【技术实现步骤摘要】
本专利技术涉及一种端边云协同的流程工艺参数优化系统，属于流程工业生产工艺参数优化。
技术介绍
1、流程工业是制造业的重要组成部分，包括石化、冶金、建材、轻工和电力等行业，是我国国民经济和社会发展的重要支柱产业。流程工业工艺过程包含一系列复杂物理或化学变化过程，其生产过程耦合性强、反应机理复杂，且数据具有时序性，难以建立精确的数据模型。在流程生产过程中如何及时、准确地对生产过程中工艺参数及质量指标的波动情况、设备运行状态进行实时全面感知，并建立各工序协同优化策略以保证生产过程的稳定运行，是保障流程工业工艺参数全局优化实时性及准确性的关键。因此，探究流程工艺参数的实时、高效智能优化决策，提高流程制造生产全流程的自感知、自计算和自优化决策能力对流程工业生产过程具有重要意义。
2、目前，国内外学者展开了许多流程工艺参数优化的相关研究，其中，陈昭明等提出了一种通过bp神经网络构建输入与输出的非线性映射关系，并利用改进粒子群算法优化神经网络最优权值与阈值的成型工艺参数优选方法；吴贤国等提出一种结合随机森林与带精英策略的非支配排序遗传算法(nsgaⅱ)的混合模型，实验结果表明其优化效果较好。虽然上述研究采用的方法对工艺参数进行智对能优化和最佳匹配在一定程度上提高了工艺参数的准确率，但均需将工业数据上传至云端服务器集中的处理，未充分考虑到时延问题在流程工业多工序与生产过程中的影响，较少关注流程工业生产过程中化普遍存在的多工序间参数耦合性高、工艺数据量庞大且处理时延高等问题。因此，如何提高设备之间的协同性、降低数据处理时延是目前促进流
3、随着人工智能、5g技术、智能制造技术及边缘智能的蓬勃发展，边缘计算因其更加靠近数据源，能在设备附近提供边缘智能服务，满足数据的实时和低功耗处理需求等特性，成为了缓解网络数据洪流实时处理问题的有效方法之一。随着云计算的应用服务需求日益增长，将边缘智能应用到流程工业中，可以有效提高流程工业多工序生产环境下工艺参数实时优化速度。
技术实现思路
1、本专利技术提供了一种端边云协同的流程工艺参数优化系统、方法，将边缘计算与云计算结合，构建一个集工艺参数优化算法模型训练-更新-调用的端边云高效协同自动化闭环，解决了流程工业生产过程中因工序间相互耦合、工艺数据量庞大且处理时延高而导致的工艺参数优化实时性难以保证的问题。
2、本专利技术的技术方案是：
3、根据本专利技术的第一方面，提供了一种端边云协同的流程工艺参数优化系统，包括云平台层、边缘层和终端设备层，所述终端设备层部署终端设备，所述云平台层与边缘层连接，用于存储边缘层上传的终端设备数据，并根据上传的终端设备数据对自更新工艺参数优化算法模型进行训练，并将训练后更新的工艺参数优化算法算法模型参数下发至边缘层部署的在线工艺参数优化算法模型。
4、所述云平台层包含云端服务器和云平台客户端，云端服务器中又包含云端数据库模块、算法模型模块；云端数据库用于存储边缘层上传的工艺参数及质量指标，算法模型模块用于对算法模型库中选择的自更新mirf_wpso优化算法模型进行周期性训练，用于下发训练后更新的优化算法模型的参数给边缘层的在线mirf_wpso优化算法模型；云平台客户端用于实时显示异常工艺参数及质量指标，并展示工艺参数实时优化结果。
5、所述边缘层包含多个边缘网关节点，每个边缘网关节点由边缘端数据库模块、智能边缘平台模块、在线优化模型模块组成；边缘端数据库模块用于存储终端设备层上传的实时终端设备数据；智能边缘平台模块包含协议采集单元、数据处理单元、数据传输单元、终端控制单元，协议采集单元通过modbus通讯协议与终端设备建立通信功能，进行终端设备数据采集，数据传输单元用于通过appservice、mqtt及数据处理单元中规则引擎上传数据至云平台层、边缘端数据库，终端控制单元用于根据在线工艺参数优化算法模型的优化结果对终端设备进行调控；在线优化模型模块用于部署在线mirf_wpso优化算法模型，并接收云平台层下发的更新后的模型参数。
6、所述边缘层的在线mirf_wpso优化算法模型和云平台层的自更新mirf_wpso优化算法模型采用相同的算法及模型结构，均包括流程工业质量指标算法mirf和wpso算法，构建过程为：采用第1阶段的离线数据对自更新mirf_wpso优化算法模型进行训练并部署在线mirf_wpso优化算法模型；后续周期性训练中，自更新mirf_wpso优化算法模型采用当前阶段以及以前所有阶段的离线数据进行重新训练，将训练后更新的自更新mirf_wpso优化算法模型决策树数量及超参数下发至在线mirf_wpso优化算法模型。
7、所述流程工业质量指标算法mirf的构建过程包括：首先通过有放回的重复抽样构建n个第一训练集，生成n棵决策树，然后分为两步：第一步，以决策树与决策树之间的互信息值为标准，将互信息值小于第一阈值ε的决策树筛选出来，组成随机森林h＝{d1,d1,…,dk}，k为相关性小于第一阈值ε的决策树数量，k≤n；第二步，再以决策树与质量指标实际值之间的互信息值为标准，计算h中每棵决策树的精度，将精度大于第二阈值μ的决策树筛选出来，组成新的随机森林h'＝{d'1,d'2,…,d'l}，l为精度大于第二阈值μ的决策树数量，l≤k。
8、所述wpso算法以传统pso为架构，具体区别在于：
9、第一，目标函数如下：
10、
11、其中，δm为第m个质量指标无量纲优化函数；δf*为质量指标波动最大最小值之差；δfi(1≤i≤m)为第i个质量指标预测值与绝对值之差；
12、第二，惯性权重w更新公式如下：
13、w＝wmax-l*(wmax-wmin)/iter；
14、式中：w为惯性权重；wmax为最大惯性因子；wmin为最小惯性因子；iter为最大迭代次数；l为遍历迭代次数的所有值。
15、根据本专利技术的第二方面，提供了一种端边云协同的流程工艺参数优化方法，包括：
16、终端设备采集生产线实时终端设备数据；
17、边缘层通过边缘网关节点接收终端设备上传的生产线实时终端设备数据，每个边缘网关节点负责采集一道工序的终端设备数据，将接收到的终端设备数据进行预处理，将预处理的有效数据保存在边缘端数据库并上传至云平台层；
18、边缘层通过边缘网关节点中的在线工艺参数优化算法模型对有效异常数据进行优化，将优化后的结果及模型优化精度上传至云平台层；
19、云平台层接收边缘网关节点发送的有效异常数据，在云平台层中进行展示；依据云平台层接收边缘网关节点发送的有效正常数据对自更新工艺参数优化算法模型进行周期性训练，以更新边缘层在线工艺参数优化算法模型。
20、本专利技术的有益效果是：本专利技术基于边缘计算技术提出了一种端边云协同的流程工艺参数优化模式。首先，在分析流程工业工序间相互耦合、工艺数据量庞大且数据处本文档来自技高网...
【技术保护点】
1.一种端边云协同的流程工艺参数优化系统，其特征在于，包括云平台层、边缘层和终端设备层，所述终端设备层部署终端设备，所述云平台层与边缘层连接，用于存储边缘层上传的终端设备数据，并根据上传的终端设备数据对自更新工艺参数优化算法模型进行训练，并将训练后更新的工艺参数优化算法算法模型参数下发至边缘层部署的在线工艺参数优化算法模型。
2.根据权利要求1所述的端边云协同的流程工艺参数优化系统，其特征在于，所述云平台层包含云端服务器和云平台客户端，云端服务器中又包含云端数据库模块、算法模型模块；云端数据库用于存储边缘层上传的工艺参数及质量指标，算法模型模块用于对算法模型库中选择的自更新MIRF_WPSO优化算法模型进行周期性训练，用于下发训练后更新的优化算法模型的参数给边缘层的在线MIRF_WPSO优化算法模型；云平台客户端用于实时显示异常工艺参数及质量指标，并展示工艺参数实时优化结果。
3.根据权利要求1所述的端边云协同的流程工艺参数优化系统，其特征在于，所述边缘层包含多个边缘网关节点，每个边缘网关节点由边缘端数据库模块、智能边缘平台模块、在线优化模型模块组成；边缘
4.根据权利要求2所述的端边云协同的流程工艺参数优化系统，其特征在于，所述边缘层的在线MIRF_WPSO优化算法模型和云平台层的自更新MIRF_WPSO优化算法模型采用相同的算法及模型结构，均包括流程工业质量指标算法MIRF和WPSO算法，构建过程为：采用第1阶段的离线数据对自更新MIRF_WPSO优化算法模型进行训练并部署在线MIRF_WPSO优化算法模型；后续周期性训练中，自更新MIRF_WPSO优化算法模型采用当前阶段以及以前所有阶段的离线数据进行重新训练，将训练后更新的自更新MIRF_WPSO优化算法模型决策树数量及超参数下发至在线MIRF_WPSO优化算法模型。
5.根据权利要求4所述的端边云协同的流程工艺参数优化系统，其特征在于，所述流程工业质量指标算法MIRF的构建过程包括：首先通过有放回的重复抽样构建N个第一训练集，生成N棵决策树，然后分为两步：第一步，以决策树与决策树之间的互信息值为标准，将互信息值小于第一阈值ε的决策树筛选出来，组成随机森林H＝{d1,d1,…,dK}，K为相关性小于第一阈值ε的决策树数量，K≤N；第二步，再以决策树与质量指标实际值之间的互信息值为标准，计算H中每棵决策树的精度，将精度大于第二阈值μ的决策树筛选出来，组成新的随机森林H'＝{d'1,d'2,…,d'L}，L为精度大于第二阈值μ的决策树数量，L≤K。
6.根据权利要求4所述的端边云协同的流程工艺参数优化系统，其特征在于，所述WPSO算法以传统PSO为架构，具体区别在于：
7.一种端边云协同的流程工艺参数优化方法，其特征在于，包括：
...【技术特征摘要】
1.一种端边云协同的流程工艺参数优化系统，其特征在于，包括云平台层、边缘层和终端设备层，所述终端设备层部署终端设备，所述云平台层与边缘层连接，用于存储边缘层上传的终端设备数据，并根据上传的终端设备数据对自更新工艺参数优化算法模型进行训练，并将训练后更新的工艺参数优化算法算法模型参数下发至边缘层部署的在线工艺参数优化算法模型。
2.根据权利要求1所述的端边云协同的流程工艺参数优化系统，其特征在于，所述云平台层包含云端服务器和云平台客户端，云端服务器中又包含云端数据库模块、算法模型模块；云端数据库用于存储边缘层上传的工艺参数及质量指标，算法模型模块用于对算法模型库中选择的自更新mirf_wpso优化算法模型进行周期性训练，用于下发训练后更新的优化算法模型的参数给边缘层的在线mirf_wpso优化算法模型；云平台客户端用于实时显示异常工艺参数及质量指标，并展示工艺参数实时优化结果。
3.根据权利要求1所述的端边云协同的流程工艺参数优化系统，其特征在于，所述边缘层包含多个边缘网关节点，每个边缘网关节点由边缘端数据库模块、智能边缘平台模块、在线优化模型模块组成；边缘端数据库模块用于存储终端设备层上传的实时终端设备数据；智能边缘平台模块包含协议采集单元、数据处理单元、数据传输单元、终端控制单元，协议采集单元通过modbus通讯协议与终端设备建立通信功能，进行终端设备数据采集，数据传输单元用于通过appservice、mqtt及数据处理单元中规则引擎上传数据至云平台层、边缘端数据库，终端控制单元用于根据在线工艺参数优化算法模型的优化结果对终端设备进行调控；在线优化模型模块用于部署在线mirf_wpso优化算法模...
【专利技术属性】
技术研发人员：李佳炜，刘孝保，严清秀，袁智慧，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。