CN115202190A - 一种基于工艺指标调节潜质的工况划分和识别方法 - Google Patents
一种基于工艺指标调节潜质的工况划分和识别方法 Download PDFInfo
- Publication number
- CN115202190A CN115202190A CN202210846935.6A CN202210846935A CN115202190A CN 115202190 A CN115202190 A CN 115202190A CN 202210846935 A CN202210846935 A CN 202210846935A CN 115202190 A CN115202190 A CN 115202190A
- Authority
- CN
- China
- Prior art keywords
- control
- fuzzy
- variable
- value
- controlled variable
- 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
- 238000000034 method Methods 0.000 title claims abstract description 113
- 230000008569 process Effects 0.000 title claims abstract description 52
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 29
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012706 support-vector machine Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 19
- 229910017052 cobalt Inorganic materials 0.000 description 17
- 239000010941 cobalt Substances 0.000 description 17
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 description 17
- 238000000746 purification Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 239000011701 zinc Substances 0.000 description 8
- 229910052725 zinc Inorganic materials 0.000 description 8
- 238000009854 hydrometallurgy Methods 0.000 description 7
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 6
- 229910052802 copper Inorganic materials 0.000 description 6
- 239000010949 copper Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000002562 thickening agent Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 229910001429 cobalt ion Inorganic materials 0.000 description 3
- XLJKHNWPARRRJB-UHFFFAOYSA-N cobalt(2+) Chemical compound [Co+2] XLJKHNWPARRRJB-UHFFFAOYSA-N 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000033116 oxidation-reduction process Effects 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910000531 Co alloy Inorganic materials 0.000 description 1
- JPVYNHNXODAKFH-UHFFFAOYSA-N Cu2+ Chemical compound [Cu+2] JPVYNHNXODAKFH-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical class [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 229910001431 copper ion Inorganic materials 0.000 description 1
- BERDEBHAJNAUOM-UHFFFAOYSA-N copper(I) oxide Inorganic materials [Cu]O[Cu] BERDEBHAJNAUOM-UHFFFAOYSA-N 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- KRFJLUBVMFXRPN-UHFFFAOYSA-N cuprous oxide Chemical compound [O-2].[Cu+].[Cu+] KRFJLUBVMFXRPN-UHFFFAOYSA-N 0.000 description 1
- 229940112669 cuprous oxide Drugs 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000006228 supernatant Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- NWONKYPBYAMBJT-UHFFFAOYSA-L zinc sulfate Chemical compound [Zn+2].[O-]S([O-])(=O)=O NWONKYPBYAMBJT-UHFFFAOYSA-L 0.000 description 1
- 229960001763 zinc sulfate Drugs 0.000 description 1
- 229910000368 zinc sulfate Inorganic materials 0.000 description 1
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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于工艺指标调节潜质的工况划分和识别方法，涉及工业过程控制方法领域。该一种基于工艺指标调节潜质的工况划分和识别方法，包括以下步骤：S1：变量预处理；S2：获取动态波动系数；S3：构建模糊评估模型；S4：获取评估值并划分类别；S5：控制框架设计。通过提出控制方法可以有效区别出不同控制效果的工况类别，从而从中提取出控制规则，对控制方案进行指导。相比于人工控制，其控制方式更加合理和智能，避免了被控变量的长时间波动。相比于PID控制来说，不用频繁调节PID参数，适用性大大增加同时控制效果与PID控制相当，同时实施例的实验结果表明所提出的控制方法效果优于PID控制和模糊控制。
Description
技术领域
本发明涉及工业过程控制方法领域，具体为一种基于工艺指标调节潜质的工况划分和识别方法。
背景技术
工业过程数据正在成为过程操作和过程控制中越来越有价值的资产。由于过程变量之间高度相关，基于过程数据的运行模式分类可以有效指导被控变量的控制方案。由于工业过程内部反应机理复杂，在线检测反应过程中的关键参数难以测量，传统的通过机理模型对工业过程运行模式进行分类的方法往往不适用。随着计算机技术的发展，工况分类和识别技术得到了进一步发展。一般来说，可以分为基于数据的方法和基于知识的方法。基于数据的方法包括传统的聚类算法，如k-means聚类、DBSCAN聚类(基于密度的带噪声的应用空间聚类)、均值移位聚类等。
工业过程中常常存在大时滞和非线性的情况，这对工业过程中一些被控变量的控制起到了很大的干扰作用。在传统控制中，现场操作人员通过调节控制变量来使得被控变量维持在一个稳定的设定值附近，但是由于存在大时滞和非线性，现场操作人员存在控制不及时和控制调节量欠缺的问题，同时由于工业过程中工况变化较为频繁，现场控制又是基于人工经验，会存在控制效果不佳的问题。
发明内容
针对现有技术的不足，本发明提供了一种基于工艺指标调节潜质的工况划分和识别方法，针对工业过程存在的时滞和非线性问题，进而指导工业过程中的过程控制。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于工艺指标调节潜质的工况划分和识别方法，包括以下步骤：
S1：变量预处理
根据工业过程的反应过程，选取控制变量和被控变量，首先对被控变量和控制变量进行预处理，采用中值滤波滤去原数据中波动较大的点，采用3σ原则去除原数据中的离群点，最后将被控变量和控制变量进行数据标准化；
S2：获取动态波动系数
根据变量之间相关性大小原理，采用滑动窗口的方法，将控制变量和被控变量划分为一个个窗口大小。通过平移被控变量的窗口，计算出控制变量与被控变量窗口之间的最大相关度，此时所平移得到的步长就是所估计的动态时延。同时记录下被控变量与控制变量之间的最大动态相关度。然后平移控制变量的滑动窗口，计算下一个窗口的动态时延和最大动态相关度。根据之前计算的动态时延，可以确定每段窗口时延之后的被控变量窗口，然后通过一个线性模型来拟合这段被控变量，计算拟合模型和实际被控变量之间的误差。我们将此计算所得到的值定义为动态波动系数；
S3：构建模糊评估模型
选择Z型、钟型和S型作为模糊隶属度函数，然后根据计算出的动态时延、最大动态相关度以及动态波动系数的范围，分别定义出相对应的模糊域：低值域(L)、中值域(M)、高值域(H)。根据控制特征，低值域代表着控制效果在一个比较理想的范围，中值域代表控制效果是在可接受的范围，高值域代表控制效果处于一个较差的情况。由此可以构建出一套模糊规则，该模糊评估模型共有三个输入，分别为动态时延，动态最大相关度以及动态波动系数；
S4：获取评估值并划分类别
在通过模糊规则得到相对应的语义值后，选择通过重心法来进行反模糊化，得到评估值，即所定义的工艺指标调节潜质。将工艺指标调节潜质范围定义为[-1,1]，评估值越接近于1，则代表控制效果越好。获得评估值后，可以根据评估值的分布特点，选择将评估值划分为几个类别，一般可以划分为最优控制类，次优控制类等；
S5：控制框架设计
①考虑到上述步骤已经将工况进行划分，提出基于支持向量机(SVM)进行控制规则提取。选取最优控制域，将其划分为7个区域段，控制变量根据它们的大小标记为{-3,-2,-1,0,1,2,3}。进行多类支持向量机建模，根据可控域内样本所标记的类，得到支持向量对应的原始样本。对原始样本进行模糊处理，控制变量、过程变量和被控变量映射到相应的模糊集。最后根据输入和输出变量得到模糊规则，由于训练样本中存在干扰样本点，因此提取的规则中存在无效规则，因此还需要对规则进行过滤，包括以下基本原则：
a、如果控制变量的当前语义值小于目标语义值，且其调整后的语义值为正，则有效；
b、如果控制变量的当前语义值大于目标语义值，且其调整后的语义值为负，则有效。
②在获取控制规则之后，可以构建相应的控制框架。控制框架分为离线部分和在线部分。在离线部分，首先从训练集中提取控制特征。然后通过模糊评价得到工艺指标调节潜质并划分可控域。可控域划分后，通过支持向量机(SVM)方法提取最佳可控域的模糊规则，加入模糊规则库。在在线部分，提取输入样本的控制特征，然后划分到相应的可控域中。
控制对象采用模糊控制和PID相结合的方式进行控制，其中模糊控制的模糊规则是通过离线训练得到的。对于在线样本，如果它们处于可控域内且可控性较好，则采用模糊控制。如果处于可控性较差的可控域，则采用PID控制。
本发明提供了一种基于工艺指标调节潜质的工况划分和识别方法。具备以下有益效果：
1、本发明通过提出的基于工艺指标调节潜质的工况划分和识别可以有效区别出不同控制效果的工况类别，从而从中提取出控制规则，对控制方案进行指导。与人工操作方式依赖经验不同，所提出的结合目标值与当前的工况状态进行控制变量调节，从而使得被控变量可以快速稳定的到达目标值。相比于人工控制，其控制方式更加合理和智能，避免了被控变量的长时间波动，相比于PID控制来说，不用频繁调节PID参数，适用性大大增加同时控制效果与PID控制相当。
2、本发明通过选用了均值、方差、波动范围作为评价控制效果的评价指标，同时还定义了一个新的评价指标参数：损失，其为目标值和被控变量在有限时间内差值的绝对值积分大小。其计算公式如下所示：
loss＝∫|ytar-yact|dt
其中ytar为设定的目标值，yact为被控变量的实际值。
本文选用了工业净化过程除钴的数据进行实验，设定的ORP控制目标为-300，其控制效果见表1所示。从表1我们可以发现，所提出的控制方法与第一种PID控制参数在均值上效果相当，但是波动范围，方差上显著降低；与第二种PID控制参数比较，在方差和损失上略有降低；与第三种PID参数相比而言，在均值，波动范围，方差以及损失上都有所降低；与第四种比较而言，其波动范围和方差显著降低；与第五种PID参数相比较，其均值，方差上都有较大的降低；与单纯的模糊控制相比较而言，控制性能均有所提升。
表1：不同方法的控制效果
其控制效果图见图5～图9。可以发现在图5中，即所提出的方法与第一种PID参数进行比较，所提出的方法显著优越于PID控制；在图6中，可以发现，所提出的方法一开始可以快速降低到目标值，相比较于PID和模糊控制，可以更加稳定准确控制到目标值；图7中PID没有快速到达目标值而是慢慢降低；图8中，PID出现较大的波动；图9中，PID也存在不小的波动。综上所示，所提出的控制方法效果优于PID控制和模糊控制。
附图说明
图1为本发明实例的湿法炼锌净化除钴过程的工艺流程图；
图2为本发明计算控制变量和被控变量之间的动态时延流程图；
图3为本发明构建的模糊评估工艺指标调节潜质的模糊规则示意图；
图4为本发明实例的湿法炼锌净化除钴过程的训练样本工艺指标调节潜质示意图；
图5为本发明实例的湿法炼锌净化除钴过程的测试样本不同控制方法的控制效果对比图(PID参数为P＝0.25，I＝0.01)；
图6为本发明实例的湿法炼锌净化除钴过程的测试样本不同控制方法的控制效果对比图(PID参数为P＝0.15，I＝0.01)；
图7为本发明实例的湿法炼锌净化除钴过程的测试样本不同控制方法的控制效果对比图(PID参数为P＝0.05，I＝0.01)；
图8为本发明实例的湿法炼锌净化除钴过程的测试样本不同控制方法的控制效果对比图(PID参数为P＝0.15，I＝0.05)；
图9为本发明实例的湿法炼锌净化除钴过程的测试样本不同控制方法的控制效果对比图(PID参数为P＝0.15，I＝0.001)；
图10为本发明所提出的控制框架结构图。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
实施例一：
本发明实施例提供一种基于工艺指标调节潜质的工况划分和识别方法，包括以下步骤：
S1：变量预处理
根据工业过程的反应过程，选取控制变量和被控变量，首先对被控变量和控制变量进行预处理，采用中值滤波滤去原数据中波动较大的点，采用3σ原则去除原数据中的离群点，最后将被控变量和控制变量进行数据标准化；
S2：获取动态波动系数
根据变量之间相关性大小原理，采用滑动窗口的方法，将控制变量和被控变量划分为一个个窗口大小。通过平移被控变量的窗口，计算出控制变量与被控变量窗口之间的最大相关度，此时所平移得到的步长就是所估计的动态时延。同时记录下被控变量与控制变量之间的最大动态相关度。然后平移控制变量的滑动窗口，计算下一个窗口的动态时延和最大动态相关度。根据之前计算的动态时延，可以确定每段窗口时延之后的被控变量窗口，然后通过一个线性模型来拟合这段被控变量，计算拟合模型和实际被控变量之间的误差。我们将此计算所得到的值定义为动态波动系数；
S3：构建模糊评估模型
选择Z型、钟型和S型作为模糊隶属度函数，然后根据计算出的动态时延、最大动态相关度以及动态波动系数的范围，分别定义出相对应的模糊域：低值域(L)、中值域(M)、高值域(H)。根据控制特征，低值域代表着控制效果在一个比较理想的范围，中值域代表控制效果是在可接受的范围，高值域代表控制效果处于一个较差的情况。由此可以构建出一套模糊规则，该模糊评估模型共有三个输入，分别为动态时延，动态最大相关度以及动态波动系数；
S4：获取评估值并划分类别
在通过模糊规则得到相对应的语义值后，选择通过重心法来进行反模糊化，得到评估值，即所定义的工艺指标调节潜质。将工艺指标调节潜质范围定义为[-1,1]，评估值越接近于1，则代表控制效果越好。获得评估值后，可以根据评估值的分布特点，选择将评估值划分为几个类别，一般可以划分为最优控制类，次优控制类等；
S5：控制框架设计
①考虑到上述步骤已经将工况进行划分，提出基于支持向量机(SVM)进行控制规则提取。选取最优控制域，将其划分为7个区域段，控制变量根据它们的大小标记为{-3,-2,-1,0,1,2,3}。进行多类支持向量机建模，根据可控域内样本所标记的类，得到支持向量对应的原始样本。对原始样本进行模糊处理，控制变量、过程变量和被控变量映射到相应的模糊集。最后根据输入和输出变量得到模糊规则，由于训练样本中存在干扰样本点，因此提取的规则中存在无效规则，因此还需要对规则进行过滤，包括以下基本原则：
a、如果控制变量的当前语义值小于目标语义值，且其调整后的语义值为正，则有效；
b、如果控制变量的当前语义值大于目标语义值且调整后的语义值为负，则有效。
②在获取控制规则之后，可以构建相应的控制框架。控制框架分为离线部分和在线部分。在离线部分，首先从训练集中提取控制特征。然后通过模糊评价得到工艺指标调节潜质并划分可控域。可控域划分后，通过支持向量机(SVM)方法提取最佳可控域的模糊规则，加入模糊规则库。在在线部分，提取输入样本的控制特征，然后划分到相应的可控域中。
控制对象采用模糊控制和PID相结合的方式进行控制，其中模糊控制的模糊规则是通过离线训练得到的。对于在线样本，如果它们处于可控域内且可控性较好，则采用模糊控制。如果处于可控性较差的可控域，则采用PID控制。
实施例二：
本发明实施例提供净化除钴过程的电位稳定控制方法，该方法是基于实施例一进行的，具体为基于锌粉和氧化还原电位之间的工艺指标调节潜质工况评估和基于工况识别的控制方案。以某冶炼厂湿法炼锌净化过程为例，净化过程主要包括除铜和除钴两个过程，除铜过程主要在两个连续搅拌反应器中进行，通过在反应器中添加锌粉，使中性上清液中的铜离子以氧化亚铜的形式沉淀。除铜后的硫酸锌溶液在浓密机中进行固液分离，沉降后的底流部分返回到1号除铜反应器中，浓密机溢流则被送至除铜溢流槽，除铜溢流槽的溢流溶液送往除钴工艺。本实施例主要针对的就是净化除钴过程，其工艺流程图如图1所示，净化除钴过程主要在四个连续的搅拌反应器中进行，通过向四个反应器中添加锌粉，以及添加砷盐、废酸，使钴离子在四个反应器中逐渐反应，从而达到钴离子的去除效果。钴合金在浓密机中沉淀，形成有利于除钴反应的晶种返回到1号反应器中，而浓密机溢流则被送往后续工段。在除钴过程的四个反应器中，1号反应器承担了主要的除杂任务，但由于入口条件变化频繁进而导致反应器内部反应状态也频繁变化，且加入锌粉到测量氧化还原电位(ORP)变化需要经过反应器搅拌过程，所以该过程存在非线性和时滞现象。因而人工对电位的控制存在调节不及时、不到位的情况，进而影响最终出口的钴离子浓度。本实施例的目的就是通过建立起锌粉和氧化还原电位控制潜质评估模型从而来划分工况，通过划分工况提取控制规则来指导控制方案，使得被控变量ORP维持在一个稳定的目标值附近。
电位是表征反应器内反应状态的重要因素，每个月技术室都会根据当前的原料情况、反应器内的状况以及一段时间内最终出口的离子浓度情况等得到一个能保证系统净化效果的最佳电位值，后续需要做的就是将反应器的电位控制在最佳的电位值附近，本实施例提出的电位稳定控制方法，包括以下步骤：
S1：变量预处理
首先选取3000个离线样本点，其中包含锌粉、入口流量、ORP、钴出口、锌粉调整量、入口流量调整量，ORP变化量和钴出口调节量。将锌粉和ORP进行数据预处理，进行中值滤波滤去数据中存在的波动较大的点，采用3σ原则去除原数据中的离群点，最后将被控变量和控制变量进行数据标准化；
S2：获取动态波动系数
计算锌粉和ORP之间的动态时延，计算的步骤如图2所示。具体步骤为设定一个参数L为滑动窗口大小，设置一个参数T为最大时延，由于实际工业数据存在较大的波动性，因此干扰因素很多，所以设定一个参数m，每m个区间进行均值化，防止计算出动态时延误差过大。考虑到反应过程的机理是锌粉量添加越多电位越低，所以通过计算锌粉和电位窗口之间的负相关度最小来确定动态时延。根据获取的动态时延，计算每个控制变量窗口对应的被控变量窗口，通过拟合线性模型来表示动态波动系数，其计算公式如下：
其中l代表拟合的线性模型，y代表被控变量，此处为ORP，di代表之前计算出来的动态时延；
S3：构建模糊评估模型
下一步考虑输入的三个指标动态时延，动态最大相关系数以及动态波动系数的输入范围，分别为：2min～12min、-1～-0.5、0～5。设定输出范围为：-1～1。根据如图3构建的模糊规则来构建模糊评价模型；
S4：获取评估值并划分类别
用重心法反模糊化得到工艺指标调节潜质。评估的工艺指标调节潜质如图4所示，根据工艺指标调节潜质的分布特点，我们将其分为几个类别，见表2；
表2:可控类别分类
| 类别 | 工艺指标调节潜质 |
| 最优可控类 | [0.5,1] |
| 次优可控类 | [0.1667,0.5] |
| 中等可控类 | [-0.1667,0.1667] |
| 最差可控类 | [-1,-0.1667] |
S5：控制框架设计
选取最优可控类进行基于SVM的控制规则提取，将基于ORP的范围，将ORP的值划分为7个范围，分别为：{-3，-2，-1，0，1，2，3}。采用多类SVM模型进行分类，获取其支持向量样本，并将其支持向量样本模糊化，即可以得到相对应的控制规则。由于训练样本中存在干扰样本点，因此提取的规则中存在无效规则，因此还需要对规则进行过滤。基本原则是：
a、如果控制变量的当前语义值小于目标语义值，且其调整后的语义值为正，则有效；
b、如果控制变量的当前语义值大于目标语义值且调整后的语义值为负，则有效。
将有效的控制规则加入控制规则库，选取750个测试点，在这之前，使用非线性自回归模型(NARX)拟合作为数学模型，选取控制的ORP的控制目标值为-300。当测试点输入到工况识别模型中时，获取其对应的可控类别，如果在最优和次优可控类别，采用模糊规则库中的规则进行模糊控制，如果是中等可控和最差可控类别，采用PID控制。将对应的控制方案作用于拟合的NARX模型上，得到的控制效果图如图5～图9所示。所提出方法的控制框架见图10。
可以发现在图5中，即所提出的方法与第一种PID参数进行比较，所提出的方法显著优越于PID控制；在图6中，可以发现，所提出的方法一开始可以快速降低到目标值，相比较于PID和模糊控制，可以更加稳定准确控制到目标值；图7中PID没有快速到达目标值而是慢慢降低；图8中，PID出现较大的波动；图9中，PID也存在不小的波动。综上所示，所提出的控制方法效果优于PID控制和模糊控制。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种基于工艺指标调节潜质的工况划分和识别方法，其特征在于：包括以下步骤：
S1：变量预处理
根据工业过程的反应过程，选取控制变量和被控变量，首先对被控变量和控制变量进行预处理，采用中值滤波滤去原数据中波动较大的点，采用3σ原则去除原数据中的离群点，最后将被控变量和控制变量进行数据标准化；
S2：获取动态波动系数
根据变量之间相关性大小原理，采用滑动窗口的方法，将控制变量和被控变量划分为一个个窗口大小。通过平移被控变量的窗口，计算出控制变量与被控变量窗口之间的最大相关度，此时所平移得到的步长就是所估计的动态时延。同时记录下被控变量与控制变量之间的最大动态相关度。然后平移控制变量的滑动窗口，计算下一个窗口的动态时延和最大动态相关度。根据之前计算的动态时延，可以确定每段窗口时延之后的被控变量窗口，然后通过一个线性模型来拟合这段被控变量，计算拟合模型和实际被控变量之间的误差。我们将此计算所得到的值定义为动态波动系数；
S3：构建模糊评估模型
选择Z型、钟型和S型作为模糊隶属度函数，然后根据计算出的动态时延、最大动态相关度以及动态波动系数的范围，分别定义出相对应的模糊域：低值域(L)、中值域(M)、高值域(H)。根据控制特征，低值域代表着控制效果在一个比较理想的范围，中值域代表控制效果是在可接受的范围，高值域代表控制效果处于一个较差的情况。由此可以构建出一套模糊规则，该模糊评估模型共有三个输入，分别为动态时延，动态最大相关度以及动态波动系数；
S4：获取评估值并划分类别
在通过模糊规则得到相对应的语义值后，选择通过重心法来进行反模糊化，得到评估值，即所定义的工艺指标调节潜质。将工艺指标调节潜质范围定义为[-1,1]，评估值越接近于1，则代表控制效果越好。获得评估值后，可以根据评估值的分布特点，选择将评估值划分为几个类别，一般可以划分为最优控制类，次优控制类等；
S5：控制框架设计
①考虑到上述步骤已经将工况进行划分，提出基于支持向量机(SVM)进行控制规则提取。选取最优控制域，将其划分为7个区域段，控制变量根据它们的大小标记为{-3,-2,-1,0,1,2,3}。进行多类支持向量机建模，根据可控域内样本所标记的类，得到支持向量对应的原始样本。对原始样本进行模糊处理，控制变量、过程变量和被控变量映射到相应的模糊集。最后根据输入和输出变量得到模糊规则，由于训练样本中存在干扰样本点，因此提取的规则中存在无效规则，因此还需要对规则进行过滤，包括以下基本原则：
a、如果控制变量的当前语义值小于目标语义值，且其调整后的语义值为正，则有效；
b、如果控制变量的当前语义值大于目标语义值，且其调整后的语义值为负，则有效。
②在获取控制规则之后，可以构建相应的控制框架。控制框架分为离线部分和在线部分。在离线部分，首先从训练集中提取控制特征。然后通过模糊评价得到工艺指标调节潜质并划分可控域。可控域划分后，通过支持向量机(SVM)方法提取最佳可控域的模糊规则，加入模糊规则库。在在线部分，提取输入样本的控制特征，然后划分到相应的可控域中。
2.根据权利要求1所述的一种基于工艺指标调节潜质的工况划分和识别方法，其特征在于：控制对象采用模糊控制和PID相结合的方式进行控制，其中模糊控制的模糊规则是通过离线训练得到的。对于在线样本，如果它们处于可控域内且可控性较好，则采用模糊控制。如果处于可控性较差的可控域，则采用PID控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210846935.6A CN115202190B (zh) | 2022-07-06 | 2022-07-06 | 一种基于工艺指标调节潜质的工况划分和识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210846935.6A CN115202190B (zh) | 2022-07-06 | 2022-07-06 | 一种基于工艺指标调节潜质的工况划分和识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115202190A true CN115202190A (zh) | 2022-10-18 |
| CN115202190B CN115202190B (zh) | 2024-04-16 |
Family
ID=83582091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210846935.6A Active CN115202190B (zh) | 2022-07-06 | 2022-07-06 | 一种基于工艺指标调节潜质的工况划分和识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115202190B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116880427A (zh) * | 2023-09-06 | 2023-10-13 | 中南大学 | 一种基于入料条件估计和分工况综合分析的智能控制方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5295061A (en) * | 1990-04-20 | 1994-03-15 | Sanyo Electric Co., Ltd. | Control parameter tuning unit and a method of tuning parameters for a control unit |
| CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
| LU93197B1 (en) * | 2016-09-05 | 2016-11-30 | Univ Jiangnan | A Modeling Method of Moving Window Time Difference Gaussian Process Regression based on Local Time-delay Reconstruction |
| US20190219994A1 (en) * | 2018-01-18 | 2019-07-18 | General Electric Company | Feature extractions to model large-scale complex control systems |
| CN114298164A (zh) * | 2021-12-09 | 2022-04-08 | 中国船舶重工集团公司第七0四研究所 | 基于klms算法和趋势滤波的自适应故障预测方法 |
| CN114397809A (zh) * | 2021-12-20 | 2022-04-26 | 淮阴工学院 | 物料称重大数据检测与包装智能控制系统 |
-
2022
- 2022-07-06 CN CN202210846935.6A patent/CN115202190B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5295061A (en) * | 1990-04-20 | 1994-03-15 | Sanyo Electric Co., Ltd. | Control parameter tuning unit and a method of tuning parameters for a control unit |
| CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
| LU93197B1 (en) * | 2016-09-05 | 2016-11-30 | Univ Jiangnan | A Modeling Method of Moving Window Time Difference Gaussian Process Regression based on Local Time-delay Reconstruction |
| US20190219994A1 (en) * | 2018-01-18 | 2019-07-18 | General Electric Company | Feature extractions to model large-scale complex control systems |
| CN114298164A (zh) * | 2021-12-09 | 2022-04-08 | 中国船舶重工集团公司第七0四研究所 | 基于klms算法和趋势滤波的自适应故障预测方法 |
| CN114397809A (zh) * | 2021-12-20 | 2022-04-26 | 淮阴工学院 | 物料称重大数据检测与包装智能控制系统 |
Non-Patent Citations (3)
| Title |
|---|
| 朱红求等: "A fuzzy control method based on rule extraction for zinc-leaching process of zinc hydrometallurgy", 《MINING, METALLURGY & EXPLORATION》, 3 June 2023 (2023-06-03) * |
| 薄翠梅;张湜;王执铨;李俊;: "基于滑动时间窗的支持向量机软测量建模研究", 自动化仪表, no. 01, 20 February 2006 (2006-02-20) * |
| 阳春华等: "复杂生产流程协同优化与智能控制", 《自动化学报》, 15 March 2023 (2023-03-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116880427A (zh) * | 2023-09-06 | 2023-10-13 | 中南大学 | 一种基于入料条件估计和分工况综合分析的智能控制方法及系统 |
| CN116880427B (zh) * | 2023-09-06 | 2023-11-14 | 中南大学 | 基于入料条件估计和分工况分析的智能控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115202190B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Multiclassification of tool wear with support vector machine by manufacturing loss consideration | |
| Xie et al. | On-line prediction of ferrous ion concentration in goethite process based on self-adjusting structure RBF neural network | |
| CN112819802B (zh) | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 | |
| Zhang et al. | Additive requirement ratio prediction using trend distribution features for hydrometallurgical purification processes | |
| Sun et al. | Modeling, optimization, and control of solution purification process in zinc hydrometallurgy | |
| CN115202190B (zh) | 一种基于工艺指标调节潜质的工况划分和识别方法 | |
| Zhou et al. | Dynamic optimization for copper removal process with continuous production constraints | |
| Sun et al. | Intelligent optimal setting control of a cobalt removal process | |
| CN111368897B (zh) | 基于状态转移算法的除铜过程的犹豫模糊c均值聚类方法 | |
| CN111427266A (zh) | 一种针对带扰动的非线性系统辨识方法 | |
| CN110675918B (zh) | 一种沉铁过程出口离子预测方法及其系统 | |
| Wang et al. | Online monitoring method for multiple operating batch processes based on local collection standardization and multi‐model dynamic PCA | |
| Zhu et al. | A fuzzy control method based on rule extraction for zinc leaching process of zinc hydrometallurgy | |
| Li et al. | Data-driven modeling and operation optimization with inherent feature extraction for complex industrial processes | |
| Ren et al. | Association hierarchical representation learning for plant-wide process monitoring by using multilevel knowledge graph | |
| CN107728664B (zh) | 一种冶金过程多反应器级联pH值优化控制方法 | |
| CN113539383B (zh) | 基于动态多目标优化和模糊多属性决策的除铜过程控制方法 | |
| CN112562797B (zh) | 沉铁过程出口离子预测方法及系统 | |
| CN115729103A (zh) | 一种磨矿分级过程的模糊优化控制方法和设备 | |
| CN114978931A (zh) | 基于流形学习的网络流量预测方法、装置及存储介质 | |
| CN112859597A (zh) | 一种基于数据驱动的沉铁过程优化控制方法及其系统 | |
| CN114740713A (zh) | 一种湿法烟气脱硫过程的多目标优化控制方法 | |
| CN107657143B (zh) | 液体中氧气通入量的设置方法 | |
| CN113671916A (zh) | 一种考虑输入约束的流程工业过程优化控制方法及装置 | |
| CN109022654B (zh) | 基于高炉炉况分类的高炉布料调节方法、设备及存储设备 |
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 |