CN117826618B - 基于冷轧机控制***的自适应性控制方法及*** - Google Patents
基于冷轧机控制***的自适应性控制方法及*** Download PDFInfo
- Publication number
- CN117826618B CN117826618B CN202410243344.9A CN202410243344A CN117826618B CN 117826618 B CN117826618 B CN 117826618B CN 202410243344 A CN202410243344 A CN 202410243344A CN 117826618 B CN117826618 B CN 117826618B
- Authority
- CN
- China
- Prior art keywords
- network
- node
- logic
- control
- adaptive
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 183
- 238000005097 cold rolling Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000011217 control strategy Methods 0.000 claims abstract description 144
- 238000012360 testing method Methods 0.000 claims abstract description 109
- 230000033228 biological regulation Effects 0.000 claims description 77
- 238000012545 processing Methods 0.000 claims description 43
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000003012 network analysis Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 41
- 238000004519 manufacturing process Methods 0.000 description 34
- 238000005096 rolling process Methods 0.000 description 28
- 210000002569 neuron Anatomy 0.000 description 21
- 230000006870 function Effects 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000004044 response Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010921 in-depth analysis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请实施例提供一种基于冷轧机控制***的自适应性控制方法及***,涉及人工智能技术领域,首先获取第一控制策略网络,并利用自适应性调控引擎对其进行解析,得到目标网络运行逻辑空间。通过对该目标网络运行逻辑空间的分解和节点功效测试,识别出需要增强的目标条件运行节点,并为其构建节点增强方案,使得增强网络逻辑单元能够更好地适应不同的冷轧机操作环境。依据增强网络逻辑单元的自适应控制检索域,确定第一控制策略网络的自适应性控制信息,并据此转换目标网络运行逻辑空间,生成第二控制策略网络的网络配置指令数据,实现对冷轧机的精确、自适应控制,不仅提高了冷轧机的控制效率和灵活性,还降低了操作难度和人为错误的风险。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种基于冷轧机控制***的自适应性控制方法及***。
背景技术
在工业自动化领域,冷轧机作为重要的生产设备,其控制***的性能和稳定性对生产效率和产品质量具有决定性的影响。然而,传统的冷轧机控制***在面对复杂多变的操作环境时,往往难以做到自适应调整,导致生产效率低下、能耗高以及产品质量不稳定等问题。
近年来,随着人工智能技术的快速发展,将AI技术应用于冷轧机控制***以实现自适应控制已成为行业研究的热点。通过构建控制策略网络,并利用自适应性调控引擎对网络进行解析和调整,可以实现对冷轧机操作环境的智能感知和自适应控制。然而,现有的自适应性控制方法往往缺乏对控制策略网络的深入解析和优化。在构建控制策略网络时,通常只关注网络的整体性能,而忽略了对网络内部逻辑结构和节点功效的细致分析。这导致在面对复杂的冷轧机操作环境时,控制策略网络难以做到精确的自适应调整。
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基于冷轧机控制***的自适应性控制方法及***。
第一方面,本申请提供一种基于冷轧机控制***的自适应性控制方法,应用于AI控制***,所述方法包括:
获取用于进行冷轧机控制***的自适应性控制训练的第一控制策略网络,将所述第一控制策略网络加载到自适应性调控引擎,在利用所述自适应性调控引擎对所述第一控制策略网络进行网络解析时,获取反映所述第一控制策略网络的目标网络运行逻辑空间;
对所述目标网络运行逻辑空间进行分解,生成所述目标网络运行逻辑空间的K个网络逻辑单元,K为正整数;
对所述K个网络逻辑单元中的网络逻辑运行节点进行节点功效测试,生成所述K个网络逻辑单元中的网络逻辑运行节点的节点功效测试数据;
如果所述节点功效测试数据表征所述K个网络逻辑单元中的网络逻辑运行节点包含目标条件运行节点,则通过为所述目标条件运行节点所构建的节点增强方案,对所述目标条件运行节点进行节点增强配置,生成所述目标条件运行节点对应的增强运行节点,将所述增强运行节点所在的网络逻辑单元作为增强网络逻辑单元;
依据与所述增强网络逻辑单元所对应的自适应控制检索域,确定所述第一控制策略网络的自适应性控制信息,依据所述自适应性控制信息,对所述目标网络运行逻辑空间进行转换,生成适应于不同冷轧机操作环境的第二控制策略网络的网络配置指令数据;所述网络配置指令数据用于在所述冷轧机操作环境上执行所述第二控制策略网络。
第二方面,本申请实施例还提供一种AI控制***,所述AI控制***包括处理器和计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序依据该处理器加载并执行以实现以上第一方面的基于冷轧机控制***的自适应性控制方法。
本申请的技术效果如下:
本申请实施例首先获取第一控制策略网络,并利用自适应性调控引擎对其进行解析,得到目标网络运行逻辑空间。通过对该目标网络运行逻辑空间的分解和节点功效测试,识别出需要增强的目标条件运行节点,并为其构建节点增强方案,使得增强后的网络逻辑单元(即增强网络逻辑单元)能够更好地适应不同的冷轧机操作环境。进一步地,依据增强网络逻辑单元的自适应控制检索域,确定第一控制策略网络的自适应性控制信息,并据此转换目标网络运行逻辑空间,生成第二控制策略网络的网络配置指令数据,可以直接应用于冷轧机操作环境,实现对冷轧机的精确、自适应控制,不仅提高了冷轧机的控制效率和灵活性,还降低了操作难度和人为错误的风险。
也即,本申请通过利用AI控制***,获取并加载第一控制策略网络到自适应性调控引擎,并对其进行网络解析,从而获取目标网络运行逻辑空间。进一步地,将目标网络运行逻辑空间分解为K个网络逻辑单元,并对每个网络逻辑运行节点进行节点功效测试。如果某节点满足目标条件,就会通过节点增强方案进行增强配置,生成增强运行节点,并将其所在的网络逻辑单元视为增强网络逻辑单元。然后,依据与增强网络逻辑单元所对应的自适应控制检索域,确定第一控制策略网络的自适应性控制信息,并依据此信息,对目标网络运行逻辑空间进行转换,生成适应于不同冷轧机操作环境的第二控制策略网络的网络配置指令数据。由此,可以实现更灵活、更精确的冷轧机操作控制,以适应不同的操作环境,提高冷轧机的操作效率和质量。同时,通过对网络逻辑单元的自适应性控制,也有助于提高网络运行的稳定性和效率,降低了由于环境变化带来的对冷轧机操作的影响。
附图说明
图1为本申请实施例提供的基于冷轧机控制***的自适应性控制方法的流程示意图;
图2为本申请实施例提供的用于实现上述的基于冷轧机控制***的自适应性控制方法的AI控制***的功能结构示意框图。
具体实施方式
参见图1所示,本申请提供一种基于冷轧机控制***的自适应性控制方法,包括以下步骤。
步骤S110,获取用于进行冷轧机控制***的自适应性控制训练的第一控制策略网络,将所述第一控制策略网络加载到自适应性调控引擎,在利用所述自适应性调控引擎对所述第一控制策略网络进行网络解析时,获取反映所述第一控制策略网络的目标网络运行逻辑空间。
本实施例中,AI控制***接收到一个专门为冷轧机控制***设计的自适应性控制训练的第一控制策略网络。这个第一控制策略网络可以是一个由众多神经元和连接组成的深度学习模型,能够根据输入的冷轧机操作数据(如温度、压力、速度等操作状态数据)自动调整输出控制信号,以优化冷轧过程。
例如,所述AI控制***将这个第一控制策略网络加载到自适应性调控引擎中,该自适应性调控引擎是一个高度专业化的软件模块,能够理解、解析和执行神经网络模型。在加载过程中,所述自适应性调控引擎对第一控制策略网络的每一层、每一个神经元和每一个连接进行详细的检查和分析,以确保第一控制策略网络的完整性和正确性。
通过这个过程,该自适应性调控引擎构建了目标网络运行逻辑空间的内部表示,这个表示包含了第一控制策略网络的所有逻辑和操作,使得AI控制***能够清晰地理解第一控制策略网络是如何根据输入数据生成输出控制信号的。
详细地,所述冷轧机控制***是用于管理和控制冷轧机工作过程的***,负责监控和调整冷轧机的各项参数,如轧制力、轧制速度、轧制温度等,以确保产品质量和生产效率。例如,当冷轧机需要生产特定厚度的钢板时,冷轧机控制***可以根据设定的参数自动调整轧辊的间隙和轧制速度,以确保生产出的钢板符合规格要求。
自适应性控制训练是一种机器学习方法,通过不断地学习和调整控制策略,使冷轧机控制***能够适应不同的操作环境和生产需求,实现自动优化控制。例如,在冷轧机生产过程中,由于原材料的性质、机械磨损、环境温度等因素的变化,冷轧机控制***的参数需要不断调整。通过自适应性控制训练,能够学习这些变化,并自动调整参数以维持最佳的生产状态。
所述第一控制策略网络是一个深度学习模型,包含了用于控制冷轧机的各种策略和算法。这个第一控制策略网络能够根据输入的操作数据生成相应的控制信号,以实现自动化控制。例如,假设第一控制策略网络是一个神经网络模型,它的输入层接收冷轧机的实时操作数据(如轧制力、轧制速度等),输出层生成控制信号(如调整轧辊间隙、改变轧制速度等)。通过训练这个神经网络模型,可以得到一个能够根据实时数据自动调整控制参数的控制策略。
所述自适应性调控引擎是一个专门用于加载、解析和执行控制策略网络的软件模块,能够理解控制策略网络的逻辑和结构。
网络解析是指对控制策略网络的内部结构和逻辑进行分析和理解的过程。这个过程包括识别网络的层次结构、神经元之间的连接关系以及每个神经元的计算逻辑等。例如,当自适应性调控引擎加载了第一控制策略网络后,它会对网络进行逐层扫描,分析每一层神经元的输入和输出关系,以及它们之间的权重和偏置等参数。通过这个过程,自适应性调控引擎能够构建一个清晰的内部逻辑图,即目标网络运行逻辑空间。
所述目标网络运行逻辑空间是自适应性调控引擎在解析第一控制策略网络后得到的一个抽象表示,包含了控制策略网络的所有逻辑和操作信息,使得自适应性调控引擎能够清晰地理解网络是如何根据输入数据生成输出控制信号的。
在一个示例中,冷轧机控制***使用了一个深度学习模型作为第一控制策略网络。这个第一控制策略网络是一个多层神经网络,包含了输入层、隐藏层和输出层。输入层接收冷轧机的实时操作数据,如轧制力、轧制速度等;隐藏层对这些数据进行处理和分析;输出层生成控制信号,如调整轧辊间隙、改变轧制速度等。
为了将这个第一控制策略网络应用到实际的冷轧机控制***中,需要将其加载到自适应性调控引擎中。自适应性调控引擎首先会对第一控制策略网络进行网络解析,逐层分析神经元的连接关系和计算逻辑。通过这个过程,引擎构建了一个目标网络运行逻辑空间,清晰地表示了模型是如何根据输入数据生成输出控制信号的。在实际的控制过程中,自适应性调控引擎会实时接收来自冷轧机的操作数据,并利用加载的第一控制策略网络进行处理和分析。根据网络的输出结果,生成相应的控制信号,并发送给冷轧机的执行机构进行实时调整。同时,还会不断收集反馈数据,用于优化和更新控制策略网络,以实现更好的自适应性控制效果。
步骤S120,对所述目标网络运行逻辑空间进行分解,生成所述目标网络运行逻辑空间的K个网络逻辑单元,K为正整数。
本实施例中,在构建了目标网络运行逻辑空间之后,AI控制***开始对其进行分解。例如,可以使用网络剪枝技术,将目标网络运行逻辑空间分解成K个网络逻辑单元。每个网络逻辑单元都是一个相对独立的部分,负责处理特定的输入数据和生成特定的输出信号。
例如,一个网络逻辑单元可能负责监控冷轧机的温度,并根据温度变化调整轧制压力;而另一个网络逻辑单元可能负责监控轧制速度,并根据速度变化调整轧制温度。通过分解,能够更清晰地理解每个网络逻辑单元的功能和作用。
其中,所述网络逻辑单元是经过分解后得到的目标网络运行逻辑空间中的一部分。每个网络逻辑单元都是一个相对独立的逻辑结构,它包含了网络中的一部分神经元和连接方式,负责实现网络中的某个特定功能或任务。例如,第一控制策略网络经过自适应性调控引擎的解析后,得到了一个目标网络运行逻辑空间,包含了网络中所有神经元、层级和连接方式的信息。为了更好地理解和优化这个网络,分解的过程可以通过多种方法实现,如基于层级的分解、基于功能的分解等。在这里,可以选择基于功能的分解方法。基于功能的分解方法意味着将网络划分为多个相对独立的逻辑部分,每个部分负责实现网络中的某个特定功能。例如,可以将网络分解为以下几个网络逻辑单元:
输入处理单元:负责接收并处理来自冷轧机的实时操作数据,如轧制力、轧制速度等。特征提取单元:从输入数据中提取出对控制过程有用的特征信息。决策制定单元:根据提取的特征信息制定控制决策,如调整轧辊间隙、改变轧制速度等。输出生成单元:将控制决策转换为具体的控制信号,并发送给冷轧机的执行机构。通过这种分解方式,可以将复杂的第一控制策略网络划分为多个相对简单的网络逻辑单元。每个网络逻辑单元都有自己的输入和输出,可以独立地进行优化和调试。这不仅提高了网络的可理解性和可维护性,还有助于提升整个控制***的性能和稳定性。
步骤S130,对所述K个网络逻辑单元中的网络逻辑运行节点进行节点功效测试,生成所述K个网络逻辑单元中的网络逻辑运行节点的节点功效测试数据。
接下来,AI控制***对每个网络逻辑单元中的网络逻辑运行节点进行节点功效测试。这个过程类似于对机器的每个部件进行单独的性能测试。
例如,AI控制***为每个网络逻辑运行节点提供一组标准的输入数据,并观察其输出信号。通过对比输出信号与预期结果的差异,AI控制***能够评估每个网络逻辑运行节点的性能。
这个过程会生成大量的节点功效测试数据,这些数据详细记录了每个节点在不同输入条件下的性能表现。通过分析这些数据,AI控制***能够发现哪些节点在特定条件下表现不佳,需要进一步的优化或调整。
详细地,所述网络逻辑运行节点是指在网络逻辑单元中执行特定计算或逻辑操作的单元或者算子。在神经网络中,这些网络逻辑运行节点通常对应于神经元或激活函数,它们接收输入信号,进行加权求和、非线性变换等操作,然后输出到下一个网络逻辑运行节点。每个网络逻辑运行节点都对网络的整体功能有所贡献。例如,一个网络逻辑运行节点可以是一个具体的神经元。这个神经元接收来自其它神经元的输入信号,通过自身的权重和偏置对这些信号进行加权求和,然后应用一个激活函数(如ReLU、Sigmoid等)来引入非线性特性,并最终输出一个信号到下一层神经元。
节点功效测试是指对网络逻辑运行节点的性能或效果进行测试和评估的过程。这个测试旨在衡量网络逻辑运行节点在处理输入、产生输出以及与其它节点协作时的表现。节点功效测试可能包括测量节点的输出准确性、响应速度、鲁棒性等方面。例如,在进行节点功效测试时,可以设计一系列输入数据,观察网络逻辑运行节点对这些输入数据的响应情况。例如,在神经网络的情境中,可以向一个神经元提供不同的输入信号,并记录其输出值。通过分析输入和输出之间的关系,可以评估该神经元在处理特定类型输入时的表现,如其是否能够正确分类输入数据、是否对噪声数据具有鲁棒性等。
假设有一个已经分解好的控制策略网络,由K个网络逻辑单元组成。现在,想要对这些网络逻辑单元中的网络逻辑运行节点进行节点功效测试。
首先,从K个网络逻辑单元中选择一个具体的网络逻辑运行节点进行测试。这个网络逻辑运行节点可以是一个神经元或一个小的神经元集合,具体取决于网络的结构和测试的粒度。接下来,设计一系列测试输入数据。这些数据应该能够覆盖网络逻辑运行节点可能遇到的各种情况,包括正常输入、边界情况以及异常输入等。然后,将测试输入数据输入到选定的网络逻辑运行节点,并观察其输出。同时,还可以记录网络逻辑运行节点在处理这些输入时的计算资源使用情况,如处理时间、内存消耗等。而后,根据网络逻辑运行节点的输出和计算资源使用情况,可以评估网络逻辑运行节点的性能。例如,可以计算网络逻辑运行节点的输出准确性、响应时间等指标,并将其与预期的性能标准进行比较。最后,将测试过程中收集到的所有输入、输出和性能指标整理成节点功效测试数据。这些节点功效测试数据可以用于后续的网络优化、故障排查或性能对比等任务。
通过重复上述步骤,可以对K个网络逻辑单元中的每一个网络逻辑运行节点进行节点功效测试,并生成相应的节点功效测试数据,将为提供有关网络性能的重要信息,并帮助改进和优化控制策略网络的设计和实现。
步骤S140,如果所述节点功效测试数据表征所述K个网络逻辑单元中的网络逻辑运行节点包含目标条件运行节点,则通过为所述目标条件运行节点所构建的节点增强方案,对所述目标条件运行节点进行节点增强配置,生成所述目标条件运行节点对应的增强运行节点,将所述增强运行节点所在的网络逻辑单元作为增强网络逻辑单元。
在分析了节点功效测试数据之后,AI控制***发现了一些性能不佳的目标条件运行节点。这些目标条件运行节点可能因为在某些特定条件下无法准确生成输出信号而导致整个网络模型的性能下降。
为了提高这些目标条件运行节点的性能,AI控制***根据预先构建的节点增强方案对它们进行增强配置。这个节点增强方案可能包括使用更复杂的算法、增加更多的计算资源(如内存、CPU等)或调整数据的输入方式等。
经过增强配置之后,目标条件运行节点转变为增强运行节点,它们的性能得到了显著的提升。同时,它们所在的网络逻辑单元也因为节点的增强而升级为增强网络逻辑单元,整个网络模型的性能也因此得到了提升。
详细地,所述目标条件运行节点是指在节点功效测试中被识别出来,满足特定条件或标准的网络逻辑运行节点。这些条件可能涉及节点的性能、资源消耗、错误率等方面。目标条件运行节点是需要进行改进或增强的节点。例如,假设在节点功效测试中,发现某个节点的响应时间较长,导致整个网络逻辑单元的性能下降。这个节点就可以被标记为目标条件运行节点,因为它满足了设定的性能改进条件。
所述节点增强方案是为目标条件运行节点设计的改进策略或方法。这些方案旨在提升节点的性能、减少资源消耗或提高鲁棒性。节点增强方案可能包括优化算法、参数调整、结构改进等。例如,针对上述响应时间长的目标条件运行节点,可以设计一个节点增强方案,比如优化该节点的计算算法,减少不必要的计算步骤,从而提高其响应速度。
节点增强配置是指根据节点增强方案对目标条件运行节点进行的具体改进操作。这些配置可能涉及修改节点的参数、调整节点的内部结构或引入新的计算资源等。继续以上述响应时间长的节点为例,在节点增强配置阶段,可能会调整该节点的权重参数、更换更高效的激活函数,或者为该节点分配更多的计算资源,以实现优化后的性能。
所述增强网络逻辑单元是指包含了经过节点增强配置后的增强运行节点的网络逻辑单元。这些增强运行节点通过改进和优化,提升了整个网络逻辑单元的性能和效率。例如,假设对一个网络逻辑单元中的一个目标条件运行节点进行了增强配置,使得该目标条件运行节点的性能得到了显著提升。那么,包含了这个增强运行节点的网络逻辑单元就可以被称为增强网络逻辑单元。
在一个示例中,假设第一控制策略网络由多个网络逻辑单元组成。在节点功效测试中,发现其中一个网络逻辑单元中的一个网络逻辑运行节点(称为节点A)在处理特定类型的输入数据时响应时间较长,导致整个网络逻辑单元的性能下降。那么首先,将节点A标记为目标条件运行节点,因为它满足了性能改进的条件。接下来,为节点A设计一个节点增强方案。这个方案可能包括优化节点的计算算法、调整节点的权重参数或引入更高效的激活函数等。根据节点增强方案,对节点A进行具体的改进操作。这可能涉及修改节点的内部结构、更新节点的参数或为其分配更多的计算资源。经过节点增强配置后,节点A的性能得到了显著提升。将其称为增强运行节点。最后,包含了这个增强运行节点的网络逻辑单元就被称为增强网络逻辑单元。这个增强网络逻辑单元在性能和效率上相比原始的网络逻辑单元有了明显的提升。通过这样的过程,可以对第一控制策略网络中的关键节点进行增强配置,从而提升整个网络的性能和稳定性。
步骤S150,依据与所述增强网络逻辑单元所对应的自适应控制检索域,确定所述第一控制策略网络的自适应性控制信息,依据所述自适应性控制信息,对所述目标网络运行逻辑空间进行转换,生成适应于不同冷轧机操作环境的第二控制策略网络的网络配置指令数据。所述网络配置指令数据用于在所述冷轧机操作环境上执行所述第二控制策略网络。
最后,AI控制***可以根据增强网络逻辑单元的特性,在自适应控制检索域中查找与之对应的自适应控制信息。这个自适应控制检索域是一个包含了大量自适应控制策略和算法的数据库,AI控制***能够从中找到最适合当前网络模型的控制策略。
具体而言,根据找到的自适应控制信息,AI控制***对目标网络运行逻辑空间进行整体转换,生成一个适应于不同冷轧机操作环境的第二控制策略网络。这个第二控制策略网络不仅包含了优化后的算法和配置,还能够根据实时的操作环境自动调整其控制策略,以实现最佳的控制效果。
最后,AI控制***将这个第二控制策略网络的具体配置指令数据发送到冷轧机控制***。冷轧机控制***接收到这些数据后,会根据其中的指令自动调整其控制参数和操作策略,从而在实际操作环境中执行第二控制策略网络。这样一来,冷轧机就能够在不同的操作环境下实现自适应的优化控制。
详细地,所述自适应控制检索域是指与增强网络逻辑单元相关联的一组信息或数据,用于检索或确定自适应控制的相关信息,可以包括一组规则、算法或参数,用于指导如何根据增强网络逻辑单元的特性来调整或优化控制策略。例如,假设增强网络逻辑单元负责处理冷轧机的轧制力数据。自适应控制检索域可能包含一系列与轧制力相关的阈值、历史数据或优化算法,用于确定如何根据当前的轧制力数据来调整轧机的控制参数。
所述自适应性控制信息是指基于自适应控制检索域所得到的,用于指导控制策略网络如何自适应地调整其行为的信息,可以包括控制参数的调整值、新的控制逻辑或决策规则等。继续以轧制力为例,自适应性控制信息可能包括根据当前轧制力数据和自适应控制检索域中的规则计算出的新的轧机控制参数,如轧辊间隙的调整量或轧制速度的变化率。
所述第二控制策略网络是指经过对目标网络运行逻辑空间进行转换后得到的新的控制策略网络。这个新的控制策略网络是根据自适应性控制信息进行调整的,以适应不同的冷轧机操作环境。例如,假设原始的第一控制策略网络在某些特定的冷轧机操作环境下表现不佳。通过利用自适应性控制信息对目标网络运行逻辑空间进行转换,可以得到一个经过优化的第二控制策略网络,它能够在这些特定的操作环境下更好地执行控制任务。
所述网络配置指令数据是指用于配置或实现第二控制策略网络的一组指令或数据,可以包括网络的结构信息、权重参数、激活函数等,以及用于在冷轧机操作环境上执行第二控制策略网络的必要配置信息。例如,网络配置指令数据可以是一组具体的数值或代码,用于初始化第二控制策略网络中的神经元权重、设置网络的学习率或指定网络的输入和输出格式等。这些数据将被传输到冷轧机的控制***中,并在那里用于执行第二控制策略网络。
在一个示例中,假设有一个第一控制策略网络,用于控制冷轧机的轧制过程。在测试阶段,发现该第一控制策略网络在某些特定的操作环境下表现不佳。为了改进这个问题,需要利用自适应控制检索域来确定自适应性控制信息,并对目标网络运行逻辑空间进行转换。
首先,分析增强网络逻辑单元的特性,确定与轧制过程相关的关键参数和影响因素。然后,构建一个自适应控制检索域,其中包含一系列与优化轧制过程相关的规则、算法和阈值。利用自适应控制检索域中的信息,分析当前的轧制数据,并根据规则计算出新的控制参数或决策规则。这些自适应性控制信息将用于指导如何调整轧机的控制策略。根据自适应性控制信息,对目标网络运行逻辑空间进行转换。这可能涉及修改网络的结构、调整权重参数或引入新的控制逻辑。通过这个转换过程,得到一个经过优化的第二控制策略网络。最后,根据第二控制策略网络的特性和需求,生成一组网络配置指令数据。这些数据将用于在冷轧机操作环境上配置和实现第二控制策略网络。一旦数据被传输到冷轧机的控制***中并执行,第二控制策略网络将开始运行,并根据自适应性控制信息对轧制过程进行优化控制。
基于以上步骤,本申请实施例首先获取第一控制策略网络,并利用自适应性调控引擎对其进行解析,得到目标网络运行逻辑空间。通过对该目标网络运行逻辑空间的分解和节点功效测试,识别出需要增强的目标条件运行节点,并为其构建节点增强方案,使得增强后的网络逻辑单元(即增强网络逻辑单元)能够更好地适应不同的冷轧机操作环境。进一步地,依据增强网络逻辑单元的自适应控制检索域,确定第一控制策略网络的自适应性控制信息,并据此转换目标网络运行逻辑空间,生成第二控制策略网络的网络配置指令数据,可以直接应用于冷轧机操作环境,实现对冷轧机的精确、自适应控制,不仅提高了冷轧机的控制效率和灵活性,还降低了操作难度和人为错误的风险。
也即,本申请通过利用AI控制***,获取并加载第一控制策略网络到自适应性调控引擎,并对其进行网络解析,从而获取目标网络运行逻辑空间。进一步地,将目标网络运行逻辑空间分解为K个网络逻辑单元,并对每个网络逻辑运行节点进行节点功效测试。如果某节点满足目标条件,就会通过节点增强方案进行增强配置,生成增强运行节点,并将其所在的网络逻辑单元视为增强网络逻辑单元。然后,依据与增强网络逻辑单元所对应的自适应控制检索域,确定第一控制策略网络的自适应性控制信息,并依据此信息,对目标网络运行逻辑空间进行转换,生成适应于不同冷轧机操作环境的第二控制策略网络的网络配置指令数据。由此,可以实现更灵活、更精确的冷轧机操作控制,以适应不同的操作环境,提高冷轧机的操作效率和质量。同时,通过对网络逻辑单元的自适应性控制,也有助于提高网络运行的稳定性和效率,降低了由于环境变化带来的对冷轧机操作的影响。
在一种可能的实施方式中,步骤S110可以包括:
步骤S111,从自适应性控制训练工具包中提取用于进行自适应性控制训练的第一控制策略网络。所述第一控制策略网络是利用所述自适应性控制训练工具包进行深度学习生成的。
本实施例中,AI控制***首先访问其内部存储或外部数据源,从中定位到自适应性控制训练工具包。这个自适应性控制训练工具包是一个集成了深度学习算法和模型的软件包,专门用于生成控制策略网络。AI控制***打开该自适应性控制训练工具包,并从中提取出一个已经通过深度学习训练好的第一控制策略网络。这个第一控制策略网络是一个复杂的神经网络结构,包含了大量的神经元和连接权重,能够根据输入数据做出相应的控制决策。
步骤S112,将所述第一控制策略网络加载到自适应性调控引擎,利用所述自适应性调控引擎将所述第一控制策略网络转换为反映所述第一控制策略网络的初始网络运行逻辑空间。所述初始网络运行逻辑空间利用所述自适应性调控引擎中的网络表征语法进行表示。
AI控制***接下来启动其内部的自适应性调控引擎,这是一个专门用于处理和控制神经网络的高级软件组件。AI控制***将提取出的第一控制策略网络加载到自适应性调控引擎中,所述自适应性调控引擎会识别并解析这个第一控制策略网络的结构和参数。通过这个过程,自适应性调控引擎将第一控制策略网络转换为一个初始网络运行逻辑空间。这个初始网络运行逻辑空间是一个抽象化的表示,使用引擎内部的网络表征语法来描述网络的行为和决策逻辑。
步骤S113,利用所述自适应性调控引擎对所述第一控制策略网络进行网络解析,生成所述第一控制策略网络的网络解析结果,依据所述网络解析结果对所述初始网络运行逻辑空间进行更新,生成所述初始网络运行逻辑空间对应的目标网络运行逻辑空间。
在加载了第一控制策略网络之后,AI控制***的自适应性调控引擎开始对其进行深入的网络解析。这个过程涉及对第一控制策略网络中的每一个神经元、连接和权重进行详细的分析和理解。自适应性调控引擎会遍历第一控制策略网络的每一层,检查每个神经元的激活函数、权重值和连接方式,以及它们是如何共同工作来产生输出的。通过这个解析过程,生成了一个关于第一控制策略网络的全面而详细的网络解析结果。
基于网络解析结果,自适应性调控引擎开始对初始网络运行逻辑空间进行更新。这个更新过程是根据解析结果中发现的网络特性和行为模式来进行的。所述自适应性调控引擎可能会调整初始网络运行逻辑空间中的某些参数、添加新的逻辑规则或优化现有的决策路径,以确保它能够更准确地反映第一控制策略网络的实际运行逻辑。通过这个更新过程,初始网络运行逻辑空间被逐步转换为一个更加精确和优化的目标网络运行逻辑空间。
在这个场景中,通过一系列自动化和智能化的操作,成功地提取、加载、解析和更新了一个复杂的控制策略网络。这个过程展示了现代计算机***在处理复杂神经网络和控制任务方面的强大能力和灵活性。
在一种可能的实施方式中,步骤S120可以包括:
步骤S121,利用所述自适应性调控引擎对所述目标网络运行逻辑空间进行逻辑空间结构分析,生成所述目标网络运行逻辑空间的逻辑空间结构分析结果,依据所述逻辑空间结构分析结果对所述目标网络运行逻辑空间进行分解,生成所述目标网络运行逻辑空间的K个基础运行逻辑单元。所述K个基础运行逻辑单元中的每个基础运行逻辑单元均利用所述自适应性调控引擎中的网络表征语法进行表示。
例如,AI控制***启动自适应性调控引擎,该引擎具备对复杂网络逻辑空间进行深入分析的能力。引擎开始对目标网络运行逻辑空间进行逻辑空间结构分析。这个分析过程涉及识别逻辑空间中的不同组成部分、它们之间的关系以及整体的结构特点。引擎使用先进的算法和技术,如图论、机器学习等,来解析逻辑空间的复杂结构,并生成一个详细的逻辑空间结构分析结果。这个结果是一个全面的蓝图,揭示了逻辑空间内部各个部分的布局、连接方式和相互依赖关系。
然后,基于逻辑空间结构分析结果,AI控制***开始对目标网络运行逻辑空间进行分解。这个过程类似于将一个复杂的机器拆分成多个独立的部件。AI控制***根据分析结果中揭示的逻辑结构和关系,将逻辑空间划分为K个基础运行逻辑单元。每个基础运行逻辑单元都是逻辑空间的一个独立部分,负责执行特定的功能或任务。这种分解有助于简化和优化逻辑空间的处理和管理。
在分解完成后,AI控制***使用自适应性调控引擎中的网络表征语法来表示每个基础运行逻辑单元。网络表征语法是一种专门用于描述网络结构和行为的语言或符号***。通过这种语法,AI控制***能够精确地定义每个基础运行逻辑单元的内部结构、功能以及与其它单元之间的接口和交互方式。这种表征为后续的逻辑简化和优化提供了基础。
步骤S122,在所述自适应性调控引擎所建立的逻辑运行节点样例库中,获取与所述K个基础运行逻辑单元所对应的逻辑运行节点样例,依据所述逻辑运行节点样例对所述K个基础运行逻辑单元中的每个基础运行逻辑单元进行简化处理,生成所述目标网络运行逻辑空间的K个网络逻辑单元。所述K个网络逻辑单元中的每个网络逻辑单元均利用所述自适应性调控引擎中的第一逻辑简化语法进行表示。所述第一逻辑简化语法的语法表征深度小于所述网络表征语法的语法表征深度。
例如,AI控制***访问其内部的逻辑运行节点样例库,这是一个包含了各种预先定义好的逻辑运行节点样例的数据库。每个逻辑运行节点样例都是一个简化版的逻辑单元,用于表示和执行常见的逻辑功能。AI控制***根据基础运行逻辑单元的特性和需求,在逻辑运行节点样例库中找到与之对应的逻辑运行节点样例。这些逻辑运行节点样例为基础运行逻辑单元的简化提供了参考和模板。
AI控制***根据找到的逻辑运行节点样例,对每个基础运行逻辑单元进行简化处理。这个过程涉及去除冗余的结构、优化算法和参数设置等。通过简化处理,基础运行逻辑单元变得更加轻量、高效且易于管理。简化后的逻辑单元被称为网络逻辑单元,它们仍然保留了原始逻辑空间的核心功能和行为特性。
最后,AI控制***使用自适应性调控引擎中的第一逻辑简化语法来表示简化后的网络逻辑单元。第一逻辑简化语法是一种更为简洁和高效的语法***,用于描述简化后的逻辑结构和行为。通过这种语法,AI控制***能够以一种更加紧凑和易于理解的方式来表示网络逻辑单元。这种表示方式不仅提高了逻辑处理的效率,还为后续的逻辑重构和扩展提供了便利。
在一种可能的实施方式中,所述K个网络逻辑单元中的网络逻辑运行节点包含待增强运行节点。
步骤S130可以包括:
1、通过与所述自适应性调控引擎所对应的网络测试组件,获取所述待增强运行节点在所述K个网络逻辑单元中的运算执行频率。
2、在所述运算执行频率符合所述自适应性调控引擎构建的节点增强要求时,确定所述待增强运行节点为目标条件运行节点,且依据所述待增强运行节点为所述目标条件运行节点时的测试结果确定节点功效测试数据,所述测试结果是指对待增强运行节点进行节点功效测试的测试结果。
其中,所述节点增强要求包括执行频率门限参数,在所述运算执行频率不小于所述执行频率门限参数时,确定所述运算执行频率符合所述自适应性调控引擎构建的所述节点增强要求。
AI控制***在执行一系列复杂的网络任务时,依赖于其内部的网络逻辑单元来进行数据处理和决策。这些网络逻辑单元由多个网络逻辑运行节点组成,每个网络逻辑运行节点都负责执行特定的运算或功能。在长期的运行过程中,AI控制***发现某些网络逻辑运行节点的运行效率较低,可能成为性能瓶颈。为了优化性能,AI控制***决定对这些网络逻辑运行节点进行功效测试,并考虑对其中一些网络逻辑运行节点进行增强。
例如,在K个网络逻辑单元中,AI控制***通过监控和分析每个网络逻辑运行节点的性能数据,识别出一个或多个待增强运行节点。这些节点可能因为处理的数据量较大、算法复杂度较高或资源分配不足而表现出较低的运行效率。AI控制***将这些节点标记为待增强运行节点,准备进行进一步的测试和分析。
然后,AI控制***启动与自适应性调控引擎相对应的网络测试组件。这个网络测试组件具备对网络逻辑运行节点进行深入测试的能力。AI控制***通过网络测试组件,向待增强运行节点发送测试请求,并收集这些待增强运行节点在执行测试任务时的运算执行频率数据。这些数据反映了待增强运行节点在单位时间内执行运算的次数,是评估节点性能的重要指标。
AI控制***根据收集到的运算执行频率数据,判断这些数据是否符合自适应性调控引擎构建的节点增强要求。节点增强要求是一组预设的标准,用于确定哪些待增强运行节点需要进行性能优化。其中一个关键的标准是执行频率门限参数。AI控制***将每个待增强运行节点的运算执行频率与执行频率门限参数进行比较。如果某个节点的运算执行频率不小于执行频率门限参数,AI控制***就认为该节点的性能需要优化,并将其确定为目标条件运行节点。
对于被确定为目标条件运行节点的待增强运行节点,AI控制***会进一步分析其在测试过程中的表现,并生成详细的节点功效测试数据。这些数据包括节点的运算执行频率、响应时间、资源占用情况等多个方面的信息。AI控制***将这些数据记录下来,作为后续节点增强操作的依据。同时,AI控制***也会将这些数据与其它非目标条件运行节点的数据进行比较,以更全面地了解整个网络逻辑单元的性能状况。
通过以上步骤,AI控制***能够准确地识别出需要增强的网络逻辑运行节点,并收集到足够的信息来支持后续的优化操作。这将有助于提高AI控制***的整体性能和运行效率。
在一种可能的实施方式中,所述K个网络逻辑单元中的网络逻辑运行节点包含待增强运行节点。
步骤S130可以包括:
1、在利用所述自适应性调控引擎运行所述第一控制策略网络时,通过与所述自适应性调控引擎所对应的节点计算路径测试组件,获取所述待增强运行节点的节点执行代价值。
2、在所述节点执行代价值符合所述自适应性调控引擎构建的节点增强要求时,确定所述待增强运行节点为目标条件运行节点,且依据所述待增强运行节点为所述目标条件运行节点时的测试结果确定节点功效测试数据,所述测试结果是指对待增强运行节点进行节点功效测试的测试结果。
其中,在利用所述节点计算路径测试组件获取到所述第一控制策略网络的全局执行代价值时,获取所述待增强运行节点的节点执行代价值在所述全局执行代价值中的代价权重参数,并在所述代价权重参数不小于门限代价值参数时,确定所述节点执行代价值符合所述自适应性调控引擎构建的所述节点增强要求。
例如,AI控制***启动自适应性调控引擎,并加载第一控制策略网络。引擎开始运行网络,处理输入数据,并生成相应的输出。在运行过程中,引擎会监控每个网络逻辑运行节点的性能表现,包括执行速度、资源消耗等。
在引擎运行第一控制策略网络的同时,AI控制***启动与引擎相对应的节点计算路径测试组件。这个组件能够深入分析网络中每个节点的计算路径和执行效率。AI控制***通过测试组件,特别关注那些被标记为待增强运行节点的性能表现。对于每个待增强运行节点,测试组件会计算其节点执行代价值。这个代价值是一个综合指标,反映了节点在执行任务时的效率、资源消耗和错误率等多个方面的表现。
AI控制***根据收集到的节点执行代价值,判断这些节点执行代价值是否符合自适应性调控引擎构建的节点增强要求。这些节点增强要求是一组预设的标准,用于确定哪些节点需要进行性能优化。其中一个关键的标准是代价权重参数与门限代价值参数的比较。例如,AI控制***首先计算出每个待增强运行节点的节点执行代价值在全局执行代价值中的占比,确定代价权重参数。然后,将这些代价权重参数与预设的门限代价值参数进行比较。如果某个节点的代价权重参数不小于门限代价值参数,AI控制***就认为该节点的性能需要优化,并将其确定为目标条件运行节点。
对于被确定为目标条件运行节点的待增强运行节点,AI控制***会进一步分析其在测试过程中的表现,并生成详细的节点功效测试数据。这些数据包括节点的执行代价值、代价权重参数、资源消耗情况等多个方面的信息。AI控制***将这些数据记录下来,作为后续节点增强操作的依据。同时,AI控制***也会将这些数据与其它非目标条件运行节点的数据进行比较,以更全面地了解整个网络逻辑单元的性能状况。
通过以上步骤,AI控制***能够准确地识别出需要增强的网络逻辑运行节点,并收集到足够的信息来支持后续的优化操作。这将有助于提高AI控制***的整体性能和运行效率。
在一种可能的实施方式中,所述K个网络逻辑单元中的网络逻辑运行节点包含待增强运行节点。
步骤S130可以包括:
1、在利用所述自适应性调控引擎运行所述第一控制策略网络时,通过与所述自适应性调控引擎所对应的资源占用测试组件,获取所述待增强运行节点的资源消耗负荷。
2、在所述资源消耗负荷符合所述自适应性调控引擎构建的节点增强要求时,确定所述待增强运行节点为目标条件运行节点,且依据所述待增强运行节点为所述目标条件运行节点时的测试结果确定节点功效测试数据,所述测试结果是指对待增强运行节点进行节点功效测试的测试结果。
其中, 在所述资源消耗负荷不小于消耗负荷门限参数时,确定所述资源消耗负荷符合所述自适应性调控引擎构建的所述节点增强要求。
例如,AI控制***启动自适应性调控引擎,并加载第一控制策略网络,监控每个网络逻辑运行节点的资源消耗情况。
在引擎运行第一控制策略网络的同时,AI控制***启动与引擎相对应的资源占用测试组件。这个组件能够实时监测和分析每个网络逻辑运行节点的资源占用情况,包括CPU使用率、内存消耗、磁盘I/O等。AI控制***特别关注那些被标记为待增强运行节点的资源消耗情况。对于每个待增强运行节点,测试组件会记录其在一段时间内的资源消耗负荷。
AI控制***根据收集到的资源消耗负荷数据,判断这些数据是否符合自适应性调控引擎构建的节点增强要求。这些要求是一组预设的标准,用于确定哪些节点的资源使用效率需要优化。其中一个关键的标准是消耗负荷门限参数。AI控制***将每个待增强运行节点的资源消耗负荷与消耗负荷门限参数进行比较。如果某个节点的资源消耗负荷不小于消耗负荷门限参数,AI控制***就认为该节点的资源使用效率需要优化,并将其确定为目标条件运行节点。
对于被确定为目标条件运行节点的待增强运行节点,AI控制***会进一步分析其在测试过程中的表现,并生成详细的节点功效测试数据。这些数据包括节点的资源消耗负荷、CPU使用率、内存消耗情况等多个方面的信息。AI控制***将这些数据记录下来,作为后续节点增强操作的依据。同时,AI控制***也会将这些数据与其他非目标条件运行节点的数据进行比较,以更全面地了解整个网络逻辑单元的资源使用情况。
通过以上步骤,AI控制***能够准确地识别出需要优化资源使用效率的网络逻辑运行节点,并收集到足够的信息来支持后续的优化操作。这将有助于提高AI控制***的整体性能和资源使用效率。
在一种可能的实施方式中,所述节点增强方案包括流程调控方案、资源调度增效方案、并发计算优化方案中的一种或多种。所述流程调控方案包括流程分段方案和流程整合方案。
其中,所述K个网络逻辑单元中包含符合节点集成条件的第一网络逻辑运行节点和第二网络逻辑运行节点。
步骤S140可以包括:
步骤S141,如果所述节点功效测试数据表征所述第一网络逻辑运行节点和所述第二网络逻辑运行节点均为目标条件运行节点,则从为所述目标条件运行节点所构建的节点增强方案中,提取为所述第一网络逻辑运行节点和所述第二网络逻辑运行节点构建的第一节点增强方案。
本实施例中,AI控制***根据节点功效测试数据,确定了需要增强的目标条件运行节点,包括第一网络逻辑运行节点和第二网络逻辑运行节点。然后,从预设的节点增强方案库中,提取出为第一网络逻辑运行节点和第二网络逻辑运行节点构建的第一节点增强方案。这个第一节点增强方案可能包含了流程调控、资源调度增效等多种优化措施。
步骤S142,利用所述第一节点增强方案,对作为所述目标条件运行节点的所述第一网络逻辑运行节点和所述第二网络逻辑运行节点进行节点集成处理,生成集成所述第一网络逻辑运行节点和所述第二网络逻辑运行节点后的集成网络逻辑运行节点。
本实施例中,AI控制***利用第一节点增强方案,对第一网络逻辑运行节点和第二网络逻辑运行节点进行节点集成处理。这个处理过程可能包括合并两个节点的功能、优化它们之间的数据传输路径、减少重复计算等。通过集成处理,AI控制***生成了一个新的集成网络逻辑运行节点,这个节点集成了原有两个节点的功能和性能优化措施。
步骤S143,依据所述集成网络逻辑运行节点确定所述目标条件运行节点对应的增强运行节点,且将所述增强运行节点所在的网络逻辑单元作为增强网络逻辑单元。
其中,当所述目标条件运行节点为线性网络逻辑运行节点时,所述第一节点增强方案用于表征针对所述线性网络逻辑运行节点的流程调控操作和资源调度增效操作。
AI控制***根据生成的集成网络逻辑运行节点,确定了目标条件运行节点对应的增强运行节点。同时,将增强运行节点所在的网络逻辑单元标记为增强网络逻辑单元。这个增强网络逻辑单元在运行时将表现出更高的性能和效率。
当目标条件运行节点为线性网络逻辑运行节点时,第一节点增强方案将特别针对这种类型的节点进行设计和应用。AI控制***根据方案中的流程调控操作和资源调度增效操作,对线性网络逻辑运行节点进行优化配置。这可能包括重新安排节点的执行顺序、优化节点的资源分配策略等。通过这些操作,AI控制***的目标是提高线性网络逻辑运行节点的运行效率和资源利用率。
通过以上步骤,AI控制***能够准确地识别出需要增强的网络逻辑运行节点,并根据预设的节点增强方案对其进行优化配置。这将有助于提高AI控制***的整体性能和运行效率。
在一种可能的实施方式中,所述K个网络逻辑单元中包含平面网络逻辑运行节点。
步骤S140还可以包括:
步骤S144,如果所述节点功效测试数据表征所述平面网络逻辑运行节点为目标条件运行节点,则从为所述目标条件运行节点所构建的节点增强方案中,提取为所述平面网络逻辑运行节点构建的第二节点增强方案。
步骤S145,利用所述第二节点增强方案,对作为所述目标条件运行节点的所述平面网络逻辑运行节点进行线性转换,生成所述平面网络逻辑运行节点对应的线性转换运行节点。
步骤S146,依据所述线性转换运行节点确定所述目标条件运行节点对应的增强运行节点,将所述增强运行节点所在的网络逻辑单元作为增强网络逻辑单元。
本实施例中,所述平面网络逻辑运行节点通常以非线性的方式处理数据,可能导致处理效率低下或资源利用不足。为了提升AI控制***性能,AI控制***会对这些平面网络逻辑运行节点进行功效测试,并根据测试结果对目标条件运行节点实施增强配置。
例如,AI控制***通过运行节点功效测试,收集到K个网络逻辑单元中各个节点的性能数据。分析这些数据后,AI控制***发现某个平面网络逻辑运行节点的性能低于预设标准,因此将其确定为目标条件运行节点。这个节点由于以非线性的方式处理数据,导致处理速度较慢且资源消耗较高。
确定目标条件运行节点后,AI控制***从预先设计的节点增强方案中,提取出针对平面网络逻辑运行节点的第二节点增强方案。这个方案旨在通过线性转换技术,将非线性处理的平面网络逻辑运行节点转换为线性处理的节点,从而提高其处理效率和资源利用率。
根据第二节点增强方案,AI控制***开始对目标条件运行节点——即平面网络逻辑运行节点——进行线性转换。这个过程可能包括重新设计节点的数据处理流程、优化算法和数据结构等。转换后,平面网络逻辑运行节点将能够以线性的方式处理数据,从而提高其运行速度和效率。
完成线性转换后,AI控制***生成了一个新的线性转换运行节点。这个节点继承了原平面网络逻辑运行节点的功能,但采用了更高效的线性处理方式。AI控制***将这个新生成的节点确定为目标条件运行节点对应的增强运行节点。
最后,AI控制***将包含增强运行节点的网络逻辑单元标记为增强网络逻辑单元。这意味着在未来的运行过程中,AI控制***将优先使用这些经过优化的增强网络逻辑单元来处理网络请求和数据传输任务,从而提升整体性能。
通过以上步骤,AI控制***能够针对性能低下的平面网络逻辑运行节点实施有效的增强配置,从而提升AI控制***性能和资源利用率。
其中,步骤S145可以包括:
步骤S1451,利用所述第二节点增强方案,将作为所述目标条件运行节点的所述平面网络逻辑运行节点的平面网络结构分解为第一逻辑阵列上的线性网络结构以及第二逻辑阵列上的线性网络结构。所述第一逻辑阵列独立于所述第二逻辑阵列。
步骤S1452,利用所述第一逻辑阵列上的线性网络结构,将所述平面网络逻辑运行节点转换成所述第一逻辑阵列上的线性逻辑运行节点,且利用所述第二逻辑阵列上的线性网络结构,将所述平面网络逻辑运行节点转换成所述第二逻辑阵列上的线性逻辑运行节点,将所述第一逻辑阵列上的线性逻辑运行节点以及所述第二逻辑阵列上的线性逻辑运行节点作为所述平面网络逻辑运行节点对应的线性转换运行节点。
其中,所述第二节点增强方案用于表征针对所述线性转换运行节点的流程分段操作、流程调控操作以及资源调度增效操作。
其中,所述平面网络逻辑运行节点是指在网络逻辑层面上的一个节点,采用平面网络结构进行数据处理和传输,平面网络结构通常意味着节点之间的连接和通信是在一个相对扁平的层次上进行的,没有严格的层级划分。
也就是说,所述平面网络结构是一种网络拓扑结构,其中所有节点(或设备)都位于同一逻辑层面上,它们之间的连接和通信不依赖于严格的上下级关系。这种结构有助于简化网络设计和维护,但在大规模网络中可能导致效率降低。
所述第一逻辑阵列和第二逻辑阵列指的是在分解过程中形成的两个独立的逻辑结构部分。每个逻辑阵列都可能包含原始平面网络结构中的一部分节点和连接,但这些节点和连接在逻辑上是相互独立的,可以单独进行管理和优化。
所述线性网络结构是一种网络拓扑结构,其中节点以线性或序列的方式连接。与平面网络结构相比,所述线性网络结构在某些情况下可能更易于管理和优化,特别是在需要顺序处理或传输数据的情况下。
本实施例中,所述平面网络逻辑运行节点以其独特的平面网络结构处理数据,但在某些情况下,这种处理方式可能导致效率低下。为了提高处理效率,AI控制***决定对目标条件运行节点(即性能低下的平面网络逻辑运行节点)实施增强配置,特别是通过线性转换来提升其性能。
例如,AI控制***根据第二节点增强方案,开始对目标条件运行节点的平面网络结构进行分解。这个过程涉及将复杂的平面网络结构分解为两个独立的逻辑阵列上的线性网络结构——第一逻辑阵列和第二逻辑阵列。这两个逻辑阵列相互独立,各自承载着原平面网络结构中的一部分功能和数据处理任务。
分解完成后,AI控制***开始利用第一逻辑阵列和第二逻辑阵列上的线性网络结构,将平面网络逻辑运行节点转换为线性逻辑运行节点。这意味着AI控制***会重新配置节点的数据处理流程,使其能够以线性的方式在两个逻辑阵列上分别进行处理。转换后,原平面网络逻辑运行节点的功能被分配到两个新的线性逻辑运行节点上,这两个节点分别位于第一逻辑阵列和第二逻辑阵列上。
AI控制***将第一逻辑阵列上的线性逻辑运行节点和第二逻辑阵列上的线性逻辑运行节点确定为平面网络逻辑运行节点对应的线性转换运行节点。这两个新的线性逻辑运行节点将代替原平面网络逻辑运行节点,负责处理原本由后者处理的数据和网络请求。
根据第二节点增强方案的设计,AI控制***还会对线性转换运行节点实施进一步的优化措施。这些措施可能包括流程分段操作,即将节点的处理流程划分为多个独立的段,以便更灵活地调度和管理;流程调控操作,即优化节点间数据处理的顺序和方式,以减少不必要的等待和延迟;以及资源调度增效操作,即重新分配和调整节点的计算资源,以提高资源利用率和处理速度。
通过这些步骤,AI控制***能够成功地将性能低下的平面网络逻辑运行节点转换为更高效的线性逻辑运行节点,从而提升整体的网络处理能力和资源利用效率。
在一种可能的实施方式中,步骤S150可以包括:
步骤S151,从所述节点增强方案中获取所述增强网络逻辑单元中的所述增强运行节点对应的逻辑运算信息,依据获取到的逻辑运算信息生成与所述增强网络逻辑单元所对应的自适应控制检索域。
步骤S152,利用所述自适应性调控引擎中的检索组件,在所述自适应控制检索域中获取所述增强网络逻辑单元的自适应性控制参数,依据所述自适应性控制参数确定所述第一控制策略网络的自适应性控制信息。
步骤S153,依据所述自适应性控制信息,对所述目标网络运行逻辑空间进行简化处理,生成适用于不同冷轧机操作环境的第二控制策略网络的网络配置指令数据。
本实施例中,所述增强网络逻辑单元负责处理和调控与冷轧机操作环境相关的网络逻辑。为了更有效地适应不同的冷轧机操作环境,AI控制***需要依据增强网络逻辑单元的自适应控制检索域,来确定相应的控制策略,并生成适用于不同环境的网络配置指令数据。
例如,AI控制***首先访问节点增强方案,从中提取增强网络逻辑单元中增强运行节点的逻辑运算信息。这些信息描述了增强运行节点在处理网络逻辑时所使用的算法和数据结构。基于这些信息,AI控制***生成一个与增强网络逻辑单元相对应的自适应控制检索域。这个检索域是一个数据结构或算法集合,用于存储和检索与增强运行节点自适应性控制相关的参数和信息。
接下来,AI控制***利用其内部的自适应性调控引擎中的检索组件,在自适应控制检索域中查找和获取增强网络逻辑单元的自适应性控制参数。这些参数是根据增强运行节点的逻辑运算信息和AI控制***的历史运行数据确定的,它们反映了在不同冷轧机操作环境下网络逻辑单元的最佳控制策略。获取到这些参数后,AI控制***进一步确定第一控制策略网络的自适应性控制信息,这些信息描述了如何根据当前的操作环境调整网络逻辑单元的控制策略。
最后,AI控制***根据自适应性控制信息,对目标网络运行逻辑空间进行简化处理。这个过程可能包括去除冗余的逻辑节点、优化数据处理路径、调整资源分配策略等,以提高网络逻辑单元在不同冷轧机操作环境下的适应性和性能。简化处理后,AI控制***生成适用于不同冷轧机操作环境的第二控制策略网络的网络配置指令数据。这些数据包含了调整网络逻辑单元配置和控制策略的具体指令,AI控制***将使用这些数据来配置和控制网络逻辑单元,以适应当前的操作环境。
通过以上步骤,AI控制***能够根据不同冷轧机操作环境的需求,动态地调整其内部网络逻辑单元的控制策略和配置,从而提高其对不同环境的适应性和整体性能。
譬如,在一种可能的实施方式中,所述冷轧机操作环境包括自动化生产线对应的冷轧机控制***,且所述第二控制策略网络包括部署在所述冷轧机控制***上的目标自适应控制网络。所述目标自适应控制网络是通过对所述第一控制策略网络中包含的自适应控制网络进行增强后得到的。
所述方法还包括:
步骤S160,在获取到与所述冷轧机控制***相关联的生产设备的运行数据时,将所述运行数据输入所述目标自适应控制网络。
步骤S170,通过所述目标自适应控制网络对所述运行数据进行特征分析,得到所述生产设备的运行特征,基于所述运行特征调控所述生产设备的控制参数。
步骤S180,根据所述生产设备的控制参数,对所述生产设备进行生产流程控制。
本实施例中,AI控制***与一条自动化生产线相关联,该自动化生产线配备了一个冷轧机控制***。为了更有效地控制生产线上的生产设备,AI控制***部署了一个目标自适应控制网络,这个目标自适应控制网络是对原有的第一控制策略网络中的自适应控制网络进行增强后得到的。目标自适应控制网络被整合在冷轧机控制***中,负责实时监控和调整生产设备的运行。
其中,当生产线上的生产设备开始运行时,冷轧机控制***会实时收集这些生产设备的运行数据。这些数据包括生产设备的运行状态、工作效率、能耗情况等信息。AI控制***与冷轧机控制***相连,能够定期或实时地获取这些运行数据。
AI控制***将获取到的运行数据输入到目标自适应控制网络中。这个目标自适应控制网络已经过训练和优化,能够处理和分析生产设备的运行数据,并根据分析结果做出相应的控制决策。
目标自适应控制网络利用先进的算法和模型,对输入的运行数据进行特征分析。这个过程可能包括数据清洗、特征提取、模式识别等步骤。通过分析,网络能够识别出生产设备的运行特征,比如设备的工作模式、性能瓶颈、潜在故障等。
根据分析得到的运行特征,目标自适应控制网络会生成相应的控制参数。这些参数被用来调整生产设备的运行状态,比如调整设备的工作速度、优化能耗模式、预防潜在故障等。AI控制***将这些控制参数发送回冷轧机控制***,由后者负责实施具体的控制动作。
冷轧机控制***接收到AI控制***发送的控制参数后,会根据这些参数对生产设备进行生产流程控制。这可能包括调整生产线的运行速度、重新分配生产任务、启动或停止某些设备等。通过这些控制动作,生产线能够更高效地运行,提高产品质量和生产效率。
通过以上步骤,AI控制***能够利用目标自适应控制网络对自动化生产线上的生产设备进行智能控制和优化,提高生产线的整体性能和可靠性。
图2本申请实施例中提供了一种AI控制***100,包括处理器1001和存储器1003及存储在存储器1003上的程序代码,该处理器1001执行上述程序代码以实现基于冷轧机控制***的自适应性控制方法的步骤。
图2所示的AI控制***100包括:处理器1001和存储器1003。其中,处理器1001和存储器1003相连,如通过总线1002相连。可选地,AI控制***100还可以包括收发器1004,收发器1004可以用于该AI控制***100与其它AI控制***100之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际调度中收发器1004不限于一个,该AI控制***100的结构并不构成对本申请实施例的限定。
处理器1001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其它可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器1001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线1002可包括一通路,在上述组件之间传送信息。总线1002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线1002可以分为地址总线、数据总线、控制总线等。为便于表示,图2中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器1003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其它类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其它类型的动态存储设备,也可以是EEPROM(ElectricallyErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(CompactDiscRead Only Memory,只读光盘)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质、其它磁存储设备、或者能够用于携带或存储程序代码并能够由计算机读取的任何其它介质,在此不做限定。
存储器1003用于存储执行本申请实施例的程序代码,并由处理器1001来控制执行。处理器1001用于执行存储器1003中存储的程序代码,以实现前述方法实施例所示的步骤。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有程序代码,程序代码被处理器执行时可实现前述方法实施例的步骤及相应内容。
以上所述仅是本申请部分实施场景的可选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请的方案技术构思的前提下,采用依据本申请技术思想的其它类似实施手段,同样属于本申请实施例的保护范畴。
Claims (10)
1.一种基于冷轧机控制***的自适应性控制方法,其特征在于,应用于AI控制***,所述方法包括:
获取用于进行冷轧机控制***的自适应性控制训练的第一控制策略网络,将所述第一控制策略网络加载到自适应性调控引擎,在利用所述自适应性调控引擎对所述第一控制策略网络进行网络解析时,获取反映所述第一控制策略网络的目标网络运行逻辑空间;
对所述目标网络运行逻辑空间进行分解,生成所述目标网络运行逻辑空间的K个网络逻辑单元,K为正整数;
对所述K个网络逻辑单元中的网络逻辑运行节点进行节点功效测试,生成所述K个网络逻辑单元中的网络逻辑运行节点的节点功效测试数据;
如果所述节点功效测试数据表征所述K个网络逻辑单元中的网络逻辑运行节点包含目标条件运行节点,则通过为所述目标条件运行节点所构建的节点增强方案,对所述目标条件运行节点进行节点增强配置,生成所述目标条件运行节点对应的增强运行节点,将所述增强运行节点所在的网络逻辑单元作为增强网络逻辑单元;
依据与所述增强网络逻辑单元所对应的自适应控制检索域,确定所述第一控制策略网络的自适应性控制信息,依据所述自适应性控制信息,对所述目标网络运行逻辑空间进行转换,生成适应于不同冷轧机操作环境的第二控制策略网络的网络配置指令数据;所述网络配置指令数据用于在所述冷轧机操作环境上执行所述第二控制策略网络。
2.根据权利要求1所述的基于冷轧机控制***的自适应性控制方法,其特征在于,所述获取用于进行冷轧机控制***的自适应性控制训练的第一控制策略网络,将所述第一控制策略网络加载到自适应性调控引擎,在利用所述自适应性调控引擎对所述第一控制策略网络进行网络解析时,获取反映所述第一控制策略网络的目标网络运行逻辑空间,包括:
从自适应性控制训练工具包中提取用于进行自适应性控制训练的第一控制策略网络;所述第一控制策略网络是利用所述自适应性控制训练工具包进行深度学习生成的;
将所述第一控制策略网络加载到自适应性调控引擎,利用所述自适应性调控引擎将所述第一控制策略网络转换为反映所述第一控制策略网络的初始网络运行逻辑空间;所述初始网络运行逻辑空间利用所述自适应性调控引擎中的网络表征语法进行表示;
利用所述自适应性调控引擎对所述第一控制策略网络进行网络解析,生成所述第一控制策略网络的网络解析结果,依据所述网络解析结果对所述初始网络运行逻辑空间进行更新,生成所述初始网络运行逻辑空间对应的目标网络运行逻辑空间。
3.根据权利要求1所述的基于冷轧机控制***的自适应性控制方法,其特征在于,所述对所述目标网络运行逻辑空间进行分解,生成所述目标网络运行逻辑空间的K个网络逻辑单元,包括:
利用所述自适应性调控引擎对所述目标网络运行逻辑空间进行逻辑空间结构分析,生成所述目标网络运行逻辑空间的逻辑空间结构分析结果,依据所述逻辑空间结构分析结果对所述目标网络运行逻辑空间进行分解,生成所述目标网络运行逻辑空间的K个基础运行逻辑单元;所述K个基础运行逻辑单元中的每个基础运行逻辑单元均利用所述自适应性调控引擎中的网络表征语法进行表示;
在所述自适应性调控引擎所建立的逻辑运行节点样例库中,获取与所述K个基础运行逻辑单元所对应的逻辑运行节点样例,依据所述逻辑运行节点样例对所述K个基础运行逻辑单元中的每个基础运行逻辑单元进行简化处理,生成所述目标网络运行逻辑空间的K个网络逻辑单元;所述K个网络逻辑单元中的每个网络逻辑单元均利用所述自适应性调控引擎中的第一逻辑简化语法进行表示;所述第一逻辑简化语法的语法表征深度小于所述网络表征语法的语法表征深度。
4.根据权利要求1所述的基于冷轧机控制***的自适应性控制方法,其特征在于,所述K个网络逻辑单元中的网络逻辑运行节点包含待增强运行节点;
所述对所述K个网络逻辑单元中的网络逻辑运行节点进行节点功效测试,生成所述K个网络逻辑单元中的网络逻辑运行节点的节点功效测试数据,包括:
通过与所述自适应性调控引擎所对应的网络测试组件,获取所述待增强运行节点在所述K个网络逻辑单元中的运算执行频率;
在所述运算执行频率符合所述自适应性调控引擎构建的节点增强要求时,确定所述待增强运行节点为目标条件运行节点,且依据所述待增强运行节点为所述目标条件运行节点时的测试结果确定节点功效测试数据,所述测试结果是指对待增强运行节点进行节点功效测试的测试结果;
其中,所述节点增强要求包括执行频率门限参数,在所述运算执行频率不小于所述执行频率门限参数时,确定所述运算执行频率符合所述自适应性调控引擎构建的所述节点增强要求。
5.根据权利要求1所述的基于冷轧机控制***的自适应性控制方法,其特征在于,所述K个网络逻辑单元中的网络逻辑运行节点包含待增强运行节点;
所述对所述K个网络逻辑单元中的网络逻辑运行节点进行节点功效测试,生成所述K个网络逻辑单元中的网络逻辑运行节点的节点功效测试数据,包括:
在利用所述自适应性调控引擎运行所述第一控制策略网络时,通过与所述自适应性调控引擎所对应的节点计算路径测试组件,获取所述待增强运行节点的节点执行代价值;
在所述节点执行代价值符合所述自适应性调控引擎构建的节点增强要求时,确定所述待增强运行节点为目标条件运行节点,且依据所述待增强运行节点为所述目标条件运行节点时的测试结果确定节点功效测试数据,所述测试结果是指对待增强运行节点进行节点功效测试的测试结果;
其中,在利用所述节点计算路径测试组件获取到所述第一控制策略网络的全局执行代价值时,获取所述待增强运行节点的节点执行代价值在所述全局执行代价值中的代价权重参数,并在所述代价权重参数不小于门限代价值参数时,确定所述节点执行代价值符合所述自适应性调控引擎构建的所述节点增强要求。
6.根据权利要求1所述的基于冷轧机控制***的自适应性控制方法,其特征在于,所述K个网络逻辑单元中的网络逻辑运行节点包含待增强运行节点;
所述对所述K个网络逻辑单元中的网络逻辑运行节点进行节点功效测试,生成所述K个网络逻辑单元中的网络逻辑运行节点的节点功效测试数据,包括:
在利用所述自适应性调控引擎运行所述第一控制策略网络时,通过与所述自适应性调控引擎所对应的资源占用测试组件,获取所述待增强运行节点的资源消耗负荷;
在所述资源消耗负荷符合所述自适应性调控引擎构建的节点增强要求时,确定所述待增强运行节点为目标条件运行节点,且依据所述待增强运行节点为所述目标条件运行节点时的测试结果确定节点功效测试数据,所述测试结果是指对待增强运行节点进行节点功效测试的测试结果;
其中, 在所述资源消耗负荷不小于消耗负荷门限参数时,确定所述资源消耗负荷符合所述自适应性调控引擎构建的所述节点增强要求。
7.根据权利要求1所述的基于冷轧机控制***的自适应性控制方法,其特征在于,所述节点增强方案包括流程调控方案、资源调度增效方案、并发计算优化方案中的一种或多种;所述流程调控方案包括流程分段方案和流程整合方案;
其中,所述K个网络逻辑单元中包含符合节点集成条件的第一网络逻辑运行节点和第二网络逻辑运行节点;
所述如果所述节点功效测试数据表征所述K个网络逻辑单元中的网络逻辑运行节点包含目标条件运行节点,则通过为所述目标条件运行节点所构建的节点增强方案,对所述目标条件运行节点进行节点增强配置,生成所述目标条件运行节点对应的增强运行节点,将所述增强运行节点所在的网络逻辑单元作为增强网络逻辑单元,包括:
如果所述节点功效测试数据表征所述第一网络逻辑运行节点和所述第二网络逻辑运行节点均为目标条件运行节点,则从为所述目标条件运行节点所构建的节点增强方案中,提取为所述第一网络逻辑运行节点和所述第二网络逻辑运行节点构建的第一节点增强方案;
利用所述第一节点增强方案,对作为所述目标条件运行节点的所述第一网络逻辑运行节点和所述第二网络逻辑运行节点进行节点集成处理,生成集成所述第一网络逻辑运行节点和所述第二网络逻辑运行节点后的集成网络逻辑运行节点;
依据所述集成网络逻辑运行节点确定所述目标条件运行节点对应的增强运行节点,且将所述增强运行节点所在的网络逻辑单元作为增强网络逻辑单元;
其中,当所述目标条件运行节点为线性网络逻辑运行节点时,所述第一节点增强方案用于表征针对所述线性网络逻辑运行节点的流程调控操作和资源调度增效操作。
8.根据权利要求1所述的基于冷轧机控制***的自适应性控制方法,其特征在于,所述K个网络逻辑单元中包含平面网络逻辑运行节点;
所述如果所述节点功效测试数据表征所述K个网络逻辑单元中的网络逻辑运行节点包含目标条件运行节点,则通过为所述目标条件运行节点所构建的节点增强方案,对所述目标条件运行节点进行节点增强配置,生成所述目标条件运行节点对应的增强运行节点,将所述增强运行节点所在的网络逻辑单元作为增强网络逻辑单元,包括:
如果所述节点功效测试数据表征所述平面网络逻辑运行节点为目标条件运行节点,则从为所述目标条件运行节点所构建的节点增强方案中,提取为所述平面网络逻辑运行节点构建的第二节点增强方案;
利用所述第二节点增强方案,对作为所述目标条件运行节点的所述平面网络逻辑运行节点进行线性转换,生成所述平面网络逻辑运行节点对应的线性转换运行节点;
依据所述线性转换运行节点确定所述目标条件运行节点对应的增强运行节点,将所述增强运行节点所在的网络逻辑单元作为增强网络逻辑单元;
其中,所述利用所述第二节点增强方案,对作为所述目标条件运行节点的所述平面网络逻辑运行节点进行线性转换,生成所述平面网络逻辑运行节点对应的线性转换运行节点,包括:
利用所述第二节点增强方案,将作为所述目标条件运行节点的所述平面网络逻辑运行节点的平面网络结构分解为第一逻辑阵列上的线性网络结构以及第二逻辑阵列上的线性网络结构;所述第一逻辑阵列独立于所述第二逻辑阵列;
利用所述第一逻辑阵列上的线性网络结构,将所述平面网络逻辑运行节点转换成所述第一逻辑阵列上的线性逻辑运行节点,且利用所述第二逻辑阵列上的线性网络结构,将所述平面网络逻辑运行节点转换成所述第二逻辑阵列上的线性逻辑运行节点,将所述第一逻辑阵列上的线性逻辑运行节点以及所述第二逻辑阵列上的线性逻辑运行节点作为所述平面网络逻辑运行节点对应的线性转换运行节点;
其中,所述第二节点增强方案用于表征针对所述线性转换运行节点的流程分段操作、流程调控操作以及资源调度增效操作。
9.根据权利要求1所述的基于冷轧机控制***的自适应性控制方法,其特征在于,所述依据与所述增强网络逻辑单元所对应的自适应控制检索域,确定所述第一控制策略网络的自适应性控制信息,依据所述自适应性控制信息,对所述目标网络运行逻辑空间进行转换,生成适应于不同冷轧机操作环境的第二控制策略网络的网络配置指令数据,包括:
从所述节点增强方案中获取所述增强网络逻辑单元中的所述增强运行节点对应的逻辑运算信息,依据获取到的逻辑运算信息生成与所述增强网络逻辑单元所对应的自适应控制检索域;
利用所述自适应性调控引擎中的检索组件,在所述自适应控制检索域中获取所述增强网络逻辑单元的自适应性控制参数,依据所述自适应性控制参数确定所述第一控制策略网络的自适应性控制信息;
依据所述自适应性控制信息,对所述目标网络运行逻辑空间进行简化处理,生成适用于不同冷轧机操作环境的第二控制策略网络的网络配置指令数据。
10.一种AI控制***,其特征在于,所述AI控制***包括处理器和计算机可读存储介质,该计算机可读存储介质中存储有程序代码,该程序代码由该处理器加载并执行以实现权利要求1-9中任意一项所述的基于冷轧机控制***的自适应性控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410243344.9A CN117826618B (zh) | 2024-03-04 | 2024-03-04 | 基于冷轧机控制***的自适应性控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410243344.9A CN117826618B (zh) | 2024-03-04 | 2024-03-04 | 基于冷轧机控制***的自适应性控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117826618A CN117826618A (zh) | 2024-04-05 |
CN117826618B true CN117826618B (zh) | 2024-05-07 |
Family
ID=90524427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410243344.9A Active CN117826618B (zh) | 2024-03-04 | 2024-03-04 | 基于冷轧机控制***的自适应性控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117826618B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117539157A (zh) * | 2024-01-10 | 2024-02-09 | 广东艾林克能源装备有限公司 | 基于ai的空压机自适应优化控制方法及*** |
CN117639602A (zh) * | 2024-01-26 | 2024-03-01 | 深圳凯升联合科技有限公司 | 电机运行状态自适应调节方法及*** |
-
2024
- 2024-03-04 CN CN202410243344.9A patent/CN117826618B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117539157A (zh) * | 2024-01-10 | 2024-02-09 | 广东艾林克能源装备有限公司 | 基于ai的空压机自适应优化控制方法及*** |
CN117639602A (zh) * | 2024-01-26 | 2024-03-01 | 深圳凯升联合科技有限公司 | 电机运行状态自适应调节方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117826618A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908536B (zh) | Cpu-gpu异构环境中对gpu应用的性能评估方法及*** | |
CN110571792A (zh) | 一种电网调控***运行状态的分析评估方法及*** | |
US20200257974A1 (en) | Generation of expanded training data contributing to machine learning for relationship data | |
CN111859047A (zh) | 一种故障解决方法及装置 | |
KR20200125029A (ko) | 회귀 분석 방법 및 장치 | |
JP2023504103A (ja) | モデル更新システム、モデル更新方法及び関連装置 | |
CN115878984A (zh) | 基于有监督对比学习的振动信号处理方法及设备 | |
CN117826618B (zh) | 基于冷轧机控制***的自适应性控制方法及*** | |
US20230297837A1 (en) | Method for automated determination of a model compression technique for compression of an artificial intelligence-based model | |
CN114298213A (zh) | 基于多维特征向量和分类模型的卫通设备故障诊断方法 | |
CN111461344B (zh) | 高阶特征的自动生成方法、***、设备和介质 | |
KR20080087571A (ko) | 상황 예측 시스템 및 그 방법 | |
CN117527622B (zh) | 网络交换机的数据处理方法及*** | |
CN114676002A (zh) | 基于phm技术的***运维方法及装置 | |
CN117873605B (zh) | 设备端加载方法、装置、设备及存储介质 | |
CN115237606B (zh) | 一种边缘计算控制*** | |
CN117075684B (zh) | 一种Chiplet芯片的自适应时钟网格化校准方法 | |
KR102304321B1 (ko) | 시뮬레이션 실행 시간 예측 장치 및 예측 방법 | |
CN111814948B (zh) | 神经网络的运行方法及运行设备、计算机可读存储介质 | |
CN118069073B (zh) | 数据存储空间动态调整方法、存储子***及智能计算平台 | |
Beattie | Detecting temporal anomalies in time series data utilizing the matrix profile | |
CN118132403B (zh) | 固态硬盘性能测试数据处理方法、装置、设备及存储介质 | |
CN117993894B (zh) | 基于人工智能的轨道交通运维状态数据处理方法及*** | |
Caravela et al. | A closed-loop automatic data-mining approach for preventive network monitoring | |
CN114691459A (zh) | 一种软件***老化预测方法及*** |
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 |