可主动融入领域规则知识的深度学习工业控制系统技术方案

本发明专利技术提出了可主动融入领域规则知识的深度学习工业控制系统，包括：采集模块、预测模块、决策模块和管理模块；所述采集模块，用于采集生产线的实时数据；所述预测模块，利用基于领域规则的推理体系模型和深度学习预测模型，分别对所述实时数据进行推理和预测，获取推理结果和预测结果；所述决策模块，用于根据所述推理结果和预测结果，生成生产线的控制指令。本发明专利技术使得非领域专家也可以使用可主动融入解释知识的深度学习工业控制模块进行工业控制领域上的工业模型训练和参数控制等操作；有助于实现基于深度学习的工业控制智能化，实现一般人员参与工业生产的智能化，降低成本提升效率。效率。效率。

【技术实现步骤摘要】
可主动融入领域规则知识的深度学习工业控制系统


[0001]本专利技术属于自动控制
，尤其涉及可主动融入领域规则知识的深度学习工业控制系统。

技术介绍

[0002]现有水刺工艺生产线上的工艺流程部分片段如图1所示。水刺布生产线本身具有一定的自动化和信息化水平，产线上的相关检测设备会持续进行质量指标数据的采集、解析和基础分析，产线工人可根据分析结果来决定相关环节生产设备的参数调整策略。
[0003]目前，生产线上对于克重的操作都是以人工主观判断为主，当曲线超出设定的阈值时，操作员会到铺网设备的控制台上调整喂棉量。有关克重的调整大约每天会出现十几次到数十次。
[0004]与克重指标关联性最高的“梳理成网”和“在线监测”的具体流程包括：一、梳理成网：纤维暂存设备稳定地向梳理成网设备输送纤维，经由梳理成网设备(气压棉箱、梳理机、交叉铺网机、多辊牵伸机等)形成纤网。铺网设备有两套，各自梳理一层纤网，然后上下两层纤网合并起来输送至后面的水刺工艺。喂棉速度参数可以进行人工控制，当增加喂棉速度时，会导致出产的无纺布的克重和厚度增加。二、在线监测：水刺布进入卷绕设备前设有检测设备(克重、水分、厚度、疵点检测)，扫描器单程采样，并以目标值为基准用图形化的方式展示出来。其中，克重是波动比较频繁的指标，比如更换原材料、前方送棉不均匀、水分多寡等等原因都可能导致克重变化。
[0005]通过上述的介绍，可以看到对于水刺工艺生产线来说，根据监测数据进行设备参数调整的步骤需要人工干涉完成，根据调研，目前我国大多数水刺法非织造布生产线都是采用类似的半自动化生产。
[0006]一般人员如图1所示工人在调整参数过程中会积累相关经验，此经验不能转化为自动控制系统进行调整的知识。导致效率不佳，具有延时性。克重指标的监视和因应调整占了生产过程中大多数的调整工作。人工调整参数的操作比较主观，基本是采用“调一调看一看”的方式。通过看在线扫描得出的曲线，如果“偏高”就“降低一点”喂棉参数，如果“高的厉害”就“多降一些”喂棉参数。无法融合人工经验的情况下，深度模型给出的结果往往与工人经验相左。导致系统调整不稳定。

技术实现思路

[0007]为解决上述技术问题，本专利技术提出了可主动融入领域规则知识的深度学习工业控制系统，将领域专家的知识主动融入到工业算法模型训练中去，并实现自主的迭代优化训练。使得非领域专家也可以使用其进行工业控制领域上的参数控制模型，实现对工业产险的控制等操作。
[0008]为实现上述目的，本专利技术提供了可主动融入领域规则知识的深度学习工业控制系统，包括：采集模块、预测模块、决策模块和管理模块；
[0009]所述采集模块，用于采集生产线的实时数据；
[0010]所述预测模块，利用基于领域规则的推理体系模型和深度学习预测模型，分别对所述实时数据进行推理和预测，获取推理结果和预测结果；
[0011]所述决策模块，用于根据所述推理结果和预测结果，生成生产线的控制指令。
[0012]可选地，所述预测模块包括：训练单元和输出单元；
[0013]所述训练单元，用于根据数据集训练所述深度学习预测模型；其中，所述数据集包括：历史积累的生产线的数据；
[0014]所述输出单元，利用基于领域规则的推理体系模型和训练后的所述深度学习预测模型，分别对所述实时数据进行预测，获取所述推理结果和预测结果。
[0015]可选地，所述深度学习工业控制系统还包括：管理模块；
[0016]所述管理模块，用于对所述推理结果和预测结果进行分析，基于分析结果，对所述预测模块进行管理。
[0017]可选地，对所述预测模块进行管理包括：
[0018]当所述深度学习预测模型的所述预测结果的准确性持续低于预设阈值时，对所述深度学习预测模型进行重新训练；
[0019]当所述推理结果和所述预测结果发生差异时，构造新的联合损失函数。
[0020]可选地，所述推理体系模型中的领域规则采用正则表达式的方式进行表达，使用规则推理器进行推理；其中，每一个利用基于领域规则的推理体系模型和深度学习预测模型得出的预测结果都通过领域规则库进行推理。
[0021]可选地，所述联合损失函数为：
[0022][0023]其中，D为字典矩阵，X为稀疏矩阵，Y为专业领域知识原始样本，α代表违背领域规则的预测规则符合度，F为矩阵的范数，x
i
(i＝1,2,
…
,K)为稀疏矩阵X中的行向量，代表字典矩阵的系数，函数表示要最小化查完的字典与原始样本的误差，是限制条件，表示X要尽可能稀疏。
[0024]与现有技术相比，本专利技术具有如下优点和技术效果：
[0025]本专利技术使得非领域专家也可以使用可主动融入解释知识的深度学习工业控制模块进行工业控制领域上的工业模型训练和参数控制等操作。有助于实现基于深度学习的工业控制智能化，实现一般人员参与工业生产的智能化，降低成本提升效率，实现效益最大化。
附图说明
[0026]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0027]图1为水刺工艺生产线的控制系统示意图；
[0028]图2为本专利技术实施例的可主动融入领域规则知识的深度学习工业控制系统框架示意图；
[0029]图3为本专利技术实施例的模型预测示意图；
[0030]图4为本专利技术实施例的算法更新过程示意图；
[0031]图5为本专利技术实施例的可解释的分析模型的算法结构示意图；
[0032]图6为本专利技术实施例的非线性残差选择网络示意图；
[0033]图7为本专利技术实施例的特征贡献度选择网络结构示意图；
[0034]图8为本专利技术实施例的融合分析模型中的分析方式示意图；
[0035]图9为本专利技术实施例可输出解释的深度学习工业控制系统中的模块结构示意图。
具体实施方式
[0036]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0037]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0038]本专利技术提出了可主动融入领域规则知识的深度学习工业控制系统，包括：采集模块、预测模块、决策模块和管理模块；
[0039]采集模块，用于采集生产线的实时数据；
[0040]预测模块，利用基于领域规则的推理体系模型和深度学习预测模型，分别对实时数据进行推理和预测，获取推理结果和预测结果；
[0041]决策模块，用于根据推理结果和预测结果，生成生产线的控制指令。
[0042]进一步地，预测模块包括：训练单元和输出单元；
[0043]训练单元本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.可主动融入领域规则知识的深度学习工业控制系统，其特征在于，包括：采集模块、预测模块、决策模块和管理模块；所述采集模块，用于采集生产线的实时数据；所述预测模块，利用基于领域规则的推理体系模型和深度学习预测模型，分别对所述实时数据进行推理和预测，获取推理结果和预测结果；所述决策模块，用于根据所述推理结果和预测结果，生成生产线的控制指令。2.根据权利要求1所述的可主动融入领域规则知识的深度学习工业控制系统，其特征在于，所述预测模块包括：训练单元和输出单元；所述训练单元，用于根据数据集训练所述深度学习预测模型；其中，所述数据集包括：历史积累的生产线的数据；所述输出单元，利用基于领域规则的推理体系模型和训练后的所述深度学习预测模型，分别对所述实时数据进行预测，获取所述推理结果和预测结果。3.根据权利要求1所述的可主动融入领域规则知识的深度学习工业控制系统，其特征在于，所述深度学习工业控制系统还包括：管理模块；所述管理模块，用于对所述推理结果和预测结果进行分析，基于分析结果，对所述预测模块进行管理。4.根据权利要求3所述的可主动...

【专利技术属性】
技术研发人员：马振武，李昀光，张煜，史可，彭世钊，王秦，史晓慧，赵春阁，汪卫，
申请(专利权)人：济南永信新材料科技有限公司，
类型：发明
国别省市：