CN105353607B - 一种由数据差异驱动的间歇过程自学习动态优化方法 - Google Patents

一种由数据差异驱动的间歇过程自学习动态优化方法 Download PDF

Info

Publication number
CN105353607B
CN105353607B CN201510834482.5A CN201510834482A CN105353607B CN 105353607 B CN105353607 B CN 105353607B CN 201510834482 A CN201510834482 A CN 201510834482A CN 105353607 B CN105353607 B CN 105353607B
Authority
CN
China
Prior art keywords
variable
data
mrow
batch
mtd
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.)
Active
Application number
CN201510834482.5A
Other languages
English (en)
Other versions
CN105353607A (zh
Inventor
栾小丽
王志国
刘飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN201510834482.5A priority Critical patent/CN105353607B/zh
Priority to US15/566,902 priority patent/US10254729B2/en
Priority to PCT/CN2015/096377 priority patent/WO2017088208A1/zh
Publication of CN105353607A publication Critical patent/CN105353607A/zh
Application granted granted Critical
Publication of CN105353607B publication Critical patent/CN105353607B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32077—Batch control system

Abstract

本发明公布了一种由数据差异驱动的间歇过程自学习动态优化方法，包括离线采集生产过程数据，PCA运算剔除奇异批次，构造时段和指标方差矩阵进行PLS运算生成初始优化策略，采集新批次数据，运行递归算法，更新优化策略等步骤。本发明利用摄动法建立优化变量设定曲线的初始优化策略。在此基础之上，基于数据统计差异量对均值和标准差进行自学习迭代更新，实现优化指标的持续改进，为解决实际工业问题的间歇过程优化策略提供了新的方法。本发明完全基于生产过程的操作数据，不需要过程机理的先验知识和机理模型。适用于包括间歇反应器、间歇精馏塔、间歇干燥、间歇发酵，间歇结晶及其它采用间歇方式操作的过程和系统的操作轨线动态优化。

Description

一种由数据差异驱动的间歇过程自学习动态优化方法
技术领域
本发明属于化工流程制造业领域，是一种涉及由数据差异驱动的无模型间歇过程自学习动态优化方法。本方法适用于包括间歇反应器、间歇精馏塔、间歇干燥、间歇发酵，间歇结晶以及其它采用间歇方式操作的过程和系统的操作轨线动态优化。
背景技术
间歇过程被广泛应用于食品、聚合物、药品等多种产品的生产和制备上，在化工生产以及流程工业中占有重要的地位。伴随着计算机技术、过程控制和优化技术的持续发展，间歇过程的质量控制与优化成为了当前工业界和学术界研究的热点之一，对间歇过程工业的发展有着重要意义。
目前大多数间歇过程的质量控制与优化问题，都采用基于机理模型的优化方法。它具有较高的优化效率，可以用于在线控制与优化，然而它必须依赖于复杂的过程模型进行。间歇过程的柔性决定了加工产品随时可能发生改变，且不具备辨识模型所需的大量实验和时间条件。同时间歇过程的非线性、不确定性及干扰都较连续过程更为严重，这给建立间歇过程精准可靠的机理模型带来了很多问题。
基于数据驱动的优化方法无需过程的先验知识，具有明显优势。但对间歇生产过程进行操作优化时，如果仅进行一次优化，优化性能具有局限性。因此如何利用间歇过程的重复特性，根据历史批次的信息，通过迭代算法更新当前批次优化变量的轨线，从而持续改进质量指标，提高生产效率，成为间歇过程优化领域亟待解决的难点和焦点。
发明内容
本发明涉及一种针对间歇过程的由数据差异驱动的无模型自学习动态优化方法，利用摄动法建立优化变量设定曲线的初始优化策略。
本发明为实现上述目的，采用如下技术方案：
一种针对间歇过程的基于数据差异驱动的无模型自学习动态优化方法，完全基于生产过程的操作数据，不需要过程机理的先验知识和机理模型。
本方法包括两个部分。第一部分是初始数据收集和初始优化策略的建立。第二部分是建立在新批次数据基础上的自学习算法和计算步骤。
初始数据收集和初始优化策略的建立步骤如下：
步骤一：针对操作完整的间歇过程，按批次收集待优化变量和最终质量或产率指标数据。数据的收集时间间隔可以是等时间间隔或非等时间间隔，在一个时间间隔内，过程的待优化变量没有显著变化，或它的变化不会对最终质量或产率指标有显著影响。一般要求20-30组有效数据。
步骤二：对所采集的数据，按批次为变量进行主元分析并在主元模式图中剔除奇异点，使得所有数据点在一个可信度之内。
步骤三：将剔除奇异点后的操作数据在时间轴上等间隔划分或不等间隔划分成N段。
步骤四：将每一个间隔所包含的各批次数据表达为一个连续变量Ci,i＝1,2,…N，这些变量被称为分解后的时段变量。时段变量的值由待优化变量在一个特定时间区间的各个批次数据所组成。由多批次时段变量构成的数据矩阵称为时段变量矩阵，记为Lp×N，p是批次数。
步骤五：将步骤四中所对应的每个批次质量或收率指标，称为指标变量Yp×1。指标变量的值是由p个批次最终质量或收率形成的连续变量。
步骤六：根据步骤四和步骤五中形成的时段变量矩阵Lp×N和指标变量Yp×1，分别计算协方差矩阵SLL和联合协方差矩阵SLY。
步骤七：对协方差矩阵SLL和联合协方差矩阵SLY做主元分析并得到PLS系数向量Fi,i＝1,2,…N。
步骤八：对步骤七中的PLS系数变量元素，按符号大小进行分类，定义作用符号如下：
其中e是对噪声的阈值限定，sign(i)是第i个时段对应的PLS系数符号。
步骤九：计算出各个时段变量的均值和标准差。按以下摄动量计算公式建立已采集批次数据各时段变量的优化策略：
Ji＝Mi+signi×3σi
此处的Ji，Mi和σi分别是第i个时段变量的优化目标值，均值和标准差。
步骤十：将步骤九中所得各时段的优化目标值，按时段顺序i＝1,2,…N组合成一条针对整个批次过程的新优化变量曲线。
上述初始优化策略建立后，将作为自学习算法的初始值。建立在新批次数据基础上的自学习算法和计算步骤如下：
步骤十一：收集新批次的时段变量Ci(k+1),i＝1,2,…N和指标变量数据Y(k+1)，利用以下递归公式，计算更新协方差矩阵SLL(k+1)和联合协方差矩阵SLY(k+1)：
SLL(k+1)＝λSLL(k)+C(k+1)TC(k+1)
SLY(k+1)＝λSLY(k)+C(k+1)TY(k+1)
其中C(k+1)＝[C1(k+1),C2(k+1)…CN(k+1)]，0＜λ＜1是对现有协方差矩阵的遗忘因子。当λ＝1时，代表没有数据从旧的协方差矩阵中去除。
步骤十二：对协方差矩阵SLL(k+1)和联合协方差矩阵SLY(k+1)做主元分析并得到PLS系数向量Fi(k+1)。
步骤十三：利用如下递归公式，计算新批次数据下各时段变量的均值和标准差：
Mi(k+1)＝Mi(k)+[Ci(k+1)-Mi(k)]/(k+1)
σi(k+1)＝σi(k)+[Ci(k+1)-Mi(k)]×[Ci(k+1)-Mi(k+1)]
步骤十四：按步骤九中的摄动量公式计算新批次数据下各时段变量的优化目标值。
步骤十五：将步骤十四中所得各时段的优化目标值，按时段顺序i＝1,2,…N结合构成一个新的优化变量曲线。
判断是否有新数据更新。有新数据转步骤十一，继续做自学习更新运算。否则结束学习过程。
在以上步骤十五中所建立的优化变量曲线，一般地需要其进行数字滤波，使得新的优化曲线比较光滑，易于跟踪控制。
本发明利用摄动法建立优化变量设定曲线的初始优化策略。在此基础之上，基于数据统计差异量对均值和标准差进行自学习迭代更新，实现优化指标的持续改进，为解决实际工业问题的间歇过程优化策略提供了新的方法。本发明完全基于生产过程的操作数据，不需要过程机理的先验知识和机理模型。
附图说明
图1为一个间歇过程的温度操作曲线图。
图2为间歇过程温度为优化变量的主元模式图。
图3为时段变量的示例图。
图4为时段变量的PLS系数示例图。
图5为优化目标变量曲线的计算图。
图6为本发明递归计算过程框图。
图7为优化的温度曲线和原始温度曲线的比较图。
图8为滤波前后的优化曲线图。
图9为自学习优化策略和初始优化策略对原始操作结果比较图。
具体实施方式
本例以一个间歇结晶过程为例，所述方法不构成本发明的范围限制。
本方法分为三个部分。第一部分为数据收集和预处理。第二部分是计算初始优化策略。第三部分是在取得更新批次数据的基础上，进行递归优化策略的计算。
本方法实施步骤框图如图6所示，具体实施步骤和算法如下：
步骤1：针对操作完整的间歇结晶过程，选择与产品收率密切相关的温度操作曲线作为待优化变量，按批次收集35组温度变量以及最终产率指标数据。数据的收集时间间隔为1分钟。图1是一个间歇结晶过程的温度曲线示例(局部)。
步骤2：对采集的所有批次的温度数据，按批次温度变量进行主元分析并在主元模式图中剔除奇异点，使得所有数据点在一个可信度之内。图2是一个间歇过程，温度为优化变量的主元模式图，从图中可以看出，右下角有一个批次的模式和其它所有点都有很大距离，应剔除这个批次数据。
步骤3：将剩余34个批次的温度数据在时间轴上等间隔划分为221个时段，形成时段变量C1,C2…C221。为清晰起见，图3给出了C40到C70的时段变量。
步骤4：用多批次时段变量构成时段变量矩阵L34×221，和指标变量Y34×1。
步骤5：用步骤4中形成的时段变量矩阵L和指标变量Y，分别计算协方差矩阵SLL和联合协方差矩阵SLY。
步骤6：对协方差矩阵SLL和联合协方差矩阵SLY做主元分析并得到PLS系数向量F221。图4是一个有221个时段变量的PLS系数图。
步骤7：对步骤6中的PLS系数变量元素，定义如下作用符号：
其中e是对噪声的阈值限定，此处取为e＝0.01。
步骤8：计算出各个时段变量的均值和标准差，并按以下摄动量公式计算已采集批次数据各时段变量的优化目标值：
Ji＝Mi+signi×3σi
此处的Ji，Mi和σi分别是第i个时段变量的优化目标值，均值和标准差。
步骤9：将步骤8中所得各时段的优化目标值，按时段顺序i＝1,2,…221构成一个优化变量曲线。图5是一个建立优化目标变量曲线的示例。如图5所示，当i＝40时，均值M40＝159.687，标准差σ40＝0.577，F40＝0.000149，sign40＝0，所得优化策略为J40＝159.687；当i＝45时，均值M45＝170.26，标准差σ45＝0.416，F45＝-0.046091，sign45＝-1，所得优化策略为J45＝169.020。
将以上批次数据建立的优化策略，作为新批次数据递归学习的初始值。
建立在新批次数据基础上的递归自学习算法和计算步骤如下：
步骤10：收集新一批次数据的时段变量Ci(k+1),i＝1,2,…N和指标变量数据Y(k+1)，此处k＝35。
利用以下递归自学习归公式，对协方差矩阵SLL(k+1)和联合协方差矩阵SLY(k+1))进行更新：
SLL(k+1)＝λSLL(k)+C(k+1)TC(k+1)
SLY(k+1)＝λSLY(k)+C(k+1)TY(k+1)
其中k＝35,36,…，C(k+1)＝[C1(k+1),C2(k+1)…CN(k+1)]，0＜λ＜1是对现有协方差矩阵的遗忘因子。当λ＝1时，代表没有数据从旧的协方差矩阵中去除。本例中为保留所有批次信息，取λ＝1。
步骤11：对协方差矩阵SLL(k+1)和联合协方差矩阵SLY(k+1)做主元分析并得到PLS系数向量Fi(k+1)。
步骤12：利用以下递归自学习公式，计算新批次数据下各时段变量的均值和标准差：
Mi(k+1)＝Mi(k)+[Ci(k+1)-Mi(k)]/(k+1)
σi(k+1)＝σi(k)+[Ci(k+1)-Mi(k)]×[Ci(k+1)-Mi(k+1)]
在本例中，当i＝40时，原始35批数据的均值M40(35)＝159.687，标准差σ40(35)＝0.577，新一批数据更新后的均值M40(36)＝159.772，标准差σ40(36)＝0.585；当i＝45时，原始35批数据的均值M45(35)＝170.26，标准差σ45(35)＝0.416，新一批数据更新后的均值M45(36)＝170.336，标准差σ45(36)＝0.510。
步骤13：根据上述步骤计算所得更新后的时段变量的均值和标准差，按照步骤8中的摄动量计算公式获取各时段变量的优化目标值。如i＝40时，均值M40＝159.772，标准差σ40＝0.585，F40＝-0.008856，所得优化策略为J40＝159.772；当i＝45时，均值M45＝170.336，标准差σ45＝0.510，F40＝-0.04199，所得优化策略为J40＝168.832。
步骤14：将步骤13中所得各时段的优化目标值，按时段顺序i＝1,2,…221构成一个更新的优化变量曲线。
判断是否有新数据更新。有新数据转步骤10，做自学习递归运算，否则结束计算过程。本例中，有15批新数据，此递归算法连续计算15次后，即k＝49，终止递归计算。
在以上步骤14中所建立的优化变量曲线，一般地需要将其进行数字滤波，使得新的优化曲线比较光滑，易于跟踪控制。图7是优化曲线和原始曲线的比较。图8是滑动平均滤波前后的优化曲线的示例。
为说明本发明方法的有效性，图9是一个间歇结晶过程的优化结果示例。35组批次生产数据作为初始优化的驱动数据，15组批次数据作为递归更新数据。收率从未施加优化策略前的90.80％增加到初始优化策略92.81％，最终经过自学习优化策略，收率增长到95.51％。

Claims (4)

1.一种由数据差异驱动的间歇过程自学习动态优化方法，其特征在于包括下述步骤：
(1)针对操作完整的间歇过程，按批次收集待优化变量和最终质量，或按批次收集待优化变量和收率指标；
(2)对所述步骤(1)中采集的数据，以批次为变量进行主元分析并在主元模式图中剔除奇异点，使得所有数据点在一个可信度之内；
(3)将剔除奇异点后的操作数据在时间轴上间隔划分成N段；将每一个时间间隔所包含的各批次数据表达为一个连续变量Ci,i＝1,2,…N，这些变量被称为时段变量；所述时段变量的值由待优化变量在一个特定时间区间的各个批次数据所组成；由多批次时段变量构成的数据矩阵称为时段变量矩阵，记为Lp×N，p是批次数；
(4)将步骤(3)中所对应的每个批次质量或收率指标，称为指标变量Yp×1；所述指标变量的值是由p个批次最终质量或收率形成的连续变量；
(5)根据步骤(3)和步骤(4)中形成的时段变量矩阵Lp×N和指标变量Yp×1，分别计算协方差矩阵SLL和联合协方差矩阵SLY；
(6)对协方差矩阵SLL和联合协方差矩阵SLY做主元分析并得到PLS系数向量Fi,i＝1,2,…N；
(7)对步骤(6)中的PLS系数变量元素，按符号大小进行分类，定义作用符号如下：
<mrow> <mi>s</mi> <mi>i</mi> <mi>g</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = "}"> <mtable> <mtr> <mtd> <mrow> <mo>+</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <msub> <mi>F</mi> <mi>i</mi> </msub> <mo>&amp;GreaterEqual;</mo> <mi>e</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mrow> <mo>|</mo> <msub> <mi>F</mi> <mi>i</mi> </msub> <mo>|</mo> </mrow> <mo>&lt;</mo> <mi>e</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <msub> <mi>F</mi> <mi>i</mi> </msub> <mo>&amp;le;</mo> <mo>-</mo> <mi>e</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mi>N</mi> </mrow>
其中e是对噪声的阈值限定，sign(i)是第i个时段对应的PLS系数符号；
(8)计算出各个时段变量的均值和标准差；按以下摄动量计算公式建立已采集批次数据各时段变量的初始优化策略：
Ji＝Mi+sign(i)×3σi
此处的Ji，Mi和σi分别是第i个时段变量的优化目标值，均值和标准差；
(9)将步骤(8)中所得各时段的优化目标值，按时段顺序i＝1,2,…N组合成一条针对整个批次过程的初始优化变量曲线；
(10)收集新批次的时段变量Ci(k+1),i＝1,2,…N和指标变量数据Y(k+1)，利用以下递归公式，计算更新协方差矩阵SLL(k+1)和联合协方差矩阵SLY(k+1)：
SLL(k+1)＝λSLL(k)+C(k+1)TC(k+1)
SLY(k+1)＝λSLY(k)+C(k+1)TY(k+1)
其中C(k+1)＝[C1(k+1), C2(k+1) … CN(k+1)]，0＜λ＜1是对现有协方差矩阵的遗忘因子；当λ＝1时，代表没有数据从旧的协方差矩阵中去除；
(11)对协方差矩阵SLL(k+1)和联合协方差矩阵SLY(k+1)做主元分析并得到PLS系数向量Fi(k+1)；
(12)利用如下递归公式，计算新批次数据下各时段变量的均值和标准差：
Mi(k+1)＝Mi(k)+[Ci(k+1)-Mi(k)]/(k+1)
σi(k+1)＝σi(k)+[Ci(k+1)-Mi(k)]×[Ci(k+1)-Mi(k+1)]；
(13)按步骤(8)中的摄动量公式计算新批次数据下各时段变量的优化目标值；
(14)将步骤(13)中所得各时段的优化目标值，按时段顺序i＝1,2,…N结合构成一个新的优化变量曲线；
(15)判断是否有新数据更新，有新数据转步骤(10)，继续做自学习更新运算，否则结束学习过程。
2.根据权利要求1所述的由数据差异驱动的间歇过程自学习动态优化方法，其特征在于：所述步骤(1)中间歇过程数据收集的时间间隔相等或不相等。
3.根据权利要求1所述的由数据差异驱动的间歇过程自学习动态优化方法，其特征在于：所述步骤(3)中间隔划分为等间隔划分或不等间隔划分。
4.根据权利要求1所述的由数据差异驱动的间歇过程自学习动态优化方法，其特征在于：所述步骤(14)中所建立的优化变量曲线，对其进行数字滤波，使得新的优化曲线比较光滑，易于跟踪控制。
CN201510834482.5A 2015-11-26 2015-11-26 一种由数据差异驱动的间歇过程自学习动态优化方法 Active CN105353607B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201510834482.5A CN105353607B (zh) 2015-11-26 2015-11-26 一种由数据差异驱动的间歇过程自学习动态优化方法
US15/566,902 US10254729B2 (en) 2015-11-26 2015-12-04 Data-difference-driven self-learning dynamic optimization method for batch process
PCT/CN2015/096377 WO2017088208A1 (zh) 2015-11-26 2015-12-04 一种由数据差异驱动的间歇过程自学习动态优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510834482.5A CN105353607B (zh) 2015-11-26 2015-11-26 一种由数据差异驱动的间歇过程自学习动态优化方法

Publications (2)

Publication Number Publication Date
CN105353607A CN105353607A (zh) 2016-02-24
CN105353607B true CN105353607B (zh) 2017-10-27

Family

ID=55329596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510834482.5A Active CN105353607B (zh) 2015-11-26 2015-11-26 一种由数据差异驱动的间歇过程自学习动态优化方法

Country Status (3)

Country Link
US (1) US10254729B2 (zh)
CN (1) CN105353607B (zh)
WO (1) WO2017088208A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3514741A1 (en) * 2018-01-19 2019-07-24 Siemens Aktiengesellschaft A method and apparatus for dynamically optimizing industrial production processes
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
CN110632908B (zh) * 2019-10-18 2022-06-14 太原理工大学 基于最小熵控制的化学批次反应器系统控制性能评价方法
US20220138614A1 (en) * 2020-10-30 2022-05-05 International Business Machines Corporation Explaining machine learning based time series models
CN112925202B (zh) * 2021-01-19 2022-10-11 北京工业大学 基于动态特征提取的发酵过程阶段划分方法
CN113674057B (zh) * 2021-08-19 2023-08-25 广东工业大学 一种基于分层聚合策略的组批优化方法
CN113803647B (zh) * 2021-08-25 2023-07-04 浙江工业大学 一种基于知识特征与混合模型融合的管道泄漏检测方法
CN114609981B (zh) * 2021-12-16 2024-04-16 南京工业大学 一种基于参数区间变化趋势的动态操作模式优化方法、系统及储存介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116306A (zh) * 2013-02-05 2013-05-22 浙江大学 一种自动的步进式有序时段划分方法
CN103279123A (zh) * 2013-05-21 2013-09-04 沈阳化工大学 对间歇控制系统进行分段故障监视的方法
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
CN103853152A (zh) * 2014-03-21 2014-06-11 北京工业大学 一种基于ar-pca的间歇过程故障监测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2452660A1 (en) * 2001-07-06 2003-01-16 Lipomics Technologies, Inc. Generating, viewing, interpreting, and utilizing a quantitative database of metabolites
US6873915B2 (en) * 2001-08-24 2005-03-29 Surromed, Inc. Peak selection in multidimensional data
US7457708B2 (en) * 2003-03-13 2008-11-25 Agilent Technologies Inc Methods and devices for identifying related ions from chromatographic mass spectral datasets containing overlapping components
GB2417557B (en) * 2003-05-29 2008-05-21 Waters Investments Ltd A system and method for metabonomics directed processing of LC-MS or LC-MS/MS data
US7949475B2 (en) * 2005-08-08 2011-05-24 Metabolon Inc. System and method for analyzing metabolomic data
CN101872444B (zh) * 2010-05-21 2012-07-25 杭州电子科技大学 一种结合中期修正策略的间歇过程批到批优化方法
CN103092078B (zh) 2013-01-07 2015-05-20 北京中医药大学 多阶段间歇生产过程的全程优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116306A (zh) * 2013-02-05 2013-05-22 浙江大学 一种自动的步进式有序时段划分方法
CN103279123A (zh) * 2013-05-21 2013-09-04 沈阳化工大学 对间歇控制系统进行分段故障监视的方法
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
CN103853152A (zh) * 2014-03-21 2014-06-11 北京工业大学 一种基于ar-pca的间歇过程故障监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于多变量统计的故障检测与诊断及应用研究;许保建;《工程科技II辑》;20120815;第C029-60页 *
基于梯度的混杂系统优化控制数值求解及应用;计琴;《信息科技辑》;20130815;第I140-114页 *
间歇过程反应釜的软测量与迭代学习控制研究;杨翔;《信息科技辑》;20120715;第I140-956页 *

Also Published As

Publication number Publication date
US10254729B2 (en) 2019-04-09
WO2017088208A1 (zh) 2017-06-01
CN105353607A (zh) 2016-02-24
US20180259921A1 (en) 2018-09-13

Similar Documents

Publication Publication Date Title
CN105353607B (zh) 一种由数据差异驱动的间歇过程自学习动态优化方法
CN105334831B (zh) 由数据差异驱动的间歇过程双维在线优化方法
CN104134003B (zh) 基于知识与数据共同驱动的作物单产量预测方法
CN106021990A (zh) 一种将生物基因以特定的性状进行分类与自我识别的方法
CN110426956A (zh) 一种基于过程迁移模型的间歇过程最优补偿控制策略
WO2017088207A1 (zh) 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
Tian et al. TS fuzzy neural network predictive control for burning zone temperature in rotary kiln with improved hierarchical genetic algorithm
CN104462850A (zh) 基于模糊高斯混合模型的多阶段间歇过程软测量方法
CN102601881B (zh) 一种橡胶硬度的在线质量监控和预测模型更新的方法
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
CN110321605A (zh) 一种基于多重模型预测控制的人机交互协调控制策略
CN103778466B (zh) 一种基于矢量误差的转炉炼钢温度建模预测方法及系统
US20230197205A1 (en) Bioretrosynthetic method and system based on and-or tree and single-step reaction template prediction
CN105955190A (zh) 一种基于布谷鸟搜索算法的孔群加工路径规划方法
CN108198268A (zh) 一种生产设备数据标定方法
CN106773700A (zh) 遗传算法优化的多模型预测控制方法
CN114001562B (zh) 一种水泥预分解炉调温pid参数自整定方法
CN112749840A (zh) 一种火电机组能效特征指标基准值的获取方法
CN105446292B (zh) 一种基于变量时段分解的间歇过程无模型摄动优化方法
CN105159247B (zh) 基于信息传递的间歇过程实时采样点阶段归属判断方法
CN109447336A (zh) 一种上游水库与其反调节水库坝间水位优化控制方法
CN105955350A (zh) 遗传算法优化加热炉温度的分数阶预测函数控制方法
CN103439964B (zh) 一种ocsvm监控模型的在线更新系统及方法
CN106407550A (zh) 一种工业过程软测量建模方法
CN102609601B (zh) 一种基于类内质网体膜计算的渣油加氢反应动力学模型参数估计方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant