CN103279075A

CN103279075A - 一种间歇化工生产过程及其控制方法

Info

Publication number: CN103279075A
Application number: CN2013101437285A
Authority: CN
Inventors: 马正华; 邹凌; 陈岚萍; 潘赛虎; 陈阳; 戎海龙
Original assignee: Changzhou University
Current assignee: CHANGSHU BINJIANG CHEMICAL Co.,Ltd.
Priority date: 2013-04-24
Filing date: 2013-04-24
Publication date: 2013-09-04
Anticipated expiration: 2033-04-24
Also published as: CN103279075B

Abstract

本发明公开了一种间歇化工生产过程及其控制方法，包括如下步骤：（1）数据采集，建立基于WebService的数据采集交换平台，应用数据通信与采集技术获取先进控制所需数据；（2）数据预处理，通过知识约简,导出问题的决策或分类规则；（3）数据挖掘，利用关联规则的数据信息挖掘方法，对间歇化工过程系统进行工况区域划分、系统辨识；（4）计算机建模，建立基于数据挖掘的神经网络预测模型；（5）仿真和控制，建立预测控制系统。本发明所述方法有效提高了间歇化工生产过程的控制质量和自动化水平，稳定并提高了产品质量，使间歇化工生产过程的消耗大大降低，提高了劳动生产率。

Description

一种间歇化工生产过程及其控制方法

技术领域

本发明涉及一种化工生产过程及其先进控制方法，属于工业控制领域。

背景技术

间歇过程是指将有限量的物料按规定的加工顺序在一个或多个设备中加工以获得有限量产品的加工过程。由于间歇生产具有流程短、设备简单、投资少、见效快、易于更换品种等优点，使其占有越来越重要的地位。当前，间歇式化学反应器广泛应用在精细化工、农药化工和生物医药生产中，应用前景十分乐观。

但间歇生产过程的控制难度大，具有时变、非线性、反应机理复杂等特点，属于难控对象。目前在不少间歇工业生产过程中，仍采用手动或半自动操作，整体自动化水平远低于连续生产过程，生产管理上相对落后。如何实现生产过程的自动化，稳定并提高产品质量、降低消耗、提高劳动生产率具有非常重要的现实意义。

发明内容

针对现有技术中间歇化工生产过程及其控制方法中存在的上述问题，本发明提供一种间歇化工生产过程及其控制方法，根据理论研究与实际生产相结合的原则，从复杂化工业控制系统的数据采集、数据挖掘、计算机建模、仿真和控制三个方面，围绕控制对象、控制方法和控制目标等几个环节，提供了数据挖掘理论和先进控制理论在间歇化工过程控制系统中的应用方法。

本发明的技术方案是：

一种间歇化工生产过程及其控制方法，具体包括以下步骤：

（1）数据采集：建立基于Web Service的数据采集交换平台，应用数据通信与采集技术获取先进控制所需数据，操纵生产装置参数以及输出控制参数；

（2）数据预处理：通过知识约简, 导出问题的决策或分类规则；利用粗糙集对预处理后的故障信息进行属性规约或约简, 即根据诊断任务去除不相关的属性,留下相关的属性；采用基于时序分析的无需候选项的关联规则挖掘算法来实现规则间的耦合分析与关联分析；

（3）数据挖掘：利用关联规则的数据信息挖掘方法，对间歇化工过程系统进行工况区域划分、系统辨识，以及在此基础之上实现的多模型融合、控制器重构策略；

（4）计算机建模：建立基于数据挖掘的神经网络预测模型；

（5）仿真和控制：基于步骤（4）中的神经网络预测模型建立相应的预测控制系统，并进行仿真控制，验证步骤（4）中的神经网络预测模型的合理性。

进一步，步骤（5）中的预测控制系统包括基于RBF网络并行预测模型的非线性预测控制系统和基于神经网络非线性广义预测控制系统。

进一步，所述基于RBF网络并行预测模型的非线性预测控制系统包括神经网络预测模型和预测控制器，所述神经网络预测模型采用RBF网络。

进一步，所述神经网络预测模型为基于改进遗传算法的模糊神经网络预测模型。

进一步，所述改进遗传算法为在标准遗传算法中加入了一个RBF算子，并采用动态交叉率和变异率，在RBF操作中采用动态优化的学习率，用个体之间的简单运算代替原有的依据交叉率和变异率的交叉和变异操作。

进一步，所述基于神经网络非线性广义预测控制系统包括神经网络非线性预测控制器和神经网络预测模型，所述神经网络非线性预测控制器由线性广义预测控制器和人工神经网络组成，所述神经网络预测模型由人工神经网络非线性系统和线性子系统组成。

进一步，所述人工神经网络非线性系统和人工神经网络均采用多层前馈型神经网络。

本发明的有益效果是：

本发明一种间歇化工生产过程及其控制方法有效提高了间歇化工生产过程的控制质量和自动化水平，稳定并提高了产品质量，使间歇化工生产过程的消耗大大降低，提高了劳动生产率。

附图说明

图1是加入RBF算子的遗传算法流程图；

图2是神经网络非线性预测控制系统的结构图；

图3是基于神经网络的非线性广义预测控制系统的结构图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明一种间歇化工生产过程及其控制方法，具体包括以下步骤：

（4）计算机建模：建立基于数据挖掘的神经网络预测模型；

步骤（5）中的预测控制系统包括基于RBF网络并行预测模型的非线性预测控制系统和基于神经网络非线性广义预测控制系统。

基于RBF网络并行预测模型的非线性预测控制系统包括神经网络预测模型和预测控制器，神经网络预测模型采用RBF网络。神经网络预测模型为基于改进遗传算法的模糊神经网络预测模型。改进遗传算法为在标准遗传算法中加入了一个RBF算子，并采用动态交叉率和变异率，在RBF操作中采用动态优化的学习率，用个体之间的简单运算代替原有的依据交叉率和变异率的交叉和变异操作。

基于神经网络非线性广义预测控制系统包括神经网络非线性预测控制器和神经网络预测模型，神经网络非线性预测控制器由线性广义预测控制器和人工神经网络组成，神经网络预测模型由人工神经网络非线性系统和线性子系统组成。人工神经网络非线性系统和人工神经网络均采用多层前馈型神经网络。

本发明首先设计一个基于Web Service的数据采集交换平台，应用数据通信与采集技术获取先进控制所需数据，操纵生产装置参数以及输出控制参数，该平台有利于将研究集中到间歇化工过程先进控制策略算法等理论方面，从而取得突破。发明主要涉及异构DCS系统之间、DCS与上位应用层之间统一通信接口平台、先进控制技术的集成算法问题。

在底层应用DDE技术、OPC技术(COM技术)和 API HOOK技术，远程进程数据交换技术作为数据源适配器，针对不同的DCS系统平台开发实现了统一接口，结构类似的适配器。然后，各个适配器采用统一的，基于消息的通讯协议同一级中心服务器进行数据交换。一级中心服务器再对数据进行进一步的封装、筛选、压缩，并根据上层应用的时间特性等要求或者转发到上一级中心服务器，或者直接提供给本层所挂接的各种应用。同时每一层级的中心服务器同所挂接的应用之间的数据交互，将采用网络穿透性强、平台无关、语言无关的基于SOAP的数据格式，应用不但可以调用中心服务器的数据，还能注册额外的数据处理程序，为异构的控制系统与应用交换和共享数据提供了一个开放的、统一的应用集成环境。在数据平台的实现过程中包括了面向任务的 status Active Objeet多线程模型，基于C++的支持优先级，超时特性的读写锁，基于Java的动态类加载等三个具有创新性的算法。首次提出将远程进程读写配合Ul消息Hook的方法应用于DCS系统的通信，基本上了解决了绝大多数DCS系统的不开放性问题。

基于改进遗传算法的模糊神经网络设计。从两个方面对标准遗传算法做了改进:一方面是在遗传算法中加入了一个RBF算子，并采用动态交叉率和变异率，在RBF操作中采用动态优化的学习率，另一方面是对遗传算法本身的改进，用个体之间的简单运算来代替原有的依据交叉率和变异率的交叉和变异操作。然后用标准遗传算法和改进的遗传算法优化模糊神经网络控制器，对系统动态性能和静态性能进行仿真研究，验证改进遗传算法的模糊神经网络控制器的优异性。

提出了基于数据挖掘的模糊辨识模型的预测控制及基于局域线性化模糊模型的预测控制，并进行仿真研究，验证模糊预测控制具有快速跟踪能力，失真也很小的特点；提出了多RBF网络非线性并行预测控制模型、预测控制器设计及预测控制算法和神经网络非线性广义预测控制系统结构，预测模型辨识，预测控制器设计及预测控制算法。

本发明的具体步骤及方法如下：

（1）采用粗糙集进行数据预处理。由于所采集数据的动态性、维数多、数据量巨大且噪声多，采用粗糙集技术进行数据的预处理。通过知识约简, 导出问题的决策或分类规则。利用粗糙集对预处理后的故障信息进行属性规约或约简, 即根据诊断任务去除不相关的属性, 留下相关的属性。然后采用一种基于时序分析的无需候选项的关联规则挖掘算法来实现规则间的耦合分析与关联分析。

（2）利用关联规则的数据信息挖掘方法，对间歇化工过程系统进行工况区域划分、系统辨识，以及在此基础之上研究全新的多模型融合、控制器重构策略，为进一步提升系统性能，研究多非线性模型预测控制，提出了一些非线性智能混合控制和智能复合控制方法应用于复杂化工过程控制的改进策略（包括模型描述及优化算法改进），通过大量的实时仿真研究对上述方法的可行性和有效性进行了验证，并将部分成果应用于实际。

（3）加入RBF算子的遗传算法流程

如图1所示，加入RBF算子的混合学习算法的具体运行步骤如下:

① 随机产生初始父代群体及样本;

② 按交叉率Pc=xep(-N/M)选择群体中的一对个体，实施编码，交叉，解码运算，将父代和子代都加入到子代群体中;

③ 按变异率Pm=exp(0.05*N/M)一1对群体中的每个个体的每一位进行编码，变异，解码运算，将父代和子代都加入子代群体中;

④ 对子代群体的每一个个体中中心和宽度所对应的位保持不变，而将权值所对应的位以概率PRBF进行RBF算子搜索，将子代取代父代加入到子代群体;

⑤ 评价个体的适应度，进行选择;

⑥ 终止准则是否满足，如果是则确定结果转至⑧;

⑦ 世代数增加1，重复步骤②;

⑧ 结束。

（4）基于RBF网络并行预测模型的非线性预测控制系统

基于RBF网络并行预测模型的非线性预测控制系统结构如图2所示。其中包括神经网络预测模型和预测控制器两部分。神经网络预测模型采用RBF网络。

多个单独RBF网以并行方式构成，其RBF网络的个数等于预测步数M。这样可并行处理多步预测，由单个RBF网构成的各子预测模型之间无直接影响，因此没有误差积累，对于非线性复杂系统受控对象的多步预测神经网络模型，可以采用这种多RBF网并行结构作为预测模型。

（5）基于神经网络非线性广义预测控制系统的结构

基于神经网络非线性广义预测控制系统的结构如图3所示。它除受控对象以外，包括有神经网络非线性预测控制器和神经网络预测模型等模块组成。其中，神经网络非线性预测控制器由线性广义预测控制器G(PC)和人工神经网络ANNZ组成；而神经网络预测模型由人工神经网络非线性系统ANNI和线性子系统组成。人工神经网络ANNI和ANNZ均采用多层前馈型神经网络。

丙环唑原药合成过程是一个典型的间歇生产过程。丙环唑原药生产主要是通过有机合成反应获得，而其合成反应机理复杂，控制精度要求高，控制难度大。本发明成功地对丙环唑原药生产智能集成网络控制系统进行仿真研究，并将部分研究成果推广应用于实际间隙化工生产中，提高了控制质量。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种间歇化工生产过程及其控制方法，具体包括以下步骤：

（4）计算机建模：建立基于数据挖掘的神经网络预测模型；

2.根据权利要求1所述的一种间歇化工生产过程及其控制方法，其特征在于：所述步骤（5）中的预测控制系统包括基于RBF网络并行预测模型的非线性预测控制系统和基于神经网络非线性广义预测控制系统。

3.根据权利要求2所述的一种间歇化工生产过程及其控制方法，其特征在于：所述基于RBF网络并行预测模型的非线性预测控制系统包括神经网络预测模型和预测控制器，所述神经网络预测模型采用RBF网络。

4.根据权利要求2或3所述的一种间歇化工生产过程及其控制方法，其特征在于：所述神经网络预测模型为基于改进遗传算法的模糊神经网络预测模型。

5.根据权利要求4所述的一种间歇化工生产过程及其控制方法，其特征在于：所述改进遗传算法为在标准遗传算法中加入了一个RBF算子，并采用动态交叉率和变异率，在RBF操作中采用动态优化的学习率，用个体之间的简单运算代替原有的依据交叉率和变异率的交叉和变异操作。

6.根据权利要求2所述的一种间歇化工生产过程及其控制方法，其特征在于：所述基于神经网络非线性广义预测控制系统包括神经网络非线性预测控制器和神经网络预测模型，所述神经网络非线性预测控制器由线性广义预测控制器和人工神经网络组成，所述神经网络预测模型由人工神经网络非线性系统和线性子系统组成。

7.根据权利要求6所述的一种间歇化工生产过程及其控制方法，其特征在于：所述人工神经网络非线性系统和人工神经网络均采用多层前馈型神经网络。