[发明专利]一种参数优化方法及系统

说明书

本申请实施例公开了一种参数优化方法及系统，用于对设备的可控制参数进行调整。本申请实施例方法包括：获取样本对，该样本对包括可控制参数及目标元素；构建基于神经网络的模型，该模型包括该可控制参数与该目标元素之间的关系；利用该样本对训练该模型；获取期望目标元素；获取该可控制参数的约束条件，该约束条件定义了该可控制参数的可行域；利用该模型及该取值范围调整该可控制参数，使得该目标元素接近于该期望目标元素。

技术领域

本申请涉及工业控制领域，尤其涉及一种参数优化方法及系统。

背景技术

随着工业物联网技术的发展，各行各业开始利用物联网设备构建物联网行业服务平台以实现各类信息的智能化操作。连接到物联网的设备如锅炉、空气压缩机、热泵可以上传设备运行参数信息以供相关技术人员查看和控制。

参数优化的实质是希望对某一些可控制参数做出调整，实现对于另外一些不可直接控制的参数的预计调整。以锅炉设备为例，水瞬时流量、炉内压力、氧含量、水位等为可控制参数，通过调整这些可控制参数，可以实现对炉膛温度、燃烧输出状态等不可直接控制的参数进行调整。设备的运行状态并不会完全按照设计者和使用者的想法进行，由于可控制参数之间同时具有相互作用的关系，如若试图仅通过调整氧含量的方式提高燃烧效率达到最优，则可能导致其他参数的变化以至于无法达到期望的燃烧效率。

传统对设备参数进行优化的方法主要通过技术人员进行手动调试，技术人员先评估可控制参数可能对目标元素造成的影响，然后将其运用到具体生产过程中，评估实际目标元素，如此循环往复，直至达到期望的目标元素为止。该种方法耗时过久，有时需要数周甚至数月才能达到优化目标。

发明内容

本申请实施例提供了一种参数优化方法及系统，使得设备能够达到最佳运行状态。

第一方面，本申请实施例提供了一种参数优化的方法，该方法包括：

获取待优化设备的历史运行记录，并从中获取多组样本对，该样本对由可控制参数和目标元素组成，样本对的数量足够大，该多组样本对又被分为训练组与验证组；

构建基于神经网络的初始模型，该模型中定义了神经元之间的连接权重、可控制参数以及目标元素之间的关系；

将样本对中可控制参数作为神经网络模型的输入，目标元素作为神经网络模型的期望输出，训练该神经网络模型；

根据设备的实际运行情况，设置期望目标元素的值；

根据设备的可控制参数之间的关系，可控制参数的调节范围，获取这些可控制参数的可行域；

利用训练后的神经网络模型以及可控制参数的可行域，调整可控制参数的值，使得可控制参数作为训练后的神经网络模型的输入，其输出能够接近于期望目标元素的值。

根据第一方面，本申请实施例第一方面的第一种实施方式中，该可控制参数包括设备运行时参数，该参数的数值可由设备上的传感器检测得到，如温度传感器、压力传感器等。

根据第一方面，本申请实施例第一方面的第二种实施方式中，该构建基于神经网络的初始模型包括：

可控制参数作为输入层神经元的输入，目标元素作为输出层神经元的输出，该输入层与该输出层之间存在隐含层，相邻层之间的神经元全连接，每层的神经元之间无连接；

根据输入层以及输出层神经元的数量确定隐含层神经元的数量。

根据第一方面的第二种实施方式，本申请实施例第一方面的第三种实施方式中，利用该样本对训练该模型包括：

将样本对中的可控制参数作为神经网络的输入，得到神经网络的实际输出结果；

调整相邻层神经元之间的连接权重，直至神经网络的实际输出结果与样本对中的目标元素的值的误差最小。