CN107942677B - 一种应用于闭环智能建模的工业数据挖掘方法 - Google Patents

一种应用于闭环智能建模的工业数据挖掘方法 Download PDF

Info

Publication number
CN107942677B
CN107942677B CN201711358674.9A CN201711358674A CN107942677B CN 107942677 B CN107942677 B CN 107942677B CN 201711358674 A CN201711358674 A CN 201711358674A CN 107942677 B CN107942677 B CN 107942677B
Authority
CN
China
Prior art keywords
data
data set
loop
closed
feasible
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
CN201711358674.9A
Other languages
English (en)
Other versions
CN107942677A (zh
Inventor
王文新
李全善
石建峰
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.)
BEIJING CENTURY ROBUST TECHNOLOGY CO LTD
Original Assignee
BEIJING CENTURY ROBUST TECHNOLOGY CO LTD
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 BEIJING CENTURY ROBUST TECHNOLOGY CO LTD filed Critical BEIJING CENTURY ROBUST TECHNOLOGY CO LTD
Priority to CN201711358674.9A priority Critical patent/CN107942677B/zh
Publication of CN107942677A publication Critical patent/CN107942677A/zh
Application granted granted Critical
Publication of CN107942677B publication Critical patent/CN107942677B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种应用于闭环智能建模的工业数据挖掘方法，属于流程工业建模技术及数据挖掘领域。该方法不需要外加任何现场测试信号，不取决现场控制器处于闭环或是开环状况，直接基于数据挖掘技术捕捉有效数据集，为实现长期直接在线自动辨识闭环控制系统中的过程对象模型奠定基础，而且因为对过程不附加任何测试信号，故对生产过程没有任何影响。本发明自动挖掘出有效的闭环建模数据，对生产装置没有任何影响，输入输出数据相关性小，为后续的闭环控制系统的建模奠定基础。

Description

一种应用于闭环智能建模的工业数据挖掘方法
技术领域
本发明属于流程工业建模技术及数据挖掘领域，涉及一种应用于闭环智能建模的工业数据挖掘方法，该方法可应用于在闭环自动控制系统中，不外加测试信号，且能直接建立过程模型的技术。
背景技术
模型是控制技术有效实施的基础，只有模型准确，控制技术才能发挥实效。目前，系统辨识的大多数方法都是采用开环系统辨识的方法。但在工业现场，开环辨识需要对控制回路加入测试信号的试验，对正常生产过程影响较大，存在安全隐患问题。闭环辨识对生产过程影响很小，工厂容易接受，但只能辨识闭环控制系统的模型，直接辨识过程模型的难度较大，因为直接辨识过程模型的数据相关性严重，它不仅受到闭环控制系统可辨识性条件的限制，还在于很难寻找到合适的输入输出互不相关的建模数据。工业现场产生的海量过程数据，包含了多种工况、负荷与原料变化情况，从中提取有效数据建立的模型能覆盖全部工况，模型具有更好的适应性与鲁棒性。因此，研发一种基于工业大数据的闭环控制系统的建模数据挖掘方法对于免测试的自动建模技术具有重要意义。
发明内容
针对目前实际工业应用现状，首次独创性地提出了一种基于设定值变化的闭环控制系统的建模有效数据挖掘方法，不需要外加任何现场测试信号，不取决现场控制器处于闭环或是开环状况，直接基于数据挖掘技术捕捉有效数据集，为实现长期直接在线自动辨识闭环控制系统中的过程对象模型奠定基础，而且因为对过程不附加任何测试信号，故对生产过程没有任何影响。
本发明采用的技术方案为一种应用于闭环智能建模的工业数据挖掘方法，步骤如下：
第一步：海量数据库建立。
基于OPC数据访问技术，采集现场生产过程实际数据，形成海量的数据库；
第二步：可行数据组与可行数据集。
从每一个回路形成的数据库内，选取m个设定值变化的过程数据组Si，i表示过程数据组的个数，形成初始过程数据集S，S＝{S1,S2···Sm}。
Figure GDA0002965021680000021
式1中，a为一个小正数，SV为设定值，OP为控制器输出值，PV为测量值，ΔSV为设定值变化量。ti为时间节点，Si表示数据集中的第i个数据组。
在数据库内，以时间ti为节点，向前后搜索，当连续kS个数据组的ΔSV＜a时，最前面的数据组
Figure GDA0002965021680000022
最后的数据组
Figure GDA0002965021680000023
这两个时间节点内的数据构成初始数据集
Figure GDA0002965021680000024
在初始数据集内根据ΔOP最大化原则选择出可行数据组Nj。Nj为具有模型辨识可能性的时间序列。
Figure GDA0002965021680000025
首先以ΔOP为排序依据，从大到小对数据组Nj进行排序，取前kN个数据组形成数据集D，kN＜kS。对D以ΔPV为排序依据进行从大到小排序，取前l个数据。数据集D如下式：
D＝{N1,N2···Nl} (3)
对于数据集D中的每一个元素Nj，在数据集S中以ti时刻为时间节点前向搜索，当连续n1i个数据组的ΔOP小于一个小正数δ时，这段时间内的数据组构成可行数据集N的前段部分
Figure GDA0002965021680000026
以ti时刻为时间节点后向搜索，当连续(ni-n2i)个数据组的ΔOP小于δ时，这段时间内的数据组构成可行数据集N的后段部分
Figure GDA0002965021680000027
中间段的数据组构成可行数据集N动态响应部分
Figure GDA0002965021680000028
可行数据集N及组成部分满足公式(4)：
Figure GDA0002965021680000029
Δop为控制器输出值变化量，δ为一个小正数，
Figure GDA00029650216800000210
表示任意一个op。
第三步：基于可行数据组进行相关性分析。
过程模型的数据相关性严重，对输入输出数据进行相关性分析，筛选出相关性小的数据组。
互相关函数如下：
Figure GDA0002965021680000031
式中，L是数据长度，ROP,PV为相关系数，OP为可行数据集中的输入数据，PV为可行数据集中的输出数据。
对于可行数据组Nj，计算OP,PV的互相关函数，如果ROP,PV＜γ，则Nj为初始有效数据组，记为
Figure GDA0002965021680000032
所有初始有效数据组构成初始有效数据集
Figure GDA0002965021680000033
第四步：获取有效数据组和有效数据集。
基于初始有效数据集
Figure GDA0002965021680000034
采用辅助变量法闭环辨识，得到闭环系统模型。
化工装置单个回路看作是线性单输入单输出系统过程，数学模型采用以下表达式：
A(z-1)z(k)＝B(z-1)u(k)+e(k) (6)
其中：u(k)表示过程的的输入，z(k)表示过程的输出，e(k)为均值为零的有色噪声，z-1为移位算子。
模型参数多项式A(z-1)和B(z-1)表示为以下式子，模型阶次为na、nb：
Figure GDA0002965021680000035
a1···an,b1···bn为模型系数，均为常数
令：
Figure GDA0002965021680000036
对于k＝1,2,···,L，方程式(8)构成一个线性方程组(9)
Figure GDA0002965021680000041
其中，ZL为输入矩阵，eL为噪声矩阵，HL为输入输出矩阵。
θ为辅助变量参数，模型写出最小二次格式：
ZL＝HLθ+eL (10)
参数的最小二乘估计值为：
Figure GDA0002965021680000042
给定一个小正数ε＞0，模型辨识输出f(OP)，其不敏感损失函数为公式:
C(f(OP),PV)＝sign(|f(OP)-PV|-ε) (12)
其中，符号函数sign()为：
Figure GDA0002965021680000043
式中x是自变量，对于初始有效数据组
Figure GDA0002965021680000044
基于不敏感损失函数计算其辨识信任度函数:
Figure GDA0002965021680000045
如果初始有效数据组
Figure GDA0002965021680000046
的信任度函数
Figure GDA0002965021680000047
0＜ξ≤1，则该数据组为有效数据组，所有有效数据组的集合称为有效数据集。
与现有技术相比较，本发明不需要对控制回路加入测试信号的试验，自动挖掘出有效的闭环建模数据，对生产装置没有任何影响，输入输出数据相关性小，为后续的闭环控制系统的建模奠定基础。
附图说明
图1为采集到的不同设定值产生的模型辨识曲线。
图2为改变设定值产生的有效数据集曲线。
具体实施方式
针对本发明所提出的方法，下面结合一个实例予以说明。
某化工装置流量控制回路FIC320083，根据本发明提出的方法基于设定值变化的闭环建模有效数据挖掘方法，挖掘出可行性数据组并在此基础上建立带有色噪声的回路模型，通过测量值与模型输出值计算信任度函数筛选出有效数据组。图1为采集到的不同设定值产生的模型辨识曲线，图中SP为设定值，PV值为压力测量值，OBJ为模型输出值。
图2为改变设定值产生的有效数据集曲线，SP为设定值，PV值为压力测量值，OP为阀位值。

Claims (1)

1.一种应用于闭环智能建模的工业数据挖掘方法，其特征在于：本方法的实现步骤如下：
第一步：数据库建立；
基于OPC数据访问技术，采集现场生产过程实际数据，形成数据库；
第二步：可行数据组与可行数据集；
从每一个回路形成的数据库内，选取m个设定值变化的过程数据组Si，i表示过程数据组的个数，形成初始过程数据集S，S＝{S1,S2…Sm}；
Figure FDA0002943358750000011
式1中，a为一个小正数，SV为设定值，OP为控制器输出值，PV为测量值，ΔSV为设定值变化量；
式中，ti为时间节点，Si表示数据集中的第i个数据组；
在数据库内，以时间ti为节点，向前后搜索，当连续kS个数据组的ΔSV＜a时，最前面的数据组
Figure FDA0002943358750000012
最后的数据组
Figure FDA0002943358750000013
这两个时间节点内的数据构成初始数据集
Figure FDA0002943358750000014
在初始数据集内根据ΔOP最大化原则选择出可行数据组Nj；Nj为具有模型辨识可能性的时间序列；
Figure FDA0002943358750000015
首先以ΔOP为排序依据，从大到小对数据组Nj进行排序，取前kN个数据组形成数据集D，kN＜kS；对D以ΔPV为排序依据进行从大到小排序，取前l个数据；数据集D如下式：
D＝{N1,N2…Nl} (3)
对于数据集D中的每一个元素Nj，在数据集S中以ti时刻为时间节点前向搜索，当连续n1i个数据组的ΔOP小于一个小正数δ时，这段时间内的数据组构成可行数据集N的前段部分
Figure FDA0002943358750000016
以ti时刻为时间节点后向搜索，当连续(ni-n2i)个数据组的ΔOP小于δ时，这段时间内的数据组构成可行数据集N的后段部分
Figure FDA0002943358750000021
中间段的数据组构成可行数据集N动态响应部分
Figure FDA0002943358750000022
可行数据集N及组成部分满足公式(4)：
Figure FDA0002943358750000023
ΔOP为控制器输出值变化量，δ为一个小正数，
Figure FDA0002943358750000024
表示任意一个OP；
第三步：基于可行数据组进行相关性分析；
过程模型的数据相关性严重，对输入输出数据进行相关性分析，筛选出相关性小的数据组；
互相关函数如下：
Figure FDA0002943358750000025
式中，L是数据长度，ROP,PV为相关系数，OP为可行数据集中的输入数据，PV为可行数据集中的输出数据；
对于可行数据组Nj，计算OP,PV的互相关函数，如果ROP,PV＜γ，则Nj为初始有效数据组，记为
Figure FDA0002943358750000026
所有初始有效数据组构成初始有效数据集
Figure FDA0002943358750000027
第四步：获取有效数据组和有效数据集；
基于初始有效数据集
Figure FDA0002943358750000028
采用辅助变量法闭环辨识，得到闭环系统模型；
化工装置单个回路看作是线性单输入单输出系统过程，数学模型采用以下表达式：
A(z-1)z(k)＝B(z-1)u(k)+e(k) (6)
其中：u(k)表示过程的的输入，z(k)表示过程的输出，e(k)为均值为零的有色噪声，z-1为移位算子；
模型参数多项式A(z-1)和B(z-1)表示为以下式子，模型阶次为na、nb：
Figure FDA0002943358750000031
Figure FDA0002943358750000032
为模型系数，均为常数；
令：
Figure FDA0002943358750000033
对于k＝1,2,…,L，方程式(8)构成一个线性方程组(9)
Figure FDA0002943358750000034
其中，ZL为输入矩阵，eL为噪声矩阵，HL为输入输出矩阵；
θ为辅助变量参数，模型写出最小二次格式：
ZL＝HLθ+eL (10)
参数的最小二乘估计值为：
Figure FDA0002943358750000035
给定一个小正数ε＞0，模型辨识输出f(OP)，其不敏感损失函数为公式:
C(f(OP),PV)＝sign(|f(OP)-PV|-ε) (12)
其中，符号函数sign()为：
Figure FDA0002943358750000036
式中x是自变量，对于初始有效数据组
Figure FDA0002943358750000037
基于不敏感损失函数计算其辨识信任度函数:
Figure FDA0002943358750000038
如果初始有效数据组
Figure FDA0002943358750000039
的信任度函数
Figure FDA00029433587500000310
0＜ξ≤1，则该数据组为有效数据组，所有有效数据组的集合称为有效数据集。
CN201711358674.9A 2017-12-17 2017-12-17 一种应用于闭环智能建模的工业数据挖掘方法 Active CN107942677B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711358674.9A CN107942677B (zh) 2017-12-17 2017-12-17 一种应用于闭环智能建模的工业数据挖掘方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711358674.9A CN107942677B (zh) 2017-12-17 2017-12-17 一种应用于闭环智能建模的工业数据挖掘方法

Publications (2)

Publication Number Publication Date
CN107942677A CN107942677A (zh) 2018-04-20
CN107942677B true CN107942677B (zh) 2021-04-30

Family

ID=61944501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711358674.9A Active CN107942677B (zh) 2017-12-17 2017-12-17 一种应用于闭环智能建模的工业数据挖掘方法

Country Status (1)

Country Link
CN (1) CN107942677B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103760768A (zh) * 2013-12-30 2014-04-30 广东电网公司电力科学研究院 基于正常运行数据的发电机组多变量系统辨识方法
CN104932273A (zh) * 2015-06-09 2015-09-23 惠德时代能源科技(北京)有限公司 一种基于改进型Smith预估补偿器的变参数自适应控制方法
CN105259756A (zh) * 2015-10-20 2016-01-20 广东电网有限责任公司电力科学研究院 电厂控制回路模型辨识方法与系统
CN107450310A (zh) * 2016-05-30 2017-12-08 上海明华电力技术工程有限公司 一种连续过程模型的设定值激励闭环辨识方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103760768A (zh) * 2013-12-30 2014-04-30 广东电网公司电力科学研究院 基于正常运行数据的发电机组多变量系统辨识方法
CN104932273A (zh) * 2015-06-09 2015-09-23 惠德时代能源科技(北京)有限公司 一种基于改进型Smith预估补偿器的变参数自适应控制方法
CN105259756A (zh) * 2015-10-20 2016-01-20 广东电网有限责任公司电力科学研究院 电厂控制回路模型辨识方法与系统
CN107450310A (zh) * 2016-05-30 2017-12-08 上海明华电力技术工程有限公司 一种连续过程模型的设定值激励闭环辨识方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种闭环对象辨识方法及其在生产中的应用;姜景杰等;《南京航空航天大学学报》;20060731;第38卷;第70-73页 *
基于OPC和IMC的先进控制及其应用;姜景杰等;《北京化工大学学报》;20071231;第34卷(第1期);第67-70页 *
基于数据挖掘的IMC_PID在线自整定算法的实现;李全善等;《江南大学学报(自然科学版)》;20100831;第9卷(第4期);第390-394页 *

Also Published As

Publication number Publication date
CN107942677A (zh) 2018-04-20

Similar Documents

Publication Publication Date Title
CN104345639B (zh) 一种电液位置伺服系统鲁棒自适应控制方法
Meng et al. Adaptive neural control of high-order uncertain nonaffine systems: A transformation to affine systems approach
DE69321952T2 (de) System und verfahren zur steuerung einer anlage
CN111045326B (zh) 一种基于递归神经网络的烘丝过程水分预测控制方法及系统
CN103941725B (zh) 一种非线性网络控制系统的故障诊断方法
CA1155527A (en) Process control
CN106156434B (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
Wang et al. Approximation-based adaptive fuzzy control for a class of non-strict-feedback stochastic nonlinear systems
CN108595803B (zh) 基于递归神经网络的页岩气井生产压力预测方法
CN113325721B (zh) 一种工业系统无模型自适应控制方法及系统
CN109145421B (zh) 一种应用于分布参数系统的时空模糊建模方法
CN108628288B (zh) 一种用于一阶时滞组合积分控制系统的性能评价方法
CN106227964B (zh) 基于扩张状态观测器的迟滞非线性系统参数辨识方法
CN107450310B (zh) 一种连续过程模型的设定值激励闭环辨识方法
CN103177289A (zh) 一种噪声不确定复杂非线性动态系统的建模方法
Bakker et al. Koopman representations of dynamic systems with control
Chen et al. Novel adaptive neural networks control with event-triggered for uncertain nonlinear system
CN106059412B (zh) 基于信度规则库推理的他励直流电动机转速控制方法
CN115129005A (zh) 基于工业过程的控制、模型方法、设备和存储介质
CN113064401B (zh) 一种基于数据驱动的闭环系统微小故障检测与估计方法
CN107942677B (zh) 一种应用于闭环智能建模的工业数据挖掘方法
KR101596202B1 (ko) 미지의 시간 지연 비선형 상호 연계를 가진 대규모 순-궤환 시스템과 이에 있어서 분산 제어 방법
CN115329823A (zh) 延迟焦化加热炉炉管温度的动态深度迁移预测方法及装置
CN112799382A (zh) 一种机器人微机电系统故障诊断方法及系统
CN116894180A (zh) 一种基于异构图注意力网络的产品制造质量预测方法

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