【技术实现步骤摘要】
本专利技术涉及复杂动态系统智能协同控制领域，更具体地，涉及一种生成式人工智能驱动的复杂动态系统智能协同控制系统和方法。
技术介绍
1、复杂工业过程，如有色金属冶炼、石油开采等，其工艺关联耦合、运行工况多变、设备特性时变，不仅要实现系统运行工况实时预测和多工序被控物理量协同控制，还要处理系统启停、设备故障诊断、产品品质检测及紧急情况处理等复杂多任务的智能协同控制问题。随着系统控制对象、控制目标和环境的复杂性日益突出，系统高维性、信息非线性、时变性、不确定性和不完全性等导致控制对象难以数学建模，多层次信息结构使得系统可靠性运行与高性能协同控制难以协调，基于数学模型的系统控制理论与方法面临巨大挑战。基于神经网络的智能控制理论虽有诸多优点，但存在网络结构复杂、没有明确物理意义、初始权值对结果影响较大以及需要确定学习速率在内的众多参数等不利因素，工程上仍缺乏实用的复杂动态系统的协同控制方法。
2、生成式人工智能拥有强大的知识编码与复杂任务推理能力，为复杂动态系统智能控制和工业多层次信息融合提供了新途径。工业过程中复杂动态系统种类多、工...
【技术保护点】
1.一种生成式人工智能驱动的复杂动态系统智能协同控制系统，其特征在于，包括工控多模态生成式预训练模型、状态估计与预测自回归微调模型、非线性滚动优化器、异常事件检测分类微调模型；所述工控多模态生成式预训练模型包含数据外部引导与领域机理知识内部嵌入，从实时多模态数据与历史控制参数中获取工业控制领域知识；所述状态估计与预测自回归微调模型，利用实际被控对象的历史数据与控制参数对预训练模型进行微调，完成被控对象的状态预测；所述非线性滚动优化器根据微调模型预测值与被控对象实时输出的差值得到下一步控制动作，实现被控对象的预测控制；所述异常事件检测分类微调模型根据故障诊断、品检等异常...
【技术特征摘要】
1.一种生成式人工智能驱动的复杂动态系统智能协同控制系统，其特征在于，包括工控多模态生成式预训练模型、状态估计与预测自回归微调模型、非线性滚动优化器、异常事件检测分类微调模型；所述工控多模态生成式预训练模型包含数据外部引导与领域机理知识内部嵌入，从实时多模态数据与历史控制参数中获取工业控制领域知识；所述状态估计与预测自回归微调模型，利用实际被控对象的历史数据与控制参数对预训练模型进行微调，完成被控对象的状态预测；所述非线性滚动优化器根据微调模型预测值与被控对象实时输出的差值得到下一步控制动作，实现被控对象的预测控制；所述异常事件检测分类微调模型根据故障诊断、品检等异常事件分类任务数据进行模型微调，从而进行相应异常事件分类。
2.根据权利要求1所述的一种生成式人工智能驱动的复杂动态系统智能协同控制方法，其特征在于，包括如下步骤：
3.根据权利要求2所述的一种生成式人工智能驱动的复杂动态系统智能协同控制方法，其特征在于，所述步骤1的工控多模态生成式预训练模型，是在包括复杂动态系统实时信号数据、领域机理知识、历史工况状态和控制参数等多模态预训练数据集的基础上构建的，利用掩码-重构的生成式训练范式，通过数据对齐策略，构建数据外部引导与领域机理知识内部嵌入的工控多模态生成式预训练模型。
4.根据权利要求2所述的一种生成式人工智能驱动的复杂动态系统智能协同控制方法，其特征在于，所述步骤2的面向复杂动态系统协同控制的领域多任务微调模型与核心技术包括通过预训练和微调预训练模型的模型参数，使模型轻量化并适应下游多种控制任务；在不改变预训练模型参数条件下，通过预训练和提示优化模型输入，激发预训练模型的补全能力，使下游控制任务适应预训练模型；通过人类监督数据，使微调后的输出朝着人类打分高的方向调整，实现模型的人机协同强化；在模型参数更新、模型输入更新和模型输出优化三个方面，实现预训练模型和下游微调模型相互适应；利用预测控制任务和异常事件检测分类任务中的数据集领域知识微调所述工控多模态生成式预训练模型，得到对应的预测器...
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。