CN114493235B - 一种基于SVDD和Agent的精馏过程质量监控业务自适应演化方法 - Google Patents

Abstract

本发明公开了一种基于SVDD和Agent的精馏过程质量监控自适应演化方法，可用于精馏过程制造业务改变引起的精馏过程质量监控系统软件的更新调节，解决由于制造业务变化引发的自适应演化问题。本发明将精馏过程质量监控的软件系统内各功能模块包装成Agent，结合Agent具有的自治、环境感知、主动等诸多特性，通过读取ECA演化规则动态更新Agent内部参数，克服了已有精馏过程质量监控系统不具备自学习能力和难以自主应对复杂智能制造业务演化的缺点。本发明采用SVDD模型算法实时地监控精馏过程产品质量，可有效解决实际精馏过程在非高斯和非线性质量数据下的监控问题。

Description

一种基于SVDD和Agent的精馏过程质量监控业务自适应演化方法

技术领域

本发明属于流程工业智能制造质量管控技术和计算机技术领域，特别提供一种基于SVDD和Agent的精馏过程质量监控业务自适应演化方法。

背景技术

精馏是流程工业上应用最广泛的分离操作单元，在化工分离过程中占据举足轻重的地位。一些学者提出了T²、P等传统控制图对精馏过程质量进行监控，这些控制图需假设精馏过程质量数据满足高斯分布特性。然而实际的精馏过程质量数据具有非高斯和非线性的特性，导致传统控制图的监控效果不好，虚发警报增多，进而影响精馏生产过程。随着人工智能(Artificial Intelligence，AI)技术的迅猛发展，许多机器学习(MachineLearning)算法被应用到质量监控系统中实时监控产品质量。其中，支持向量数据描述(Support Vector Data Description，SVDD)算法是一种在支持向量机的基础上发展起来的无监督学习算法，具有泛化性好以及更少的过拟合等优点。将其用于精馏过程质量监控系统具有良好的监控性能，且不要求精馏数据满足高斯分布特性。但是，当精馏过程的制造业务发生改变时，正在运行的精馏过程质量监控软件系统的SVDD模型在功能和性能上无法适应业务变化后的精馏产品质量管控要求，往往需要现场工作人员花费大量时间停机更新SVDD模型，增加了企业的生产成本和管理费用，难以满足智能制造过程的业务自适应演化需求。

发明内容

本发明的目的在于提供一种基于SVDD和Agent的精馏过程质量监控自适应演化方法。该方法采用SVDD算法及时监测精馏过程异常数据，有效解决实际精馏过程数据非高斯和非线性的监控问题。还实现了面向精馏过程制造业务变化的自适应演化，将基于SVDD的实时监控功能包装成Agent，结合Agent自治、环境感知、主动等一系列特性，通过ECA演化规则动态更新Agent内部参数，满足制造业务演化需求。

本发明技术方案如下：

(1)为实现精馏过程质量监控业务自适应演化，精馏过程质量监控软件系统应包括前端和后端两个部分。所述前端负责精馏产品质量信息的输入和数据的可视化，包含精馏产品DisID和产品质量分数Znm输入框、“确定”按钮及仪表图等可视化模型。所述后端负责获取现场传感器采集的实时精馏过程质量数据、找到关键质量指标的目标值、离线训练质量监控模型和实时监控精馏过程产品质量，包含精馏数据库和演化规则库。所述监控模型采用SVDD的方法训练得到。所述精馏数据库事先集成大量离线精馏数据集和汽液平衡数据，这些数据均关联在精馏产品DisID参数下。所述演化规则库事先存储应对不同制造业务变化的ECA演化规则。所述事件以字典的形式存储在事件队列中。

将所述获取现场传感器采集的实时精馏过程质量数据和找到关键质量指标目标值的功能包装成Agent，并命名为数据源Agent(DataAgent)。数据源Agent包括解析单元、运行单元和输出单元：

1)解析单元负责接收现场传感器采集的实时精馏过程质量数据和前端的精馏产品质量信息。所述精馏过程质量数据包括精馏塔塔顶温度、塔底温度、塔顶压力、上升蒸汽流量、塔底液位、回流罐液位、回流量、塔底采出流量和塔顶采出流量等。所述精馏产品质量信息包括精馏产品DisID和产品质量分数Znm参数值。

2)运行单元执行功能如下：

①如果属性DataAgent.target的值为True，则根据DisID参数值获取集成在精馏数据库内的汽液平衡数据，利用拉格朗日插值法绘制汽液平衡曲线，然后在曲线上找到质量分数Znm参数值所对应的精馏过程关键质量指标的目标值，否则不执行此功能。所述精馏过程关键质量指标包括精馏塔塔顶温度和塔顶压力等。

②如果属性DataAgent.missing的值为True，表明采集到的实时精馏过程质量数据存在异常值，则获取该异常值对应的精馏过程变量名称，否则不执行此功能。

③如果属性DataAgent.abnormal的值为True，表明绘制汽液平衡曲线出现异常，则找出绘制汽液平衡曲线出现异常的原因，例如精馏数据库中未集成所需汽液平衡数据，否则不执行此功能。

3)输出单元将实时的精馏过程质量数据传递给实时监控Agent，将获取到的关键质量指标的目标值、异常值对应的精馏过程变量名称和绘制汽液平衡曲线出现异常的原因等信息送至前端。

将所述离线训练质量监控模型的功能包装成Agent，并命名为监控模型Agent(ModelAgent)。监控模型Agent包括解析单元、运行单元和输出单元：

1)解析单元负责接收前端的精馏产品质量信息，获取精馏产品DisID和产品质量分数Znm参数值。

2)运行单元执行功能如下：

①如果属性ModelAgent.training的值为True，则根据DisID参数值获取集成在精馏数据库内的离线精馏数据集，以Znm参数值作为判断质量合格的指标，将低于Znm的离线精馏数据定义为“异常数据”，高于或等于的数据定义为“正常数据”，据此更新获取的离线精馏数据集。然后将更新后的离线精馏数据集作为SVDD模型的训练集，通过训练学习得到SVDD模型的球心和半径平方参数值，否则不执行此功能。

②如果属性ModelAgent.abnormal的值为True，表明训练SVDD模型失败，则找出SVDD模型训练失败的原因，例如精馏数据库中未集成离线精馏数据集，否则不执行此功能。

3)输出单元将训练好的SVDD模型的球心和半径平方等参数值传递给实时监控Agent，将SVDD模型训练失败的原因等信息送至前端。

将所述实时监控精馏过程产品质量的功能包装成Agent，并命名为实时监控Agent(MonitorAgent)。实时监控Agent包括解析单元、运行单元和输出单元：

1)解析单元负责接收数据源Agent输出的实时精馏过程质量数据和监控模型Agent输出的SVDD模型的球心和半径平方参数值。

2)运行单元计算实时精馏过程质量数据到训练好的SVDD模型球心的距离D²，将其与半径平方参数值进行比较。若大于半径平方，则说明该数据为异常数据；若小于半径平方，则该数据为正常数据，说明当前精馏过程质量状态正常，质量监控系统继续执行精馏过程质量监控任务。

3)输出单元将获取到的异常数据等信息送至前端。

执行精馏过程质量监控任务时，数据源Agent的DataAgent.target、DataAgent.missing、DataAgent.abnormal属性值和监控模型Agent的ModelAgent.training、ModelAgent.abnormal属性值默认为False。数据源Agent的解析单元获取实时精馏过程质量数据，并通过输出单元传递给实时监控Agent的解析单元。实时监控Agent的运行单元计算该数据到训练好的SVDD模型球心的距离D²是否大于半径平方。若大于，则说明当前精馏过程出现质量异常，通过输出单元将异常数据送至前端，然后转化为仪表图等可视化模型显示在前端，将异常数据与精馏过程关键质量指标的目标值进行比较，找出是哪些变量导致的质量异常，便于质量监控系统及时控制异常变量，使产品质量合格。若小于，则说明当前精馏过程质量状态正常，质量监控系统继续执行精馏过程质量监控任务。

(2)不同制造业务的需求不同，其表述方法也不同，为给精馏过程制造业务的自适应演化提供可参考的数据，将精馏过程的制造业务表述为四元组DPMB＝<DisID,Znm,Sensor,AgentBeh>：

1)DisID表示精馏产品名称ID，是字符类型，用于识别不同精馏产品和获取精馏数据库内关联在DisID参数值下相应的离线精馏数据集和汽液平衡数据。

2)Znm表示精馏产品质量分数，是浮点数类型，用来获取给定Znm参数值下相应的精馏过程关键质量指标的目标值和更新SVDD模型的训练集。

3)Sensor表示现场传感器的感知状态，是布尔类型，默认为True。它用于判断现场传感器采集到的实时精馏过程质量数据是否存在异常值，例如，当采集到的实时精馏过程质量数据中“塔顶温度”缺失时，将数据源Agent的Sensor赋值为False。

4)AgentBeh表示Agent当前的功能行为，是布尔类型，默认为True。它用来判断当前Agent的功能是否满足产品质量监控要求。例如，当精馏数据库中未集成监控模型Agent所需的离线精馏数据集，不能成功训练SVDD模型时，将监控模型Agent的AgentBeh赋值为False。

有针对性地对不同元组的变化分别进行处理，产生不同类型的事件。所述事件指精馏过程制造业务的变化，表述为三元组Event＝<ENam,EWay,EPri>：

1)ENam表示事件的名称，是字符类型，不同制造业务变化触发的事件会产生不同的演化动作，可据此读取ECA演化规则。

2)EWay表示事件触发方式，是字符类型，包括提交表单信息和变化感知算法两种方式。当DisID或Znm发生变化时，通过在前端的输入框中输入精馏产品DisID和质量分数Znm信息，点击“确定”按钮即为“提交表单信息”方式，它触发按钮单击事件。输入不同精馏产品或质量分数认为是同一种事件，仅表现在DisID和Znm参数值不同。当Sensor或AgentBeh发生变化时，通过变化感知算法感知其变化信息，触发事件发生器产生相应的事件，此为“变化感知算法”方式。事件产生后将产生的事件添加到事件队列中。

3)EPri表示事件的优先级，是字符类型，通过提交表单信息方式触发的事件优先级较低；通过变化感知算法方式触发的事件优先级较高。所有的事件存储在事件队列中，系统会首先执行事件队列中优先级高的事件。当队列中有多个高优先级事件时，按照事件触发的时间先后顺序依次执行。事件执行完毕后，该事件从事件队列中弹出。

(3)不同制造业务变化触发的事件会产生不同的演化动作，形成不同的ECA演化规则；ECA演化规则的语法为：onEvent if Conditon do Action：

1)Event是步骤(2)根据不同制造业务变化所产生的事件，作为识别不同ECA演化规则的标识符。

2)Condition是演化约束条件，即事件Event是否为当前事件队列中最高优先级事件，若是则执行相应的Action，否则在事件队列中等待。

3)Action是演化动作，描述面对不同制造业务变化，数据源Agent和监控模型Agent的运行单元执行哪些功能，即对DataAgent.target、DataAgent.missing、DataAgent.abnormal、ModelAgent.training和ModelAgent.abnormal中某些属性值赋值为True。具体如下：

①由DisID或Znm变化触发的事件，属性DataAgent.target和ModelAgent.training赋值为True。

②由Sensor变化触发的事件，表明采集到的实时精馏过程质量数据存在异常值，属性DataAgent.missing赋值为True。

③由AgentBeh变化触发的事件，表明当前Agent功能不满足产品质量监控要求。例如，当数据源Agent绘制汽液平衡曲线出现异常时，属性DataAgent.abnormal赋值为True。当监控模型Agent训练SVDD模型失败时，属性ModelAgent.abnormal赋值为True。

4)数据源Agent和监控模型Agent从演化规则库中读取相应的ECA演化规则，执行具体的演化功能，完成精馏过程制造业务变化的自适应演化任务；具体如下：

①当属性DataAgent.target的值为True时，数据源Agent的运行单元根据DisID参数值更新汽液平衡数据，然后根据Znm参数值更新关键质量指标的目标值。当属性ModelAgent.training的值为True时，监控模型Agent的运行单元根据DisID和Znm参数值更新SVDD模型的训练集，通过训练学习得到新的球心和半径平方参数值，该球心和半径平方作为全局变量传递给实时监控Agent的解析单元。然后实时监控Agent以新的球心和半径平方参数值实时监控精馏过程产品质量。至此，完成精馏产品或质量分数变化的自适应演化任务。

②当属性DataAgent.missing的值为True时，数据源Agent的运行单元负责找出传感器异常值所对应的精馏过程变量名称，将该变量名称送至前端。然后由质量监控系统排查原因。至此，完成现场传感器感知状态变化的自适应演化任务。

③当属性DataAgent.abnormal的值为True时，数据源Agent的运行单元负责找出汽液平衡曲线绘制出现异常的原因，例如，当原因为精馏数据库未集成所需汽液平衡数据时，由质量监控系统将所需汽液平衡数据导入到精馏数据库，重新绘制汽液平衡曲线。至此，完成数据源Agent功能行为变化的自适应演化任务。

④当属性ModelAgent.abnormal的值为True时，监控模型Agent的运行单元负责找出SVDD模型训练失败的原因，例如，当原因为精馏数据库未集成所需离线精馏数据集时，由质量监控系统将所需离线精馏数据集导入到精馏数据库，重新训练SVDD模型。至此，完成监控模型Agent功能行为变化的自适应演化任务。

进一步的，步骤(1)中基于SVDD实时监控模型的应用过程如下：

以Znm参数值为质量合格指标，更新离线精馏数据集。然后将更新后的离线精馏数据集X_i,i＝1,2,…m作为SVDD模型的训练集，X_i为n维向量，通过训练学习得到SVDD模型的球心和半径参数值。求解这个超球体模型的问题可转化为下面的二次规划问题：

s.t.||X_i-a||²≤R²+ξ_i,i＝1,2,…m

ξ_i≥0,C>0,i＝1,2,…m   (1)

式中，R为超球体的半径，a为超球体的球心，ξ_i为松弛变量，C为惩罚因子，是一个常数，用来控制超球体外面的精馏样本数，C越大，超球体外面的精馏样本数越少。对式(1)引入拉格朗日方程：

式中，α_i≥0，γ_i≥0为拉格朗日乘子，对上式中R,a,ξ_i分别求偏导，并设偏导值为0，得到如下式子：

C-α_i-γ_i＝0,i＝1,2,…m   (5)

将式(3)～(5)代入式(2)中，得到式(1)的对偶问题：

式中，K(X_i,X_j)＝exp(-||X_i-X_j||/s²)，其中s为核宽参数。该对偶问题的变量只有α，可利用最优化算法求解，记α^*＝(α₁ ^*,α₂ ^*,…,α_m ^*)为对偶方程的解。非零α_i ^*对应的样本称为支持向量，把这些支持向量组成的集合记为SV，超球体的球心a可以通过式(4)求得，任意一个支持向量到球心的距离就是半径，则超球体半径平方为：

式中，X_k为支持向量，且X_k∈SV。

将精馏过程质量数据Z输入到上述训练好的SVDD模型，该数据到超球体球心的距离D²为：

若D²≤R²，则认为精馏产品质量合格，否则认为产品质量不合格，为异常数据。

本发明的有益效果为：

(1)本发明使用的SVDD算法是一种无监督学习的单分类数据描述方法，会更少地出现过拟合问题，具有更好的泛化性，在数据不服从高斯分布的实际精馏过程也能有很好的监控效果。SVDD模型能够根据不同的离线精馏数据集，通过学习改变模型的球心和半径平方参数值，具有自学习能力。

(2)本发明将精馏过程质量监控软件系统的功能模块包装成Agent，通过ECA演化规则动态调整Agent执行的演化功能，对精馏过程制造业务变化做出灵活、快速的响应，达到自适应演化的效果，为企业节省大量生产成本和管理费用。

(3)本发明引入事件概念对制造业务变化进行形式化定义，将制造业务变化信息以多元参数形式表示，为精馏过程的自适应演化提供了可参考的数据。同时事件概念本身支持一种驱动模型，可以使精馏过程质量监控软件系统主动感知制造业务变化，弥补了现有的大多数系统主动性不足的问题。

附图说明

图1是精馏过程质量监控自适应演化框架

图2是基于SVDD的实时监控应用模型

图3是基于SVDD的核距离图

图4是ROC曲线和AUC面积图

图5是ECA演化规则运行过程示意图

具体实施方式

参照附图1，本发明以某乙醇精馏产品质量分数变化引起的精馏过程质量监控软件系统业务演化为例，进一步详细描述其实施方式和步骤过程。

步骤1：90％乙醇精馏过程质量监控软件系统包括前端和后端两个部分。

S1、前端负责精馏产品质量信息的输入和数据的可视化。前端的DisID和Znm输入框与后端参数一一对应，保证前后端请求的唯一性。单击前端的“确定”按钮，将DisID和Znm输入框的内容(“C2H5OH”和90)传递到后端，并触发按钮的单击事件。输入不同精馏产品或质量分数认为是同一种事件，仅表现在DisID和Znm参数值不同。将后端传递来的精馏过程关键质量指标的目标值和异常数据等信息转化为仪表图等可视化模型显示在前端，便于用户对异常数据进行归因化分析。后端负责获取现场传感器采集的实时精馏过程质量数据、找到精馏过程关键质量指标的目标值、离线训练质量监控模型和实时监控精馏过程产品质量，包含精馏数据库和演化规则库。所述精馏数据库事先集成乙醇离线精馏数据集和汽液平衡数据，这些数据均关联在“C2H5OH”下。

S2、参照附图2，将质量分数低于90％的乙醇离线精馏数据定义为“异常数据”，高于或等于的数据定义为“正常数据”，据此更新乙醇离线精馏数据集。将更新后的乙醇离线精馏数据集X_i,i＝1,2,…m作为SVDD模型的训练集，通过训练学习得到SVDD模型的球心和半径平方参数值。训练集中包含了8个传感器测量变量，具体传感器符号、描述和单位如表1所示。

表1精馏过程传感器变量描述

求解上述SVDD模型的问题可转化为下面的二次规划问题：

s.t.||X_i-a||²≤R²+ξ_i,i＝1,2,…m

ξ_i≥0,C>0,i＝1,2,…m   (1)

式中，R为超球体的半径，a为超球体的球心，ξ_i为松弛变量，C为惩罚因子，是一个常数，用来控制超球体外面的精馏样本数，C越大，超球体外面的精馏样本数越少。对式(1)引入拉格朗日方程：

式中，α_i≥0，γ_i≥0为拉格朗日乘子，对上式中R,a,ξ_i分别求偏导，并设偏导值为0，得到如下式子：

C-α_i-γ_i＝0,i＝1,2,…m   (5)

将式(3)～(5)代入式(2)中，得到式(1)的对偶问题：

式中，K(X_i,X_j)＝exp(-||X_i-X_j||/s²)，其中s为核宽参数，取s＝2。该对偶问题的变量只有α，可利用最优化算法求解，记α^*＝(α₁ ^*,α₂ ^*,…,α_m ^*)为对偶方程的解。非零α_i ^*对应的样本称为支持向量，把这些支持向量组成的集合记为SV，超球体的球心a可以通过式(4)求得，任意一个支持向量到球心的距离就是半径，则超球体半径平方为：

式中，X_k为支持向量，且X_k∈SV。

参照附图3，将精馏过程质量数据Z输入到上述训练好的SVDD模型，该数据到超球体球心的距离D²为：

若D²≤R²，则认为乙醇精馏质量合格，否则认为质量不合格，为异常数据。

异常数据为SVDD模型的少数类，为尽量多地识别出异常数据，通过在Recall(召回率)和FPR(假正率)之间采取平衡，可绘制ROC(The Receiver Operating Characteristic)曲线。该曲线能够衡量SVDD模型在尽量正确识别异常数据的时候，正常数据识别错误的变化情况。为更清晰地描述SVDD模型的监控效果，可计算ROC曲线下方的面积，即AUC面积。该面积越大，ROC曲线越接近左上角，此时SVDD模型就越好。参照附图4，可以看出该SVDD模型的AUC面积为0.9998，具有良好的监控性能。

S3、参照附图5，不同制造业务触发的事件会产生不同的演化动作，形成多条事件-条件-动作ECA演化规则。这些演化规则组成了演化规则库。

(1)不同制造业务的需求不同，其表述方法也不同，为给精馏过程制造业务的自适应演化提供可参考的数据，将精馏过程的制造业务表述为四元组DPMB＝<DisID,Znm,Sensor,AgentBeh>：

1)DisID表示精馏产品名称ID，是字符类型，此时DisID＝“C2H5OH”。可据此获取精馏数据库内的乙醇离线精馏数据集和汽液平衡数据。

2)Znm表示精馏产品质量分数，是浮点数类型，此时Znm＝90。可据此获取质量分数为90％的精馏塔塔顶温度和塔顶压力等目标值和更新SVDD模型的训练集。

3)Sensor表示现场传感器的感知状态，是布尔类型，默认为True。它用于判断现场传感器采集到的实时精馏过程质量数据是否存在异常值，例如，当采集到的实时精馏过程质量数据中“塔顶温度”缺失时，将数据源Agent的Sensor赋值为False。

4)AgentBeh表示Agent当前的功能行为，是布尔类型，默认为True。它用来判断当前Agent的功能是否满足产品质量监控要求。例如，当精馏数据库中未集成监控模型Agent所需的离线精馏数据集，不能成功训练SVDD模型时，将监控模型Agent的AgentBeh赋值为False。

(2)演化规则库事先存储应对不同制造业务变化的ECA演化规则。所述制造业务的变化即事件表述为三元组Event＝<ENam,EWay,EPri>：

1)ENam表示事件的名称，是字符类型，不同制造业务变化触发的事件会产生不同的演化动作，可据此读取ECA演化规则。

2)EWay表示事件触发方式，是字符类型，包括提交表单信息和变化感知算法两种方式。当DisID或Znm发生变化时，通过在前端的输入框中输入精馏产品DisID和质量分数Znm信息，点击“确定”按钮即为“提交表单信息”方式，它触发按钮单击事件。当Sensor或AgentBeh发生变化时，通过变化感知算法感知其变化信息，触发事件发生器产生相应的事件，此为“变化感知算法”方式。

3)EPri表示事件的优先级，是字符类型，通过提交表单信息方式触发的事件优先级较低；通过变化感知算法方式触发的事件优先级较高。

事件名称和优先级的说明如表2所示：

表2事件名称和优先级说明

(3)通过在监控软件系统前端的输入框中输入精馏产品DisID和质量分数Znm信息，点击“确定”按钮，触发按钮单击事件，这类事件为第二等级优先级事件。质量监控系统将“DisID_Znm_change”赋值给ENam，表示产生“DisID_Znm_change”事件；将“menu”赋值给EWay，表示通过提交表单信息方式触发；将2赋值给EPri，表示该事件为第二等级优先级事件。输入不同精馏产品或质量分数认为是同一种事件，仅表现在DisID和Znm参数值不同。通过变化感知算法方式触发的事件为第一等级优先级事件。系统实时获取现场传感器的感知状态和Agent功能行为，判断是否发生变化，当传感器的感知状态出现异常时，将“Sensor_change”赋值给ENam，表示产生“Sensor_change”事件；将“perception”赋值给EWay，表示通过变化感知算法方式触发；将1赋值给EPri，表示该事件为第一等级优先级事件。当Agent的功能行为出现异常时，将“AgentBeh_change”赋值给ENam，表示产生“AgentBeh_change”事件；将“perception”赋值给EWay，表示通过变化感知算法方式触发；将1赋值给EPri，表示该事件为第一等级优先级事件。然后将产生的事件以字典的形式(“ENam”：EPri)存储在事件队列中。

系统会首先执行事件队列中第一等级优先级事件。当队列中有多个第一等级优先级事件时，如[“Sensor_change”:1；“AgentBeh_change”:1]，若“Sensor_change”事件先触发，系统会先执行“Sensor_change”事件，该事件执行完毕后，从事件队列中弹出，再执行“AgentBeh_change”事件。

S4、演化规则库事先存储由于不同制造业务变化产生的ECA演化规则，不同制造业务变化触发的事件会产生不同的演化动作。

步骤2：为便于实现精馏过程质量监控业务自适应演化，基于Agent具有的自治、环境感知、主动等特性，将后端各功能包装成Agent。

S1、将所述获取现场传感器采集的实时精馏过程质量数据和找到精馏过程关键质量指标目标值的功能包装成Agent，并命名为数据源Agent(DataAgent)。数据源Agent包括解析单元、运行单元和输出单元。

(1)解析单元负责接收现场传感器采集的实时精馏过程质量数据和前端的精馏产品质量信息。所述精馏过程质量数据包括精馏塔塔顶温度、塔顶压力、上升蒸汽流量、塔底液位、回流罐液位、回流量、塔底采出流量和塔顶采出流量等。由于乙醇主要从塔顶采出，可以只控制精馏塔顶端的产品质量，塔底端可不加以控制，即塔底温度数据可以不采集，在不影响产品质量的情况下也节约了生产成本。所述前端的精馏产品质量信息包括精馏产品DisID和产品质量分数Znm参数值。

(2)运行单元执行功能如下：

1)如果属性DataAgent.target的值为True，则根据DisID参数值获取集成在精馏数据库内的汽液平衡数据，利用拉格朗日插值法绘制汽液平衡曲线，然后在曲线上找到质量分数Znm参数值所对应的精馏塔塔顶温度和塔顶压力等目标值，否则不执行此功能。

2)如果属性DataAgent.missing的值为True，表明采集到的实时精馏过程质量数据存在异常值，则获取该异常值对应的精馏过程变量名称，否则不执行此功能。

3)如果属性DataAgent.abnormal的值为True，表明绘制汽液平衡曲线出现异常，则找出绘制汽液平衡曲线出现异常的原因，例如精馏数据库中未集成所需汽液平衡数据，否则不执行此功能。

(3)输出单元将实时的精馏过程质量数据传递给实时监控Agent，将获取到的关键质量指标的目标值、异常值对应的精馏过程变量名称和绘制汽液平衡曲线异常的原因等信息送至前端。

S2、将所述离线训练质量监控模型的功能包装成Agent，并命名为监控模型Agent(ModelAgent)。监控模型Agent包括解析单元、运行单元和输出单元：

(1)解析单元负责接收前端精馏产品质量信息，获取精馏产品DisID和产品质量分数Znm参数值。

(2)运行单元执行功能如下：

1)如果属性ModelAgent.training的值为True，则根据DisID参数值获取集成在精馏数据库内的离线精馏数据集，以Znm参数值作为判断质量合格的指标，将低于Znm的离线精馏数据定义为“异常数据”，高于或等于的数据定义为“正常数据”，据此更新读取的离线精馏数据集。然后将更新后的离线精馏数据集作为SVDD模型的训练集，通过训练学习得到SVDD模型的球心和半径平方参数值，否则不执行此功能。

2)如果属性ModelAgent.abnormal的值为True，表明训练SVDD模型失败，则找出SVDD模型训练失败的原因，例如精馏数据库中未集成所需离线精馏数据集，否则不执行此功能。

(3)输出单元将训练好的SVDD模型的球心和半径平方等参数值传递给实时监控Agent，将SVDD模型训练失败的原因等信息送至前端。

S3、将所述实时监控精馏过程产品质量的功能包装成Agent，并命名为实时监控Agent(MonitorAgent)。实时监控Agent包括解析单元、运行单元和输出单元：

(1)解析单元负责接收数据源Agent输出的实时精馏过程质量数据和监控模型Agent输出的SVDD模型球心和半径平方参数值。

(2)运行单元计算实时精馏过程质量数据到训练好的SVDD模型球心的距离D²，将其与半径平方参数值进行比较。若大于半径平方，则说明该数据为异常数据；若小于半径平方，则该数据为正常数据，说明当前精馏过程质量状态正常，质量监控系统继续执行精馏过程实时监控任务。

(3)输出单元将获取到的异常数据等信息送至前端。

S4、执行质量分数为90％的乙醇精馏过程质量监控任务时，数据源Agent的DataAgent.target、DataAgent.missing、DataAgent.abnormal属性值和监控模型Agent的ModelAgent.training、ModelAgent.abnormal属性值默认为False。数据源Agent的解析单元实时获取乙醇精馏过程质量数据，并通过输出单元传递给实时监控Agent的解析单元。实时监控Agent的运行单元计算该数据到训练好的SVDD模型球心的距离D²是否大于该模型半径平方。若大于，则说明当前精馏过程出现质量异常，通过输出单元将异常数据送至前端，然后转化为仪表图等可视化模型显示在前端，将异常数据与精馏塔塔顶温度和塔顶压力等目标值进行比较，找出是哪些变量导致的质量异常，便于质量监控系统及时控制异常变量，使产品质量合格。若小于，则说明当前精馏过程质量状态正常，质量监控系统继续执行质量分数为90％的乙醇精馏过程质量监控任务。

步骤3：当精馏过程制造业务发生变化，以乙醇精馏产品从质量分数从90％变成80％为例，当前90％的乙醇精馏过程质量监控软件系统的功能和性能无法满足80％的乙醇产品质量监控要求。需要更新精馏过程质量监控软件系统内部参数，实现精馏过程质量监控业务的自适应演化。

S1、在前端界面DisID输入框中输入“C2H5OH”，Znm输入框中输入80，单击“确定”按钮，触发按钮的单击事件。当前制造业务表述为四元组DPMB＝<DisID,Znm,Sensor,AgentBeh>。其中DisID参数值为“C2H5OH”，Znm参数值为80，现场传感器的感知状态正常(Ture)，数据源Agent和监控模型Agent的功能行为AgentBeh正常(True)。

S2、由提交表单信息方式触发的按钮单击事件表述为三元组Event＝<ENam,EWay,EPri>。其中ENam为“DisID_Znm_change”，表示事件名称为“DisID_Znm_change”。EWay为“menu”，表示该事件是由提交表单信息方式触发的事件。EPri值为2，表示该事件为第二等级优先级。该事件以字典的形式(“DisID_Znm_change”：2)存储在事件队列中。

S3、质量监控系统获取事件队列当前最高优先级事件“DisID_Znm_change”，据此从演化规则库中找到“演化规则1”，即将True赋值给属性DataAgent.target和ModelAgent.training。

S4、数据源Agent读取“演化规则1”，由于属性DataAgent.target的值为True，其运行单元根据DisID参数值(“C2H5OH”)获取集成在精馏数据库内的乙醇汽液平衡数据，利用拉格朗日插值法绘制乙醇汽液平衡曲线，然后在曲线上找到质量分数Znm参数值(80)所对应的精馏塔塔顶温度和塔顶压力等目标值，该目标值作为全局变量更新数据源Agent的内部参数。输出单元将更新后的目标值等信息送至前端。

S5、监控模型Agent读取“演化规则1”，由于属性ModelAgent.training的值为True，其运行单元根据DisID参数值(“C2H5OH”)获取集成在精馏数据库内的乙醇离线精馏数据集，以Znm参数值(80)作为判断乙醇质量合格的指标，将质量分数低于80％的乙醇精馏数据定义为“异常数据”，高于或等于的数据定义为“正常数据”，据此更新读取的乙醇离线精馏数据集。然后将更新后的乙醇精馏数据集作为SVDD模型的训练集，通过训练学习会得到新的SVDD模型的球心和半径平方参数值，该球心和半径平方参数值作为全局变量更新监控模型Agent的内部参数。输出单元将更新后的球心和半径平方参数值传递给实时监控Agent的解析单元。然后实时监控Agent计算实时精馏过程质量数据到更新后的SVDD模型球心的距离D²，并与更新后的半径平方参数值进行比较，若大于半径平方，则说明该数据为异常数据；若小于半径平方，则该数据为正常数据，说明当前80％的乙醇精馏过程质量状态正常。据此实时地监控质量分数为80％的乙醇精馏过程产品质量，完成乙醇精馏过程质量分数从90％到80％的自适应演化。

本发明未尽事宜为公知技术。

上述具体实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于SVDD和Agent的精馏过程质量监控业务自适应演化方法，其特征在于：

用于实现精馏过程质量监控业务自适应演化方法的系统包括前端和后端两个部分；

所述前端负责精馏产品质量信息的输入和数据的可视化，包含精馏产品DisID和产品质量分数Znm输入框、“确定”按钮及仪表图可视化模型；

所述后端负责获取现场传感器采集的实时精馏过程质量数据、找到关键质量指标的目标值、离线训练质量监控模型和实时监控精馏过程产品质量，包含精馏数据库和演化规则库；所述监控模型采用支持向量数据描述SVDD的方法训练得到；所述精馏数据库事先集成大量离线精馏数据集和汽液平衡数据，这些数据均关联在精馏产品DisID参数下；所述演化规则库事先存储应对不同制造业务变化的事件-条件-动作ECA演化规则；所述事件以字典的形式存储在事件队列中；

将所述获取现场传感器采集的实时精馏过程质量数据和找到关键质量指标目标值的功能包装成Agent，并命名为数据源Agent；数据源Agent包括解析单元、运行单元和输出单元：

1)解析单元负责接收现场传感器采集的实时精馏过程质量数据和前端的精馏产品质量信息；所述精馏过程质量数据包括精馏塔塔顶温度、塔底温度、塔顶压力、上升蒸汽流量、塔底液位、回流罐液位、回流量、塔底采出流量和塔顶采出流量；所述精馏产品质量信息包括精馏产品DisID和产品质量分数Znm参数值；

2)运行单元执行功能如下：

①如果属性DataAgent.target的值为True，则根据DisID参数值获取集成在精馏数据库内的汽液平衡数据，利用拉格朗日插值法绘制汽液平衡曲线，然后在曲线上找到质量分数Znm参数值所对应的精馏过程关键质量指标的目标值，否则不执行此功能；所述精馏过程关键质量指标包括精馏塔塔顶温度和塔顶压力；

②如果属性DataAgent.missing的值为True，表明采集到的实时精馏过程质量数据存在异常值，则获取该异常值对应的精馏过程变量名称，否则不执行此功能；

③如果属性DataAgent.abnormal的值为True，表明绘制汽液平衡曲线出现异常，则找出绘制汽液平衡曲线出现异常的原因，否则不执行此功能；

3)输出单元将实时的精馏过程质量数据传递给实时监控Agent，将获取到的信息送至前端；所述信息包括：关键质量指标的目标值、异常值对应的精馏过程变量名称和绘制汽液平衡曲线出现异常的原因；

将所述离线训练质量监控模型的功能包装成Agent，并命名为监控模型Agent；监控模型Agent包括解析单元、运行单元和输出单元：

1)解析单元负责接收前端的精馏产品质量信息，获取精馏产品DisID和产品质量分数Znm参数值；

2)运行单元执行功能如下：

①如果属性ModelAgent.training的值为True，则根据DisID参数值获取集成在精馏数据库内的离线精馏数据集，以Znm参数值作为判断质量合格的指标，将低于Znm的离线精馏数据定义为“异常数据”，高于或等于的数据定义为“正常数据”，据此更新获取的离线精馏数据集；然后将更新后的离线精馏数据集作为SVDD模型的训练集，通过训练学习得到SVDD模型的球心和半径平方参数值，否则不执行此功能；

②如果属性ModelAgent.abnormal的值为True，表明训练SVDD模型失败，则找出SVDD模型训练失败的原因，否则不执行此功能；

3)输出单元将训练好的包括SVDD模型的球心和半径平方的参数值传递给实时监控Agent，将包括SVDD模型训练失败的原因的信息送至前端；

将所述实时监控精馏过程产品质量的功能包装成Agent，并命名为实时监控Agent；实时监控Agent包括解析单元、运行单元和输出单元：

1)解析单元负责接收数据源Agent输出的实时精馏过程质量数据和监控模型Agent输出的SVDD模型的球心和半径平方参数值；

2)运行单元计算实时精馏过程质量数据到训练好的SVDD模型球心的距离D²，将其与半径平方参数值进行比较，若大于半径平方，则说明该数据为异常数据；若小于半径平方，则该数据为正常数据，说明当前精馏过程质量状态正常，质量监控系统继续执行精馏过程质量监控任务；

3)输出单元将获取到的异常数据信息送至前端；

执行精馏过程质量监控任务时，数据源Agent的DataAgent.target、DataAgent.missing、DataAgent.abnormal属性值和监控模型Agent的ModelAgent.training、ModelAgent.abnormal属性值默认为False；数据源Agent的解析单元获取实时精馏过程质量数据，并通过输出单元传递给实时监控Agent的解析单元；实时监控Agent的运行单元计算该数据到训练好的SVDD模型球心的距离D²是否大于半径平方，若大于，则说明当前精馏过程出现质量异常，通过输出单元将异常数据送至前端，然后转化为包括仪表图的可视化模型显示在前端，将异常数据与精馏过程关键质量指标的目标值进行比较，找出是哪些变量导致的质量异常；若小于，则说明当前精馏过程质量状态正常，质量监控系统继续执行精馏过程质量监控任务。

2.根据权利要求1所述的方法，其特征在于将精馏过程的制造业务表述为四元组DPMB＝<DisID,Znm,Sensor,AgentBeh>：

1)DisID表示精馏产品名称ID，是字符类型，用于识别不同精馏产品和获取精馏数据库内关联在DisID参数值下相应的离线精馏数据集和汽液平衡数据；

2)Znm表示精馏产品质量分数，是浮点数类型，用来获取给定Znm参数值下相应的精馏过程关键质量指标的目标值和更新SVDD模型的训练集；

3)Sensor表示现场传感器的感知状态，是布尔类型，默认为True；它用于判断现场传感器采集到的实时精馏过程质量数据是否存在异常值；

4)AgentBeh表示Agent当前的功能行为，是布尔类型，默认为True；它用来判断当前Agent的功能是否满足产品质量监控要求；

有针对性地对不同元组的变化分别进行处理，产生不同类型的事件。

3.根据权利要求2所述的方法，其特征在于所述事件指精馏过程制造业务的变化，表述为三元组Event＝<ENam,EWay,EPri>：

1)ENam表示事件的名称，是字符类型，不同制造业务变化触发的事件会产生不同的演化动作，可据此读取ECA演化规则；

2)EWay表示事件触发方式，是字符类型，包括提交表单信息和变化感知算法两种方式；当DisID或Znm发生变化时，通过在前端的输入框中输入精馏产品DisID和质量分数Znm信息，点击“确定”按钮即为“提交表单信息”方式，它触发按钮单击事件；输入不同精馏产品或质量分数认为是同一种事件，仅表现在DisID和Znm参数值不同；当Sensor或AgentBeh发生变化时，通过变化感知算法感知其变化信息，触发事件发生器产生相应的事件，此为“变化感知算法”方式；事件触发后会将产生的事件添加到事件队列中；

3)EPri表示事件的优先级，是字符类型，通过提交表单信息方式触发的事件优先级较低；通过变化感知算法方式触发的事件优先级较高；所有的事件存储在事件队列中，系统会首先执行事件队列中优先级高的事件；当队列中有多个高优先级事件时，按照事件触发的时间先后顺序依次执行；事件执行完毕后，该事件从事件队列中弹出。

4.根据权利要求3所述的方法，其特征在于不同制造业务变化触发的事件会产生不同的演化动作，形成不同的ECA演化规则；ECA演化规则的语法为：onEvent if Conditon doAction：

1)Event是根据不同制造业务变化所产生的事件，作为识别不同ECA演化规则的标识符；

2)Condition是演化约束条件，即事件Event是否为当前事件队列中最高优先级事件，若是则执行相应的Action，否则在事件队列中等待；

3)Action是演化动作，描述面对不同制造业务变化，数据源Agent和监控模型Agent的运行单元执行哪些功能，即对DataAgent.target、DataAgent.missing、DataAgent.abnormal、ModelAgent.training和ModelAgent.abnormal中的某些属性赋值为True；

4)数据源Agent和监控模型Agent从演化规则库中读取相应的ECA演化规则，执行具体的演化功能，完成精馏过程制造业务变化的自适应演化任务。

5.根据权利要求4所述的方法，其特征在于Action是演化动作，描述面对不同制造业务变化，数据源Agent和监控模型Agent的运行单元执行哪些功能，即对DataAgent.target、DataAgent.missing、DataAgent.abnormal、ModelAgent.training和ModelAgent.abnormal中的某些属性赋值为True；具体如下：

①由DisID或Znm变化触发的事件，属性DataAgent.target和ModelAgent.training赋值为True；

②由Sensor变化触发的事件，表明采集到的实时精馏过程质量数据存在异常值，属性DataAgent.missing赋值为True；

③由AgentBeh变化触发的事件，表明当前Agent功能不满足产品质量监控要求。

6.根据权利要求4所述的方法，其特征在于数据源Agent和监控模型Agent从演化规则库中读取相应的ECA演化规则，执行具体的演化功能，完成精馏过程制造业务变化的自适应演化任务；具体如下：

①当属性DataAgent.target的值为True时，数据源Agent的运行单元根据DisID参数值更新汽液平衡数据，然后根据Znm参数值更新关键质量指标的目标值；当属性ModelAgent.training的值为True时，监控模型Agent的运行单元根据DisID和Znm参数值更新SVDD模型的训练集，通过训练学习得到新的球心和半径平方参数值，该球心和半径平方作为全局变量传递给实时监控Agent的解析单元；然后实时监控Agent以新的球心和半径平方参数值实时监控精馏过程产品质量；至此，完成精馏产品或质量分数变化的自适应演化任务；

②当属性DataAgent.missing的值为True时，数据源Agent的运行单元负责找出传感器异常值所对应的精馏过程变量名称，将该变量名称送至前端；然后由质量监控系统排查原因；至此，完成现场传感器感知状态变化的自适应演化任务；

③当属性DataAgent.abnormal的值为True时，数据源Agent的运行单元负责找出汽液平衡曲线绘制出现异常的原因；

④当属性ModelAgent.abnormal的值为True时，监控模型Agent的运行单元负责找出SVDD模型训练失败的原因。

7.根据权利要求1所述的方法，其特征在于基于SVDD模型的应用过程如下：

以Znm参数值为质量合格指标，更新离线精馏数据集；然后将更新后的离线精馏数据集X_i,i＝1,2,…m作为SVDD模型的训练集，X_i为n维向量，通过训练学习得到SVDD模型的球心和半径参数值；求解这个超球体模型的问题转化为下面的二次规划问题：

s.t.||X_i-a||²≤R²+ξ_i,i＝1,2,…m

ξ_i≥0,C＞0,i＝1,2,…m               (1)

式中，R为超球体的半径，a为超球体的球心，ξ_i为松弛变量，C为惩罚因子，是一个常数，用来控制超球体外面的精馏样本数，C越大，超球体外面的精馏样本数越少；对式(1)引入拉格朗日方程：

式中，α_i≥0，γ_i≥0为拉格朗日乘子，对上式中R,a,ξ_i分别求偏导，并设偏导值为0，得到如下式子：

C-α_i-γ_i＝0,i＝1,2,…m                 (5)

将式(3)～(5)代入式(2)中，得到式(1)的对偶问题：

式中，K(X_i,X_j)＝exp(-||X_i-X_j||/s²)，其中s为核宽参数；该对偶问题的变量只有α，利用最优化算法求解，记

为对偶方程的解；非零α_i ^*对应的样本称为支持向量，把这些支持向量组成的集合记为SV，超球体的球心a通过式(4)求得，任意一个支持向量到球心的距离就是半径，则超球体半径平方为：

式中，X_k为支持向量，且X_k∈SV；

将精馏过程质量数据Z输入到上述训练好的SVDD模型，该数据到超球体球心的距离D²为：

若D²≤R²，则认为精馏产品质量合格，否则认为产品质量不合格，为异常数据。

Images