[发明专利]一种应用于压力精密控制的自动机器学习系统和方法

说明书

本发明公开了一种应用于压力精密控制的自动机器学习系统和方法，通过自动深度学习，实现了大量程范围内任意多点设定压力值精密控制最优参数的自动生成及控制参数积累，通过监督机制，在大量程范围内任意多点设定压力值控制时选择最优控制参数进行压力精密控制。解决了传统自动压力控制方法存在控制对象工况因素变化引起的不确定性，且控制对象非线性变化造成难以建立精确数学模型等关键难题。实现了在0—100MPa量程范围任意多点压力控制对象±0.005MPa偏差的精密控制。

技术领域

本发明属于人工智能范畴，尤其是将自动机器学习方法应用于压力精密控制技术。

背景技术

传统自动控制是建立在确定模型基础上，且控制对象为线性变化的条件下控制效果最优。而压力控制对象由于流体介质的快速变化、管道材料形变及泄漏等因素造成控制模型存在严重的不确定性，且压力控制对象为非线性变化。当如果需要在大量程范围内任意多点设定控制时，传统自动控制在某设定点整定的最优控制参数并不能在其它控制点取得最佳理想控制效果，甚至控制效果劣化。在工业过程中，应用机器学习方法实现大量程范围任意多点压力的精密控制，具有重大的现实意义和理论价值。

本发明是利用自动机器学习方法实现压力控制对象的精密控制，是自动机器学习方法的创新探索及尝试，通过实用化实现0—100MPa 量程范围任意多点压力控制对象±0.005MPa偏差的精密控制。

发明内容

本发明的目的在于对一种应用于压力精密控制的自动机器学习方法的创新探索及尝试，利用自动机器学习方法，实现压力控制对象的精密控制。

本发明是通过下列技术方案来实现的：

一种应用于压力精密控制的自动机器学习系统，包括：高精度数字压力传感器、自动机器学习装置、气体压力精密控制装置和高压气液增压装置依次连接，其中：高精度数字压力传感器、用于对压力进行测量并通过输出数字量信号；自动机器学习装置、包括数据预处理模块、监督机制模块、数据集存储模块、深度学习模块、人机交互模块连接组成，数据预处理模块、用于采集高压气液增压装置的输出数字量信号，剃除错误数据；监督机制模块、用于实时计算压力控制偏差pe、压力变化率et，能根据用户设定的压力值及容忍边界条件，调用数据集存储模块中的最优参数并输出数字量控制信号，能自动判断并向深度学习模块发出学习指令；能对多次学习结果进行最优选择，并保存到数据集存储模块中；数据集存储模块、用于保存历史最优参数及当前深度学习最优选择结果，并重新按用户设定的容忍边界条件进行最优选择；深度学习模块、用于根据监督机制模块发出的学习指令，自动进行参数学习并将学习结果数据上传监督机制模块，如果该次学习结果不满意，则再次发出学习指令，再次进行第二次学习，直到收到结束指令停止学习；人机交互模块、用于提供用户参数设定及相关参数显示；气体压力精密控制装置、用于接收数字量控制信号，并转换为精密控制气源信号；并恒定输出气源；高压气液增压装置、用于接收精密控制气源信号，线性输出压力回路。

本发明的另一方面，提供了一种应用于压力精密控制的自动机器学习方法，包括以下步骤：

S1、采集高压气液增压装置的压力进行测量并输出数字量信号；

S2、实时计算压力控制偏差pe、压力变化率et，根据用户设定的压力值及容忍边界条件，调用最优参数并输出数字量控制信号，能自动判断是否发出深度学习指令；深度学习时，能对多次学习结果进行最优选择；并重新按用户设定的容忍边界条件进行最优选择；

S3、进行参数学习并获得学习结果数据，如果该次学习结果数据不满意，则再次发出学习指令，再次进行学习，可循环N次，直到收到结束指令停止学习，形成数字量控制信号；

S4、接收数字量控制信号，并转换为精密控制气源信号；并恒定输出气源；

S5、接收精密控制气源信号，线性输出压力回路。