基于模型训练的工业控制方法和装置与流程

本技术属于工业控制领域，尤其涉及一种基于模型训练的工业控制方法和装置。

背景技术：

1、随着人工智能的发展，工业大数据和人工智能被越来越多地应用于自动控制技术领域。相关技术中，主要通过人工分析行业工艺机理以获取相应的参数关联关系，如通过行业专家预先对工艺机理进行分析，得到与被控参数相关的关联参数，从而得到控制算法进行工业控制。该方法所获取的控制算法的精确度和准确度不高，且需耗费大量的人力成本，对用户的专业知识水平要求较高，从而影响控制算法的获取效率，且适用范围有限，无法做到通用化。

技术实现思路

1、本技术旨在至少解决现有技术中存在的技术问题之一。为此，本技术提出一种基于模型训练的工业控制方法和装置，能够显著降低人力以及时间成本，提高控制效率以及控制效果，通用性程度较高。

2、第一方面，本技术提供了一种基于模型训练的工业控制方法，该方法包括：

3、利用目标算法预测模型对目标工业场景下的实时工业大数据进行运算处理，得到所述目标算法预测模型输出的所述目标场景下用于控制目标被控对象的目标控制算法和目标自变量；其中，目标算法预测模型通过对历史样本工业大数据训练后得到，所述历史样本工业大数据和所述实时工业大数据均包括多个自变量和控制变量的取值，所述历史样本工业大数据用于表征历史数据，所述实时工业大数据用于表征当前数据，所述目标自变量为在所述实时工业大数据的多个自变量中确定的与目标控制变量对应的自变量，所述目标控制算法为用于表征所述目标自变量和所述目标控制变量之间的控制算法；

4、将所述实时工业大数据中目标自变量的取值输入至部署有所述目标控制算法的目标控制器，得到所述目标控制变量的取值，以控制目标被控对象。

5、根据本技术的基于模型训练的工业控制方法，通过训练好的目标算法预测模型基于输入的实时工业大数据可直接获取目标自变量和与目标自变量对应的目标控制算法，所获取的目标控制算法的精度和准确度较高，且无需用户手动筛选与目标控制变量相关的自变量，显著降低了人力以及时间成本，降低应用门槛，具有较高的普适性；然后基于自动获取的目标自变量的取值和目标控制算法进行工业控制，具有较高的控制效果。

6、根据本技术的一个实施例，在所述利用目标算法预测模型对目标工业场景下的实时工业大数据进行运算处理，得到所述目标算法预测模型输出的所述目标场景下用于控制目标被控对象的目标控制算法和目标自变量之后，所述方法还包括：

7、将所述目标自变量和所述目标控制算法输入至所述目标工业场景下的仿真系统，获取所述仿真系统输出的目标控制变量的取值；

8、基于所述仿真系统输出的目标控制变量的取值分别优化所述目标自变量和所述目标控制算法。

9、根据本技术的一个实施例，所述基于所述仿真系统输出的目标控制变量的取值分别优化所述目标自变量和所述目标控制算法，包括：

10、基于所述仿真系统输出的目标控制变量的取值分别优化所述目标自变量和所述目标控制算法；

11、将优化后的目标自变量和优化后的目标控制算法输入至所述仿真系统，再次获取所述仿真系统输出的目标控制变量的取值；

12、重复执行上述基于所述仿真系统输出的目标控制变量的取值分别优化所述目标自变量和所述目标控制算法的步骤，直至所述仿真系统输出的目标控制变量的取值满足目标控制精度。

13、根据本技术的一个实施例，在将所述实时工业大数据中目标自变量的取值输入至部署有所述目标控制算法的目标控制器，得到所述目标控制变量的取值之后，所述方法还包括：

14、基于所述目标控制变量的取值再次利用所述目标算法预测模型对更新后的实时工业大数据运算处理，以分别优化所述目标自变量和所述目标控制算法。

15、根据本技术的一个实施例，所述目标算法预测模型通过如下方式训练得到：

16、获取所述目标工业场景下的所述历史样本工业大数据；

17、通过初始算法预测模型对所述历史样本工业大数据进行学习，获取所述历史样本工业大数据中多个自变量和控制变量中任两个元素间的关联关系；

18、基于所述关联关系，从所述历史样本工业大数据的多个自变量中确定与所述目标控制变量对应的目标自变量，以及与所述历史样本工业大数据对应的目标自变量所对应的目标控制算法。

19、根据本技术的一个实施例，所述获取所述目标工业场景下的所述历史样本工业大数据，包括：

20、对获取的所述目标工业场景下的历史工业大数据进行数据预处理，获取预处理后的历史工业大数据；所述历史工业大数据为所述目标工业场景下的至少部分历史数据；

21、基于所述预处理后的历史工业大数据各自的类别对应的处理方式处理所述预处理后的历史工业大数据，获取所述历史样本工业大数据。

22、根据本技术的一个实施例，所述基于所述预处理后的历史工业大数据各自的类别对应的处理方式处理所述预处理后的历史工业大数据，获取所述历史样本工业大数据，包括：

23、在所述类别为第一类的情况下，将所述预处理后的历史工业大数据确定为所述历史样本工业大数据；

24、在所述类别为第二类的情况下，基于数据库时序排列方式和所述预处理后的历史工业大数据对应的时间信息，排列并标注所述预处理后的历史工业大数据，获取所述历史样本工业大数据；

25、在所述类别为第三类的情况下，基于所述目标工业场景下的控制系统的子类别拆分所述预处理后的历史工业大数据，分别获取各所述子类别对应的分类后的历史工业大数据；基于所述数据库时序排列方式和所述分类后的历史工业大数据对应的时间信息，排列并标注所述分类后的历史工业大数据，获取所述历史样本工业大数据。

26、根据本技术的一个实施例，所述历史样本工业大数据包括：运行工况变量、所述目标工业场景下的控制系统输出数据、工艺对象变量和所述目标工业场景下的控制系统变量中的至少两种。

27、根据本技术的一个实施例，所述初始算法预测模型包括依次连接的编码器模块和解码器模块，所述通过初始算法预测模型对所述历史样本工业大数据进行学习，包括：

28、将所述历史样本工业大数据输入至所述编码器模块，获取所述编码器模块输出的中间表示，所述中间表示为所述编码器模块学习所述历史样本工业大数据的数据序列中不同位置处的数据之间的依赖关系后对所述历史样本工业大数据进行映射后所得到的；

29、将所述中间表示输入至所述解码器模块，获取所述解码器模块输出的与所述历史样本工业大数据对应的所述目标自变量和所述目标控制算法。

30、根据本技术的一个实施例，所述编码器模块和所述解码器模块中的至少一个，包括：

31、多层自注意力子层和前馈神经网络层，所述多层自注意力子层的输出端与所述前馈神经网络层的输入端连接；其中，

32、所述自注意力子层，用于基于所述数据序列中除目标位置外的其他位置处的数据，处理所述目标位置处的数据，并获取所述目标位置处的数据与所述其他位置处的数据之间的关联关系。

33、第二方面，本技术提供了一种基于模型训练的工业控制装置，该装置包括：

34、第一处理模块，用于利用目标算法预测模型对目标工业场景下的实时工业大数据进行运算处理，得到所述目标算法预测模型输出的所述目标场景下用于控制目标被控对象的目标控制算法和目标自变量；其中，目标算法预测模型通过对历史样本工业大数据训练后得到，所述历史样本工业大数据和所述实时工业大数据均包括多个自变量和控制变量的取值，所述历史样本工业大数据用于表征历史数据，所述实时工业大数据用于表征当前数据，所述目标自变量为在所述实时工业大数据的多个自变量中确定的与目标控制变量对应的自变量，所述目标控制算法为用于表征所述目标自变量和所述目标控制变量之间的控制算法；

35、第二处理模块，用于将所述实时工业大数据中目标自变量的取值输入至部署有所述目标控制算法的目标控制器，得到所述目标控制变量的取值，以控制目标被控对象。

36、根据本技术的基于模型训练的工业控制装置，通过训练好的目标算法预测模型基于输入的实时工业大数据可直接获取目标自变量和与目标自变量对应的目标控制算法，所获取的目标控制算法的精度和准确度较高，且无需用户手动筛选与目标控制变量相关的自变量，显著降低了人力以及时间成本，降低应用门槛，具有较高的普适性；然后基于自动获取的目标自变量的取值和目标控制算法进行工业控制，具有较高的控制效果基于自动获取的目标自变量得到目标控制算法以进行工业控制，所获取的目标控制算法的精度和准确度较高，。

37、第三方面，本技术提供了一种基于第一方面所述的基于模型训练的工业控制方法的控制系统，包括：

38、大数据训练模型系统；

39、边缘实时控制系统，所述大数据训练模型系统与所述边缘实时控制系统通信连接。

40、第四方面，本技术提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的基于模型训练的工业控制方法。

41、第五方面，本技术提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的基于模型训练的工业控制方法。

42、本技术实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：

43、通过训练好的目标算法预测模型基于输入的实时工业大数据可直接获取目标自变量和与目标自变量对应的目标控制算法，所获取的目标控制算法的精度和准确度较高，且无需用户手动筛选与目标控制变量相关的自变量，显著降低了人力以及时间成本，降低应用门槛，具有较高的普适性；然后基于自动获取的目标自变量的取值和目标控制算法进行工业控制，具有较高的控制效果。

44、进一步地，通过将历史样本工业大数据输入至初始算法预测模型，以使初始算法预测模型能够输出控制变量相关的自变量和控制算法为目的对初始算法预测模型进行训练，实现在不依赖相应行业工艺机理研究的前提下，依靠大数据训练从而获得相应的参数关联关系，获得控制算法；无需用户提前标注样本控制变量以及与样本控制变量对应的样本自变量，显著降低了人力以及时间成本，提高了模型的学习能力和智能化程度；且有效消除人为主观因素的影响，从而提高了模型的精确性和准确性，适用于不同的工业场景。

45、更进一步地，通过在基于实时工业大数据自动获取目标控制变量对应的目标自变量和目标控制算法之后，进一步基于目标自变量和目标控制算法进行仿真测试，以基于仿真结果优化目标自变量和目标控制算法，使之达到最佳，能够进一步提高所获取的目标自变量和目标控制算法的精确度和准确度，从而提高后续控制效果。

46、再进一步地，基于实时工业大数据自动获取目标控制变量对应的目标自变量和目标控制算法，并基于目标控制算法控制目标控制器后所得到的实际取值反过来优化目标自变量和目标控制算法，从而使得目标自变量和目标控制算法达到最佳，在有效消除人为主观因素的影响的基础上，还能够基于实际控制情况自动调节目标自变量以及目标控制算法，从而提高控制效率以及控制效果。

47、本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。