数据处理方法、自动控制方法及装置

技术领域

本申请实施例涉及自动控制技术领域，尤其涉及一种数据处理方法、自动控制方法及装置。

背景技术

自动控制(Automatic Control)，是指在没有人直接参与的情况下，利用外加控制设备，使生产机器或生产过程中的某个工作状态或参数自动按照预定的规律运行，通过自动控制可以大大提高控制效率，因此被广泛应用在工业生产中。

其中，被控变量是指在自动控制过程中，需要被控制的工艺参数，比如温度、湿度、气压等；操作变量是指在自动控制中，可以改变被控变量的控制对象，比如加热器、冷风机等，实现自动控制需要知道操作变量的操作数据，例如加热器的加热程度等。

目前，为了实现自动控制，常使用模型控制预测方法，通过预测模型首先基于操作变量的历史操作数据，对被控变量进行预测。之后，基于被控变量的预测值和期望值，来优化操作变量的当前输入值，从而将优化获得的操作变量的当前输入值，来进行自动控制。现有技术中，预测模型通常采用的是机理模型，机理模型是结合人工经验对生产过程的了解而建立起来的精确数学模型。然后，由于实际生产工况复杂，人工建立的机理模型并不能准确表达被控变量与操作变量之间的复杂关系，导致现有自动控制过程并不准确。

发明内容

本申请实施例提供一种数据处理方法、自动控制方法及装置，提高了自动控制准确度。

第一方面，本申请实施例中提供了一种数据处理方法，包括：

确定至少一个被控变量及至少一个目标操作变量；

按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；

利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型；

其中，所述第一模型用于基于所述至少一个目标操作变量前一时间步的操作数据，预测获得所述至少一个被控变量在当前时间步的预测值。

第二方面，本申请实施例中提供了一种自动控制方法，包括：

确定至少一个被控变量及至少一个目标操作变量；

基于所述至少一个目标操作变量前一个时间步的操作数据，利用第一模型，预测获得所述至少一个被控变量在当前时间步的预测值；其中，所述第一模型基于从历史生产数据中采集获得的所述至少一个被控变量各自对应的第一时间序列数据以及所述至少一个目标操作变量各自对应的第二时间序列数据训练获得；

基于所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值，寻找所述至少一个被控变量满足预设条件时所述至少一个目标操作变量的目标操作数据；

将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，进行自动控制。

第三方面，本申请实施例中提供了一种数据处理方法，包括：

确定水泥生产业务涉及的至少一个被控变量及至少一个目标操作变量；

按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；

利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型；

其中，所述第一模型用于基于所述至少一个目标操作变量前一时间步的操作数据，预测获得所述至少一个被控变量在当前时间步的预测值。

第四方面，本申请实施例中提供了一种自动控制方法，包括：

确定水泥生产业务涉及的至少一个被控变量及至少一个目标操作变量；

基于所述至少一个目标操作变量前一个时间步的操作数据，利用第一模型，预测获得所述至少一个被控变量在当前时间步的预测值；其中，所述第一模型基于从历史生产数据中采集获得的所述至少一个被控变量各自对应的第一时间序列数据以及所述至少一个目标操作变量各自对应的第二时间序列数据训练获得；

基于所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值，寻找所述至少一个被控变量满足预设条件时所述至少一个目标操作变量的目标操作数据；

将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，进行水泥生产的自动控制。

第五方面，本申请实施例中提供了一种数据处理装置，包括：

第一确定模块，用于确定至少一个被控变量及至少一个目标操作变量；

数据获取模块，用于按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；

模型训练模块，用于利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型；

其中，所述第一模型用于基于所述至少一个目标操作变量前一时间步的操作数据，预测获得所述至少一个被控变量在当前时间步的预测值。

第六方面，本申请实施例中提供了一种自动控制装置，包括：

第一确定模块，用于确定至少一个被控变量及至少一个目标操作变量；

预测模块，用于基于所述至少一个目标操作变量前一个时间步的操作数据，利用第一模型，预测获得所述至少一个被控变量在当前时间步的预测值；其中，所述第一模型基于从历史生产数据中采集获得的所述至少一个被控变量各自对应的第一时间序列数据以及所述至少一个目标操作变量各自对应的第二时间序列数据训练获得；

优化模块，用于基于所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值，寻找所述至少一个被控变量满足预设条件时所述至少一个目标操作变量的目标操作数据；

控制模块，用于将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，进行自动控制。

第七方面，本申请实施例中提供了一种计算设备，包括处理组件以及存储组件；

所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行；

所述处理组件用于：

确定至少一个被控变量及至少一个目标操作变量；

按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；

利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型；

其中，所述第一模型用于基于所述至少一个目标操作变量前一时间步的操作数据，预测获得所述至少一个被控变量在当前时间步的预测值。

第八方面，本申请实施例中提供了一种控制设备，包括处理组件以及存储组件；

所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行；

所述处理组件用于：

确定至少一个被控变量及至少一个目标操作变量；

基于所述至少一个目标操作变量前一个时间步的操作数据，利用第一模型，预测获得所述至少一个被控变量在当前时间步的预测值；其中，所述第一模型基于从历史生产数据中采集获得的所述至少一个被控变量各自对应的第一时间序列数据以及所述至少一个目标操作变量各自对应的第二时间序列数据训练获得；

基于所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值，寻找所述至少一个被控变量满足预设条件时所述至少一个目标操作变量的目标操作数据；

将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，进行自动控制。

本申请实施例中，确定至少一个被控变量及至少一个目标操作变量；按照采样间隔，从历史业务数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型；其中，所述第一模型用于基于所述至少一个目标操作变量前一时间步的操作数据，预测获得所述至少一个被控变量在当前时间步的预测值；所述至少一个被控变量的预测值用于寻找所述至少一个被控变量满足预设条件时所述至少一个操作变量在当前时间步的目标操作数据，基于该目标操作数据即可以进行自动控制。本申请实施例采用第一模型表示预测模型，并利用时间序列数据训练获得提高了预测模型准确度，从而提高了自动控制过程准确性。

本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1示出了本申请提供的一种数据处理方法一个实施例的流程图；

图2示出了本申请实施例在一个实际应用中第一模型的模型结构示意图；

图3示出了本申请提供的一种自动控制方法一个实施例的流程图；

图4示出了本申请实施例在一个实际应用中的自动控制过程示意图；

图5示出了本申请提供的一种数据处理装置一个实施例的结构示意图；

图6示出了本申请提供的一种计算设备一个实施例的结构示意图；

图7示出了本申请提供的一种数据处理装置一个实施例的结构示意图；

图8示出了本申请提供的一种控制设备一个实施例的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。

在本申请的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

本申请实施例的技术方案可以应用于各种自动过程控制场景中，比如适用于各种工业生产过程中的自动生产控制，如水泥生产自动控制场景等。

其中，模型控制预测是自动过程控制中的一种控制方式，用来对操作变量未来的操作数据进行预测，而正如背景技术中所述，现有技术中的预测模型采用的是机理模型，然后机理模型并不一定符合实际生产工况，导致模型预测结果不够准确，从而影响自动控制过程准确性，造成能源过多消耗。

为了提高自动控制过程的准确性，降低能源消耗，发明人研究发现，操作变量在某一时刻的操作数据，可能并不会影响该时刻的被控变量的被控数据，而是会对被控变量未来的被控数据产生影响，且实际工况中，一个被控变量可能会实际受多个操作变量的影响，对于被控变量与操作变量的复杂关系，发明人想到可以采用第一模型作为预测模型，来表征被控变量与操作变量的关系，据此，发明人提出了本申请实施例的技术方案，在本申请实施例中，确定至少一个被控变量及至少一个目标操作变量；按照采样间隔，从历史业务数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型；其中，所述第一模型用于基于所述至少一个目标操作变量前一时间步的操作数据，预测获得所述至少一个被控变量在当前时间步的预测值；所述至少一个被控变量的预测值用于寻找所述至少一个被控变量满足预设条件时所述至少一个操作变量在当前时间步的目标操作数据，基于该目标操作数据即可以进行自动控制。本申请实施例采用第一模型表示预测模型，并利用时间序列数据训练获得，实现了多输入多输出的模型预测，提高了预测模型准确度，从而提高了自动控制过程准确性。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的一种数据处理方法一个实施例的流程图，本实施例从模型训练角度对本申请技术方案进行解释说明。该方法可以包括以下几个步骤：

101：确定至少一个被控变量及至少一个目标操作变量。

作为一种可选方式，该至少一个被控变量以及至少一个目标操作变量可以是指生产业务涉及的被控变量以及操作变量。

结合生产业务流程，即可以确定在生产过程中涉及的被控变量以及操作变量。

作为另一种可选方式，由于实际工况中，生产业务涉及的操作变量中，有些操作变量可能会对被控变量造成影响，而有些操作变量不会对被控变量造成影响，因此，该至少一个目标操作变量可以是从生产业务涉及的至少一个操作变量中所确定的有效操作变量。其中，有效操作变量的确定在下文实施例中会详细进行介绍。

102：按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据。

该历史生产数据可以是指一次生产过程所产生的历史生产数据，或者可以是指距离当前时间的预定历史时间段内所产生的历史生产数据。

该预定历史时间段对应的时长可以是指一次生产过程所花费的时长。

因此，在某些实施例中，所述按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据可以包括：

从距离当前时间的预定历史时间段内的历史生产数据中，按照第一采样间隔，采集获得所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；其中，所述第一时间序列数据包括N个时间步的操作数据，所述第二时间序列数据包括M个时间步的被控数据；其中，M为大于等于1的整数。

其中，第一采样间隔可以结合实际应用情况进行设定，比如预定历史时间段为X分钟，第一采样间隔可以为60秒。

按照第一采样间隔进行数据采集，可以将预定历史时间段划分为M个时间步，比如从T

例如，假设确定了k个目标操作变量av

可选地，对操作变量的控制可以是由自动控制系统中的DCS(DistributedControl System，分散控制系统)执行，因此，可选地，所述按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据包括：

按照第一采样间隔，从DCS的历史生产数据中采集获得所述至少一个被控变量各自对应的第一时间序列数据及所述至少一个目标操作变量各自对应的第二时间序列数据。

103：利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型。

将所述至少一个被控变量各自的第一时间序列数据作为模型输入数据，所述至少一个目标操作变量各自的第二时间序列数据作为模型输出结果，即可以训练第一模型，使得第一模型可以学习获得至少一个目标操作变量与至少一个被控变量之间的关系。

其中，第一模型可以采用可以处理时间序列数据的网络结构实现，例如第一模型可以为深度学习模型。其中，深度学习模型可以具体选择神经网络模型，神经网络模型具有良好的拟合数据能力，可以用于预测场景中，神经网络模型例如可以为RNN(RecurrentNeural Network，循环神经网络)等，RNN例如可以进一步选择LSTM(Long Short-TermMemory，长短期记忆网络)实现，LSTM是一种时间循环神经网络，此外还可以选择例如GRU(gated recurrent unit，门控循环神经网络)、TRANSFORMER(变换网络，一个基于自注意力机制的全新神经网络架构)等可以进行时间预测的模型实现。

其中，所述第一模型即作为模型控制预测中的预测模型，其可以基于所述至少一个目标操作变量的在当前时间步的前一时间步的操作数据，预测获得所述至少一个被控变量在当前时间步的预测值；所述至少一个被控变量的预测值用于寻找所述至少一个被控变量满足预设条件时所述至少一个目标操作变量在当前时间步的目标操作数据。该至少一个目标操作变量的目标操作数据即可以作为当前时间步的控制输入值，来进行自动控制。

可选地，自动控制过程可以是指按照目标操作数据，控制至少一个目标操作变量运行，由于DCS系统进行操作变量的控制时，所述至少一个目标操作变量在当前时间步的目标操作数据用于发送至分散控制系统DCS，由所述DCS将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，并按照所述至少一个目标操作变量的控制输入值，控制所述至少一个目标操作变量运行。

本实施例中，采用第一模型表示预测模型，并利用时间序列数据训练获得，提高了预测模型准确度，从而提高了自动控制过程准确性。

在某些实施例中，所述确定至少一个被控变量及至少一个目标操作变量可以包括：

确定生产业务涉及的至少一个被控变量以及至少一个操作变量；

从所述至少一个操作变量中确定与所述至少一个被控变量相关的至少一个目标操作变量。

可选地，可以确定与每个被控变量相关的目标操作变量，每个被控变量可能对应至少一个目标操作变量。

在某些实施例中，所述从所述至少一个操作变量中确定与所述至少一个被控变量相关的至少一个目标操作变量可以包括：

针对每个被控变量以及每个操作变量，按照第二采样间隔，获取所述被控变量的第三时间序列数据以及所述操作变量的第四时间序列数据；

利用所述第三时间序列数据及所述第四时间序列数据，检验所述操作变量与所述被控变量是否存在相关性；

如果所述操作变量与所述被控变量存在相关性，将所述操作变量作为目标操作变量。

其中，第二采样间隔可以与第一采样间隔相同。

在某些实施例中，所述利用所述第三时间序列数据及所述第四时间序列数据，检验所述操作变量与所述被控变量是否存在相关性可以包括：

利用所述第一时间序列数据及所述第二时间序列数据，对所述操作变量与所述被控变量进行因果校验，确定是否存在相关性。

作为一种可选方式，可以采用格兰杰因果关系检验(英文：Granger causalitytest)方法进行操作变量与被控变量的因果关系校验，如果所述操作变量与所述被控变量存在因果关系校验，可以确定操作变量与被控变量存在相关性。

在某些实施例中，所述利用所述第一时间序列数据及所述第二时间序列数据，对所述操作变量与所述被控变量进行因果校验，可以是通过判定P[cv(t)][I(t-1)]≠P[cv(t)][I

如果不等式成立，表明该操作变量对该被控变量没有影响，否则即认为对该被控变量有影响，操作变量与被控变量具有相关性。

此外，进行因果校验需要保证时间序列数据为平稳时间序列。因此，在某些实施例中，所述方法还可以包括：

测试所述第三时间序列数据以及所述第四时间序列数据是否满足平稳性要求；

对于未满足所述平稳性要求的时间序列数据进行差分处理直至满足所述平稳性要求。

平稳性要求可以是指对于一个时间序列，如果均值没有变化或者方差没有变化，且严格消除了周期性变化。

例如对于一个时间序列的均值如果为常数值，则可以认为该时间序列为平稳时间序列。

如果对于未满足平稳性要求的时间序列数据，可以通过进行差分处理。差分处理也即是用后一时间步的值减去当前时间步的值实现。

作为另一种可选方式，对操作变量与被控变量的相关性校验也可以采用其它方式实现，例如可以使用A/B test(A/B测试，也称为分割测试或桶测试)方式进行相关性校验，对于Y个输入变量(包括操作变量和被控变量)，针对某个被控变量，固定某个操作变量，测试Y个输入变量，以及不包括该操作变量的Y-1个输入变量，对该被控变量的影响是否存在区别，若是，该可以表明该操作变量对该被控变量存在影响。

由上文描述可知，所述第一模型可以为循环神经网络模型，由于神经网络主要由输入层、隐藏层以及输出层构成，对于循环神经网络其隐藏层由链式向量的网络单元构成，每个网络单元对应一个时间步，对于包括M个时间步的数据的时间序列数据，隐藏层由链式连接的M个网络单元构成。如图2中所示，举例说明了循环神经网络中的隐藏层展开的网络结构图。

在某些实施例中，所述第一模型为循环神经网络模型时，所述利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型可以包括：

对每个时间步对应的网络单元，将所述至少一个目标操作变量对应所述时间步的操作数据、及前一时间步的隐藏状态作为所述网络单元的输入数据，以及将所述至少一个被控变量对应所述时间步的被控数据作为所述网络单元的输出结果，训练所述循环神经网络模型。

例如，图2中所示，假设以一个目标操作变量mv，以及一个被控变量cv为例，mv

其中，按照上文所述数据处理方法训练获得第一模型可以作为模型控制预测中的预测模型，以实现自动控制，下面从自动控制角度对本申请技术方案进行描述，如图3所示，为本申请实施例提供的一种自动控制方法一个实施例的流程图，该方法可以包括以下几个步骤：

301：确定至少一个被控变量及至少一个目标操作变量；

302：基于所述至少一个目标操作变量前一个时间步的操作数据，利用第一模型，预测获得所述至少一个被控变量在当前时间步的预测值。

其中，所述第一模型基于从历史生产数据中采集获得的所述至少一个被控变量各自对应的第一时间序列数据以及所述至少一个目标操作变量各自对应的第二时间序列数据训练获得。

第一模型的具体训练方式可以参见上文所述，在此不再重复赘述。

303：基于所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值，寻找所述至少一个被控变量满足预设条件时所述至少一个操作变量的目标操作数据。

304：将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，进行自动控制。

可选地，可以将所述至少一个操作变量的目标操作数据作为当前时间步的控制输入值，通过自动控制系统中的DCS(Distributed Control System，分散控制系统)进行自动控制。DCS可以控制至少一个目标操作变量按照各自对应的目标操作数据控制运行，从而影响被控变量的被控数据，以达到生产所需，提高生产效率。

因此，所述将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，进行自动控制可以包括：

将所述至少一个目标操作变量的目标操作数据发送至分散控制系统DCS，由所述DCS将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，并按照所述至少一个目标操作变量的控制输入值，控制所述至少一个目标操作变量运行。

本实施例中，采用第一模型表示预测模型，并利用时间序列数据训练获得，提高了预测模型准确度，从而提高了自动控制过程准确性。

在某些实施例中，所述基于所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值，寻找所述至少一个被控变量满足预设条件时所述至少一个目标操作变量的目标操作数据可以包括：

确定所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值；

以所述至少一个目标操作变量的限定值作为约束条件，寻找所述至少一个被控变量的预测值与期望值的差值最小时，所述至少一个目标操作变量的目标操作数据。

其中，由于第一模型不具备显示的数学表达式，可以使用PSO(Particle SwarmOptimization，粒子群优化)算法或者遗传算法等寻找所述至少一个目标操作变量的目标操作数据。当然，也可以采用遍历寻找方式。

因此，在某些实施例中，所述以所述至少一个目标操作变量的限定值作为约束条件，训练所述至少一个被控变量的预测值与期望值的差值最小时，所述至少一个目标操作变量的目标操作数据包括：

以所述至少一个目标操作变量的限定值作为约束条件，利用粒子群优化算法最小化所述至少一个被控变量的预测值与期望值的差值时，获得所述至少一个目标操作变量的目标操作数据。

在某些实施例中，所述方法还可以包括：

将所述至少一个操作变量在当前时间步的目标操作数据，以及在当前时间步控制获得的所述至少一个被控变量的被控数据，作为历史生产数据，重新训练所述第一模型。

也即第一模型可以一直更新，保证模型准确度，保证控制准确度。

为了方便理解，图4示出了自动控制过程中的模型预测过程示意图，由图4可知，利用DCS系统的历史生产数据，可以训练第一模型，第一模型作为预测模型，用于预测被控变量的预测值，基于被控变量的期望值、以操作变量的限定值作为约束条件，以预测值和期望值的差值最小化为代价函数，通过优化处理可以获得操作变量目标操作数据，目标操作数据作用于DCS系统可以实现自动控制。

其中，预测以及优化过程可以由自动控制系统中的控制设备执行，控制设备通过控制DCS系统，实现对操作变量的自动控制。

本申请实施例的技术方案可以适用于各种工业生产场景中，在一个实际应用中，可以应用于水泥生产场景中，例如水泥的生料立磨的生产环节，当然也可以对水泥生产的整个生产环节进行自动控制。在水泥生产业务中，操作变量例如可以包括喂料机、循环风门、循环风机、冷风阀、磨辊、喷水阀门等等。被控变量例如可以包括生料磨料层厚度、出磨风温、出磨水温等等。对于每个被控变量可以按照本申请的技术方案，确定对每个被控变量有效的操作变量，也即目标操作变量，例如采用格兰杰因果校验方法可以获知，喷水阀门以及循环风门都会影响出磨风温。

从历史生产数据中，可以采集获得目标操作变量的时间序列数据，以及被控变量的时间序列数据，从而利用得目标操作变量的时间序列数据，以及被控变量的时间序列数据可以预先第一模型，作为预测模型，预测模型可以基于前一时间步的目标操作变量的操作数据，预测获得被控变量的预测值，通过优化处理，在被控变量预测值与期望值的差值最小时，可以获得目标操作变量的目标操作数据，从而可以基于目标操作变量的目标操作数据，进行当时时间步的自动控制。

基于水泥生产业务，本申请实施例还提供了一种数据处理方法，包括：

确定水泥生产业务涉及的至少一个被控变量及至少一个目标操作变量；

按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；

利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型；

其中，所述第一模型用于基于所述至少一个目标操作变量前一时间步的操作数据，预测获得所述至少一个被控变量在当前时间步的预测值。

本申请实施例还提供了一种自动控制方法，包括：

确定水泥生产业务涉及的至少一个被控变量及至少一个目标操作变量；

基于所述至少一个目标操作变量前一个时间步的操作数据，利用第一模型，预测获得所述至少一个被控变量在当前时间步的预测值；其中，所述第一模型基于从历史生产数据中采集获得的所述至少一个被控变量各自对应的第一时间序列数据以及所述至少一个目标操作变量各自对应的第二时间序列数据训练获得；

基于所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值，寻找所述至少一个被控变量满足预设条件时所述至少一个目标操作变量的目标操作数据；

将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，进行水泥生产的自动控制。

通过本申请实施例可以提高在水泥自动生成过程中的控制准确度，且可以降低水泥生产过程中的能源消耗。

图5为本申请实施例提供的一种数据处理装置一个实施例的结构示意图，该装置可以包括：

第一确定模块501，用于确定至少一个被控变量及至少一个目标操作变量；

数据获取模块502，用于按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；

模型训练模块503，用于利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型；

其中，所述第一模型用于基于所述至少一个目标操作变量前一时间步的操作数据，预测获得所述至少一个被控变量在当前时间步的预测值。

在某些实施例中，所述第一确定模块具体用于确定生产业务涉及的至少一个被控变量以及至少一个操作变量；从所述至少一个操作变量中确定与所述至少一个被控变量相关的至少一个目标操作变量。

在某些实施例中，所述第一确定模块从所述至少一个操作变量中确定与所述至少一个被控变量相关的至少一个目标操作变量包括：

针对每个被控变量以及每个操作变量，按照第二采样间隔，从历史生产数据中获取所述被控变量的第三时间序列数据以及所述操作变量的第四时间序列数据；

利用所述第三时间序列数据及所述第四时间序列数据，检验所述操作变量与所述被控变量是否存在相关性；

如果所述操作变量与所述被控变量存在相关性，将所述操作变量作为目标操作变量。

在某些实施例中，所述第一确定模块利用所述第三时间序列数据及所述第四时间序列数据，检验所述操作变量与所述被控变量是否存在相关性包括：

利用所述第一时间序列数据及所述第二时间序列数据，对所述操作变量与所述被控变量进行因果校验，确定是否存在相关性。

在某些实施例中，该装置还可以包括：

平稳测试模块，用于测试所述第三时间序列数据以及所述第四时间序列数据是否满足平稳性要求；对于未满足所述平稳性要求的时间序列数据进行差分处理直至满足所述平稳性要求。

在某些实施例中，所述第一模型为循环神经网络模型；

所述模型训练模块具体用于针对每个时间步对应的网络单元，将所述至少一个目标操作变量对应所述时间步的操作数据、及前一时间步的隐藏状态作为所述网络单元的输入数据，以及将所述至少一个被控变量对应所述时间步的被控数据作为所述网络单元的输出结果，训练所述循环神经网络模型。

在某些实施例中，所述数据获取模块具体用于从距离当前时间的预定历史时间段内的历史生产数据中，按照第一采样间隔，采集获得所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；其中，所述第一时间序列数据包括N个时间步的操作数据，所述第二时间序列数据包括M个时间步的被控数据；其中，M为大于等于1的整数。

在某些实施例中，所述数据获取模块可以具体是按照第一采样间隔，从DCS的历史生产数据中采集获得所述至少一个被控变量各自对应的第一时间序列数据及所述至少一个目标操作变量各自对应的第二时间序列数据。

在某些实施例中，所述至少一个目标操作变量在当前时间步的目标操作数据用于发送至DCS，由所述DCS将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，并按照所述至少一个目标操作变量的控制输入值，控制所述至少一个目标操作变量运行。

在水泥生产场景中，所述第一确定模块具体用于确定水泥生产业务涉及的至少一个被控变量及至少一个目标操作变量。

图5所述的数据处理装置可以执行图1所示实施例所述的数据处理方法，其实现原理和技术效果不再赘述。对于上述实施例中的数据处理装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

在一个可能的设计中，图5所示实施例的数据处理装置可以实现为计算设备，如图6所示，该计算设备可以包括存储组件601以及处理组件602；

所述存储组件601存储一条或多条计算机指令，其中，所述一条或多条计算机指令供所述处理组件602调用并执行。

所述处理组件602用于：

确定至少一个被控变量及至少一个目标操作变量；

按照第一采样间隔，从历史生产数据中获取所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据；

利用所述至少一个被控变量各自的第一时间序列数据及所述至少一个目标操作变量各自的第二时间序列数据，训练第一模型；

其中，所述第一模型用于基于所述至少一个目标操作变量前一时间步的操作数据，预测获得所述至少一个被控变量在当前时间步的预测值。

其中，处理组件602可以包括一个或多个处理器来执行计算机指令，以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

存储组件601被配置为存储各种类型的数据以支持在计算设备上的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

当然，计算设备必然还可以包括其他部件，例如输入/输出接口、通信组件等。

输入/输出接口为处理组件和外围接口模块之间提供接口，上述外围接口模块可以是输出设备、输入设备等。

通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。

如在本文所使用的，“计算设备”可以是远程web服务器、服务器、计算机联网设备、芯片组、台式计算机、笔记本式计算机、工作站，或任何其他处理设备或者装备。

本申请实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被计算机执行时可以实现上述图1所示实施例的数据处理方法。

图7为本申请实施例提供的一种自动控制装置一个实施例的结构示意图，该装置可以包括：

第一确定模块701，用于确定至少一个被控变量及至少一个目标操作变量；

预测模块702，用于基于所述至少一个目标操作变量前一个时间步的操作数据，利用第一模型，预测获得所述至少一个被控变量在当前时间步的预测值；其中，所述第一模型基于从历史生产数据中采集获得的所述至少一个被控变量各自对应的第一时间序列数据以及所述至少一个目标操作变量各自对应的第二时间序列数据训练获得；

优化模块703，用于基于所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值，寻找所述至少一个被控变量满足预设条件时所述至少一个目标操作变量的目标操作数据；

控制模块704，用于将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，进行自动控制。

在某些实施例中，所述优化模块具体用于确定所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值；以所述至少一个目标操作变量的限定值作为约束条件，寻找所述至少一个被控变量的预测值与期望值的差值最小时，所述至少一个目标操作变量的目标操作数据。

在某些实施例中，所述优化模块以所述至少一个目标操作变量的限定值作为约束条件，寻找所述至少一个被控变量的预测值与期望值的差值最小时，所述至少一个目标操作变量的目标操作数据包括：

以所述至少一个目标操作变量的限定值作为约束条件，利用粒子群优化算法最小化所述至少一个被控变量的预测值与期望值的差值时，获得所述至少一个目标操作变量的目标操作数据。

在某些实施例中，该装置还可以包括：

训练触发模块，用于将所述至少一个操作变量在当前时间步的目标操作数据，以及在当前时间步控制获得的所述至少一个被控变量的被控数据，作为历史生产数据，重新训练所述第一模型。

在某些实施例中，所述控制模块具体用于将所述至少一个目标操作变量的目标操作数据发送至分散控制系统DCS，由所述DCS将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，并按照所述至少一个目标操作变量的控制输入值，控制所述至少一个目标操作变量运行。

在水泥生产场景中，所述第二确定模块具体用于确定水泥生产业务涉及的至少一个被控变量及至少一个目标操作变量；

所述控制模块具体用于将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，进行水泥生产的自动控制。

图7所述的数据处理装置可以执行图3所示实施例所述的自动控制方法，其实现原理和技术效果不再赘述。对于上述实施例中的数据处理装置其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

在一个可能的设计中，图7所示实施例的自动控制装置可以实现为控制设备，如图8所示，该控制设备可以包括存储组件801以及处理组件802；

所述存储组件801存储一条或多条计算机指令，其中，所述一条或多条计算机指令供所述处理组件802调用并执行。

所述处理组件802用于：

确定至少一个被控变量及至少一个目标操作变量；

基于所述至少一个目标操作变量前一个时间步的操作数据，利用第一模型，预测获得所述至少一个被控变量在当前时间步的预测值；其中，所述第一模型基于从历史生产数据中采集获得的所述至少一个被控变量各自对应的第一时间序列数据以及所述至少一个目标操作变量各自对应的第二时间序列数据训练获得；

基于所述至少一个被控变量的预测值与期望值的差值，以及所述至少一个目标操作变量的限定值，寻找所述至少一个被控变量满足预设条件时所述至少一个目标操作变量的目标操作数据；

将所述至少一个目标操作变量的目标操作数据作为当前时间步的控制输入值，进行自动控制。

其中，处理组件802可以包括一个或多个处理器来执行计算机指令，以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

存储组件801被配置为存储各种类型的数据以支持在控制设备上的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

当然，控制设备必然还可以包括其他部件，例如输入/输出接口、通信组件等。

输入/输出接口为处理组件和外围接口模块之间提供接口，上述外围接口模块可以是输出设备、输入设备等。

通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。

本申请实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被计算机执行时可以实现上述图3所示实施例的自动控制方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。