多设备协同的智能控制方法、设备和介质与流程

本技术属于工业ai，尤其涉及一种多设备协同的智能控制方法、设备和介质。

背景技术：

1、在化工、冶金、能源、智能制造等现代工业生产领域中，其工业生产过程中，常采用机理模型预测控制、数据驱动控制或二者结合方案，对相互耦合的多类工艺参数进行优化调节。

2、然而，现有工业控制方案对传感器时序、图像等异构数据多采用分立处理或浅层拼接，难以充分表征复杂工况下的关联特性，导致状态感知与决策精度受限；同时，在多目标冲突及工况波动条件下，固定优化方式适应性不足，且纯数据模型易出现物理一致性与安全可控性不足的问题。

3、因此，如何在复杂工业过程中提高异构数据融合下的多工艺参数多目标控制实时性、准确性及物理安全可靠性，成为亟待解决的技术问题。

技术实现思路

1、本技术实施例提供一种多设备协同的智能控制方法、设备和介质，用以在复杂工业过程中提高异构数据融合下的多工艺参数多目标控制实时性、准确性及物理安全可靠性。

2、第一方面，本技术实施例提供一种多设备协同的智能控制方法，应用于工业生产控制系统，工业生产控制系统包括多类型数据采集单元和多类型工业设备；方法还包括：

3、通过多类型数据采集单元获取工业生产过程中的多源时序数据，并基于多源时序数据，确定工业生产过程对应的多模态时空图，多模态时空图为以各类时序数据为节点、不同节点之间的工艺关联关系为边的图结构；

4、提取多模态时空图中表征各节点之间的关联权重矩阵；关联权重矩阵用于存储任意两组节点对应的相互影响系数；

5、基于多模态时空图和关联权重矩阵，确定多源时序数据对应的融合特征向量，并将融合特征向量输入状态预测模型，得到预测状态向量；

6、根据预测状态向量，以最大化目标策略函数为优化目标，采用柔性演员评论家算法确定目标工艺参数，并按照目标工艺参数控制工业生产控制系统中的多类型工业设备运行。

7、在一种可能的实施方式中，多类型数据采集单元包括：多个数值传感采集单元和至少一个图像采集单元；多源时序数据包括工艺时序数据和图像数据；多模态时空图包括多个传感节点和至少一个虚拟图像节点；通过多类型数据采集单元获取工业生产过程中的多源时序数据，并基于多源时序数据，确定工业生产过程对应的多模态时空图，包括：

8、通过多个数值传感采集单元获取工业生产过程中的工艺时序数据，以及，通过至少一个图像采集单元获取工业生产过程中的图像数据；

9、采用一维卷积网络对工艺时序数据进行特征编码，得到各传感节点的初始嵌入特征，并采用残差网络对图像数据进行语义特征提取，得到虚拟图像节点的初始特征；

10、确定第一可学习嵌入矩阵和第二可学习嵌入矩阵；第一可学习嵌入矩阵用于表征各节点向外输出耦合影响的隐空间表达；第二可学习嵌入矩阵用于表征各节点接收外部耦合影响的隐空间表达；

11、基于第一可学习嵌入矩阵和第二可学习嵌入矩阵，确定各节点动态耦合的关联权重矩阵；

12、基于各传感节点的初始嵌入特征、虚拟图像节点的初始特征和关联权重矩阵，生成工业生产过程对应的多模态时空图。

13、在一种可能的实施方式中，基于第一可学习嵌入矩阵和第二可学习嵌入矩阵，确定各节点动态耦合的关联权重矩阵，包括：

14、基于第一可学习嵌入矩阵和第二可学习嵌入矩阵，确定各节点的初始相似度矩阵；初始相似度矩阵用于表征任意两个节点之间的初始关联程度；

15、对初始相似度矩阵中的负相关元素进行滤除，得到正向相似度矩阵；

16、对正相关相似度矩阵进行归一化，得到各节点动态耦合的关联权重矩阵。

17、在一种可能的实施方式中，基于多模态时空图和关联权重矩阵，确定多源时序数据对应的融合特征向量，包括：

18、提取多模态时空图中各传感节点的初始嵌入特征和虚拟图像节点的初始特征；

19、通过图注意力网络对各传感节点的初始嵌入特征和虚拟图像节点的初始特征进行空间聚合，得到空间聚合特征；

20、通过门控循环单元，对空间聚合特征进行时序特征聚合，得到多源时序数据对应的融合特征向量。

21、在一种可能的实施方式中，状态预测模型包括：物理解析分支和残差拟合分支；将融合特征向量输入状态预测模型，得到预测状态向量，包括：

22、将融合特征向量输入物理解析分支，得到物理特征向量；物理特征向量用于表征工业生产过程中工艺参数时序变化的物理特征；

23、将融合特征向量输入残差拟合分支，得到残差特征向量；残差特征向量用于补偿工业生产系统的建模误差；

24、基于物理特征向量和残差特征向量，确定预测状态向量。

25、在一种可能的实施方式中，根据预测状态向量，以最大化目标策略函数为优化目标，采用柔性演员评论家算法确定目标工艺参数，包括：

26、确定工业生产过程中的多个优化目标，并生成各优化目标对应的动作价值网络；

27、通过动态偏好网络生成各优化目标对应的权重系数；

28、根据预测状态向量、各优化目标对应的动作价值网络和权重系数，以最大化目标策略函数为优化目标，采用柔性演员评论家算法确定目标工艺参数。

29、在一种可能的实施方式中，在根据预测状态向量，以最大化目标策略函数为优化目标，采用柔性演员评论家算法确定目标工艺参数之后，方法还包括：

30、在目标工艺参数不属于预设可行域的情况下，

31、基于预设可行域和目标工艺参数，构建二次参数优化模型；

32、以最小化预设可行域内的工艺参数与目标工艺参数的二范数距离为优化目标，求解二次参数优化模型，得到优化后的目标工艺参数；

33、其中，用于限定预设可行域的预设约束条件包括幅值约束、变化率约束、状态依赖约束中的至少一种。

34、在一种可能的实施方式中，在基于第一可学习嵌入矩阵和第二可学习嵌入矩阵，确定各节点动态耦合的关联权重矩阵之后，方法还包括：

35、确定多源时序数据对应的工艺阶段和设备状态；

36、基于工艺阶段，确定虚拟图像节点的初始特征的图像修正系数；

37、基于设备状态，确定各传感节点的初始嵌入特征的传感修正系数；

38、基于图像修正系数和传感修正系数，对关联权重矩阵进行修正，得到新的关联权重矩阵；

39、其中，工艺阶段用于表征工业生产过程中可区分的阶段性操作；设备状态特征包括设备老化状态、原料波动状态中的至少一种。

40、第二方面，本技术实施例提供一种调系统的器件散热装置，包括：

41、获取模块，用于通过多类型数据采集单元获取工业生产过程中的多源时序数据。

42、处理模块，用于基于多源时序数据，确定工业生产过程对应的多模态时空图，多模态时空图为以各类时序数据为节点、不同节点之间的工艺关联关系为边的图结构。

43、处理模块，还用于提取多模态时空图中表征各节点之间的关联权重矩阵；关联权重矩阵用于存储任意两组节点对应的相互影响系数。

44、处理模块，还用于基于多模态时空图和关联权重矩阵，确定多源时序数据对应的融合特征向量，并将融合特征向量输入状态预测模型，得到预测状态向量。

45、处理模块，还用于根据预测状态向量，以最大化目标策略函数为优化目标，采用柔性演员评论家算法确定目标工艺参数，并按照目标工艺参数控制工业生产控制系统中的多类型工业设备运行。

46、在一种可能的实施方式中，获取模块，还用于通过多个数值传感采集单元获取工业生产过程中的工艺时序数据，以及，通过至少一个图像采集单元获取工业生产过程中的图像数据。

47、处理模块，还用于采用一维卷积网络对工艺时序数据进行特征编码，得到各传感节点的初始嵌入特征，并采用残差网络对图像数据进行语义特征提取，得到虚拟图像节点的初始特征。

48、处理模块，还用于确定第一可学习嵌入矩阵和第二可学习嵌入矩阵；第一可学习嵌入矩阵用于表征各节点向外输出耦合影响的隐空间表达；第二可学习嵌入矩阵用于表征各节点接收外部耦合影响的隐空间表达。

49、处理模块，还用于基于第一可学习嵌入矩阵和第二可学习嵌入矩阵，确定各节点动态耦合的关联权重矩阵。

50、处理模块，还用于基于各传感节点的初始嵌入特征、虚拟图像节点的初始特征和关联权重矩阵，生成工业生产过程对应的多模态时空图。

51、在一种可能的实施方式中，处理模块，还用于基于第一可学习嵌入矩阵和第二可学习嵌入矩阵，确定各节点的初始相似度矩阵；初始相似度矩阵用于表征任意两个节点之间的初始关联程度。

52、处理模块，还用于对初始相似度矩阵中的负相关元素进行滤除，得到正向相似度矩阵。

53、处理模块，还用于对正相关相似度矩阵进行归一化，得到各节点动态耦合的关联权重矩阵。

54、在一种可能的实施方式中，处理模块，还用于提取多模态时空图中各传感节点的初始嵌入特征和虚拟图像节点的初始特征。

55、处理模块，还用于通过图注意力网络对各传感节点的初始嵌入特征和虚拟图像节点的初始特征进行空间聚合，得到空间聚合特征。

56、处理模块，还用于通过门控循环单元，对空间聚合特征进行时序特征聚合，得到多源时序数据对应的融合特征向量。

57、在一种可能的实施方式中，处理模块，还用于将融合特征向量输入物理解析分支，得到物理特征向量；物理特征向量用于表征工业生产过程中工艺参数时序变化的物理特征。

58、处理模块，还用于将融合特征向量输入残差拟合分支，得到残差特征向量；残差特征向量用于补偿工业生产系统的建模误差。

59、处理模块，还用于基于物理特征向量和残差特征向量，确定预测状态向量。

60、在一种可能的实施方式中，处理模块，还用于确定工业生产过程中的多个优化目标，并生成各优化目标对应的动作价值网络。

61、处理模块，还用于通过动态偏好网络生成各优化目标对应的权重系数。

62、处理模块，还用于根据预测状态向量、各优化目标对应的动作价值网络和权重系数，以最大化目标策略函数为优化目标，采用柔性演员评论家算法确定目标工艺参数。

63、在一种可能的实施方式中，处理模块，还用于在目标工艺参数不属于预设可行域的情况下，基于预设可行域和目标工艺参数，构建二次参数优化模型。

64、处理模块，还用于以最小化预设可行域内的工艺参数与目标工艺参数的二范数距离为优化目标，求解二次参数优化模型，得到优化后的目标工艺参数；

65、其中，用于限定预设可行域的预设约束条件包括幅值约束、变化率约束、状态依赖约束中的至少一种。

66、在一种可能的实施方式中，处理模块，还用于确定多源时序数据对应的工艺阶段和设备状态。

67、处理模块，还用于基于工艺阶段，确定虚拟图像节点的初始特征的图像修正系数。

68、处理模块，还用于基于设备状态，确定各传感节点的初始嵌入特征的传感修正系数。

69、处理模块，还用于基于图像修正系数和传感修正系数，对关联权重矩阵进行修正，得到新的关联权重矩阵；

70、其中，工艺阶段用于表征工业生产过程中可区分的阶段性操作；设备状态特征包括设备老化状态、原料波动状态中的至少一种。

71、第三方面，本技术实施例提供一种电子设备，包括：存储器，处理器；

72、存储器存储计算机执行指令；

73、处理器执行存储器存储的计算机执行指令，使得处理器执行如上第一方面和/或第一方面各种可能的实施方式。

74、第四方面，本技术实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如上第一方面和/或第一方面各种可能的实施方式。

75、第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面和/或第一方面各种可能的实施方式。

76、本技术实施例提供的多设备协同的智能控制方法，通过多个数值传感采集单元获取工业生产过程中的工艺时序数据，以及，通过至少一个图像采集单元获取工业生产过程中的图像数据；采用一维卷积网络对工艺时序数据进行特征编码，得到各传感节点的初始嵌入特征，并采用残差网络对图像数据进行语义特征提取，得到虚拟图像节点的初始特征；确定第一可学习嵌入矩阵和第二可学习嵌入矩阵；基于第一可学习嵌入矩阵和第二可学习嵌入矩阵，确定各节点动态耦合的关联权重矩阵；基于各传感节点的初始嵌入特征、虚拟图像节点的初始特征和关联权重矩阵，生成工业生产过程对应的多模态时空图；提取多模态时空图中表征各节点之间的关联权重矩阵；提取多模态时空图中各传感节点的初始嵌入特征和虚拟图像节点的初始特征；通过图注意力网络对各传感节点的初始嵌入特征和虚拟图像节点的初始特征进行空间聚合，得到空间聚合特征；通过门控循环单元，对空间聚合特征进行时序特征聚合，得到多源时序数据对应的融合特征向量；将融合特征向量输入状态预测模型，得到预测状态向量；根据预测状态向量，以最大化目标策略函数为优化目标，采用柔性演员评论家算法确定目标工艺参数。该方法通过动态图结构建模异构数据间的时空关联，解决了现有技术中特征割裂与语义对齐不足的问题，显著提升多工艺参数协同控制的实时性和准确性，不仅有利于增强生产稳定性并改善产品质量和能耗表现，还增强复杂工业工况下的控制适应性，显著提升系统的安全性与稳定性；通过多目标策略网络与动态偏好网络的协同，实现多目标的实时自适应优化，提升控制策略的鲁棒性与场景适应性。