CN107273633B - 多工序间变量时滞估计方法及加氢裂化流程时滞估计方法 - Google Patents
多工序间变量时滞估计方法及加氢裂化流程时滞估计方法 Download PDFInfo
- Publication number
- CN107273633B CN107273633B CN201710517466.2A CN201710517466A CN107273633B CN 107273633 B CN107273633 B CN 107273633B CN 201710517466 A CN201710517466 A CN 201710517466A CN 107273633 B CN107273633 B CN 107273633B
- Authority
- CN
- China
- Prior art keywords
- time lag
- variable
- multiple operation
- estimation
- varying delay
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 131
- 238000005070 sampling Methods 0.000 claims abstract description 88
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000009795 derivation Methods 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 18
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 description 8
- 238000010924 continuous production Methods 0.000 description 7
- 229910052739 hydrogen Inorganic materials 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005314 correlation function Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000000452 restraining effect Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000002283 diesel fuel Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004517 catalytic hydrocracking Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了多工序间变量时滞估计方法,包括以下步骤:选取各工序间变量,采样获得变量的时间序列并组成原始数据矩阵;利用多项式最小二乘拟合进行滑动窗口回归,并求导得到这些变量时间序列的导数数据矩阵;预定义采样时滞序列,根据导数数据矩阵,计算两两工序间变量经采样时滞平移后的趋势相似度;用L2范数最小表征多工序间变量的趋势一致性,建立多工序间变量时滞估计问题的优化模型;采用改进的自适应粒子群算法,求解多工序间变量时滞估计问题,寻优得到最优采样时滞序列。其利用实际生产流程现场积累的大量历史数据,可合理估计出生产流程多工序间变量的时滞,有效地提高了流程建模精度和优化控制效果,对生产流程节能减排具有重要意义。
Description
技术领域
本发明涉及时滞估计技术领域,具体涉及一种适用于连续生产流程多工序间变量的多工序间变量时滞估计方法,以及一种加氢裂化流程时滞估计方法。
背景技术
大型连续生产工业流程一般由多个生产工序级联而成,其从原料入口到产品出口,物料传输和反应过程往往需要几个小时甚至更长,如果对质量指标进行闭环控制,反馈信息延迟大。为了保证最终的产品质量,往往会在各生产工序中设置多个控制回路并协调控制每个生产工序的操作变量,而这些生产工序操作变量对产品质量的调节作用存在不同时滞,因此连续生产流程多工序间变量存在不同时滞。不论是根据入口原料或生产方案调节每个生产工序的操作变量还是基于关键变量数据建立产品质量预测模型,都需要考虑多工序间变量时滞问题。
目前,许多学者相继提出了一些有效的时滞估计方法,主要有非线性最小二乘法、互相关函数法、小波分析法、神经网络算法、遗传算法等。非线性最小二乘法可以对加时滞的高阶多变量系统进行了闭环时滞估计,但该方法在时滞取值范围大的时候,计算量很大。互相关函数法是通过检测相关函数的峰值得到两个信号的延迟时间,但该方法只能反映两信号间的线性相关程度,应用到多变量系统时计算繁琐、冗余度高、耗时长。小波分析法由于多分辨率特性、抗干扰能力强等优点被用于时滞估计问题上,但该方法的母函数选择困难,并且只适用于波动较大的工业过程。神经网络算法是利用预测值和期望值的误差平方和来估计非线性系统的滞后时间,尽管它只要需要一定数量的样本进行训练即可得到系统的数学模型,但其收敛速度慢,随机性强,满足不了实际的生产控制。遗传算法可以估计出系统的参数和时滞并对时变时滞进行跟踪,但当系统变量多、时滞变化范围大的时候,遗传算法的编码复杂。
考虑到目前是大数据应用时代,针对现有时滞估计方法存在的以上问题,基于实际生产流程现场积累的大量历史数据,现提供一种基于趋势相似度分析的多工序间变量时滞估计方法,并将其应用于加氢裂化流程多工序间变量时滞估计中,以使其对流程产品质量的预测建模和优化控制起到关键作用,同时节能减排,提高生产效率和产品质量。
发明内容
因此,本发明提供一种基于趋势相似度分析的多工序间变量时滞估计方法,进一步提供一种基于该多工序间变量时滞估计方法的加氢裂化流程时滞估计方法。
为此,本发明提供了多工序间变量时滞估计方法,包括以下步骤:
a、对多工序间的变量进行采样并获得原始数据矩阵;
b、使用多项式最小二乘拟合对原始数据矩阵中每个变量的时间序列进行滑动窗口H回归,并求导得到相应变量的时间序列的导数数据矩阵;
c、预定义采样时滞序列,根据导数数据矩阵提取一段时序一致的导数数据矩阵,计算两两工序间变量经采样时滞平移后的趋势相似度;
d、利用趋势相似度分析多变量间的趋势一致性,定义趋势相似度变量,并采用L2范数将其量化,用L2范数的最小表征多工序间变量的趋势一致性;确定采样时滞序列的取值范围,将约束条件转化成标准形式,建立多工序间变量时滞估计问题的优化模型;
e、采用自适应粒子群算法,并根据约束条件的特性,提出改进的自适应粒子群算法,求解多工序间变量时滞估计问题,获得最优采样时滞序列。
在步骤a中,获得原始数据矩阵的具体方法包括:
选取工序间相关性强的关键变量共N个,通过采样M次可以得到被选取的工序间的变量的时间序列:ri=[ri,1,ri,2,...,ri,M]T,i=1,2...,N,则原始数据矩阵为:R=[r1,r2,...,rN];
其中,r1~rN-1依次为各工序的输入或输出关键变量的时间序列,rN为最后时刻的出口关键变量的时间序列。
步骤b的具体方法包括:
对被选取的工序间的变量的时间序列ri进行最小二乘拟合时,定义一个长度为奇数的H长窗口,H=2h+1,h为正整数;
在采样时刻j时,窗口内的信号样本为ri(j-h),...,ri(j),ri(j+h),ri(j)为窗口中心的采样值;令窗口内信号样本ri(j-h),...,ri(j),ri(j+h)为ri(1),...ri(h+1),...ri(2h+1),则ri(h+1)为窗口中心的采样值,对应的采样时刻t分别为1,2,...2h+1,则窗口内的拟合信号可以表示为时间t的函数,即:其中,α=[α0,α1,...,αn]T,n<2h+1为多项式最小二乘法拟合的模型参数向量,p(t)=[1,t,t2,...,tn]T为回归变量;
通过多项式最小二乘法获得参数a的最优估计:
式中:
经过多项式最小二乘法拟合后的拟合信号为:则关键变量在各个采样点ri(j)的回归值为:各个采样点变化快慢的一阶导数di(j)为:通过滑动窗口方法得到拟合时间序列和导数时间序列di,进而获得拟合数据矩阵和导数数据矩阵D=[d1,d2,...,dN]。
在步骤c中,预定义的采样时滞序列为:L=[l1,l2,...,lN];
其中,lN=0,表示零时滞参考变量的采样时滞,l1~lN-1依次表示零时滞参考变量与其他各关键变量的采样时滞;
变量的采样周期为T,则零时滞参考变量与第i个关键变量的时滞τi=liT。
在步骤c中,趋势相似度的具体计算方法包括:
根据采样时滞序列,从导数时间序列di中提取从第t-li采样时刻开始的F+1个连续的导数数据,得到新的导数时间序列xi为:
其中,F>l1,采样时刻t满足[t,t+F]采样范围内包含零时滞参考变量的一个过渡态,则时序一致导数数据矩阵X为:X=[x1,x2,...,xN],两两工序间变量经采样时滞平移后的趋势相似度为:tsi,j=∑|xi-xj|/(F+1),其中,xi和xj是时序一致导数数据矩阵中两个变量导数时间序列。
在步骤d中,用L2范数的最小表征多工序间变量的趋势一致性的具体方法包括:
利用趋势相似度分析多变量间的趋势一致性,定义趋势相似度向量:TS=[ts1,2,ts1,3,...,ts1,N,...,tsi,i+1,tsi,i+2,...,tsi,N,...,tsN-1,N],i=1,2,...,N-1;
采用L2范数来量化趋势相似度向量,并求取TS的L2范数||TS||2的最小值γ=min(||TS||2),当||TS||2取最小值γ时,各变量间的趋势最为一致,此时对应的采样时滞序列L为最优采样时滞序列Lbest。
在步骤d中,建立多工序间变量时滞估计问题的优化模型的具体方法包括:
估算整个流程或者某些主要工序的时滞,确定零时滞参考变量与其他各关键变量采样时滞的取值范围l∈[limin,limax]∈N,则采样时滞序列L∈[Limin,Limax],其中Lmin=[L1min,L2min,...,LNmin],Lmax=[L1max,L2max,...,LNmax];
其中,采样时滞序列L中的li表示物料依次流经工序的第i个过程变量所对应的采样时滞,因此l1>l2>…>lN,将其转化成标准形式gi=li+1-li<0,i=1,2,...,N-1;
则多工序间变量时滞估计问题转化为如下的最优化模型:
在步骤e中,改进的自适应粒子群算法的具体方法包括:
(1)适应度函数的构造
构造出适应度函数:
其中,bi是不等式gi<0的罚因子,取值如下:
其中,lam取正数;
(2)初始粒子群的构造
选取满足可行域L∈[Lmin,Lmax]的粒子群;
其中,L中的元素为整数,且初始粒子群满足为整数向量且均匀分布在可行域范围内的条件;
初始粒子构造方式如下:L1,j=Lmin+round(rand(1,ndim).(Lmax-Lmin));
其中,L1,j表示初始粒子群中第j个粒子,ndim表示L的维度,rand(1,ndim)
表示生成1行ndim列、均匀分布在0和1之间的随机数行向量,round()表示求四舍五入的整数;
其中,粒子群维度为n,获得初始粒子群L1,1~L1,n;
(3)粒子群速度和粒子群位置的更新
在满足L中的元素为整数、粒子速度为整数向量的条件下,选取自适应的粒子速度:
vi+1,j=round(αi+1·randn(1,ndim)·(Lmax-Lmin)+β·(Lbest=Li,j)),i=1,2,..;
其中,vi+1,j表示第i+1代粒子群中第j个粒子Li+1,j的速度,randn(1,ndim)表示生成1行ndim列、标准正态分布分布的随机数行向量,αi+1表示第i+1代粒子在全局搜索区域内随机衰减因子;
其中,αi+1=gamma×αi,gamma∈[0,1],β表示粒子飞向全局最优Lbest的速度,则新一代的粒子为:Li+1,j=Li,j+vi+1,j;
其中,若则令li+1,j=lmax;若则令li+1,j=lmin。
进一步提供一种加氢裂化流程时滞估计方法,采用如上所述的多工序间变量时滞估计方法对加氢裂化流程中的多工序间的变量时滞进行计算。
本发明相对于现有技术,具有如下优点之处:
本发明提供的多工序间变量时滞估计方法,其通过采样确定原始数据矩阵;使用多项式最小二乘拟合对原始数据矩阵进行了预处理,从而消除连续生产流程仪表检测时、数据传输过程中受到的干扰;利用了导数数据定义了趋势相似度,根据趋势相似度分析多变量间的趋势一致性,定义趋势相似度变量,并用L2范数量化,从而将多工序间变量时滞估计问题转化成求L2范数最小化问题,解决了多变量间的时滞估计问题,其计算简单、冗余度低、耗时短;同时通过改进的自适应粒子群算法来进行采样时滞序列的寻优,其能处理带约束的整型优化问题且收敛速度快。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1所述的多工序间变量时滞估计方法整体示意图;
图2本发明实施例2中加氢裂化流程及选取的时滞估计关键变量简图;
图3为本发明实施例2中多项式最小二乘法拟合对原始数据矩阵中变量的时间序列进行滑动窗口回归示意图;
图4为本发明实施例2中连续多变量系统的趋势相似度概念示意图;
图5为本发明实施例2中改进的自适应粒子群算法迭代曲线;
图6为本发明实施例2中利用同时刻的数据进行预测建模的结果;
图7为本发明实施例2中利用流程时滞范围内数据的均值进行预测建模的结果;
图8为本发明实施例2中利用多工序间变量时滞估计后的数据进行预测建模的结果。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
如图1所示,本实施例提供了多工序间变量时滞估计方法,包括以下步骤:
a、对多工序间的变量进行采样并获得原始数据矩阵;
b、使用多项式最小二乘拟合对原始数据矩阵中每个变量的时间序列进行滑动窗口H回归,并求导得到相应变量的时间序列的导数数据矩阵;
c、预定义采样时滞序列,根据导数数据矩阵提取一段时序一致的导数数据矩阵,计算两两工序间变量经采样时滞平移后的趋势相似度;
d、利用趋势相似度分析多变量间的趋势一致性,定义趋势相似度变量,并采用L2范数将其量化,用L2范数的最小表征多工序间变量的趋势一致性;确定采样时滞序列的取值范围,将约束条件转化成标准形式,建立多工序间变量时滞估计问题的优化模型;
e、采用自适应粒子群算法,并根据约束条件的特性,提出改进的自适应粒子群算法,求解多工序间变量时滞估计问题,获得最优采样时滞序列。
在本实施例中,其通过采样确定原始数据矩阵;使用多项式最小二乘拟合对原始数据矩阵进行了预处理,从而消除连续生产流程仪表检测时、数据传输过程中受到的干扰;利用了导数数据定义了趋势相似度,根据趋势相似度分析多变量间的趋势一致性,定义趋势相似度变量,并用L2范数量化,从而将多工序间变量时滞估计问题转化成求L2范数最小化问题,解决了多变量间的时滞估计问题,其计算简单、冗余度低、耗时短;同时通过改进的自适应粒子群算法来进行采样时滞序列的寻优,其能处理带约束的整型优化问题且收敛速度快。
具体地,步骤a中,根据其所应用的连续生产流程,基于相对生产流程的多工序间的关键过程变量,从中选取相关性强的流程主要工序间变量作为连续生产流程时滞估计关键变量,通过采样得到这些变量的时间序列并组成原始数据矩阵;本实施例利用实际生产流程现场积累的大量历史数据,可合理估计出生产流程多工序间变量的时滞,有效地提高了流程建模精度和优化控制效果,对生产流程节能降耗减排。
获得原始数据矩阵的具体方法包括:
选取工序间相关性强的关键变量共N个,通过采样M次可以得到被选取的工序间的变量的时间序列:ri=[ri,1,ri,2,...,ri,M]T,i=1,2...,N,则原始数据矩阵为:R=[r1,r2,...,rN];
其中,r1~rN-1依次为各工序的输入或输出关键变量的时间序列,rN为最后时刻的出口关键变量(记为零时滞参考变量)的时间序列。
进一步地,步骤b的具体方法包括:
对被选取的工序间的变量的时间序列ri进行最小二乘拟合时,定义一个长度为奇数的H长窗口,H=2h+1,h为正整数;
在采样时刻j时,窗口内的信号样本为ri(j-h),...,ri(j),ri(j+h),ri(j)为窗口中心的采样值;令窗口内信号样本ri(j-h),...,ri(j),ri(j+h)为ri(1),...ri(h+1),...ri(2h+1),则ri(h+1)为窗口中心的采样值,对应的采样时刻t分别为1,2,...2h+1,则窗口内的拟合信号可以表示为时间t的函数,即:其中,α=[α0,α1,...,αn]T,n<2h+1为多项式最小二乘法拟合的模型参数向量,p(t)=[1,t,t2,...,tn]T为回归变量;
通过多项式最小二乘法获得参数a的最优估计:
式中:
经过多项式最小二乘法拟合后的拟合信号为:则关键变量在各个采样点ri(j)的回归值为:各个采样点变化快慢的一阶导数di(j)为:通过滑动窗口方法得到拟合时间序列和导数时间序列di,进而获得拟合数据矩阵和导数数据矩阵D=[d1,d2,...,dN]。
进一步地,在步骤c中,预定义的采样时滞序列为:L=[l1,l2,...,lN];
其中,lN=0,表示零时滞参考变量的采样时滞,l1~lN-1依次表示零时滞参考变量与其他各关键变量的采样时滞;
变量的采样周期为T,则零时滞参考变量与第i个关键变量的时滞τi=liT。
进一步地,在步骤c中,趋势相似度的具体计算方法包括:
根据采样时滞序列,从导数时间序列di中提取从第t-li采样时刻开始的F+1个连续的导数数据,得到新的导数时间序列xi为:
其中,F>l1,即在本实施例中,所选数据需至少包含一个流程时滞的数据,并且所选择的采样时刻t满足[t,t+F]采样范围内包含零时滞参考变量的一个过渡态,则时序一致导数数据矩阵X为:X=[x1,x2,...,xN],两两工序间变量经采样时滞平移后的趋势相似度为:tsi,j=∑|xi-xj|/(F+1),其中,xi和xi是时序一致导数数据矩阵中两个变量导数时间序列。
进一步地,在步骤d中,用L2范数的最小表征多工序间变量的趋势一致性的具体方法包括:
利用趋势相似度分析多变量间的趋势一致性,定义趋势相似度向量:
其反映了多个变量在采样时滞序列下的趋势一致性,而最优采样时滞序列对应的趋势相似度向量TS中每个元素(即变量间的趋势相似度)都很小;
因此,采用了欧氏距离即L2范数来量化趋势相似度向量,并求取TS的L2范数||TS||2的最小值γ=min(||TS||2),当||TS||2取最小值γ时,各变量间的趋势最为一致,此时对应的采样时滞序列L为最优采样时滞序列Lbest。
进一步地,在步骤d中,根据现场经验估算整个流程或者某些主要工序的时滞,确定零时滞参考变量与其他各关键变量采样时滞的取值范围;由于原料入口流量、原料性质等变化,每个关键变量的时滞也在波动,因此需要对时滞取值范围上下边界进行放宽,这样就可以得到每个采样时滞的取值范围;
建立多工序间变量时滞估计问题的优化模型的具体方法包括:
估算整个流程或者某些主要工序的时滞,确定零时滞参考变量与其他各关键变量采样时滞的取值范围l∈[limin,limax]∈N,则采样时滞序列L∈[Limin,Limax],其中Lmin=[L1min,L2min,...,LNmin],Lmax=[L1max,L2max,...,LNmax];
其中,采样时滞序列L中的li表示物料依次流经工序的第i个过程变量所对应的采样时滞,因此l1>l2>…>lN,将其转化成标准形式gi=li+1-li<0,i=1,2,...,N-1;
则多工序间变量时滞估计问题转化为如下的最优化模型:
而该最优化模型为带线性约束的纯整型非线性优化问题。
进一步地,在步骤e中,改进的自适应粒子群算法的具体方法包括:
(1)适应度函数的构造
由于最优化问题中存在约束条件,因此需要将该带约束的优化问题转化成无约束的优化问题;使用了罚函数法解决上述问题,并构造出适应度函数:
其中,bi是不等式gi<0的罚因子,取值如下:lam取正数,在本实施例中,lam可以取个较大的正数,如10^20(10的20次方);对于某个粒子而言,当f取值很大,那么该粒子则不会被选为最优粒子;
(2)初始粒子群的构造
选取满足可行域L∈[Lmin,Lmax]的粒子群;
其中,L中的元素为整数,且初始粒子群满足为整数向量且均匀分布在可行域范围内的条件;
初始粒子构造方式如下:
L1,j=Lmin+round(rand(1,ndim)·(Lmax-Lmin));
其中,L1,j表示初始粒子群(也就是第1代粒子群)中第j个粒子,ndim表示L的维度,rand(1,ndim)表示生成1行ndim列、均匀分布在0和1之间的随机数行向量,round()表示求四舍五入的整数;
其中,粒子群维度为n,获得初始粒子群L1,1~L1,n;
(3)粒子群速度和粒子群位置的更新
在满足L中的元素为整数、粒子速度为整数向量的条件下,选取自适应的粒子速度:
vi+1,j=round(αi+1·randn(1,ndim)·(Lmax-Lmin)+β·(Lbest=Li,j)),i=1,2,..;
其中,vi+1,j表示第i+1代粒子群中第j个粒子Li+1,j的速度,randn(1,ndim)表示生成1行ndim列、标准正态分布分布的随机数行向量,αi+1表示第i+1代粒子在全局搜索区域内随机衰减因子;
其中,αi+1=gamma×αi,gamma∈[0,1],β表示粒子飞向全局最优Lbest的速度,则新一代的粒子为:Li+1j=Li,j+vi+1,j;
其中,若则令li+1,j=lmax;若则令li+1,j=lmin。
实施例2
如图2、3、4、5、6、7和8所示,在上述实施例的基础上,本实施例进一步提供一种加氢裂化流程时滞估计方法,采用如上所述的多工序间变量时滞估计方法对加氢裂化流程中的多工序间的变量时滞进行计算。
具体地,该加氢裂化流程时滞估计方法,包括以下步骤:
a、基于流程关键过程变量,从中选取相关性强的流程主要工序间变量共8个;如图2所示,该主要工序间变量为单元入口或出口关键变量,其包括原料油流量、加氢精制反应器入口温度、加氢裂化反应器入口温度、热低分油流量、脱硫化氢汽提塔塔底流量、主分馏塔中段回流抽出量、柴油出装置量、重石脑油出口流量,上述8个变量为加氢裂化流程时滞估计关键变量,分别记为r1、r2、r3、r4、r5、r6、r7、r8;
在本实施例中,优选采样周期T=5min,并采样50015次,进而得到相应变量的时间序列:
ri=[ri,1,ri,2,...ri,50015]T,i=1,2,...,8,
则原始数据矩阵为:
R=[r1,r2,...,r8],
这里的r1~r7依次为各工序的输入或输出关键变量的时间序列,r8为重石脑油出口流量(记为零时滞参考变量)的时间序列;
b、使用多项式最小二乘拟合对原始数据矩阵R中每个变量的时间序列进行滑动窗口H=25回归并求导,得到拟合时间序列产和和导数时间序列di,进而获得拟合数据矩阵和导数数据矩阵D;上述步骤的目的是对原始数据进行滤波、去噪,从而消除加氢裂化流程仪表检测时、数据传输过程中受到的干扰,并获得导数数据以便后续多工序间变量时滞的估计;
其中,利用多项式最小二乘法拟合进行滑动窗口H=25回归(如图3所示)并求导的具体步骤包括:
对某个关键变量的时间序列ri进行最小二乘拟合时,首先定义一个长度为奇数的H=25长窗口,H=2h+1,h为正整数。在某一采样时刻j,窗口内的信号样本为ri(j-h),...,ri(j),ri(j+h),其中ri(j)为窗口中心的采样值。
令窗口内信号样本ri(j-h),...,ri(j),ri(j+h)为ri(1),...ri(h+1),...ri(2h+1),则ri(h+1)
为窗口中心的采样值,对应的采样时刻t分别为1,2,...2h+1,则窗口内的拟合信号可以表示为时间t的函数,即:其中,α=[α0,α1,...,αn]T,n<2h+1为多项式最小二乘法拟合的模型参数向量,
p(t)=[1,t,t2,...,tn]T为回归变量;
通过多项式最小二乘法获得参数a的最优估计:
式中:
那么经过多项式最小二乘法拟合后的拟合信号为则关键变量在各个采样点ri(j)的回归值为:因此表示该采样点变化快慢的一阶导数di(j)为:
通过滑动窗口方法得到拟合时间序列和导数时间序列di,进而获得拟合数据矩阵和导数数据矩阵D=[d1,d2,...,dN];
c、预定义采样时滞序列L,根据导数数据矩阵D提取一段时序一致的导数数据矩阵X,计算两两工序间变量经采样时滞平移后的趋势相似度tsi,j(如图4所示);
其中,预定义的采样时滞序列为:L=[l1,l2,...,l8];
其中,l8=0,表示零时滞参考变量r8的采样时滞,l1~l7依次表示零时滞参考变量与其他各关键变量的采样时滞;在本实施例中,优选变量的采样周期为T=5min,那么零时滞参考变量与第i个关键变量的时滞τi=li×5min;
进一步,计算两两工序间变量经采样时滞平移后的趋势相似度的具体步骤包括:
根据采样时滞序列L,可以从导数时间序列di中提取从第t-li采样时刻开始的F+1个连续的导数数据,得到新的导数时间序列xi为:
其中,F=200>l1,即所选数据需至少包含一个流程时滞的数据,并且所选择的采样时刻t=22230需保证[t,t+F]采样范围内包含零时滞参考变量的一个过渡态。这样就可以构造出包含过渡态的时序一致导数数据矩阵X为:X=[x1,x2,...,x8],则两两工序间变量经采样时滞平移后的趋势相似度为:
tsi,j=∑|xi-xj|/(F+1)
在本实施例中,xi和xj是时序一致导数数据矩阵中两个变量导数时间序列。
则ri和rj的实际采样时滞lmin为tsi,j取最小值时所对应的l,即:
则实际时滞Δt为:Δt=lmin×T;
d、利用趋势相似度分析多变量间的趋势一致性,定义趋势相似度变量TS,并用L2范数量化,用L2范数最小表征多工序间变量的趋势一致性;
在本实施例中,根据现场经验估算整个流程或者某些主要工序的时滞,确定采样时滞序列L的取值范围,并将约束条件转化成标准形式,从而建立多工序间变量时滞估计问题的优化模型;
其中,用L2范数最小表征多工序间变量的趋势一致性的具体步骤包括:利用趋势相似度分析多变量间的趋势一致性,定义趋势相似度向量:
TS=[ts1,2,ts1,3,...,ts1,8,...,tsi,i+1,tsi,i+2,...,tsi,8,...,ts7,8],i=1,2,...,7,
其反映了多个变量在采样时滞序列L下的趋势一致性,而最优采样时滞序列Lbest对应的趋势相似度向量TS中每个元素(即变量间的趋势相似度)都很小;
在本实施例中,采用了欧氏距离即L2范数来量化趋势相似度向量,并求取TS的L2范数||TS||2的最小值γ=min(||TS||2),当||TS||2取最小值γ时,各变量间的趋势最为一致,此时对应的采样时滞序列L即为最优的采样时滞序列Lbest;
其中,建立多工序间变量时滞估计问题的优化模型的具体步骤包括:
作为本实施例的优选实施方式,根据现场经验,分馏系统的时滞大致为90min,该分馏系统的关键变量采样时滞范围为[0,18];高低压分离系统的时滞大致为5min,该高低压分离系统的关键变量采样时滞范围为[18,19];反应系统的时滞大致为80min,该反应系统的关键变量采样时滞范围为[19,35];入料系统的时滞大致为40min,该入料系统的关键变量采样时滞范围为[35,42];
考虑到估计时滞的主观性和波动性,需对时滞取值范围上下边界进行适当放宽,这里取采样时滞下边界为Lmin=[33 17 17 16 0 0 0 0],上边界为Lmax=[47 39 39 23 2222 22 0],那么采样时滞序列L∈[Limin,Limax];
同时,采样时滞序列L中的li表示物料依次流经工序的第i个过程变量所对应的采样时滞,因此l1>l2>…>l8,将其转化成标准形式gi=li+1-li<0,i=1,2,...,7;
这样多工序间变量时滞估计问题就变成了如下的最优化模型:
而上述最优化模型为一个带线性约束的纯整型非线性优化问题;
e、采用了收敛速度快的自适应粒子群算法,并根据约束条件的特性,提出改进的自适应粒子群算法,即线性、整型约束条件,提出一种改进的自适应粒子群算法,求解多工序间变量时滞估计问题,寻优得到最优采样时滞序列Lbest;
其中提出的改进的自适应粒子群算法的具体步骤包括:
(1)适应度函数的构造
由于最优化问题中存在约束条件,因此首先需要将该带约束的优化问题转化成无约束的优化问题;
优选使用罚函数法解决上述问题,并构造出适应度函数:
其中bi是不等式gi<0的罚因子,取值如下:
其中lam可以取个较大的正数,如10^20(10的20次方)。对于某个粒子,当f取值很大,那么该粒子则不会被选为最优粒子。
(2)初始粒子群的构造
首先找到一个满足可行域L∈[Lmin,Lmax]的粒子群;
由于L中的元素只能取整数,因此初始粒子群必须都为整数向量并且均匀分布在可行域范围内;
这里进行初始粒子构造方式如下:
L1,j=Lmin+round(rand(1,ndim)·(Lmax-Lmin));
其中,L1,j表示初始粒子群(也就是第1代粒子群)中第j个粒子,ndim表示L的维度,rand(1,ndim)表示生成1行ndim列、均匀分布在0和1之间的随机数行向量,round()表示求四舍五入的整数;
在本实施例中,粒子群中粒子个数确定与约束条件的个数有关,约束条件越多,粒子群个数则需尽量多,以保证可以取到满足约束条件的粒子;作为优选的实施方式,粒子群维度为n,因此获得一个初始粒子群L1,1~L1,n。
(3)粒子群速度和粒子群位置的更新
由于L中的元素只能取整数,所以粒子的速度必须为整数向量,这里采用了一个自适应的粒子速度:
vi+1,j=round(αi+1·randn(1,ndim)·(Lmax-Lmin)+β·(Lbest=Li,j)),i=1,2,..;
其中,vi+1,j表示第i+1代粒子群中第j个粒子Li+1,j的速度,randn(1,ndim)表示生成1行ndim列、标准正态分布分布的随机数行向量,αi+1表示第i+1代粒子在全局搜索区域内随机衰减因子;
其中,αi+1=gamma×αi,gamma∈[0,1],β表示粒子飞向全局最优Lbest的速度,则新一代的粒子为:Li+1,j=Li,j+vi+1,j;
其中,若则令li+1,j=lmax;若则令li+1,j=lmin。
在本实施例中,图5展示了粒子群规模n=100、随机衰减因子α=0.2、gamma=0.95、β=0.5的改进的自适应粒子群算法的寻优过程;可见该算法收敛速度快,并且多次寻优结果都收敛于同一适度值fmin=0.800∠,其对应采样时滞序列为最优采样时滞序列Lbest=[46 39 32 23 22 14 13 0]。
为了验证上述多工序间变量时滞估计方法所辨识出的最优采样时滞序列的准确性,提取了162天连续生产的(与步骤(1)中的关键变量数据时间对应)、42个关键变量的采样时间序列数据和每天8时离线化验测得的柴油闪点共162个数据,并利用经过滑动窗口为H=25的多项式最小二乘拟合后的42个关键变量的采样时间序列拟合数据,基于局部加权核主元回归(LWKPCR)分别采用三种方法对柴油闪点进行预测建模与验证。
具体地,第一种方法:
采用与柴油闪点离线化验时间同时刻的42个关键变量的拟合数据,进行柴油闪点预测建模与验证,记该方法为利用同时刻的数据进行预测建模;
第二种方法:
采用柴油闪点离线化验时间前一个流程时滞范围内的42个关键变量拟合数据的平均值,进行柴油闪点预测建模与验证,记该方法为利用流程时滞范围内数据的均值进行预测建模;
第三种方法:
根据上述多工序间变量时滞估计方法所辨识出的最优采样时滞序列,确定柴油闪点离线化验时间与每一个主要工序的采样时滞范围,并将42个关键变量映射到每个主要工序上,利用每个工序的关键变量在其采样时滞范围内的拟合数据的平均值,进行柴油闪点预测建模与验证,记该方法为利用多工序间变量时滞估计后的数据进行预测建模,其中主要工序的采样时滞范围及关键变量个数如表1所示。
表1主要工序的采样时滞范围及关键变量个数
在本实施例中,用于建模的数据共有162组,其中112组作为预测模型的训练集,50组作为预测模型的测试集,并且上述三种方法所采用的LWKPCR的参数都经过实验调试为最优值,预测结果分别如图6、图7、图8所示,预测的均方根误差RMSE如表2所示。
根据图6、7和8所示,利用时滞估计后的数据进行预测建模,其预测结果较其他两种方法可以很好地跟踪柴油闪点的实际值,并且预测的均方根误差RMSE为0.7716,较其他两种方法分别提高了19.05%、18.02%,验证本文所提出的方法的准确性。
表2三种建模方法的预测均方根误差RMSE
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.多工序间变量时滞估计方法,其特征在于,包括以下步骤:
a、对多工序间的变量进行采样并获得原始数据矩阵;
b、使用多项式最小二乘拟合对原始数据矩阵中每个变量的时间序列进行滑动窗口H回归,并求导得到相应变量的时间序列的导数数据矩阵;
c、预定义采样时滞序列,根据导数数据矩阵提取一段时序一致的导数数据矩阵,计算两两工序间变量经采样时滞平移后的趋势相似度;
d、利用趋势相似度分析多变量间的趋势一致性,定义趋势相似度变量,并采用L2范数将其量化,用L2范数的最小表征多工序间变量的趋势一致性;确定采样时滞序列的取值范围,将约束条件转化成标准形式,建立多工序间变量时滞估计问题的优化模型;
e、采用自适应粒子群算法,并根据约束条件的特性,提出改进的自适应粒子群算法,求解多工序间变量时滞估计问题,获得最优采样时滞序列。
2.根据权利要求1所述的多工序间变量时滞估计方法,其特征在于,在步骤a中,获得原始数据矩阵的具体方法包括:
选取工序间相关性强的关键变量共N个,通过采样M次可以得到被选取的工序间的变量的时间序列:ri=[ri,1,ri,2,...,ri,M]T,i=1,2...,N,则原始数据矩阵为:R=[r1,r2,...,rN];
其中,r1~rN-1依次为各工序的输入或输出关键变量的时间序列,rN为最后时刻的出口关键变量的时间序列。
3.根据权利要求2所述的多工序间变量时滞估计方法,其特征在于,步骤b的具体方法包括:
对被选取的工序间的变量的时间序列ri进行最小二乘拟合时,定义一个长度为奇数的H长窗口,H=2h+1,h为正整数;
在采样时刻j时,窗口内的信号样本为ri(j-h),...,ri(j),... , ri(j+h),ri(j)为窗口中心的采样值;令窗口内信号样本ri(j-h),...,ri(j),... , ri(j+h)为ri(1),..., ri(h+1),..., ri(2h+1),则ri(h+1)为窗口中心的采样值,对应的采样时刻t分别为1,2,...2h+1,则窗口内的拟合信号可以表示为时间t的函数,即:其中,α=[α0,α1,...,αn]T,n<2h+1为多项式最小二乘法拟合的模型参数向量,p(t)=[1,t,t2,...,tn]T为回归变量;
通过多项式最小二乘法获得参数a的最优估计:
式中:
经过多项式最小二乘法拟合后的拟合信号为:则关键变量在各个采样点ri(j)的回归值为:各个采样点变化快慢的一阶导数di(j)为:通过滑动窗口方法得到拟合时间序列和导数时间序列di,进而获得拟合数据矩阵和导数数据矩阵D=[d1,d2,...,dN]。
4.根据权利要求3所述的多工序间变量时滞估计方法,其特征在于,在步骤c中,预定义的采样时滞序列为:L=[l1,l2,...,lN];
其中,lN=0,表示零时滞参考变量的采样时滞,l1~lN-1依次表示零时滞参考变量与其他各关键变量的采样时滞;
变量的采样周期为T,则零时滞参考变量与第i个关键变量的时滞τi=liT。
5.根据权利要求4所述的多工序间变量时滞估计方法,其特征在于,在步骤c中,趋势相似度的具体计算方法包括:
根据采样时滞序列,从导数时间序列di中提取从第t-li采样时刻开始的F+1个连续的导数数据,得到新的导数时间序列xi为:
其中,F>l1,采样时刻t满足[t,t+F]采样范围内包含零时滞参考变量的一个过渡态,则时序一致导数数据矩阵X为:X=[x1,x2,...,xN],两两工序间变量经采样时滞平移后的趋势相似度为:tsi,j=∑|xi-xj|/(F+1),其中,xi和xj是时序一致导数数据矩阵中两个变量导数时间序列。
6.根据权利要求5所述的多工序间变量时滞估计方法,其特征在于,在步骤d中,用L2范数的最小表征多工序间变量的趋势一致性的具体方法包括:
利用趋势相似度分析多变量间的趋势一致性,定义趋势相似度向量:
采用L2范数来量化趋势相似度向量,并求取TS的L2范数||TS||2的最小值γ=min(||TS||2),当||TS||2取最小值γ时,各变量间的趋势最为一致,此时对应的采样时滞序列L为最优采样时滞序列Lbest。
7.根据权利要求6所述的多工序间变量时滞估计方法,其特征在于,在步骤d中,建立多工序间变量时滞估计问题的优化模型的具体方法包括:
估算整个流程或者某些主要工序的时滞,确定零时滞参考变量与其他各关键变量采样时滞的取值范围l∈[limin,limax]∈N,则采样时滞序列L∈[Limin,Limax],其中Lmin=[L1min,L2min,...,LNmin],Lmax=[L1max,L2max,...,LNmax];
其中,采样时滞序列L中的li表示物料依次流经工序的第i个过程变量所对应的采样时滞,因此l1>l2>...>lN,将其转化成标准形式gi=li+1-li<0,i=1,2,...,N-1;
则多工序间变量时滞估计问题转化为如下的最优化模型:
8.根据权利要求7所述的多工序间变量时滞估计方法,其特征在于,在步骤e中,改进的自适应粒子群算法的具体方法包括:
(1)适应度函数的构造
构造出适应度函数:
其中,bi是不等式gi<0的罚因子,取值如下:
其中,lam取正数;
(2)初始粒子群的构造
选取满足可行域L∈[Lmin,Lmax]的粒子群;
其中,L中的元素为整数,且初始粒子群满足为整数向量且均匀分布在可行域范围内的条件;
初始粒子构造方式如下:L1,j=Lmin+round(rand(1,ndim)·(Lmax-Lmin));
其中,L1,j表示初始粒子群中第j个粒子,ndim表示L的维度,rand(1,ndim)表示生成1行ndim列、均匀分布在0和1之间的随机数行向量,round()表示求四舍五入的整数;
其中,粒子群维度为n,获得初始粒子群L1,1~L1,n;
(3)粒子群速度和粒子群位置的更新
在满足L中的元素为整数、粒子速度为整数向量的条件下,选取自适应的粒子速度:
vi+1,j=round(αi+1·randn(1,ndim)·(Lmax-Lmin)+β·(Lbest=Li,j)),i=1,2,..;
其中,vi+1,j表示第i+1代粒子群中第j个粒子Li+1,j的速度,randn(1,ndim)表示生成1行ndim列、标准正态分布分布的随机数行向量,αi+1表示第i+1代粒子在全局搜索区域内随机衰减因子;
其中,αi+1=gamma×αi,gamma∈[0,1],β表示粒子飞向全局最优Lbest的速度,则新一代的粒子为:Li+1,j=Li,j+vi+1,j;
其中,若则令li+1,j=lmax;若则令li+1,j=lmin。
9.加氢裂化流程时滞估计方法,其特征在于,采用权利要求1-8任一项所述的多工序间变量时滞估计方法对加氢裂化流程中的多工序间的变量时滞进行计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710517466.2A CN107273633B (zh) | 2017-06-29 | 2017-06-29 | 多工序间变量时滞估计方法及加氢裂化流程时滞估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710517466.2A CN107273633B (zh) | 2017-06-29 | 2017-06-29 | 多工序间变量时滞估计方法及加氢裂化流程时滞估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107273633A CN107273633A (zh) | 2017-10-20 |
CN107273633B true CN107273633B (zh) | 2018-03-27 |
Family
ID=60070798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710517466.2A Active CN107273633B (zh) | 2017-06-29 | 2017-06-29 | 多工序间变量时滞估计方法及加氢裂化流程时滞估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273633B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470089B (zh) * | 2018-02-12 | 2021-12-21 | 杭州电子科技大学 | 一种基于最小二乘样本拟合的复信号时延估计方法 |
CN108804850B (zh) * | 2018-06-27 | 2020-09-11 | 大连理工大学 | 基于空间重构的航空发动机过渡态加速过程参数预测方法 |
CN109884893B (zh) * | 2019-02-28 | 2021-09-10 | 西安理工大学 | 一种多工序变量间动态时滞估计方法 |
CN112925271B (zh) * | 2019-12-06 | 2024-09-06 | 阿里巴巴集团控股有限公司 | 数据处理方法、自动控制方法及装置 |
CN112859793B (zh) * | 2021-02-04 | 2022-05-10 | 中南大学 | 基于改进滑动时间窗口的工业生产过程动态时延辨识方法 |
CN114999581B (zh) * | 2022-06-13 | 2023-11-10 | 华东交通大学 | 一种稀土萃取分离过程的时滞辨识方法和系统 |
CN115860556B (zh) * | 2022-12-14 | 2023-07-18 | 沈阳盛世五寰科技有限公司 | 一种基于多变量相关性的高压辊磨机出料合格率检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100507460C (zh) * | 2007-05-11 | 2009-07-01 | 清华大学 | 基于脉冲响应模板和参数优化的动态软测量建模方法 |
CN103116698A (zh) * | 2013-01-23 | 2013-05-22 | 合肥工业大学 | 一种基于三次样条的gm(1,1)模型预测方法 |
CN104267616B (zh) * | 2014-09-24 | 2017-06-06 | 北京科技大学 | 一种时滞系统的自抗扰控制系统的设计及整定方法 |
CN106156434B (zh) * | 2016-07-11 | 2020-03-17 | 江南大学 | 基于局部时滞重构的滑动窗时间差-高斯过程回归建模方法 |
CN106529042B (zh) * | 2016-11-14 | 2019-12-31 | 重庆科技学院 | 基于计算智能的油田机采参数动态演化建模与优化方法 |
CN106483851B (zh) * | 2016-11-30 | 2019-08-13 | 天津大学 | 基于Lyapunov函数分析的时滞稳定判据保守性评估方法 |
CN106527148B (zh) * | 2016-12-15 | 2019-04-05 | 南京航空航天大学 | 一种离散时滞不确定系统的滑模鲁棒控制方法 |
CN106774273B (zh) * | 2017-01-04 | 2019-01-01 | 南京航空航天大学 | 针对变时滞控制系统执行器故障的滑模预测容错控制方法 |
-
2017
- 2017-06-29 CN CN201710517466.2A patent/CN107273633B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107273633A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273633B (zh) | 多工序间变量时滞估计方法及加氢裂化流程时滞估计方法 | |
Xie et al. | A hybrid adaptive time-delay neural network model for multi-step-ahead prediction of sunspot activity | |
Li et al. | DTDR–ALSTM: Extracting dynamic time-delays to reconstruct multivariate data for improving attention-based LSTM industrial time series prediction models | |
US11214850B2 (en) | Prediction control method and system for component contents in rare earth extraction process | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN102626557B (zh) | 基于ga-bp算法的分子蒸馏工艺参数优化方法 | |
CN110852515A (zh) | 基于混合长短时记忆神经网络的水质指标预测方法 | |
CN111950805B (zh) | 中长期电力负荷预测方法、装置、计算机设备及存储介质 | |
CN106156434A (zh) | 基于局部时滞重构的滑动窗时间差‑高斯过程回归建模方法 | |
CN111222992A (zh) | 一种基于注意力机制的长短期记忆神经网络的股票价格预测方法 | |
CN114066003A (zh) | 基于小波分解和长短时记忆网络的电力负荷预测方法 | |
Han et al. | Energy consumption hierarchical analysis based on interpretative structural model for ethylene production | |
CN116702959A (zh) | 一种基于分布自适应图注意力网络的洪水预报方法 | |
CN103886397A (zh) | 一种分治法与水质周期性结合的水质预测方法 | |
He et al. | A faster dynamic feature extractor and its application to industrial quality prediction | |
CN105515857B (zh) | 一种基于rbf的城域数据网流量测算方法 | |
CN110110921A (zh) | 一种考虑时滞效应的河流水位预测方法 | |
Zhang et al. | A novel spatio-temporal wind speed forecasting method based on the microscale meteorological model and a hybrid deep learning model | |
Amal | Crude palm oil price prediction using multilayer perceptron and long short-term memory | |
CN107153355B (zh) | 一种薄板坯连铸连轧辊缝值动态自适应控制方法 | |
Juan et al. | Multi-step prediction of dissolved oxygen in river based on random forest missing value imputation and attention mechanism coupled with recurrent neural network | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
Han et al. | Multiscale variational autoencoder regressor for production prediction and energy saving of industrial processes | |
CN116307206A (zh) | 基于分段图卷积和时间注意力机制的天然气流量预测方法 | |
He et al. | Wavelet-temporal neural network for multivariate time series prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |