CN117289671B - 高阶锗烷提纯生产控制***的状态监控方法及*** - Google Patents
高阶锗烷提纯生产控制***的状态监控方法及*** Download PDFInfo
- Publication number
- CN117289671B CN117289671B CN202311593469.6A CN202311593469A CN117289671B CN 117289671 B CN117289671 B CN 117289671B CN 202311593469 A CN202311593469 A CN 202311593469A CN 117289671 B CN117289671 B CN 117289671B
- Authority
- CN
- China
- Prior art keywords
- production control
- control plan
- model
- template
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 893
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000000746 purification Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 150000001335 aliphatic alkanes Chemical class 0.000 title claims description 18
- 238000012549 training Methods 0.000 claims abstract description 55
- 229910000078 germane Inorganic materials 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims description 128
- 230000003044 adaptive effect Effects 0.000 claims description 49
- 239000000725 suspension Substances 0.000 claims description 32
- 230000007246 mechanism Effects 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 11
- 230000001360 synchronised effect Effects 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 5
- 230000004044 response Effects 0.000 abstract description 4
- 238000009776 industrial production Methods 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 16
- HEFNNWSXXWATRW-UHFFFAOYSA-N Ibuprofen Chemical compound CC(C)CC1=CC=C(C(C)C(O)=O)C=C1 HEFNNWSXXWATRW-UHFFFAOYSA-N 0.000 description 6
- 101150015779 act3 gene Proteins 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 239000002994 raw material Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 101100161935 Caenorhabditis elegans act-4 gene Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本申请涉及智能化工业生产技术领域,涉及一种高阶锗烷提纯生产控制***的状态监控方法及***。本申请将第一模板多方生产控制协同数据及第一模板生产控制计划加载到生产控制计划模型中,利用自适应控制训练策略对生产控制计划模型进行参数优化后,优化后的生产控制计划模型在处理第二模板多方生产控制协同数据时,并通过对分配模型和生产控制计划模型依据第二模板生产控制计划及第二模板生产控制计划变量运用自适应控制训练策略进行同步参数更新,显著提高了生产控制的灵活性和响应速度,在确保生产流程稳定性的同时,提高了对生产线变化的适应能力,增强了生产控制计划的准确性和实施效率。
Description
技术领域
本申请涉及智能化工业生产技术领域,具体而言,涉及一种高阶锗烷提纯生产控制***的状态监控方法及***。
背景技术
在传统的锗烷提纯生产线中,生产控制计划通常是静态设定的,其参数配置基于历史数据和经验法则。一旦设定完成,整个生产周期内的控制计划往往保持不变,即使面对实际生产过程中的多方面数据变化也难以做出实时响应。这种方法在处理复杂生产任务时表现出若干缺点:
例如,当生产环境发生变化,如原料品质波动、设备性能下降或外部环境影响等,传统的生产控制***不能立即调整生产控制计划,导致生产效率下降和产品质量不稳定。此外,静态的生产控制计划缺乏适应生产线实时变化的灵活性。在高变异性的生产环境中,静态控制计划无法最大化资源利用效率和产品产量。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种高阶锗烷提纯生产控制***的状态监控方法及***。
第一方面,本申请提供一种高阶锗烷提纯生产控制***的状态监控方法,应用于智慧生产服务***,所述方法包括:
将高阶锗烷提纯生产控制***的第一模板多方生产控制协同数据以及第一模板生产控制计划加载到生产控制计划模型,生成所述生产控制计划模型获得的第一模板生产控制计划变量,所述第一模板生产控制计划变量是多方生产控制协同会话中生产控制实例实施所述第一模板生产控制计划所配置的特征变量,所述第一模板多方生产控制协同数据用于表示多方生产控制协同会话过程的协同状态监控数据;
依据所述第一模板生产控制计划变量,运用自适应控制训练策略对所述生产控制计划模型进行参数优化,生成优化后的所述生产控制计划模型;
将第二模板多方生产控制协同数据加载到目标预测网络,生成所述目标预测网络获得的第二模板生产控制计划变量,所述目标预测网络包括分配模型以及优化后的所述生产控制计划模型,所述分配模型用于依据所述第二模板多方生产控制协同数据向所述生产控制计划模型输出第二模板生产控制计划,所述第二模板生产控制计划变量是多方生产控制协同会话中生产控制实例实施所述第二模板生产控制计划所配置的特征变量;
依据所述第二模板生产控制计划以及所述第二模板生产控制计划变量,运用自适应控制训练策略同步对所述分配模型和所述生产控制计划模型进行参数更新。
在第一方面的一种可能的实施方式中,所述将第二模板多方生产控制协同数据加载到目标预测网络,生成所述目标预测网络获得的第二模板生产控制计划变量,包括:
在符合生产控制计划结束要求时,将本阶段的所述第二模板多方生产控制协同数据加载到所述分配模型,生成所述分配模型获得的本阶段的所述第二模板生产控制计划,所述生产控制计划结束要求的符合状态由所述生产控制计划模型依据本阶段的所述第二模板多方生产控制协同数据以及前一阶段的所述第二模板生产控制计划进行确定;或者,在不符合所述生产控制计划结束要求时,将前一阶段的所述第二模板生产控制计划确定为本阶段的所述第二模板生产控制计划;
将所述第二模板生产控制计划以及所述第二模板多方生产控制协同数据加载到所述生产控制计划模型,生成所述生产控制计划模型获得的所述第二模板生产控制计划变量。
在第一方面的一种可能的实施方式中,所述方法还包括:
在依据本阶段的所述第二模板多方生产控制协同数据和前一阶段的所述第二模板生产控制计划确定符合可变中止机制时,依据所述分配模型向所述生产控制计划模型生成中止指令,其中,当获得所述中止指令时,所述生产控制计划模型用于依据本阶段的所述第二模板生产控制计划以及所述第二模板多方生产控制协同数据生成本阶段的所述第二模板生产控制计划变量;
在依据本阶段的所述第二模板多方生产控制协同数据和前一阶段的所述第二模板生产控制计划确定不符合所述可变中止机制时,依据所述分配模型向所述生产控制计划模型生成稳态指令,其中,当获得所述稳态指令时,所述生产控制计划模型用于依据前一阶段的所述第二模板生产控制计划以及本阶段的所述第二模板多方生产控制协同数据生成本阶段的所述第二模板生产控制计划变量。
在第一方面的一种可能的实施方式中,所述依据所述第二模板生产控制计划以及所述第二模板生产控制计划变量,运用自适应控制训练策略同步对所述分配模型和所述生产控制计划模型进行参数更新,包括:
依据所述第二模板生产控制计划,运用自适应控制训练策略确定所述分配模型的第一分配误差参数;
依据所述第二模板生产控制计划变量,运用自适应控制训练策略确定所述生产控制计划模型的第一生产控制计划误差参数; 依据所述第一分配误差参数和所述第一生产控制计划误差参数同步对所述分配模型和所述生产控制计划模型进行参数更新。
在第一方面的一种可能的实施方式中,所述目标预测网络中还包括基元生产控制计划模型,所述分配模型中包括基元计划分配网络,所述基元计划分配网络用于确定对所述基元生产控制计划模型的分配状态;
所述方法还包括:
将第三模板多方生产控制协同数据加载到所述基元计划分配网络,生成所述基元计划分配网络获得的参考分配指令;
在所述参考分配指令表示不调用所述基元生产控制计划模型时,将所述第三模板多方生产控制协同数据加载到所述分配模型,生成所述分配模型获得的第三模板生产控制计划;
将所述第三模板生产控制计划以及所述第三模板多方生产控制协同数据加载到所述生产控制计划模型,生成所述生产控制计划模型输出的所述第三模板生产控制计划变量,所述第三模板生产控制计划变量是多方生产控制协同会话中生产控制实例实施所述第三模板生产控制计划所配置的特征变量;
在所述参考分配指令表示调用所述基元生产控制计划模型时,将所述第三模板多方生产控制协同数据加载到所述基元生产控制计划模型,生成所述基元生产控制计划模型获得的第四模板生产控制计划变量,所述第四模板生产控制计划变量是多方生产控制协同会话中生产控制实例实施基元生产控制计划所配置的特征变量;
依据所述第三模板生产控制计划,运用自适应控制训练策略确定所述分配模型的第二分配误差参数;
依据所述第三模板生产控制计划变量,运用自适应控制训练策略确定所述生产控制计划模型的第二生产控制计划误差参数; 依据所述参考分配指令,运用自适应控制训练策略确定所述分配模型的第三分配误差参数;
依据所述第四模板生产控制计划变量,运用自适应控制训练策略确定所述基元生产控制计划模型的基元生产控制计划误差参数;
依据所述第二分配误差参数、所述第二生产控制计划误差参数、所述第三分配误差参数以及所述基元生产控制计划误差参数同步对所述分配模型、所述生产控制计划模型以及所述基元生产控制计划模型进行参数更新。
在第一方面的一种可能的实施方式中,所述依据所述第一模板生产控制计划变量,运用自适应控制训练策略对所述生产控制计划模型进行参数优化,生成优化后的所述生产控制计划模型,包括:
依据所述第一模板生产控制计划变量,运用自适应控制训练策略确定所述生产控制计划模型的第三生产控制计划误差参数;
依据所述第三生产控制计划误差参数,对所述生产控制计划模型进行参数优化,生成优化后的所述生产控制计划模型。
在第一方面的一种可能的实施方式中,所述方法还包括:
将目标多方生产控制协同数据加载到所述目标预测网络中的所述分配模型,生成所述分配模型获得的目标生产控制计划;
将所述目标生产控制计划以及所述目标多方生产控制协同数据加载到所述目标预测网络中的所述生产控制计划模型,生成所述生产控制计划模型获得的目标生产控制计划变量,所述目标生产控制计划变量是多方生产控制协同会话中生产控制实例实施所述目标生产控制计划所配置的特征变量;
其中,在依据本阶段的所述目标多方生产控制协同数据和前一阶段的所述目标生产控制计划确定符合可变中止机制时,依据所述分配模型向所述生产控制计划模型生成中止指令,其中,当获得所述中止指令时,所述生产控制计划模型用于依据本阶段的所述目标生产控制计划以及所述目标多方生产控制协同数据生成本阶段的所述目标生产控制计划变量;
在依据本阶段的所述目标多方生产控制协同数据和前一阶段的所述目标生产控制计划确定不符合所述可变中止机制时,依据所述分配模型向所述生产控制计划模型生成稳态指令,其中,当获得所述稳态指令时,所述生产控制计划模型用于依据前一阶段的所述目标生产控制计划以及本阶段的所述目标多方生产控制协同数据生成本阶段的所述目标生产控制计划变量。
在第一方面的一种可能的实施方式中,所述将目标多方生产控制协同数据加载到所述目标预测网络中的所述分配模型,生成所述分配模型获得的目标生产控制计划,包括:
在符合生产控制计划结束要求时,将本阶段的所述目标多方生产控制协同数据加载到所述分配模型,生成所述分配模型获得的本阶段的所述目标生产控制计划,所述生产控制计划结束要求的符合状态由所述生产控制计划模型依据本阶段的所述目标多方生产控制协同数据以及前一阶段的所述目标生产控制计划进行确定;
以及,在不符合所述生产控制计划结束要求时,将前一阶段的所述目标生产控制计划确定为本阶段的所述目标生产控制计划。
在第一方面的一种可能的实施方式中,所述目标预测网络中还包括基元生产控制计划模型,所述分配模型中包括基元计划分配网络,所述基元计划分配网络用于确定对所述基元生产控制计划模型的分配状态;
所述将目标多方生产控制协同数据加载到所述目标预测网络中的所述分配模型,生成所述分配模型获得的目标生产控制计划之前,所述方法还包括:
将所述目标多方生产控制协同数据加载到所述基元计划分配网络,生成所述基元计划分配网络获得的目标分配指令;
所述将目标多方生产控制协同数据加载到所述目标预测网络中的所述分配模型,生成所述分配模型获得的目标生产控制计划,包括:
在所述目标分配指令表示不调用所述基元生产控制计划模型时,将所述目标多方生产控制协同数据加载到所述分配模型,生成所述分配模型获得的所述目标生产控制计划;
其中,在所述目标分配指令表示调用所述基元生产控制计划模型时,将所述目标多方生产控制协同数据加载到所述基元生产控制计划模型,生成所述基元生产控制计划模型获得的基元生产控制计划变量。
第二方面,本申请实施例还提供一种智慧生产服务***,所述智慧生产服务***包括处理器和机器可读存储介质,所述机器可读存储介质中存储有计算机程序,所述计算机程序结合该处理器加载并执行以实现以上第一方面的高阶锗烷提纯生产控制***的状态监控方法。
依据以上任意方面的技术方案,首先,将第一模板多方生产控制协同数据及第一模板生产控制计划加载到生产控制计划模型中,这使得生产控制计划模型能够生成精准的第一模板生产控制计划变量。这些第一模板生产控制计划不仅是多方生产控制协同会话中实施第一模板生产控制计划所需配置的特征变量,而且也代表了整个生产过程的协同状态监控数据。利用自适应控制训练策略对生产控制计划模型进行参数优化后,能够确保生产控制计划模型在未来的生产控制中具有更高的准确性和适应性。优化后的生产控制计划模型在处理第二模板多方生产控制协同数据时,配合目标预测网络的分配模型,可生成反映实际生产需求的第二模板生产控制计划变量。通过对分配模型和生产控制计划模型依据第二模板生产控制计划及第二模板生产控制计划变量运用自适应控制训练策略进行同步参数更新,显著提高了生产控制的灵活性和响应速度。这一同步更新机制确保了分配模型和生产控制计划模型在面对生产环境变化时能够快速适应,并协同工作以最大化生产效率和产品质量。由此,通过集成目标多方生产控制协同数据的处理与生产控制计划模型的优化,在确保生产流程稳定性的同时,提高了对生产线变化的适应能力,增强了生产控制计划的准确性和实施效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的高阶锗烷提纯生产控制***的状态监控方法的流程示意图;
图2为本申请实施例提供的用于实现上述的高阶锗烷提纯生产控制***的状态监控方法的智慧生产服务***的功能结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围时,本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
参见图1所示,本申请提供一种高阶锗烷提纯生产控制***的状态监控方法,包括以下步骤。
步骤S110,将高阶锗烷提纯生产控制***的第一模板多方生产控制协同数据以及第一模板生产控制计划加载到生产控制计划模型,生成所述生产控制计划模型获得的第一模板生产控制计划变量,所述第一模板生产控制计划变量是多方生产控制协同会话中生产控制实例实施所述第一模板生产控制计划所配置的特征变量,所述第一模板多方生产控制协同数据用于表示多方生产控制协同会话过程的协同状态监控数据。
例如,首先需要接收并处理第一模板多方生产控制协同数据和第一模板生产控制计划。第一模板多方生产控制协同数据涵盖了不同参与者在生产过程中共享的各种信息,比如工序间的通讯、机器运行状态、产品检测结果等。第一模板生产控制计划则指导生产流程的具体操作和设置。第一模板多方生产控制协同数据和第一模板生产控制计划可以被整合并加载到生产控制计划模型中,该生产控制计划模型负责对生产流程进行仿真分析。
例如,当第一模板多方生产控制协同数据和第一模板生产控制计划被输入到生产控制计划模型之后,生产控制计划模型将输出一组关键参数,即第一模板生产控制计划变量。这些第一模板生产控制计划变量是在实际生产中用于配置和执行第一模板生产控制计划的特征参数。
更详细地,第一模板多方生产控制协同数据可以是在一个复杂的生产环境中收集的,其中多个自动化设备(如反应器、分离器、冷凝器等)共同参与生产过程,可以通过传感器和控制***相互连接,实时地收集和交换信息。这些信息可能包括各种设备的运行状态、原料流量、产品质量指标、温度读数、压力值等。
第一模板生产控制计划是一系列预先定义好的指令和参数,指导如何根据多方生产控制协同数据进行生产,规定了在特定条件下如何调节设备参数以达到最佳生产效率和产品质量。
这两部分数据被输入到生产控制计划模型中。该生产控制计划模型是一个深度学习网络,能够处理复杂的数据关系,并基于这些数据生成生产控制指令。
一旦生产控制计划模型接收并处理了上述数据,它就会输出一组变量,称为第一模板生产控制计划变量,第一模板生产控制计划变量是由深度学习网络根据训练结果生成的,代表了在当前的生产环境下应当如何配置和执行生产控制计划。这些第一模板生产控制计划变量实际上构成了生产控制策略的核心,因为它们直接影响着生产线上的各项操作,例如如何调整反应器中的化学反应温度、如何改变原料的加入速率或比例、何时启动某个分离过程、各个阶段所需保持的精确压力值等。
其中,在多方生产控制协同会话中,各个机器设备需要实时地协调它们的行为以维持稳定和高效的生产过程。第一模板多方生产控制协同数据在此扮演着至关重要的角色,因为这些数据不仅提供了设备之间的协同状态,也使得生产控制计划模型可以监测整个生产环境的健康状况,并在必要时进行调整。
通过这一系列的步骤,生产控制计划模型能够有效地管理和优化整个生产过程,从而实现高效、自动化的高阶锗烷提纯。
步骤S120,依据所述第一模板生产控制计划变量,运用自适应控制训练策略对所述生产控制计划模型进行参数优化,生成优化后的所述生产控制计划模型。
例如,采用自适应控制训练策略对生产控制计划模型的参数进行调整和优化。自适应控制训练策略可能包括机器学习算法或其他先进的优化技术,以改善生产控制计划模型的性能和输出准确性。
步骤S130,将第二模板多方生产控制协同数据加载到目标预测网络,生成所述目标预测网络获得的第二模板生产控制计划变量,所述目标预测网络包括分配模型以及优化后的所述生产控制计划模型,所述分配模型用于依据所述第二模板多方生产控制协同数据向所述生产控制计划模型输出第二模板生产控制计划,所述第二模板生产控制计划变量是多方生产控制协同会话中生产控制实例实施所述第二模板生产控制计划所配置的特征变量。
例如,经过自适应控制训练策略的迭代优化,生产控制计划模型的参数得到了精细调整,形成了优化后的生产控制计划模型。优化后的生产控制计划模型能够更准确地模拟生产过程,并为生产提供高效的控制指导。
由此,可以将第二模板多方生产控制协同数据加载到目标预测网络中。目标预测网络由分配模型和优化后的生产控制计划模型组成。目标预测网络的任务是根据第二模板多方生产控制协同数据来预测和输出第二模板生产控制计划。
其中,目标预测网络处理完第二模板多方生产控制协同数据后,将输出第二模板生产控制计划变量。这些第二模板生产控制计划变量是实施第二模板生产控制计划时所需的特征参数,它们将用于后续的生产控制过程。
步骤S140,依据所述第二模板生产控制计划以及所述第二模板生产控制计划变量,运用自适应控制训练策略同步对所述分配模型和所述生产控制计划模型进行参数更新。
例如,可以使用自适应控制训练策略来同时对分配模型和生产控制计划模型进行参数更新。这项同步更新确保分配模型和生产控制计划模型能够有效地适应第二模板生产控制计划和第二模板生产控制计划变量,以期达到最优的生产控制效果。
基于以上步骤,首先,将第一模板多方生产控制协同数据及第一模板生产控制计划加载到生产控制计划模型中,这使得生产控制计划模型能够生成精准的第一模板生产控制计划变量。这些第一模板生产控制计划不仅是多方生产控制协同会话中实施第一模板生产控制计划所需配置的特征变量,而且也代表了整个生产过程的协同状态监控数据。利用自适应控制训练策略对生产控制计划模型进行参数优化后,能够确保生产控制计划模型在未来的生产控制中具有更高的准确性和适应性。优化后的生产控制计划模型在处理第二模板多方生产控制协同数据时,配合目标预测网络的分配模型,可生成反映实际生产需求的第二模板生产控制计划变量。通过对分配模型和生产控制计划模型依据第二模板生产控制计划及第二模板生产控制计划变量运用自适应控制训练策略进行同步参数更新,显著提高了生产控制的灵活性和响应速度。这一同步更新机制确保了分配模型和生产控制计划模型在面对生产环境变化时能够快速适应,并协同工作以最大化生产效率和产品质量。由此,通过集成目标多方生产控制协同数据的处理与生产控制计划模型的优化,在确保生产流程稳定性的同时,提高了对生产线变化的适应能力,增强了生产控制计划的准确性和实施效率。
在一种可能的实施方式中,步骤S130可以包括:
步骤S131,在符合生产控制计划结束要求时,将本阶段的所述第二模板多方生产控制协同数据加载到所述分配模型,生成所述分配模型获得的本阶段的所述第二模板生产控制计划,所述生产控制计划结束要求的符合状态由所述生产控制计划模型依据本阶段的所述第二模板多方生产控制协同数据以及前一阶段的所述第二模板生产控制计划进行确定。或者,在不符合所述生产控制计划结束要求时,将前一阶段的所述第二模板生产控制计划确定为本阶段的所述第二模板生产控制计划。
例如,假设正在操作一个高阶锗烷提纯生产线,该高阶锗烷提纯生产线采用多个自动化设备(如反应器、蒸馏塔、冷却***等)进行操作,且所有设备通过先进的控制***进行协同工作。第二模板是针对特定类型的锗烷提纯流程设计的一套生产控制策略。
在这一步骤中,如果当前的生产状态满足生产控制计划结束要求,那么可以将第二模板多方生产控制协同数据传输给分配模型。例如,设备运行数据表明当前批次的锗烷已经完成了预定的提纯过程,达到了转入下一生产阶段的条件。此时,分配模型会接收这些第二模板多方生产控制协同数据,并基于第二模板多方生产控制协同数据生成本阶段的第二模板生产控制计划。
其中,生产控制计划结束要求的符合状态是由生产控制计划模型确定的,这需要考虑到本阶段的第二模板多方生产控制协同数据以及前一阶段的第二模板生产控制计划。例如,生产控制计划结束要求是一个预先定义好的标准或条件,用于评估一个特定生产阶段是否可以结束。结束要求可能包括达到特定的产品质量、完成一定数量的生产周期、达到某些性能指标等。由此,生产控制计划模型会综合这些多方生产控制协同数据和之前阶段的生产控制计划情况,通过比较、计算和分析来判断当前生产阶段是否满足结束要求。如果满足,则可能进入下一个生产阶段或者结束当前的生产周期;如果不满足,则需要调整当前的生产控制计划或延长生产阶段直至满足要求。
如果不满足生产控制计划结束要求,比如发现当前提纯过程还未达到预定的纯度标准,那么生产控制计划模型将不会更新生产控制计划,而是保持执行前一阶段的第二模板生产控制计划。
步骤S132,将所述第二模板生产控制计划以及所述第二模板多方生产控制协同数据加载到所述生产控制计划模型,生成所述生产控制计划模型获得的所述第二模板生产控制计划变量。
无论是新生成的还是继续沿用的第二模板生产控制计划,它们都将被加载到生产控制计划模型中。同时,当前阶段的第二模板多方生产控制协同数据也会被输入到生产控制计划模型。在锗烷提纯场景中,这可能包括温度曲线、压力读数、化学反应速率等数据。生产控制计划模型会处理这些信息,并输出相应的第二模板生产控制计划变量,这些第二模板生产控制计划变量是针对当前生产环境下调整控制参数所必需的。例如,生产控制计划模型可能会调整冷却水流速以适应当前的反应热量输出,或者调整原料投加速度来优化反应效率。
由此,在以上实施例的过程中可以理解为一个迭代和自适应的过程,其中生产控制计划模型和分配模型共同协作,以确保生产过程能够按照第二模板生产控制计划顺利进行,同时能够在必要时对计划进行即时调整,以适应生产过程中的实时变化。
在一种可能的实施方式中,所述方法还包括:
步骤A110,在依据本阶段的所述第二模板多方生产控制协同数据和前一阶段的所述第二模板生产控制计划确定符合可变中止机制时,依据所述分配模型向所述生产控制计划模型生成中止指令,其中,当获得所述中止指令时,所述生产控制计划模型用于依据本阶段的所述第二模板生产控制计划以及所述第二模板多方生产控制协同数据生成本阶段的所述第二模板生产控制计划变量。
例如,在高阶锗烷提纯生产线的场景中,本实施例还可以包括根据当前和前一阶段的数据来确定是否需要中止当前的生产控制计划或维持现状,并据此生成相应的指令。
例如,生产控制计划模型首先会根据本阶段的第二模板多方生产控制协同数据以及前一阶段的第二模板生产控制计划进行分析。在高阶锗烷提纯场景中,这可能意味着评估当前批次的锗烷是否达到了预定的纯度水平,或者设备运行是否出现异常。
如果符合可变中止机制的条件,例如发现设备故障或产品质量不合格,那么分配模型会向生产控制计划模型生成一条中止指令。这条中止指令告知生产控制计划模型需要暂停当前的生产活动,并重新评估和调整生产控制计划。
当生产控制计划模型接收到中止指令后,它将依据本阶段的第二模板生产控制计划和第二模板多方生产控制协同数据,生成本阶段的第二模板生产控制计划变量,从而对生产流程进行必要的调整。
步骤A120,在依据本阶段的所述第二模板多方生产控制协同数据和前一阶段的所述第二模板生产控制计划确定不符合所述可变中止机制时,依据所述分配模型向所述生产控制计划模型生成稳态指令,其中,当获得所述稳态指令时,所述生产控制计划模型用于依据前一阶段的所述第二模板生产控制计划以及本阶段的所述第二模板多方生产控制协同数据生成本阶段的所述第二模板生产控制计划变量。
例如,另一方面,如果生产控制计划模型判定当前情况不符合中止机制,即生产过程运行正常,无需进行中止,那么分配模型会向生产控制计划模型生成一条稳态指令。
稳态指令意味着当前的生产状态被认为是稳定的,可以继续沿用前一阶段的第二模板生产控制计划。在此基础上,生产控制计划模型会利用本阶段的第二模板多方生产控制协同数据和前一阶段的第二模板生产控制计划,生成本阶段的第二模板生产控制计划变量,以保证生产活动的连续性和稳定性。
在这两种情况下,生产控制计划模型都能够灵活响应,通过生成中止指令或稳态指令,确保高阶锗烷提纯生产线的高效运转和产品质量的稳定。这样的机制使得生产控制***更加智能和自适应,能够及时处理生产过程中的各种情况。
在一种可能的实施方式中,步骤S140可以包括:
步骤S141,依据所述第二模板生产控制计划,运用自适应控制训练策略确定所述分配模型的第一分配误差参数。
例如,在锗烷提纯生产线上,分配模型负责根据第二模板生产控制计划将原料、能源等资源分配给各个设备。这个分配模型需要根据实际情况调整资源分配以达到最佳效率。在执行第二模板生产控制计划时,可能会出现实际输出与预期目标之间的偏差,即分配误差。自适应控制训练策略会评估这种偏差,并确定第一分配误差参数,它反映了分配模型当前的性能。
步骤S142,依据所述第二模板生产控制计划变量,运用自适应控制训练策略确定所述生产控制计划模型的第一生产控制计划误差参数。
同样地,生产控制计划模型也需要经常更新其参数以确保控制指令的准确性。当生产控制计划模型根据第二模板生产控制计划变量生成生产指令时,也可能会存在实际生产结果与预定目标的差异。这种偏差通过自适应控制训练策略被量化为第一生产控制计划误差参数,以评估生产控制计划模型的精确度和有效性。
步骤S143,依据所述第一分配误差参数和所述第一生产控制计划误差参数同步对所述分配模型和所述生产控制计划模型进行参数更新。
最后,基于上述确定的第一分配误差参数和第一生产控制计划误差参数,自适应控制训练策略将执行一个同步更新过程。这个过程涉及同时调整分配模型和生产控制计划模型的内部参数。例如,如果发现原料分配不均导致某些反应器提纯效率下降,分配模型的参数将被调整以更平衡地分配原料。同理,如果生产控制计划模型发出的温度控制指令导致产品质量不稳定,那么其参数也将被相应地修改以优化温度控制策略。
通过这种方式,分配模型和生产控制计划模型可以持续学习和改进,以适应生产线上的实际情况和挑战,保证生产控制***的整体性能。自适应控制训练策略确保了两个模型在学习过程中能够互相协调,避免单一模型的更新导致整体生产流程的不协调。
在一种可能的实施方式中,所述目标预测网络中还包括基元生产控制计划模型,所述分配模型中包括基元计划分配网络,所述基元计划分配网络用于确定对所述基元生产控制计划模型的分配状态。
所述方法还包括:
步骤B110,将第三模板多方生产控制协同数据加载到所述基元计划分配网络,生成所述基元计划分配网络获得的参考分配指令。
例如,假设在锗烷提纯生产线中,基元计划分配网络是一种机制,它决定是否需要使用基元生产控制计划模型进行更细粒度的生产控制。基元生产控制计划模型专门处理特定的生产任务或情况,如反应物投料的精确控制。生产线收集的第三模板多方生产控制协同数据(比如温度、压力、物料流速等)被加载到基元计划分配网络。该网络分析数据并生成参考分配指令,以决定是否调用基元生产控制计划模型。
步骤B120,在所述参考分配指令表示不调用所述基元生产控制计划模型时,将所述第三模板多方生产控制协同数据加载到所述分配模型,生成所述分配模型获得的第三模板生产控制计划。
例如,当参考分配指令表示不调用基元生产控制计划模型时,第三模板多方生产控制协同数据被加载到分配模型,生成第三模板生产控制计划。
步骤B130,将所述第三模板生产控制计划以及所述第三模板多方生产控制协同数据加载到所述生产控制计划模型,生成所述生产控制计划模型输出的所述第三模板生产控制计划变量,所述第三模板生产控制计划变量是多方生产控制协同会话中生产控制实例实施所述第三模板生产控制计划所配置的特征变量。
然后,第三模板生产控制计划及其相关多方生产控制协同数据被加载到生产控制计划模型,从而生成输出的第三模板生产控制计划变量。
步骤B140,在所述参考分配指令表示调用所述基元生产控制计划模型时,将所述第三模板多方生产控制协同数据加载到所述基元生产控制计划模型,生成所述基元生产控制计划模型获得的第四模板生产控制计划变量,所述第四模板生产控制计划变量是多方生产控制协同会话中生产控制实例实施基元生产控制计划所配置的特征变量。
当参考分配指令表示调用基元生产控制计划模型时,第三模板多方生产控制协同数据被加载到基元生产控制计划模型,从而生成第四模板生产控制计划变量。
步骤B150,依据所述第三模板生产控制计划,运用自适应控制训练策略确定所述分配模型的第二分配误差参数。
步骤B160,依据所述第三模板生产控制计划变量,运用自适应控制训练策略确定所述生产控制计划模型的第二生产控制计划误差参数。
步骤B170,依据所述参考分配指令,运用自适应控制训练策略确定所述分配模型的第三分配误差参数。
步骤B180,依据所述第四模板生产控制计划变量,运用自适应控制训练策略确定所述基元生产控制计划模型的基元生产控制计划误差参数。
步骤B190,依据所述第二分配误差参数、所述第二生产控制计划误差参数、所述第三分配误差参数以及所述基元生产控制计划误差参数同步对所述分配模型、所述生产控制计划模型以及所述基元生产控制计划模型进行参数更新。
例如,自适应控制训练策略可以根据第三模板生产控制计划确定分配模型的第二分配误差参数,并且可以根据第三模板生产控制计划变量,自适应控制训练策略还用于确定生产控制计划模型的第二生产控制计划误差参数。参考分配指令也被用于应用自适应控制训练策略,以确定分配模型的第三分配误差参数。如果第四模板生产控制计划变量存在,则自适应控制训练策略会用于确定基元生产控制计划模型的基元生产控制计划误差参数。
示例性的,第二分配误差参数的确定:
假设用 \( E_{dist2} \) 来表示第二分配误差参数。它可以根据以下公式计算:
\[ E_{dist2} = f_{adapt}(D_{plan3}, O_{act3}, T_{target}) \]
其中:
\( f_{adapt} \) 是自适应控制训练策略的函数。
\( D_{plan3} \) 是第三模板生产控制计划。
\( O_{act3} \) 是依据第三模板生产控制计划得到的实际输出。
\( T_{target} \) 是目标输出值。
2. 第二生产控制计划误差参数的确定:
第二生产控制计划误差参数 \( E_{ctrl2} \) 可能由下列公式决定:
\[ E_{ctrl2} = f_{adapt}(V_{var3}, O_{act3}, T_{target}) \]
其中:
\( V_{var3} \) 是第三模板生产控制计划变量。
\( O_{act3} \) 和 \( T_{target} \) 与上文相同。
3. 第三分配误差参数的确定:
第三分配误差参数 \( E_{dist3} \) 可以通过参考分配指令来确定:
\[ E_{dist3} = f_{adapt}(R_{ref}, O_{act3}, T_{target}) \]
其中:
\( R_{ref} \) 是参考分配指令。
\( O_{act3} \) 和 \( T_{target} \) 与上文相同。
4. 基元生产控制计划误差参数的确定:
对于基元生产控制计划模型的误差参数 \( E_{elem} \),可能使用以下公式:
\[ E_{elem} = f_{adapt}(V_{var4}, O_{act4}, T_{target}) \]
其中:
\( V_{var4} \) 是第四模板生产控制计划变量。
\( O_{act4} \) 是依据基元生产控制计划模型得到的实际输出。
\( T_{target} \) 是基元生产控制计划的目标输出值。
由此,可以依据第二分配误差参数、第二生产控制计划误差参数、第三分配误差参数以及基元生产控制计划误差参数,同步对分配模型、生产控制计划模型以及基元生产控制计划模型进行参数更新,以优化整个生产过程。例如,可以使用自适应控制训练策略来分析第二分配误差参数、第二生产控制计划误差参数、第三分配误差参数以及基元生产控制计划误差参数对当前生产流程的影响,识别第二分配误差参数、第二生产控制计划误差参数、第三分配误差参数以及基元生产控制计划误差参数产生的影响因子,并根据影响因子确定需要进行优化的具体模型参数。然后,设计一个优化算法,例如梯度下降、遗传算法或其他高级机器学习技术,来调整分配模型、生产控制计划模型以及基元生产控制计划模型的内部参数。这个算法将使用第二分配误差参数、第二生产控制计划误差参数、第三分配误差参数以及基元生产控制计划误差参数作为输入,来引导参数的调整方向和幅度。
由此,通过这些步骤,高阶锗烷提纯生产线能够实现更加灵活和精准的生产控制。根据实时数据和历史性能,***可以自动决定采取标准控制流程或者更为细致的基元控制策略,以确保最终产品的质量和生产效率。
在一种可能的实施方式中,步骤S120可以包括:
步骤S121,依据所述第一模板生产控制计划变量,运用自适应控制训练策略确定所述生产控制计划模型的第三生产控制计划误差参数。
步骤S122,依据所述第三生产控制计划误差参数,对所述生产控制计划模型进行参数优化,生成优化后的所述生产控制计划模型。
例如,在高阶锗烷提纯生产线的背景下,对于所述依据第一模板生产控制计划变量运用自适应控制训练策略对生产控制计划模型进行参数优化的步骤,可以具体举例如下:
设想在高阶锗烷提纯生产过程中,生产控制计划模型根据先前的第一模板生产控制计划变量发布了一系列控制指令,这些指令可能包括设定反应器的温度、压力等。在执行这些指令后,实际的生产结果与预期目标之间可能存在偏差,即生产控制计划误差。
自适应控制训练策略此时会分析这种偏差,并确定生产控制计划模型的第三生产控制计划误差参数,该参数是一个量化指标,用来衡量生产控制计划模型当前的性能和准确性。
一旦第三生产控制计划误差参数被确定,接下来的步骤是对生产控制计划模型进行参数优化。这个优化过程涉及到调整生产控制计划模型内部的权重、阈值或其他相关参数,以减小生产控制计划误差并提高模型的性能。
例如,如果发现生产控制计划模型在控制反应器温度方面的表现不佳,导致产品质量波动,那么自适应控制训练策略会调整与温度控制相关的参数,使得生产控制计划模型能更准确地预测和调节反应器的工作状态。
参数优化完成后,最终会得到一个经过调整的、性能更好的生产控制计划模型。这个优化后的生产控制计划模型将更加精准地响应第一模板生产控制计划变量,并能够更有效地管理和指导高阶锗烷提纯生产线的操作。
通过这样的参数优化过程,生产控制计划模型持续自我完善,以适应生产过程中出现的新情况和挑战,确保生产控制计划的有效执行,进而提升整个生产线的效率和产品质量。
在一种可能的实施方式中,所述方法还包括:
步骤S150,将目标多方生产控制协同数据加载到所述目标预测网络中的所述分配模型,生成所述分配模型获得的目标生产控制计划。
步骤S160,将所述目标生产控制计划以及所述目标多方生产控制协同数据加载到所述目标预测网络中的所述生产控制计划模型,生成所述生产控制计划模型获得的目标生产控制计划变量,所述目标生产控制计划变量是多方生产控制协同会话中生产控制实例实施所述目标生产控制计划所配置的特征变量。
例如,在锗烷提纯过程中,可以收集了一系列目标多方生产控制协同数据(例如,来自不同传感器的温度、压力、流量等数据)。目标多方生产控制协同数据被加载到目标预测网络中的分配模型,分配模型利用这些数据生成一个新的目标生产控制计划。该目标生产控制计划可能包括调整原料供应量、能源分配等。
接着,目标生产控制计划和目标多方生产控制协同数据被同时加载到目标预测网络中的生产控制计划模型。生产控制计划模型处理这些信息,并生成目标生产控制计划变量,它们是实施目标生产控制计划时所需配置的特征变量,如设备运行参数和质量检测指标。
其中,在依据本阶段的所述目标多方生产控制协同数据和前一阶段的所述目标生产控制计划确定符合可变中止机制时,依据所述分配模型向所述生产控制计划模型生成中止指令,其中,当获得所述中止指令时,所述生产控制计划模型用于依据本阶段的所述目标生产控制计划以及所述目标多方生产控制协同数据生成本阶段的所述目标生产控制计划变量。
例如,可以根据当前阶段的目标多方生产控制协同数据和前一阶段的目标生产控制计划,判断是否符合可变中止机制:如果符合可变中止机制,分配模型将向生产控制计划模型生成中止指令。在获得中止指令后,生产控制计划模型使用当前阶段的目标生产控制计划和目标多方生产控制协同数据来生成本阶段的目标生产控制计划变量,可能导致生产流程的暂停或调整。
在依据本阶段的所述目标多方生产控制协同数据和前一阶段的所述目标生产控制计划确定不符合所述可变中止机制时,依据所述分配模型向所述生产控制计划模型生成稳态指令,其中,当获得所述稳态指令时,所述生产控制计划模型用于依据前一阶段的所述目标生产控制计划以及本阶段的所述目标多方生产控制协同数据生成本阶段的所述目标生产控制计划变量。
例如,如果不符合可变中止机制,分配模型将向生产控制计划模型生成稳态指令。当获得稳态指令时,生产控制计划模型依据前一阶段的目标生产控制计划和本阶段的目标多方生产控制协同数据生成本阶段的目标生产控制计划变量,保持生产流程的连续性和稳定性。
通过这种方法,高阶锗烷提纯生产线可以灵活地响应生产环境的变化。当监测到可能影响产品质量或安全的情况时,可变中止机制允许生产线做出快速反应,如临时中止某个工序或者对控制策略进行紧急调整。当一切正常时,稳态指令确保生产过程的平稳运行,维持高效率和稳定的产出。
在一种可能的实施方式中,步骤S150可以包括:
在符合生产控制计划结束要求时,将本阶段的所述目标多方生产控制协同数据加载到所述分配模型,生成所述分配模型获得的本阶段的所述目标生产控制计划,所述生产控制计划结束要求的符合状态由所述生产控制计划模型依据本阶段的所述目标多方生产控制协同数据以及前一阶段的所述目标生产控制计划进行确定。
例如,在生产控制计划结束要求符合的情况下,比如在一个特定的生产周期结束或达到了某个预定的质量检测点,目标多方生产控制协同数据(例如温度、压力、化学反应速率等监测指标)会被加载到分配模型。这些数据反映了当前阶段的生产状况。
生产控制计划模型根据目标多方生产控制协同数据以及前一阶段的目标生产控制计划评估是否满足生产控制计划结束要求。如果符合要求,分配模型则利用当前阶段的目标多方生产控制协同数据生成本阶段的目标生产控制计划。这个计划将为接下来的生产周期设置新的目标和控制参数。
生产控制计划模型会分析当前阶段的目标多方生产控制协同数据,并与前一阶段的目标生产控制计划进行对比,从而确定是否达到了转换到下一阶段的条件。
以及,在不符合所述生产控制计划结束要求时,将前一阶段的所述目标生产控制计划确定为本阶段的所述目标生产控制计划。例如,如果当前阶段的目标多方生产控制协同数据没有满足生产控制计划结束要求,即当前的生产状态未达到预期的目标,那么生产控制计划模型不会产生新的目标生产控制计划。相反,它会将前一阶段的目标生产控制计划确定为本阶段的目标生产控制计划,以保持生产线的连续运行,直至满足更新条件。
通过上述步骤,在高阶锗烷提纯生产线上实施的生产控制计划能够适应生产过程中出现的变化,同时确保生产效率和产品质量始终保持在最佳状态。这种动态调整机制能够使生产流程更加灵活和自适应,响应生产环境的实时变化。
在一种可能的实施方式中,所述目标预测网络中还包括基元生产控制计划模型,所述分配模型中包括基元计划分配网络,所述基元计划分配网络用于确定对所述基元生产控制计划模型的分配状态。
步骤S150之前,本实施例可以将所述目标多方生产控制协同数据加载到所述基元计划分配网络,生成所述基元计划分配网络获得的目标分配指令。
在步骤S150中,可以在所述目标分配指令表示不调用所述基元生产控制计划模型时,将所述目标多方生产控制协同数据加载到所述分配模型,生成所述分配模型获得的所述目标生产控制计划。
其中,在所述目标分配指令表示调用所述基元生产控制计划模型时,将所述目标多方生产控制协同数据加载到所述基元生产控制计划模型,生成所述基元生产控制计划模型获得的基元生产控制计划变量。
在高阶锗烷提纯生产线的例子中,目标预测网络是一个集成的***,能够处理和分析多方面的生产控制数据。这个目标预测网络不仅包含用于大规模决策的生产控制计划模型,还包括负责更细粒度控制任务的基元生产控制计划模型。现在将讨论这些模型是如何结合目标多方生产控制协同数据来生成指令的:
首先,目标多方生产控制协同数据被加载到基元计划分配网络。基元计划分配网络是分配模型的一部分,它负责确定是否需要调用基元生产控制计划模型。例如,如果检测到提纯过程中某个关键参数(比如锗烷的纯度)偏离了目标值,基元计划分配网络可能会生成一个调用基元生产控制计划模型的目标分配指令。
接下来,根据基元计划分配网络获得的目标分配指令来确定接下来的操作:
如果目标分配指令表示不调用基元生产控制计划模型,那么目标多方生产控制协同数据将直接加载到分配模型中。分配模型会根据这些数据生成目标生产控制计划,这可能涉及整体生产流程的调整,如更改整个提纯工序的运行速率或温度设定。
如果目标分配指令表示调用基元生产控制计划模型,那么目标多方生产控制协同数据会被加载到基元生产控制计划模型中。基元生产控制计划模型会使用这些数据生成基元生产控制计划变量,这些变量可能是更具体的控制指令,如对特定反应器的精细调节或是对某个传感器的校准。
一旦生成了目标生产控制计划或基元生产控制计划变量,这些计划就会被实施到提纯生产线上。对于全局性调整,目标生产控制计划将指导整个生产线的操作;而针对局部或特定问题,基元生产控制计划变量将确保精确的控制和快速响应。
通过这样的流程,目标预测网络能够综合利用目标多方生产控制协同数据,灵活地采取宏观和微观控制策略。这种层次化的控制方法使得生产线可以在保持整体效率的同时,对突发事件做出精准调整,从而优化生产效率和产品质量。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的智慧生产服务***100。
对于一个实施例,图2示出了智慧生产服务***100,该智慧生产服务***100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中,智慧生产服务***100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中,智慧生产服务***100可包括具有指令114的多个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为智慧生产服务***100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DRAM。一些可替代的实施方式中,存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例,控制模块104可包括多个输入/输出控制器,以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为智慧生产服务***100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可结合网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为智慧生产服务***100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为智慧生产服务***100提供接口以依据多个网络通信,智慧生产服务***100可基于多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信,例如接入依据通信标准的无线网络,如WiFi、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如,存储器控制器模块)的逻辑封装在一起。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成***级封装。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上。对于一个实施例,(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上以形成片上***。
在各个实施例中,智慧生产服务***100可以但不限于是:台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,智慧生产服务***100可具有更多或更少的组件和/或不同的架构。例如,一些可替代的实施方式中,智慧生产服务***100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种高阶锗烷提纯生产控制***的状态监控方法,其特征在于,应用于智慧生产服务***,所述方法包括:
将高阶锗烷提纯生产控制***的第一模板多方生产控制协同数据以及第一模板生产控制计划加载到生产控制计划模型,生成所述生产控制计划模型获得的第一模板生产控制计划变量,所述第一模板生产控制计划变量是多方生产控制协同会话中生产控制实例实施所述第一模板生产控制计划所配置的特征变量,所述第一模板多方生产控制协同数据用于表示多方生产控制协同会话过程的协同状态监控数据;
依据所述第一模板生产控制计划变量,运用自适应控制训练策略对所述生产控制计划模型进行参数优化,生成优化后的所述生产控制计划模型;
将第二模板多方生产控制协同数据加载到目标预测网络,生成所述目标预测网络获得的第二模板生产控制计划变量,所述目标预测网络包括分配模型以及优化后的所述生产控制计划模型,所述分配模型用于依据所述第二模板多方生产控制协同数据向所述生产控制计划模型输出第二模板生产控制计划,所述第二模板生产控制计划变量是多方生产控制协同会话中生产控制实例实施所述第二模板生产控制计划所配置的特征变量;
依据所述第二模板生产控制计划以及所述第二模板生产控制计划变量,运用自适应控制训练策略同步对所述分配模型和所述生产控制计划模型进行参数更新;
所述依据所述第二模板生产控制计划以及所述第二模板生产控制计划变量,运用自适应控制训练策略同步对所述分配模型和所述生产控制计划模型进行参数更新,包括:
依据所述第二模板生产控制计划,运用自适应控制训练策略确定所述分配模型的第一分配误差参数;
依据所述第二模板生产控制计划变量,运用自适应控制训练策略确定所述生产控制计划模型的第一生产控制计划误差参数;
依据所述第一分配误差参数和所述第一生产控制计划误差参数同步对所述分配模型和所述生产控制计划模型进行参数更新。
2.根据权利要求1所述的高阶锗烷提纯生产控制***的状态监控方法,其特征在于,所述将第二模板多方生产控制协同数据加载到目标预测网络,生成所述目标预测网络获得的第二模板生产控制计划变量,包括:
在符合生产控制计划结束要求时,将本阶段的所述第二模板多方生产控制协同数据加载到所述分配模型,生成所述分配模型获得的本阶段的所述第二模板生产控制计划,所述生产控制计划结束要求的符合状态由所述生产控制计划模型依据本阶段的所述第二模板多方生产控制协同数据以及前一阶段的所述第二模板生产控制计划进行确定;或者,在不符合所述生产控制计划结束要求时,将前一阶段的所述第二模板生产控制计划确定为本阶段的所述第二模板生产控制计划;
将所述第二模板生产控制计划以及所述第二模板多方生产控制协同数据加载到所述生产控制计划模型,生成所述生产控制计划模型获得的所述第二模板生产控制计划变量。
3.根据权利要求2所述的高阶锗烷提纯生产控制***的状态监控方法,其特征在于,所述方法还包括:
在依据本阶段的所述第二模板多方生产控制协同数据和前一阶段的所述第二模板生产控制计划确定符合可变中止机制时,依据所述分配模型向所述生产控制计划模型生成中止指令,其中,当获得所述中止指令时,所述生产控制计划模型用于依据本阶段的所述第二模板生产控制计划以及所述第二模板多方生产控制协同数据生成本阶段的所述第二模板生产控制计划变量;
在依据本阶段的所述第二模板多方生产控制协同数据和前一阶段的所述第二模板生产控制计划确定不符合所述可变中止机制时,依据所述分配模型向所述生产控制计划模型生成稳态指令,其中,当获得所述稳态指令时,所述生产控制计划模型用于依据前一阶段的所述第二模板生产控制计划以及本阶段的所述第二模板多方生产控制协同数据生成本阶段的所述第二模板生产控制计划变量。
4.根据权利要求1所述的高阶锗烷提纯生产控制***的状态监控方法,其特征在于,所述目标预测网络中还包括基元生产控制计划模型,所述分配模型中包括基元计划分配网络,所述基元计划分配网络用于确定对所述基元生产控制计划模型的分配状态;
所述方法还包括:
将第三模板多方生产控制协同数据加载到所述基元计划分配网络,生成所述基元计划分配网络获得的参考分配指令;
在所述参考分配指令表示不调用所述基元生产控制计划模型时,将所述第三模板多方生产控制协同数据加载到所述分配模型,生成所述分配模型获得的第三模板生产控制计划;
将所述第三模板生产控制计划以及所述第三模板多方生产控制协同数据加载到所述生产控制计划模型,生成所述生产控制计划模型输出的所述第三模板生产控制计划变量,所述第三模板生产控制计划变量是多方生产控制协同会话中生产控制实例实施所述第三模板生产控制计划所配置的特征变量;
在所述参考分配指令表示调用所述基元生产控制计划模型时,将所述第三模板多方生产控制协同数据加载到所述基元生产控制计划模型,生成所述基元生产控制计划模型获得的第四模板生产控制计划变量,所述第四模板生产控制计划变量是多方生产控制协同会话中生产控制实例实施基元生产控制计划所配置的特征变量;
依据所述第三模板生产控制计划,运用自适应控制训练策略确定所述分配模型的第二分配误差参数;
依据所述第三模板生产控制计划变量,运用自适应控制训练策略确定所述生产控制计划模型的第二生产控制计划误差参数; 依据所述参考分配指令,运用自适应控制训练策略确定所述分配模型的第三分配误差参数;
依据所述第四模板生产控制计划变量,运用自适应控制训练策略确定所述基元生产控制计划模型的基元生产控制计划误差参数;
依据所述第二分配误差参数、所述第二生产控制计划误差参数、所述第三分配误差参数以及所述基元生产控制计划误差参数同步对所述分配模型、所述生产控制计划模型以及所述基元生产控制计划模型进行参数更新。
5.根据权利要求1所述的高阶锗烷提纯生产控制***的状态监控方法,其特征在于,所述依据所述第一模板生产控制计划变量,运用自适应控制训练策略对所述生产控制计划模型进行参数优化,生成优化后的所述生产控制计划模型,包括:
依据所述第一模板生产控制计划变量,运用自适应控制训练策略确定所述生产控制计划模型的第三生产控制计划误差参数;
依据所述第三生产控制计划误差参数,对所述生产控制计划模型进行参数优化,生成优化后的所述生产控制计划模型。
6.根据权利要求1-5中任意一项所述的高阶锗烷提纯生产控制***的状态监控方法,其特征在于,所述方法还包括:
将目标多方生产控制协同数据加载到所述目标预测网络中的所述分配模型,生成所述分配模型获得的目标生产控制计划;
将所述目标生产控制计划以及所述目标多方生产控制协同数据加载到所述目标预测网络中的所述生产控制计划模型,生成所述生产控制计划模型获得的目标生产控制计划变量,所述目标生产控制计划变量是多方生产控制协同会话中生产控制实例实施所述目标生产控制计划所配置的特征变量;
其中,在依据本阶段的所述目标多方生产控制协同数据和前一阶段的所述目标生产控制计划确定符合可变中止机制时,依据所述分配模型向所述生产控制计划模型生成中止指令,其中,当获得所述中止指令时,所述生产控制计划模型用于依据本阶段的所述目标生产控制计划以及所述目标多方生产控制协同数据生成本阶段的所述目标生产控制计划变量;
在依据本阶段的所述目标多方生产控制协同数据和前一阶段的所述目标生产控制计划确定不符合所述可变中止机制时,依据所述分配模型向所述生产控制计划模型生成稳态指令,其中,当获得所述稳态指令时,所述生产控制计划模型用于依据前一阶段的所述目标生产控制计划以及本阶段的所述目标多方生产控制协同数据生成本阶段的所述目标生产控制计划变量。
7.根据权利要求6所述的高阶锗烷提纯生产控制***的状态监控方法,其特征在于,所述将目标多方生产控制协同数据加载到所述目标预测网络中的所述分配模型,生成所述分配模型获得的目标生产控制计划,包括:
在符合生产控制计划结束要求时,将本阶段的所述目标多方生产控制协同数据加载到所述分配模型,生成所述分配模型获得的本阶段的所述目标生产控制计划,所述生产控制计划结束要求的符合状态由所述生产控制计划模型依据本阶段的所述目标多方生产控制协同数据以及前一阶段的所述目标生产控制计划进行确定;
以及,在不符合所述生产控制计划结束要求时,将前一阶段的所述目标生产控制计划确定为本阶段的所述目标生产控制计划。
8.根据权利要求6所述的高阶锗烷提纯生产控制***的状态监控方法,其特征在于,所述目标预测网络中还包括基元生产控制计划模型,所述分配模型中包括基元计划分配网络,所述基元计划分配网络用于确定对所述基元生产控制计划模型的分配状态;
所述将目标多方生产控制协同数据加载到所述目标预测网络中的所述分配模型,生成所述分配模型获得的目标生产控制计划之前,所述方法还包括:
将所述目标多方生产控制协同数据加载到所述基元计划分配网络,生成所述基元计划分配网络获得的目标分配指令;
所述将目标多方生产控制协同数据加载到所述目标预测网络中的所述分配模型,生成所述分配模型获得的目标生产控制计划,包括:
在所述目标分配指令表示不调用所述基元生产控制计划模型时,将所述目标多方生产控制协同数据加载到所述分配模型,生成所述分配模型获得的所述目标生产控制计划;
其中,在所述目标分配指令表示调用所述基元生产控制计划模型时,将所述目标多方生产控制协同数据加载到所述基元生产控制计划模型,生成所述基元生产控制计划模型获得的基元生产控制计划变量。
9.一种智慧生产服务***,其特征在于,所述智慧生产服务***包括处理器和机器可读存储介质,该机器可读存储介质中存储有机器可执行指令,该机器可执行指令由该处理器加载并执行以实现权利要求1-8中任意一项所述的高阶锗烷提纯生产控制***的状态监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311593469.6A CN117289671B (zh) | 2023-11-27 | 2023-11-27 | 高阶锗烷提纯生产控制***的状态监控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311593469.6A CN117289671B (zh) | 2023-11-27 | 2023-11-27 | 高阶锗烷提纯生产控制***的状态监控方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117289671A CN117289671A (zh) | 2023-12-26 |
CN117289671B true CN117289671B (zh) | 2024-02-02 |
Family
ID=89258987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311593469.6A Active CN117289671B (zh) | 2023-11-27 | 2023-11-27 | 高阶锗烷提纯生产控制***的状态监控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117289671B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1556486A (zh) * | 2003-12-31 | 2004-12-22 | 冶金自动化研究设计院 | 一种一体化的钢铁企业生产过程在线计划调度***与方法 |
CN101441468A (zh) * | 2008-12-05 | 2009-05-27 | 同济大学 | 基于Virtual-Hub的网络协作生产调度***及其自适应调度方法 |
CN101533261A (zh) * | 2007-09-28 | 2009-09-16 | 费舍-柔斯芒特***股份有限公司 | 用于过程控制***中的智能控制和监控的方法和设备 |
WO2016209121A2 (ru) * | 2015-06-20 | 2016-12-29 | Юлия Владиславовна МЕРКУЛОВА | Способ управления множеством переменных данных потребительских показателей продукции для их оптимизации с учётом временных и пространственных параметров |
CN107709764A (zh) * | 2015-06-30 | 2018-02-16 | 维斯塔斯风力***集团公司 | 用于生成风力涡轮机控制安排的方法和*** |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
KR101846793B1 (ko) * | 2017-10-17 | 2018-04-06 | 부경대학교 산학협력단 | 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템 |
CN109559027A (zh) * | 2018-11-20 | 2019-04-02 | 冶金自动化研究设计院 | 应用于钢铁企业高速工具钢冶炼流程的计划调度*** |
CN113837479A (zh) * | 2021-09-28 | 2021-12-24 | 南京凡科信息科技有限公司 | 一种监测目标设备运行状态的预警方法和*** |
CN116224915A (zh) * | 2022-09-09 | 2023-06-06 | 武汉恒力华振科技有限公司 | 一种基于联邦学习的分布式制造过程质量监测方法及*** |
CN116360331A (zh) * | 2023-06-02 | 2023-06-30 | 山东工泵电机有限公司 | 一种通用的自动化控制***及控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8862535B1 (en) * | 2011-10-13 | 2014-10-14 | Netapp, Inc. | Method of predicting an impact on a storage system of implementing a planning action on the storage system based on modeling confidence and reliability of a model of a storage system to predict the impact of implementing the planning action on the storage system |
WO2022099596A1 (zh) * | 2020-11-13 | 2022-05-19 | 浙江大学 | 一种面向工业个性化定制生产的自适应学习智能调度统一计算框架及*** |
-
2023
- 2023-11-27 CN CN202311593469.6A patent/CN117289671B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1556486A (zh) * | 2003-12-31 | 2004-12-22 | 冶金自动化研究设计院 | 一种一体化的钢铁企业生产过程在线计划调度***与方法 |
CN101533261A (zh) * | 2007-09-28 | 2009-09-16 | 费舍-柔斯芒特***股份有限公司 | 用于过程控制***中的智能控制和监控的方法和设备 |
CN101441468A (zh) * | 2008-12-05 | 2009-05-27 | 同济大学 | 基于Virtual-Hub的网络协作生产调度***及其自适应调度方法 |
WO2016209121A2 (ru) * | 2015-06-20 | 2016-12-29 | Юлия Владиславовна МЕРКУЛОВА | Способ управления множеством переменных данных потребительских показателей продукции для их оптимизации с учётом временных и пространственных параметров |
CN107709764A (zh) * | 2015-06-30 | 2018-02-16 | 维斯塔斯风力***集团公司 | 用于生成风力涡轮机控制安排的方法和*** |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
KR101846793B1 (ko) * | 2017-10-17 | 2018-04-06 | 부경대학교 산학협력단 | 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템 |
CN109559027A (zh) * | 2018-11-20 | 2019-04-02 | 冶金自动化研究设计院 | 应用于钢铁企业高速工具钢冶炼流程的计划调度*** |
CN113837479A (zh) * | 2021-09-28 | 2021-12-24 | 南京凡科信息科技有限公司 | 一种监测目标设备运行状态的预警方法和*** |
CN116224915A (zh) * | 2022-09-09 | 2023-06-06 | 武汉恒力华振科技有限公司 | 一种基于联邦学习的分布式制造过程质量监测方法及*** |
CN116360331A (zh) * | 2023-06-02 | 2023-06-30 | 山东工泵电机有限公司 | 一种通用的自动化控制***及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117289671A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
MacGregor et al. | Monitoring, fault diagnosis, fault-tolerant control and optimization: Data driven methods | |
US11644803B2 (en) | Control system database systems and methods | |
CN105190556B (zh) | 实时多任务***及其执行方法 | |
JP2017524205A (ja) | 無線プロセス信号を使用するモデル予測制御 | |
JP6406466B1 (ja) | 制御装置、制御方法および制御プログラム | |
CN101770215A (zh) | 可编程控制器 | |
US9134713B2 (en) | System and method for fault prognostics enhanced MPC framework | |
Sun et al. | Resource aware quasi-decentralized control of networked process systems over wireless sensor networks | |
WO2016171950A1 (en) | Multivariable control for power-latency management to support optimization of data centers or other systems | |
CN117289671B (zh) | 高阶锗烷提纯生产控制***的状态监控方法及*** | |
KR20090097623A (ko) | 시뮬레이션을 이용한 선제적 일정계획 방법 및 이를 이용한시스템 | |
Tao et al. | Dynamic opportunistic maintenance scheduling for series systems based on Theory of Constraints (TOC)–VLLTW methodology | |
Jovan et al. | Use of key performance indicators in production management | |
Fang et al. | An adaptive job shop scheduling mechanism for disturbances by running reinforcement learning in digital twin environment | |
CN115204751B (zh) | 一种基于区块链的智慧综合能源管控*** | |
US7636915B1 (en) | Multi-level multi-variable control process program execution scheme for distributed process control systems | |
Bettaieb et al. | Reconfigurable manufacturing system: Overview and proposition of new approach | |
Costandy et al. | A scheduling perspective on the monetary value of improving process control | |
CN111103797B (zh) | 基于多变量控制的软件行为调节方法 | |
Tan et al. | Energy-efficient production control of a make-to-stock system with buffer-and time-based policies | |
CN108170532A (zh) | 一种面向大数据应用的云计算资源调度方法 | |
Zedan et al. | Enhancing model-based networked control of uncertain process systems through error-triggered parameter re-identification | |
Hossain et al. | Advanced control software framework for process control applications | |
Jovan et al. | Utilization of key performance indicators in production control | |
CN202647189U (zh) | 基于动态平衡调度的煤气*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |