一种基于大数据的仿真数学模型参数对的估量系统及方法与流程

本发明属于工业控制仿真技术领域，尤其涉及一种基于大数据的仿真数学模型参数对的估量系统及方法。

背景技术：

工业控制系统的设计依赖于受控过程的数学模型。而大多数工业过程的动态特性，可以用一阶时滞模型来近似描述。仿真数学模型在具体工业生产装置应用时，需要做针对性的参数估计。仿真(simulation)，即使用项目模型将特定于某一具体层次的不确定性转化为它们对目标的影响，该影响是在项目仿真项目整体的层次上表示的。项目仿真利用计算机模型和某一具体层次的风险估计，一般采用蒙特卡洛法进行仿真。利用模型复现实际系统中发生的本质过程，并通过对系统模型的实验来研究存在的或设计中的系统，又称模拟。这里所指的模型包括物理的和数学的，静态的和动态的，连续的和离散的各种模型。所指的系统也很广泛，包括电气、机械、化工、水力、热力等系统，也包括社会、经济、生态、管理等系统。当所研究的系统造价昂贵、实验的危险性大或需要很长的时间才能了解系统参数变化所引起的后果时，仿真是一种特别有效的研究手段。仿真的重要工具是计算机。仿真与数值计算、求解方法的区别在于它首先是一种实验技术。仿真的过程包括建立仿真模型和进行仿真实验两个主要步骤。然而，现有工业仿真数学模型建模方法要求施加的输入信号必须满足“持续激励”的条件；为了得到足够的数据，系统必须运行较长的时间；另外参数的计算量也比较大，给工程应用带来了诸多不便；同时，仿真数据筛选主要依赖于仿真数据中存在足量优质样本、优质样本具有足够多样性的前提，对仿真器精度要求严格，实现难度大；增加先验则必需耗费人力物力采集物体信息、构建三维模型，且对于复杂系统而言将是无休无止的工作。

综上所述，现有技术存在的问题是：现有工业仿真数学模型建模方法要求施加的输入信号必须满足“持续激励”的条件；为了得到足够的数据，系统必须运行较长的时间；另外参数的计算量也比较大，给工程应用带来了诸多不便；同时，仿真数据筛选主要依赖于仿真数据中存在足量优质样本、优质样本具有足够多样性的前提，对仿真器精度要求严格，实现难度大；增加先验则必需耗费人力物力采集物体信息、构建三维模型，且对于复杂系统而言将是无休无止的工作。

现有系统或软件应用云服务器或其他服务器存储数据，一是数据安全性无法保证，二是数据完整性无法判断。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于大数据的仿真数学模型参数对的估量系统及方法。

本发明是这样实现的，一种基于大数据的仿真数学模型参数对的估量方法，所述基于大数据的仿真数学模型参数对的估量方法包括：

第一步，利用启动按钮启动仿真数学模型参数对的估量系统；利用按键键盘输入仿真数学模型参数对；

第二步，对工业仿真数学模型参数进行辨识；

第三步，利用数据校准程序对输入仿真数学模型参数对进行校准；

第四步，利用数学模型软件构建仿真数学模型；利用优化程序对仿真数据进行优化；

第五步，利用基于属性加密和基于mac的云服务器集中大数据资源对仿真数学模型参数对数据进行处理分析；

属性加密具体包括：

(1)选择复合阶n＝p1p2p3线性群g，双线性映射函数e：g×g→gt，哈希函数h：{0，1}*→g，随机选择生成元然后公布公共参数para：

para＝(e，g，n，h(·))

(2)每个aak管理属性集合ak，aak输入公共参数para，对ak中的每个属性i随机选择αk，i，βk，i∈zn，并计算其公钥其密钥为：

mskk，j＝{αk，j，βk，j}

aak公布其公钥：

(3)全局标识为gid的合法用户向aak申请自身的属性集合agid，然后aak为集合agid∩ak中的每个属性i生成相应密钥：

用户在每个aak的密钥为：

(4)加密算法将公共参数para、公钥pk和lsss访问控制策略(m，ρ)作为输入，其中m为n×l矩阵；随机生成s∈zn，计算密文：

c0＝m·e(g，g)^s

(5)选择随机数生成向量：

与：

并在矩阵中每一行计算：

同时随机生成λ′x，w′x∈zn；每个叶节点对应于属性i＝ρ(mx)，随机选择ri∈∈zn；对i＝1ton，计算：

c4，j＝λi-λ′i

c5，i＝wi-w′i

则，密文为：

ct＝((m，ρ)，c0，{ci，1，ci，2，ci，3，ci，4，ci，5}i∈[l，l])

(6)解密算法将封装密钥恢复出来；它将ct和sk作为输入，如果用户不满足访问控制策略，则输出错误信息，否则选择可满足访问策略的属性集合：

i＝{i：ρ(i)∈s}

并计算常数ωi∈zn，使∑i∈i(ωi·mi)＝(1，0，...，0)成立，其中mi是指矩阵m的第i行；然后通过下述计算：

a＝a1·a2

m＝ct/a

mac方案包括：

(1)用户首先需要对文件进行分块处理，将文件分为m1，m2，…，mn∈zp，p是一个大素数；

(2)用户选择α、s作为私钥；计算si＝g(i，s)，其中i∈[1，n]，i和s是伪随机函数g(i，s)的参数；

(3)用户端为每个数据块计算一个mac值：σi＝αmi+simodp，然后把数据块集合{mi}和mac集合σi+存储到云存储服务器中；

(4)用户选取要检测的数据块的随机集合q，并生成随机系数vi∈zp，(i∈zp)作为挑战发送给云存储服务器；

(5)远程服务端根据接收到的用户挑战集合q，计算出数对(σ，μ)返回给用户，其中：

σ＝∑i∈qviσi，μ＝∑i∈qvimi·

(6)用户在接收到返回的数对(σ，μ)后，验证等式σ＝αμ+∑i∈qvisi是否成

立；如果成立，说明数据完整；否则，数据已经被破坏；

第六步，利用显示器显示仿真数学模型参数对的估量数据信息。

进一步，所述基于大数据的仿真数学模型参数对的估量方法的参数辨识方法如下：

1)采用开环增益k、时间常数t和延迟时间l三个特征参数描述常见工业受控过程的动态特性；

2)对工业受控过程施加幅值恒定的阶跃信号，记为r(t)，以采样周期δt采集该工业受控过程的输出值，记为y(t)，其中t均为运行时间，单位为秒；

3)计算y(t)的二次方y²(t)和y(t)的三次方y³(t)，并分别计算所得y(t)、y²(t)和y³(t)对应的累加值a1、a2和a3；

步骤2)获取的输出值y(t)、步骤3)计算得到的累加值a1、a2、a3、运行时间t以及采样周期δt，计算出工业受控过程的三个特征参数，包括开环增益k、时间常数t和延迟时间l，其中，时间常数t和延迟时间l的单位均为秒。

本发明的另一目的在于提供一种实现所述基于大数据的仿真数学模型参数对的估量方法的基于大数据的仿真数学模型参数对的估量系统，所述基于大数据的仿真数学模型参数对的估量系统包括：

启动模块，与中央控制模块连接，用于通过启动按钮启动仿真数学模型参数对的估量系统；

参数输入模块，与中央控制模块连接，用于通过按键键盘输入仿真数学模型参数对；

中央控制模块，与启动模块、参数输入模块、参数辨识模块、参数校准模块、数学模型构建模块、仿真优化模块、大数据处理模块、显示模块连接，用于通过单片机控制各个模块正常工作；

参数辨识模块，与中央控制模块连接，用于对工业仿真数学模型参数进行辨识；

参数校准模块，与中央控制模块连接，用于通过数据校准程序对输入仿真数学模型参数对进行校准；

数学模型构建模块，与中央控制模块连接，用于通过数学模型软件构建仿真数学模型；

仿真优化模块，与中央控制模块连接，用于通过优化程序对仿真数据进行优化；

大数据处理模块，与中央控制模块连接，用于通过云服务器集中大数据资源对仿真数学模型参数对数据进行处理分析；

显示模块，与中央控制模块连接，用于通过显示器显示仿真数学模型参数对的估量数据信息。

本发明的另一目的在于提供一种应用所述基于大数据的仿真数学模型参数对的估量方法的工业控制仿真系统。

本发明的优点及积极效果为：本发明通过参数辨识模块只需要给工业过程施加阶跃信号，使得系统建模过程中，工业过程能够平稳运行，当运行稳定后，所需要的数据就采集结束；三个特征参数的算法简单、计算量小，对工业控制器的计算能力要求不高；同时，通过仿真优化模块生成式对抗网络对仿真数据进行优化，使得仿真数据表征愈加接近真实数据，不仅确保了仿真数据的质量与精度，在一定程度上提升了仿真数据的真实可信赖性，同时也降低了仿真器构建的成本。

本发明基于属性加密机制能够有效降低数据冗余、减轻管理者的负担，用户能够自主灵活控制数据的访问，同时保证数据的隐私和安全。本发明基于mac方案进行数据完整性验证，能够及时判断用户上传至云服务器的数据是否遭到损坏。

附图说明

图1是本发明实施例提供的基于大数据的仿真数学模型参数对的估量方法流程图；

图2是本发明实施例提供的基于大数据的仿真数学模型参数对的估量系统结构示意图；

图中：1、启动模块；2、参数输入模块；3、中央控制模块；4、参数辨识模块；5、参数校准模块；6、数学模型构建模块；7、仿真优化模块；8、大数据处理模块；9、显示模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合附图对本发明的结构作详细的描述。

如图1所示，本发明实施例提供的基于大数据的仿真数学模型参数对的估量方法包括以下步骤：

s101：利用启动按钮启动仿真数学模型参数对的估量系统；利用按键键盘输入仿真数学模型参数对；

s102：对工业仿真数学模型参数进行辨识；

s103：利用数据校准程序对输入仿真数学模型参数对进行校准；

s104：利用数学模型软件构建仿真数学模型；利用优化程序对仿真数据进行优化；

s105：利用基于属性加密和基于mac的云服务器集中大数据资源对仿真数学模型参数对数据进行处理分析；

s106：利用显示器显示仿真数学模型参数对的估量数据信息。

步骤s105中，本发明实施例提供的属性加密具体包括：

(1)选择复合阶n＝p1p2p3线性群g，双线性映射函数e：g×g→gt，哈希函数h：{0，1}*→g，随机选择生成元然后公布公共参数para：

para＝(e，g，n，h(·))

(2)每个aak管理属性集合ak，aak输入公共参数para，对ak中的每个属性i随机选择αk，i，βk，i∈zn，并计算其公钥其密钥为：

mskk，i＝{αk，i，βk，i}

aak公布其公钥：

(3)全局标识为gid的合法用户向aak申请自身的属性集合agid，然后aak为集合agid∩ak中的每个属性i生成相应密钥：

用户在每个aak的密钥为：

(4)加密算法将公共参数para、公钥pk和lsss访问控制策略(m，ρ)作为输入，其中m为n×l矩阵；随机生成s∈zn，计算密文：

c0＝m·e(g，g)^s

(5)选择随机数生成向量：

与：

并在矩阵中每一行计算：

同时随机生成λ′x，w′x∈zn；每个叶节点对应于属性i＝ρ(mx)，随机选择ri∈∈zn；对i＝1ton，计算：

c4，i＝λi-λ′i

c5，i＝wi-w′i

则，密文为：

ct＝((m，ρ)，c0，{ci，1，ci，2，ci，3，ci，4，ci，5}i∈[l，l])

(6)解密算法将封装密钥恢复出来；它将ct和sk作为输入，如果用户不满足访问控制策略，则输出错误信息，否则选择可满足访问策略的属性集合：

i＝{i：ρ(i)∈s}

并计算常数ωi∈zn，使∑i∈i(ωi·mi)＝(1，0，...，0)成立，其中mi是指矩阵m的第i行；然后通过下述计算：

a＝a1·a2

m＝ct/a

步骤s105中，本发明实施例提供的mac方案包括：

(1)用户首先需要对文件进行分块处理，将文件分为m1，m2，...，mn∈zp，p是一个大素数；

(2)用户选择α、s作为私钥；计算si＝g(i，s)，其中i∈[1，n]，i和s是伪随机函数g(i，s)的参数；

(3)用户端为每个数据块计算一个mac值：σi＝αmi+simodp，然后把数据块集合{mi}和mac集合σi+存储到云存储服务器中；

(4)用户选取要检测的数据块的随机集合q，并生成随机系数vi∈zp，(i∈zp)作为挑战发送给云存储服务器；

(5)远程服务端根据接收到的用户挑战集合q，计算出数对(σ，μ)返回给用户，其中：

σ＝∑i∈qviσi，μ＝∑i∈qvimi·

(6)用户在接收到返回的数对(σ，μ)后，验证等式σ＝αμ+∑i∈qvisi是否成立；如果成立，说明数据完整；否则，数据已经被破坏。

如图2所示，本发明实施例提供的基于大数据的仿真数学模型参数对的估量系统包括：启动模块1、参数输入模块2、中央控制模块3、参数辨识模块4、参数校准模块5、数学模型构建模块6、仿真优化模块7、大数据处理模块8、显示模块9。

启动模块1，与中央控制模块3连接，用于通过启动按钮启动仿真数学模型参数对的估量系统；

参数输入模块2，与中央控制模块3连接，用于通过按键键盘输入仿真数学模型参数对；

中央控制模块3，与启动模块1、参数输入模块2、参数辨识模块4、参数校准模块5、数学模型构建模块6、仿真优化模块7、大数据处理模块8、显示模块9连接，用于通过单片机控制各个模块正常工作；

参数辨识模块4，与中央控制模块3连接，用于对工业仿真数学模型参数进行辨识；

参数校准模块5，与中央控制模块3连接，用于通过数据校准程序对输入仿真数学模型参数对进行校准；

数学模型构建模块6，与中央控制模块3连接，用于通过数学模型软件构建仿真数学模型；

仿真优化模块7，与中央控制模块3连接，用于通过优化程序对仿真数据进行优化；

大数据处理模块8，与中央控制模块3连接，用于通过云服务器集中大数据资源对仿真数学模型参数对数据进行处理分析；

显示模块9，与中央控制模块3连接，用于通过显示器显示仿真数学模型参数对的估量数据信息。

本发明实施例提供的参数辨识模块4辨识方法如下：

1)采用开环增益k、时间常数t和延迟时间l三个特征参数描述常见工业受控过程的动态特性；

2)对工业受控过程施加幅值恒定的阶跃信号，记为r(t)，以采样周期δt采集该工业受控过程的输出值，记为y(t)，其中t均为运行时间，单位为秒；

3)计算y(t)的二次方y²(t)和y(t)的三次方y³(t)，并分别计算所得y(t)、y²(t)和y³(t)对应的累加值a1、a2和a3；

步骤2)中，本发明实施例提供的获取的输出值y(t)、步骤3)计算得到的累加值a1、a2、a3、运行时间t以及采样周期δt，计算出工业受控过程的三个特征参数，包括开环增益k、时间常数t和延迟时间l，其中，时间常数t和延迟时间l的单位均为秒。

本发明实施例提供的工业受控过程采用公式(1)进行描述：

公式(1)中，k为开环增益，t为时间常数，l为延迟时间，r(t)为工业受控过程的输入信号，y(t)为工业受控过程的输出值，t为运行时间；

记所述工业过程施加幅值为r的阶跃信号为r(t)＝r，以采样周期δt采集该工业受控过程的输出值y(t)，并根据公式(2)计算y(t)、y²(t)和y³(t)分别对应的累加值a1、a2和a3，其中公式(2)如下所示：

本发明实施例提供的当工业受控过程在幅值为r的阶跃信号作用下，输出达到稳态时，其开环增益k、时间常数t和延迟时间l由公式(3)计算得出：

本发明实施例提供的仿真优化模块7优化方法如下：

(1)将仿真器生成的仿真数据输入到第一生成式对抗网络，所述第一生成式对抗网络包括迁移模型；

(2)利用所述迁移模型对所述仿真器生成的仿真数据进行优化，以生成优化仿真数据。

本发明实施例提供的第一生成式对抗网络还包括第一判别模型；所述方法还包括采用以下步骤对所述第一生成式对抗网络进行训练：

将仿真器生成的仿真数据输入到所述迁移模型，由所述迁移模型对所述仿真器生成的仿真数据进行优化，输出优化仿真数据；

将真实数据和所述优化仿真数据输入到所述第一判别模型中，由所述第一判别模型产生所述优化仿真数据的真实性概率；

根据所述真实性概率，通过所述迁移模型和所述第一判别模型的博弈学习，训练所述第一生成式对抗网络。

本发明实施例提供的迁移模型对所述仿真器生成的仿真数据进行优化，以生成优化仿真数据，还包括：

在所述迁移模型的网络传递过程中，利用残差神经网络在所述迁移模型的中的各子网络产生损失输出数据；

将各子网络的所述损失输出数据与输入数据叠加后输入给所述迁移模型的损失函数；

通过所述损失函数对所述仿真器生成的仿真数据进行优化。

本发明实施例提供的第一判别模型产生所述优化仿真数据的真实性概率，还包括：

采用碎片级别统计所述第一判别模型的损失程度，并根据网络收敛趋势、输入数据中物体分布情况设定所述碎片级别的大小。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。