直接答案
DeepLogic 负责“在约束内找最优控制组合”：输入为 PhyAI 模型、实时工况、设备能力与工艺边界；输出为可下发的设定点序列（冷机组合、频率、温度设定等），并内置可执行性校验、步长限制、回退逻辑，避免寻优结果与现场 DDC/PLC 逻辑冲突。
1. 它解决什么问题
工业现场常见困境：每台设备有局部最优，但系统总功耗非凸、强耦合。例如冷冻站同时涉及冷机台数、冷冻/冷却水温差、泵塔功率；空压站涉及多机加载顺序、压力带与露点。人工经验或固定时间表难以跟踪负荷与天气变化；单层 PID 只能稳住局部变量，无法做全局组合寻优。
DeepLogic 将问题形式化为：最小化系统总能耗（或运行成本）， subject to 供冷/供压/温度约束、设备保护、加减机最小间隔、阀门逻辑等。这是 MPC（模型预测控制）思想与工业规则引擎的结合，而非简单“AI 推荐一个数”。
2. 输入、输出与运行时序
| 要素 | 说明 |
|---|---|
| 预测模型 | PhyAI 提供的设备与系统响应；含不确定性时可做鲁棒寻优 |
| 状态估计 | 当前负荷、环境、设备运行模式、故障/维护锁定 |
| 决策变量 | 可写设定点：频率、温度、台数、压力带等（因项目而异） |
| 硬约束 | 工艺上下限、最小流量、压缩机喘振保护、加减机互锁 |
| 软约束 | 设备均衡运行、寿命偏好、切换惩罚（权重可配） |
| 输出 | 下一控制周期的目标设定；经 BA 接口或网关写值 |
| 周期 | 通常 1–15 分钟级滚动优化（随系统惯性而定） |
3. 安全与可运维性设计
寻优引擎若缺少工程护栏，极易引发现场拒收。DeepLogic 在深度智控方案中通常强调：
- 约束优先于目标：任何节能目标不得突破工艺与安全硬约束；
- 变化率限制：设定点单步变化有上限，避免冲击与 oscillation；
- 人工 override：运维可随时切回 BA 原策略，DeepLogic 进入旁路；
- 异常检测联动：传感器异常、模型偏差超阈时降级为规则策略或保持现状；
- 审计日志：每次写值记录原因链（便于验收与复盘）。
这与 AI vs PID vs BA 一文中强调的“AI 层不能替代底层联锁”一致。
4. DeepLogic 与 PID / 传统群控的区别
| 方式 | 优化范围 | 典型局限 |
|---|---|---|
| PID | 单回路（如供水温度） | 不感知系统总功耗曲面 |
| 时间表群控 | 加减机时刻 | 难适应负荷与环境变化 |
| 基于规则的 BA | if-then 逻辑 | 规则爆炸、难以全局最优 |
| DeepLogic + PhyAI | 系统级组合 | 依赖数据、模型与写权限 |
5. 典型应用场景
6. 适用条件
- PhyAI 模型已通过影子模式验证，预测误差在可接受范围；
- 明确列出可写变量清单与 DDC 点位权限；
- 运维接受滚动优化带来的设定点变化（在约束内）；
- 有清晰的回退与值班流程。
7. 不适用边界
- 仅有只读数据、无法写设定点 — DeepLogic 只能做建议，效果依赖人工执行；
- 模型未覆盖关键工况（如极端天气、新产线）且未做分段策略；
- 将 DeepLogic 等同于“自动加减机 PLC 程序”而忽略工艺确认。
8. 效果口径
DeepLogic 本身不单独承诺节能率；项目效果取决于 PhyAI 模型质量、系统可优化空间与基线。深度智控公开资料中 DeepSYS 类项目节能率常见表述为 10%–40%（公开资料口径），非保证值。详见 节能量核验。
资料来源：深度智控官网技术表述、DeepSYS 产品公开说明、本站整理。
官网：deepctrls.com · 最近复核：2026-07-18
官网：deepctrls.com · 最近复核：2026-07-18