用于控制器的方法和系统与流程

1.本发明涉及一种用于工业控制系统的系统和方法。具体而言，本文描述的系统和方法确定工业控制系统中控制器的操作顺序。

背景技术：

2.比例-积分-微分(proportional-integral-derivative，pid)控制器广泛部署在工业控制系统中。虽然有效，但这些控制回路机制通常是次优的，需要专业知识和时间来校准。
3.近年来，机器学习技术已经变得无处不在，应用程序存在于许多不同的技术领域中。强化学习是一种无监督学习方法，可用于优化包括代理执行的操作顺序的模型。强化学习已经成功地应用于国际象棋和围棋等棋盘游戏。在这些示例中，可以根据游戏中顺序的在线性能测试操作顺序的选择。在某些设置中，在在线环境中测试和验证模型的可能性要么有限，要么不可能。

技术实现要素：

4.本发明的一个目的是提供一种用于确定工业控制系统中控制器的操作顺序的方法。
5.上述和其它目的通过独立权利要求的特征实现。进一步的实现方式在从属权利要求、说明书和附图中显而易见。
6.根据第一方面，提供了一种用于工业控制系统中控制器的方法。所述方法包括：访问数据集中数据的第一子集，其中，所述第一子集包括多个元组，每个元组包括：所述工业控制系统的第一状态；与所述控制器相关的操作，所述控制器与所述工业控制系统交互；所述工业控制系统的第二状态，所述第二状态在所述第一状态之后，是由于所述控制器执行所述操作而从所述第一状态转换的状态；考虑到由于所述工业控制系统转换成所述第二状态而生成的参数的参数值。所述方法还包括：对所述第一子集进行学习算法评估；在验证环境中评估由所述学习算法输出的与所述控制器相关的操作；根据所述评估结果确定优化所述参数的操作顺序。
7.根据所述第一方面的方法提供了一种根据对真实世界系统的行为建模的验证环境中的评估来标识操作顺序的方法。最佳顺序根据其在所述验证环境中的性能选择。所述方法可以用于真实系统无法评估学习算法的输出的情况。
8.根据第二方面，提供了一种系统。所述系统包括存储器和通信地耦合到存储器的处理器。所述存储器包括程序代码，当所述处理器执行所述程序代码时提供指令以访问数据集中数据的第一子集，其中，所述第一子集包括多个元组，每个元组包括：所述工业控制系统的第一状态；与所述控制器相关的操作，所述控制器与所述工业控制系统交互；所述工业控制系统的第二状态，所述第二状态在所述第一状态之后，是由于所述控制器执行所述操作而从所述第一状态转换的状态；考虑到由于所述工业控制系统转换成所述第二状态而
生成的参数的参数值。所述程序代码还包括：对所述第一子集进行学习算法评估；在验证环境中评估由所述学习算法输出的与所述控制器相关的操作；根据所述评估结果确定优化所述参数的操作顺序。
9.在第一种实现方式中，所述验证环境包括预测模型，所述预测模型根据所述工业控制系统的当前状态和与所述控制器相关的操作生成后续状态和所述参数值的估计值。
10.在第二种实现方式中，所述方法包括：根据所述数据集中数据的第二子集生成所述验证环境，其中，所述第二子集包括多个元组，每个元组包括：所述工业控制系统的第一状态；与所述控制器相关的操作，所述控制器与所述工业控制系统交互；所述工业控制系统的第二状态，所述第二状态在所述第一状态之后，是由于所述控制器执行所述操作而从所述第一状态转换的状态；考虑到由于所述工业控制系统转换成所述第二状态而生成的参数的参数值。
11.根据所述第二种实现方式提供的方法，根据与所述工业控制系统相关的数据的历史数据集生成验证环境。
12.在第三种实现方式中，生成所述验证环境包括：访问所述预测模型；对于所述第二数据集中的所述多个元组中的每个元组，将根据对所述第一状态和所述元组的操作进行预测模型评估而生成的第二状态和参数值与所述元组的所述第二状态和所述参数值相比较。
13.根据第三种实现方式所述的方法，提供了一种通过对所述历史数据集进行预测模型评估生成预测模型，并根据与期望输出的比较结果修改预测模型的方法。
14.在第四种实现方式中，所述方法包括：对所述控制器进行操作顺序评估；根据所述操作顺序的应用，为所述数据集的所述第一子集和所述第二子集生成数据元组。
15.根据所述第四种实现方式的方法，提供了一种为所述数据集生成其它历史数据的方法。所述数据可用于提高所述学习算法和所述验证环境的输出质量和准确性。
16.在第五种实现方式中，所述参数是根据来自所述工业控制系统的反馈生成的奖励信号。
17.在第六种实现方式中，所述预测模型是线性回归函数、非线性预测函数、神经网络、梯度提升机、随机森林、支持向量机、最近邻模型、高斯过程、贝叶斯回归和/或集成。
18.在第七种实现方式中，所述学习算法是批处理强化学习算法。
19.在第八种实现方式中，所述工业控制系统是数据中心中的冷却系统。
20.根据下文描述的一个或多个实施例，本发明的这些和其它方面是显而易见的。
附图说明
21.为了更完整地理解本发明及其优点，现在参考下文结合附图进行的描述，其中：
22.图1为示例提供的数据中心的示意图；
23.图2为示例提供的用于生成操作顺序的工作流示意图；
24.图3为示例提供的用于工业控制系统中控制器的方法的框图；
25.图4为可以用于实现本文公开的各种设备和方法的计算系统的框图。
具体实施方式
26.下文对示例性实施例进行了足够详细的描述，以使本领域普通技术人员能够体现
和实现本文描述的系统和过程。重要的是理解实施例可以通过许多替代形式提供，并且不应解释为受限于本文所述的示例。
27.因此，虽然实施例可以通过各种方式修改并采取各种替代形式，但其具体实施例在附图中示出，并在下文作为示例详细描述。不意欲受限于所公开的特定形式。相反，应该包括属于所附权利要求书的范围内的所有修改、等效物和替代方案。示例性实施例的各元件在整个附图和具体实施方式中在适当的情况下一致地用相同的附图标记表示。
28.本文用于描述实施例的术语并不旨在限制范围。“一(个)”、“所述(该)”因具有单一指示物而为单数，但本文件中使用单数形式不应排除存在一个以上指示物。换句话说，除非上下文另外明确指出，否则以单数引用的元素在数量上可以是一个或多个。还应了解，本文使用的术语“包括”说明存在所陈述特征、项目、步骤、操作、元件和/或组件，但并不排除存在或添加一个或多个其它特征、项目、步骤、操作、元件、组件和/或其组合。
29.除非另有定义，否则本文使用的所有术语(包括技术和科学术语)均应解释为本领域惯用的。还应理解，常用的术语也应解释为相关领域中惯用的，而不是具有理想化或过于形式化的意义，除非本文如此明确定义。
30.图1为示例提供的工业控制系统的示意图100。工业控制系统通常被定义为用于控制工业过程的硬件和/或软件的集合。图1中所示的示例是数据中心中的冷却系统。本文描述的方法不限于本示例，并且可以与任何控制器和工业控制系统结合使用。例如，本文所述的方法可与可编程逻辑控制器(programmable logic controller，plc)、比例-积分-微分(proportional
–
integral
–
derivative，pid)控制器、监控与数据采集(supervisory control and data acquisition，scada)系统和其它类型的控制系统结合使用。
31.图1中的示例示出了数据中心110，包括服务器120和用于调节数据中心110内温度的冷却系统130。冷却系统140包括冷却风扇140和控制器150。控制器150耦合到冷却风扇140。控制器150可以用于执行打开和关闭风扇140以及调节风扇140的速度等操作。控制器150通信地耦合到网络160。网络160可以是局域网(local area network，lan)或广域网(wide area network，wan)。
32.图中所示的装置还包括计算系统170和数据存储设备180。计算系统170和数据存储设备180也连接到网络160。计算系统170连接到数据存储设备180。计算系统170用于访问存储在数据存储器170中的数据。在图1中，计算系统170位于数据中心110的外部。控制器150通过网络160连接到计算系统170和数据存储设备180。在其它示例中，计算系统170可以位于数据中心110中。在这种情况下，控制器150可以直接连接到计算系统170，而不是网络。
33.根据示例，控制器150用于从网络160接收数据。例如，计算机系统160可以向控制器150发送指令，以执行修改冷却风扇140之一的速度等操作。作为响应，控制器150用于接收和执行指令并修改冷却风扇的速度。在其它示例中，控制器150可以用于将数据传送到计算系统170和/或数据存储设备180。例如，控制器150可以将描述冷却系统130的状态的状态数据传送到计算系统170。状态数据可以存储在数据存储设备180中。
34.本文描述的方法和系统可用于确定工业控制系统中控制器的最佳操作顺序，例如图1中所示的控制器150。这些方法利用机器学习来确定最佳操作顺序。在图1所示的数据中心110等真实世界设置中，通常不可能检查操作顺序是否优化了系统的性能。运行次优顺序可能会对基础设施造成损坏。为了解决这个问题，在本文描述的方法和系统的示例中，学习
算法的输出在模拟工业控制系统的环境中被验证。在示例中，验证环境是一个预测模型，根据输入状态和与控制器相关的操作推断工业控制系统的状态。此验证环境用于选择最佳操作顺序，而不必在实际环境中的实际控制器上运行操作顺序。
35.图2为示例提供的工作流200的简化示意图。工作流200是用于确定工业控制系统中控制器(例如，图1中所述的控制器150)的操作顺序的工作流。工作流200可以通过图1中的计算系统170和数据存储设备180实现。
36.工作流200中的起点是数据集205。数据集205包括与工业控制系统有关的历史数据。这样的数据集可以存储在数据存储设备180中，并由计算系统170访问。在本文描述的示例中，数据集205包括多个数据元组。每个元组包括：所述工业控制系统的第一状态；与控制器相关的操作，所述控制器与所述工业控制系统交互；所述工业控制系统的第二状态，所述第二状态在所述第一状态之后，是由于所述控制器执行所述操作而从所述第一状态转换的状态；在一些情况下，还包括考虑到由于所述工业控制系统转换成所述第二状态而生成的参数的参数值。所述参数可以包括根据来自所述工业控制系统的反馈生成的奖励信号。例如，在图1中的冷却系统130中，历史数据集205可以包括数据的元组，包括与冷却系统130中的风扇140有关的状态数据、由控制器140执行的最后操作和数据中心110的温度。
37.在工业控制的上下文中，强化学习算法可用于识别控制器的最佳操作顺序。一般来说，强化学习是在环境中执行操作的代理的无监督学习过程。代理以离散的时间步长与其环境交互。在每个时间t，代理都会收到一个观察o，包括奖励r
t
。然后，代理从可用操作集中选择一个操作a
t
，随后将所述操作a
t
发送到环境中。环境在时间t+1移动到新的状态s
t+1
，并确定与转换(s
t
，a
t
，s
t+1
)相关的奖励r
t+1
。强化学习代理的目标是从执行操作中获得尽可能多的奖励。强化学习适用于具有固有顺序性质的任务，因为代理选择下一个操作作为历史的函数。
38.在工作流200中，数据集205被分成元组的第一子集210和元组的第二子集215。在框220中，对第一子集210应用强化学习算法。强化学习算法输出包括从可能操作顺序230中学习到的操作顺序225的代理。强化学习算法可以由计算系统170执行。强化学习算法可以是批处理强化学习算法。批处理强化学习是一种强化学习形式，可用于从有限的真实世界数据集输出离线设置中的选择代理。
39.在图2中，在框235中，历史数据集205的第二子集215用于生成验证环境240。验证环境包括预测模型，如回归模型。预测模型根据工业控制系统的当前状态和与控制器相关的操作生成工业控制系统的后续状态和参数值的估计值。
40.根据本文中所描述的示例，生成所述验证环境包括：访问所述预测模型；对于所述第二数据集中的所述多个元组中的每个元组，将根据对所述第一状态和所述元组的操作进行预测模型评估而生成的第二状态和参数值与所述元组的所述第二状态和所述参数值相比较。
41.在工作流200的框245中，在验证环境240中评估每个学习到的代理225。根据示例，评估代理225包括评估代理的操作以确定后续操作是否最佳。在框250中，根据验证环境中学习到的代理的评估结果，最佳代理。例如，在图1中的冷却系统130中，验证环境模拟冷却系统130。代理包括控制器150的操作顺序，所述控制器150与冷却系统130中的风扇140交互。在这种情况下，目标是优化数据中心110中的温度。最佳代理是控制器保持数据中心110
中温度的最佳操作序列。
42.在框255中，测试模拟器260可以在代理上执行。测试模拟器260可以类似于验证环境240。例如，测试模拟器可以是模拟工业控制系统行为的预测模型。但是，测试模拟器是使用与验证环境不同的数据集生成的。这就避免了数据过拟合等问题。可以根据执行测试模拟器265中的代理生成其它数据270，并将其它数据270添加到历史数据集205中。
43.图3示出了示例提供的用于工业控制系统中控制器的方法200。可以在图1所示的计算系统170上实现方法200，以确定控制器150要执行的操作的顺序，以优化数据中心110中的温度。
44.在框310中，方法300包括访问数据集中的数据的第一子集，所述第一子集包括多个元组。根据示例，数据的每个元组包括：所述工业控制系统的第一状态；与控制器相关的操作，所述控制器与所述工业控制系统交互；所述工业控制系统的第二状态，所述第二状态在所述第一状态之后，是由于所述控制器执行所述操作而从所述第一状态转换的状态；考虑到由于所述工业控制系统转换成所述第二状态而生成的参数的参数值。
45.在框320中，方法200包括评估第一子集上的学习算法。在示例中，所述学习算法是批处理强化学习算法。
46.在框330中，方法200包括在验证环境中评估由学习算法输出的与控制器相关的操作。在示例中，验证环境包括预测模型，所述预测模型根据工业控制系统的当前状态和与控制器相关的操作生成后续状态和参数值的估计值。在本文中描述的示例中，预测模型是线性回归函数、非线性预测函数、神经网络、梯度提升机、随机森林、支持向量机、最近邻模型、高斯过程、贝叶斯回归和/或集成。
47.可以根据数据集中的数据的第二子集生成验证环境。在一些情况下，生成所述验证环境包括：访问预测模型；对于第二数据集中的多个元组中的每个元组，将根据对第一状态和元组的操作进行预测模型评估而生成的第二状态和参数值与元组的第二状态和参数值相比较。
48.在框340中，所述方法包括根据评估结果确定优化参数的操作顺序。
49.本公开中的示例可以作为方法、系统或机器可读指令提供，如软件、硬件、固件等的任何组合。这类机器可读指令可以包括在其中或其上具有计算机可读程序代码的计算机可读存储介质(包括但不限于磁盘存储器、cd-rom、光存储器等)中。
50.参考本发明的示例提供的方法、设备和系统的流程图和/或框图来描述本发明。虽然上文描述的流程图示出了特定的执行顺序，但执行顺序可以与所描述的顺序不同。关于一个流程图描述的块可以与另一个流程图的块组合。在一些示例中，流程图的某些块可能不是必要的和/或可以添加其它块。应理解，流程图和/或框图中的每个流程和/或块，以及流程图和/或框图中的流程和/或图的组合可以通过机器可读指令实现。
51.例如，机器可读指令可以由通用计算机、专用计算机、嵌入式处理器或其它可编程数据处理设备的处理器执行，以实现描述和图中描述的功能。特别是，处理器或处理装置可以执行机器可读指令。因此，装置的模块可以由执行存储在存储器中的机器可读指令的处理器，或根据嵌入在逻辑电路中的指令操作的处理器来实现。术语“处理器”应广义地解释为包括cpu、处理单元、逻辑单元或可编程门集合等。这些方法和模块都可以由单个处理器执行，也可以由多个处理器划分。这类机器可读指令也可以存储在计算机可读存储器中，该
计算机可读存储器可以引导计算机或其它可编程数据处理设备在特定模式下操作。
52.这类机器可读指令也可以加载到计算机或其它可编程数据处理设备中，使得计算机或其它可编程数据处理设备执行一系列操作以产生计算机实现的处理，因此，在计算机或其它可编程设备中执行的指令提供了用于实现流程图中的一个或多个流程和/或框图中的一个或多个块指定的功能的操作。
53.图4是可用于实现本文公开的设备和方法的计算系统400的框图。特定设备可利用所有所示的组件或组件的仅一子集，且设备之间的集成程度可能不同。此外，设备可以包括多个组件实例，例如多个处理单元、处理器、存储器、发射器、接收器。计算系统400包括处理单元402。处理单元包括中央处理单元(central processing unit，cpu)414、存储器408，还可以包括与总线420相连的大容量存储设备404、视频适配器410以及i/o接口412。
54.总线420可以是任何类型的若干总线架构中的一个或多个，包括存储总线或存储控制器、外设总线、或视频总线。cpu 414可包括任何类型的电子数据处理器。存储器408可包括任何类型的非瞬时性系统存储器，例如静态随机存取存储器(static random access memory，sram)、动态随机存取存储器(dynamic random access memory，dram)、同步dram(synchronous dram，sdram)、只读存储器(read-only memory，rom)或其组合。在实施例中，存储器408可包括在开机时使用的rom以及在执行程序时使用的存储程序和数据的dram。
55.大容量存储器404可包括任何类型的非瞬时性存储设备，用于存储数据、程序和其它信息，并使这些数据、程序和其它信息可通过总线420访问。大容量存储器404可包括例如固态驱动器、硬盘驱动器、磁盘驱动器或光盘驱动器中的一种或多种。
56.视频适配器410和i/o接口412提供接口以将外部输入和输出设备与处理单元402耦合。如图所示，输入和输出设备的示例包括与视频适配器410耦合的显示器418和与i/o接口412耦合的鼠标、键盘、打印机416。其它装置可以与处理单元402耦合，并且可以利用额外的或较少的接口卡。例如，可使用如通用串行总线(universal serial bus，usb)(未示出)等串行接口将接口提供给外部设备。
57.处理单元402还包括一个或多个网络接口406，网络接口可以包括以太网电缆等有线链路，和/或用以接入节点或不同网络的无线链路。网络接口406允许处理单元402通过网络与远程单元通信。例如，网络接口406可以通过一个或多个发射器/发射天线以及一个或多个接收器/接收天线提供无线通信。在一个实施例中，处理单元402与局域网422或广域网耦合以用于处理数据以及与其它处理单元、因特网或远程存储设施等远程设备进行通信。
58.虽然已详细地描述了本发明及其优点，但是应理解，可以在不脱离如所附权利要求书所界定的本发明的精神和范围的情况下对本发明做出各种改变、替代和更改。
59.本发明可以体现在其它特定的装置和/或方法中。所描述的实施例在所有方面均被视为是说明性的而非限制性的。特别是，本发明的范围由所附权利要求书而不是由本文的描述和附图指示。所有属于权利要求的等同含义和范围内的变更都应纳入其范围。

技术特征：

1.一种用于工业控制系统中控制器的方法，其特征在于，所述方法包括：访问数据集中数据的第一子集，其中，所述第一子集包括多个元组，每个元组包括：所述工业控制系统的第一状态；与所述控制器相关的操作，所述控制器与所述工业控制系统交互；所述工业控制系统的第二状态，所述第二状态在所述第一状态之后，是由于所述控制器执行所述操作而从所述第一状态转换的状态；考虑到由于所述工业控制系统转换成所述第二状态而生成的参数的参数值；所述方法还包括：对所述第一子集进行学习算法评估；在验证环境中评估由所述学习算法输出的与所述控制器相关的操作；根据所述评估结果确定优化所述参数的操作顺序。2.根据权利要求1所述的方法，其特征在于，所述验证环境包括预测模型，所述预测模型根据所述工业控制系统的当前状态和与所述控制器相关的操作生成后续状态和所述参数值的估计值。3.根据上述权利要求中任一项所述的方法，其特征在于，所述方法包括根据所述数据集中的数据的第二子集生成所述验证环境，所述第二子集包括多个元组，每个元组包括：所述工业控制系统的第一状态；与所述控制器相关的操作，所述控制器与所述工业控制系统交互；所述工业控制系统的第二状态，所述第二状态在所述第一状态之后，是由于所述控制器执行所述操作而从所述第一状态转换的状态；考虑到由于所述工业控制系统转换成所述第二状态而生成的所述参数的参数值。4.根据权利要求2或3所述的方法，其特征在于，生成所述验证环境包括：访问所述预测模型；对于所述第二数据集中的所述多个元组中的每个元组，将根据对所述第一状态和所述元组的操作进行预测模型评估而生成的第二状态和参数值与所述元组的所述第二状态和所述参数值相比较；根据所述比较结果修改所述预测模型。5.根据上述权利要求中任一项所述的方法，其特征在于，所述方法包括：对所述控制器进行操作顺序评估；根据所述操作顺序的应用，为所述数据集的所述第一子集和所述第二子集生成数据元组。6.根据上述权利要求中任一项所述的方法，其特征在于，所述参数是根据来自所述工业控制系统的反馈生成的奖励信号。7.根据权利要求2至6中任一项所述的方法，其特征在于，所述预测模型是线性回归函数、非线性预测函数、神经网络、梯度提升机、随机森林、支持向量机、最近邻模型、高斯过程、贝叶斯回归和/或集成。8.根据上述权利要求中任一项所述的方法，其特征在于，所述学习算法是批处理强化学习算法。9.根据上述权利要求中任一项所述的方法，其特征在于，所述工业控制系统是数据中
心中的冷却系统。10.一种系统，其特征在于，包括：至少一个处理器；至少一个存储器，包括程序代码，当所述程序代码由所述至少一个处理器执行时提供指令以：访问数据集中数据的第一子集，其中，所述第一子集包括多个元组，每个元组包括：所述工业控制系统的第一状态；与控制器相关的操作，所述控制器与所述工业控制系统交互；所述工业控制系统的第二状态，所述第二状态在所述第一状态之后，是由于所述控制器执行所述操作而从所述第一状态转换的状态；考虑到由于所述工业控制系统转换成所述第二状态而生成的参数的参数值；其中，所述程序代码还包括指令以进行以下操作：对所述第一子集进行学习算法评估；在验证环境中评估由所述学习算法输出的与所述控制器相关的操作；根据所述评估结果确定优化所述参数的操作顺序。11.根据权利要求10所述的系统，其特征在于，所述验证环境包括预测模型，所述预测模型根据所述工业控制系统的当前状态和与所述控制器相关的操作生成后续状态和所述参数值的估计值。12.根据权利要求10或11所述的系统，其特征在于，所述程序代码包括根据所述数据集中的数据的第二子集生成所述验证环境，所述第二子集包括多个元组，每个元组包括：所述工业控制系统的第一状态；与所述控制器相关的操作，所述控制器与所述工业控制系统交互；所述工业控制系统的第二状态，所述第二状态在所述第一状态之后，是由于所述控制器执行所述操作而从所述第一状态转换的状态；考虑到由于所述工业控制系统转换成所述第二状态而生成的所述参数的参数值。13.根据权利要求11或12所述的系统，其特征在于，为了生成所述验证环境，所述程序代码包括指令以进行以下操作：访问所述预测模型；对于所述第二数据集中的所述多个元组中的每个元组，将根据对所述第一状态和所述元组的操作进行预测模型评估而生成的第二状态和参数值与所述元组的所述第二状态和所述参数值相比较；根据所述比较结果修改所述预测模型。14.根据权利要求10至13中任一项所述的系统，其特征在于，所述程序代码包括指令以进行以下操作：对所述控制器进行操作顺序评估；根据所述操作顺序的应用，为所述数据集的所述第一子集和所述第二子集生成数据元组。15.根据权利要求10至14中任一项所述的系统，其特征在于，所述参数是根据来自所述工业控制系统的反馈生成的奖励信号。
16.根据权利要求11至15中任一项所述的系统，其特征在于，所述预测模型是线性回归函数、非线性预测函数、神经网络、梯度提升机、随机森林、支持向量机、最近邻模型、高斯过程、贝叶斯回归和/或集成。17.根据权利要求10至16中任一项所述的系统，其特征在于，所述学习算法是批处理强化学习算法。18.根据权利要求10至17中任一项所述的系统，其特征在于，所述工业控制系统是数据中心中的冷却系统。

技术总结

本发明描述了一种用于工业控制系统中控制器的方法。所述方法包括：访问数据集中数据的第一子集，其中，所述第一子集包括多个元组，每个元组包括：所述工业控制系统的第一状态；与所述控制器相关的操作，所述控制器与所述工业控制系统交互；所述工业控制系统的第二状态，所述第二状态在所述第一状态之后，是由于所述控制器执行所述操作而从所述第一状态转换的状态；考虑到由于所述工业控制系统转换成所述第二状态而生成的参数的参数值。所述方法还包括：对所述第一子集进行学习算法评估；在验证环境中评估由所述学习算法输出的与所述控制器相关的操作；根据所述评估结果确定优化所述参数的操作顺序。所述参数的操作顺序。所述参数的操作顺序。