一种基于云端的控制系统和方法与流程

本申请涉及自动控制领域，具体涉及基于云端的控制方法，以及基于云端的控制系统。

背景技术：

当前，先进过程控制(简称apc)的概念和技术逐渐形成，模型预测控制(简称mpc)技术在近30多年得到了发展，模型算法控制(简称mac)、动态矩阵控制(简称dmc)、广义预测控制(简称gpc)算法和抗干扰的鲁棒约束模型预测控制技术等相继被提出并被应用到工业生产过程中。上世纪80年代中后期，集散控制系统(简称dcs)已被广泛地应用，化工工业过程实现全面自动化和先进控制操作。

但是，apc控制器的控制效果依赖其神经网络模型，如果装置工况发生变化，通常会出现模型漂移情况，使得控制准确度降低，装置出现波动。由于神经网络模型具有较强的自学习功能，所以控制器如果采用神经网络模型可以有效地减缓这个情况，但神经网络模型在训练过程中同样会遇到问题。从宏观角度来讲，神经网络是模仿人类的大脑，因此，它们只善于处理曾经学习过的事情，而对于未学习过的只能通过推断的方式来处理。在训练过程中，数据的来源较为单一，无法保证神经网络的训练度，使得一些情况下控制器的表现并不尽如人意。

此外，apc系统都是部署在现场的计算机中。因此，无论是调试还是维护，都需要工程师在现场进行，人工成本成为apc普及的一个瓶颈。由此，提高了项目的实施成本。

技术实现要素：

本申请提供一种基于云端的控制方法，一种基于云端的控制系统；以解决人工现场维护成本高的问题。

为了解决上述技术问题，本申请实施例提供了如下的技术方案：

本申请提供了一种基于云端的控制系统，包括：多个现场处理装置和每个现场处理装置对应的云端处理装置；

所述现场处理装置，配置为获取现场过程数据；

所述云端处理装置，与对应的所述现场处理装置信号连接，配置为：接收对应的所述现场处理装置发送的所述现场过程数据；根据所述现场过程数据获取现场控制策略；将所述现场控制策略发送给对应的所述现场处理装置，以便所述现场处理装置根据所述控制策略工作。

可选的，所述云端处理装置，包括：云端控制模块和神经网络模块；

所述神经网络模块，与对应的所述云端控制模块信号连接，配置为接收所述云端控制模块输入的所述现场过程数据的变化趋势信息，并输出被控变量值；

所述云端控制模块，分别与对应的所述现场处理装置信号连接，配置为：接收对应的所述现场处理装置发送的所述现场过程数据，并将所述现场过程数据的变化趋势信息输入优化的神经网络模块获取所述被控变量值；根据预设控制规则及被控变量值生成现场控制策略；将所述现场控制策略发送给对应的所述现场处理装置，以便所述现场处理装置根据所述现场控制策略工作。

可选的，所述系统还包括云端存储模块；

所述云端存储模块，与多个云端控制模块信号连接，配置为保存并对多个云端控制模块共享所述现场过程数据；

所述云端控制模块，还配置为：从所述云端存储模块中获取所述现场过程数据的变化趋势信息；根据所述变化趋势信息训练所述神经网络模块输出被控变量值，以获取优化的神经网络模块。

可选的，所述云端处理装置还包括与所述云端控制模块对应的定时模块；

所述定时模块，与所述云端控制模块信号连接，配置为根据预设时间周期定时向所述云端控制模块发送训练信号；

所述云端控制模块，配置为：根据所述训练信号从所述云端存储模块中分别获取主变化趋势信息和从变化趋势信息；所述主变化趋势信息是本云端处理装置保存在所述云端存储模块中的现场过程数据的变化趋势信息；所述从变化趋势信息是其他云端处理装置保存在所述云端存储模块中的现场过程数据的变化趋势信息；所述本云端处理装置与其他云端处理装置的功能相同；根据所述主变化趋势信息和对应的预设主权重值、以及所述从变化趋势信息和对应的预设从权重值训练所述神经网络模块输出被控变量值，以获取优化的神经网络模块；其中，所述预设主权重值大于预设从权重值。

可选的，所述现场处理装置，包括：网关、集散控制模块和被控模块；

所述网关，分别与所述集散控制模块和所述云端处理装置信号连接，配置为通过网络在所述集散控制模块与所述云端处理装置之间传送数据；

所述集散控制模块，与所述被控模块信号连接，配置为采集并发送所述被控模块的所述现场过程数据；以及接收所述现场控制策略，并根据所述现场控制策略控制所述被控模块工作。

本申请提供了一种基于云端的控制方法，应用于云端控制模块，包括：

接收对应的现场处理装置发送的现场过程数据；

根据所述现场过程数据获取现场控制策略；

将所述现场控制策略发送给对应的所述现场处理装置，以便所述现场处理装置根据所述控制策略工作。

可选的，所述根据所述现场过程数据获取现场控制策略，包括：

将所述现场过程数据的变化趋势信息输入优化的神经网络模块获取被控变量值；

根据预设控制规则及被控变量值生成现场控制策略。

可选的，在所述接收对应的现场处理装置发送的现场过程数据后，还包括：

将接收的所述现场过程数据保存到共享的云端存储模块中；

所述方法，还包括：

从所述云端存储模块中获取所述现场过程数据的变化趋势信息；

根据所述变化趋势信息训练所述神经网络模块输出被控变量值，以获取优化的神经网络模块。

可选的，所述从所述云端存储模块中获取所述现场过程数据的变化趋势信息，包括：

根据预设时间周期定时从所述云端存储模块中分别获取主变化趋势信息和从变化趋势信息；所述主变化趋势信息是本云端处理装置保存在所述云端存储模块中的现场过程数据的变化趋势信息；所述从变化趋势信息是其他云端处理装置保存在所述云端存储模块中的现场过程数据的变化趋势信息；所述本云端处理装置与其他云端处理装置的功能相同；

根据所述主变化趋势信息和对应的预设主权重值、以及所述从变化趋势信息和对应的预设从权重值训练所述神经网络模块输出被控变量值，以获取优化的神经网络模块。

可选的，所述预设主权重值大于预设从权重值。

基于上述实施例的公开可以获知，本申请实施例具备如下的有益效果：

本申请提供了一种基于云端的控制系统和方法，所述系统包括：多个现场处理装置和每个现场处理装置对应的云端处理装置；所述现场处理装置，配置为获取现场过程数据；所述云端处理装置，与对应的所述现场处理装置信号连接，配置为：接收对应的所述现场处理装置发送的所述现场过程数据；根据所述现场过程数据获取现场控制策略；将所述现场控制策略发送给对应的所述现场处理装置，以便所述现场处理装置根据所述控制策略工作。

本申请将现场处理装置和云端处理装置集成于云端，实现了对现场处理装置的远程在线控制，云端处理装置基于神经网络模型，各个云端处理装置之间可进行交互学习，在工况变动的情况下无需频繁的维护工作，有效地提高了云端处理装置的性能；降低了现场硬件费用以及现场维护费用。对现场处理装置实时监测，并及时调整神经网络模型的输出，实现了稳定控制。

附图说明

图1为本申请实施例提供的基于云端的控制系统的架构图；

图2为本申请实施例提供的基于云端的控制系统的云端处理装置的结构图；

图3为本申请实施例提供的基于云端的控制系统的现场处理装置的结构图；

图4为本申请实施例提供的基于云端的控制方法的流程图。

具体实施方式

下面，结合附图对本申请的具体实施例进行详细的描述，但不作为本申请的限定。

应理解的是，可以对此处公开的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。

包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。

通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。

还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。

当结合附图时，鉴于以下详细说明，本申请的上述和其他方面、特征和优势将变得更为显而易见。

此后参照附图描述本申请的具体实施例；然而，应当理解，所公开的实施例仅仅是本申请的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。

本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本申请的相同或不同实施例中的一个或多个。

本申请提供一种基于云端的控制的方法；本申请还提供一种基于云端的控制的系统。在下面的实施例中逐一进行详细说明。

对本申请提供的第一实施例，即一种基于云端的控制系统的实施例。

下面结合图1对本实施例进行详细说明，其中，图1为本申请实施例提供的基于云端的控制系统的架构图；图2为本申请实施例提供的基于云端的控制系统的云端处理装置的结构图；图3为本申请实施例提供的基于云端的控制系统的现场处理装置的结构图。

本实施例提供了一种基于云端的控制系统，包括：多个现场处理装置和每个现场处理装置对应的云端处理装置。

所述现场处理装置，配置为获取现场过程数据。

现场过程数据，就是在自动化控制过程中，被控设备生成的一系列运行数据。包括：运行状态数据、输入信号和输出信号。例如，汽化炉设备的粉煤流量和氧气流量。

请参见图3所示，所述现场处理装置，包括：网关、集散控制模块和被控模块。

所述网关，分别与所述集散控制模块和所述云端处理装置信号连接，配置为通过网络在所述集散控制模块与所述云端处理装置之间传送数据。

所述集散控制模块，与所述被控模块信号连接，配置为采集并发送所述被控模块的所述现场过程数据；以及接收现场控制策略，并根据所述现场控制策略控制所述被控模块工作。

多个被控模块是工艺相同或者相似的设备，例如，多个被控模块是工艺相同或者相似汽化炉设备，且每个汽化炉可以位于不同的地点，甚至是不同的城市，集散控制模块是dcs，每个dcs通过对应的网关连接到广域网(包括互联网)的云端，与云端的云端处理装置连接，进行过程数据的上传以及控制信号的下载。

所述云端处理装置，与对应的所述现场处理装置信号连接，配置为：接收对应的所述现场处理装置发送的所述现场过程数据；根据所述现场过程数据获取现场控制策略；将所述现场控制策略发送给对应的所述现场处理装置，以便所述现场处理装置根据所述控制策略工作。

所述控制策略就是控制所述现场处理装置工作的一系列控制流程，包括控制信号发出的时间以及信号对象和信号量。

可选的，请参见图2所示，所述云端处理装置，包括：云端控制模块和神经网络模块。

所述神经网络模块，与对应的所述云端控制模块信号连接，配置为接收所述云端控制模块输入的所述现场过程数据的变化趋势信息，并输出被控变量值。

神经网络模块是以基于历史现场过程数据的变化趋势信息获得，例如，现场过程数据的变化趋势信息作为训练样本训练出神经网络模块。关于根据神经网络模块对现场过程数据的变化趋势信息进行分析获取被控变量值以及优化的的神经网络模块的过程本公开实施例不做详述，可参照现有技术中各种实现方式实施。

所述云端控制模块，分别与对应的所述现场处理装置信号连接，配置为：接收对应的所述现场处理装置发送的所述现场过程数据，并将所述现场过程数据的变化趋势信息输入优化的神经网络模块获取所述被控变量值；根据预设控制规则及被控变量值生成现场控制策略；将所述现场控制策略发送给对应的所述现场处理装置，以便所述现场处理装置根据所述现场控制策略工作。

本实施例将现场处理装置和云端处理装置集成于云端，实现了对分布多处的现场处理装置的远程在线控制。同时，云端处理装置基于神经网络模型，可以使云端处理装置的控制过程通过不断的训练神经网络模型而不断调整。从而在工况变动的情况下无需频繁的维护工作，有效地提高了云端处理装置的性能；降低了现场硬件费用以及现场维护费用。

可选的，请参见图1所示，所述系统还包括云端存储模块。例如，云端存储模块是数据库。

所述云端存储模块，与多个云端控制模块信号连接，配置为保存并对多个云端控制模块共享所述现场过程数据。

所述云端存储模块保存了多个现场处理装置上传的现场过程数据。且保存在云端存储模块中不同来源的现场过程数据共享于系统中的每个云端处理装置。也就是系统中的每个云端处理装置都可以使用保存在云端存储模块中所有的现场过程数据。

所述云端控制模块，还配置为：从所述云端存储模块中获取所述现场过程数据的变化趋势信息；根据所述变化趋势信息训练所述神经网络模块输出被控变量值，以获取优化的神经网络模块。

本实施例提供了云端存储模块用于存储并共享不同来源的现场过程数据，从而使各个神经网络模型之间可进行交互学习，在工况变动的情况下无需频繁的维护工作，有效地提高了云端处理装置的性能。

可选的，请参见图2所示，所述云端处理装置还包括与所述云端控制模块对应的定时模块。

所述定时模块，与所述云端控制模块信号连接，配置为根据预设时间周期定时向所述云端控制模块发送训练信号。

所述云端控制模块，配置为：根据所述训练信号从所述云端存储模块中分别获取主变化趋势信息和从变化趋势信息；所述主变化趋势信息是本云端处理装置保存在所述云端存储模块中的现场过程数据的变化趋势信息；所述从变化趋势信息是其他云端处理装置保存在所述云端存储模块中的现场过程数据的变化趋势信息；所述本云端处理装置与其他云端处理装置的功能相同；根据所述主变化趋势信息和对应的预设主权重值、以及所述从变化趋势信息和对应的预设从权重值训练所述神经网络模块输出被控变量值，以获取优化的神经网络模块；其中，所述预设主权重值大于预设从权重值。

例如，汽化炉设备的一个过程变量发生变化，云端处理装置实时获取该变化量，并通过神经网络模块计算出这个干扰变量的变化趋势信息会影响被控变量超出上限；根据这个情况，云端处理装置计算出该被控变量所对应操作变量的调节量，并通过网络将控制信号传递到本云端处理装置以实现优化控制；与此同时，不停的使用云端存储模块中的现场过程数据训练神经网络模型，以保证云端处理装置的性能处于最优状态。

在云端处理装置运行的过程中，其所包含的神经网络模块根据预设时间周期定时由数据库中的数据进行训练，以保证模型处于最优的状态，实现汽化炉设备的优化控制。

对现场处理装置实时监测，并周期性调整神经网络模型的输出，实现了稳定控制。

本实施例将现场处理装置和云端处理装置集成于云端，实现了对现场处理装置的远程在线控制，云端处理装置基于神经网络模型，各个云端处理装置之间可进行交互学习，在工况变动的情况下无需频繁的维护工作，有效地提高了云端处理装置的性能；降低了现场硬件费用以及现场维护费用。对现场处理装置实时监测，并及时调整神经网络模型的输出，实现了稳定控制。

与本申请提供的第一实施例相对应，本申请还提供了第二实施例，即一种基于云端的控制的装置。由于第二实施例基本相似于第一实施例，所以描述得比较简单，相关的部分请参见第一实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。

图4示出了本申请提供的一种基于云端的控制方法的实施例。图4为本申请实施例提供的基于云端的控制方法的流程图。

请参见图4所示，本申请提供一种基于云端的控制方法，包括以下步骤：

步骤s101，接收对应的现场处理装置发送的现场过程数据。

步骤s102，根据所述现场过程数据获取现场控制策略。

可选的，所述根据所述现场过程数据获取现场控制策略，包括以下步骤：

步骤s102-1，将所述现场过程数据的变化趋势信息输入优化的神经网络模块获取被控变量值。

步骤s102-2，根据预设控制规则及被控变量值生成现场控制策略。

步骤s103，将所述现场控制策略发送给对应的所述现场处理装置，以便所述现场处理装置根据所述控制策略工作。

可选的，在所述接收对应的现场处理装置发送的现场过程数据后，还包括以下步骤：

步骤s101-1，将接收的所述现场过程数据保存到共享的云端存储模块中；

可选的，所述方法，还包括以下步骤：

步骤s104，从所述云端存储模块中获取所述现场过程数据的变化趋势信息。

可选的，所述从所述云端存储模块中获取所述现场过程数据的变化趋势信息，包括以下步骤：

步骤s104-1，根据预设时间周期定时从所述云端存储模块中分别获取主变化趋势信息和从变化趋势信息；所述主变化趋势信息是本云端处理装置保存在所述云端存储模块中的现场过程数据的变化趋势信息；所述从变化趋势信息是其他云端处理装置保存在所述云端存储模块中的现场过程数据的变化趋势信息；所述本云端处理装置与其他云端处理装置的功能相同。

步骤s104-2，根据所述主变化趋势信息和对应的预设主权重值、以及所述从变化趋势信息和对应的预设从权重值训练所述神经网络模块输出被控变量值，以获取优化的神经网络模块。

可选的，所述预设主权重值大于预设从权重值。

步骤s105，根据所述变化趋势信息训练所述神经网络模块输出被控变量值，以获取优化的神经网络模块。

本实施例将现场处理装置和云端处理装置集成于云端，实现了对现场处理装置的远程在线控制，云端处理装置基于神经网络模型，各个云端处理装置之间可进行交互学习，在工况变动的情况下无需频繁的维护工作，有效地提高了云端处理装置的性能；降低了现场硬件费用以及现场维护费用。对现场处理装置实时监测，并及时调整神经网络模型的输出，实现了稳定控制。

以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。