CN110426956A - 一种基于过程迁移模型的间歇过程最优补偿控制策略 - Google Patents
一种基于过程迁移模型的间歇过程最优补偿控制策略 Download PDFInfo
- Publication number
- CN110426956A CN110426956A CN201910695060.2A CN201910695060A CN110426956A CN 110426956 A CN110426956 A CN 110426956A CN 201910695060 A CN201910695060 A CN 201910695060A CN 110426956 A CN110426956 A CN 110426956A
- Authority
- CN
- China
- Prior art keywords
- data
- production process
- batch
- variable
- model
- 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
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)
- Feedback Control In General (AREA)
Abstract
一种基于过程迁移模型的新间歇过程最优补偿控制策略,获取A、B两个相似过程数据,并建立过程迁移模型;构建基于过程迁移模型的优化问题,求取初始最优解;设置查询点、计算查询数据与历史数据的相似性;获取相似过程中所选数据的输入、输出偏差数据得到最优补偿值;计算预测性能指标偏差;更新新批次过程的建模数据集;计算第K批次最新预测误差及其第一、第二个置信区间;根据预测误差确定是否进行数据剔除、过程迁移;更新信赖域半径。过程迁移模型能有效解决新间歇过程因数据不足而难以建模的问题;该最优补偿控制策略能对求解新间歇过程优化问题的次优解进行补偿,并通过在线数据实时更新模型来补偿模型对象的不匹配。
Description
技术领域
本发明属于工业生产过程中间歇过程的优化控制领域,具体涉及一种基于过程迁移模型的间歇过程最优补偿控制策略。
背景技术
间歇过程是指在规定时间内,按照指定的工艺流程将原料加工成特定产品的生产过程,有时候也被称为批次过程,具有参数随时间变化、工作状态不稳定等特点。在现代工业加工生产中,间歇过程被广泛应用于食品、药物、化工等产品的生产制造中,它具有生产过程简单、灵活性高、投资费用低等诸多优点。在社会的高速发展下,人们对产品质量、生产成本、环境保护等各方面的要求都在不断提高,间歇过程运行优化策略在这些方面扮演着重要角色。随着消费需求的不断提高以及市场环境的连续变化,小批量、高附加值的间歇过程逐渐开始成为人们的研究热点。目前许多精细化工、生物医药、食品制造和半导体都是批量生产的,在市场竞争日益激烈的时代,批量生产过程迫切需要提高产品质量,最大限度地提高工厂的经济效益。与连续过程不同,间歇过程运行优化的目的不是使生产过程保持稳定状态,而是获得操作变量的最优轨迹,从而使每个间歇过程的最终效益最大化。
然而,使用传统的数据驱动方法建模的前提是拥有充足的数据样本,对于刚投入生产的新间歇过程,由于生产过程的时间比较短,无法获得充足的数据信息,这就造成新生产过程中数据不足的问题。现有技术中的间歇过程在线质量预测的方法虽然可以有效解决建模时的数据不足问题,但是,其中数据驱动模型与实际过程存在一定的偏差,即存在过程与模型不匹配的问题,这就需要寻找另外的方法来解决。对于过程迁移模型来说,两个相似间歇过程虽然化学和物理原理相同或者类似,但是实际过程与过程迁移模型之间的差异是不可避免的,而这差异也将导致实际过程与过程迁移模型之间的不匹配问题严重化,这也将使得优化中模型的NCO不匹配问题更加明显。因此,求解基于过程迁移模型的优化问题所得到的操纵变量是一个次优解。这就需要设计一种有效的修正自适应控制策略来进行迁移模型的更新,并且对非最优操作变量进行补偿。此外,对于少量实验数据的复杂非线性系统来说,由于难以建立可靠的预测模型,这将导致很难估计模型梯度或者模型梯度估计不够精确。
发明内容
针对上述现有技术存在的问题,本发明提供一种基于过程迁移模型的间歇过程最优补偿控制策略,该策略能有效解决新间歇过程建模数据不足而难以建模的问题,并能效解决优化中模型的NCO不匹配问题,有助于改进最终产品优化的效果,大大提高企业的综合经济效益。
为了实现上述目的,本发明提供一种基于过程迁移模型的间歇过程最优补偿控制策略,利用两个相似间歇生产过程中A和B的数据建立过程迁移模型,具体包括以下步骤:
步骤1:展开二维数据矩阵以获得A生产过程输入、输出变量矩阵Xa、Ya,B生产过程输入、输出变量矩阵Xb、Yb;
其中,Xa为A生产过程输入变量矩阵;
Xb为B生产过程输入变量矩阵;
Ya为A生产过程输出变量矩阵;
Yb为B生产过程输出变量矩阵;
步骤2:分别根据各自的均值和方差对A生产过程和B生产过程的数据矩阵进行归一化处理,并使用JYKPLS方法建立过程迁移模型;
步骤3:根据公式(1)构造优化问题并求解B生产过程最优解xb(k) *:
其中,k表示第k个间歇生产过程;
λ1是软约束的权重系数;
T2统计量是软约束;
xL和xU分别是操作变量的最小值和最大值;
步骤4:将xb(k) *设置为查询数据xq,并根据公式(2)分别计算A生产过程、B生产过程历史数据和查询数据之间的相似性s(xa,xq)、s(xb,xq):
其中,λ∈[0,1]是权重参数;
d(xq,xi)是xq和xi之间的欧式距离;
θi表示xq和Δxi之间的角度;
步骤5:根据相似性从原始数据集中选择A生产过程的n个最相关数据和B生产过程中m个最相关数据;
步骤6:分别计算所选数据与查询数据xq和它的质量输出指标之间的偏差,即(xa,ya)和(xb,yb)与之间的偏差,分别得到A生产过程的n批输入、输出偏差数据(Δxa,Δya)和B生产过程的m批输入、输出偏差数据(Δxb,Δyb);
其中,Δxa为生产过程A操作变量的补偿值;
Δxb为生产过程B操作变量的补偿值;
步骤7:根据公式(3)求解优化目标函数,得到xb(k) *的最优补偿值Δxb(k) *:
其中,T2 local统计量是软约束;
λlocal是软约束的权重系数;
D为信任区域半径;
步骤8:根据公式(4)对最终最优解xb(k) *+Δxb(k) *进行滤波,得到重新调整后的操纵变量xb(k),并根据公式(5)利用第k-1批次和第k批次的输入、输出数据来计算预测的性能指标偏差ΔPpred:
其中,I为单位矩阵;
W为对角增益矩阵;
步骤9:如公式(6)中所示,如果预测的性能指数衰减率τ大于优化终止阈值η,然后使用最新的重新调整后的操纵变量xb(k)来运行第k个间歇生产过程;如果性能指数衰减率τ小于阈值η,则第k批次优化失败,并使用先前批次即第k-1批次的操作变量xb(k-1)来运行第k个间歇过程,即xb(k)=xb(k-1)。
步骤10:当第k批次运行完成后,收集新的数据并使用操纵变量xb(k)和最新的产品质量yb(k)来更新B生产过程中的建模数据集;
步骤11:用历史误差δk-1来计算第k批次的最新预测误差δk和其第一个置信区间
其中,是误差平均值;
σ是标准差;
z是误差的方差;
α1是显著性水平;
步骤12:如果h个连续批次的预测误差δk~k+h落在其第一置信区间内,则消除A生产过程中相似性最小的若干批次数据,否则,无需进行数据的消除;
步骤13:根据公式(7)计算实际性能指标偏差ΔPreal,并根据以下准则更新D:
如果ΔPreal<ΔPpred,Dk+1=β||Δxb(k) *||.
如果ΔPreal>ΔPpred且Dk+1=||Δxb(k) *||,Dk+1=γDk.
否则,Dk+1=Dk.
其中,β、γ都是权重参数
ΔPreal=P(xb(k-1),yb(k-1))-p(xb(k),yb(k)) (7);
步骤14:用历史误差δk-1计算第k批次的第二置信区间
步骤15:如果h个连续批次的预测误差δk~k+h落在其第二置信区间内,且A生产过程中数据量小于原始数据量的三分之一,则停止迁移过程并通过普通模型来代替过程迁移模型;否则,让k=k+1,返回步骤1。
本发明在数据的建模部分利用两个相似间歇生产过程的数据并联合质量指标的核偏最小二乘(JYKPLS)方法建立过程迁移模型,从而将已有的历史数据迁移应用到新生产过程中,便有效解决了因新间歇生产过程建模数据不足而难以建模的问题。然后进行基于过程迁移模型的批次间优化,同时,为了有效解决因两个相似过程之间的差异性和过程中存在的噪声等其它原因所导致的过程迁移模型存在最优性的必要条件(NCO)不匹配的问题,还在批次间优化之前,通过一种更有效的自适应控制策略来对迁移模型进行更新,而且是一种适合过程迁移模型的两阶段模型来更新方案,并对非最优操作变量进行补偿。最后,为了进一步补偿非最优操纵变量,避免估计实际梯度,还提出了基于即时学习和信赖域方法的最优补偿控制策略(OCC),该策略主要思想是通过对代价函数和约束条件的迭代修正来补偿预测梯度与实测梯度之间的不匹配情况,从而将操作变量引导到最优设定点,进而能通过最优补偿控制策略,有效解决了优化中模型的NCO不匹配问题,同时,还能通过间歇过程运行优化时进行数据剔除和模型不断更新,可以改进最终产品优化的效果,大大提高企业的综合经济效益。该策略仅需要少量的新过程数据,即可建立准确可靠的预测模型,然后求解目标优化函数,便可得到最优补偿值。
附图说明
图1是草酸钴结晶工艺流程图;
图2是本发明基于过程迁移模型的间歇过程最优补偿控制策略的流程图;
图3是本发明基于JYKPLS模型的有无OCC控制策略下的草酸钴粒径优化结果对比图;
图4是采用JYKPLS算法、OCC控制策略遗传算法所获得草酸铵进料率的比较示意图。
具体实施方式
一种基于过程迁移模型的间歇过程最优补偿控制策略,利用两个相似间歇生产过程中A和B的数据建立过程迁移模型,具体包括以下步骤:
步骤1:展开二维数据矩阵以获得A生产过程输入、输出变量矩阵Xa、Ya,B生产过程输入、输出变量矩阵Xb、Yb;
其中,Xa为A生产过程输入变量矩阵;
Xb为B生产过程输入变量矩阵;
Ya为A生产过程输出变量矩阵;
Yb为B生产过程输出变量矩阵;
步骤2:分别根据各自的均值和方差对A生产过程和B生产过程的数据矩阵进行归一化处理,并使用JYKPLS方法建立过程迁移模型;
步骤3:根据公式(1)构造优化问题并求解B生产过程最优解xb(k) *:
其中,k表示第k个间歇生产过程;
λ1是软约束的权重系数;
T2统计量是软约束;
xL和xU分别是操作变量的最小值和最大值;
步骤4:将xb(k) *设置为查询数据xq,并根据公式(2)分别计算A生产过程、B生产过程历史数据和查询数据之间的相似性s(xa,xq)、s(xb,xq):
其中,λ∈[0,1]是权重参数;
d(xq,xi)是xq和xi之间的欧式距离;
θi表示xq和Δxi之间的角度;
步骤5:根据相似性从原始数据集中选择A生产过程的n个最相关数据和B生产过程中m个最相关数据;
步骤6:分别计算所选数据与查询数据xq和它的质量输出指标之间的偏差,即(xa,ya)和(xb,yb)与之间的偏差,分别得到A生产过程的n批输入、输出偏差数据(Δxa,Δya)和B生产过程的m批输入、输出偏差数据(Δxb,Δyb);
其中,Δxa为生产过程A操作变量的补偿值;
Δxb为生产过程B操作变量的补偿值;
步骤7:根据公式(3)求解优化目标函数,得到xb(k) *的最优补偿值Δxb(k) *:
其中,T2 local统计量是软约束;
λlocal是软约束的权重系数;
D为信任区域半径;
步骤8:根据公式(4)对最终最优解xb(k) *+Δxb(k) *进行滤波,得到重新调整后的操纵变量xb(k),并根据公式(5)利用第k-1批次和第k批次的输入、输出数据来计算预测的性能指标偏差ΔPpred:
其中,I为单位矩阵;
W为对角增益矩阵;
步骤9:如公式(6)中所示,如果预测的性能指数衰减率τ大于优化终止阈值η,然后使用最新的重新调整后的操纵变量xb(k)来运行第k个间歇生产过程;如果性能指数衰减率τ小于阈值η,则第k批次优化失败,并使用先前批次即第k-1批次的操作变量xb(k-1)来运行第k个间歇过程,即xb(k)=xb(k-1)。
步骤10:当第k批次运行完成后,收集新的数据并使用操纵变量xb(k)和最新的产品质量yb(k)来更新B生产过程中的建模数据集;
步骤11:用历史误差δk-1来计算第k批次的最新预测误差δk和其第一个置信区间
其中,是误差平均值;
σ是标准差;
z是误差的方差;
α1是显著性水平;
步骤12:如果h个连续批次的预测误差δk~k+h落在其第一置信区间内(满足条件1),则消除A生产过程中相似性最小的若干批次数据,否则,无需进行数据的消除;
步骤13:根据公式(7)计算实际性能指标偏差ΔPreal,并根据以下准则更新D:
如果ΔPreal<ΔPpred,Dk+1=β||Δxb(k) *||.
如果ΔPreal>ΔPpred且Dk+1=||Δxb(k) *||,Dk+1=γDk.
否则,Dk+1=Dk.
其中,β、γ都是权重参数
ΔPreal=P(xb(k-1),yb(k-1))-p(xb(k),yb(k)) (7);
步骤14:用历史误差δk-1计算第k批次的第二置信区间
步骤15:如果h个连续批次的预测误差δk~k+h落在其第二置信区间内,且A生产过程中数据量小于原始数据量的三分之一(满足条件2),则停止迁移过程并通过普通模型来代替过程迁移模型;否则,让k=k+1,返回步骤1。
本发明在数据的建模部分利用两个相似间歇生产过程的数据并联合质量指标的核偏最小二乘(JYKPLS)方法建立过程迁移模型,从而将已有的历史数据迁移应用到新生产过程中,便有效解决了因新间歇生产过程建模数据不足而难以建模的问题。然后进行基于过程迁移模型的批次间优化,同时,为了有效解决因两个相似过程之间的差异性和过程中存在的噪声等其它原因所导致的过程迁移模型存在NCO不匹配的问题,还在批次间优化之前,通过一种更有效的自适应控制策略来对迁移模型进行更新,而且是一种适合过程迁移模型的两阶段模型来更新方案,并对非最优操作变量进行补偿。最后,为了进一步补偿非最优操纵变量,避免估计实际梯度,还提出了基于即时学习和信赖域方法的最优补偿控制策略(OCC),该策略主要思想是通过对代价函数和约束条件的迭代修正来补偿预测梯度与实测梯度之间的不匹配情况,从而将操作变量引导到最优设定点,进而能通过最优补偿控制策略,有效解决了优化中模型的NCO不匹配问题,同时,还能通过间歇过程运行优化时进行数据剔除和模型不断更新,可以改进最终产品优化的效果,大大提高企业的综合经济效益。该策略仅需要少量的新过程数据,即可建立准确可靠的预测模型,然后求解目标优化函数,便可得到最优补偿值。
下面通过具体实施例,对本发明的技术方案作出更加详细的说明。
草酸钴主要是通过对化学物进行化学反应的途径来进行生产,高成本和高耗能是草酸钴生产过程的特性。因此,优化草酸钴生产过程对于降低草酸钴生产成本和提高草酸钴产品质量具有重要意义。为了能够及时掌握产品的质量,实现草酸钴生产过程的实时优化,可将本方法运用于草酸钴质量控制中。
草酸钴结晶过程是典型的间歇生产过程,经多次的反应、洗涤、压滤和干燥得到草酸钴成品。其中最重要的是草酸铵和氯化钴的反应过程,这个过程的好坏直接决定了草酸钴的粒度分布。工艺流程如图1所示。草酸钴结晶过程中主要包含两个重要部分:草酸铵溶解器以及结晶器。草酸铵结晶过程在结晶器中进行并且通过不断的搅拌。为了保持结晶器内的温度的稳定,采用加热套和PI控制器对其温度进行控制。具体的程序如下所示。
(1)草酸的配制:将一定量的固体草酸与一定量的纯水放入草酸溶解釜中,蒸汽加热至溶解完全,进行压滤,得到较为纯净的草酸。
(2)合成草酸铵:将草酸溶液加入到草酸铵合成釜中,向里通入氨气或加入液氨,加热至一定的温度,对粗料和细料有不同要求。
(3)合成草酸钴先将定量的氯化钴液放入草酸钴合成釜中,加热到一定温度对粗料和细料有不同要求,然后以一定速率通入草酸铵液,持续一定时间,停止通料,打开合成釜将悬浊液通入到压滤机中压滤。
(4)压滤、洗涤、干燥一次后再经三次洗涤、压滤、干燥得到成品草酸钴。
通过对草酸钴生产过程的深入分析并考虑现场的实际生产过程,可选取5个过程参数、1个过程变量和1个输出变量用于草酸钴质量的在线预测。这5个过程参数分别是:反应温度、搅拌速率、草酸铵浓度、氯化钴浓度、氯化钴的初始体积;1个过程变量是草酸铵流速;1个输出变量是草酸钴粒度大小。各参数与变量如表1所示:
表1参数与变量表
本发明中基于过程迁移模型的间歇过程最优补偿控制策略如图2所示:
1)数据产生和JYKPLS模型建立
使用MATLAB R2017a版本的仿真软件,以方便对草酸钴结晶过程的仿真。该软件能够对不同操作条件下草酸钴生产过程的反应温度、搅拌速率、草酸铵流速、草酸铵浓度、氯化钴浓度以及氯化钴的初始体积等进行线下仿真。分析草酸钴机理过程,建立机理模型,利用草酸钴合成过程机理模型代替实际生产过程,为数据模型提供合理的建模数据。利用MATLAB软件从A生产过程中获取45个批次的数据,其中5个批次的数据用于建模,40个批次的数据用于检验;从B生产过程中获取40个批次的数据,用于草酸钴粒度大小模型的建立。利用A生产过程的5个批次和B过程的40个批次数据按照上述的方法建立JYKPLS模型,然后利用A过程剩余的40个批次数据进行检测。
2)修正自适应的批次间优化和旧过程的数据替换
在对草酸钴输出质量进行批次间优化时,采用修正自适应策略。通过实际测量值与预测值的偏差及其导数的偏差,不断迭代的修正目标函数和约束条件,以此来求得实际过程的最优操作轨迹。随着生产批次数的增加,新生产过程数据样本不断的扩充,JYKPLS方法预测的精度随批次数的增加而提高,但由于其中相似过程数据的存在,其提高速度较慢。因此为了进一步提高预测精度,有必要用新获得的生产数据对旧数据进行替换,对旧生产过程中相似度低的数据进行剔除。相似度计算公式:然后,可按照相似度由小到大的顺序对旧批次过程中的批次进行排序,并依排序对旧批次过程中的批次进行剔除。也就是说,优先剔除与新批次过程的数据差别较大的旧批次过程的数据。
3)最优补偿控制策略(OCC)
因为优化模型中存在NCO不匹配问题,为了进一步在基于JYKPLS模型中所得到的操纵变量的邻域内寻找到最优解,采用所提出的最优补偿控制策略对该偏差进行迭代补偿。图3和图4给出了利用遗传算法(GA)计算得到的最优平均晶体尺寸和最优操纵变量轨迹。为了分析晶体尺寸优化过程,图3给出了基于JYKPLS模型的OCC控制策略下的草酸钴粒径优化结果,同时图3还给出了无OCC策略的基于JYKPLS模型的草酸钴粒径优化结果,以此来进行优化效果对比。在第8批次中,连续3个错误落在它们的第一个置信区间。当到达第47批次时,连续出现的3个错误落在第二个置信区间内。因此,模型更新的第一阶段是从第1批次到第8批次,第二阶段是从第9批次到第46批次。从这两阶段中可以看出,相比于没有最优补偿优化的方法,提出的最优补偿控制策略可以增加响应速度,并最终收敛于一个更高的水平,非常接近遗传算法的优化结果,使草酸钴的粒径从原来的2.45μm升高到2.5μm。此外,操纵变量轨迹的比较图如图4所示,从中可以看出基于JYKPLS模型得到的操纵变量偏离最优解。因此,虽然两阶段模型更新方案可以在一定程度上解决由于数据的缺乏和两个过程之间的差异而导致的不匹配问题,但实际最优解与基于过程转移模型计算的最优解之间仍然存在偏差。因此,我们采用所提出的OCC策略对该偏差进行迭代补偿,以此来寻找操纵变量邻域内的最优解。由图4可以看出该策略得到的最优解与基于完全第一原理模型的遗传算法最接近。因此,在本仿真中,该策略能够通过迭代修正非最优操纵变量与实际最优解之间的偏差,进一步补偿模型与对象之间的不匹配。
通过以上仿真实例可以看出,本发明利用两个相似过程数据联合建立预测模型,将相似过程中合适的数据迁移应用到新的生产过程中,在此基础上提出最优补偿控制策略,将草酸钴粒度大小提高到更高的水平。JYKPLS方法利用每一批次结束后产生的新数据对模型进行更新,能够提高模型预测精度,实现模型更新。在获得足够的新过程数据后,对旧过程中相似度较低的数据进行剔除,以消除旧数据自身偏差所产生的影响。借助于预测的结果,现场操作人员就可以及时调整和改进生产策略,提高生产效率。此外,为了克服过程迁移模型中的NCO不匹配问题,采用最优补偿控制策略。最后,通过对草酸钴合成过程的仿真,验证了所提出的最优补偿控制策略可以提高间歇过程的控制和优化性能。
Claims (2)
1.一种基于过程迁移模型的间歇过程最优补偿控制策略,其特征在于,利用两个相似间歇生产过程中A和B的数据建立过程迁移模型,具体包括以下步骤:
步骤1:展开二维数据矩阵以获得A生产过程输入、输出变量矩阵Xa、Ya,B生产过程输入、输出变量矩阵Xb、Yb;
其中,Xa为A生产过程输入变量矩阵;
Xb为B生产过程输入变量矩阵;
Ya为A生产过程输出变量矩阵;
Yb为B生产过程输出变量矩阵;
步骤2:分别根据各自的均值和方差对A生产过程和B生产过程的数据矩阵进行归一化处理,并建立过程迁移模型;
步骤3:根据公式(1)构造优化问题并求解B生产过程最优解xb(k) *:
其中,k表示第k个间歇生产过程;
λ1是软约束的权重系数;
T2统计量是软约束;
xL和xU分别是操作变量的最小值和最大值;
步骤4:将xb(k) *设置为查询数据xq,并根据公式(2)分别计算A生产过程、B生产过程历史数据和查询数据之间的相似性s(xa,xq)、s(xb,xq):
其中,λ∈[0,1]是权重参数;
d(xq,xi)是xq和xi之间的欧式距离;
θi表示xq和Δxi之间的角度;
步骤5:根据相似性从原始数据集中选择A生产过程的n个最相关数据和B生产过程中m个最相关数据;
步骤6:分别计算所选数据与查询数据xq和它的质量输出指标之间的偏差,即(xa,ya)和(xb,yb)与之间的偏差,分别得到A生产过程的n批输入、输出偏差数据(Δxa,Δya)和B生产过程的m批输入、输出偏差数据(Δxb,Δyb);
其中,Δxa为生产过程A操作变量的补偿值;
Δxb为生产过程B操作变量的补偿值;
步骤7:根据公式(3)求解优化目标函数,得到xb(k) *的最优补偿值Δxb(k) *:
其中,T2 local统计量是软约束;
λlocal是软约束的权重系数;
D为信任区域半径;
步骤8:根据公式(4)对最终最优解xb(k) *+Δxb(k) *进行滤波,得到重新调整后的操纵变量xb(k),并根据公式(5)利用第k-1批次和第k批次的输入、输出数据来计算预测的性能指标偏差ΔPpred:
其中,I为单位矩阵;
W为对角增益矩阵;
步骤9:如公式(6)中所示,如果预测的性能指数衰减率τ大于优化终止阈值η,然后使用最新的重新调整后的操纵变量xb(k)来运行第k个间歇生产过程;如果性能指数衰减率τ小于阈值η,则第k批次优化失败,并使用先前批次即第k-1批次的操作变量xb(k-1)来运行第k个间歇过程,即xb(k)=xb(k-1)。
步骤10:当第k批次运行完成后,收集新的数据并使用操纵变量xb(k)和最新的产品质量yb(k)来更新B生产过程中的建模数据集;
步骤11:用历史误差δk-1来计算第k批次的最新预测误差δk和其第一个置信区间
其中,是误差平均值;
σ是标准差;
z是误差的方差;
α1是显著性水平;
步骤12:如果h个连续批次的预测误差δk~k+h落在其第一置信区间内,则消除A生产过程中相似性最小的若干批次数据,否则,无需进行数据的消除;
步骤13:根据公式(7)计算实际性能指标偏差ΔPreal,并根据以下准则更新D:
如果ΔPreal<ΔPpred,Dk+1=β||Δxb(k) *||.
如果ΔPreal>ΔPpred且Dk+1=||Δxb(k) *||,Dk+1=γDk.
否则,Dk+1=Dk.
其中,β、γ都是权重参数
ΔPreal=P(xb(k-1),yb(k-1))-p(xb(k),yb(k)) (7);
步骤14:用历史误差δk-1计算第k批次的第二置信区间
步骤15:如果h个连续批次的预测误差δk~k+h落在其第二置信区间内,且A生产过程中数据量小于原始数据量的三分之一,则停止迁移过程并通过普通模型来代替过程迁移模型;否则,让k=k+1,返回步骤1。
2.根据权利要求1所述的一种基于过程迁移模型的间歇过程最优补偿控制策略,其特征在于,所述步骤2中使用JYKPLS方法建立过程迁移模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910695060.2A CN110426956B (zh) | 2019-07-30 | 2019-07-30 | 一种基于过程迁移模型的间歇过程最优补偿控制策略 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910695060.2A CN110426956B (zh) | 2019-07-30 | 2019-07-30 | 一种基于过程迁移模型的间歇过程最优补偿控制策略 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110426956A true CN110426956A (zh) | 2019-11-08 |
CN110426956B CN110426956B (zh) | 2021-07-23 |
Family
ID=68411349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910695060.2A Active CN110426956B (zh) | 2019-07-30 | 2019-07-30 | 一种基于过程迁移模型的间歇过程最优补偿控制策略 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110426956B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111061155A (zh) * | 2020-01-13 | 2020-04-24 | 海南师范大学 | 一种基于遗传算法优化的间歇过程2d模型预测控制方法 |
CN111610768A (zh) * | 2020-06-10 | 2020-09-01 | 中国矿业大学 | 基于相似度多源域迁移学习策略的间歇过程质量预测方法 |
CN111679643A (zh) * | 2020-06-28 | 2020-09-18 | 中国矿业大学 | 一种二阶修正自适应间歇过程优化方法 |
CN112506050A (zh) * | 2020-11-04 | 2021-03-16 | 中国矿业大学 | 一种基于潜变量过程迁移模型的间歇过程集成优化方法 |
CN113110341A (zh) * | 2021-04-21 | 2021-07-13 | 中国矿业大学 | 一种基于潜变量过程迁移模型的批次过程分层优化方法 |
CN113377072A (zh) * | 2021-06-24 | 2021-09-10 | 华东交通大学 | 基于即时学习的稀土萃取过程药剂量优化设定方法 |
CN113589755A (zh) * | 2021-09-30 | 2021-11-02 | 杭州数途信息科技有限公司 | 基于优化补偿的智能调机方法及系统 |
CN113834091A (zh) * | 2021-10-12 | 2021-12-24 | 中国矿业大学 | 一种燃气锅炉燃烧优化供风系统控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7110834B2 (en) * | 1996-05-06 | 2006-09-19 | Pavilion Technologies, Inc. | Kiln thermal and combustion control |
US20120003623A1 (en) * | 2010-06-30 | 2012-01-05 | Rockwell Automation Technologies, Inc. | Nonlinear model predictive control of a batch reaction system |
CN104375475A (zh) * | 2014-08-19 | 2015-02-25 | 上海交通大学 | 间歇反应器中间歇反应过程的优化控制方法 |
US9134711B2 (en) * | 2010-05-04 | 2015-09-15 | Frito-Lay North America, Inc. | Advanced batch control |
CN106843172A (zh) * | 2016-12-29 | 2017-06-13 | 中国矿业大学 | 基于jy‑kpls的复杂工业过程在线质量预测方法 |
CN108388218A (zh) * | 2018-02-08 | 2018-08-10 | 中国矿业大学 | 基于潜变量过程迁移模型的修正自适应批次过程优化方法 |
-
2019
- 2019-07-30 CN CN201910695060.2A patent/CN110426956B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7110834B2 (en) * | 1996-05-06 | 2006-09-19 | Pavilion Technologies, Inc. | Kiln thermal and combustion control |
US9134711B2 (en) * | 2010-05-04 | 2015-09-15 | Frito-Lay North America, Inc. | Advanced batch control |
US20120003623A1 (en) * | 2010-06-30 | 2012-01-05 | Rockwell Automation Technologies, Inc. | Nonlinear model predictive control of a batch reaction system |
CN104375475A (zh) * | 2014-08-19 | 2015-02-25 | 上海交通大学 | 间歇反应器中间歇反应过程的优化控制方法 |
CN106843172A (zh) * | 2016-12-29 | 2017-06-13 | 中国矿业大学 | 基于jy‑kpls的复杂工业过程在线质量预测方法 |
CN108388218A (zh) * | 2018-02-08 | 2018-08-10 | 中国矿业大学 | 基于潜变量过程迁移模型的修正自适应批次过程优化方法 |
Non-Patent Citations (4)
Title |
---|
CHU FEI,ETAL.: "A dual modifier adaptation optimization strategy based on process transfer model for new batch process", 《IFAC -PAPERSONLINE》 * |
沈建: "基于过程迁移的批次过程运行优化研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
程相: "基于过程迁移模型的间歇过程质量预测与运行优化方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
黄碧璇 等: "草酸钴合成过程批次间自适应优化", 《控制理论与应用》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111061155A (zh) * | 2020-01-13 | 2020-04-24 | 海南师范大学 | 一种基于遗传算法优化的间歇过程2d模型预测控制方法 |
CN111061155B (zh) * | 2020-01-13 | 2022-03-29 | 海南师范大学 | 一种基于遗传算法优化的间歇过程2d模型预测控制方法 |
CN111610768A (zh) * | 2020-06-10 | 2020-09-01 | 中国矿业大学 | 基于相似度多源域迁移学习策略的间歇过程质量预测方法 |
CN111610768B (zh) * | 2020-06-10 | 2021-03-19 | 中国矿业大学 | 基于相似度多源域迁移学习策略的间歇过程质量预测方法 |
CN111679643A (zh) * | 2020-06-28 | 2020-09-18 | 中国矿业大学 | 一种二阶修正自适应间歇过程优化方法 |
CN111679643B (zh) * | 2020-06-28 | 2021-10-15 | 中国矿业大学 | 基于过程迁移模型的间歇过程二阶修正自适应优化方法 |
CN112506050A (zh) * | 2020-11-04 | 2021-03-16 | 中国矿业大学 | 一种基于潜变量过程迁移模型的间歇过程集成优化方法 |
CN113110341A (zh) * | 2021-04-21 | 2021-07-13 | 中国矿业大学 | 一种基于潜变量过程迁移模型的批次过程分层优化方法 |
CN113377072A (zh) * | 2021-06-24 | 2021-09-10 | 华东交通大学 | 基于即时学习的稀土萃取过程药剂量优化设定方法 |
CN113589755A (zh) * | 2021-09-30 | 2021-11-02 | 杭州数途信息科技有限公司 | 基于优化补偿的智能调机方法及系统 |
WO2023051072A1 (zh) * | 2021-09-30 | 2023-04-06 | 杭州数途信息科技有限公司 | 基于优化补偿的智能调机方法及系统 |
CN113834091A (zh) * | 2021-10-12 | 2021-12-24 | 中国矿业大学 | 一种燃气锅炉燃烧优化供风系统控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110426956B (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN106249724B (zh) | 一种高炉多元铁水质量预测控制方法及系统 | |
CN106843172B (zh) | 基于jy-kpls的复杂工业过程在线质量预测方法 | |
US10254729B2 (en) | Data-difference-driven self-learning dynamic optimization method for batch process | |
CN102831269A (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN101782771A (zh) | 基于免疫神经网络的纺丝工艺智能优化设计方法 | |
Tian et al. | TS fuzzy neural network predictive control for burning zone temperature in rotary kiln with improved hierarchical genetic algorithm | |
CN109858780B (zh) | 一种炼钢-连铸生产调度优化方法 | |
CN104318090A (zh) | 基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预测方法 | |
CN109885012B (zh) | 一种金湿法冶金全流程实时优化补偿方法 | |
CN113065288A (zh) | 基于工业数据和工艺机理的复合肥生产养分优化方法 | |
CN110046377B (zh) | 一种基于异构相似度的选择性集成即时学习软测量建模方法 | |
CN112597430A (zh) | 一种用于复杂精馏塔的操作参数优化方法 | |
CN110794782A (zh) | 基于jy-mkpls的间歇工业过程在线质量预测方法 | |
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 | |
CN108388218A (zh) | 基于潜变量过程迁移模型的修正自适应批次过程优化方法 | |
CN101301538A (zh) | 水处理药剂投加模糊智能控制系统 | |
CN105867125A (zh) | 炼化装置耦合单元的优化控制方法及装置 | |
CN114200840B (zh) | 基于分布式模型预测控制的中药制药过程运行优化方法 | |
CN1851573A (zh) | 对二甲苯氧化过程中预测杂质成分浓度的建模方法 | |
CN112255912B (zh) | 一种无模型自适应pid控制策略的聚合釜产物浓度控制方法 | |
高学金 et al. | An optimal control strategy combining SVM with RGA for improving fermentation titer | |
CN108469781A (zh) | 有机硅生产全集成优化控制系统 | |
WO2022233101A1 (zh) | 一种低温热系统的智能优化控制装备 | |
CN109870986B (zh) | 一种基于神经网络和数据驱动的搅拌反应釜在线控制方法 |
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 |