【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、工艺耦合、工况多变、设备状态时效性强、数据格式多样，使得以成本、效率和性能为核心的协同预测控制需求突出，直接影响相关复杂工业过程的生产效率、资源消耗和控制难度。因此，针对工业过程中复杂动态系统协同控制领域，并结合生成式人工智能和智能控制思想和技术，开展复杂工业过程协同预测控制关键技术与方法研究，对实现复杂工业过程控制高效化和智能化具有重大意义。
技术实现思路>
1、针对现有技术的上述缺陷，本专利技术提供了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，以适应复杂工业过程工艺关联耦合、运行工况多变、设备特性时变特点，克服现有智能控制技术中网络结构复杂、没有明确物理意义、系统控制理论的数学模型难以建立等缺陷。
2、为实现上述目的，一方面，本专利技术提供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。
3、另一方面，本专利技术提供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：
4、步骤1、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，探索多通道控制指令生成机理；
5、步骤2、建立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，包括基于状态估计与预测自回归微调模型的预测任务或预测器以及基于故障诊断、品质检测等异常事件检测分类微调模型的分类任务或分类器；所述核心技术为具体任务的相关方法技术；
6、步骤3、建立融合领域知识的人机协同强化与提示学习方法，通过提示学习和强化学习引入多任务协同中的领域知识，更新优化所述工控多模态生成式预训练模型；
7、步骤4、通过生成式人工智能驱动的如权利要求1所述的复杂动态系统智能协同控制系统和面向不同下游任务的微调-提示-强化范式，实现复杂动态系统智能控制。
8、进一步地，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。
9、进一步地，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，得到对应的预测器和分类器。
10、进一步地，所述基于状态估计与预测自回归微调模型的预测任务主要包括模型微调与非线性滚动优化；基于状态估计与预测自回归的模型微调步骤如下：
11、1)计算未来的期望输出序列：
12、yd(t+j),j＝n1,n1+1,…,n2
13、其中n1和n2为设置的时间步长的起始值和终止值；
14、2)利用状态估计与预测微调模型，在当前时刻t产生预测输出：
15、
16、3)计算预测误差：
17、
18、4)利用非线性滚动优化器，输入预测误差并极小化性能指标，获得最优控制序列：
19、u(t+j),j＝0,1,…,n2
20、5)采用第一控制量u(t)，并返回1)得到状态估计与预测微调模型；
21、在生成式预训练模型的基础上学习了复杂的工况系统的状态演化模式，作为控制指令滚动优化中的系统动力学模型，来预测工业流程的未来状态，从而给出理想的控制参数；将工业过程采用如下非线性系统描述：
22、xt+1＝f(xt,ut)
23、其中，xt是在时间t的系统状态，ut是在时间t的控制输入，f是要用微调模型来逼近的系统动态函数；使用面向工业过程工况预测的微调模型进行对其未来状态的预测，生成一段时间的未来状态参数：
24、χt+1|t,χt+2|t,…,χt+n|t＝g(xt,ut:t+n-1)
25、其中，n是预测的时间范围，g是微调的预测模型函数；对于控制指令的优化目标，定义一个目标函数(如误差最小化、能耗最小化等)，表示为：
26、
27、其中，l是损失函数，xtarget是控制目标；接下来，找到一系列控制指令的输入ut:t+n-1以最小化目标函数j，也就是求解以下优化问题：
28、
29、其中，u和x分别是控制指令输入以及状态的约束集；通过对优化目标的不断滚动优化，给出最优的控制指令。
30、进一步地，所述基于故障诊断、品质检测等异常事件检测分类微调模型的分类器，是根据故障诊断、产品质量检测等异常事件检测任务的数据对工控多模态生成式预训练模型进行微调，通过微调预训练模型，改变预训练模型中任务相关网络层参数，得到故障诊断/品检本文档来自技高网...
【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
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，得到对应的预测器和分类器。
5.根据权利要求4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，所述基于状态估计与预测自回归微调模型的预测任务主要包括模型微调与非线性滚动优化；基于状态估计与预测自回归的模型微调步骤如下：
6.根据权利要求4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，所述基于故障诊断、品质检测等异常事件检测分类微调模型的分类器，是根据故障诊断、产品质量检测等异常事件检测任务的数据对工控多模态生成式预训练模型进行微调，通过微调预训练模型，改变预训练模型中任务相关网络层参数，得到故障诊断/品检等异常事件检测分类微调模型。
7.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3中融合领域知识的人机协同强化与提示学习方法，是通过提示学习和人类反馈的强化学习引入相关领域专门知识；对于不同下游任务所涉及的不同领域知识及特定任务需求，通过提示工程进一步优化多模态生成式预训练协同控制模型，生成特定提示语，并进行提示文本-时序数据之间的模态对齐，完成预训练模型的提示优化。
8.根据权利要求7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，当预测控制任务中预测微调模型的预测值与被控对象实际输出的误差较大，或故障诊断/品质检测等异常事件处理模型的分类结果置信度较低时，通过强化学习对预训练模型进行参数优化；整合来自多领域多层次经验和审核数据，在理解系统运行机理的基础上建立涵盖跨层域和跨业务专家知识库，为强化学习提供引导，通过设计奖励模块和强化策略，实现预训练模型的领域强化。
9.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4中复杂动态系统智能协同控制，是通过构建工控多模态生成式预训练模型，利用领域知识及数据得到适应不同下游任务的微调模型，在下游任务执行过程中，结合提示学习和强化学习对预训练模型进行提示优化和领域强化，从而实现的。
...【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。