基于流程工业模型预测控制器参数的自适应控制建立方法

技术领域

本发明涉及自动化控制领域，特别涉及一种基于流程工业模型预测控制器参数的自适应控制建立方法、装置及基于流程工业模型预测控制器参数的自适应控制调用方法。

背景技术

传统的模型预测控制器的参数为定值，通常基于工业生产过程中最常见的稳态工况设定。但模型预测控制器无法在无人监督的情况下应对多种特殊工况，当环境发生突变时，模型预测控制器设定的固定参数无法适配特殊工况，进而导致工业生产处于非稳态工况的时间过长，降低生产效率，且若要设定的参数兼顾应对环境突变的特殊工况，则会损害稳态工况的控制性能，降低产品的优良性。

发明内容

有鉴于此，本发明的目的在于提供一种基于流程工业模型预测控制器参数的自适应控制建立方法、装置及基于流程工业模型预测控制器参数的自适应控制调用方法，解决了现有技术中设定的参数兼顾应对环境突变的特殊工况，损害稳态工况的控制性能，降低产品的优良性的问题。

为解决上述技术问题，本发明提供了一种基于流程工业模型预测控制器参数的自适应控制建立方法，包括：

获取历史生产时序数据，并将所述历史生产时序数据按预设时长进行分割，得到多个时段的历史生产时序数据；所述历史生产时序数据包括产品指标设定值、历史产品指标实际值和可测干扰变量值；

分别计算所述多个时段的历史生产时序数据内产品指标偏差值的特征值、所述产品指标实际值的特征值，以及所述可测干扰变量值的特征值；所述产品指标偏差值为所述产品指标实际值与所述产品指标设定值的偏差值；所述产品指标偏差值的特征值、所述产品指标实际值的特征值和所述可测干扰变量值的特征值分别表征对应的生产时序数据在各个时段内的稳定度；

确定每个时段的历史生产时序数据对应的工况，并建立所述每个时段的历史生产时序数据内所述产品指标偏差值的特征值、所述产品指标实际值的特征值，以及所述可测干扰变量值的特征值，与所述工况的映射关系，作为全数据集；所述工况包括稳态工况和非稳态工况；

将所述全数据集划分为多折训练-测试集，根据多折所述训练-测试集和设定的备选超参数集，确定最优超参数，并利用所述全数据集和所述最优超参数对工况判别模型进行训练，得到训练完成的工况判别模型；每折所述训练-测试集分别包括测试集和训练集；

利用模型预测控制器调参策略确定所述多个时段的历史生产时序数据对应的稳态工况参数集和非稳态工况参数集。

可选的，所述利用模型预测控制器调参策略确定所述多个时段的历史生产时序数据对应的稳态工况参数集和非稳态工况参数集，包括：

利用模型预测控制器调参策略，使用所述多个时段的历史生产时序数据中，对应稳态工况的时段的历史生产时序数据，对模型预测控制器进行调参，得到所述稳态工况参数集；

利用模型预测控制器调参策略，使用所述多个时段的历史生产时序数据中，对应非稳态工况的时段的历史生产时序数据，对模型预测控制器进行调参，得到所述非稳态工况参数集。

可选的，将所述全数据集划分为多折训练-测试集，根据多折所述训练-测试集和设定的备选超参数集，确定最优超参数，并利用所述全数据集和所述最优超参数对工况判别模型进行训练，得到训练完成的工况判别模型，包括：

选用合适的分类算法，并设定与所述分类算法对应的备选超参数集；

利用K折交叉验证法，将所述全数据集划分为多折训练-测试集；每一折中包含一个测试集和至少一个训练集；

利用网格搜索法，在每折所述训练-测试集上分别确定所述备选超参数集中的较优超参数，作为该折训练-测试集对应的较优超参数；

选取所述多折训练-测试集对应的较优超参数的众数，作为所述最优超参数，若所述较优超参数中存在多个众数，则选取所述较优超参数的多个众数中最小的众数，作为所述最优超参数；

利用所选分类算法、所述全数据集和所述最优超参数对工况判别模型进行训练，得到训练完成的工况判别模型。

可选的，利用K折交叉验证法，将所述全数据集划分为多折训练-测试集，包括：

利用K折交叉验证法将所述全数据集等分为多组子数据集，子数据集数量记为K；

选取其中一组所述子数据集作为测试集，其余K-1组所述子数据集作为训练集；

将所述选取其中一组所述子数据集作为测试集，其余K-1组所述子数据集作为训练集的划分方式作为一折训练-测试集；

分别选取每一所述子数据集作为测试集，剩余子数据集作为相应的训练集，根据所述划分方式，得到多折所述训练-测试集，训练-测试集的折数为K；

将所述K折所述训练-测试集全部作为多折所述训练-测试集。

可选的，利用网格搜索法，在每折所述训练-测试集上分别确定所述备选超参数集中的较优超参数，作为该折训练-测试集对应的较优超参数，包括：

分别选择所述备选超参数集中的每一个超参数，在所述训练-测试集的训练集上训练得到该超参数对应的工况判别模型；

分别使用所述每一个超参数对应的工况判别模型，在所述训练-测试集的测试集上预测工况，并得到该模型对应的预测准确率，作为该超参数在该折所述训练-测试集上的预测准确率；

比较所述备选超参数集中的每一个超参数的预测准确率，选择预测准确率最高的超参数，作为该折训练-测试集对应的较优超参数，若有多个预测准确率同时为最高的超参数，则选择其中最小的超参数作为该折训练-测试集对应的较优超参数。

可选的，分别使用所述每一个超参数对应的工况判别模型，在所述训练-测试集的测试集上预测工况，并得到该模型对应的预测准确率，作为该超参数在该折所述训练-测试集上的预测准确率，包括：

使用所述该超参数对应的工况判别模型，预测所述训练-测试集的测试集中每一段历史生产时序数据对应的工况，作为预测工况；

将所述每一段历史生产时序数据的预测工况与该段历史生产时序数据的实际工况对比，若两者相同则预测正确，若两者不同则预测错误；

统计所述训练-测试集的测试集中工况预测正确的历史生产时序数据的段数，除以所述训练-测试集的测试集的历史生产时序数据的总段数，作为所述该模型对应的预测准确率，作为该超参数在该折所述训练-测试集上的预测准确率。

可选的，所述分别计算所述多个时段的历史生产时序数据内产品指标偏差值的特征值、所述产品指标实际值的特征值，以及所述可测干扰变量值的特征值，包括：

分别计算所述多个时段的历史生产时序数据内所述产品指标偏差值的均值和标准偏差值、所述产品指标实际值的均值和标准偏差值，以及所述可测干扰变量值的均值和标准偏差值；

相应的，所述确定每个时段的历史生产时序数据对应的工况，并建立所述每个时段的历史生产时序数据内所述产品指标偏差值的特征值、所述产品指标实际值的特征值，以及所述可测干扰变量值的特征值，与所述工况的映射关系，作为全数据集，包括：

确定每个时段的历史生产时序数据对应的工况，并建立所述每个时段的历史生产时序数据内所述产品指标偏差值的均值和标准偏差值、所述产品指标实际值的均值和标准偏差值，以及所述可测干扰变量值的均值和标准偏差值，与所述工况的映射关系，作为所述全数据集。

本发明还提供了一种基于流程工业模型预测控制器参数的自适应控制装置，包括：

获取模块，用于获取历史生产时序数据，并将所述历史生产时序数据按预设时长进行分割，得到多个时段的历史生产时序数据；所述历史生产时序数据包括产品指标设定值、历史产品指标实际值和可测干扰变量值；

计算模块，用于分别计算所述多个时段的历史生产时序数据内产品指标偏差值的特征值、所述产品指标实际值的特征值，以及所述可测干扰变量值的特征值；所述产品指标偏差值为所述产品指标实际值与所述产品指标设定值的偏差值；所述产品指标偏差值的特征值、所述产品指标实际值的特征值和所述可测干扰变量值的特征值分别表征对应的生产时序数据在各个时段内的稳定度；

全数据集建立模块，用于确定每个时段的历史生产时序数据对应的工况，并建立所述每个时段的历史生产时序数据内产品指标偏差值的特征值、所述产品指标实际值的特征值，以及所述可测干扰变量值的特征值，与所述工况的映射关系，作为全数据集；所述工况包括稳态工况和非稳态工况；

工况判别模型训练模块，用于将所述全数据集划分为多折训练-测试集，根据多折所述训练-测试集和设定的备选超参数集，确定最优超参数，并利用所述全数据集和所述最优超参数对工况判别模型进行训练，得到训练完成的工况判别模型；每折所述训练-测试集分别包括测试集和训练集；

工况参数集确定模块，用于利用模型预测控制器调参策略确定所述多个时段的历史生产时序数据对应的稳态工况参数集和非稳态工况参数集；

本发明还提供了一种基于流程工业模型预测控制器参数的自适应控制调用方法，包括：

获取待检测历史生产时序数据；

利用训练完成的工况判别模型对所述待检测历史生产时序数据进行判别，得到对应工况；

根据所述对应工况，选取所述稳态工况参数集或所述非稳态工况参数集对模型预测控制器的参数进行调整。

可选的，所述获取待检测历史生产时序数据，包括：

实时对所述历史生产时序数据进行获取，并选取最新预设时长内的历史生产时序数据，作为所述待检测历史生产时序数据。

本发明还提供了一种基于流程工业模型预测控制器参数的自适应控制设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序实现上述的基于流程工业模型预测控制器参数的自适应控制建立方法，和/或如上述的基于流程工业模型预测控制器参数的自适应控制调用方法的步骤。

本发明还提供了一种可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现上述的基于流程工业模型预测控制器参数的自适应控制建立方法，和/或如上述的基于流程工业模型预测控制器参数的自适应控制调用方法的步骤。

可见，本发明提供的基于流程工业模型预测控制器参数的自适应控制建立方法，包括获取历史生产时序数据，并将历史生产时序数据按预设时长进行分割，得到多个时段的历史生产时序数据；历史生产时序数据包括产品指标设定值、历史产品指标实际值和可测干扰变量值；分别计算多个时段的历史生产时序数据内产品指标偏差值的特征值、产品指标实际值的特征值，以及可测干扰变量值的特征值；产品指标偏差值为产品指标实际值与产品指标设定值的偏差值；产品指标偏差值的特征值、产品指标实际值的特征值和可测干扰变量值的特征值分别表征对应的生产时序数据在各个时段内的稳定度；确定每个时段的历史生产时序数据对应的工况，并建立每个时段的历史生产时序数据内产品指标偏差值的特征值、产品指标实际值的特征值，以及可测干扰变量值的特征值，与工况的映射关系，作为全数据集；工况包括稳态工况和非稳态工况；将全数据集划分为多折训练-测试集，根据多折训练-测试集和设定的备选超参数集，确定最优超参数，并利用全数据集和最优超参数对工况判别模型进行训练，得到训练完成的工况判别模型，每折训练-测试集分别包括测试集和训练集；利用模型预测控制器调参策略确定多个时段的历史生产时序数据对应的稳态工况参数集和非稳态工况参数集。本发明利用历史生产时序数据得到训练完成的工况判别模型，并确定稳态工况下的稳态工况参数集和非稳态工况下的非稳态工况参数集，以在不同工况下利用相应的工况参数集对模型预测控制器的参数进行调整，提高了稳态工况下生产的稳定性，同时能够降低非稳态工况下的工况持续时间，提高了工业生产效率。

此外，本发明还提供了一种基于流程工业模型预测控制器参数的自适应控制建立装置、基于流程工业模型预测控制器参数的自适应控制调用方法、设备及计算机可读存储介质，同样具有上述有益效果。

附图说明

为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种基于流程工业模型预测控制器参数的自适应控制建立方法的流程图；

图2为本发明实施例提供的一种工况判别模型训练方法的流程图；

图3为本发明实施例提供的一种全数据集获取方法的流程图；

图4为本发明实施例提供的一种基于流程工业模型预测控制器参数的自适应控制方法示例图；

图5为本发明实施例提供的一种基于流程工业模型预测控制器参数的自适应控制建立装置的结构示意图；

图6为本发明实施例提供的一种基于流程工业模型预测控制器参数的自适应控制调用方法的流程图；

图7为本发明实施例提供的一种基于流程工业模型预测控制器参数的自适应控制调用装置的结构示意图；

图8为本发明实施例提供的一种基于流程工业模型预测控制器参数的自适应控制建立设备，和/或调用设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明实施例提供的一种基于流程工业模型预测控制器参数的自适应控制建立方法的流程图。该方法可以包括：

S101：获取历史生产时序数据，并将历史生产时序数据按预设时长进行分割，得到多个时段的历史生产时序数据；历史生产时序数据包括产品指标设定值、历史产品指标实际值和可测干扰变量值。

本实施例执行主体为处理终端。本实施例中可以获取全部时段的历史生产时序数据，或者也可以获取规定时间段内的历史生产时序数据，并将获取到的历史生产时序数据进行分割，得到多个时段的历史生产时序数据。

S102：分别计算多个时段的历史生产时序数据内产品指标偏差值的特征值、产品指标实际值的特征值，以及可测干扰变量值的特征值；产品指标偏差值为产品指标实际值与产品指标设定值的偏差值；产品指标偏差值的特征值、产品指标实际值的特征值和可测干扰变量值的特征值分别表征对应的生产时序数据在各个时段内的稳定度。

本实施例中分别计算得到的多个时段的历史生产时序数据对应的特征值，包括每个历史生产时序数据内产品指标偏差值的特征值、产品指标实际值的特征值，以及可测干扰变量值的特征值。本实施例中产品指标偏差值的特征值、产品指标实际值的特征值和可测干扰变量值的特征值分别表征对应的生产时序数据在各个时段内的稳定度，例如，特征值可以是对应时段内生产时序数据的均值，或者特征值也可以是对应时段内生产时序数据的标准偏差值，或者特征值还可以是对应时段内生产时序数据的其他能够表征生产时序数据稳定度的计算值，以及特征值可以是上述多种计算值的组合。

S103：确定每个时段的历史生产时序数据对应的工况，并建立每个时段的历史生产时序数据内产品指标偏差值的特征值、产品指标实际值的特征值，以及可测干扰变量值的特征值，与工况的映射关系，作为全数据集；工况包括稳态工况和非稳态工况。

确定每个时段的历史生产时序数据属于稳态工况下的数据，或是属于非稳态工况下的数据，并将每个数段的历史生产时序数据内的特征值与工况的映射关系，作为全数据集。

S104：将全数据集划分为多折训练-测试集，根据多折训练-测试集和设定的备选超参数集，确定最优超参数，并利用全数据集和最优超参数对工况判别模型进行训练，得到训练完成的工况判别模型；每折训练-测试集分别包括测试集和训练集。

将全数据集划分为多折训练-测试集，以提高确定最优超参数的准确性，避免出现过拟合现象，并将全数据集和确定的最优超参数对工况判别模型进行训练，以使工况判别模型能够根据输入的生产时序数据，确定出当前生产处于稳态工况或非稳态工况。本实施例并不限定将全数据集划分为多折训练-测试集的具体数量，可以根据操作人员自定义设定。

进一步地，为了提高将全数据集划分为多折训练-测试集的效率，上述将全数据集划分为多折训练-测试集，根据多折所述训练-测试集和设定的备选超参数集，确定最优超参数，并利用全数据集和最优超参数对工况判别模型进行训练，得到训练完成的工况判别模型，可以包括以下步骤。具体请参考图2，图2为本发明实施例提供的一种工况判别模型训练方法的流程图。

S201：选用合适的分类算法，并设定与分类算法对应的备选超参数集。

需要进行说明的是，本实施例中可以选用随机森林分类器算法作为合适的分类算法，或者也可以选用其他分类算法作为合适的分类算法。

S202：利用K折交叉验证法，将全数据集划分为多折训练-测试集；每一折中包含一个测试集和至少一个训练集。

本实施例中利用K折交叉验证法，将全数据集划分为多折训练-测试集，本实施例并不限定将全数据集划分为多折训练-测试集的具体折数，可以根据操作人员自定义设定。

进一步地，为了提高划分训练集的合理性，上述利用K折交叉验证法，将全数据集划分为多折训练-测试集，可以包括以下步骤：

步骤S11：利用K折交叉验证法将全数据集等分为多组子数据集，子数据集数量记为K。

步骤S12：选取其中一组子数据集作为测试集，其余K-1组子数据集作为训练集。

步骤S13：将选取其中一组子数据集作为测试集，其余K-1组子数据集作为训练集的划分方式作为一折训练-测试集。

步骤S14：分别选取每一子数据集作为测试集，剩余子数据集作为相应的训练集，根据划分方式，得到多折训练-测试集，训练-测试集的折数为K。

步骤S15：将K折训练-测试集全部作为多折训练-测试集。本实施例中利用K折交叉验证法将全数据集等分为多组子数据集，并将选取其中一组子数据集作为测试集，其余K-1组子数据集作为训练集的划分方式作为一折训练-测试集，K折训练-测试集全部作为多折训练-测试集，以提高确定的最优超参数的准确性。

进一步地，为了保证根据每折训练-测试集确定较优超参数，上述利用网格搜索法，在每折训练-测试集上分别确定备选超参数集中的较优超参数，作为该折训练-测试集对应的较优超参数，可以包括以下步骤：

步骤S21：分别选择备选超参数集中的每一个超参数，在训练-测试集的训练集上训练得到该超参数对应的工况判别模型。

步骤S22：分别使用每一个超参数对应的工况判别模型，在训练-测试集的测试集上预测工况，并得到该模型对应的预测准确率，作为该超参数在该折训练-测试集上的预测准确率。

步骤S23：比较备选超参数集中的每一个超参数的预测准确率，选择预测准确率最高的超参数，作为该折训练-测试集对应的较优超参数，若有多个预测准确率同时为最高的超参数，则选择其中最小的超参数作为该折训练-测试集对应的较优超参数。

进一步地，为了保证确定超参数的准确率，上述分别使用每一个超参数对应的工况判别模型，在训练-测试集的测试集上预测工况，并得到该模型对应的预测准确率，作为该超参数在该折训练-测试集上的预测准确率，可以包括以下步骤：

步骤S31：使用该超参数对应的工况判别模型，预测训练-测试集的测试集中每一段历史生产时序数据对应的工况，作为预测工况。

步骤S32：将每一段历史生产时序数据的预测工况与该段历史生产时序数据的实际工况对比，若两者相同则预测正确，若两者不同则预测错误。

步骤S33：统计训练-测试集的测试集中工况预测正确的历史生产时序数据的段数，除以训练-测试集的测试集的历史生产时序数据的总段数，作为该模型对应的预测准确率，作为该超参数在该折训练-测试集上的预测准确率。

S203：利用网格搜索法，在每折训练-测试集上分别确定备选超参数集中的较优超参数，作为该折训练-测试集对应的较优超参数。

本实施例利用网格搜索法确定备选超参数中的最优超参数，能够保证获取的最优超参数的准确性。

S204：选取多折训练-测试集对应的较优超参数的众数，作为最优超参数，若较优超参数中存在多个众数，则选取较优超参数的多个众数中最小的众数，作为最优超参数。

需要说明的是，本实施例通过选取多个较优超参数中的众数作为最优超参数，能够保证模型预测的准确性。

S205：利用所选分类算法、所述全数据集和所述最优超参数对工况判别模型进行训练，得到训练完成的工况判别模型。

S105：利用模型预测控制器调参策略确定多个时段的历史生产时序数据对应的稳态工况参数集和非稳态工况参数集。

需要说明的是，本实施例中利用传统的模型预测控制器调参策略分别对上述分割得到的多个时段的历史生产时序数据进行调参处理，得到稳态工况参数集和非稳态工况参数集。

进一步地，为了保证利用模型预测控制器能够确定稳态工况参数集和非稳态工况参数集，上述利用模型预测控制器调参策略确定多个时段的历史生产时序数据对应的稳态工况参数集和非稳态工况参数集，可以包括以下步骤：

步骤S41：利用模型预测控制器调参策略，使用多个时段的历史生产时序数据中，对应稳态工况的时段的历史生产时序数据，对模型预测控制器进行调参，得到稳态工况参数集。

步骤S42：利用模型预测控制器调参策略，使用多个时段的历史生产时序数据中，对应非稳态工况的时段的历史生产时序数据，对模型预测控制器进行调参，得到非稳态工况参数集。

本实施例中利用模型预测控制器调参策略，使用多个时段的历史生产时序数据中，对应稳态工况的时段的历史生产时序数据，对模型预测控制器进行调参，得到稳态工况参数集,使用多个时段的历史生产时序数据中，对应非稳态工况的时段的历史生产时序数据，对模型预测控制器进行调参，得到非稳态工况参数集，利用得到的稳态工况参数集和非稳态工况参数集，对后续工况中的模型预测控制器的参数进行调整。进一步需要说明的是，本实施例中模型预测控制器可以是：

其中，J为被控目标函数值，k为当前时刻，N

进一步地，为了提高计算多个时段的历史生产时序数据对应的特征值的效率，上述分别计算多个时段的历史生产时序数据内产品指标偏差值的特征值、产品指标实际值的特征值，以及可测干扰变量值的特征值，可以包括：

分别计算多个时段的历史生产时序数据内产品指标偏差值的均值和标准偏差值、产品指标实际值的均值和标准偏差值，以及可测干扰变量值的均值和标准偏差值；

相应的，确定每个时段的历史生产时序数据对应的工况，并建立每个时段的历史生产时序数据内产品指标偏差值的特征值、产品指标实际值的特征值，以及可测干扰变量值的特征值，与工况的映射关系，作为全数据集，可以包括：

确定每个时段的历史生产时序数据对应的工况，并建立每个时段的历史生产时序数据内产品指标偏差值的均值和标准偏差值、产品指标实际值的均值和标准偏差值，以及可测干扰变量值的均值和标准偏差值，与工况的映射关系，作为全数据集。

本实施例中通过计算每个时段的历史生产时序数据的均值和标准偏差值，作为上述特征值，并建立每个时段的历史生产时序数据的均值和标准偏差值与工况的映射关系，作为全数据集，保证了全数据集的有效性。

进一步地，为了提高得到全数据集的效率，上述确定每个时段的历史生产时序数据对应的工况，并建立每个时段的历史生产时序数据内产品指标偏差值的均值和标准偏差值、产品指标实际值的均值和标准偏差值，以及可测干扰变量值的均值和标准偏差值，与工况的映射关系，作为全数据集，可以包括以下步骤。具体请参考图3，图3为本发明实施例提供的一种全数据集获取方法的流程图。

S301：确定每个时段的历史生产时序数据对应的工况。

S302：利用每个时段计算的历史生产时序数据内的产品指标偏差值的均值和标准偏差值、产品指标实际值的均值和标准偏差值，以及可测干扰变量值的均值和标准偏差值形成特征向量。

S303：建立特征向量与工况的映射关系，作为全数据集。

本实施例中利用每个时段计算的历史生产时序数据的均值和标准偏差值，形成特征向量，并将形成的特征向量建立与确定的工况的映射关系，作为全数据集，提高了得到全数据集的运算效率。

应用本发明实施例提供的基于流程工业模型预测控制器参数的自适应控制建立方法，利用历史生产时序数据得到训练完成的工况判别模型，并确定稳态工况下的稳态工况参数集和非稳态工况下的非稳态工况参数集，以在不同工况下利用相应的工况参数集对模型预测控制器的参数进行调整，提高了稳态工况下生产的稳定性，同时能够降低非稳态工况下的工况持续时间，提高了工业生产效率。此外，本发明实施例选用合适的分类算法作为工况判别模型的算法，并利用K折交叉验证法，将全数据集划分为多折训练-测试集，利用网格搜索法，在每折训练-测试集上分别确定备选超参数集中的较优超参数，作为该折训练-测试集对应的较优超参数，选取多折训练-测试集对应的较优超参数的众数，作为最优超参数，提高了将全数据集划分为多折训练-测试集的准确率；利用模型预测控制器的调参策略，分别利用历史生产时序数据中对应稳态工况的时段的历史生产时序数据，以及对应非稳态工况的时段的历史生产时序数据，对模型预测控制器进行调参，以得到稳态工况参数集和非稳态工况参数集，保证了确定稳态工况参数集和非稳态工况参数集；通过利用历史生产时序数据的均值和标准偏差值作为特征值，提高了计算多个时段的历史生产时序数据对应的特征值的计算效率以及准确性，通过将多个时段的历史生产时序数据对应的特征值形成特征向量，并建立特征向量与工况的映射关系，作为全数据集，进一步提高了计算全数据集的运算效率。

为使本发明更便于理解，可以参考图4，图4为本发明实施例提供的一种基于流程工业模型预测控制器参数的自适应控制方法示例图。

本实施例通过检测生产过程的传感器和观测器得到产品指标实际值，并通过输入的产品指标设定值确定产品指标偏差值，并利用参数自适应调节算法获取的产品指标实际值、产品指标偏差值，以及可测干扰变量w，通过上述基于流程工业模型预测控制器参数的自适应控制方法，确定当前工况对应的工况参数集，该工况参数集包括稳态工况参数集和非稳态工况参数集，并利用当前工况对应的工况参数集对模型预测控制器的参数进行调整，以使模型预测控制器输出合适的操纵变量u。

下面对本发明实施例提供的基于流程工业模型预测控制器参数的自适应控制建立装置进行介绍，下文描述的基于流程工业模型预测控制器参数的自适应控制建立装置与上文描述的基于流程工业模型预测控制器参数的自适应控制建立方法可相互对应参照。

具体请参考图5，图5为本发明实施例提供的一种基于流程工业模型预测控制器参数的自适应控制建立装置的结构示意图，可以包括：

获取模块100，用于获取历史生产时序数据，并将所述历史生产时序数据按预设时长进行分割，得到多个时段的历史生产时序数据；所述历史生产时序数据包括产品指标设定值、历史产品指标实际值和可测干扰变量值；

计算模块200，用于分别计算所述多个时段的历史生产时序数据内产品指标偏差值的特征值、所述产品指标实际值的特征值，以及所述可测干扰变量值的特征值；所述产品指标偏差值为所述产品指标实际值与所述产品指标设定值的偏差值；所述产品指标偏差值的特征值、所述产品指标实际值的特征值和所述可测干扰变量值的特征值分别表征对应的生产时序数据在各个时段内的稳定度；

全数据集建立模块300，用于确定每个时段的历史生产时序数据对应的工况，并建立所述每个时段的历史生产时序数据内产品指标偏差值的特征值、所述产品指标实际值的特征值，以及所述可测干扰变量值的特征值，与所述工况的映射关系，作为全数据集；所述工况包括稳态工况和非稳态工况；

工况判别模型训练模块400，用于将所述全数据集划分为多折训练-测试集，根据多折所述训练-测试集和设定的备选超参数集，确定最优超参数，并利用所述全数据集和所述最优超参数对工况判别模型进行训练，得到训练完成的工况判别模型；每折所述训练-测试集分别包括测试集和训练集；

工况参数集确定模块500，用于利用模型预测控制器调参策略确定所述多个时段的历史生产时序数据对应的稳态工况参数集和非稳态工况参数集。

基于上述任一实施例，所述工况参数集确定模块500，可以包括：

第一工况参数集确定单元，用于利用模型预测控制器调参策略，使用所述多个时段的历史生产时序数据中，对应稳态工况的时段的历史生产时序数据，对模型预测控制器进行调参，得到所述稳态工况参数集；

第二工况参数集确定单元，用于利用模型预测控制器调参策略，使用所述多个时段的历史生产时序数据中，对应非稳态工况的时段的历史生产时序数据，对模型预测控制器进行调参，得到所述非稳态工况参数集。

基于上述任一实施例，所述工况判别模型训练模块400，可以包括：

选用单元，用于选用合适的分类算法，并设定与所述分类算法对应的备选超参数集；

划分单元，用于利用K折交叉验证法，将所述全数据集划分为多折训练-测试集；每一折中包含一个测试集和至少一个训练集；

较优超参数确定单元，用于利用网格搜索法，在每折所述训练-测试集上分别确定所述备选超参数集中的较优超参数，作为该折训练-测试集对应的较优超参数；

选取单元，用于选取所述多折训练-测试集对应的较优超参数的众数，作为所述最优超参数，若所述较优超参数中存在多个众数，则选取所述较优超参数的多个众数中最小的众数，作为所述最优超参数；

工况判别模型训练单元，用于利用所选分类算法、所述全数据集和所述最优超参数对工况判别模型进行训练，得到训练完成的工况判别模型。

基于上述任一实施例，所述划分单元，可以包括：

第一全数据划分子单元，用于利用K折交叉验证法将所述全数据集等分为多组子数据集，子数据集数量记为K；

第一选取子单元，用于选取其中一组所述子数据集作为测试集，其余K-1组所述子数据集作为训练集；

第一执行子单元，用于将所述选取其中一组所述子数据集作为测试集，其余K-1组所述子数据集作为训练集的划分方式作为一折训练-测试集；

第二执行子单元，用于分别选取每一所述子数据集作为测试集，剩余子数据集作为相应的训练集，根据所述划分方式，得到多折所述训练-测试集，训练-测试集的折数为K；

第三执行子单元，用于将所述K折所述训练-测试集全部作为多折所述训练-测试集。

基于上述任一实施例，所述较优超参数确定单元，可以包括：

第四执行子单元，用于分别选择所述备选超参数集中的每一个超参数，在所述训练-测试集的训练集上训练得到该超参数对应的工况判别模型；

第五执行子单元，用于分别使用所述每一个超参数对应的工况判别模型，在所述训练-测试集的测试集上预测工况，并得到该模型对应的预测准确率，作为该超参数在该折所述训练-测试集上的预测准确率；

第六执行子单元，用于比较所述备选超参数集中的每一个超参数的预测准确率，选择预测准确率最高的超参数，作为该折训练-测试集对应的较优超参数，若有多个预测准确率同时为最高的超参数，则选择其中最小的超参数作为该折训练-测试集对应的较优超参数。

基于上述任一实施例，所述第五执行子单元，可以包括：

预测工况确定子单元，用于使用所述该超参数对应的工况判别模型，预测所述训练-测试集的测试集中每一段历史生产时序数据对应的工况，作为预测工况；

判别子单元，用于将所述每一段历史生产时序数据的预测工况与该段历史生产时序数据的实际工况对比，若两者相同则预测正确，若两者不同则预测错误；

预测准确率确定子单元，用于统计所述训练-测试集的测试集中工况预测正确的历史生产时序数据的段数，除以所述训练-测试集的测试集的历史生产时序数据的总段数，作为所述该模型对应的预测准确率，作为该超参数在该折所述训练-测试集上的预测准确率。基于上述任一实施例，所述计算单元，可以包括：

计算子单元，用于分别计算所述多个时段的历史生产时序数据内所述产品指标偏差值的均值和标准偏差值、所述产品指标实际值的均值和标准偏差值，以及所述可测干扰变量值的均值和标准偏差值；

相应的，所述全数据集建立模块300，可以包括：

全数据集建立单元，用于确定每个时段的历史生产时序数据对应的工况，并建立所述每个时段的历史生产时序数据内所述产品指标偏差值的均值和标准偏差值、所述产品指标实际值的均值和标准偏差值，以及所述可测干扰变量值的均值和标准偏差值，与所述工况的映射关系，作为所述全数据集。

基于上述任一实施例，所述全数据集建立单元，可以包括：

工况确定子单元，用于确定每个时段的历史生产时序数据对应的工况；

特征向量形成子单元，用于利用每个时段计算的历史生产时序数据内的所述产品指标偏差值的均值和标准偏差值、所述产品指标实际值的均值和标准偏差值，以及所述可测干扰变量值的均值和标准偏差值形成特征向量；

映射关系建立子单元，用于建立所述特征向量与所述工况的映射关系，作为所述全数据集。

基于上述任一实施例，所述基于流程工业模型预测控制器参数的自适应控制建立装置，还可以包括：

需要说明的是，上述基于流程工业模型预测控制器参数的自适应控制建立装置中的模块、单元以及子单元在不影响逻辑的情况下，其顺序可以前后进行更改。

应用本发明实施例提供的基于流程工业模型预测控制器参数的自适应控制建立装置，利用历史生产时序数据得到训练完成的工况判别模型，并确定稳态工况下的稳态工况参数集和非稳态工况下的非稳态工况参数集，以在不同工况下利用相应的工况参数集对模型预测控制器的参数进行调整，提高了稳态工况下生产的稳定性，同时能够降低非稳态工况下的工况持续时间，提高了工业生产效率。此外，本发明实施例选用合适的分类算法作为工况判别模型的算法，并利用K折交叉验证法，将全数据集划分为多折训练-测试集，利用网格搜索法，在每折训练-测试集上分别确定备选超参数集中的较优超参数，作为该折训练-测试集对应的较优超参数，选取多折训练-测试集对应的较优超参数的众数，作为最优超参数，提高了将全数据集划分为多折训练-测试集的准确率；利用模型预测控制器的调参策略，分别利用历史生产时序数据中对应稳态工况的时段的历史生产时序数据，以及对应非稳态工况的时段的历史生产时序数据，对模型预测控制器进行调参，以得到稳态工况参数集和非稳态工况参数集，保证了确定稳态工况参数集和非稳态工况参数集；通过利用历史生产时序数据的均值和标准偏差值作为特征值，提高了计算多个时段的历史生产时序数据对应的特征值的计算效率以及准确性，通过将多个时段的历史生产时序数据对应的特征值形成特征向量，并建立特征向量与工况的映射关系，作为全数据集，进一步提高了计算全数据集的运算效率。

下面对本发明实施例提供的基于流程工业模型预测控制器参数的自适应控制调用方法进行介绍，下文描述的基于流程工业模型预测控制器参数的自适应控制调用方法，利用上述的基于流程工业模型预测控制器参数的自适应控制建立方法建立的工况判别模型及工况参数集实现，与上文描述的基于流程工业模型预测控制器参数的自适应控制建立方法可相互对应参照。

请参考图6，图6为本发明实施例提供的一种基于流程工业模型预测控制器参数的自适应控制调用方法的流程图，可以包括：

S401：获取待检测历史生产时序数据。

本实施例中待检测历史生产时序数据包括产品指标设定值、历史产品指标实际值和可测干扰变量值。

S402：利用训练完成的工况判别模型对待检测历史生产时序数据进行判别，得到对应工况。

本实施例中训练完成的工况判别模型为利用全数据集和最优超参数对工况判别模型进行训练，得到的训练完成的工况判别模型，其中，最优超参数为将全数据集划分为多折训练-测试集，并根据多折训练-测试集和设定的备选超参数集，确定的最优超参数，全数据集为确定每个时段的历史生产时序数据对应的工况，并建立每个时段的历史生产时序数据内产品指标偏差值的特征值、产品指标实际值的特征值，以及可测干扰变量值的特征值，与工况的映射关系，作为全数据集，上述工况包括稳态工况和非稳态工况。

S403：根据对应工况，选取稳态工况参数集或非稳态工况参数集对模型预测控制器的参数进行调整。

本实施例中通过利用稳态工况参数集和非稳态工况参数集对模型预测控制器的参数进行调整，以使模型预测控制器能够在不同工况下选用不同的参数集，进而提高工业生产效率。本实施例中可以在确定一次稳态工况参数集和非稳态工况参数集的步骤后，利用确定的稳态工况参数集和非稳态工况参数集对模型预测控制器的参数进行调整，或者也可以每隔预设时间周期执行一次确定稳态工况参数集和非稳态工况参数集的步骤。

进一步地，为了保证检测的准确性，上述获取待检测历史生产时序数据，可以包括：

实时对历史生产时序数据进行获取，并选取最新预设时长内的历史生产时序数据，作为待检测历史生产时序数据。

需要进行说明的是，本实施例中最新预设时长内的历史生产时序数据，可以是距当前预设时长内的历史生产时序数据，或者也可以是其他能够表征当前工况的时长内的生产时序数据。

相应的，选取稳态工况参数集或非稳态工况参数集对模型预测控制器的参数进行调整，可以包括：

步骤S51：计算最新预设时长内的历史生产时序数据对应的特征值。

本实施例可以计算最新预设时长内的历史生产时序数据的均值和标准偏差值，作为上述特征值。

步骤S52：将最新预设时长内的历史生产时序数据对应的特征值代入训练完成的工况判别模型，判别当前工况。

通过将最新预设时长内的历史生产时序数据对应的特征值带入训练完成的工况判别模型，能够确定出当前为稳态工况或是非稳态工况。

步骤S53：若当前处于稳态工况，则利用稳态工况参数集对模型预测控制器的参数进行调整。

若当前处于稳态工况，则将确定的稳态工况参数集代入至模型预测控制器中，并对模型预测控制器的参数进行调整。

步骤S54：若当前处于非稳态工况，则利用非稳态工况参数集对模型预测控制器的参数进行调整。

若当前处于非稳态工况，则将确定的非稳态工况参数集代入至模型预测控制器中，并对模型预测控制器的参数进行调整。

应用本发明实施例提供的基于流程工业模型预测控制器参数的自适应控制调用方法，利用历史生产时序数据得到训练完成的工况判别模型，并确定稳态工况下的稳态工况参数集和非稳态工况下的非稳态工况参数集，以在不同工况下利用相应的工况参数集对模型预测控制器的参数进行调整，提高了稳态工况下生产的稳定性，同时能够降低非稳态工况下的工况持续时间，提高了工业生产效率。此外，本发明实施例通过实时对历史生产时序数据进行获取，并选取最新预设时长内的历史生产时序数据，作为待检测历史生产时序数据，提高了自适应控制的效率。

下面对本发明实施例提供的基于流程工业模型预测控制器参数的自适应控制调用装置进行介绍，下文描述的基于流程工业模型预测控制器参数的自适应控制调用装置，与上文描述的基于流程工业模型预测控制器参数的自适应控制调用方法可相互对应参照。

请参考图7，图7为本发明实施例提供的一种基于流程工业模型预测控制器参数的自适应控制调用装置的结构示意图，可以包括：

待检测历史生产时序数据获取模块600，用于获取待检测历史生产时序数据；

判别模块700，用于利用训练完成的工况判别模型对所述待检测历史生产时序数据进行判别，得到对应工况；

调整模块800，用于根据所述对应工况，选取所述稳态工况参数集或所述非稳态工况参数集对模型预测控制器的参数进行调整。

进一步，基于上述任一实施例，所述待检测历史生产时序数据获取模块600，可以包括：

待检测历史生产时序数据获取单元，用于实时对所述历史生产时序数据进行获取，并选取最新预设时长内的历史生产时序数据，作为所述待检测历史生产时序数据。

应用本发明实施例提供的基于流程工业模型预测控制器参数的自适应控制调用装置，利用历史生产时序数据得到训练完成的工况判别模型，并确定稳态工况下的稳态工况参数集和非稳态工况下的非稳态工况参数集，以在不同工况下利用相应的工况参数集对模型预测控制器的参数进行调整，提高了稳态工况下生产的稳定性，同时能够降低非稳态工况下的工况持续时间，提高了工业生产效率。此外，本发明实施例通过实时对历史生产时序数据进行获取，并选取最新预设时长内的历史生产时序数据，作为待检测历史生产时序数据，提高了自适应控制的效率。

下面对本发明实施例提供的基于流程工业模型预测控制器参数的自适应控制建立设备，和/或基于流程工业模型预测控制器参数的自适应控制调用设备进行介绍，下文描述的基于流程工业模型预测控制器参数的自适应控制建立设备，和/或基于流程工业模型预测控制器参数的自适应控制调用设备与上文描述的基于流程工业模型预测控制器参数的自适应控制建立方法，和/或基于流程工业模型预测控制器参数的自适应控制调用方法可相互对应参照。

请参考图8，图8为本发明实施例提供的一种基于流程工业模型预测控制器参数的自适应控制建立设备，和/或调用设备的结构示意图，可以包括：

存储器10，用于存储计算机程序；

处理器20，用于执行计算机程序，以实现上述的基于流程工业模型预测控制器参数的自适应控制建立方法，和/或上述基于流程工业模型预测控制器参数的自适应控制调用方法的步骤。

存储器10、处理器20、通信接口31均通过通信总线32完成相互间的通信。

在本发明实施例中，存储器10中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令，在本申请实施例中，存储器10中可以存储有用于实现以下功能的程序：

获取历史生产时序数据，并将历史生产时序数据按预设时长进行分割，得到多个时段的历史生产时序数据；历史生产时序数据包括产品指标设定值、历史产品指标实际值和可测干扰变量值；

分别计算多个时段的历史生产时序数据内产品指标偏差值的特征值、产品指标实际值的特征值，以及可测干扰变量值的特征值；产品指标偏差值为产品指标实际值与产品指标设定值的偏差值；产品指标偏差值的特征值、产品指标实际值的特征值和可测干扰变量值的特征值分别表征对应的生产时序数据在各个时段内的稳定度；

确定每个时段的历史生产时序数据对应的工况，并建立每个时段的历史生产时序数据内产品指标偏差值的特征值、产品指标实际值的特征值，以及可测干扰变量值的特征值，与工况的映射关系，作为全数据集；工况包括稳态工况和非稳态工况；

将全数据集划分为多折训练-测试集，根据多折训练-测试集和设定的备选超参数集，确定最优超参数，并利用全数据集和最优超参数对工况判别模型进行训练，得到训练完成的工况判别模型；每折训练-测试集分别包括测试集和训练集；

利用模型预测控制器调参策略确定多个时段的历史生产时序数据对应的稳态工况参数集和非稳态工况参数集；

和/或

获取待检测历史生产时序数据；

利用训练完成的工况判别模型对所述待检测历史生产时序数据进行判别，得到对应工况；

根据所述对应工况，选取所述稳态工况参数集或所述非稳态工况参数集对模型预测控制器的参数进行调整。

在一种可能的实现方式中，存储器10可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及至少一个功能所需的应用程序等；存储数据区可存储使用过程中所创建的数据。

此外，存储器10可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括NVRAM。存储器存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可以包括各种系统程序，用于实现各种基础任务以及处理基于硬件的任务。

处理器20可以为中央处理器(Central Processing Unit，CPU)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件，处理器20可以是微处理器或者也可以是任何常规的处理器等。处理器20可以调用存储器10中存储的程序。

通信接口31可以为通信模块的接口，用于与其他设备或者系统连接。

当然，需要说明的是，图8所示的结构并不构成对本申请实施例中基于流程工业模型预测控制器参数的自适应控制设备的限定，在实际应用中基于流程工业模型预测控制器参数的自适应控制设备可以包括比图8所示的更多或更少的部件，或者组合某些部件。

下面对本发明实施例提供的计算机可读存储介质进行介绍，下文描述的计算机可读存储介质与上文描述的基于流程工业模型预测控制器参数的自适应控制方法可相互对应参照。

本发明还提供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计算机程序，计算机程序被处理器执行时实现上述的基于流程工业模型预测控制器参数的自适应控制建立方法，和/或基于流程工业模型预测控制器参数的自适应控制调用方法的步骤。

该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应该认为超出本发明的范围。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其他任何变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

以上对本发明所提供的一种基于流程工业模型预测控制器参数的自适应控制建立方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。