一种面向流程型制造业的高级过程控制的机器学习框架
技术领域
本发明涉及过程控制中的智能控制领域，具体涉及一种面向流程型制造业的高级过程控制的机器学习框架。
背景技术
在流程型制造业中应用智能控制，可以大大提升智能制造水平，提高生产效率，降低生产成本。现有的高级过程控制(APC)系统往往依赖被控制对象的理想的状态方程模型，或者需要有较强的行业专业知识背景进行对象建模，从而来进行预测式的控制。这种方式对行业的知识储备要求很高，又需要很强的实际场景应变能力。另外，在实际部署应用中，现有的APC解决方案还需要工程师到现场根据实际场景调优参数，随着时间的推移以及机器设备的老化等，这些相关参数还需要不断调整以保证模型的表达能力不会衰减。
另一方面，目前整个流程型制造业的智能化正处于发展阶段，会出现整体信息化水平不高，在线仪表大量缺失或者性能较差的情况；而制造企业自身也不知道如何选择配置必要的仪表进行信息化/智能化改造。如何快速评估在线测量仪表是否必要，合理，精确是另一个影响流程型制造业智能化改造的问题。
发明内容
为了解决上述存在的问题，本发明提供了一种面向流程型制造业的高级过程控制的机器学习框架。
为了实现上述目的，本发明采用以下技术方案：
一种面向流程型制造业的高级过程控制的机器学习框架，包括模型库、数据读入和预处理模块、离线训练引擎、模型性能的实时评估组件以及高级过程控制器；
模型库内置多个适用于流程行业的机器学习模型，
数据读入和预处理模块负责获取数据，并对数据进行预处理；
离线训练引擎挑选模型库中的一个或多个模型以及预处理之后的数据来进行最优模型的寻找和模型参数的训练；
模型性能的实时评估组件能够实时获取现场运行数据并在训练完成之后的模型上进行测试，选取一个实际测试中性能最优的模型进行实际的过程控制；
高级过程控制器利用筛选出来的最优模型以及现场真实运行数据，找到控制变量的最优解，并将该最优解输出送给设备的硬件控制单元。
进一步地，机器学习模型包括但不限于标准线性回归、多项式回归、Lasso回归、局部加权回归、随机森林、梯度上升决策树。
进一步地，所述数据读入和预处理模块从历史数据中读取数据。
进一步地，所述数据读入和预处理模块通过自动激励的方式获取数据。
进一步地，数据读入和预处理模块的预处理方法包括过滤非法数据以及生成高纬度的新数据。
进一步地，离线训练引擎还可以帮助用户发现和最终控制目标相关性最大的多个数据项。
进一步地，当在实际运行过程中发现模型的性能下降或开始下降时，模型性能的实时评估组件负责切换更优的模型或发出系统异常通知。
本发明的有益效果是：
(1)本发明提供了一种面向流程型制造业的高级过程控制的机器学习框架，该框架无需行业的基础背景专业知识，可以自动化的实现特征抽取，数据建模，在线控制，实时监控并更新参数等功能，另外该框架还可以帮助用户找到对高级过程控制最有必要的数据项例如，是否需要在线测量仪表，或者发现哪些数据波动不太正常的数据项，例如，在线仪表性能可能有问题，从而帮助工厂选择合适的仪表，节省硬件改造费用。该框架面向流程型制造业设计，并已经通过了典型试点验证。
(2)本发明大大加速了流程型制造业中高级过程控制的开发速度；因为建立在数据驱动的基础上，可以脱离于专业背景知识而进行高精度的建模；可以自动化的进行模型的在线维护，保证长时间的稳定运行不需要人为介入；可以在工厂的智能化改造中帮助选择合理的在线仪表方案从而降低成本。
附图说明
图1为本发明的学习框架的示意图。
具体实施方式
以下结合附图对本发明的技术方案做进一步详细说明，应当指出的是，具体实施方式只是对本发明的详细说明，不应视为对本发明的限定。
本发明的一种面向流程型制造业的高级过程控制的机器学习框架，包括模型库、数据读入和预处理模块、离线训练引擎、模型性能的实时评估组件以及高级过程控制器，如图1所示；
模型库内置多个适用于流程行业的机器学习模型，包括但不限于标准线性回归、多项式回归、LASSO回归、局部加权回归、随机森林、梯度上升决策树；
数据读入和预处理模块可从历史数据(历史数据包括数据库、文件等，历史数据即所存储的所有数据)中读取数据或者通过自动激励的方式获取数据；得到数据之后，该模块还可以对数据进行预处理，过滤非法数据，生成高纬度的新数据；自动激励：即试验性的给出控制信号或控制信号的组合，控制信号的激励产生由排列组合算法加条件约束实现，保证整个过程的安全及高效；
离线训练引擎挑选模型库中的一个或多个模型以及预处理之后的数据来进行最优模型的寻找和模型参数的训练；所有训练过程通过简单配置，简单配置的内容包括希望达到的目标精度或计算迭代次数的限制，模型参数允许可变的范围，使用哪种优化方式等，即可实现自动化的运行；该引擎还可以帮助用户发现和最终控制目标相关性最大的多个数据项，或者发现哪些数据项导致了模型的不稳定，从而帮助选择最合适的在线仪表，节省硬件改造成本；
模型性能的实时评估组件能够实时的获取现场真实运行数据，并在训练完成之后的模型上进行测试，选取一个实际测试中性能最优的模型进行实际的过程控制；当在实际运行过程中发现模型的性能下降或开始下降时，该组件负责切换更优的模型或发出系统异常通知；
将控制目标输入高级过程控制器，高级过程控制器利用筛选出来的最优模型以及现场真实运行数据，自动计算找到控制变量的最优解，并将该最优解输出送给设备的硬件控制单元(比如PID控制输入)。
实施例1
本发明应用于某大型有色金属制造厂的蒸发工序，通过该框架，最终实现了高级过程控制的解决方案，控制精度和稳定性比之前的解决方案均提高10倍以上，并长期稳定工作超过1年。
具体实现组成如下：
1)本实施例中，数据集来自于原有各种设备的历史数据，比如各种在线仪表的历史数据，历史数据就是各种在线仪表所显示的数据；
2)数据读入和预处理模块对步骤(1)中的数据进行微分预处理，得到新的数据集合；
3)通过LASSO模型对步骤(2)中的数据集合进行特征提取，本实施例中，提取的特征为：母液温度，母液流量，五效加热室温度，六效加热室温度，一效出料温度，五效出料温度，三闪液位，四闪液位，一效蒸发器液位，五效蒸发器液位，找到建模数据项，提取到的特征即为建模数据项；
特征提取方法有多种，比如随机森林，GBDT，皮尔逊系数等，本实施例中选取了LASSO模型进行特征提取，LASSO模型能够达到所要求的效果，而且比较简单、快速；
在其他实施例中，可以采用其他预处理方式和其他特征提取方法；
在其他实施例中，也可以是：先对历史数据进行特征提取，然后再对提取的数据进行微分预处理，得到新的数据集合，然后通过LASSO模型对新的数据集合进行特征提取；
4)离线训练引擎挑选模型库中的一个或多个模型以及建模数据项来进行最优模型的寻找和模型参数的训练；
本实施例中，通过标准线性回归建模；
根据不同的参数(参数可以是温度、湿度、浓度等)，可以建立不同的模型，这些模型作为备用模型，本实施例中，备用模型除了标准线性回归，还有梯度上升决策树以及局部加权回归；
5)模型性能的实时评估组件实时获取现场真实运行数据，并在步骤4)训练完成之后的模型上进行测试，选取一个实际测试中性能最优的模型进行实际的过程控制；当在实际运行过程中发现模型的性能下降或开始下降时，该组件负责切换更优的模型或发出系统异常通知；本实施例中，该组件从备用模型进行寻找更优的模型；
6)将控制目标(控制目标可以是将溶液浓度控制在某一确定的范围)输入高级过程控制器，高级过程控制器利用筛选出来的最优模型以及现场真实运行数据，自动计算找到控制变量的最优解，并将该最优解输出送给设备的硬件控制单元，实现控制目的。
实施例2
本发明应用于某大型有色金属制造厂的原料工序，通过该框架，最终通过数据分析，帮助发现在线仪表的性能缺点，从而避免了不必要的硬件采购，降低了成本；
具体实现组成如下：
1)数据集来自于化验室的历史数据，以及实时的仪表数据；
2)类似于实施例1的预处理操作与特征提取操作步骤；
3)通过LASSO模型以及皮尔逊系数均发现仪表数据的相关性系数很低；比如，发现测量温度的仪表数据与测量浓度的仪表数据相关性系数很低，这是不正常的，一般来说，温度与浓度的相关性系数应该是高的，出现这种现象的原因有可能是仪表有问题或者是管道破掉了或者其他情况；
4)对经过步骤(2)操作的化验室历史数据进行建模，对经过步骤(2)操作的实时仪表数据进行建模，验证得到：仪表数据质量不佳；
5)通过模型参数追溯，确认得到：仪表数据和实际情况差别较大且不稳定；这说明是仪表的问题。
