控制策略预测方法和装置、设备及存储介质制造方法及图纸

本申请实施例提供了一种控制策略预测方法和装置、设备及存储介质，属于人工智能技术领域。该方法包括：获取验证控制策略、设备历史状态数据和验证优化指标；将设备历史状态数据输入至原始策略预测模型进行策略预测得到预测控制策略；将预测控制策略和设备历史状态数据输入至原始策略评估模型进行策略评估得到下一设备历史状态数据和预测优化指标；通过损失函数对预测控制策略和验证控制策略、验证优化指标和预测优化指标进行损失计算得到目标损失值；根据目标损失值对原始策略预测模型进行参数调整得到目标策略预测模型；将获取的设备目标状态数据输入至目标策略预测模型进行策略预测得到目标控制策略。本申请实施例能够提高控制策略的预测效率。提高控制策略的预测效率。提高控制策略的预测效率。

【技术实现步骤摘要】
控制策略预测方法和装置、设备及存储介质


[0001]本申请涉及人工智能
，尤其涉及一种控制策略预测方法和装置、设备及存储介质。

技术介绍

[0002]目前，制造企业在生产过程中积累了大量的制造数据，通过对制造数据的收集和分析能够得到生产过程的内在规律。传统对于生产设备的控制策略则是通过分析制造数据的内在规律以生成，但是分析制造数据的规律则是通过人工分析，不仅耗费人力且控制策略预测效率低下，因此，如何提高控制策略的预测效率，成为了亟待解决的技术问题。

技术实现思路

[0003]本申请实施例的主要目的在于提出一种控制策略预测方法和装置、设备及存储介质，旨在提高控制策略的预测效率。
[0004]为实现上述目的，本申请实施例的第一方面提出了一种控制策略预测方法，所述方法包括：
[0005]获取样本数据；其中，所述样本数据包括验证控制策略、设备历史状态数据和验证优化指标；
[0006]将所述设备历史状态数据输入至预设的原始策略预测模型进行策略预测，得到预测控制策略；
[0007]将所述预测控制策略和所述设备历史状态数据输入至预设的原始策略评估模型进行策略评估，得到下一时间的所述设备历史状态数据和预测优化指标；
[0008]通过预设的损失函数对所述预测控制策略和所述验证控制策略进行损失计算，通过所述预设的损失函数对所述验证优化指标和所述预测优化指标进行损失计算，得到目标损失值；
[0009]根据所述目标损失值对所述原始策略预测模型进行参数调整，得到目标策略预测模型；
[0010]将获取的设备目标状态数据输入至所述目标策略预测模型进行策略预测，得到目标控制策略。
[0011]在一些实施例，所述原始策略预测模型包括：自相关层，所述将所述设备历史状态数据输入至预设的原始策略预测模型进行策略预测，得到预测控制策略，包括：
[0012]将所述设备历史状态数据输入至所述自相关层进行特征提取，得到数据特征；
[0013]通过所述自相关层对所述数据特征和历史特征进行相关性计算，得到特征相关度；
[0014]根据所述特征相关度从预设的候选策略中筛选出所述预测控制策略。
[0015]在一些实施例，所述通过所述自相关层对所述数据特征和历史特征进行相关性计算，得到特征相关度，包括：
[0016]通过所述自相关层对所述数据特征进行序列化处理，得到数据特征序列；
[0017]通过所述自相关层对所述历史特征进行序列化处理，得到历史特征序列；
[0018]通过所述自相关层将所述数据特征序列和所述历史特征序列输入至预设的自相关函数进行自相关处理，得到所述特征相关度；其中，所述自相关函数为：
[0019][0020]式中，x
t
为当前周期长度为t的数据特征序列，x
t
‑
θ
为当前周期长度为t的历史特征序列，θ为延迟时间(即滞后项)。
[0021]在一些实施例，所述原始策略评估模型包括：至少一个BiLSTM层；所述将所述预测控制策略和所述设备历史状态数据输入至预设的原始策略评估模型进行策略评估，得到下一时间的所述设备历史状态数据和预测优化指标，包括：
[0022]将所述预测控制策略和所述设备历史状态数据输入至BiLSTM层进行特征提取，得到高维特征；
[0023]通过所述BiLSTM层将所述高维特征和预设的前向特征、后向特征进行结合处理，得到目标特征；
[0024]通过所述BiLSTM层对所述目标特征进行反卷积处理，得到下一时间的所述设备历史状态数据和所述预测优化指标。
[0025]在一些实施例，所述通过预设的损失函数对所述预测控制策略和所述验证控制策略进行损失计算，通过所述预设的损失函数对所述验证优化指标和所述预测优化指标进行损失计算，得到目标损失值，包括：
[0026]通过预设的损失函数对所述预测控制策略和所述验证控制策略进行损失计算，得到策略损失值；
[0027]通过预设的损失函数对所述预测优化指标和所述验证优化指标进行损失计算，得到指标损失值；
[0028]根据预设的第一权重值、预设的第二权重值、所述策略损失值和所述指标损失值进行求和计算，得到所述目标损失值。
[0029]在一些实施例，在所述将获取的设备目标状态数据输入至所述目标策略预测模型进行策略预测，得到目标控制策略，包括：
[0030]对所述目标控制策略进行优化处理，具体包括：
[0031]根据预设的策略限制数据和所述目标控制策略进行模型构建，得到控制策略模型；
[0032]根据所述设备目标状态数据对所述控制策略模型进行求解处理，得到优化控制策略。
[0033]在一些实施例，在所述获取样本数据之后，所述方法还包括：
[0034]对所述样本数据进行预处理，具体包括：
[0035]对任意两个所述样本数据进行相关性计算，得到样本相关度；
[0036]根据所述样本相关度对所述样本数据进行过滤处理；
[0037]对过滤后的所述样本数据进行行标准化处理。
[0038]为实现上述目的，本申请实施例的第二方面提出了一种控制策略预测装置，所述装置包括：
[0039]获取模块，用于获取样本数据；其中，所述样本数据包括验证控制策略、设备历史状态数据和验证优化指标；
[0040]原始预测模块，用于将所述设备历史状态数据输入至预设的原始策略预测模型进行策略预测，得到预测控制策略；
[0041]评估模块，用于将所述预测控制策略和所述设备历史状态数据输入至预设的原始策略评估模型进行策略评估，得到下一时间的所述设备历史状态数据和预测优化指标；
[0042]损失计算模块，用于通过预设的损失函数对所述预测控制策略和所述验证控制策略进行损失计算，通过所述预设的损失函数对所述验证优化指标和所述预测优化指标进行损失计算，得到目标损失值；
[0043]参数调整模块，用于根据所述目标损失值对所述原始策略预测模型进行参数调整，得到目标策略预测模型；
[0044]目标预测模块，用于将获取的设备目标状态数据输入至所述目标策略预测模型进行策略预测，得到目标控制策略。
[0045]为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
[0046]为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
[0047]本申请提出的控制策略预测方法和装置、设备及存储介质,其通过挖掘历史状态数据中的特征，并将历史状态数据作为模型输入输出，以找到历史状态数据和控制策略之间的关系，以使模型自动且快速的输出控制策略，旨在提高控制策略预测的效率。
附图说明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种控制策略预测方法，其特征在于，所述方法包括：获取样本数据；其中，所述样本数据包括验证控制策略、设备历史状态数据和验证优化指标；将所述设备历史状态数据输入至预设的原始策略预测模型进行策略预测，得到预测控制策略；将所述预测控制策略和所述设备历史状态数据输入至预设的原始策略评估模型进行策略评估，得到下一时间的所述设备历史状态数据和预测优化指标；通过预设的损失函数对所述预测控制策略和所述验证控制策略进行损失计算，通过所述预设的损失函数对所述验证优化指标和所述预测优化指标进行损失计算，得到目标损失值；根据所述目标损失值对所述原始策略预测模型进行参数调整，得到目标策略预测模型；将获取的设备目标状态数据输入至所述目标策略预测模型进行策略预测，得到目标控制策略。2.根据权利要求1所述的方法，其特征在于，所述原始策略预测模型包括：自相关层，所述将所述设备历史状态数据输入至预设的原始策略预测模型进行策略预测，得到预测控制策略，包括：将所述设备历史状态数据输入至所述自相关层进行特征提取，得到数据特征；通过所述自相关层对所述数据特征和历史特征进行相关性计算，得到特征相关度；根据所述特征相关度从预设的候选策略中筛选出所述预测控制策略。3.根据权利要求2所述的方法，其特征在于，所述通过所述自相关层对所述数据特征和历史特征进行相关性计算，得到特征相关度，包括：通过所述自相关层对所述数据特征进行序列化处理，得到数据特征序列；通过所述自相关层对所述历史特征进行序列化处理，得到历史特征序列；通过所述自相关层将所述数据特征序列和所述历史特征序列输入至预设的自相关函数进行自相关处理，得到所述特征相关度；其中，所述自相关函数为：式中，x
t
为当前周期长度为t的数据特征序列，x
t
‑
θ
为当前周期长度为t的历史特征序列，θ为延迟时间(即滞后项)。4.根据权利要求1至3任一项所述的方法，其特征在于，所述原始策略评估模型包括：至少一个BiLSTM层；所述将所述预测控制策略和所述设备历史状态数据输入至预设的原始策略评估模型进行策略评估，得到下一时间的所述设备历史状态数据和预测优化指标，包括：将所述预测控制策略和所述设备历史状态数据输入至BiLSTM层进行特征提取，得到高维特征；通过所述BiLSTM层将所述高维特征和预设的前向特征、后向特征进行结合处理，得到目标特征；通过所述BiLSTM层对所述目标特征进行反卷积处理，得到下一时间的所述设备历史状
态数据和所述预测优化指标。5.根据权利要求1至3任一...

【专利技术属性】
技术研发人员：刘雨桐，张兴，李婉莹，王国勋，
申请(专利权)人：华润数字科技有限公司，
类型：发明
国别省市：