CN114924489A - 一种适用于流程工业预测控制的模型自主学习方法 - Google Patents

一种适用于流程工业预测控制的模型自主学习方法 Download PDF

Info

Publication number
CN114924489A
CN114924489A CN202210861856.2A CN202210861856A CN114924489A CN 114924489 A CN114924489 A CN 114924489A CN 202210861856 A CN202210861856 A CN 202210861856A CN 114924489 A CN114924489 A CN 114924489A
Authority
CN
China
Prior art keywords
model
transfer function
function model
parameter
parameters
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
Application number
CN202210861856.2A
Other languages
English (en)
Other versions
CN114924489B (zh
Inventor
褚健
刘磊
冯凯
王家栋
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.)
Zhongkong Technology Co ltd
Original Assignee
Zhejiang Supcon 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 Zhejiang Supcon Technology Co Ltd filed Critical Zhejiang Supcon Technology Co Ltd
Priority to CN202210861856.2A priority Critical patent/CN114924489B/zh
Publication of CN114924489A publication Critical patent/CN114924489A/zh
Application granted granted Critical
Publication of CN114924489B publication Critical patent/CN114924489B/zh
Priority to PCT/CN2022/136000 priority patent/WO2024016556A1/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
    • 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)
  • 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

本发明公开了一种适用于流程工业预测控制的模型自主学习方法，通过多输入单输出系统作为基本子系统予以实现；包括：步骤一、模型设置及学习参数自选择；步骤二、参数分布建模；步骤三、数据采集和处理；步骤四、模型参数学习；步骤五、模型参数检验；步骤六、模型预测误差对比。本发明可在线自主学习过程的动态特性；可根据预设的模型参数自动选择待学习参数的类型，使待学习参数具有真实的物理意义，且在学习过程中，预设模型对模型学习的结果具有约束作用以提高模型的可靠性；对参数的学习结果进行检验、对预测结果进行评价，进一步提高模型的可靠性；采用参数死区的方式增加了模型参数的平稳性，减少因模型参数频繁变化而引起的控制效果波动。

Description

一种适用于流程工业预测控制的模型自主学习方法
技术领域
本发明涉及流程工业预测技术领域，具体涉及一种适用于流程工业预测控制的模型自主学习方法。
背景技术
自20世纪末期以来，流程工业得到了快速发展，其中也包括模型预测控制在流程工业中的成功应用。模型预测控制与传统的PID控制相比，不仅适用于多耦合、大时滞等难控的被控对象，而且可以对工艺条件和经济指标等约束建模，配合优化技术完成控制任务。故，模型预测控制在流程工业中具有广泛的应用前景。然而，在实际生产中，随着生产目标改变、生产原料配比改变、设备老化、催化剂活性不足等多种因素，过程的动态特性会发生变化。这种变化会引发预测控制的预测模型与真实过程动态特性的失配问题。因此，如果能增加预测模型与真实过程动态特性的匹配程度，则控制器可以实现更加准确的过程输出预测，进而有利于控制效果的提升。目前，行业已有一些思想或者方法来应对变化的动态特性问题，比如非线性建模、多工况建模、在线辨识等方法。但现有的方法在实施时存在以下不足。
第一点，对于非线性建模和多工况建模。流程工业大量的三传一反过程增加了机理建模的难度，且现场运行数据难以覆盖所有工况，因此数据驱动的建模方法也只能建立局部模型或者部分工况模型，如果投运时运行在未知工况，仍然需要一种模型在线学习的方法。
第二点，对于在线辨识的方法。一方面，现有方法多采用线性回归对动态特性建模，参数缺乏实际的物理意义，辨识时也缺少对参数的合理约束，导致辨识参数的自由度过高；另一方面，过程的动态特性往往是缓慢变化的，当前正在运行的预测模型应该对新的动态特性参数具有指导意义。然而，暂未发现能有效兼顾这两方面的技术方法。
发明内容
本发明为了克服以上技术的不足，提供了一种适用于流程工业预测控制的模型自主学习方法。
该方法的特点在于：第一，可在线自主学习过程的动态特性，以多输入单输出子系统划分的方式可适用于多输入多输出系统，当然也适用于比多输入多输出系统更简单的其他系统；第二，可根据预设的模型参数自动选择待学习参数的类型，使待学习参数具有真实的物理意义，且在学习过程中，预设模型对模型学习的结果具有约束作用，以提高模型的可靠性；第三，对参数的学习结果进行检验，对模型的预测结果进行评价，进一步提高模型的可靠性；第四，采用参数死区的方式增加了模型参数的平稳性，减少因模型参数频繁变化而引起的控制效果波动。本发明的方法是一种融合模型知识和过程数据的在线学习方法，适用于流程工业预测控制的模型自主学习问题。
术语解释：
1、增益：放大倍数。
2、自然角频率：描述物体振动快慢的物理量，与振动系统的固有属性有关。
3、阻尼系数：表征二阶以及二阶以上的系统在运动过程中系统能量减少这一特性的参数。
4、对数正态分布：一个随机变量的对数服从正态分布，则该随机变量服从对数正态分布。
5、预测模型：指预测控制中用于预测的，用数学语言或公式所描述的事物间的数量关系。
6、参数死区：指参数变化时，如果变化幅度未超过该值，则认为参数没有发生变化。
本发明克服其技术问题所采用的技术方案是：
一种适用于流程工业预测控制的模型自主学习方法，通过多输入单输出系统作为基本子系统予以实现，包括如下步骤：
步骤一、模型设置及学习参数自选择：设置所有传递函数模型，对每个传递函数模型进行计算并自动选择待学习参数。
其中，设置传递函数模型具体包括：
在固定的二阶系统加一阶积分加纯滞后传递函数模型模板下，设置每个输入变量到每个输出变量之间的传递函数模型。
假设传递函数模型有
Figure 100002_DEST_PATH_IMAGE001
个输入变量和
Figure DEST_PATH_IMAGE002
个输出变量，则需要按照式（1）所示 的模板设置
Figure 100002_DEST_PATH_IMAGE003
个传递函数模型，且额外设置标志位
Figure DEST_PATH_IMAGE004
以说明该传递函数模 型
Figure 100002_DEST_PATH_IMAGE005
是否额外串联一个一阶积分环节；
Figure DEST_PATH_IMAGE006
（1）
上式中，
Figure 100002_DEST_PATH_IMAGE007
为模型增益，
Figure DEST_PATH_IMAGE008
为延迟时间，
Figure DEST_PATH_IMAGE009
为拉式算子，
Figure DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE011
分别为传递函数特征多项式的二次项系数和一次项系数；
然后，对每个传递函数模型进行计算并自动选择待学习参数，
Figure DEST_PATH_IMAGE012
表示模型自学习 前设定的模型参数值，具体包括：
先对每个传递函数模型计算，然后进行如下分析：
如果某个传递函数模型的增益
Figure DEST_PATH_IMAGE013
，则该传递函数模型
Figure DEST_PATH_IMAGE014
不参与 模型在线学习；
否则，判断二阶系统的极点位置：（1）如果存在实部为正的根或者纯虚数根，则该 传递函数模型
Figure 404568DEST_PATH_IMAGE014
也不参与模型在线学习；（2）如果存在两个实部为负数的共轭复数 根，则计算传递函数模型
Figure 603599DEST_PATH_IMAGE014
的自然角频率
Figure DEST_PATH_IMAGE015
和阻尼系数
Figure DEST_PATH_IMAGE016
，并将模型增益
Figure DEST_PATH_IMAGE017
、自然角频率
Figure DEST_PATH_IMAGE018
和阻尼系数
Figure DEST_PATH_IMAGE019
作为待学习参数。
除了上述（1）和（2）两种情况外，如果传递函数模型的分母多项式
Figure DEST_PATH_IMAGE020
可以实现式（2）的因式分解，则将非零的一次项系数
Figure DEST_PATH_IMAGE021
、非 零的一次项系数
Figure DEST_PATH_IMAGE022
和模型增益
Figure DEST_PATH_IMAGE023
作为传递函数模型
Figure DEST_PATH_IMAGE024
的待学习参数。
Figure DEST_PATH_IMAGE025
（2）
步骤二、参数分布建模：对于参与学习的每个传递函数模型，采用对数正态分布对待学习参数建立对数正态分布模型。具体包括如下：
在传递函数模型
Figure DEST_PATH_IMAGE026
参与学习的情况下，采用对数正态分布
Figure DEST_PATH_IMAGE027
对模型参数值的分布建立对数正态分布模型，即使得传递函数模型参 数服从对数正态分布，其中，
Figure DEST_PATH_IMAGE028
和
Figure DEST_PATH_IMAGE029
是关于参数
Figure DEST_PATH_IMAGE030
对数正态分布的分布参数；根据 步骤一所述的待学习参数的种类，由用户设定与分布形状相关的系数
Figure DEST_PATH_IMAGE031
，
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
为 设定的传递函数模型的参数值，根据式（3）解算对数正态分布的参数。
Figure DEST_PATH_IMAGE034
（3）
步骤三、数据采集和处理：在线采集输入变量和输出变量数据及输入变量和输出变量对应的质量码，并对质量码为坏值的情况进行处理。具体包括如下：
在线采集传感器的过程变量和质量码，具体是，采集输入变量和输出变量数据及 输入变量和输出变量对应的质量码，其中，质量码用于表示采集到的输入变量和输出变量 是否有效，记输入变量为
Figure DEST_PATH_IMAGE035
，输出变量为
Figure DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE037
为采样时刻；
若
Figure 899450DEST_PATH_IMAGE035
的质量码为坏，则清空采集的所有变量历史数据并重新采集；
若
Figure 825817DEST_PATH_IMAGE036
的质量码为坏，则继续采集数据，直到
Figure DEST_PATH_IMAGE038
出现好值，若期间连续坏 值的个数大于等于预设的
Figure DEST_PATH_IMAGE039
，则清空采集的所有变量历史数据并重新采集；否则，利用 坏值数据段两端的好值数据点对坏值数据段进行线性插值以在线补全历史数据，继续采集 数据。
步骤四、模型参数学习：基于贝叶斯优化理论建立传递函数模型自主学习的数学优化模型，利用差分进化算法优化传递函数模型参数。具体包括如下：
当输入变量或输出变量的数据量（输出变量和输入变量的测量次数始终是一样） 累积到预设个数
Figure DEST_PATH_IMAGE040
时，针对每个多输入单输出子系统，基于贝叶斯优化理论建立传递函 数模型自主学习的数学优化模型。
根据传递函数模型计算系统脉冲响应序列，利用脉冲响应序列和系统输入变量的卷积计算系统输出变量的预测序列。
重复执行
Figure DEST_PATH_IMAGE041
次基于差分进化算法的传递函数模型参数学习，
Figure DEST_PATH_IMAGE042
。 记当前情况为第
Figure DEST_PATH_IMAGE043
个多输入单输出子系统的第
Figure DEST_PATH_IMAGE044
次模型参数学习，
Figure DEST_PATH_IMAGE045
为用户设置 的种群数量；随机选取长度为
Figure DEST_PATH_IMAGE046
的连续数据片段，视待学习参数类型随机初始化种群 参数，根据学习参数计算系数
Figure DEST_PATH_IMAGE047
和
Figure DEST_PATH_IMAGE048
并代入式（1），采用双线性变换离散化，获取 传递函数模型
Figure DEST_PATH_IMAGE049
的脉冲响应
Figure DEST_PATH_IMAGE050
，
Figure DEST_PATH_IMAGE051
为 脉冲响应序列阶段长度，
Figure DEST_PATH_IMAGE052
为延迟点个数，并计算传递函数模型
Figure DEST_PATH_IMAGE053
输出的预测值
Figure DEST_PATH_IMAGE054
；如果
Figure DEST_PATH_IMAGE055
，则额外利用一阶积分环节的标准离散化计算方法更新
Figure DEST_PATH_IMAGE056
序列；按照式（4）计算多输入单输出子系统的输出预测值
Figure DEST_PATH_IMAGE057
，视待 学习参数类型按式（5）计算目标函数值并记录在
Figure DEST_PATH_IMAGE058
，其 中，
Figure DEST_PATH_IMAGE059
为用户设置的噪声水平，
Figure DEST_PATH_IMAGE060
。
Figure DEST_PATH_IMAGE061
（4）
Figure DEST_PATH_IMAGE062
（5）
接下来，反复执行多轮标准差分进化算法中的三个步骤：种群进化、个体变异和个 体选择，以极小化目标函数的原则记录并更新
Figure DEST_PATH_IMAGE063
和对应的模型 参数；最终将最优个体对应的参数学习结果记录到
Figure DEST_PATH_IMAGE064
或
Figure DEST_PATH_IMAGE065
中，其中，
Figure DEST_PATH_IMAGE066
分别为第
Figure 548179DEST_PATH_IMAGE044
次模型参数学习的最优个体的模型增益、两个一次项系数、自然角频率和阻尼 比。
步骤五、模型参数检验：对每个传递函数模型的每个参数执行参数检验，包括正态性检验、参数死区判断和均值检验。具体包括如下：
对
Figure DEST_PATH_IMAGE067
的每个参数的
Figure DEST_PATH_IMAGE068
次学习 结果进行检验。
环节一、正态性检验：正态性检验方法采用GB/T 4882-2001中的夏皮洛-威尔克 （Shapiro-Wilk）检验方法，根据被学习的参数类型按照式（6）计算特征
Figure DEST_PATH_IMAGE069
的样本数据，若 正态性检验不通过，则该参数保持
Figure DEST_PATH_IMAGE070
不变；否则，进入环节二。
Figure DEST_PATH_IMAGE071
（6）
环节二、参数死区判断：计算
Figure DEST_PATH_IMAGE072
的平均值
Figure DEST_PATH_IMAGE073
，如果
Figure DEST_PATH_IMAGE074
，则该参数保持
Figure DEST_PATH_IMAGE075
不变，其中，
Figure DEST_PATH_IMAGE076
是用户设定的参数死 区范围；否则，进入环节三。
环节三、均值检验：由用户设定均值检验系数
Figure DEST_PATH_IMAGE077
，如果
Figure DEST_PATH_IMAGE078
，则原 假设为总体均值
Figure DEST_PATH_IMAGE079
；反之，如果
Figure DEST_PATH_IMAGE080
，则原假设为总体均值
Figure DEST_PATH_IMAGE081
；如 果均值检验不通过，则该参数保持
Figure DEST_PATH_IMAGE082
不变；否则，将
Figure DEST_PATH_IMAGE083
代入式（6）反算出参 数的学习结果。
步骤六、模型预测误差对比：用原传递函数模型计算预测均方根误差，用学习后的传递函数模型计算预测均方根误差，根据两者的大小关系决定是否更新多输入单输出系统的传递函数模型，然后返回步骤一继续执行。具体包括如下：
对每个多输入单输出子系统，用原传递函数模型参数为准，计算第
Figure DEST_PATH_IMAGE084
个多输入单 输出系统的预测均方根误差并记为
Figure DEST_PATH_IMAGE085
；用学习后的传递函数模型参数为准，计算 第
Figure 541281DEST_PATH_IMAGE084
个多输入单输出系统的预测均方根误差并记为
Figure DEST_PATH_IMAGE086
；
如果
Figure DEST_PATH_IMAGE087
，则更新该多输入单输出系统的传递函数模型； 反之，则该多输入单输出系统的传递函数模型保持不变；
然后返回步骤一继续运行。
本发明的有益效果是：
1、本发明是一种支持在线运行的模型参数的自主学习技术，可利用在线数据主动地学习模型参数。
2、本发明中，传递函数模板采用了二阶传递函数的一般形式，不仅可以学习稳定的二阶实特征根系统模型，而且可以学习稳定的二阶共轭复特征根系统模型，使学习参数具有明确的物理意义。
3、本发明中，通过两种方法增加了传递函数模型在线学习结果的可靠性：第一种，将过程的先验知识融合进了传递函数模型的学习过程，先验知识包括正在投运的控制器传递函数模型的结构、参数值、增益的符号和由系数自动计算出的、具有物理意义的传递函数模型待学习参数类型；第二种，包含参数检验和传递函数模型预测误差结果对比两个步骤，只有参数通过了假设检验且传递函数模型通过了预测误差结果对比，传递函数模型参数才会被自动更新为学习后的结果。
4、本发明中，采用参数死区的方法增加了传递函数模型参数的平稳性，当传递函数模型参数的变化位于用户设定的死区内，则传递函数模型参数不发生改变，以此增加传递函数模型参数的平稳性，有利于控制效果的稳定性。
5、本发明中，采用了对数正态分布的传递函数模型参数分布假设，一方面，对数正 态分布的随机变量取值范围是正数域，有效的
Figure DEST_PATH_IMAGE088
的值域也 是正数域，即二者吻合；另一方面，对于传递函数模型的增益而言，增益偏大会使控制偏慢， 但增益偏小可能会使系统不稳定，故减小增益应更谨慎；而对数正态分布的概率密度函数 曲线在最大值左侧形状较为陡峭，概率密度随着增益减小衰减较快；故，这种先验模型适用 于对增益偏小带来的风险进行建模。
附图说明
图1示出了本发明所述的适用于流程工业预测控制的模型自主学习方法的流程框图。
图2示出了模型参数检验步骤中的正态性检验、参数死区判断和均值检验三环节流程图。
图3示出了不同
Figure DEST_PATH_IMAGE089
时的传递函数模型学习结果与原传递函数模型的阶跃响应曲 线。
图4示出了无参数死区方法时的传递函数模型部分学习结果与原传递函数模型的阶跃响应曲线。
具体实施方式
为了便于本领域人员更好的理解本发明，下面结合附图和具体实施例对本发明做进一步详细说明，下述仅是示例性的不限定本发明的保护范围。
本发明所述的一种适用于流程工业预测控制的模型自主学习方法，可适用于多输入多输出系统，具体是基于多输入单输出子系统划分的方式进行的，故具体实施方式中，采用多输入单输出子系统进行详细说明。
下面以两输入单输出子系统为例进行说明，但并不局限于本实施所述的两输入单输出子系统，其他多输入单输出子系统均适用。
假设两输入单输出系统的当前传递函数模型通过下式（7）表示。
Figure DEST_PATH_IMAGE090
（7）
步骤一、模型设置及学习参数自选择：设置所有传递函数模型，对每个传递函数模型进行计算并自动选择待学习参数。
根据式（1）和式（7），本实施例中对两个传递函数模型设置参数如下：
Figure DEST_PATH_IMAGE091
对于传递函数模型
Figure DEST_PATH_IMAGE092
，其特征多项式（不含纯积分）可以在实数域内被分解为 一阶多项式乘积的形式，故按照式（2）计算，
Figure 480418DEST_PATH_IMAGE092
的待学习参数为
Figure DEST_PATH_IMAGE093
和
Figure DEST_PATH_IMAGE094
，且
Figure DEST_PATH_IMAGE095
和
Figure DEST_PATH_IMAGE096
。
对于传递函数模型
Figure DEST_PATH_IMAGE097
，其特征多项式（不含纯积分）包含两个共轭复数根，故
Figure 554684DEST_PATH_IMAGE097
的待学习参数为
Figure DEST_PATH_IMAGE098
、
Figure DEST_PATH_IMAGE099
和
Figure DEST_PATH_IMAGE100
，且将特征多项式转化为零极点形式后，可知
Figure DEST_PATH_IMAGE101
、
Figure DEST_PATH_IMAGE102
和
Figure DEST_PATH_IMAGE103
。
步骤二、参数分布建模：对于参与学习的每个传递函数模型，采用对数正态分布对待学习参数建立对数正态分布模型。
由于两个传递函数模型的增益均不为零，且特征根实部非正且无纯虚数根，故两个传递函数模型均应被学习；
假设设定
Figure DEST_PATH_IMAGE104
，
Figure DEST_PATH_IMAGE105
，则根据式（3）可以解算 出
Figure DEST_PATH_IMAGE107
，
Figure DEST_PATH_IMAGE109
，
Figure DEST_PATH_IMAGE111
，
Figure DEST_PATH_IMAGE113
，
Figure DEST_PATH_IMAGE115
，
Figure DEST_PATH_IMAGE116
，其中，
Figure DEST_PATH_IMAGE117
、
Figure DEST_PATH_IMAGE118
、
Figure DEST_PATH_IMAGE119
、
Figure DEST_PATH_IMAGE120
和
Figure DEST_PATH_IMAGE121
分别为参数
Figure DEST_PATH_IMAGE122
、
Figure DEST_PATH_IMAGE123
、
Figure DEST_PATH_IMAGE124
、
Figure DEST_PATH_IMAGE125
和
Figure DEST_PATH_IMAGE126
的对数正态分布的分布参数。
步骤三、数据采集和处理：在线采集输入变量和输出变量数据及输入变量和输出变量对应的质量码，并对质量码为坏值的情况进行处理。
在线输入变量和输出变量数据及输入变量和输出变量对应的质量码，并判断数据 质量码好坏，其中，记输入变量为
Figure DEST_PATH_IMAGE127
和
Figure DEST_PATH_IMAGE128
输出变量为
Figure DEST_PATH_IMAGE129
，
Figure 794867DEST_PATH_IMAGE037
为采样时 刻；
若
Figure 319389DEST_PATH_IMAGE127
或
Figure 339298DEST_PATH_IMAGE128
的质量码为坏，则清空采集的所有变量历史数据并重新 采集；
若
Figure 607468DEST_PATH_IMAGE129
的质量码为坏，则继续采集数据，直到
Figure DEST_PATH_IMAGE130
出现好值，若期间连续坏值 的个数大于等于预设的
Figure DEST_PATH_IMAGE131
，则清空采集的所有变量历史数据并重新采集，若期间连续 坏值的个数小于
Figure 940973DEST_PATH_IMAGE131
，则利用坏值数据段两端的好值数据点对坏值数据段进行线性插 值后在线补全历史数据，继续采集数据。比如
Figure DEST_PATH_IMAGE132
，
Figure DEST_PATH_IMAGE133
，第6个和第7个样本点的质量 码为坏，第5个和第8个样本点的质量码为好，则在
Figure DEST_PATH_IMAGE134
时，利用
Figure DEST_PATH_IMAGE135
和
Figure 964293DEST_PATH_IMAGE134
的 数据点对
Figure DEST_PATH_IMAGE136
和
Figure DEST_PATH_IMAGE137
进行线性插值，即
Figure DEST_PATH_IMAGE138
。
步骤四、模型参数学习：基于贝叶斯优化理论建立传递函数模型自主学习的数学优化模型，利用差分进化算法优化传递函数模型参数。
当输入变量或输出变量的数据量累积到预设个数
Figure DEST_PATH_IMAGE139
个时，对该两 输入单输出系统重复执行
Figure DEST_PATH_IMAGE140
次基于差分进化算法的模型参数学习。
记当前情况为该两输入单输出系统的第
Figure DEST_PATH_IMAGE141
次模型参数学习：
随机选取长度为
Figure DEST_PATH_IMAGE142
的连续数据片段；设置种群数目
Figure DEST_PATH_IMAGE143
， 随机初始化种群参数
Figure DEST_PATH_IMAGE144
和
Figure DEST_PATH_IMAGE145
，根据学习参数反算系数
Figure DEST_PATH_IMAGE146
，
Figure DEST_PATH_IMAGE147
，
Figure DEST_PATH_IMAGE148
和
Figure DEST_PATH_IMAGE149
并代入传递函数模型的模板，采用双线性变换离散化，获取传
Figure DEST_PATH_IMAGE150
和
Figure DEST_PATH_IMAGE151
的脉冲响应，分别记为
Figure DEST_PATH_IMAGE152
和
Figure DEST_PATH_IMAGE153
，递函数模型按照式（8）计算传递函数模型
Figure 647996DEST_PATH_IMAGE150
和
Figure 188699DEST_PATH_IMAGE151
输出的预测值
Figure DEST_PATH_IMAGE154
和
Figure DEST_PATH_IMAGE155
，其中，
Figure DEST_PATH_IMAGE156
为差分算子。
Figure DEST_PATH_IMAGE157
（8）
因为
Figure DEST_PATH_IMAGE158
，故利用一阶纯积分环节的标准离散化计算方法更新
Figure DEST_PATH_IMAGE159
，按照式（9）计算多输入单输出系统的输出预测值
Figure DEST_PATH_IMAGE160
，按照式（10）计 算目标函数值并记录在
Figure DEST_PATH_IMAGE161
，其中，
Figure DEST_PATH_IMAGE162
为用户设置的 噪声水平，
Figure DEST_PATH_IMAGE163
。
Figure DEST_PATH_IMAGE164
（9）
Figure DEST_PATH_IMAGE165
（10）
接下来，反复执行多轮标准差分进化算法中的三个步骤：种群进化、个体变异和个体 选择，以极小化目标函数的原则记录并更新
Figure DEST_PATH_IMAGE166
和对应的模型参数，最终 将最优个体对应的参数学习结果记录到
Figure DEST_PATH_IMAGE167
和
Figure DEST_PATH_IMAGE168
中。
步骤五、模型参数检验：对每个传递函数模型的每个参数执行参数检验，包括正态性检验、参数死区判断和均值检验。
如图2所示，对递函数模型
Figure DEST_PATH_IMAGE169
和
Figure DEST_PATH_IMAGE170
的每个参数的20次学习结果进行检验。
环节一、正态性检验：根据被学习的参数类型按照式（6）计算特征
Figure DEST_PATH_IMAGE171
的样本数 据。比如，参数
Figure DEST_PATH_IMAGE172
检验结果不通过，则参数
Figure 533967DEST_PATH_IMAGE172
保持5不变；其它参数通过，进入环 节二。
环节二、参数死区判断：计算
Figure DEST_PATH_IMAGE173
的平均值
Figure DEST_PATH_IMAGE174
，如果
Figure DEST_PATH_IMAGE175
，则该参数保持
Figure DEST_PATH_IMAGE176
不变；比如
Figure DEST_PATH_IMAGE177
，如果在执行
Figure DEST_PATH_IMAGE178
的参数死区判断时，
Figure DEST_PATH_IMAGE179
，则
Figure 806817DEST_PATH_IMAGE178
保持3.5不变；其它参数 通过，进入环节三。
环节三、均值检验：如果
Figure DEST_PATH_IMAGE180
，则原假设为总体均值
Figure DEST_PATH_IMAGE181
；反之，如果
Figure DEST_PATH_IMAGE182
，则原假设为总体均值
Figure DEST_PATH_IMAGE183
；如果检验结果不通过，则该参数保持
Figure DEST_PATH_IMAGE184
不变；比如在执行参数
Figure DEST_PATH_IMAGE185
的均值检验时，
Figure DEST_PATH_IMAGE186
，
Figure DEST_PATH_IMAGE187
，如果检验结果为无法 拒绝
Figure DEST_PATH_IMAGE188
的假设，则
Figure 755312DEST_PATH_IMAGE185
维持0.5不变；否则，拒绝原假设，将
Figure DEST_PATH_IMAGE189
代 入式（6）反算出参数的学习结果。
步骤六、模型预测误差对比：用原传递函数模型计算预测均方根误差，用学习后的传递函数模型计算预测均方根误差，根据两者的大小关系决定是否更新多输入单输出系统的传递函数模型，然后返回步骤一继续执行。
具体是，用原传递函数模型参数为准，计算该两输入单输出系统的输出预测值并 按照式（11）计算预测均方根误差，记为
Figure DEST_PATH_IMAGE190
；以学习后的传递函数模型为准，再次 计算该两输入单输出系统的输出预测值并按照式（11）计算预测均方根误差，记为
Figure DEST_PATH_IMAGE191
。
Figure DEST_PATH_IMAGE192
（11）
如果
Figure DEST_PATH_IMAGE193
，则更新该两输入单输出系统的模型参数
Figure DEST_PATH_IMAGE194
；反之，该两输入单输出系统的所有模型保 持不变。
然后返回步骤一继续重复运行。
现结合另一具体实施例继续说明，该具体实施例为式（12）所示的多输入单输出系统，输入变量为两个支路的水温设定值，输出变量为干路水温，控制方案是用两路支路控制干路的水温。作为多输入单输出系统，其具体实施方式与上文所述相同，故不赘述实施过程，而是重点说明本发明的效果。
Figure DEST_PATH_IMAGE195
（12）
假设正在投运的控制器传递函数模型为式（13）：
Figure DEST_PATH_IMAGE196
（13）
分别设置
Figure DEST_PATH_IMAGE197
、
Figure DEST_PATH_IMAGE198
和
Figure DEST_PATH_IMAGE199
，进行模型参数自学习，将
Figure DEST_PATH_IMAGE200
的学习结果的阶跃响应曲线和
Figure DEST_PATH_IMAGE201
的阶跃响应曲线绘制在图3中。当
Figure DEST_PATH_IMAGE202
取值0.3时，
Figure 943715DEST_PATH_IMAGE200
的学习结果的阶跃响应曲线更接近
Figure 707272DEST_PATH_IMAGE201
的阶跃响应曲线，模 型参数的变化程度小；当
Figure 744498DEST_PATH_IMAGE202
取值0.8时，
Figure 226295DEST_PATH_IMAGE200
的学习结果的阶跃响应曲线更远离
Figure 374380DEST_PATH_IMAGE201
的阶跃响应曲线，模型参数的变化程度大。归纳上述现象，即
Figure 8754DEST_PATH_IMAGE202
会影响
Figure 216882DEST_PATH_IMAGE200
传递函数模型的学习结果，在模型自主学习的迭代过程中，用户设定不同的
Figure 920396DEST_PATH_IMAGE202
，可以控制模型自主学习的参数变化速度，在不确定工况中增加模型的可靠性，防止模型的 大幅度变化对过程平稳性的影响。
图4画出了不含参数死区方法时，
Figure DEST_PATH_IMAGE203
的学习结果的阶跃响应曲线与
Figure DEST_PATH_IMAGE204
的阶跃响应曲线。这些学习结果的传递函数模型参数与
Figure 668909DEST_PATH_IMAGE204
的传递函 数模型参数相对差别小于10%。在这种情况下，由于预测控制器具有反馈校正环节，预测控 制器便具有一定范围内的鲁棒性，故为了减小预测控制器的传递函数模型的小幅波动，此 时可以设置参数死区范围
Figure DEST_PATH_IMAGE205
，则模型学习结果将保持
Figure 686019DEST_PATH_IMAGE204
不发生变化。归 纳上述现象，用户设定不同的
Figure DEST_PATH_IMAGE206
，可以借助控制器的鲁棒性，增加传递函数模型参数的平 稳性，有利于控制效果的稳定性。
以上仅描述了本发明的基本原理和优选实施方式，本领域人员可以根据上述描述做出许多变化和改进，这些变化和改进应该属于本发明的保护范围。

Claims (10)

1.一种适用于流程工业预测控制的模型自主学习方法，其特征在于，通过多输入单输出系统作为基本子系统予以实现，包括步骤：
步骤一、设置所有传递函数模型，对每个传递函数模型进行计算并自动选择待学习参数；
步骤二、对于参与学习的每个传递函数模型，采用对数正态分布对待学习参数建立对数正态分布模型；
步骤三、在线采集输入变量和输出变量数据及输入变量和输出变量对应的质量码，并对质量码为坏值的情况进行处理；
步骤四、基于贝叶斯优化理论建立传递函数模型自主学习的数学优化模型，利用差分进化算法优化传递函数模型参数；
步骤五、对每个传递函数模型的每个参数执行参数检验，包括正态性检验、参数死区判断和均值检验；
步骤六、对每个多输入单输出子系统，用原传递函数模型计算预测均方根误差，用学习后的传递函数模型计算预测均方根误差，根据两者的大小关系决定是否更新多输入单输出系统的传递函数模型，然后返回步骤一继续执行。
2.根据权利要求1所述的适用于流程工业预测控制的模型自主学习方法，其特征在于，步骤一中，设置传递函数模型具体包括：
在固定的二阶系统加一阶积分加纯滞后传递函数模型模板下，设置每个输入变量到每个输出变量之间的传递函数模型。
3.根据权利要求2所述的适用于流程工业预测控制的模型自主学习方法，其特征在于，步骤一中，传递函数模型的数量根据输入变量和输出变量的数量而定，设输入变量为
Figure DEST_PATH_IMAGE001
个、输出变量为
Figure 429867DEST_PATH_IMAGE002
个，则需设置
Figure DEST_PATH_IMAGE003
个传递函数模型。
4.根据权利要求1所述的适用于流程工业预测控制的模型自主学习方法，其特征在于，步骤一中，对每个传递函数模型进行计算并自动选择待学习参数具体包括：
先对每个传递函数模型计算，然后进行如下分析：
如果某个传递函数模型的增益为0，则该传递函数模型不参与模型在线学习；
否则，判断二阶系统的极点位置：（1）如果存在实部为正的根或者纯虚数根，则该传递函数模型不参与模型在线学习；（2）如果存在两个实部为负数的共轭复数根，则计算传递函数模型的自然角频率和阻尼系数，并将模型增益、自然角频率和阻尼系数作为待学习参数；除上述（1）和（2）两种情况外，则将传递函数模型的分母多项式在实数域中进行因式分解，取分解后的所有的非零的一次项系数和模型增益作为待学习参数。
5.根据权利要求1所述的适用于流程工业预测控制的模型自主学习方法，其特征在于，步骤二具体包括：
对于参与学习的每个传递函数模型，根据用户设定的与分布形状相关的系数，计算对数正态分布参数，利用对数正态分布对待学习参数建模。
6.根据权利要求1所述的适用于流程工业预测控制的模型自主学习方法，其特征在于，步骤三具体包括：
在线采集输入变量和输出变量数据及输入变量和输出变量对应的质量码，并进行如下判断和处理：
对于输入变量，只要出现坏质量码数据，则清空采集的所有变量历史数据并重新采集；
对于输出变量，当连续出现预设个数
Figure 533958DEST_PATH_IMAGE004
或
Figure 782537DEST_PATH_IMAGE004
以上个坏质量码数据时，则清空采集的所有变量历史数据并重新采集，当连续出现的坏质量码数据少于
Figure 646588DEST_PATH_IMAGE004
时，则利用坏值数据段两端的好值数据点采用线性插值方法在线补全历史数据。
7.根据权利要求1所述的适用于流程工业预测控制的模型自主学习方法，其特征在于，步骤四具体包括：
当输入变量或输出变量的数据量累积到预设个数时，针对每个多输入单输出子系统，基于贝叶斯优化理论建立传递函数模型自主学习的数学优化模型；
根据传递函数模型计算系统脉冲响应序列，利用脉冲响应序列和系统输入变量的卷积计算系统输出变量的预测序列；
利用差分进化算法优化传递函数模型参数。
8.根据权利要求7所述的适用于流程工业预测控制的模型自主学习方法，其特征在于，差分进化算法包括三个步骤：种群进化、个体变异和个体选择。
9.根据权利要求1所述的适用于流程工业预测控制的模型自主学习方法，其特征在于，步骤五具体包括：
对每个传递函数模型的每个参数按顺序依次执行正态性检验、参数死区判断和均值检验三个环节，当三个环节全部通过时，参数学习结果有效，否则，参数学习结果无效，保持原参数不变。
10.根据权利要求1所述的适用于流程工业预测控制的模型自主学习方法，其特征在于，步骤六具体包括：
对每个多输入单输出子系统，以原传递函数模型参数为准，计算多输入单输出系统的预测均方根误差并记为
Figure DEST_PATH_IMAGE005
，以学习后的传递函数模型参数为准，计算多输入单输出系统的预测均方根误差并记为
Figure 883796DEST_PATH_IMAGE006
；
如果
Figure DEST_PATH_IMAGE007
，则更新该多输入单输出子系统的传递函数模型，反之，则该多输入单输出子系统的传递函数模型保持不变；
然后，返回步骤一继续执行。
CN202210861856.2A 2022-07-22 2022-07-22 一种适用于流程工业预测控制的模型自主学习方法 Active CN114924489B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210861856.2A CN114924489B (zh) 2022-07-22 2022-07-22 一种适用于流程工业预测控制的模型自主学习方法
PCT/CN2022/136000 WO2024016556A1 (zh) 2022-07-22 2022-12-01 一种适用于流程工业预测控制的模型自主学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210861856.2A CN114924489B (zh) 2022-07-22 2022-07-22 一种适用于流程工业预测控制的模型自主学习方法

Publications (2)

Publication Number Publication Date
CN114924489A true CN114924489A (zh) 2022-08-19
CN114924489B CN114924489B (zh) 2022-11-01

Family

ID=82816273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210861856.2A Active CN114924489B (zh) 2022-07-22 2022-07-22 一种适用于流程工业预测控制的模型自主学习方法

Country Status (2)

Country Link
CN (1) CN114924489B (zh)
WO (1) WO2024016556A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024016556A1 (zh) * 2022-07-22 2024-01-25 中控技术股份有限公司 一种适用于流程工业预测控制的模型自主学习方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942461A (zh) * 2014-05-14 2014-07-23 浙江师范大学 基于在线贯序极限学习机的水质参数预测方法
CN109521677A (zh) * 2018-12-29 2019-03-26 浙江中控技术股份有限公司 一种基于预测模型的控制方法和控制器
JP2019175319A (ja) * 2018-03-29 2019-10-10 ブラザー工業株式会社 予測方法、予測装置、及びコンピュータプログラム
CN111025903A (zh) * 2019-12-07 2020-04-17 河南大学 一种基于结构自适应滤波的非线性系统辨识方法
CN112000001A (zh) * 2020-06-12 2020-11-27 中铁科工集团装备工程有限公司 一种基于改进贝叶斯模型的pid参数整定优化方法
CN112526348A (zh) * 2020-11-18 2021-03-19 南通大学 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法
CN112904718A (zh) * 2021-01-14 2021-06-04 吉林大学 一种基于Hammerstein模型的磁流变阻尼器控制系统及方法
CN113420444A (zh) * 2021-06-23 2021-09-21 南通大学 一种基于参数在线辨识的锂离子电池soc估计方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782743A (zh) * 2010-02-11 2010-07-21 浙江大学 神经网络建模方法及系统
CN106991212B (zh) * 2017-03-07 2019-12-24 西安交通大学 基于ga_pso优化grnn网络算法的叶根强度预测方法
CN110174841A (zh) * 2019-04-30 2019-08-27 杭州意能电力技术有限公司 基于参数优化的工业过程大滞后惯性系统平行控制方法
CN111797992A (zh) * 2020-05-25 2020-10-20 华为技术有限公司 一种机器学习优化方法以及装置
CN114488785B (zh) * 2021-08-09 2023-11-14 宁波大学 一种mfc致动器轨迹跟踪方法
CN114924489B (zh) * 2022-07-22 2022-11-01 浙江中控技术股份有限公司 一种适用于流程工业预测控制的模型自主学习方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942461A (zh) * 2014-05-14 2014-07-23 浙江师范大学 基于在线贯序极限学习机的水质参数预测方法
JP2019175319A (ja) * 2018-03-29 2019-10-10 ブラザー工業株式会社 予測方法、予測装置、及びコンピュータプログラム
CN109521677A (zh) * 2018-12-29 2019-03-26 浙江中控技术股份有限公司 一种基于预测模型的控制方法和控制器
CN111025903A (zh) * 2019-12-07 2020-04-17 河南大学 一种基于结构自适应滤波的非线性系统辨识方法
CN112000001A (zh) * 2020-06-12 2020-11-27 中铁科工集团装备工程有限公司 一种基于改进贝叶斯模型的pid参数整定优化方法
CN112526348A (zh) * 2020-11-18 2021-03-19 南通大学 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法
CN112904718A (zh) * 2021-01-14 2021-06-04 吉林大学 一种基于Hammerstein模型的磁流变阻尼器控制系统及方法
CN113420444A (zh) * 2021-06-23 2021-09-21 南通大学 一种基于参数在线辨识的锂离子电池soc估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
苏宏业等: "预测控制的新进展", 《机电工程》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024016556A1 (zh) * 2022-07-22 2024-01-25 中控技术股份有限公司 一种适用于流程工业预测控制的模型自主学习方法

Also Published As

Publication number Publication date
WO2024016556A1 (zh) 2024-01-25
CN114924489B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN112818595B (zh) 一种火电厂蒸发区的数字孪生模型数据的修正方法及系统
CN110597070B (zh) 火电机组系统模型参数的辨识方法
CN110598929B (zh) 一种风电功率非参数概率区间超短期预测方法
CN112070356A (zh) 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法
CN114924489B (zh) 一种适用于流程工业预测控制的模型自主学习方法
CN110245398B (zh) 空气预热器转子热变形量的软测量深度学习方法
CN113780420A (zh) 基于gru-gcn的变压器油中溶解气体浓度预测方法
CN112016241B (zh) 一种基于mLASSO-MLP模型的软测量建模方法
Wang Data preprocessing for soft sensor using generative adversarial networks
CN112287605A (zh) 一种基于图卷积网络加速的潮流校核方法
CN117034808A (zh) 一种基于图注意力网络的天然气管网压力估计方法
CN108446506B (zh) 一种基于区间反馈神经网络的不确定系统建模方法
CN113707228B (zh) 一种基于LightGBM算法的湿法烟气脱硫优化方法
CN112070156B (zh) 一种由gru网络的气体排放浓度预测方法及系统
Zhu System identification for process control: Recent experience and outlook
CN112884151A (zh) 一种基于因果推理对玻璃熔炉环境控制的方法及系统
CN114896860B (zh) 基于LightGBM和XGBoost组合模型的飞灰含碳量软测量方法
CN111781821B (zh) SISO紧格式无模型控制器基于Attention机制循环神经网络的参数自整定方法
CN112015081B (zh) Siso紧格式无模型控制器基于pso-lstm协同算法的参数自整定方法
CN117688388B (zh) 一种基于数据增强与预测联合学习的软测量方法与系统
CN110750884B (zh) 通过自适应支持向量机算法即时在线仪表校验和诊断方法
CN118237161A (zh) 一种重介选煤全流程智能控制方法
CN112131775B (zh) 一种固体氧化物燃料电池性能推理与优化方法
CN117952242A (zh) 一种自来水厂出水余氯的自适应预测方法及系统
Samad Modeling And Identification With Neural Networks

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 310053 No. 309 Liuhe Road, Binjiang District, Hangzhou City, Zhejiang Province

Patentee after: Zhongkong Technology Co.,Ltd.

Country or region after: China

Address before: 310053 No. 309 Liuhe Road, Binjiang District, Hangzhou City, Zhejiang Province

Patentee before: ZHEJIANG SUPCON TECHNOLOGY Co.,Ltd.

Country or region before: China