本技術實施例涉及但不限于控制科學與工程領域，尤其涉及一種設備控制方法、工業設備控制系統及存儲介質。

背景技術：

1、在工業自動化領域，隨著工業自動化系統的規模和復雜度不斷提升，工業過程中的數據量呈指數級增長，同時對控制精度和實時性的要求也在不斷提高，這些都對傳統的工業設備控制系統架構帶來了巨大挑戰。

2、在相關技術中，針對于復雜工業過程控制，通常采用模型預測控制的方法實現工業過程控制，其通過引入系統模型來預測未來行為并進行優化，理論上能夠提供較好的控制效果。但是由于系統模型在控制過程中是固定不變的，其對系統變化的適應性不足，并且在處理大規模系統時存在計算資源需求過高的問題。特別是當系統內部或外部條件發生快速變化時(如原材料質量波動、操作條件改變等)，固有模型難以及時準確地反映這些變化，導致控制準確度較低，實時性較差。

技術實現思路

1、本技術旨在至少解決現有技術中存在的技術問題之一。為此，本技術提供了一種設備控制方法、工業設備控制系統及存儲介質，能夠提高對復雜工業過程的控制準確性和實時性。

2、為實現上述目的，本技術實施例的第一方面提出了一種工業設備控制方法，應用于工業設備控制系統，所述工業設備控制系統包括云端服務端、邊緣端以及至少一個終端設備，所述方法包括以下步驟；

3、所述邊緣端獲取所述終端設備發送的第一狀態參數，并將所述第一狀態參數發送至所述云服務端；其中，所述第一狀態參數由所述終端設備在運行時采集；

4、所述云服務端根據接收到的所述第一狀態參數，分別對多個預設模型的模型參數進行更新，得到更新后的多個候選模型；

5、其中，所述多個候選模型至少包括用于預測所述終端設備在穩定運行狀態下所需的預測控制信息的第一候選模型，以及用于預測所述終端設備在非穩定運行狀態下所需的預測控制信息的第二候選模型；

6、所述云服務端將所述多個候選模型發送給所述邊緣端，使得所述邊緣端部署有所述多個候選模型；

7、所述邊緣端獲取所述終端設備當前采集的目標狀態參數，根據所述目標狀態參數評估所述終端設備的運行狀態指標，并根據所述運行狀態指標從所述多個候選模型中選定目標模型；

8、所述邊緣端將所述目標狀態參數輸入所述目標模型，得到所述預測控制信息，并根據所述預測控制信息對所述終端設備進行控制。

9、在一些實施例中，所述目標狀態參數包括操作狀態參數以及設備狀態參數，所述邊緣端獲取所述終端設備當前采集的目標狀態參數，根據所述目標狀態參數評估所述終端設備的運行狀態指標，并根據所述運行狀態指標從所述多個候選模型中選定目標模型的過程包括以下步驟：

10、根據所述操作狀態參數評估所述終端設備的操作狀態指標；

11、根據所述設備狀態參數評估所述終端設備的設備狀態指標；

12、根據所述操作狀態指標以及所述設備狀態指標計算所述終端設備的所述運行狀態指標；

13、根據所述運行狀態指標從所述多個候選模型中選定所述目標模型。

14、在一些實施例中，所述根據所述操作狀態指標以及所述設備狀態指標計算所述終端設備的所述運行狀態指標，包括：

15、當所述操作狀態指標指示所述終端設備的操作狀態發生改變，或者，所述設備狀態指標指示所述終端設備的設備狀態異常時，將所述終端設備的所述運行狀態指標標記為所述非穩定狀態；

16、當所述操作狀態指標指示所述終端設備的操作狀態未發生改變，并且，所述設備狀態指標指示所述終端設備的設備狀態正常時，將所述終端設備的所述運行狀態指標標記為所述穩定狀態。

17、在一些實施例中，當所述目標模型為第一候選模型時，所述邊緣端將所述目標狀態參數輸入所述目標模型，得到預測控制信息的過程包括以下步驟：

18、將所述目標狀態參數輸入所述目標模型，以使所述目標模型執行以下步驟：

19、根據所述目標狀態參數以及所述第一狀態參數，建立非線性等效模型；

20、基于所述非線性等效模型進行滾動預測，得到預設的預測時域內的預測輸出數據；

21、根據所述預測輸出數據與預設的目標參考值之間的偏差值，以及所述預測輸出數據中操作參數的變化量，構建目標函數；

22、采用梯度下降法對所述目標函數進行優化求解，得到最優控制率；

23、基于所述最優控制率計算得到所述預測控制信息。

24、在一些實施例中，所述目標狀態參數包括設備屬性參數、設備狀態參數以及操作狀態參數，所述根據所述目標狀態參數以及所述第一狀態參數，建立非線性等效模型，包括：

25、基于所述操作狀態參數，確定所述終端設備的被控變量；

26、基于所述操作狀態參數以及所述被控變量，在所述第一狀態參數生成第一設備輸出序列；

27、基于所述設備屬性參數、所述設備狀態參數、所述操作狀態參數以及所述第一設備輸出序列，建立所述非線性等效模型；其中，所述非線性等效模型用于表征所述設備屬性參數、所述設備狀態參數、所述操作狀態參數以及所述第一設備輸出序列映射到當前設備輸出的工業過程動態行為。

28、在一些實施例中，所述第二候選模型為神經網絡模型，當所述目標模型為第二候選模型時，所述邊緣端將所述目標狀態參數輸入所述目標模型，得到預測控制信息的過程包括以下步驟：

29、提取所述目標狀態參數中的設備狀態參數以及所述第一狀態參數中的第一設備狀態參數；

30、將所述設備狀態參數和所述第一設備狀態參數輸入所述第二候選模型，得到所述預測控制信息。

31、在一些實施例中，所述邊緣端將所述目標狀態參數輸入所述目標模型，得到預測控制信息，并根據所述控制信息對所述終端設備進行控制之后，還包括以下步驟：

32、所述終端設備采集自身的實際輸出參數，并將所述實際輸出參數發送給所述邊緣端；

33、所述邊緣端根據所述實際輸出參數與所述預測控制信息進行比對，計算得到預測誤差，并基于所述預測誤差對所述目標模型的模型參數進行校正，將校正后的所述目標模型的模型參數發送給所述云端服務器；

34、所述云端服務器根據所述邊緣端發送的所述校正后的所述目標模型的模型參數，對對應的候選模型的模型參數進行更新。

35、在一些實施例中，所述云服務端根據接收到的所述第一狀態參數，分別對多個預設模型的模型參數進行更新，得到更新后的多個候選模型的過程包括以下步驟：

36、將所述第一狀態參數劃分為第一訓練參數、第一驗證參數以及第一測試參數；

37、基于所述第一訓練參數分別對所述多個預設模型的模型參數進行調整，得到調整后的多個預設模型；

38、分別計算所述調整后的多個預設模型在所述第一驗證參數上的模型損失，基于所述模型損失對對應的預設模型進行校正，得到校正后的多個預設模型；

39、基于所述第一測試參數分別對所述校正后的多個預設模型進行性能評估，將滿足預設的性能指標的預設模型確定為所述候選模型。

40、第二方面，本技術實施例提供了一種工業設備控制系統，所述工業設備控制系統用于實現如第一方面所述的工業設備控制方法，所述工業設備控制系統包括云端服務端、邊緣端以及至少一個終端設備；

41、所述邊緣端用于獲取所述終端設備發送的第一狀態參數，并將所述第一狀態參數發送至所述云服務端；其中，所述第一狀態參數由所述終端設備在運行時采集；

42、所述云服務端用于根據接收到的所述第一狀態參數，分別對多個預設模型的模型參數進行更新，得到更新后的多個候選模型；

43、其中，所述多個候選模型至少包括用于預測所述終端設備在穩定運行狀態下所需的預測控制信息的第一候選模型，以及用于預測所述終端設備在非穩定運行狀態下所需的預測控制信息的第二候選模型；

44、所述云服務端還用于將所述多個候選模型發送給所述邊緣端，使得所述邊緣端部署有所述多個候選模型；

45、所述邊緣端還用于獲取所述終端設備當前采集的目標狀態參數，根據所述目標狀態參數評估所述終端設備的運行狀態指標，并根據所述運行狀態指標從所述多個候選模型中選定目標模型；

46、所述邊緣端還用于將所述目標狀態參數輸入所述目標模型，得到所述預測控制信息，并根據所述預測控制信息對所述終端設備進行控制。

47、第三方面，本技術實施例提供了一種計算機可讀存儲介質，所述存儲介質存儲有程序，所述程序被處理器執行實現如本技術第一方面實施例中任意一項所述的工業設備控制方法。

48、本技術實施例提出的工業設備控制方法，應用于工業設備控制系統，工業設備控制系統包括云端服務端、邊緣端以及至少一個終端設備，方法包括以下步驟；邊緣端獲取終端設備發送的第一狀態參數，并將第一狀態參數發送至云服務端；其中，第一狀態參數由終端設備在運行時采集；云服務端根據接收到的第一狀態參數，分別對多個預設模型的模型參數進行更新，得到更新后的多個候選模型；其中，多個候選模型至少包括用于預測終端設備在穩定運行狀態下所需的預測控制信息的第一候選模型，以及用于預測終端設備在非穩定運行狀態下所需的預測控制信息的第二候選模型；云服務端將多個候選模型發送給邊緣端，使得邊緣端部署有多個候選模型；邊緣端獲取終端設備當前采集的目標狀態參數，根據目標狀態參數評估終端設備的運行狀態指標，并根據運行狀態指標從多個候選模型中選定目標模型；邊緣端將目標狀態參數輸入目標模型，得到預測控制信息，并根據預測控制信息對終端設備進行控制。

49、本技術通過在云端服務器、邊緣端和終端設備之間建立協同工作機制，由云端服務器根據終端設備運行時采集的第一狀態參數對多個預設模型進行更新，得到包括穩定運行狀態模型和非穩定運行狀態模型在內的多個候選模型，并將這些候選模型部署到邊緣端。然后邊緣端通過評估終端設備當前的運行狀態指標，從多個候選模型中選擇最適合的目標模型，并根據目標狀態參數和選定的目標模型生成預測控制信息，從而對終端設備進行控制，可以實現對復雜工業過程的精確控制。通過在邊緣端部署多個針對不同運行狀態優化的候選模型，結合實時的狀態評估和模型選擇機制，確保了控制策略始終使用最匹配當前工況的模型，提高了控制的準確性。同時，采用云邊端協同的分布式架構，將復雜的模型更新計算放在云端執行，而將實時性要求高的控制決策放在邊緣端本地執行，避保證了系統的快速響應能力。與現有技術中采用固定模型進行預測控制相比，本技術實施例提供的方法通過動態更新和自適應選擇模型的方式，提高了系統對工況變化的適應能力；通過邊緣端部署和本地決策的方式，降低了系統響應延遲，提升了控制的實時性；同時降低了對通信帶寬和計算資源的需求，提高了系統的整體效率，滿足了控制精度和實時性的需求，為復雜工業過程控制提供了一個高效且可靠的解決方案。

50、本技術的其它特征和優點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本技術而了解。本技術的目的和其他優點可通過在說明書、權利要求書以及附圖中所特別指出的結構來實現和獲得。