采控一体化设备的控制方法及系统与流程

本技术涉及数据处理，尤其涉及一种采控一体化设备的控制方法及系统。

背景技术：

1、随着工业自动化和智能制造的日新月异，现代生产设备变得越来越复杂和高度集成，这使得对设备状态的实时监控和故障预测显得至关重要。企业对于生产线的连续稳定运行有着极高的要求，任何意外的停机或故障都可能导致重大的生产损失和成本增加。因此，为了确保设备的可靠运行，降低维护成本，并及时发现潜在问题，一个能够高效处理采控设备传感监测信息，同时能准确预测设备状态及其效能趋势的智能系统变得迫切需求。

技术实现思路

1、为了改善上述问题，本技术提供了一种采控一体化设备的控制方法及系统。

2、本技术实施例提供一种采控一体化设备的控制方法，应用于采控一体化设备的控制系统，所述方法包括：

3、获取携带有先验控制处理策略观点的采控设备传感监测信息样例；

4、将所述采控设备传感监测信息样例传入原始智能决策控制网络，所述原始智能决策控制网络包括第一感知决策控制分支和第二感知决策控制分支；所述第一感知决策控制分支的分支模块之间为流向变换的传递更新结构，所述第二感知决策控制分支基于特征焦点化规则生成；

5、通过所述第一感知决策控制分支对所述采控设备传感监测信息样例进行设备状态要素向量的识别处理，得到第一设备状态效能趋势向量；

6、通过所述第二感知决策控制分支根据所述特征焦点化规则，对所述采控设备传感监测信息样例进行故障隐患要素向量的识别处理，得到第二设备状态效能趋势向量；

7、通过所述第一设备状态效能趋势向量以及所述第二设备状态效能趋势向量，确定控制处理策略预测观点；

8、通过所述控制处理策略预测观点与所述先验控制处理策略观点之间的比较结果，对所述原始智能决策控制网络进行调试，得到目标智能决策控制网络。

9、优选的，所述第一感知决策控制分支包括知识向量嵌入子网、残差处理子网、特征下采样子网以及效能趋势输出子网，所述通过所述第一感知决策控制分支对所述采控设备传感监测信息样例进行设备状态要素向量的识别处理，得到第一设备状态效能趋势向量，包括：

10、通过所述知识向量嵌入子网提取所述采控设备传感监测信息样例的设备状态要素向量，得到状态链知识向量集以及状态节点知识向量集；

11、通过所述残差处理子网对所述状态链知识向量集进行残差连接，得到状态链知识向量关系网；

12、通过所述残差处理子网对所述状态节点知识向量集进行残差连接，得到状态节点知识向量关系网；

13、通过所述特征下采样子网对所述状态链知识向量关系网以及所述状态节点知识向量关系网进行知识集成，得到状态知识集成关系网；

14、通过所述效能趋势输出子网对所述状态知识集成关系网进行效能趋势输出，得到所述第一设备状态效能趋势向量。

15、优选的，所述知识向量嵌入子网包括设备传感状态识别模块、链式识别模块以及节点式识别模块，所述通过所述知识向量嵌入子网提取所述采控设备传感监测信息样例的设备状态要素向量，得到状态链知识向量集以及状态节点知识向量集，包括：

16、通过所述设备传感状态识别模块提取所述采控设备传感监测信息样例的量化向量，得到状态链式量化向量和状态节点式量化向量；

17、通过所述链式识别模块提取所述采控设备传感监测信息样例的第一线性状态监测元素，得到第一线性状态监测向量；

18、通过所述节点式识别模块提取所述采控设备传感监测信息样例的第二线性状态监测元素，得到第二线性状态监测向量；

19、依据所述状态链式量化向量以及所述第一线性状态监测向量，生成所述状态链知识向量集；

20、依据所述状态节点式量化向量以及所述第二线性状态监测向量，生成所述状态节点知识向量集。

21、优选的，所述知识向量嵌入子网还包括长短期记忆模块，所述依据所述状态链式量化向量以及所述第一线性状态监测向量，生成所述状态链知识向量集，包括：

22、通过所述长短期记忆模块提取所述第一线性状态监测向量的长距离监测变量，得到原始长距离监测结果；

23、依据所述状态链式量化向量以及所述原始长距离监测结果，生成所述状态链知识向量集；

24、所述依据所述状态节点式量化向量以及所述第二线性状态监测向量，生成所述状态节点知识向量集，包括：

25、通过所述长短期记忆模块提取所述第二线性状态监测向量的长距离监测变量，得到原始短距离监测结果；

26、依据所述状态节点式量化向量以及所述原始短距离监测结果，生成所述状态节点知识向量集。

27、优选的，所述第一感知决策控制分支还包括特征下采样子网，所述通过所述特征下采样子网对所述状态链知识向量关系网以及所述状态节点知识向量关系网进行知识集成，得到状态知识集成关系网，包括：

28、通过所述特征下采样子网对所述状态链知识向量关系网进行采控设备传感监测信息下采样，得到长距离监测下采样向量；

29、通过所述特征下采样子网对所述状态节点知识向量关系网进行采控设备传感监测信息下采样，得到短距离监测下采样向量；

30、通过所述特征下采样子网对所述长距离监测下采样向量以及所述短距离监测下采样向量进行知识集成，得到所述状态知识集成关系网。

31、优选的，所述第二感知决策控制分支包括特征挖掘核、特征处理核以及效能趋势生成分支，所述故障隐患要素向量表征目标采控周期的隐患描述知识；所述通过所述第二感知决策控制分支根据所述特征焦点化规则，对所述采控设备传感监测信息样例进行故障隐患要素向量的识别处理，得到第二设备状态效能趋势向量，包括：

32、通过所述特征挖掘核对各个采控周期的采控设备传感监测信息样例进行特征挖掘，得到第一线性状态监测元素链；

33、通过所述第一线性状态监测元素链，确定采控状态推演特征；

34、通过所述特征焦点化规则对所述第一线性状态监测元素链进行长距离监测变量提取，得到长距离监测特征；

35、通过所述特征处理核对所述采控状态推演特征以及所述长距离监测特征进行解析，确定目标采控周期的隐患描述知识；

36、基于效能趋势生成分支对所述隐患描述知识进行效能趋势输出，得到所述第二设备状态效能趋势向量。

37、优选的，所述通过所述第一线性状态监测元素链，确定采控状态推演特征，包括：

38、生成参考热力知识图集；

39、通过所述参考热力知识图集，确定所述第一线性状态监测元素链对应的全局评估指标和离散评估指标；

40、根据所述全局评估指标以及离散评估指标，确定所述参考热力知识图集中任一热力知识图的采控状态推演特征。

41、优选的，所述通过所述控制处理策略预测观点与所述先验控制处理策略观点之间的比较结果，对所述原始智能决策控制网络进行调试，得到目标智能决策控制网络，包括：

42、通过所述控制处理策略预测观点以及所述先验控制处理策略观点之间的比较结果，确定目标网络训练误差；

43、通过所述目标网络训练误差调整所述原始智能决策控制网络的神经元偏置权重，得到所述目标智能决策控制网络。

44、优选的，所述第一设备状态效能趋势向量表征效能趋势观点为效能趋势观点样例的第一判别可能性，所述第二设备状态效能趋势向量表征效能趋势观点为所述效能趋势观点样例的第二判别可能性，所述通过所述第一设备状态效能趋势向量以及所述第二设备状态效能趋势向量，确定控制处理策略预测观点，包括：

45、确定所述第一判别可能性与所述第二判别可能性的平均可能性；

46、将所述平均可能性确定为所述控制处理策略预测观点。

47、优选的，所述方法还包括：

48、获取所述采控设备传感监测信息样例对应的任务标签；

49、通过所述任务标签，确定所述第一设备状态效能趋势向量的第一目标置信度以及所述第二设备状态效能趋势向量的第二目标置信度；

50、所述通过所述第一设备状态效能趋势向量以及所述第二设备状态效能趋势向量，确定控制处理策略预测观点，包括：

51、通过所述第一设备状态效能趋势向量与所述第一目标置信度的特征运算结果，确定第一效能调节建议特征；

52、通过所述第二设备状态效能趋势向量与所述第二目标置信度的特征运算结果，确定第二效能调节建议特征；

53、通过所述第一效能调节建议特征以及所述第二效能调节建议特征，确定所述控制处理策略预测观点。

54、优选的，所述原始智能决策控制网络还包括第三感知决策控制分支，所述方法还包括：

55、提取所述采控设备传感监测信息样例中的目标采控设备传感监测信息；所述目标采控设备传感监测信息为反映效能趋势的采控设备传感监测信息；

56、通过所述第三感知决策控制分支对所述目标采控设备传感监测信息进行效能趋势向量识别处理，得到第三设备状态效能趋势向量；

57、所述通过所述第一设备状态效能趋势向量以及所述第二设备状态效能趋势向量，确定控制处理策略预测观点，包括：

58、通过所述第一设备状态效能趋势向量、所述第二设备状态效能趋势向量以及所述第三设备状态效能趋势向量，确定所述控制处理策略预测观点。

59、除此之外，在一些独立性实施例中，所述方法还包括：

60、通过所述第一感知决策控制分支对所述采控设备传感监测信息样例进行设备状态要素向量的识别处理，得到第一设备状态要素向量；

61、通过所述第二感知决策控制分支根据所述特征焦点化规则，对所述采控设备传感监测信息样例进行故障隐患要素向量的识别处理，得到第二设备状态要素向量；

62、将所述第一设备状态要素向量以及所述第二设备状态要素向量进行拼接，得到全局效能趋势向量；

63、通过所述全局效能趋势向量，确定所述控制处理策略预测观点。

64、除此之外，在一些独立性实施例中，所述方法还包括：

65、获取待分析采控设备传感监测信息；

66、将所述待分析采控设备传感监测信息传入目标智能决策控制网络进行效能趋势观点解析处理，得到所述待分析采控设备传感监测信息对应的目标效能趋势观点。

67、本技术实施例提供一种采控一体化设备的控制系统，包括至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行上述的方法。

68、本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述的方法。

69、本技术实施例通过构建一个创新的双分支智能决策控制网络，实现了对现代生产设备状态的高效实时监控和精准故障预测，显著提升了工业自动化和智能制造的可靠性和智能化水平。具体来说，该系统首先获取携带有先验知识的采控设备传感监测信息，然后利用一个包含两个感知决策控制分支的原始智能决策控制网络进行处理。这两个分支分别具有独特的结构和规则，能够有效地识别设备状态要素和故障隐患要素，从而生成设备状态效能趋势向量。通过这些向量的综合分析，系统能够确定一个精准的控制处理策略预测观点。最后，通过与先验控制处理策略观点的比较和调试，系统能够自我优化，生成一个更为精准的目标智能决策控制网络。

70、如此，不仅能够实时监控设备的运行状态，及时发现并预测潜在的故障，从而大幅减少意外停机和生产损失，降低维护成本；而且，通过自我学习和优化，该系统能够适应不断变化的生产环境和设备状态，提供更为精准的预测和控制策略。这为企业确保生产线的连续稳定运行，提高生产效率，降低运营成本提供了有力的技术支持。总的来说，本技术实施例为工业自动化和智能制造领域带来了一种高效、智能且可靠的设备状态监控和故障预测解决方案。