据。块819处的操作与上面参照图4中描述的去除模块218的描述的操作相同。

这里要说明的是，块817和819的操作是从过程控制数据中筛除被确定为非正常工况数据的过程控制数据。块817和819的操作所针对的过程控制数据可以是从过程控制数据存储设备300获取的过程控制数据，也可以是经过块813或块815处理后输出的过程控制数据。换言之，块817和819的操作可以发生块811的操作之前，也可以发生在块813的操作之后，或者发生在块815的操作之后。

图10示出了根据本申请的实施例的用于从过程数据库中提取对于待控制的生产设备可用的过程控制数据的过程的一个示例的流程图。图10中示出的用于从过程数据库中提取对于待控制的生产设备可用的过程控制数据的过程的示例对应于上述过程控制器仅仅包括一个过程控制器的情形。与图9相比，图10中示出的用于从过程数据库中提取针对待控制的生产设备可用的过程控制数据的过程的不同之处仅仅在于，该用于从过程数据库中提取对于待控制的生产设备可用的过程控制数据的过程还包括块805处的获取操作。除此之外，图10中示出的过程中的各个块的操作与图9中示出的对应块的操作完全相同，在此不再描述。

如图10中所示，在块805中，获取待控制的生产设备的过程控制数据的特征信息。块805处的操作与上面参照图7中描述的获取模块219的描述的操作相同。

如上参照图1到图10，对根据本申请的用于对至少一个生产站点的生产设备进行过程控制的方法、装置和系统的实施例进行了描述。上面的过程控制器可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。

在本申请中，过程控制器200可以利用计算设备实现。图11示出了根据本申请的用于对至少一个生产站点的生产设备进行过程控制的计算设备1100的方框图。根据一个实施例，计算设备1100可以包括处理器1110，处理器1110执行在计算机可读存储介质(即，存储器1120)中存储或编码的至少一个计算机可读指令(即，上述以软件形式实现的元素)。

在一个实施例中，在存储器1120中存储计算机可执行指令，其当执行时使得至少一个处理器1110：基于过程控制数据的特征信息，从过程控制数据存储设备中提取对于待控制的生产设备可用的过程控制数据，其中所述过程控制数据存储设备中存储至少一个生产设备的历史过程控制数据，所述过程控制数据的特征信息至少包括生产设备特征参数和生产设备负荷；基于过程控制预测模型，利用来自所述待控制的生产设备的实时过程控制数据来进行过程控制预测，其中所述过程控制预测模型是使用所提取的可用过程控制数据来训练的；以及基于所述过程控制预测的结果，确定针对所述待控制的生产设备的操作控制指令。

应该理解，在存储器1120中存储的计算机可执行指令当执行时使得至少一个处理器1110进行本申请的各个实施例中以上结合图2-10描述的各种操作和功能。

根据一个实施例，提供了一种比如非暂时性机器可读介质的程序产品。非暂时性机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本申请的各个实施例中以上结合图2-至图10描述的各种操作和功能。

上面结合附图阐述的具体实施方式描述了示例性实施例，但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。

本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所定义的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。

Claims

一种过程控制器(200)，包括：

深度神经网络(210)，其基于过程控制数据的特征信息，从一个过程控制数据存储设备(300)中提取对于待控制的生产设备(110)可用的过程控制数据，其中所述过程控制数据存储设备(300)中存储至少一个生产设备(110)的历史过程控制数据，所述过程控制数据的特征信息至少包括生产设备特征参数和生产设备负荷；

增强神经网络(220)，其基于一个过程控制预测模型，利用来自所述待控制的生产设备(110)的实时过程控制数据来进行过程控制预测，其中，所述过程控制预测模型是使用所提取的可用过程控制数据来训练的；以及

过程控制决策单元(230)，其基于所述过程控制预测的结果，确定针对所述待控制的生产设备(110)的操作控制指令。
如权利要求1所述的过程控制器(200)，其中，所述深度神经网络(210)包括：

特征相似确定模块(211)，其基于所述生产设备特征参数，确定与所述待控制的生产设备(110)的生产设备特征参数相似的生产设备；以及

负荷相似确定模块(213)，其从所确定的特征参数相似的生产设备(110)所产生的过程控制数据中提取出所具有的生产设备负荷与所述待控制的生产设备(110)的生产设备负荷相似的过程控制数据，作为对于待控制的生产设备(110)可用的过程控制数据。
如权利要求1所述的过程控制器(200)，其中，所述深度神经网络(210)还包括：

获取模块(219)，其获取所述待控制的生产设备(110)的过程控制数据的特征信息。
如权利要求1所述的过程控制器(200)，还包括：

过程控制决策发送单元(240)，其将所确定的针对所述待控制的生产设备(110)的操作控制指令发送给所述待控制的生产设备(110)的自动化控制系统(120)，以由所述自动化控制系统(120)来根据所述操作控制指令控制所述生产设备(110)的操作。
如权利要求1所述的过程控制器(200)，其中，所述过程控制数据包括：操作变量数据、被控变量数据和/或干扰变量数据。
如权利要求5所述的过程控制器(200)，其中，所述过程控制数据的特征信息包括被控变量的被控范围，以及所述深度神经网络(210)还包括：

被控范围相似确定模块(215)，其基于被控变量的被控范围，从所提取出的所具有的生产设备负荷与所述待控制的生产设备(110)的生产设备负荷相似的过程控制数据中，提取出所具有的被控变量的被控范围与所述待控制的生产设备(110)的过程控制数据的被控变量的被控范围匹配的过程控制数据。
如权利要求5所述的过程控制器(200)，其中，所述过程控制数据的特征信息包括：过程控制数据的标准方差和变量耦合度，以及所述深度神经网络(210)包括：

正常工况数据确定模块(217)，其基于所述过程控制数据的标准方差和变量耦合度，确定所述过程控制数据是否是正常工况数据；以及

去除模块(218)，其从所述过程控制数据中去除作为非正常工况数据的过程控制数据。
一种过程控制系统(1)，包括：

至少一个生产站点(100)，其中每个生产站点包括生产设备(110)和自动化控制系统(120)，所述自动化控制系统(120)用于控制对应生产设备(110)的操作；

至少一个如权利要求1到7中任一所述的过程控制器(200)；以及

一个过程控制数据存储设备(300)，用于存储至少一个生产设备(110)的历史过程控制数据。
如权利要求8所述的过程控制系统(1)，其中，每个生产站点(100)包括一个网络协议接口(130)，其实现所述生产站点(100)与所述过程控制器(200)之间的通信以及生产站点(100)与所述过程控制数据存储设备(300)之间的通信。
如权利要求8所述的过程控制系统(1)，其中，所述过程控制器(200)和所述过程控制数据存储设备(300)设置在云端服务器中。
如权利要求8所述的过程控制系统(1)，其中，所述过程控制器(200)被实现为应用程序模块。
用于对至少一个生产站点中的生产设备进行过程控制的方法，包括：

基于过程控制数据的特征信息，从一个过程控制数据存储设备中提取(610)对于待控制的生产设备可用的过程控制数据，其中所述过程控制数据存储设备中存储至少一个生产设备的历史过程控制数据，所述过程控制数据的特征信息至少包括生产设备特征参数和生产设备负荷；

基于一个过程控制预测模型，利用来自所述待控制的生产设备的实时过程控制数据来进行过程控制预测(650)，其中，所述过程控制预测模型是使用所提取的可用过程控制数据来训练(630)的；以及

基于所述过程控制预测的结果，确定(670)针对所述待控制的生产设备的操作控制指令。
如权利要求12所述的方法，其中，基于过程控制数据的特征信息，从一个过程控制数据存储设备中提取(610)对于待控制的生产设备可用的过程控制数据包括：

基于所述生产设备特征参数，确定(611)与所述待控制的生产设备的生产设备特征参数相似的生产设备；以及

从所确定的特征参数相似的生产设备所产生的过程控制数据中提取(613)出所具有的生产设备负荷与所述待控制的生产设备的生产设备负荷相似的过程控制数据，作为对于所述待控制的生产设备可用的过程控制数据。
如权利要求12所述的方法，还包括：

获取(605)所述待控制的生产设备的过程控制数据的特征信息。
如权利要求12所述的方法，还包括：

将所确定的针对所述待控制的生产设备的操作控制指令发送(690)给所述待控制的生产设备的自动化控制系统，以由所述自动化控制系统来根据所述操作控制指令控制所述生产设备的操作。
如权利要求12所述的方法，其中，所述过程控制数据包括：操作变量数据、被控变量数据和/或干扰变量数据。
如权利要求16所述的过程控制器，其中，所述过程控制数据的特征信息包括下述中的至少一种：

被控变量的被控范围；

标准方差；和

变量耦合度。
一种计算设备(900)，包括：

至少一个处理器(910)；以及

与所述至少一个处理器(910)耦合的存储器(920)，用于存储指令，当所述指令被所述至少一个处理器(910)执行时，使得所述处理器(910)执行如权利要求12到17中任一所述的方法。
一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求12到17中任一所述的方法。