CN103092078A - 多阶段间歇生产过程的全程优化方法 - Google Patents
多阶段间歇生产过程的全程优化方法 Download PDFInfo
- Publication number
- CN103092078A CN103092078A CN2013100051013A CN201310005101A CN103092078A CN 103092078 A CN103092078 A CN 103092078A CN 2013100051013 A CN2013100051013 A CN 2013100051013A CN 201310005101 A CN201310005101 A CN 201310005101A CN 103092078 A CN103092078 A CN 103092078A
- Authority
- CN
- China
- Prior art keywords
- stage
- matrix
- parameter
- data
- pls
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多阶段间歇生产过程的全程优化方法,包括以下步骤:S1:采集一个多阶段生产过程的多批生产数据并进行预处理,所述生产数据包括过程参数和产品质量属性数据;S2:采用递进PLS方法建立过程参数与产品质量属性数据之间的PLS模型;S3:确定优化目标,结合所述PLS模型计算产品质量属性符合优化目标的贝叶斯后验预测概率,选择贝叶斯后验预测概率最大的过程参数组合作为优化结果。应用本发明的优化方法,可为多阶段生产过程的每一阶段提供符合既定质量目标的最优工艺操作,最终达到稳定并提高产品质量的目的。
Description
技术领域
本发明属于生产过程控制与优化领域,特别涉及一种多阶段间歇生产过程的全程优化方法。
背景技术
间歇过程在现代制造业占有重要地位,广泛应用于药品、化工产品、生物制品、农产品等高附加值产品的加工制造领域。在实际生产中,由多个过程单元或工序按照一定顺序组成的间歇过程,称为多阶段间歇过程。多阶段间歇过程的主要目的在于提高产品的性能,保证产品质量的稳定性,以增强产品的市场竞争力。与间歇过程单元不同,多阶段间歇生产过程的控制与优化因其复杂的本质而更具有挑战性。
一般来说,多阶段间歇过程主要具有以下特点:(1)间歇过程单元是多阶段间歇过程的基本单位,无稳定工作点,运行时间有限。(2)不同过程单元之间具有复杂的相互作用关系,一个单元的输出是与其相连的单元的输入,下游单元的操作受到上游单元的影响;不同的过程参数和过程单元之间可能存在临时的、不可预知的作用关系。(3)最终产品的质量是原料经多个阶段加工的累积作用结果;过程参数和过程单元对产品质量的影响程度,会随着多阶段生产过程的进行而发生变化。(4)来自原料质量的波动或某一过程单元的扰动,会随生产过程的进行传递到最终产品的质量,造成最终产品批次间的差异。
以产品质量为导向的多阶段间歇过程优化控制的难点,在于如何构建过程参数与产品质量之间的关系模型,以体现产品质量在多阶段生产过程中的传递规律;以及如何利用模型建立有效的优化控制策略,以应对原料波动和过程单元扰动,提高并稳定产品质量。经文献检索发现,俄罗斯化学物理研究所的Alexey Pomerantsev在《Chemometricsand Intelligent Laboratory Systems》(81,165-179,2006)上撰文“Processcontrol and optimization with simple interval calculation method(SIC方法在过程优化与控制中的应用)”,提出利用递进PLS(偏最小二乘回归)建模进行质量预测,利用PLS通路建模和SIC方法进行多阶段生产过程的参数优化。但PLS通路建模和SIC方法结合操作步骤繁琐,并且SIC自身理论不完备,使得优化存在一定经验性;且由于其优化目标是最大化某一质量指标,忽略了产品质量的连续性。
发明内容
本发明的目的是提供一种多阶段间歇生产过程的全程优化方法,以优化生产过程中每个阶段的工艺参数,为产品质量符合既定目标提供持续最优的保证。
为了实现上述目的,本发明提供了一种多阶段间歇生产过程的全程优化方法,包括以下步骤:
S1:采集一个多阶段生产过程的多批生产数据并进行预处理,所述生产数据包括过程参数和产品质量属性数据;
S2:采用递进PLS方法建立过程参数与产品质量属性数据之间的PLS模型;
S3:确定优化目标,结合所述PLS模型计算产品质量属性符合优化目标的贝叶斯后验预测概率,选择贝叶斯后验预测概率最大的过程参数组合作为优化结果。
作为优选,步骤S1具体包括:
S101:采集数据:
采集一个多阶段生产过程的m批生产数据,每批生产数据分别包括n个过程参数和q个产品质量属性数据,则过程参数组成大小为m×n的矩阵X,产品质量属性数据组成大小为m×q的矩阵Y;
S102:数据预处理及样本划分:
对所有生产数据进行归一化预处理以消除量纲差异,并采用样本划分方法将全部样本划分为校正集和验证集,其中校正集数据用于建立PLS模型,验证集数据用于验证PLS模型;
S103:重组数据:
若所述多阶段生产过程由k个阶段组成,则将每个阶段的过程参数分别以矩阵Xj表示,其中1≤j≤k,则过程参数矩阵X分解为k个矩阵X1~Xk;在第j个阶段,将矩阵X1~Xj重组形成联合矩阵X(j):
X(j)=(X1,X2,...,Xj) (1)
形成的k个联合矩阵用于多阶段过程模型的建立。
作为进一步地优选,步骤S2具体包括:
S201:选择最优潜变量因子数:
结合化学计量学指标,采用交叉验证的方法选择最优潜变量因子数p,其中所述化学计量学指标包括校正误差均方根、交叉验证误差均方根、预测误差均方根和/或预测残差平方和;
S202:建立PLS模型:
采用PLS的方法建立联合矩阵X(j)和产品质量属性数据矩阵Y之间的PLS潜变量回归模型,其表述形式为:
XYj:Yj=TjVj+Ej (2)
其中Tj为得分矩阵,Vj为内部回归系数矩阵,Ej为模型误差矩阵;
Tj由权重矩阵Wj和载荷矩阵Pj计算得到,计算方法如下:
Vj由普通最小二乘法估计得到,计算方法如下:
在生产过程中,随着过程阶段的递进,建立k个PLS模型,即XY1,XY2,…XYk;
S203:存储模型参数:
存储在第j个阶段进行PLS建模时的参数Wj、Pj、Tj、Vj,供优化计算使用。
作为进一步地优选,步骤S3具体包括:
S301:确定优化目标;
优化目标指对产品质量属性数据的要求和规定,用于设定每个产品质量属性数据的控制上限和/或控制下限,优化目标以O来表示;优化从第2个阶段开始,假定第j个阶段为待优化阶段,则优化问题转化为根据如下表达式进行优化目标的确定:
其中j表示第j个阶段为待优化阶段,Data表示所有能够利用的信息和数据,Lj是第j个阶段所有可控工艺参数的组合,P(·)代表产品质量属性数据满足优化目标的贝叶斯后验预测概率,所述优化目标的确定是在Lj内找到具有最大P(·)值的一组过程参数的组合Xjopt;
S302:构建过程参数全排列矩阵:
对于一个新的生产过程,过程参数和产品质量属性数据分别以向量x和y来表示;假定第j个阶段为待优化阶段,则第j个阶段中的过程参数xj首先被分解为可观测过程参数xjobs和可控过程参数xjcon,其中,可控过程参数是优化调节的对象;因此,将第j个阶段中的可观测过程参数xjobs和前j-1个阶段中已发生的过程参数x(j-1)组合形成固定参数向量xjfixed;根据第j个阶段中可控过程参数的优化范围和控制精度,将各可控参数进行全排列,然后将其中每个排列组合与xjfixed重组形成全排列矩阵,形式如下:
其中N为全排列组合的数目;
S303:计算贝叶斯后验预测概率:
假定向量d为Dj中的一行,其贝叶斯后验预测概率的计算方法如下:
首先假设公式(2)中的PLS潜变量回归模型中的参数Vj和Ej服从Jeffreys无信息先验分布,即:
p(Vj,Ej)∝p(Vj)p(Ej) (7)
则参数Vj和Ej的先验密度满足如下形式:
p(Vj,Ej)∝|Ej|-(q+1)/2 (8)
其中v表示自由度:v=m–p–q+1 (10)
Sj=(Y-TjVj)T(Y-TjVj) (13)
S304:运行全程优化:
计算Dj中每个行向量的贝叶斯后验预测概率,选择P(·)值最大的xjcon作为第j阶段的优化结果;从第2阶段开始,运行上述优化过程,直至过程结束,完成多阶段生产过程的全程优化。
与现有技术相比,本发明的多阶段间歇生产过程的全程优化方法具有以下有益效果:本发明将贝叶斯方法应用于生产过程优化,并解决了在PLS潜变量空间推导计算贝叶斯后验概率的技术问题,当过程参数数据存在高度共线性时,该方法同样适用;应用本发明的优化方法,可为多阶段生产过程的每一阶段提供符合既定质量目标的最优工艺操作,最终达到稳定并提高产品质量的目的。
附图说明
图1为本发明的多阶段间歇生产过程的全程优化方法的流程示意图;
图2为本发明具体实施例中PLS模型XY6最优潜变量因子数的选择示意图;
图3为本发明具体实施例中验证集48批生产过程的仿真优化结果示意图;
图4为本发明具体实施例中验证集第1、7、15、30和44批次仿真优化前后的概率轨迹对比示意图。
具体实施方式
下面结合附图对本发明的具体实施例进行详细说明
一种中药栀子提取液的制备工艺,其主要包括提取、浓缩、醇沉、收醇、水沉、精制六个工艺单元,是典型的多阶段批次生产过程。通过六个阶段的生产操作,将有效成分栀子苷从栀子药材转移到栀子提取液中,杂质成分被不断去除。栀子药材和栀子提取液中的栀子苷含量由HPLC法测定。工艺目标是尽量避免多阶段生产过程中栀子苷的损失,同时使栀子提取液中栀子苷含量在一定范围内保持稳定。
以上述栀子提取液的生产过程为例,采用本发明的多阶段间歇生产过程的全程优化方法,实现上述工艺目标的步骤如下:
(1)第一阶段S1:数据采集与预处理
第一步S101:数据采集:
采集162批栀子提取液多阶段生产过程历史数据,每批包括22个过程参数,以x1至x22表示,每个阶段的过程参数分布如表1所示,质量属性数据为栀子提取液中栀子苷的浓度;将过程参数组成162×22的矩阵X,将产品质量属性数据组成大小为162×1的矩阵Y。
表1栀子提取液生产过程阶段及过程参数信息
第二步S102:数据预处理及样本划分:
对所有生产数据进行归一化预处理,将所有数据归一化至-1到1之间,以消除量纲差异;采用Kennard-Stone算法将全部样本划分为校正集114批和验证集48批,其中校正集数据用于建立PLS模型,验证集数据用于验证PLS模型;当然也可以采用其他样本划分方法进行样本划分。
第三步S103:数据重组:
由于栀子提取液的生产过程由六个阶段组成,所以将过程参数矩阵X分解为6个矩阵块,即X1到X6。在第j个阶段(1≤j≤6),矩阵X1到Xj重组形成联合矩阵X(j):
X(j)=(X1,X2,...,Xj) (1)
本例中,形成的6个联合矩阵用于多阶段过程模型的建立。
(2)第二阶段S2:递进PLS建模
第四步S201:最优潜变量因子数目的选择:
采用交叉验证的方法(如留一交叉验证或K折交叉验证等),结合校正误差均方根(RMSEC)、交叉验证误差均方根(RMSECV)、预测误差均方根(RMSEP)、预测残差平方和(PRESS)等化学计量学指标选择最优潜变量因子数;例如可以采用留一交叉验证的方法,以模型XY6为例,其最优潜变量因子数的选择如图3所示,RMSEC、RMSEP、可解释的X矩阵和Y矩阵信息百分比稳定在第7个潜变量因子,因此选择7个潜变量因子建立模型XY6。
第五步S202:递进PLS模型的建立:
采用PLS的方法建立过程参数联合矩阵X(j)和栀子苷浓度Y之间的PLS潜变量回归模型XYj,其表述形式为:
XYj:Yj=TjVj+Ej (2)
其中为Tj为得分矩阵,Vj为内部回归系数矩阵,Ej为模型误差矩阵。
本例中Tj由NIPALS算法分解得到的权重矩阵Wj和载荷矩阵Pj计算得到,计算方法如下:
Vj由普通最小二乘法估计得到,计算方法如下:
在生产过程中,随着过程阶段的递进,可以建立6个PLS模型,即XY1到XY6。对每一个建立的模型,采用RMSEC、RMSECV、RMSEP、相关系数r和相对预测偏差(RPD)等指标来评价模型的性能,结果如表2所示。
表2递进PLS模型的性能评价
第六步S203:PLS模型参数存储;
存储在第j个阶段进行PLS建模时的参数Wj、Pj、Tj、Vj,供优化计算使用。
(3)第三阶段S3:全程优化
第七步S301:优化目标的确定:
本实施例中,162批栀子提取液中栀子苷浓度分布在1到-1之间,其分布范围较宽,低浓度的提取液意味着多阶段生产过程中存在栀子苷的损失;因此优化目标考虑使栀子提取液稳定在一个较高的栀子苷浓度水平;本实施例中,设定优化目标为[0.5,1],以O来表示。优化从第2阶段开始,假定第j个阶段为待优化阶段,则优化问题转化为如下表达式:
其中Data代表所有可以利用的信息和数据,Lj是第j阶段所有可能的可控工艺参数的组合,P(·)代表质量属性数据满足产品目标的贝叶斯后验预测概率,优化目标是在Lj内找到具有最大P(·)值一组工艺参数的组合xjopt。
第八步S302:过程参数全排列矩阵的构建:
对于一个新的待优化生产过程,过程参数和质量属性数据分别以向量x和y来表示;假定第j个阶段为待优化阶段,则第j个阶段中的过程参数xj首先被分解为可观测过程参数xjobs和可控过程参数xjcon,其中,可观测过程参数仅能被测量,而不能被控制。只有可控过程参数是优化调节的对象;因此,将第j个阶段中的可观测过程参数xjobs和前j-1个阶段中已发生的过程参数x(j-1)组合形成固定参数向量xjfixed。根据第j个阶段中可控过程参数的优化范围和控制精度,将各可控参数进行全排列,然后将其中每一个排列组合与xjfxed重组形成全排列矩阵,形式如下:
以醇沉阶段为例,醇沉工艺中四个可控过程参数x10-x13,按照其各自的控制精度和控制范围,全排列方式为11×10×11×37,则全排列组合数N为44770。44770个x3con分别与x3fixed重组形成全排列矩阵D3。
第九步S303:贝叶斯后验预测概率的计算:
假定向量d为Dj中的某一行,其贝叶斯后验预测概率的计算方法如下:
首先假设公式(2)中的PLS潜变量回归模型中的参数Vj和Ej服从Jeffreys无信息先验分布,即:
p(Vj,Ej)∝p(Vj)p(Ej) (7)
则参数Vj和Ej的先验密度满足如下形式:
p(Vj,Ej)∝|Ej|-(q+1)/2 (8)
其中v表示自由度:v=m-p-q+1 (10)
Sj=(Y-TjVj)T(Y-TjVj) (13)
预测值的后验预测分布可以通过Monte-Carlo仿真的方法进行逼近:首先从正态分布N(0,H-1)中随机抽取向量u,利用χ2分布在自由度为v时产生独立随机数c,则的一个仿真估计值可以由以下公式计算:
第十步S304:全程优化运行及结果:
计算Dj中每一行向量的贝叶斯后验预测概率,选择P(·)值最大的xjcon作为第j阶段的优化结果。从第2阶段开始,运行上述优化过程,直至过程结束,完成多阶段生产过程的全程优化。本例对验证集中48批生产过程进行了仿真优化,以优化后的过程参数代入模型XY6对栀子提取液中栀子苷的浓度进行预测,结果附图3所示,有47批的栀子苷浓度预测值落在目标范围之内,显示了本方法良好的优化性能。
贝叶斯后验概率的大小反映了过程状态符合优化目标的程度,因此多阶段过程(优化或非优化)进行至每一阶段的P(·)值相连形成的概率轨迹。本例中,选择批次1、7、15、30和44五个批次,绘制其优化前后的的概率轨迹,结果如附图4所示。未优化的批次随着阶段递进,概率轨迹的变化没有规律。而使用本发明的优化方法后,规律轨迹随阶段递进,呈现递增趋势,表明符合既定质量目标的概率不断增加。概率轨迹可以帮助过程管理人员或操作人员监控生产过程的状态。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (4)
1.一种多阶段间歇生产过程的全程优化方法,其特征在于,包括以下步骤:
S1:采集一个多阶段生产过程的多批生产数据并进行预处理,所述生产数据包括过程参数和产品质量属性数据;
S2:采用递进PLS方法建立过程参数与产品质量属性数据之间的PLS模型;
S3:确定优化目标,结合所述PLS模型计算产品质量属性符合优化目标的贝叶斯后验预测概率,选择贝叶斯后验预测概率最大的过程参数组合作为优化结果。
2.根据权利要求1所述的多阶段间歇生产过程的全程优化方法,其特征在于,
步骤S1具体包括:
S101:采集数据:
采集一个多阶段生产过程的m批生产数据,每批生产数据分别包括n个过程参数和q个产品质量属性数据,则过程参数组成大小为m×n的矩阵X,产品质量属性数据组成大小为m×q的矩阵Y;
S102:数据预处理及样本划分:
对所有生产数据进行归一化预处理以消除量纲差异,并采用样本划分方法将全部样本划分为校正集和验证集,其中校正集数据用于建立PLS模型,验证集数据用于验证PLS模型;
S103:重组数据:
若所述多阶段生产过程由k个阶段组成,则将每个阶段的过程参数分别以矩阵Xj表示,其中1≤j≤k,则过程参数矩阵X分解为k个矩阵X1~Xk;在第j个阶段,将矩阵X1~Xj重组形成联合矩阵X(j):
X(j)=(X1,X2,...,Xj) (1)
形成的k个联合矩阵用于多阶段过程模型的建立。
3.根据权利要求2所述的多阶段间歇生产过程的全程优化方法,其特征在于,
步骤S2具体包括:
S201:选择最优潜变量因子数:
结合化学计量学指标,采用交叉验证的方法选择最优潜变量因子数p,其中所述化学计量学指标包括校正误差均方根、交叉验证误差均方根、预测误差均方根和/或预测残差平方和;
S202:建立PLS模型:
采用PLS的方法建立联合矩阵X(j)和产品质量属性数据矩阵Y之间的PLS潜变量回归模型,其表述形式为:
XYj:Yj=TjVj+Ej (2)
其中Tj为得分矩阵,Vj为内部回归系数矩阵,Ej为模型误差矩阵;
Tj由权重矩阵Wj和载荷矩阵Pj计算得到,计算方法如下:
Vj由普通最小二乘法估计得到,计算方法如下:
在生产过程中,随着过程阶段的递进,建立k个PLS模型,即XY1,XY2,…XYk;
S203:存储模型参数:
存储在第j个阶段进行PLS建模时的参数Wj、Pj、Tj、Vj,供优化计算使用。
4.根据权利要求3所述的多阶段间歇生产过程的全程优化方法,其特征在于,
步骤S3具体包括:
S301:确定优化目标:
根据如下表达式进行优化目标的确定:
其中j表示第j个阶段为待优化阶段,Data表示所有能够利用的信息和数据,Lj是第j个阶段所有可控工艺参数的组合,P(·)代表产品质量属性数据满足优化目标的贝叶斯后验预测概率,所述优化目标的确定是在Lj内找到具有最大P(·)值的一组过程参数的组合Xjopt;
S302:构建过程参数全排列矩阵:
对于一个新的生产过程,过程参数和产品质量属性数据分别以向量x和y来表示;假定第j个阶段为待优化阶段,则第j个阶段中的过程参数xj首先被分解为可观测过程参数xjobs和可控过程参数xjcon,其中,可控过程参数是优化调节的对象;因此,将第j个阶段中的可观测过程参数xjobs和前j-1个阶段中已发生的过程参数x(j-1)组合形成固定参数向量xjfixed;根据第j个阶段中可控过程参数的优化范围和控制精度,将各可控参数进行全排列,然后将其中每个排列组合与xjfixed重组形成全排列矩阵,形式如下:
其中N为全排列组合的数目;
S303:计算贝叶斯后验预测概率:
假定向量d为Dj中的一行,其贝叶斯后验预测概率的计算方法如下:
首先假设公式(2)中的PLS潜变量回归模型中的参数Vj和Ej服从Jeffreys无信息先验分布,即:
p(Vj,Ej)∝p(Vj)p(Ej) (7)
则参数Vj和Ej的先验密度满足如下形式:
p(Vj,Ej)∝|Ej|-(q+1)/2 (8)
其中v表示自由度:v=m-p-q+1 (10)
Sj=(Y-TjVj)T(Y-TjVj) (13)
S304:运行全程优化:
计算Dj中每个行向量的贝叶斯后验预测概率,选择P(·)值最大的xjcon作为第j阶段的优化结果;从第2阶段开始,运行上述优化过程,直至过程结束,完成多阶段生产过程的全程优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310005101.3A CN103092078B (zh) | 2013-01-07 | 2013-01-07 | 多阶段间歇生产过程的全程优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310005101.3A CN103092078B (zh) | 2013-01-07 | 2013-01-07 | 多阶段间歇生产过程的全程优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103092078A true CN103092078A (zh) | 2013-05-08 |
CN103092078B CN103092078B (zh) | 2015-05-20 |
Family
ID=48204787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310005101.3A Expired - Fee Related CN103092078B (zh) | 2013-01-07 | 2013-01-07 | 多阶段间歇生产过程的全程优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103092078B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336507A (zh) * | 2013-06-24 | 2013-10-02 | 浙江大学 | 基于多模态协同时段自动划分的统计建模与在线监测方法 |
CN103605878A (zh) * | 2013-08-19 | 2014-02-26 | 浙江大学 | 一种基于数据建模和模型移植的通用血糖预测方法 |
CN104062904A (zh) * | 2014-06-20 | 2014-09-24 | 南京工业大学 | 基于cca-pls的大化工过程分布式建模方法 |
CN104460319A (zh) * | 2014-10-20 | 2015-03-25 | 南京工业大学 | 多批次间歇反应过程二维多模型预测迭代学习控制方法 |
CN104516339A (zh) * | 2014-12-20 | 2015-04-15 | 蓝星(北京)技术中心有限公司 | 优化化工间歇生产操作的方法及经优化的生产操作系统 |
CN104949936A (zh) * | 2015-07-13 | 2015-09-30 | 东北大学 | 基于优化偏最小二乘回归模型的样品成份测定方法 |
CN105334831A (zh) * | 2015-11-24 | 2016-02-17 | 江南大学 | 由数据差异驱动的间歇过程双维在线优化方法 |
WO2017088207A1 (zh) * | 2015-11-26 | 2017-06-01 | 江南大学 | 一种基于变量时段分解的间歇过程无模型在线滚动优化方法 |
WO2017088208A1 (zh) * | 2015-11-26 | 2017-06-01 | 江南大学 | 一种由数据差异驱动的间歇过程自学习动态优化方法 |
CN107357269A (zh) * | 2017-06-17 | 2017-11-17 | 湖州师范学院 | 基于混合mpls的多阶段过程质量预报方法 |
CN108388218A (zh) * | 2018-02-08 | 2018-08-10 | 中国矿业大学 | 基于潜变量过程迁移模型的修正自适应批次过程优化方法 |
CN108564248A (zh) * | 2018-03-05 | 2018-09-21 | 北京中医药大学 | 一种中药生产过程质量控制的模型建立方法 |
CN109101758A (zh) * | 2018-09-03 | 2018-12-28 | 江南大学 | 基于t-pls模型的间歇过程工艺条件设计方法 |
CN109100941A (zh) * | 2018-10-11 | 2018-12-28 | 海南师范大学 | 多阶段间歇过程二维抗干扰预测控制器设计方法 |
CN109254531A (zh) * | 2017-11-29 | 2019-01-22 | 辽宁石油化工大学 | 具有时滞和干扰的多阶段间歇过程的最优成本控制方法 |
CN109308063A (zh) * | 2018-12-03 | 2019-02-05 | 北京工业大学 | 基于得分矩阵的发酵过程阶段划分方法 |
CN109643087A (zh) * | 2015-10-15 | 2019-04-16 | 埃森哲环球服务有限公司 | 用于选择用于设备操作安全的可控参数的系统和方法 |
CN110262380A (zh) * | 2019-07-05 | 2019-09-20 | 华南理工大学 | 基于经验工艺概率的微阵列热压成型精度控制系统及方法 |
CN110333330A (zh) * | 2019-06-13 | 2019-10-15 | 江苏康缘药业股份有限公司 | 一种片剂崩解时间的检测方法 |
CN110353995A (zh) * | 2019-06-13 | 2019-10-22 | 江苏康缘药业股份有限公司 | 一种胶囊制剂装量偏差的检测方法 |
CN111723492A (zh) * | 2020-06-30 | 2020-09-29 | 哈工大机器人(合肥)国际创新研究院 | 一种基于仿真验证的生产过程参数确定方法 |
CN112085180A (zh) * | 2019-06-14 | 2020-12-15 | 北京百度网讯科技有限公司 | 机器学习超参数确定方法、装置、设备和可读存储介质 |
CN113271419A (zh) * | 2021-05-20 | 2021-08-17 | 上海韦尔半导体股份有限公司 | 低pls全局快门像素结构及其驱动时序控制方法 |
CN113758503A (zh) * | 2021-08-12 | 2021-12-07 | 清华大学 | 一种过程参数估计方法、装置、电子设备及存储介质 |
CN113962470A (zh) * | 2021-10-29 | 2022-01-21 | 上海新科乾物联技术有限公司 | 一种基于扰动预测的优化排产方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1563902A (zh) * | 2004-04-08 | 2005-01-12 | 上海交通大学 | 基于支持向量机的软测量仪表建模方法 |
US20050240289A1 (en) * | 2004-04-22 | 2005-10-27 | Hoyte Scott M | Methods and systems for monitoring machinery |
US20070005266A1 (en) * | 2004-05-04 | 2007-01-04 | Fisher-Rosemount Systems, Inc. | Process plant monitoring based on multivariate statistical analysis and on-line process simulation |
CN101231270A (zh) * | 2007-01-23 | 2008-07-30 | 北京中医药大学 | 清开灵注射液中间体及成品中指标成分含量的测定方法 |
CN101872182A (zh) * | 2010-05-21 | 2010-10-27 | 杭州电子科技大学 | 一种基于递推非线性部分最小二乘的间歇过程监控方法 |
-
2013
- 2013-01-07 CN CN201310005101.3A patent/CN103092078B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1563902A (zh) * | 2004-04-08 | 2005-01-12 | 上海交通大学 | 基于支持向量机的软测量仪表建模方法 |
US20050240289A1 (en) * | 2004-04-22 | 2005-10-27 | Hoyte Scott M | Methods and systems for monitoring machinery |
US20070005266A1 (en) * | 2004-05-04 | 2007-01-04 | Fisher-Rosemount Systems, Inc. | Process plant monitoring based on multivariate statistical analysis and on-line process simulation |
CN101231270A (zh) * | 2007-01-23 | 2008-07-30 | 北京中医药大学 | 清开灵注射液中间体及成品中指标成分含量的测定方法 |
CN101872182A (zh) * | 2010-05-21 | 2010-10-27 | 杭州电子科技大学 | 一种基于递推非线性部分最小二乘的间歇过程监控方法 |
Non-Patent Citations (1)
Title |
---|
周海燕等: "统计过程控制在栀子前处理生产工艺中的应用", 《中国实验方剂杂志》 * |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336507B (zh) * | 2013-06-24 | 2015-08-19 | 浙江大学 | 基于多模态协同时段自动划分的统计建模与在线监测方法 |
CN103336507A (zh) * | 2013-06-24 | 2013-10-02 | 浙江大学 | 基于多模态协同时段自动划分的统计建模与在线监测方法 |
CN103605878A (zh) * | 2013-08-19 | 2014-02-26 | 浙江大学 | 一种基于数据建模和模型移植的通用血糖预测方法 |
CN103605878B (zh) * | 2013-08-19 | 2016-03-30 | 浙江大学 | 一种基于数据建模和模型移植的通用血糖预测方法 |
CN104062904A (zh) * | 2014-06-20 | 2014-09-24 | 南京工业大学 | 基于cca-pls的大化工过程分布式建模方法 |
CN104460319A (zh) * | 2014-10-20 | 2015-03-25 | 南京工业大学 | 多批次间歇反应过程二维多模型预测迭代学习控制方法 |
CN104460319B (zh) * | 2014-10-20 | 2019-04-12 | 南京工业大学 | 多批次间歇反应过程二维多模型预测迭代学习控制方法 |
CN104516339B (zh) * | 2014-12-20 | 2017-07-14 | 蓝星(北京)技术中心有限公司 | 优化化工间歇生产操作的方法及经优化的生产操作系统 |
CN104516339A (zh) * | 2014-12-20 | 2015-04-15 | 蓝星(北京)技术中心有限公司 | 优化化工间歇生产操作的方法及经优化的生产操作系统 |
CN104949936B (zh) * | 2015-07-13 | 2017-10-24 | 东北大学 | 基于优化偏最小二乘回归模型的样品成份测定方法 |
CN104949936A (zh) * | 2015-07-13 | 2015-09-30 | 东北大学 | 基于优化偏最小二乘回归模型的样品成份测定方法 |
CN109643087B (zh) * | 2015-10-15 | 2021-09-10 | 埃森哲环球服务有限公司 | 用于选择用于设备操作安全的可控参数的系统和方法 |
CN109643087A (zh) * | 2015-10-15 | 2019-04-16 | 埃森哲环球服务有限公司 | 用于选择用于设备操作安全的可控参数的系统和方法 |
CN105334831A (zh) * | 2015-11-24 | 2016-02-17 | 江南大学 | 由数据差异驱动的间歇过程双维在线优化方法 |
CN105334831B (zh) * | 2015-11-24 | 2017-10-24 | 江南大学 | 由数据差异驱动的间歇过程双维在线优化方法 |
WO2017088207A1 (zh) * | 2015-11-26 | 2017-06-01 | 江南大学 | 一种基于变量时段分解的间歇过程无模型在线滚动优化方法 |
WO2017088208A1 (zh) * | 2015-11-26 | 2017-06-01 | 江南大学 | 一种由数据差异驱动的间歇过程自学习动态优化方法 |
US10254729B2 (en) | 2015-11-26 | 2019-04-09 | Jiangnan University | Data-difference-driven self-learning dynamic optimization method for batch process |
CN107357269A (zh) * | 2017-06-17 | 2017-11-17 | 湖州师范学院 | 基于混合mpls的多阶段过程质量预报方法 |
CN109254531A (zh) * | 2017-11-29 | 2019-01-22 | 辽宁石油化工大学 | 具有时滞和干扰的多阶段间歇过程的最优成本控制方法 |
CN109254531B (zh) * | 2017-11-29 | 2021-10-22 | 辽宁石油化工大学 | 具有时滞和干扰的多阶段间歇过程的最优成本控制方法 |
CN108388218A (zh) * | 2018-02-08 | 2018-08-10 | 中国矿业大学 | 基于潜变量过程迁移模型的修正自适应批次过程优化方法 |
CN108564248A (zh) * | 2018-03-05 | 2018-09-21 | 北京中医药大学 | 一种中药生产过程质量控制的模型建立方法 |
CN108564248B (zh) * | 2018-03-05 | 2021-06-04 | 北京中医药大学 | 一种中药生产过程质量控制的模型建立方法 |
CN109101758A (zh) * | 2018-09-03 | 2018-12-28 | 江南大学 | 基于t-pls模型的间歇过程工艺条件设计方法 |
CN109100941A (zh) * | 2018-10-11 | 2018-12-28 | 海南师范大学 | 多阶段间歇过程二维抗干扰预测控制器设计方法 |
CN109100941B (zh) * | 2018-10-11 | 2022-01-04 | 海南师范大学 | 多阶段间歇过程二维抗干扰预测控制器设计方法 |
CN109308063A (zh) * | 2018-12-03 | 2019-02-05 | 北京工业大学 | 基于得分矩阵的发酵过程阶段划分方法 |
CN110353995A (zh) * | 2019-06-13 | 2019-10-22 | 江苏康缘药业股份有限公司 | 一种胶囊制剂装量偏差的检测方法 |
CN110353995B (zh) * | 2019-06-13 | 2021-10-01 | 江苏康缘药业股份有限公司 | 一种胶囊制剂装量偏差的检测方法 |
CN110333330A (zh) * | 2019-06-13 | 2019-10-15 | 江苏康缘药业股份有限公司 | 一种片剂崩解时间的检测方法 |
CN112085180A (zh) * | 2019-06-14 | 2020-12-15 | 北京百度网讯科技有限公司 | 机器学习超参数确定方法、装置、设备和可读存储介质 |
CN112085180B (zh) * | 2019-06-14 | 2024-05-17 | 北京百度网讯科技有限公司 | 机器学习超参数确定方法、装置、设备和可读存储介质 |
CN110262380A (zh) * | 2019-07-05 | 2019-09-20 | 华南理工大学 | 基于经验工艺概率的微阵列热压成型精度控制系统及方法 |
CN111723492A (zh) * | 2020-06-30 | 2020-09-29 | 哈工大机器人(合肥)国际创新研究院 | 一种基于仿真验证的生产过程参数确定方法 |
CN111723492B (zh) * | 2020-06-30 | 2023-09-05 | 哈工大机器人(合肥)国际创新研究院 | 一种基于仿真验证的生产过程参数确定方法 |
CN113271419B (zh) * | 2021-05-20 | 2023-05-09 | 上海韦尔半导体股份有限公司 | 低pls全局快门像素结构及其驱动时序控制方法 |
CN113271419A (zh) * | 2021-05-20 | 2021-08-17 | 上海韦尔半导体股份有限公司 | 低pls全局快门像素结构及其驱动时序控制方法 |
CN113758503A (zh) * | 2021-08-12 | 2021-12-07 | 清华大学 | 一种过程参数估计方法、装置、电子设备及存储介质 |
CN113758503B (zh) * | 2021-08-12 | 2022-03-18 | 清华大学 | 一种过程参数估计方法、装置、电子设备及存储介质 |
CN113962470B (zh) * | 2021-10-29 | 2022-06-24 | 上海新科乾物联技术有限公司 | 一种基于扰动预测的优化排产方法和系统 |
CN113962470A (zh) * | 2021-10-29 | 2022-01-21 | 上海新科乾物联技术有限公司 | 一种基于扰动预测的优化排产方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103092078B (zh) | 2015-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103092078B (zh) | 多阶段间歇生产过程的全程优化方法 | |
CN110428175B (zh) | 一种基于深度学习的热轧带钢板凸度预报方法 | |
CN105512404B (zh) | 基于混沌多项式展开的时变可靠性全局灵敏度分析方法 | |
CN111522229B (zh) | 参数自整定的mimo异因子偏格式无模型控制方法 | |
CN103745273A (zh) | 一种半导体制造过程的多性能预测方法 | |
CN111522233B (zh) | 参数自整定的mimo异因子全格式无模型控制方法 | |
Saed-Moucheshi et al. | A review on applied multivariate statistical techniques in agriculture and plant science. | |
CN103488561B (zh) | 一种在线升级主样本模型的kNN故障检测方法 | |
CN102722103A (zh) | 基于模糊分析和可视化技术的多目标参数寻优方法 | |
Li et al. | Ensemble learning based methods for crown prediction of hot-rolled strip | |
CN114969953B (zh) | 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备 | |
Qiao et al. | Soft measurement model and its application in raw meal calcination process | |
CN107704962A (zh) | 一种基于不完整时间序列数据集的冶金企业蒸汽流量区间预测方法 | |
CN106778838A (zh) | 一种预测空气质量的方法 | |
CN109740962A (zh) | 基于场景分区与半不变量的电压稳定概率评估方法 | |
Bontempi et al. | Recursive lazy learning for modeling and control | |
CN102621953B (zh) | 一种橡胶硬度的在线自动质量监控和预测模型更新的方法 | |
Liang | Annealing evolutionary stochastic approximation Monte Carlo for global optimization | |
Yüzgeç | Performance comparison of differential evolution techniques on optimization of feeding profile for an industrial scale baker’s yeast fermentation process | |
Zhang et al. | Machine learning-based data-driven robust optimization approach under uncertainty | |
CN111522235B (zh) | 参数自整定的mimo异因子紧格式无模型控制方法 | |
Li et al. | Multiple-input multiple-output soft sensors based on KPCA and MKLS-SVM for quality prediction in atmospheric distillation column | |
CN107798353A (zh) | 一种间歇过程监控数据处理方法 | |
CN106371321A (zh) | 一种焦化炉炉膛压力系统模糊网络优化pid控制方法 | |
CN103439964B (zh) | 一种ocsvm监控模型的在线更新系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150520 Termination date: 20160107 |
|
CF01 | Termination of patent right due to non-payment of annual fee |