Q1：TPT大模型的英文全称是什么？
Time-series Pre-trained Transformer 时间序列大模型。
Time-series代表时间序列，也指代时间序列数据，比如说温度、压力、流量、液位等。
Pre-trained代表预训练，利用大规模通用数据对模型进行初始训练的过程。
Transformer是基于自注意力机制的神经网络架构，能够有效处理时序数据。
Q2：TPT具体是什么原理？
中控时间序列大模型TPT是中控技术自主研发的基于生成式AI算法及海量工业数据训练而成的时间序列大模型。通过对时序数据的训练及对特定装置工艺特性的模型微调，建立预测模型，实现装置的跨工况、高精度、高可靠模拟与预测。
Q3：TPT有什么用处？
中控TPT大模型能够对生产单元运行的影响因素进行深刻洞察，全面了解生产装置的运行状态，精准预测生产装置的未来趋势，将大幅降低生产管理及操作人员的工作强度，提升装置运行的安全性，实现人效提升30~50%；中控TPT大模型统一支撑装置过程优化、控制策略与参数优化等不同场景，实现多层次的生产装置运行决策优化，以提高生产效率、降低生产成本，提升产品质量，并最大化装置生产效益，实现效益提升1~3%。
Q4：TPT软件免费开放吗？
TPT目前提供免费对外开放的SaaS版本，支持离线数据的分析诊断预测、模型训练与微调，以及在线数据接口开放等。后续TPT2 SaaS版会变成积分token的形式，积分功能已正式上线。
TPT持续免费体验中，积分可以签到获取，且使用不扣除积分。
积分规则请见：https://c.c1nd.cn/XQDyR。
Q5：基座模型是开源的？还是自研的？
模型是自研的且模型不开源，如果需要跟中控合作或者做科研合作那可以向客服联系对接服务。
Q6：能否理解为TPT就是取代西门子PLC和其他相关的TIA与Wincc等软硬件的吗？
TPT是上层智能分析软件，PLC是数据采集硬件，TPT依赖PLC的数据源做分析，不是取代关系。
Q1：需要以个人名义使用？还是单位的形式申请使用？
可以用个人名义申请使用，我们只是在您注册的时候收集您的企业信息，并不是代表公司申请注册我们的账号，我们的企业信息只是用来帮助确定您的使用行业和应用场景，以便为您提供更精准的服务。
但是企业信息是必须填写的。
申请注册后，后台将会在24小时内对其进行处理，申请结果将会以邮件的形式发送至客户预留的邮箱中。
部署成功邮件里会带有客户的账号密码以及登录地址。
Q2：TPT价格体系是怎样的？
关于TPT的售价和销售模式，可以咨询中控国内国外各个大区l当地5S店的商务人员询价。目前TPT SaaS版本提供内测免费试用，欢迎感兴趣的用户注册体验。
Q1：下载agent之后其实底层还是需要调用TPT大模型API吗？
下载到本地的Agent不需要调用TPT大模型API，本地只需要小部分算力即可执行Agent。
Q2：如果预测到了异常，有下一步的处理步骤和处理计划吗？
预测到异常那应该是使用了在线型的Agent，当TPT检测到异常它会通过Agent进行信息提示，同时会指导异常处理的步骤，如果是本地化部署，实现了异常处理的下控，那么TPT2会直接介入生产环节并生成具体解决方案，经过人员审核、或者无需审核后就可以做优化或下控的操作，动态呈现结果。
Q1：TPT预测能力是TPT原生模型能力还是语言模型调用了其他专用模型的处理结果？
TPT时间序列大模型为中控自主研发的流程工业时序大模型，TPT通过时序大模型的能力，实现工艺参数的预测。
Q2：能够预测多长时间，预测的准确度能达到多少，用的是神经网络模型吗？
是的，底层基于深度神经网络架构。预测时长可根据任务灵活配置，短至秒级、长至数小时甚至天级，取决于应用场景。 预测准确度受任务复杂度、数据质量、噪声水平等因素影响，无法一概而论，但在多数已落地场景中，关键指标的预测误差控制在工程可接受范围内。
Q3：相关性分析准确度怎样?用的是神经网络加注意力模型吗？
我们采用基于注意力机制的架构，并额外引入了因果约束，使得模型不仅能捕捉变量间的相关性，还能识别潜在的因果方向与时滞关系。该方法已在10个典型工业场景中完成验证，相比传统统计方法在复杂系统建模上表现出更优的稳定性和可解释性。
Q1：对TPT的机理、数据输入要求、可能的输出等应用过程进行举例说明？
对数据的要求是数据对齐和颗粒度对齐。如果是在线采集数据方式，那本身就具备数据对齐。数据颗粒度不要太大，一般数据间隔取10秒即可。
Q2：开车过程数据很少，是不是预测开车过程难度变大？
是的，TPT在预测开车方面因为数据量不足，预测难度将变大，开车需要工艺专家配合提供专门的针对性的强化训练。
Q3：什么叫时序数据？历史趋势吗？
可以将时序数据理解为历史趋势。时序数据就是按照时间顺序排列的一系列数据。
Q1：SaaS目前接用户数据库的解决方案是什么样的？
实时数据库看是哪种，如果是PI、PHD、IP21、VH大库的可以在现场部署一套标准数据服务接入到TPT，这是一种方式；
还有一种方式是，假如对应的实时数据库提供了对外OPC，可以用采集器，接入到TPT。
Q2：大模型上下文都是有限制的，这种大规模的excel数据直接喂给大模型，难道不会被截断遗忘吗？
我们的数据文件在单个工作流中是不会被截断的，如果您开启一段新的对话我们会进入全新的工作流当中，这时候我们的数据就需要根据新的问题需求重新上传。
现已支持简单的上下文历史记录。
Q3：我训练好的模型，可以连接上生产数据，实现实时预测和优化建议提醒吗？
可以的，直接选择在线模式、或者已有的模型就可以进行使用了。
Q1：假如做预测，可否将预测函数或公式或代码生成出来吗？就是直接生成用于DCS的vb代码？
因代码需要引用模型库，TPT2可以生成预测Agent并下载到本地，且后续会开放Agent的API，用户可以编写代码调用Agent的API以在本地实现预测能力。
Q2：PID在线自整定的模型怎么训练的，能够试用不同的场景?
TPT的模型首先利用上述数据集进行预训练，掌握通用的整定规则。在实际应用中，当面对一个具体回路时，它会基于少量现场数据对模型进行快速微调，从而在保持泛化能力的同时，精准匹配该回路的独特动态特性。
Q3：如何做到足够精准又足够泛化？
TPT针对不同类型的设备、不同的运行场景，拥有对应的场景模型，有针对性的解决不同对象的特性问题，能够覆盖大部分流程工业场景。同时，在解决具体场景的控制问题时，基于现场运行数据对场景模型进行微调，提高AI模型对该场景的预测精准度。
Q4：PID对串级回路等较复杂的回路可以分析吗？
可以，根据模板上传数据即可。
Q5：TPT2中的【新建应用】或【保存案例】跟保存为【Agent】有什么区别？
【新建应用】：应用是多个Agent的集合，可以实现Agent的串联与并联
【保存案例】：可以保存历史对话过程，用户可以直接点开进行回看
【保存为Agent】：可以将成功执行的对话保存成Agent，包含对话产生的微调训练模型、解决问题的过程
Q6：运行报告可以即时生成吗?
可以设置每天定周期生成报告，也可以实时生成报告。
Q1：TPT2如何进行预训练？
TPT2在“我的模型”中，可以上传DCS流程图文件，或者离线数据文件，TPT会根据流程图过程模型或者离线数据生成预训练的大模型。
Q2：异常预警的阈值如何确定，模型会推荐吗？
是的。模型在运行过程中会持续跟踪关键变量的历史动态分布，并结合趋势变化自适应地更新预警阈值。
Q3：针对延时系统，数据模型在训练的时候，输入的时候需要加入延时的输入吗？
不需要输入系统的时滞等信息，TPT会根据用户提供的运行数据，自动辨识其包括时滞在内的关键特征。
Q1：对于仪表的故障预测是基于仪表自身的传感器信号输出么？
是的。采用有两种主要方式：
1）数据协调：结合仪表量程、物理守恒定律（如物料平衡、能量平衡），检测读数是否偏离理论预期，从而识别潜在故障；
2）表征学习：利用大模型对多源传感器数据进行压缩与特征提取，当仪表读数的隐含表征发生分布偏移时，即可触发异常预警。 这两种方法可单独使用，也可结合，提升检测鲁棒性。
Q1：TPT是否会出现大语言模型的幻觉现象？
大语言模型有幻觉，时序大模型没有。一方面是外层机理模型设了一层安全红线，其次训模型需上传 DCS 文件、硬件、管道、设备、塔等，硬性结合了 “三传一反”，这已把幻觉降到 0。另外，TPT2会依据DCS数据做因果分析，保证不出现问题，这也是其与大语言模型的区别。
Q2：TPT本质上是基于神经网络控制，还是模型的控制呢？
基础模型具备较好的时序数据识别能力，通过现场数据进行微调后，会形成知识图谱或时序事件的神经网络，能辅助模型更快更适配优化控制过程。
Q3：怎么去管理我已经生产和运行的模型？
在我的模型里面，可以进行查看。
Q4：TPT集成在SCADA平台下还是作为独立平台？
TPT本身即一个平台，所有算法在TPT平台中实现，可以通过opc ua，中控supOS，实时数据库isys，标准数据服务获取数据。
通过位号写值的方式给到下位机。
