CN104991037A - 一种用于煮糖结晶的数据测量方法和装置 - Google Patents
一种用于煮糖结晶的数据测量方法和装置 Download PDFInfo
- Publication number
- CN104991037A CN104991037A CN201510248721.9A CN201510248721A CN104991037A CN 104991037 A CN104991037 A CN 104991037A CN 201510248721 A CN201510248721 A CN 201510248721A CN 104991037 A CN104991037 A CN 104991037A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- msub
- mtd
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 319
- 238000002425 crystallisation Methods 0.000 title claims abstract description 193
- 230000008025 crystallization Effects 0.000 title claims abstract description 193
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 title abstract description 6
- 229930006000 Sucrose Natural products 0.000 title abstract description 6
- 229960004793 sucrose Drugs 0.000 title abstract 5
- 230000008569 process Effects 0.000 claims abstract description 261
- 239000012452 mother liquor Substances 0.000 claims abstract description 100
- 238000012360 testing method Methods 0.000 claims abstract description 64
- 238000005259 measurement Methods 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000009835 boiling Methods 0.000 claims description 171
- 238000005457 optimization Methods 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 44
- 239000002245 particle Substances 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 20
- 238000002790 cross-validation Methods 0.000 claims description 19
- 239000007788 liquid Substances 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000000691 measurement method Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 11
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 7
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 2
- 230000006870 function Effects 0.000 description 49
- 238000010586 diagram Methods 0.000 description 42
- 238000012544 monitoring process Methods 0.000 description 27
- 238000005516 engineering process Methods 0.000 description 14
- 230000007246 mechanism Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 10
- 239000013078 crystal Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000011217 control strategy Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000011112 process operation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 244000144992 flock Species 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000005720 sucrose Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000007738 vacuum evaporation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
- Saccharide Compounds (AREA)
Abstract
本发明公开了一种用于煮糖结晶的数据测量方法和装置,其中,该方法包括:步骤A:选择构建煮糖结晶过程中软测量数据驱动模型的辅助变量,所述辅助变量为煮糖结晶过程中直接在线测量的状态参数;步骤B:将所述辅助变量作为所述数据驱动模型的输入,将母液过饱和度、母液纯度作为所述数据驱动模型的输出,基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型;步骤C:计算预设的性能评价参数,根据所述性能评价参数对所述数据驱动模型的性能进行测试;步骤D:采集实时状态参数,根据所述数据驱动模型计算实时母液过饱和度、母液纯度。
Description
技术领域
本发明涉及煮糖结晶过程的数据测量技术领域,具体地,涉及一种用于煮糖结晶的数据测量方法和装置。
背景技术
煮糖结晶过程既有传热又有传质,是一个复杂的化学和物理过程,结晶过程各种因素存在相互影响以及相互作用。由制糖工艺学可知,蔗糖晶体的形成和长大与煮糖罐内的结晶环境密切相关,受煮糖结晶过程温度、真空度、浓度、母液过饱和度、母液纯度等条件所影响。
但是,目前由于技术条件的制约,尚难以或者无法通过传统物理传感器直接测量出煮糖结晶过程母液过饱和度和母液纯度,严重阻碍了实际煮糖结晶生产过程实用控制策略的实施。因此,对煮糖结晶过程不可直接测量的关键参数进行在线准确预测估计,已成为当前煮糖结晶领域迫切需要解决的问题。
目前用于煮糖结晶过程的自动控制系统的功能和结构上基本一致,大体分为数据采集、数据展示、数据处理和执行机构四大部分。煮糖结晶过程自动控制系统构建的思路是:首先通过各种硬件传感器获取煮糖结晶过程的实时状态参数(比如真空度、糖膏温度、液位、蒸汽温度、蒸汽压力、糖膏锤度等状态参数),然后通过现场总线传输至上位机监控系统,上位机监控系统经过数据展示和数据处理之后,再将处理结果反馈到下位机控制单元,最终由下位机控制单元发出控制指令到执行机构,从而实现控制和调节执行机构。
现有的煮糖结晶过程的自动控制系统通过传感器设备采集得到过程的参数之后,经过上位机监控系统的处理,能够准确根据工艺控制要求,完成对过程对象的有效控制。但当过程机理和过程对象比较复杂时,而且存在难以或者无法通过传感器设备进行测量的关键参数(比如煮糖结晶过程母液纯度、母液过饱和度、晶体粒度分布和晶粒含量)时,煮糖结晶过程的自动控制系统就难以实现对这些关键参数实施有效的控制策略。
因此,现有煮糖结晶过程自动控制系统所存在的不足,主要体现在缺乏能够对难以或者无法通过传感器设备进行直接在线测量的关键过程参数实现在线检测的智能单元,导致难以甚至无法实现不易直接在线测量参数的有效在线控制及优化。煮糖结晶过程的母液纯度、母液过饱和度、晶体粒度分布和晶粒含量等参数是关系到煮糖结晶过程质量的关键参量,由于目前技术水平的限制,缺乏相应的在线检测单元及装置,导致煮糖结晶过程的先进控制算法和优化策略只能停留在理论探讨上,却难以在煮糖结晶生产过程中实施应用,这些关键参数的在线测量对煮糖结晶过程的自动控制及优化具有重要意义。
随着技术的发展和多学科交叉融合,结合人工智能技术和检测技术,研究不易测量关键参量的在线预测估计已成为一个重要的研究领域。目前基于软测量技术的智能检测技术已经广泛应用于石油化工、生物制药以及食品工程等领域,并取得了广泛的研究成果,所构建的软测量模型具有稳定性好、可靠性高等特点。由于煮糖结晶过程异常复杂,目前还没有相应的煮糖结晶过程自动系统能够很好地将智能软测量技术应用到具体的煮糖结晶过程关键参数检测当中。
研究煮糖结晶过程多智能集成自动控制系统的目的不仅是实现煮糖结晶过程常规参数的在线测量与控制,而且还考虑煮糖结晶过程的简化机理模型,通过结合人工智能技术和检测技术,建立煮糖结晶过程不易测量关键参数的智能软测量单元,以软件代替硬件,实现煮糖结晶过程难测参量的在线预测估计,从而实现煮糖结晶过程的综合优化控制。因此,构建具有智能软测量单元的煮糖结晶过程智能集成自动控制系统具有重要意义和广阔的发展前景。公开文献中尚未有用于工业生产煮糖过程无法通过传感器直接测量的关键参数进行在线监测的相关报道。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
为了解决现有技术中存在的无法对煮糖结晶过程中的母液过饱和度和母液纯度等参数进行直接测量的技术问题,本发明提出了一种用于煮糖结晶的数据测量方法和装置。
本发明的用于煮糖结晶的数据测量方法,包括:
步骤A:选择构建煮糖结晶过程中软测量数据驱动模型的辅助变量,所述辅助变量为煮糖结晶过程中直接在线测量的状态参数;
步骤B:将所述辅助变量作为所述数据驱动模型的输入,将母液过饱和度、母液纯度作为所述数据驱动模型的输出,基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型;
步骤C:计算预设的性能评价参数,根据所述性能评价参数对所述数据驱动模型的性能进行测试;
步骤D:采集实时状态参数,根据所述数据驱动模型计算实时母液过饱和度、母液纯度。
本发明的用于煮糖结晶的数据测量装置,包括:
参数选择模块,用于选择构建煮糖结晶过程中软测量数据驱动模型的辅助变量,所述辅助变量为煮糖结晶过程中直接在线测量的状态参数;
模型构建模块,用于将所述辅助变量作为所述数据驱动模型的输入,将母液过饱和度、母液纯度作为所述数据驱动模型的输出,基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型;
模型评价模块,用于计算预设的性能评价参数,根据所述性能评价参数对所述数据驱动模型的性能进行测试;
数据测算模块,用于采集实时状态参数,根据所述数据驱动模型计算实时母液过饱和度、母液纯度。
本实施例提供的煮糖结晶过程数据测量方法和装置,实现煮糖结晶过程的优化,优化结果可作为煮糖结晶过程优化控制的有力依据,从而提高煮糖工艺的自动化水平,降低人工劳动强度和生产成本。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例的一种用于煮糖结晶的数据测量方法的流程图;
图2为本发明实施例的另一种用于煮糖结晶的数据测量方法的流程图;
图3为本发明实施例的一种用于煮糖结晶的数据测量方法中构建数据驱动模型的流程图;
图4为本发明实施例的一种用于煮糖结晶的数据测量方法中步骤S203的流程图;
图5为本发明实施例的一种用于煮糖结晶的数据测量方法中步骤S306的流程图;
图6为本发明实施例的一种用于煮糖结晶的数据测量方法中构建数据驱动模型的具体流程图;
图7为本发明实施例的煮糖结晶过程原理示意图;
图8为惩罚因子C=2时,根据数据驱动模型预测的RMSE随γ、ε变化的示意图;
图9为惩罚因子C=100时,根据数据驱动模型预测的RMSE随γ、ε变化的示意图;
图10为γ=8时,根据数据驱动模型预测的RMSE随C、ε变化的示意图;
图11为ε=0.25时,根据数据驱动模型预测的RMSE随C、γ变化的示意图;
图12为以母液过饱和度为模型输出时,煮糖结晶过程数据驱动模型对测试样本集的预测结果的示意图;
图13为以母液过饱和度为模型输出时,煮糖结晶过程数据驱动模型对测试样本集的预测误差的示意图;
图14为以母液纯度为模型输出时,煮糖结晶过程数据驱动模型对测试样本集的预测结果的示意图;
图15为以母液纯度为模型输出时,煮糖结晶过程数据驱动模型对测试样本集的预测误差的示意图;
图16为以母液过饱和度为模型输出时,采用BP构建数据驱动模型的预测性能决定系数大小对比结果示意图;
图17为以母液过饱和度为模型输出时,采用RBF构建数据驱动模型的预测性能决定系数大小对比结果示意图;
图18为以母液过饱和度为模型输出时,采用ELM构建数据驱动模型的预测性能决定系数大小对比结果示意图;
图19为以母液过饱和度为模型输出时,采用SVR构建数据驱动模型的预测性能决定系数大小对比结果示意图;
图20为以母液过饱和度为模型输出时,采用LSSVR构建数据驱动模型的预测性能决定系数大小对比结果示意图;
图21为以母液过饱和度为模型输出时,采用TSVR构建数据驱动模型的预测性能决定系数大小对比结果示意图;
图22为以母液纯度为模型输出时,采用BP构建数据驱动模型的预测性能决定系数大小对比结果示意图;
图23为以母液纯度为模型输出时,采用RBF构建数据驱动模型的预测性能决定系数大小对比结果示意图;
图24为以母液纯度为模型输出时,采用ELM构建数据驱动模型的预测性能决定系数大小对比结果示意图;
图25为以母液纯度为模型输出时,采用SVR构建数据驱动模型的预测性能决定系数大小对比结果示意图;
图26为以母液纯度为模型输出时,采用LSSVR构建数据驱动模型的预测性能决定系数大小对比结果示意图;
图27为以母液纯度为模型输出时,采用TSVR构建数据驱动模型的预测性能决定系数大小对比结果示意图;
图28为本发明实施例的用于煮糖结晶的数据测量装置的结构示意图;
图29为本发明所述的煮糖结晶过程智能集成测控系统的硬件架构示意图;
图30为本发明所述的煮糖结晶过程智能集成测控系统的多任务进程管理器架构图;
图31为本发明所述的煮糖结晶过程智能集成测控系统的智能软测量组件架构图。
结合附图在其上标记以下附图标记:
1-搅拌机构,2-糖膏液位,3-糖膏锤度,4-入料流量,5-物料入口,6-冷凝水出口,7-真空蒸发,8-真空度,9-糖膏温度,10-蒸汽入口,11-蒸汽压力,12蒸汽温度。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
为了解决现有技术中存在的无法对煮糖结晶过程中的母液过饱和度和母液纯度等参数进行直接测量的技术问题,本发明提出了一种用于煮糖结晶的数据测量方法和装置。针对煮糖结晶过程母液过饱和度和母液纯度难以在线直接测量的问题,提出基于孪生支持向量回归机的煮糖结晶过程数据驱动模型的构建方法,通过实验验证该数据驱动建模方法的有效性和优越性。如图7所示为本发明实施例的煮糖结晶过程原理示意图。
随着软测量技术为代表的智能检测技术的不断发展,加上煮糖结晶过程母液过饱和度、纯度等关键参数难以通过传感器进行直接测量,煮糖结晶过程自动控制系统需要并能够集成具有智能性的检测单元,从而在煮糖结晶生产过程中实现对不易直接在线测量参数的在线检测。
实施例一
如图1所示,本发明的用于煮糖结晶的数据测量方法,包括:
步骤S101:选择构建煮糖结晶过程中软测量数据驱动模型的辅助变量,所述辅助变量为煮糖结晶过程中直接在线测量的状态参数;
直接在线测量的状态参数可以包括以下任意一种或几种:真空度、糖膏温度、糖膏液位、蒸汽压力、蒸汽温度、入料流量、糖膏锤度。
步骤S102:将所述辅助变量作为所述数据驱动模型的输入,将母液过饱和度、母液纯度作为所述数据驱动模型的输出,基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型;
步骤S103:计算预设的性能评价参数,根据所述性能评价参数对所述数据驱动模型的性能进行测试;
步骤S104:采集实时状态参数,根据所述数据驱动模型计算实时母液过饱和度、母液纯度。
本实施例提供的煮糖结晶过程数据测量方法,实现煮糖结晶过程的优化,优化结果可作为煮糖结晶过程优化控制的有力依据,从而提高煮糖工艺的自动化水平,降低人工劳动强度和生产成本。
以下对实施例一中步骤S101的过程进行详细说明
煮糖结晶过程关键参数及辅助变量选择:煮糖结晶过程中母液过饱和度、母液纯度的变化与煮糖过程环境密切相关,如真空度、糖膏温度、糖膏液位、蒸汽压力、蒸汽温度、入料流量、糖膏锤度等过程状态参数对母液过饱和度和母液纯度的变化均存在显著的影响,而这些过程状态参数均能够通过传感器设备进行在线测量。如表1所示为煮糖结晶过程数据驱动模型的输入与输出变量表。
表1
软测量辅助变量的选择方法主要有根据变量选择原则选择辅助变量、根据工业过程机理选择辅助变量、根据工艺流程选择辅助变量和根据专家经验选择辅助变量。而辅助变量数目的选取,应根据系统自由度和具体过程的特点来确定辅助变量的数目,以便使软测量能够更好地处理和反映过程的动态性等。因此,本发明将容易直接在线测量的真空度、糖膏温度、糖膏液位、蒸汽压力、蒸汽温度、入料流量、糖膏锤度等7个过程状态参数作为数据驱动模型的输入,以难以直接测量的母液过饱和度、母液纯度作为数据驱动模型的输出。
实施例二
如图2所示,优选的,在上述步骤S102中基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型之前还包括以下步骤:
步骤S201:根据所述输入和所述输出,构建数据样本集;
步骤S202:对所述数据样本集的输入进行归一化处理,对输出进行反归一化处理,并将处理后的数据样本集随机划分为训练样本集和测试样本集;
训练样本集的样本的输入值和输出值来自于离线数据库(即输入为历史数据:真空度、糖膏温度、糖膏液位、蒸汽压力、蒸汽温度、入料流量、糖膏锤度以及输出为历史数据:母液纯度和过饱和度通过仪器离线检测得到);测试样本集的样本输入来自于实时在线测量的输入数据:真空度、糖膏温度、糖膏液位、蒸汽压力、蒸汽温度、入料流量、糖膏锤度,输出通过在线软测量数据驱动模型预测得到。
步骤S203:根据所述训练样本集,基于粒子群优化算法和十折交叉验证方法对数据驱动模型进行寻优处理。
该实施例对构建数据驱动模型的准备工作进行了限定,为基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型提供了理论依据。
以下对实施例二中步骤S202的归一化处理过程进行详细说明
实际煮糖结晶过程中,辅助变量的测量数据的数量级存在较大的差异,数据量值并不在同一个数量级,因此需要对原始数据进行归一化处理(也即数据预处理过程),即对数据进行尺度变换,将软测量数据驱动模型的输入、输出样本数据变换到在[-1,1]区间内,以避免由于数据处于不同数量级引起的偏差。
数据预处理的方法通过式(1)将输入数据线性变换到[-1,1]区间内:
其中,xi为输入的数据样本,xmax为样本集的最大值,xmin为样本集的最小值,为归一化后的结果。
对应于输入数据采用的归一化处理,输出数据也需要进行反归一化处理。反归一化是归一化的逆运算,其形式为:
其中,yi为输出的数据样本,ymax为样本集的输出最大值,ymin为样本集的输出最小值,为输出数据反归一化后的结果。训练样本集和测试样本集之间是独立的,均具有ymax和ymin,分别需要进行反归一化处理,测试样本集的输出在经数据驱动模型预测得到后进行反归一化处理。
实施例三
本实施例是实施例一和实施例二的详细的数据测量过程,如图3所示,包括:
步骤S301:选择构建煮糖结晶过程中软测量数据驱动模型的辅助变量,所述辅助变量为煮糖结晶过程中直接在线测量的状态参数;
步骤S302:将所述辅助变量作为所述数据驱动模型的输入,将母液过饱和度、母液纯度作为所述数据驱动模型的输出;
步骤S303:根据所述输入和所述输出,构建数据样本集;
步骤S304:对所述数据样本集的输入进行归一化处理,对输出进行反归一化处理,并将处理后的数据样本集随机划分为训练样本集和测试样本集;
步骤S305:根据所述训练样本集,基于粒子群优化算法和十折交叉验证方法对数据驱动模型的关键参数进行寻优处理;
关键参数包括:惩罚因子C、核函数参数γ、以及不敏感损失函数系数ε。
步骤S306:基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型;
步骤S307:结合所述测试样本集,通过所述数据驱动模型判定所述测试样本集输入所对应的预测输出结果,即计算预设的性能评价参数,根据所述性能评价参数对所述数据驱动模型的性能进行测试。
步骤S308:采集实时状态参数,根据所述数据驱动模型计算实时母液过饱和度、母液纯度。
实施例四
本实施例对实施例二中步骤S203的寻优处理过程进行详细说明
由于煮糖结晶过程数据驱动模型的性能受到惩罚因子C、核函数参数γ、以及不敏感损失函数系数ε等参数的影响,针对该问题,研究煮糖结晶过程数据驱动模型参数寻优。本发明结合粒子群优化算法和十折交叉验证方法对煮糖结晶过程数据驱动模型参数进行寻优选择,以获取最优的惩罚因子、核函数参数、以及不敏感损失函数系数组合。惩罚因子C、核函数参数γ、以及不敏感损失函数系数ε的优化,本质上是从一个连续的数据范围内找出最佳组合的参数对,是一个连续化参数优化问题。
研究发现,鸟类被吸引到栖息地的过程如下:一开始每只鸟都没有特定的飞行目标,只是使用简单的规则确定自己的飞行方向和飞行速度(每只鸟都试图留在鸟群中而又不相互碰撞)当有一只鸟飞到栖息地时,它周围的鸟也会跟着飞向栖息地,这样,整个鸟群都会落在栖息地。粒子群算法是通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法。类似遗传算法等其他进化算法,也是基于“种群”和“进化”的概念。
其中,每个优化问题的潜在解看作是在D维搜索空间中没有质量和体积的粒子(即所有潜在解组成了粒子种群),所有粒子都有一个由被优化的函数决定的适应度(即十折交叉验证的结果作为适应度来评价初始种群个体,适应度最大为最优个体),还有一个速度决定它们飞行的方向和距离(速度表示在D维空间中粒子寻优的速率,位置表示在D维空间中每次寻优所得到最优解的位置)。每个粒子以一定的速度在解空间运动,并追随当前的最优粒子的解空间中搜索,并向最优位置聚集,实现对候选解的进化。
如图4所示,包括以下步骤:
步骤S401:设定所述状态参数的搜索范围,以及粒子种群的大小和最大迭代次数;每个输入数据或输出数据可以看做一个粒子。
状态参数即为真空度、糖膏温度、糖膏液位、蒸汽压力、蒸汽温度、入料流量、糖膏锤度中的一种或多种。
步骤S402:初始化种群,包括种群的大小、最大迭代次数、位置和速度;
步骤S403:随机产生粒子的位置和速度,所述粒子为所述训练样本集中的输入数据或输出数据;
步骤S404:归一化样本集,对样本集进行十折交叉验证;
步骤S405:将交叉验证结果作为粒子的初始适应度;
步骤S406:对初始种群个体作出评价,选出最优个体;
步骤S407:保存最优初始个体及其适应度;
步骤S408:以当前最优初始个体作为下一代种群个体,进行自定义次数的迭代;
步骤S409:迭代过程中,根据下式分别更新粒子的速度和位置
其中,v表示速度,x表示位置;i是组成种群的粒子个数,d是搜索空间的维度,1≤i≤N,1≤d≤D;k代表迭代次数;w是惯性权重因子,其值非负,值的大小影响整体寻优能力;c1和c2为加速系数,通常在0~2间取值;r1和r2是两个在[0,1]内变化的相对独立的随机数;其中,N是组成种群的粒子个数总数;D是搜索空间维度的最大值。
步骤S410:以当前的状态参数对样本集进行进行十折交叉验证;当前的状态参数指的是当前迭代得到的惩罚因子C、核函数参数γ、以及不敏感损失函数系数ε的组合。
步骤S411:将交叉验证结果作为粒子的个体适应度和全局适应度fitness(x);
步骤S412:迭代过程中,根据如下公式更新当前个体最优和群体最优;
其中,pi=(pi1,pi2,...,piD)是个体极值,粒子本身目前所找到的最优解;pg=(pg1,pg2,...,pgD)是全局极值,整个种群目前找到的最优解;fitness(x)为个体适应度和全局适应度函数;公式(5)用于更新个体最优,公式(6)用于更新全局最优。
步骤S413:如果满足迭代结束条件,则输出pg以及对应的适应度值,否则转向步骤S412。迭代结束条件是指迭代误差小于预先设定的迭代误差值,或达到最大循环次数。
步骤S414:保存最优个体及其适应度;
步骤S415:获得最优的惩罚因子C、核函数参数γ、以及不敏感损失函数系数ε。
实施例五
本发明以真空度、糖膏温度、糖膏液位、蒸汽压力、蒸汽温度、入料量、糖膏锤度等7个过程参数作为数据驱动模型的输入,母液过饱和度、母液纯度作为数据驱动模型的输出,基于孪生支持向量回归机构建煮糖结晶过程数据驱动模型,选择高斯径向基核函数作为数据驱动模型的核函数。
本实施例是对实施例三中步骤S306的基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型的过程进行详细说明。如图5所示,包括:
步骤S501:基于孪生支持向量机构建原始最优化方程为
其中,Y为训练样本的输出数据集,A为训练样本的输入数据集;ε1,ε2分别为不敏感上界回归和不敏感下界回归;e为[1,1,…1],e为单位行向量;K(A,AT)为核函数;w1、w2为权值,b1,b2为阈值;C1,C2>0,ε1,ε2≥0,为给定的参数;ξ,η为松弛向量。T表示矩阵转置,C1、C2分别是孪生支持向量回归机的2个目标方程的惩罚因子。
步骤S502:构建原始最优化方程的拉格朗日方程,将原始最优化方程转化为对偶方程为
其中,α、γ分别为拉格朗日乘子;H=[K(A,AT)e];f=Y-eε1;h=Y+eε1;
步骤S503:求解非线性煮糖结晶过程数据驱动模型的对偶方程,得到最优解;
步骤S504:利用下式获得原始最优化方程的最优解
其中,w1、w2为权值,b1、b2为阈值;
步骤S505:根据下式构造最终煮糖结晶过程数据驱动模型的目标回归函数
其中,
K(xT,AT)为核函数。x为自变量,A为训练样本的输入数据集;w1、w2为权值,b1、b2为阈值;f(x)为非线性回归目标函数。
步骤S506:生成并保存煮糖结晶过程的数据驱动模型。
实施例六
本实施例对基于孪生支持向量回归机的煮糖结晶过程数据驱动模型的构建方法进行详细说明,如图6所示,包括:
步骤S601:根据煮糖结晶过程数据驱动模型的输入与输出,构建数据样本集;
步骤S602:对样本集进行归一化处理,并随机划分为训练集和测试样本集;
步骤S603:基于粒子群优化算法对煮糖结晶过程数据驱动模型的参数进行寻优;
步骤S604:获取最优的惩罚因子、核函数参数、以及不敏感损失函数系数;
步骤S605:基于孪生支持向量机构建原始最优化方程为
步骤S606:构建原始最优化方程的拉格朗日方程,将原始最优化方程转化为对偶方程为
步骤S607:求解非线性煮糖结晶过程数据驱动模型的对偶方程,得到最优解;
步骤S608:利用下式获得原始最优化方程的最优解
步骤S609:根据下式构造最终煮糖结晶过程数据驱动模型的目标回归函数
步骤S610:生成并保存煮糖结晶过程的数据驱动模型。
步骤S611:结合测试样本集,通过模型判定测试样本输入所对应的预测输出结果。即计算预设的性能评价参数,根据所述性能评价参数对所述数据驱动模型的性能进行测试。
实施例七
本实施例对实施例一种步骤S103进行详细说明,也就是模型性能评价的过程。
在进行模型性能评价之前,需要定义相关的模型评价标准。假设yi代表第i个测试样本的实际值,代表第i个测试样本的预测值,代表实际测试样本的平均值,m代表测试样本个数,采用以下评价指标来对煮糖结晶过程数据驱动模型的性能进行评价。模型性能评价指标及计算公式如表2所示。
其中,下列参数越小(越接近于0)则模型性能越好:RMSE、MAE、MAPE、SSE、SST、SSE/SST;SSR越大,意味着回归函数从测试样本中获得较多的统计信息,模型性能更好;R2越接近1,模型拟合性能越好。
(1)RMSE:均方根误差,即对应每个测试样本的预测值与实际值之间的误差平方和的均值的平方根,一般用于评估回归系统的拟合标准差,是均方误差MSE的平方根,是回归预测问题中最常见的模型性能评价指标。
(2)MAE:平均绝对误差,是一个常用且流行的模型性能评价指标,常用于表达实际值与预测值之间的误差情况。
(3)MAPE:平均绝对百分比误差,也是一个常用且流行的模型性能评价指标,常用于表达实际值与预测值之间的误差情况。
(4)SSE:测试样本的预测误差平方总和,即对应每个测试样本的预测值与实际值之间的误差平方和。SSE反应了回归函数的拟合精度,SSE值越小,拟合精度越好。然而过小的SSE意味着出现了过拟合现象。
(5)SST:测试样本的均方偏差总和,即每个测试样本的预测值与实际数据平均值之间的偏差平方和,该指标反应了测试样本响应值的方差。
(6)SSR:测试样本预测值的平方方差和。SSR越大,意味着回归函数从测试样本中获得较多的统计信息。
(7)SSE/SST:SSE与SST的比值越小,意味着预测值与实际值也就越接近,但过小意味着过学习风险,学习风险指的是在机器学习中选择的假设(近似模型)与问题真实模型之间的误差。
(8)R2=SSR/SST:通常一个较小的SSE/SST会伴随着一个较大的SSR/SST的出现,SSR与SST的比值也称为决定系数R2,决定系数是数据驱动模型一个重要的性能评价指标,它是通过数据的变化来表征拟合的效果,其值范围一般为[0,1],决定系数R2越接近1,说明数据驱动模型中输入变量对输出变量的解释能力就越强,所构建的模型对数据的拟合就越好,也就是计算得出的输出数据与实际值越接近。
上述模型性能评价参数广泛应用于回归预测模型的性能评价,相应的计算公式如表2所示。这些模型性能评价指标主要是针对测试样本集而言的,而对于训练样本集的预测性能评价指标一般仅考虑均方根误差RMSE,训练集的RMSE越小代表所构建模型对于训练样本集而言模型性能是最佳的,但并不代表其具有很好的泛化性能,而需要通过测试样本集来验证所构建模型的泛化性能,即训练模型对新样本的适应能力。
表2
模型性能评价分析
为了证明惩罚因子C、核函数参数γ、以及不敏感损失函数系数ε等参数对煮糖结晶过程数据驱动模型具有显著的影响,本发明以母液纯度作为模型的输出为例,通过穷举法为惩罚因子、核函数参数、以及不敏感损失函数系数设置一定的参数范围来验证参数对模型性能的影响。
为了简化数据驱动模型参数的搜索,在数据驱动模型中设置C=C1=C2,γ=γ1=γ2,ε=ε1=ε2,C,γ,ε的值均从数据范围{2i|i=-9,-8,-7,…,10}中选择。图8、图9、图10、图11显示了参数C,γ,ε的值变化对煮糖结晶过程数据驱动模型性能的影响。如图8所示为惩罚因子C=2时,根据数据驱动模型预测的RMSE随γ、ε变化的示意图,如图9所示为惩罚因子C=100时,根据数据驱动模型预测的RMSE随γ、ε变化的示意图,如图10所示为γ=8时,根据数据驱动模型预测的RMSE随C、ε变化的示意图,如图11所示为ε=0.25时,根据数据驱动模型预测的RMSE随C、γ变化的示意图。
从图8、图9、图10、图11可以看出,参数的变化显著地影响着煮糖结晶过程数据驱动模型的预测效果。为了获得较好的模型性能,需要为煮糖结晶过程数据驱动模型选择合适的惩罚因子、核函数参数、以及不敏感损失函数系数,然而人工给定参数值并不能得到最优的数据驱动模型,因此,有必要对煮糖结晶过程数据驱动模型的参数进行寻优选择。
例如,本发明选择容量为212的数据样本作为煮糖结晶过程数据驱动模型的样本集,对样本集进行归一化处理后,将样本集随机排列并分为训练集和测试样本集,其中训练集为140个,测试样本集为72个。训练集用于模型参数寻优和数据驱动模型的构建,而测试样本集用于对构建好的煮糖结晶过程数据驱动模型进行验证测试及评价。
由于受到现有技术所限,煮糖结晶过程中母液过饱和度和母液纯度无法通过传感器设备进行在线测量。针对该问题,本发明将容易直接在线测量的真空度、糖膏温度、糖膏液位、蒸汽压力、蒸汽温度、入料流量、糖膏锤度等7个过程状态参数作为数据驱动模型的输入,以难以直接测量的母液过饱和度、母液纯度作为数据驱动模型的输出,结合孪生支持向量回归机构建煮糖结晶过程数据驱动模型,通过对煮糖结晶过程数据样本的学习与建模,实现煮糖结晶过程母液过饱和度和母液纯度的离线建模和在线测量,以软件代替硬件,用可直接通过传感器设备在线测量的参数对难以直接测量的母液过饱和度和母液纯度作出预测估计。
针对煮糖结晶过程数据驱动模型的惩罚因子C、核函数参数γ、以及不敏感损失函数系数ε等关键参数需要选择的问题,发明结合粒子群和十折交叉验证方法对数据驱动模型的参数进行寻优选择。设定寻优迭代次数为200,参数的寻优范围均设定为[0.001,1024],采用模型训练集的十折交叉验证结果(RMSE)作为适应度信息。经过200次迭代后,得到煮糖结晶过程数据驱动模型的最优参数寻优结果,如表3所示。所获得的最佳模型参数组合,能够使所构建的煮糖结晶过程数据驱动模型具有最佳的模型性能。
表3
经过寻优方法选择出最佳的惩罚因子C、核函数参数γ、以及不敏感损失函数系数ε之后,通过对煮糖结晶过程的训练样本集的学习,重新构建煮糖结晶过程数据驱动模型,并用测试样本集对煮糖结晶过程数据驱动模型进行仿真分析,以检验模型的性能。
如图12为以母液过饱和度为模型输出时,煮糖结晶过程数据驱动模型对测试样本集的预测结果的示意图,如图13所示为以母液过饱和度为模型输出时,煮糖结晶过程数据驱动模型对测试样本集的预测误差的示意图。如图14所示为以母液纯度为模型输出时,煮糖结晶过程数据驱动模型对测试样本集的预测结果的示意图,如图15所示为以母液纯度为模型输出时,煮糖结晶过程数据驱动模型对测试样本集的预测误差的示意图。表4给出了煮糖结晶过程数据驱动模型的性能评价结果,包括RMSE、MAE、MAPE、SSE、SSE/SST和R2,其中模型训练时间是指利用经过寻优得到的最佳模型参数进行模型构建时,对训练集学习训练所需要的CPU时间。
最后通过仿真分析,可以归纳得到以下结论:
(1)从表3可以看出,结合粒子群优化算法和十折交叉验证方法对煮糖结晶过程数据驱动模型中的惩罚因子C、核函数参数γ、以及不敏感损失函数系数ε等关键参数进行寻优选择,能够获得最佳参数组合,使煮糖结晶过程数据驱动模型具有最佳模型性能。
(2)从图12、图13、图14和图15可以看出,基于孪生支持向量回归机构建的煮糖结晶过程数据驱动模型,具有较好的预测效果,预测值能够较好地拟合实际值,预测误差波动较小,表明了基于TSVR(孪生支持向量回归机)的煮糖结晶过程数据驱动建模方法具有可行性,能够用可直接通过传感器设备在线测量的参数对难以直接测量的母液过饱和度和母液纯度作出预测估计。
表4
(3)如表4所示为基于孪生支持向量回归机的煮糖结晶过程数据驱动模型的性能表,从表4可以看出,基于孪生支持向量回归机的煮糖结晶过程数据驱动模型训练所耗的时间较少,其中母液过饱和度作为模型输出时,模型训练时间为0.1521s,母液纯度作为模型输出时,模型训练时间为0.1323s,表明了基于孪生支持向量回归机的煮糖结晶过程数据驱动模型具有较好的学习效率。
在RMSE、MAE、MAPE等性能评价指标上,基于孪生支持向量回归机的煮糖结晶过程数据驱动模型均具有较低的值,且具有较低的SSE/SST和较高的R2,R2值接近1,表明了基于孪生支持向量回归机的煮糖结晶过程数据驱动模型的学习性能不错,拟合优度好,适合用于煮糖结晶过程母液过饱和度和母液纯度的预测估计,为煮糖结晶过程关键参数的在线软测量提供一种新的方法。
与现有技术相比,本发明具有如下有益效果:
(1)如图16所示为以母液过饱和度为模型输出时,采用BP(Backpropagation algorithm,反向传播神经网络)构建数据驱动模型的预测性能决定系数大小对比结果示意图,如图17所示为以母液过饱和度为模型输出时,采用RBF(Radial basis function,径向基函数神经网络)构建数据驱动模型的预测性能决定系数大小对比结果示意图,如图18所示为以母液过饱和度为模型输出时,采用ELM(extreme learning machine,极限学习机)构建数据驱动模型的预测性能决定系数大小对比结果示意图。
如图19所示为以母液过饱和度为模型输出时,采用SVR(Support VectorRegression,支持向量回归机)构建数据驱动模型的预测性能决定系数大小对比结果示意图,如图20所示为以母液过饱和度为模型输出时,采用LSSVR(最小二乘支持向量回归机)构建数据驱动模型的预测性能决定系数大小对比结果示意图,如图21所示为以母液过饱和度为模型输出时,采用TSVR构建数据驱动模型的预测性能决定系数大小对比结果示意图。
如图22所示为以母液纯度为模型输出时,采用BP构建数据驱动模型的预测性能决定系数大小对比结果示意图,如图23所示为以母液纯度为模型输出时,采用RBF构建数据驱动模型的预测性能决定系数大小对比结果示意图,如图24所示为以母液纯度为模型输出时,采用ELM构建数据驱动模型的预测性能决定系数大小对比结果示意图。
如图25所示为以母液纯度为模型输出时,采用SVR构建数据驱动模型的预测性能决定系数大小对比结果示意图,如图26所示为以母液纯度为模型输出时,采用LSSVR构建数据驱动模型的预测性能决定系数大小对比结果示意图,如图27所示为以母液纯度为模型输出时,采用TSVR构建数据驱动模型的预测性能决定系数大小对比结果示意图。
从图16-图27可以看出,基于不同方法构建煮糖结晶过程数据驱动模型的决定系数R2的大小不同。很明显,本发明提出的方法具有最高的决定系数,表明基于孪生支持向量回归机构建的煮糖结晶过程数据驱动模型相比其他方法,具有更高的回归拟合效果和预测性能。
(2)如表5所示为以母液过饱和度为输出时,基于不同方法构建煮糖结晶过程数据驱动模型的性能对比结果。
如表6所示为以母液纯度为输出时,基于不同方法构建煮糖结晶过程数据驱动模型的性能对比结果。
表5
表6
从表5和表6可以看出,在RMSE、MAE、MAPE、SSE和SSE/SST等性能评价指标上,采用不同方法构建的数据驱动模型的性能评价结果不一样,BP、RBF、ELM等方法构建的数据驱动模型性能相比SVR和LS-SVR等方法构建的数据驱动模型性能较差,表明基于结构风险最小化的SVR和LS-SVR的泛化性能要比基于经验风险最小化的BP、RBF和ELM的泛化性能要好,体现SVR和LS-SVR等方法的优越性。
而本发明提出的方法相比BP、RBF、ELM、SVR和LS-SVR而言,RMSE、MAE、MAPE和SSE等性能指标值均最小,同时本发明提出的方法具有比其他方法更低的SSE/SST和更高的R2,表明本发明所述的方法相比其他方法具有更好的预测性能,对于测试样本集具有更好的泛化性能,体现本发明所述方法在模型性能上的优越性。
(3)从表5和表6可以看出,在模型学习训练的效率上,BP和RBF等方法构建的数据驱动的学习效率较差,而ELM、SVR和LS-SVR的效率表现较为出色。LS-SVR的学习效率要比SVR的学习效率更高,这是因为LS-SVR将SVR的二次规划求解问题转化为求解线性方程组,大大缩短了模型训练速度。而本发明提出方法TSVR相比SVR而言,具有更高的学习效率,这是因为TSVR将原始SVR的二次规划求解问题转变成两个较小规模的二次规划求解问题,且每个QPP问题所包含的约束数目仅是传统SVR的一半,使得SVR的模型训练速度大大提高,理论上计算复杂度仅为SVR的1/4,但由于仿真测试环境条件的约束限制,TSVR的实际学习效率虽然没有达到SVR的1/4,但总体而言,学习效率已经大大高于SVR。
本发明提出方法TSVR的学习效率相比LS-SVR而言稍微逊色,这是因为LS-SVR将二次规划求解问题转化为求解线性方程组,模型训练速度稍高。虽然TSVR的训练速度比LS-SVR略慢,但两者相差不大,况且TSVR的模型性能和预测效果要比LS-SVR的高,因此,本发明提出方法TSVR在模型构建速度上具有较高的优势。
实施例八
本发明还提出了一种用于煮糖结晶的数据测量装置,如图28所示,包括:
参数选择模块10,用于选择构建煮糖结晶过程中软测量数据驱动模型的辅助变量,所述辅助变量为煮糖结晶过程中直接在线测量的状态参数;
模型构建模块20,用于将所述辅助变量作为所述数据驱动模型的输入,将母液过饱和度、母液纯度作为所述数据驱动模型的输出,基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型;
模型评价模块30,用于计算预设的性能评价参数,根据所述性能评价参数对所述数据驱动模型的性能进行测试;
数据测算模块40,用于采集实时状态参数,根据所述数据驱动模型计算实时母液过饱和度、母液纯度。
还包括:
样本构建模块50,用于根据所述输入和所述输出,构建数据样本集;
样本划分模块60,用于对所述数据样本集的输入进行归一化处理,对输出进行反归一化处理,并将处理后的数据样本集随机划分为训练样本集和测试样本集;
参数寻优模块70,用于根据所述训练样本集,基于粒子群优化算法和十折交叉验证方法对数据驱动模型进行寻优处理。
本发明实施例的用于煮糖结晶的数据测量装置具有与其相对应的方法的全部有益技术效果。
优选的,所述直接在线测量的状态参数包括以下任意一种或几种:真空度、糖膏温度、糖膏液位、蒸汽压力、蒸汽温度、入料流量、糖膏锤度。
本发明还提出了一种煮糖结晶过程智能集成测控系统,包括硬件架构和软件架构两部分。所述硬件架构包括现场级、控制级和操作级三个部分。所述软件架构包括进程管理器、IO Server、数据管理调度单元、监视操作调度单元、数据服务接口和自定义功能组件。
所述自定义功能组件包括图像处理分析组件、智能软测量组件、过程先进控制组件、工艺复杂计算组件、事件与报警组件、过程分析组件、多维报表分析组件和数据导入导出组件。本发明为开展煮糖结晶过程数据驱动建模技术、混合建模技术等软测量技术以及相关实用控制策略的应用测试与优化提供了良好的研究平台,具有较强的扩展能力和通讯能力、智能化程度高、人机交互界面友好且易于操作的优点。
如图29,本发明实施例所述硬件架构包括现场级、控制级和操作级三个部分。所述现场级主要包括现场的测量仪表和执行机构,测量仪表主要对煮糖结晶过程的参数进行在线直接测量,执行机构负责煮糖结晶过程的入料、蒸汽、真空和搅拌的调节与控制。
所述控制级为下位机PLC控制系统,主要采用西门子S7系列可编程逻辑控制器及相关扩展模块。PLC控制系统对现场的测量仪表进行集中采集和处理,并负责执行上位机的控制指令,对执行机构进行控制。同时,PLC控制系统负责部署煮糖结晶过程的实用控制策略,实现相关工艺流程控制。通过采用模块化的设计,使得下位机PLC控制系统具有强大的扩展能力、通讯能力和逻辑运算能力。
所述操作级为上位机监控平台,主要用于监视、操作及控制煮糖结晶过程的自动控制操作,通过以可视化的动态监控画面、曲线、报表、报警等方式展示煮糖结晶过程的工艺流程操作及控制,人机交互界面友好,同时还可以进行系统组态和修改自动控制系统。
本发明所述软件架构包括进程管理器、IO Server、数据管理调度单元、监视操作调度单元、数据服务接口和自定义功能组件。所述自定义功能组件包括图像处理分析组件、智能软测量组件、过程先进控制组件、工艺复杂计算组件、事件与报警组件、过程分析组件、多维报表分析组件和数据导入导出组件。
所述进程管理器负责对煮糖结晶过程智能集成自动控制系统软件的所有进程进行管理,可以自定义添加需要的进程或者删除某一进程,统一管理所有进程的数据通讯和对接;所述IO Server集成了多种工业通用设备的驱动,如Modbus协议设备、PLC设备,能够与大多数通用工控设备或者第三方支持OPC规范的应用程序进行通讯;所述数据管理调度单元主要负责将煮糖结晶过程的海量生产数据进行存储、管理与调度;
所述监视操作调度单元是整个系统的关键与核心,主要负责对系统的流程操作进行管理与调度,具体包括系统组态、任务管理和操作配置等部分,以可视化的动态监控画面、曲线、报表、报警等方式展示煮糖结晶过程的工艺流程操作及控制,人机交互界面友好;所述数据服务接口作为自定义组件与监视操作调度单元和数据管理调度单元之间相互通讯的桥梁,可以支持远程访问和本地访问,满足工业现场的数据服务调用需求,常用数据服务接口形式主要有OPC接口、动态链接库DLL、DDE接口和API接口;
所述图像处理分析组件负责实时采集煮糖结晶过程的糖膏图像,通过对糖膏图像的分析和处理,从中提取糖膏颗粒的数量、大小、面积等特征信息;所述智能软测量组件通过结合机理建模和数据驱动建模方法,实现对煮糖结晶过程关键参数的在线软测量;所述过程先进控制组件结合先进控制理论和预测控制理论,实现煮糖结晶过程的多变量预测控制和非线性预测控制,优化煮糖结晶过程的控制策略,提高系统的控制性能和稳定性;
所述工艺复杂计算组件负责根据煮糖结晶过程的物料情况,计算各种物料的配比和使用情况,保证结晶过程的物料稳定,同时自适应调整煮糖过程的工艺,比如投粉起种煮糖、复种煮糖、抽种煮糖等不同方式的工艺优化;所述事件与报警组件负责获取系统运行的实时报警信息和历史报警信息,能够自定义报警规则、报警类型、报警处理等;所述过程趋势分析组件负责对煮糖结晶过程工艺数据进行趋势分析,包括实时趋势和历史趋势,提供多种类型的趋势显示方式和操作工具;
所述多维报表分析组件能够自动根据煮糖结晶过程工艺数据生成不同类型的报表,包括日报、周报、月报等,提供多维的查询方式,支持报表的不同格式导出功能;所述数据导入导出组件负责将过程的工艺数据导出至第三方数据库,如SQL、Oracle等,或者按不同格式存储至外部存储器,如Excel、PDF、CSV等,同时也可以将外部数据按照一定的数据格式导入到系统内部中。
本发明所述多任务进程管理器主要包括配置管理模块、进程操作模块和进程监视模块三大部分。如图30所示为本发明所述的煮糖结晶过程智能集成测控系统的多任务进程管理器架构图。
所述配置管理模块主要包括读取配置信息、保存配置信息、加载进程信息、修改进程信息和卸载进程信息等内容。当煮糖结晶过程智能集成测控系统需要添加相关组件时,可以通过加载进程信息加载到进程管理器中,同时可以对进程管理器重的任意组件进行修改,也可以对进程管理器重的任意组件进行卸载。进程管理器中的进程信息可以通过保存配置信息保存起来,当进程管理器下次启动运行时,可以通过读取配置信息将最近的所有进程信息统一加载到进程管理器中。
所述进程操作模块主要包括启动进程、结束进程、运行所有进程和结束所有进程等内容。通过进程操作模块可以对煮糖结晶过程智能集成测控系统的任意进程进行启动或者结束,也可以对煮糖结晶过程智能集成测控系统的所有进程进行运行或者结束。
所述进程监视模块主要包括启动进程监视和停止进程监视。进程监视的作用主要是监视进程的运行状态,当煮糖结晶过程智能集成测控系统的组件程序异常终止时,进程管理器能够自动重启该组件。通过进程监视模块可以人工对任意进程进行启动监视或者停止监视。
本发明所述上位机监控系统主界面用于监控整个煮糖过程工况,可实时显示整个煮糖过程测量工艺参数,并进行相应操作。不仅可以设定参数目标值、报警上下限、工艺配置等,还可以显示其操作动作状态,过程结果反应以及数据归档情况等信息。监控画面与操作室直接可实现同步手动/自动切换,以完成煮糖结晶过程的全自动监控。通过所述上位机监控界面,操作员可直观监视整个系统监测数据,以便正确快速地做出反应。所述上位机监控系统主要采用KingSCADA组态软件开发,可通过PLC设备驱动程序与下位机PLC模块进行通讯,完成过程测量参数的监测以及执行单元的控制。
如图31,本发明所述智能软测量组件包括数据获取及预处理模块、数据驱动建模模块、混合建模模块和界面管理模块等四大部分。所述数据获取及预处理模块主要包括OPC数据接口和数据库访问接口。智能软测量组件系统通过OPC数据接口可以从上位机监控平台的OPC服务器中实时获取煮糖结晶过程的实时工艺数据,同时也可以从上位机监控平台的工业历史数据库中获取煮糖结晶过程的历史工艺数据,获取到的数据统一进行归一化处理,以避免由于数据处于不同数量级引起的偏差。
所述数据驱动建模模块主要包括模型基本参数设置、模型参数寻优设置、数据驱动模型构建、数据驱动模型测试、过饱和度在线测量和纯度在线测量。利用数据接口模块获取到煮糖结晶过程的历史工艺数据后,进行归一化处理,并分为训练集和测试样本集,利用基于改进的孪生支持向量回归机构建煮糖结晶过程母液过饱和度和母液纯度的数据驱动模型,并结合粒子群优化算法和十折交叉验证方法对数据驱动模型的关键参数进行迭代寻优,获取最佳的数据驱动模型参数,从而得到最优的数据驱动模型,结合测试样本集对构建好的模型进行测试与评价。利用获取得到的煮糖结晶过程实时工艺数据对母液过饱和度和母液纯度进行在线预测估计。
所述混合建模模块主要包括混合模型参数设置、晶粒含量在线测量和晶体粒度分布在线测量。所述数据驱动建模模块对母液过饱和度和母液纯度进行在线预测估计的同时,结合简化机理模型实现煮糖结晶过程晶粒含量和晶体粒度分布的在线预测估计。所述界面管理模块包含图形显示和数据列表显示两个部分。图形显示是对煮糖结晶过程智能软测量组件的在线测量结构进行图表显示,从而直观判断模型的预测性能,同时也可以通过数据列表的方式显示最终的测量结果。
本发明能有多种不同形式的具体实施方式,上面以图1-图31为例结合附图对本发明的技术方案作举例说明,这并不意味着本发明所应用的具体实例只能局限在特定的流程或实施例结构中,本领域的普通技术人员应当了解,上文所提供的具体实施方案只是多种优选用法中的一些示例,任何体现本发明权利要求的实施方式均应在本发明技术方案所要求保护的范围之内。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于煮糖结晶的数据测量方法,其特征在于,包括:
步骤A:选择构建煮糖结晶过程中软测量数据驱动模型的辅助变量,所述辅助变量为煮糖结晶过程中直接在线测量的状态参数;
步骤B:将所述辅助变量作为所述数据驱动模型的输入,将母液过饱和度、母液纯度作为所述数据驱动模型的输出,基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型;
步骤C:计算预设的性能评价参数,根据所述性能评价参数对所述数据驱动模型的性能进行测试;
步骤D:采集实时状态参数,根据所述数据驱动模型计算实时母液过饱和度、母液纯度。
2.根据权利要求1所述的用于煮糖结晶的数据测量方法,其特征在于,在所述基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型之前还包括:
步骤E:根据所述输入和所述输出,构建数据样本集;
步骤F:对所述数据样本集的输入进行归一化处理,对输出进行反归一化处理,并将处理后的数据样本集随机划分为训练样本集和测试样本集;
步骤G:根据所述训练样本集,基于粒子群优化算法和十折交叉验证方法对数据驱动模型进行寻优处理。
3.根据权利要求1或2所述的方法,其特征在于,所述直接在线测量的状态参数包括以下任意一种或几种:
真空度、糖膏温度、糖膏液位、蒸汽压力、蒸汽温度、入料流量、糖膏锤度。
4.根据权利要求1或2所述的用于煮糖结晶的数据测量方法,其特征在于,所述对所述数据样本集的输入进行归一化处理,对输出进行反归一化处理包括:
根据下式将输入数据线性变换到[-1,1]区间内
其中,xi为输入的数据样本,xmax为样本集的输入最大值,xmin为样本集的输入最小值,为输入数据归一化后的结果;
根据下式将输出数据线性变换到[-1,1]区间内
其中,yi为输出的数据样本,ymax为样本集的输出最大值,ymin为样本集的输出最小值,为输出数据反归一化后的结果。
5.根据权利要求1或2所述的用于煮糖结晶的数据测量方法,其特征在于,所述步骤G具体包括:
步骤G1:设定所述状态参数的搜索范围,以及粒子种群的大小和最大迭代次数;
步骤G2:初始化种群,包括种群的大小、最大迭代次数、位置和速度;
步骤G3:随机产生粒子的位置和速度,所述粒子为所述训练样本集中的输入数据或输出数据;
步骤G4:归一化样本集,对样本集进行十折交叉验证;
步骤G5:将交叉验证结果作为粒子的初始适应度;
步骤G6:对初始种群个体作出评价,选出最优个体;
步骤G7:保存最优初始个体及其适应度;
步骤G8:以当前最优初始个体作为下一代种群个体,进行自定义次数的迭代;
步骤G9:迭代过程中,根据下式分别更新粒子的速度和位置
其中,v表示速度,x表示位置;i是组成种群的粒子个数,d是搜索空间的维度,1≤i≤N,1≤d≤D;k代表迭代次数;w是惯性权重因子,其值非负,值的大小影响整体寻优能力;c1和c2为加速系数,通常在0~2间取值;r1和r2是两个在[0,1]内变化的相对独立的随机数;其中,N是组成种群的粒子个数总数,D是搜索空间维度的最大值;
步骤G10:以当前的状态参数对样本集进行进行十折交叉验证;
步骤G11:将交叉验证结果作为粒子的个体适应度和全局适应度fitness(x);
步骤G12:迭代过程中,根据如下公式更新当前个体最优和群体最优;
其中,pi=(pi1,pi2,...,piD)是个体极值,粒子本身目前所找到的最优解,pg=(pg1,pg2,...,pgD)是全局极值,整个种群目前找到的最优解;fitness(x)为个体适应度和全局适应度函数;
步骤G13:如果满足迭代结束条件,则输出pg以及对应的适应度值,否则转向步骤G2,迭代结束条件是指迭代误差小于预先设定的迭代误差值,或达到最大循环次数。
步骤G14:保存最优个体及其适应度;
步骤G15:获得最优的惩罚因子C、核函数参数γ、以及不敏感损失函数系数ε。
6.根据权利要求1或2所述的用于煮糖结晶的数据测量方法,其特征在于,所述步骤B中基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型具体包括:
步骤B1:基于孪生支持向量机构建原始最优化方程为
其中,Y为训练样本的输出数据集,A为训练样本的输入数据集;ε1,ε2分别为不敏感上界回归和不敏感下界回归;e为[1,1,…1],e为单位行向量;K(A,AT)为核函数;w1、w2为权值,b1,b2为阈值;C1,C2>0,ε1,ε2≥0,为给定的参数;ξ,η为松弛向量,T表示矩阵转置,C1、C2分别是孪生支持向量回归机的2个目标方程的惩罚因子;
步骤B2:构建原始最优化方程的拉格朗日方程,将原始最优化方程转化为对偶方程
其中,α、γ分别为拉格朗日乘子;H=[K(A,AT) e];f=Y-eε1;h=Y+eε1;
步骤B3:求解非线性煮糖结晶过程数据驱动模型的对偶方程,得到最优解;
步骤B4:利用下式获得原始最优化方程的最优解
其中, w1、w2为权值,b1、b2为阈值;
步骤B5:根据下式构造最终煮糖结晶过程数据驱动模型的目标回归函数
其中,
K(xT,AT)为核函数,x为自变量,A为训练样本的输入数据集;w1、w2为权值,b1、b2为阈值;f(x)为非线性回归目标函数;
步骤B6:生成并保存煮糖结晶过程的数据驱动模型。
7.根据权利要求1或2所述的用于煮糖结晶的数据测量方法,其特征在于,所述步骤C具体包括:
根据以下评价指标中的任意一个多个对煮糖结晶过程数据驱动模型的性能进行评价,
均方根误差
平均绝对误差
平均绝对百分比误差
测试样本的预测误差平方总和
测试样本的均方偏差总和
测试样本预测值的平方方差和
SSE与SST的比值
决定系数
其中,yi代表第i个测试样本的实际值,代表第i个测试样本的预测值,代表实际测试样本的平均值,m代表测试样本个数。
8.一种用于煮糖结晶的数据测量装置,其特征在于,包括:
参数选择模块,用于选择构建煮糖结晶过程中软测量数据驱动模型的辅助变量,所述辅助变量为煮糖结晶过程中直接在线测量的状态参数;
模型构建模块,用于将所述辅助变量作为所述数据驱动模型的输入,将母液过饱和度、母液纯度作为所述数据驱动模型的输出,基于孪生支持向量回归机构建煮糖结晶过程的数据驱动模型;
模型评价模块,用于计算预设的性能评价参数,根据所述性能评价参数对所述数据驱动模型的性能进行测试;
数据测算模块,用于采集实时状态参数,根据所述数据驱动模型计算实时母液过饱和度、母液纯度。
9.根据权利要求8所述的用于煮糖结晶的数据测量装置,其特征在于,还包括:
样本构建模块,用于根据所述输入和所述输出,构建数据样本集;
样本划分模块,用于对所述数据样本集的输入进行归一化处理,对输出进行反归一化处理,并将处理后的数据样本集随机划分为训练样本集和测试样本集;
参数寻优模块,用于根据所述训练样本集,基于粒子群优化算法和十折交叉验证方法对数据驱动模型进行寻优处理。
10.根据权利要求8或9所述的用于煮糖结晶的数据测量装置,其特征在于,所述直接在线测量的状态参数包括以下任意一种或几种:
真空度、糖膏温度、糖膏液位、蒸汽压力、蒸汽温度、入料流量、糖膏锤度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510248721.9A CN104991037B (zh) | 2015-05-15 | 2015-05-15 | 一种用于煮糖结晶的数据测量方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510248721.9A CN104991037B (zh) | 2015-05-15 | 2015-05-15 | 一种用于煮糖结晶的数据测量方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104991037A true CN104991037A (zh) | 2015-10-21 |
CN104991037B CN104991037B (zh) | 2016-06-22 |
Family
ID=54302876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510248721.9A Active CN104991037B (zh) | 2015-05-15 | 2015-05-15 | 一种用于煮糖结晶的数据测量方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104991037B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105388759A (zh) * | 2015-12-04 | 2016-03-09 | 广西大学 | 煮糖结晶过程多目标优化与数据驱动控制方法 |
CN105488530A (zh) * | 2015-11-30 | 2016-04-13 | 广西大学 | 基于序贯极限学习机的煮糖结晶过程控制方法 |
CN106191322A (zh) * | 2016-08-19 | 2016-12-07 | 广西宏智科技有限公司 | 间歇煮糖自动控制系统 |
CN108566255A (zh) * | 2018-03-20 | 2018-09-21 | 西安电子科技大学 | 基于多任务学习的时间相关mimo系统信道预测方法 |
CN110703594A (zh) * | 2018-07-09 | 2020-01-17 | 西安英特迈思信息科技有限公司 | 一种航空发动机多变量孪生支持向量机的健康预测方法 |
CN113956302A (zh) * | 2021-11-15 | 2022-01-21 | 天津信诚康达药业有限公司 | 一种药用蔗糖的重结晶方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003247926A (ja) * | 2002-02-27 | 2003-09-05 | Sumitomo Chem Co Ltd | 有機化合物粉体の固結状態の定量的測定評価方法 |
CN1632513A (zh) * | 2004-12-28 | 2005-06-29 | 温武才 | 煮糖糖液浓度和过饱和度在线自动检测系统 |
CN101038277A (zh) * | 2007-04-19 | 2007-09-19 | 东北大学 | 基于最小二乘-支持向量机的制粉过程煤粉细度软测量方法 |
CN201218795Y (zh) * | 2008-05-27 | 2009-04-08 | 昆明理工大学 | 粘度在线测量装置 |
CN102505048A (zh) * | 2011-11-01 | 2012-06-20 | 广西大学 | 甘蔗煮糖过程开放式智能监控综合实验平台 |
CN202297609U (zh) * | 2011-11-01 | 2012-07-04 | 广西大学 | 甘蔗煮糖过程开放式智能监控综合实验平台 |
CN103323484A (zh) * | 2013-07-08 | 2013-09-25 | 广西大学 | 甘蔗煮糖过程结晶状态预测方法 |
CN103500281A (zh) * | 2013-10-08 | 2014-01-08 | 广西大学 | 一种煮糖结晶过程非线性系统建模方法 |
CN203606346U (zh) * | 2013-11-21 | 2014-05-21 | 沈阳大学 | 一种糖液过饱和度软测量装置 |
-
2015
- 2015-05-15 CN CN201510248721.9A patent/CN104991037B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003247926A (ja) * | 2002-02-27 | 2003-09-05 | Sumitomo Chem Co Ltd | 有機化合物粉体の固結状態の定量的測定評価方法 |
CN1632513A (zh) * | 2004-12-28 | 2005-06-29 | 温武才 | 煮糖糖液浓度和过饱和度在线自动检测系统 |
CN101038277A (zh) * | 2007-04-19 | 2007-09-19 | 东北大学 | 基于最小二乘-支持向量机的制粉过程煤粉细度软测量方法 |
CN201218795Y (zh) * | 2008-05-27 | 2009-04-08 | 昆明理工大学 | 粘度在线测量装置 |
CN102505048A (zh) * | 2011-11-01 | 2012-06-20 | 广西大学 | 甘蔗煮糖过程开放式智能监控综合实验平台 |
CN202297609U (zh) * | 2011-11-01 | 2012-07-04 | 广西大学 | 甘蔗煮糖过程开放式智能监控综合实验平台 |
CN103323484A (zh) * | 2013-07-08 | 2013-09-25 | 广西大学 | 甘蔗煮糖过程结晶状态预测方法 |
CN103500281A (zh) * | 2013-10-08 | 2014-01-08 | 广西大学 | 一种煮糖结晶过程非线性系统建模方法 |
CN203606346U (zh) * | 2013-11-21 | 2014-05-21 | 沈阳大学 | 一种糖液过饱和度软测量装置 |
Non-Patent Citations (1)
Title |
---|
蒙艳玫等: "煮糖过程糖液过饱和度在线软测量系统的研究", 《广西大学学报:自然科学版》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488530A (zh) * | 2015-11-30 | 2016-04-13 | 广西大学 | 基于序贯极限学习机的煮糖结晶过程控制方法 |
CN105388759A (zh) * | 2015-12-04 | 2016-03-09 | 广西大学 | 煮糖结晶过程多目标优化与数据驱动控制方法 |
CN105388759B (zh) * | 2015-12-04 | 2018-04-20 | 广西大学 | 煮糖结晶过程多目标优化与数据驱动控制方法 |
CN106191322A (zh) * | 2016-08-19 | 2016-12-07 | 广西宏智科技有限公司 | 间歇煮糖自动控制系统 |
CN108566255A (zh) * | 2018-03-20 | 2018-09-21 | 西安电子科技大学 | 基于多任务学习的时间相关mimo系统信道预测方法 |
CN110703594A (zh) * | 2018-07-09 | 2020-01-17 | 西安英特迈思信息科技有限公司 | 一种航空发动机多变量孪生支持向量机的健康预测方法 |
CN113956302A (zh) * | 2021-11-15 | 2022-01-21 | 天津信诚康达药业有限公司 | 一种药用蔗糖的重结晶方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104991037B (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104991037B (zh) | 一种用于煮糖结晶的数据测量方法和装置 | |
CN104991984A (zh) | 一种用于煮糖结晶的数据监测方法和系统 | |
Meng et al. | Data-driven soft sensor modeling based on twin support vector regression for cane sugar crystallization | |
US7599897B2 (en) | Training a support vector machine with process constraints | |
Jalem et al. | An efficient rule-based screening approach for discovering fast lithium ion conductors using density functional theory and artificial neural networks | |
Liu et al. | Improved nonlinear PCA for process monitoring using support vector data description | |
Jia et al. | Transfer learning for end-product quality prediction of batch processes using domain-adaption joint-Y PLS | |
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
CA2689246C (en) | Monitoring methods and apparatus | |
JP2024524784A (ja) | 遠隔制御装置のための監視管理システム | |
WO2022098601A1 (en) | Autonomous fluid management using fluid digital twins | |
Himmel et al. | Machine learning for process control of (bio) chemical processes | |
Courtès et al. | Reduced modelling and optimal control of epidemiological individual‐based models with contact heterogeneity | |
JP7060130B1 (ja) | 運用支援装置、運用支援方法及びプログラム | |
Zhang et al. | Hurdle modeling for defect data with excess zeros in steel manufacturing process | |
Meng et al. | Design and implementation of intelligent integrated measuring and controlling system for sugar cane crystallization process | |
Xie et al. | Sequential Importance Sampling for Hybrid Model Bayesian Inference to Support Bioprocess Mechanism Learning and Robust Control | |
CN113609772B (zh) | 基于卷积准循环神经网络的水泥成品比表面积预测方法 | |
CN103472729A (zh) | 群智的农药废液焚烧炉有害物排放达标控制系统及方法 | |
CN103472727A (zh) | 群智加权的农药焚烧炉有害物排放达标控制系统及方法 | |
Zhao et al. | Synergizing Machine Learning with ACOPF: A Comprehensive Overview | |
WO2022102213A1 (ja) | 制御装置及び制御方法 | |
Vries | Estimation and prediction of convection-diffusion-reaction systems from point measurements | |
National Academies of Sciences, Engineering, and Medicine | New Control Approaches to Enable Quality Assurance and Process Capability | |
Huang | Data-Driven and Physics-Based Modeling and Optimization for Smart Systems |
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 |