CN105373098A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN105373098A CN105373098A CN201510834481.0A CN201510834481A CN105373098A CN 105373098 A CN105373098 A CN 105373098A CN 201510834481 A CN201510834481 A CN 201510834481A CN 105373098 A CN105373098 A CN 105373098A
- Authority
- CN
- China
- Prior art keywords
- variable
- batch process
- batch
- data
- period
- 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 52
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000010923 batch production Methods 0.000 title claims abstract description 34
- 238000005096 rolling process Methods 0.000 title claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 5
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000010586 diagram Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000009776 industrial production Methods 0.000 abstract description 2
- 238000002425 crystallisation Methods 0.000 description 6
- 230000008025 crystallization Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
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
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B13/021—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 in which a variable is automatically adjusted to optimise the performance
- G05B13/022—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 in which a variable is automatically adjusted to optimise the performance using a perturbation of the variable
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4188—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by CIM planning or realisation
-
- 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
- G05B2219/32015—Optimize, process management, optimize production line
-
- 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
-
- 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
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- G05B2219/32287—Medical, chemical, biological laboratory
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
- General Factory Administration (AREA)
Abstract
本发明公布了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，通过采集与产品质量密切相关的变量运行数据，利用数据驱动方法在对过程做时间域上变量划分的基础上，整合各个子集上的优化作用量并形成全局优化策略。在此基础上，实施在线滚动误差修正优化策略。本发明方法完全基于间歇过程的操作数据形成在线优化策略，不需要过程本身机理的先验知识和模型。同时在线滚动修正策略的使用，使得所优化的操作轨线具有更好适应性，更好地满足实际工业生产抗干扰的要求。
Description
技术领域
本发明属于化工流程制造业领域，涉及针对间歇过程的操作轨线变量时段分解无模型在线滚动优化方法，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最佳操作轨线在线优化。
背景技术
间歇过程在工业实际生产中，操作人员通常是从各种控制指标出发，根据长时间积累的经验摸索出一条针对某个具体间歇过程的操作曲线。如此依靠经验寻找操作曲线的方法费时费力并且难以标准化和推广。因此推行简捷有效的间歇过程优化方法，获取更满意的经济指标成为必要。间歇过程的优化问题，通常以提高产品的质量或产率为目标，获取最优操作轨线。因此对获取间歇过程的最优操作曲线的方法研究是解决问题的关键。
获取最佳操作曲线最普通的方法是基于模型的离线优化方法，即基于过程模型离线求解优化问题。但离线优化只适用于理想模型，当过程模型中不确定因素及干扰对系统实时运行产生影响时，已求得的轨线将不再是最优的。同时由于操作过程中进料的变化、产品和原料的切换、生产过程的开/停车，都会要求过程的操作策略和操作条件必须进行实时更新。因此研究间歇过程的在线实时优化方法和技术是流程工业中一个重要课题。
基于连续过程的实时优化已有许多成功的工业应用案例，而针对间歇过程的在线实时优化技术，目前仍缺乏比较通用的适合工业应用的有效方法。因此提出一个比较通用的，能解决实际工业问题的间歇过程在线实时优化策略和实施框架，促进间歇过程在线实时优化的工业化进程，为解决实际生产领域的控制难题提供新的方法迫在眉睫。
发明内容
本发明涉及一种针对间歇过程的变量时段分解无模型在线滚动优化方法。采集与产品质量密切相关的变量运行数据，利用数据驱动方法在对过程做时间域上变量划分的基础上，整合各个子集上的优化作用量并形成全局优化策略。在此基础上，实施优化策略的在线滚动最小误差修正。
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变量时段分解的数据驱动在线滚动优化方法，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。
本发明步骤分为两个部分。第一部分，离线数据收集和建立基础优化策略；第二部分，在线滚动误差校正实施方法。
离线数据收集和基础优化策略步骤如下：
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。数据的收集时间间隔可以是等时间间隔或不等时间间隔，在一个时间间隔内，过程的待优化变量没有显著变化，或不会对最终质量或产率指标有显著影响。一般要求30-50个批次有效数据。
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：将剔除奇异点后的剩余数据在时间轴上进行等间隔划分或不等间隔划分。
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，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。
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。指标变量的值是由各个批次最终质量或收率形成的连续变量。
步骤六：将步骤四和步骤五中形成的时段变量和指标变量进行合并，形成时段变量和指标变量的联合数据矩阵。
步骤七：对上述联合矩阵做主元分析，形成主元载荷图。
步骤八：对步骤七中的主元载荷图按时段变量对指标变量的作用方向和大小进行分类。分为正作用，反作用及无(微)作用三类。
步骤九：按以下摄动量公式计算各时段变量的优化策略：
J(i)＝M(i)+sign(i)×3σ(i)
此处的J(i)，M(i)和σ(i)分别是第i个时段变量的优化目标值，均值和标准差；sign(i)是第i个时段变量和指标变量所形成的夹角余弦符号。夹角小于90度时为+1，夹角大于90度时为-1，夹角为90度时为0。
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组成一条针对整个批次过程的基础优化变量曲线。
步骤十一：一般地需要将上述优化变量曲线进行数字滤波，使得新的优化曲线比较光滑，易于跟踪控制。
为了克服动态控制偏差和不可控的随机干扰，经过上述步骤得到的基础优化控制变量轨迹在投入实际应用时，在每一个时间段都对基础优化策略加以在线滚动误差修正。
在线滚动误差校正步骤如下：
步骤十二：在第i-1时间段，计算离线基础优化目标值J(i-1)和实际测量值RV(i-1)的误差：E(i-1)＝J(i-1)-RV(i-1)。
步骤十三：在离线基础优化策略上，构成下一时段新的优化目标值：
Jo(i)＝J(i)+E(i-1)。
将步骤十二以及步骤十三按时段顺序i＝1,2,…N依次计算并施加到过程中，直至整个批次过程操作结束。
更一般地，在步骤十二中，可以使用过去若干时段的误差形成误差序列，对此误差序列施加数字滤波，将滤波预测值施加到当前时段的优化策略中。
本发明通过采集与产品质量密切相关的变量运行数据，利用数据驱动方法在对过程做时间域上变量划分的基础上，整合各个子集上的优化作用量并形成全局优化策略。在此基础上，实施优化策略的在线滚动最小误差修正。本发明方法完全基于间歇过程的操作数据形成在线优化策略，不需要过程本身机理的先验知识和模型。同时在线滚动修正策略的使用，使得所优化的操作轨线具有更好适应性，更好地满足实际工业生产抗干扰的要求。
附图说明
图1为间歇过程的温度曲线示例。
图2为一个间歇过程温度为优化变量的主元模式图。
图3为时段变量的构成图。
图4为时段变量和指标变量主元载荷图。
图5为时段变量对指标变量作用分类图。
图6为一个间歇过程的优化温度曲线和原始温度曲线比较图。
图7为在线滚动误差修正策略的生成图。
图8为本发明实施步骤框图。
图9为滑动平均滤波后的优化曲线和原优化曲线。
图10为一个间歇结晶过程的优化结果(局部)图。
具体实施方式
本例以一个间歇结晶过程为例，所述方法不构成对本发明的范围限制。
本实施方法分为四个部分。第一部分为数据收集和预处理。第二部分是联合数据矩阵的构造。第三部分是基础优化策略的计算。第四部分是建立滚动误差修正在线优化策略。
本方法实施步骤框图如图8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操作温度作为待优化变量，按批次收集50组温度变量以及最终收率指标数据。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数据收集示例，为清晰起见，图中仅画出2个批次的温度曲线。
步骤2：对采集的所有50批次的温度数据，按批次对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，右边有一个批次的数据与整体数据模式差距太大，应剔除这个批次的温度数据。
步骤3：将剩余49个批次的温度数据在时间轴上进行等间隔划分为300个时段，以此构成300个时段变量C1,C2…C300。为清晰起见，图3给出了C40到C70的时段变量。
步骤4：将步骤3所对应的每个批次的收率指标数据，形成所述的指标变量Q。
步骤5：将步骤3以及步骤4中形成的300个时段变量C1,C2…C300和一个指标变量Q进行合并，生成49×301维的联合数据矩阵L。
步骤6：对上述联合矩阵L做主元分析，形成主元载荷图。为清晰起见，图4给出了C36到C6025个时段变量和指标变量Q合并产生的主元载荷图示例。
步骤7：对步骤6中的主元载荷图按时段变量对指标变量的作用方向和大小进行分类。图5是一个分类示例，从图5可以看出C154、C155、C156以及C273对指标变量Q的作用最大，其中C154、C155、C156是反作用，C273是正作用。而与指标变量Q夹角90度左右方向的C66、C111等对指标变量Q几乎不起作用。
步骤8：分别计算出每一个时段变量的均值和标准差。例如对指标变量Q起反作用的C154的均值为134.58摄氏度，标准差为6.08摄氏度。
按以下摄动量计算公式获取第i个时段变量的优化目标值：
J(i)＝M(i)+sign(i)×3σ(i)
此处的J(i)，M(i)和σ(i)分别是第i个时段变量的优化目标值，均值和标准差；sign(i)是第i个时段变量和指标变量所形成的夹角余弦符号。如图5分类图上，夹角小于90度时为+1，夹角大于90度时为-1，夹角为90度时为0。
步骤10：将步骤9中所得各时段的优化目标值，按时段顺序i＝1,2,…300构成一个基础优化变量曲线。
步骤11：将上述基础优化曲线进行滑动平均滤波，使得滤波后的优化曲线比较光滑，便于后期的跟踪控制设计。图6是优化的温度曲线和原始温度曲线的比较，图9是采用滑动平均滤波后的优化曲线和原优化曲线。从图9中可以看出经过滤波后的优化曲线更加平滑，便于跟踪控制器的实施。
步骤12：对上述系列步骤得到的基础优化控轨迹在线使用时，在每一个时间段加以滚动误差修正：
(1)对于第i-1时间段，计算离线基础优化目标值J(i-1)和实际测量值RV(i-1)的误差：
E(i-1)＝J(i-1)-RV(i-1)
(2)在离线基础优化策略上，构成下一时段新的优化目标值：
Jo(i)＝J(i)+E(i-1)
将步骤12按时段顺序i＝1,2,…300依次推进计算，直至整个批次过程操作完毕。图7是在线滚动误差修正策略的生成计算示意图。
图10是一个间歇结晶过程的优化结果示例。从图中结果看出，无优化收率为90.25％，在滚动修正优化策略下，实际运行收率为94.88％，基本接近理论最优收率95.51％。此结果显示出本发明方法的有效性和实用性。
Claims (6)
1.一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，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产率指标；
(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)将剔除奇异点后的剩余数据在时间轴上进行间隔划分；将每一个间隔所包含的各批次数据表达为一个连续变量，这些变量被称为分解后的时段变量；所述时段变量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；
(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；所述指标变量的值是由各个批次质量或收率形成的连续变量；
(5)将步骤(3)和步骤(4)中形成的时段变量和指标变量进行合并，形成时段变量和指标变量的联合数据矩阵；并对所述联合数据矩阵做主元分析，形成主元载荷图；
(6)对步骤(5)中的主元载荷图按时段变量对指标变量的作用方向和大小进行分类；
(7)按以下摄动量公式计算各时段变量的优化策略：
J(i)＝M(i)+sign(i)×3σ(i)
此处的J(i)，M(i)和σ(i)分别是第i个时段变量的优化目标值，均值和标准差；sign(i)是第i个时段变量和指标变量所形成的夹角余弦符号；
(8)将步骤(7)中所得各时段的优化目标值，按时段顺序组成一条针对整个批次过程的基础优化变量曲线；
(9)在第i-1时间段，计算离线基础优化目标值J(i-1)和实际测量值RV(i-1)的误差：E(i-1)＝J(i-1)-RV(i-1)；
(10)在离线基础优化策略上，构成下一时段新的优化目标值：Jo(i)＝J(i)+E(i-1)；
(11)将步骤(9)以及步骤(10)按时段顺序i＝1,2,…N依次计算并施加到过程中，直至整个批次过程操作结束。
2.根据权利要求1所述的基于变量时段分解的间歇过程无模型在线滚动优化方法，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所述的基于变量时段分解的间歇过程无模型在线滚动优化方法，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所述的基于变量时段分解的间歇过程无模型在线滚动优化方法，其特征在于：所述步骤(6)中分类为正作用、反作用和无/微作用三类。
5.根据权利要求1所述的基于变量时段分解的间歇过程无模型在线滚动优化方法，其特征在于：所述步骤(7)中夹角余弦符号sign(i)的取值为：夹角小于90度时sign(i)＝+1，夹角大于90度时sign(i)＝-1，夹角为90度时sign(i)＝0。
6.根据权利要求1所述的基于变量时段分解的间歇过程无模型在线滚动优化方法，其特征在于：所述步骤(8)中对优化变量曲线进行数字滤波，使得新的优化变量曲线光滑。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510834481.0A CN105373098B (zh) | 2015-11-26 | 2015-11-26 | 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 |
| US15/736,578 US20190094838A1 (en) | 2015-11-26 | 2015-12-04 | Model-Free Online Recursive Optimization Method for Batch Process Based on Variable Period Decomposition |
| PCT/CN2015/096372 WO2017088207A1 (zh) | 2015-11-26 | 2015-12-04 | 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 |
| US16/455,679 US10739758B2 (en) | 2015-11-26 | 2019-06-27 | Model-free online recursive optimization method for batch process based on variable period decomposition |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510834481.0A CN105373098B (zh) | 2015-11-26 | 2015-11-26 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105373098A true CN105373098A (zh) | 2016-03-02 |
| CN105373098B CN105373098B (zh) | 2017-10-24 |
Family
ID=55375381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510834481.0A Active CN105373098B (zh) | 2015-11-26 | 2015-11-26 | 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 |
Country Status (3)
| Country | Link |
|---|---|
| US (2) | US20190094838A1 (zh) |
| CN (1) | CN105373098B (zh) |
| WO (1) | WO2017088207A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108375908A (zh) * | 2018-04-11 | 2018-08-07 | 江南大学 | 一种基于系统运行模式的双酚a结晶过程滚动优化方法 |
| 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 |
| CN109635465A (zh) * | 2018-12-18 | 2019-04-16 | 江南大学 | 基于tpls模型的批次内操作轨迹调整方法 |
| CN110579970A (zh) * | 2019-10-24 | 2019-12-17 | 海南师范大学 | 一种2d滚动优化下间歇过程终端约束预测控制方法 |
| CN114200834A (zh) * | 2021-11-30 | 2022-03-18 | 辽宁石油化工大学 | 丢包环境下批次过程无模型离轨策略最优跟踪控制方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11119456B2 (en) * | 2019-03-14 | 2021-09-14 | Kaneka Corporation | Production system, information processing method, and production method |
| CN116861224B (zh) * | 2023-09-04 | 2023-12-01 | 鲁东大学 | 基于间歇过程软测量建模方法的间歇过程软测量建模系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101169624A (zh) * | 2006-10-25 | 2008-04-30 | 上海梅山钢铁股份有限公司 | 板坯连铸二次冷却及动态轻压下离线仿真系统 |
| US20090287320A1 (en) * | 2008-05-13 | 2009-11-19 | Macgregor John | System and Method for the Model Predictive Control of Batch Processes using Latent Variable Dynamic Models |
| CN101587328A (zh) * | 2008-05-23 | 2009-11-25 | 朱豫才 | 非线性过程动态模型辨识装置 |
| CN102183699A (zh) * | 2011-01-30 | 2011-09-14 | 浙江大学 | 化工过程多变量预测控制系统模型失配检测与定位方法 |
| WO2013014524A1 (fr) * | 2011-07-26 | 2013-01-31 | Ip Leanware | Dispositif et procede de diagnostic d'un processus industriel evolutif |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8374709B2 (en) * | 2008-03-03 | 2013-02-12 | Alstom Technology Ltd | Control and optimization system |
| US9098093B2 (en) * | 2008-09-30 | 2015-08-04 | Rockwell Automation Technologies, Inc. | Model predictive control of biofuel denaturant blending |
| WO2010128354A1 (en) * | 2009-05-06 | 2010-11-11 | Abb Research Ltd | A method and a system for on-line optimization of a batch pulp digester |
| CN101620416A (zh) * | 2009-06-12 | 2010-01-06 | 浙江工业大学 | 一种流程工业企业生产过程的生产调度智能优化方法 |
| US9110462B2 (en) * | 2010-05-04 | 2015-08-18 | Frito-Lay North America, Inc. | Batch control using bang-bang control |
| US9134711B2 (en) * | 2010-05-04 | 2015-09-15 | Frito-Lay North America, Inc. | Advanced batch control |
| 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 |
| US9046882B2 (en) * | 2010-06-30 | 2015-06-02 | Rockwell Automation Technologies, Inc. | Nonlinear model predictive control of a batch reaction system |
| US9552000B2 (en) * | 2010-06-30 | 2017-01-24 | Ge Healthcare Bio-Sciences Corp. | Batch authoring tool and bioreactor control system |
| RU2627372C2 (ru) * | 2012-05-11 | 2017-08-08 | Бипи Корпорейшн Норд Америка Инк. | Автоматизированное управление периодическим процессом установки замедленного коксования |
| CN103092074B (zh) * | 2012-12-30 | 2015-09-09 | 重庆邮电大学 | 半导体先进过程控制的参数优化控制方法 |
| 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 |
-
2015
- 2015-11-26 CN CN201510834481.0A patent/CN105373098B/zh active Active
- 2015-12-04 WO PCT/CN2015/096372 patent/WO2017088207A1/zh active Application Filing
- 2015-12-04 US US15/736,578 patent/US20190094838A1/en not_active Abandoned
-
2019
- 2019-06-27 US US16/455,679 patent/US10739758B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101169624A (zh) * | 2006-10-25 | 2008-04-30 | 上海梅山钢铁股份有限公司 | 板坯连铸二次冷却及动态轻压下离线仿真系统 |
| US20090287320A1 (en) * | 2008-05-13 | 2009-11-19 | Macgregor John | System and Method for the Model Predictive Control of Batch Processes using Latent Variable Dynamic Models |
| CN101587328A (zh) * | 2008-05-23 | 2009-11-25 | 朱豫才 | 非线性过程动态模型辨识装置 |
| CN102183699A (zh) * | 2011-01-30 | 2011-09-14 | 浙江大学 | 化工过程多变量预测控制系统模型失配检测与定位方法 |
| WO2013014524A1 (fr) * | 2011-07-26 | 2013-01-31 | Ip Leanware | Dispositif et procede de diagnostic d'un processus industriel evolutif |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108375908A (zh) * | 2018-04-11 | 2018-08-07 | 江南大学 | 一种基于系统运行模式的双酚a结晶过程滚动优化方法 |
| CN109635465A (zh) * | 2018-12-18 | 2019-04-16 | 江南大学 | 基于tpls模型的批次内操作轨迹调整方法 |
| CN110579970A (zh) * | 2019-10-24 | 2019-12-17 | 海南师范大学 | 一种2d滚动优化下间歇过程终端约束预测控制方法 |
| CN110579970B (zh) * | 2019-10-24 | 2023-02-03 | 海南师范大学 | 一种2d滚动优化下间歇过程终端约束预测控制方法 |
| CN114200834A (zh) * | 2021-11-30 | 2022-03-18 | 辽宁石油化工大学 | 丢包环境下批次过程无模型离轨策略最优跟踪控制方法 |
| CN114200834B (zh) * | 2021-11-30 | 2023-06-30 | 辽宁石油化工大学 | 丢包环境下批次过程无模型离轨策略最优跟踪控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20190094838A1 (en) | 2019-03-28 |
| US20190324427A1 (en) | 2019-10-24 |
| WO2017088207A1 (zh) | 2017-06-01 |
| US10739758B2 (en) | 2020-08-11 |
| CN105373098B (zh) | 2017-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105373098A (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 | |
| 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 | |
| CN103235579B (zh) | 一种设施农业温室大棚网络型自适应控制系统 | |
| CN105334831A (zh) | 由数据差异驱动的间歇过程双维在线优化方法 | |
| CN105446292A (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 | |
| CN106482507B (zh) | 一种水泥分解炉燃烧自动控制方法 | |
| CN114001562B (zh) | 一种水泥预分解炉调温pid参数自整定方法 | |
| CN108198268A (zh) | 一种生产设备数据标定方法 | |
| CN101598927B (zh) | 一种基于神经网络的纯碱碳化工艺控制系统及其控制方法 | |
| CN108828945B (zh) | 一种流程工业过程预测优化控制方法 | |
| CN110412960A (zh) | 基于云计算的制糖厂进榨及压榨智慧生产管理方法及系统 | |
| CN103439964A (zh) | 一种ocsvm监控模型的在线更新系统及方法 | |
| Emamian et al. | Solar power forecasting with LSTM network ensemble | |
| CN105759604B (zh) | 一种双核伺服驱动系统及伺服电机在线建模方法 | |
| CN114995278B (zh) | 基于自学习与云计算融合的防水卷材张力控制系统及方法 | |
| CN102486632A (zh) | 一种对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法 | |
| CN105634356A (zh) | 基于plc的多电机调速系统神经网络广义逆内模实现方法 | |
| Torres et al. | Discrete-Time Extremum Seeking Control Applied to a Fermentation Process | |
| CN110737959A (zh) | 用于增材制造中多机床选用与结构拓扑优化同步设计方法 | |
| CN117506934B (zh) | 工业机器人自动化控制系统及方法 | |
| Lakov et al. | Mathematical Modelling and Extremum Seeking Control of Cascade of Two Bioreactors for Production of Hydrogen and Methane | |
| CN103048926A (zh) | 一种生物发酵过程在线神经网络逆控制器及其构造方法 | |
| Sun et al. | Short-term PV Power Prediction Based on Data Mining and Multi-kernel SVM | |
| Patnaik | Lyapunov comparison of noise‐filtering methods for oscillating yeast cultures | |
| Ai et al. | Wind Power Prediction Based on Gray Wolf Algorithm and Long Short-Term Memory Neural Networks |
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 |