数据处理方法、自动控制方法及装置制造方法及图纸

本申请实施例提供一种数据处理方法、自动控制方法及装置。其中，确定至少一个被控变量及至少一个目标操作变量；按照第一采样间隔从历史生产数据中获取至少一个被控变量各自的第一时间序列数据及至少一个目标操作变量各自的第二时间序列数据；利用至少一个被控变量各自的第一时间序列数据及至少一个目标操作变量各自的第二时间序列数据，训练第一模型；所述第一模型基于至少一个目标操作变量前一时间步的操作数据，预测至少一个被控变量在当前时间步的预测值；至少一个被控变量的预测值用于寻找所述至少一个被控变量满足预设条件时至少一个操作变量在当前时间步的目标操作数据。本申请实施例提供的技术方案提高了自动控制过程的准确性。控制过程的准确性。控制过程的准确性。

【技术实现步骤摘要】
数据处理方法、自动控制方法及装置


[0001]本申请实施例涉及自动控制
，尤其涉及一种数据处理方法、自动控制方法及装置。

技术介绍

[0002]自动控制(Automatic Control)，是指在没有人直接参与的情况下，利用外加控制设备，使生产机器或生产过程中的某个工作状态或参数自动按照预定的规律运行，通过自动控制可以大大提高控制效率，因此被广泛应用在工业生产中。
[0003]其中，被控变量是指在自动控制过程中，需要被控制的工艺参数，比如温度、湿度、气压等；操作变量是指在自动控制中，可以改变被控变量的控制对象，比如加热器、冷风机等，实现自动控制需要知道操作变量的操作数据，例如加热器的加热程度等。
[0004]目前，为了实现自动控制，常使用模型控制预测方法，通过预测模型首先基于操作变量的历史操作数据，对被控变量进行预测。之后，基于被控变量的预测值和期望值，来优化操作变量的当前输入值，从而将优化获得的操作变量的当前输入值，来进行自动控制。现有技术中，预测模型通常采用的是机理模型，机理模型是结合人工经验对生产过程的了解而建立起来的精确数学模型。然后，由于实际生产工况复杂，人工建立的机理模型并不能准确表达被控变量与操作变量之间的复杂关系，导致现有自动控制过程并不准确。

技术实现思路

[0005]本申请实施例提供一种数据处理方法、自动控制方法及装置，提高了自动控制准确度。
[0006]第一方面，本申请实施例中提供了一种数据处理方法，包括：
[0007]确定至少一个被控变量及至少一个目标操作变量；
[0008]按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；
[0009]利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型；
[0010]其中，所述第一模型用于基于所述至少一个目标操作变量前一时间步的操作数据，预测获得所述至少一个被控变量在当前时间步的预测值。
[0011]第二方面，本申请实施例中提供了一种自动控制方法，包括：
[0012]确定至少一个被控变量及至少一个目标操作变量；
[0013]基于所述至少一个目标操作变量前一个时间步的操作数据，利用第一模型，预测获得所述至少一个被控变量在当前时间步的预测值；其中，所述第一模型基于从历史生产数据中采集获得的所述至少一个被控变量各自对应的第一时间序列数据以及所述至少一个目标操作变量各自对应的第二时间序列数据训练获得；
[0014]基于所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操
作变量的限定值，寻找所述至少一个被控变量满足预设条件时所述至少一个目标操作变量的目标操作数据；
[0015]将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，进行自动控制。
[0016]第三方面，本申请实施例中提供了一种数据处理方法，包括：
[0017]确定水泥生产业务涉及的至少一个被控变量及至少一个目标操作变量；
[0018]按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；
[0019]利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型；
[0020]其中，所述第一模型用于基于所述至少一个目标操作变量前一时间步的操作数据，预测获得所述至少一个被控变量在当前时间步的预测值。
[0021]第四方面，本申请实施例中提供了一种自动控制方法，包括：
[0022]确定水泥生产业务涉及的至少一个被控变量及至少一个目标操作变量；
[0023]基于所述至少一个目标操作变量前一个时间步的操作数据，利用第一模型，预测获得所述至少一个被控变量在当前时间步的预测值；其中，所述第一模型基于从历史生产数据中采集获得的所述至少一个被控变量各自对应的第一时间序列数据以及所述至少一个目标操作变量各自对应的第二时间序列数据训练获得；
[0024]基于所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值，寻找所述至少一个被控变量满足预设条件时所述至少一个目标操作变量的目标操作数据；
[0025]将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，进行水泥生产的自动控制。
[0026]第五方面，本申请实施例中提供了一种数据处理装置，包括：
[0027]第一确定模块，用于确定至少一个被控变量及至少一个目标操作变量；
[0028]数据获取模块，用于按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；
[0029]模型训练模块，用于利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型；
[0030]其中，所述第一模型用于基于所述至少一个目标操作变量前一时间步的操作数据，预测获得所述至少一个被控变量在当前时间步的预测值。
[0031]第六方面，本申请实施例中提供了一种自动控制装置，包括：
[0032]第一确定模块，用于确定至少一个被控变量及至少一个目标操作变量；
[0033]预测模块，用于基于所述至少一个目标操作变量前一个时间步的操作数据，利用第一模型，预测获得所述至少一个被控变量在当前时间步的预测值；其中，所述第一模型基于从历史生产数据中采集获得的所述至少一个被控变量各自对应的第一时间序列数据以及所述至少一个目标操作变量各自对应的第二时间序列数据训练获得；
[0034]优化模块，用于基于所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值，寻找所述至少一个被控变量满足预设条件时所述至少一
个目标操作变量的目标操作数据；
[0035]控制模块，用于将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，进行自动控制。
[0036]第七方面，本申请实施例中提供了一种计算设备，包括处理组件以及存储组件；
[0037]所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行；
[0038]所述处理组件用于：
[0039]确定至少一个被控变量及至少一个目标操作变量；
[0040]按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；
[0041]利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型；
[0042]其中，所述第一模型用于基于所述至少一个目标操作变量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：确定至少一个被控变量及至少一个目标操作变量；按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型；其中，所述第一模型用于基于所述至少一个目标操作变量前一时间步的操作数据，预测获得所述至少一个被控变量在当前时间步的预测值。2.根据权利要求1所述的方法，其特征在于，所述至少一个目标被控变量的预测值用于寻找所述至少一个被控变量满足预设条件时所述至少一个目标操作变量在当前时间步的目标操作数据。3.根据权利要求1所述的方法，其特征在于，所述确定至少一个被控变量及至少一个目标操作变量包括：确定生产业务涉及的至少一个被控变量以及至少一个操作变量；从所述至少一个操作变量中确定与所述至少一个被控变量相关的至少一个目标操作变量。4.根据权利要求3所述的方法，其特征在于，所述从所述至少一个操作变量中确定与所述至少一个被控变量相关的至少一个目标操作变量包括：针对每个被控变量以及每个操作变量，按照第二采样间隔，从历史生产数据中获取所述被控变量的第三时间序列数据以及所述操作变量的第四时间序列数据；利用所述第三时间序列数据及所述第四时间序列数据，检验所述操作变量与所述被控变量是否存在相关性；如果所述操作变量与所述被控变量存在相关性，将所述操作变量作为目标操作变量。5.根据权利要求4所述的方法，其特征在于，所述利用所述第三时间序列数据及所述第四时间序列数据，检验所述操作变量与所述被控变量是否存在相关性包括：利用所述第一时间序列数据及所述第二时间序列数据，对所述操作变量与所述被控变量进行因果校验，确定是否存在相关性。6.根据权利要求3所述的方法，其特征在于，还包括：测试所述第三时间序列数据以及所述第四时间序列数据是否满足平稳性要求；对于未满足所述平稳性要求的时间序列数据进行差分处理直至满足所述平稳性要求。7.根据权利要求1所述的方法，其特征在于，所述第一模型为循环神经网络模型；所述利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型包括：针对每个时间步对应的网络单元，将所述至少一个目标操作变量对应所述时间步的操作数据、及前一时间步的隐藏状态作为所述网络单元的输入数据，以及将所述至少一个被控变量对应所述时间步的被控数据作为所述网络单元的输出结果，训练所述循环神经网络模型。8.根据权利要求7所述的方法，其特征在于，所述循环神经网络模型包括长短期记忆网络或者门控循环神经网络。
9.根据权利要求1所述的方法，其特征在于，所述按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据包括：从距离当前时间的预定历史时间段内的历史生产数据中，按照第一采样间隔，采集获得所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；其中，所述第一时间序列数据包括N个时间步的操作数据，所述第二时间序列数据包括M个时间步的被控数据；其中，M为大于等于1的整数。10.根据权利要求1所述的方法，其特征在于，所述按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据包括：按照第一采样间隔，从分散控制系统DCS的历史生产数据中采集获得所述至少一个被控变量各自对应的第一时间序列数据及所述至少一个目标操作变量各自对应的第二时间序列数据。11.根据权利要求2所述的方法，其特征在于，所述至少一个目标操作变量在当前时间步的目标操作数据用于发送至分散控制系统DCS，由所述DCS将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，并按照所述至少一个目标操作变量的控制输入值，控制所述至少一个目标操作变量运行。12.一种自动控制方法，其特征在于，包括：确定至少一个被控变量及至少一个目标操作变量；基于所述至少一个目标操作变量前一个时间步的操作数据，利用第一模型，预测获得所述至少一个被控变量在当前时间步的预测值；其中，所述第一模型基于从历史生产数据中采集获得的所述至少一个被控变量各自对应的第一时间序列数据以及所述至少一个目标操作变量各自对应的第二时间序列数据训练获得；基于所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值，寻找所述至少一个被控变量满足预设条件时所述至少一个目标操作变量的目标操作数据；将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，进行自动控制。13.根据权利要求12所述的方法，其特征在于，所述基于所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值，寻找所述至少一个被控变量满足预设条件时所述至少一个目标操作变量的目标操作数据包括：确定所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值；以所述至少一个目标操作变量的限定值作为约束条件，寻找所述至少一个被控变量的预测值与期望值的差值最小时，所述至少一个目标操作变量的目标操作数据。14.根据权利要求13所述的方法，其特征在于，所述以所述...

【专利技术属性】
技术研发人员：郭立帆，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：