本发明专利技术公布了一种基于变量时段分解的间歇过程无模型在线滚动优化方法，通过采集与产品质量密切相关的变量运行数据，利用数据驱动方法在对过程做时间域上变量划分的基础上，整合各个子集上的优化作用量并形成全局优化策略。在此基础上，实施在线滚动误差修正优化策略。本发明专利技术方法完全基于间歇过程的操作数据形成在线优化策略，不需要过程本身机理的先验知识和模型。同时在线滚动修正策略的使用，使得所优化的操作轨线具有更好适应性，更好地满足实际工业生产抗干扰的要求。
【技术实现步骤摘要】
本专利技术属于化工流程制造业领域，涉及针对间歇过程的操作轨线变量时段分解无模型在线滚动优化方法，适用于包括间歇反应器、间歇精馏塔、间歇干燥、间歇发酵，间歇结晶以及其它采用间歇方式操作的过程和系统的最佳操作轨线在线优化。
技术介绍
间歇过程在工业实际生产中，操作人员通常是从各种控制指标出发，根据长时间积累的经验摸索出一条针对某个具体间歇过程的操作曲线。如此依靠经验寻找操作曲线的方法费时费力并且难以标准化和推广。因此推行简捷有效的间歇过程优化方法，获取更满意的经济指标成为必要。间歇过程的优化问题，通常以提高产品的质量或产率为目标，获取最优操作轨线。因此对获取间歇过程的最优操作曲线的方法研究是解决问题的关键。获取最佳操作曲线最普通的方法是基于模型的离线优化方法，即基于过程模型离线求解优化问题。但离线优化只适用于理想模型，当过程模型中不确定因素及干扰对系统实时运行产生影响时，已求得的轨线将不再是最优的。同时由于操作过程中进料的变化、产品和原料的切换、生产过程的开/停车，都会要求过程的操作策略和操作条件必须进行实时更新。因此研究间歇过程的在线实时优化方法和技术是流程工业中一个重要课题。基于连续过程的实时优化已有许多成功的工业应用案例，而针对间歇过程的在线实时优化技术，目前仍缺乏比较通用的适合工业应用的有效方法。因此提出一个比较通用的，能解决实际工业问题的间歇过程在线实时优化策略和实施框架，促进间歇过程在线实时优化的工业化进程，为解决实际生产领域的控制难题提供新的方法迫在眉睫。
技术实现思路
本专利技术涉及一种针对间歇过程的变量时段分解无模型在线滚动优化方法。采集与产品质量密切相关的变量运行数据，利用数据驱动方法在对过程做时间域上变量划分的基础上，整合各个子集上的优化作用量并形成全局优化策略。在此基础上，实施优化策略的在线滚动最小误差修正。本专利技术为实现上述目的，采用如下技术方案:—种针对间歇过程的变量时段分解的数据驱动在线滚动优化方法，完全基于生产过程的操作数据，不需要过程机理的先验知识和机理模型。本专利技术步骤分为两个部分。第一部分，离线数据收集和建立基础优化策略；第二部分，在线滚动误差校正实施方法。离线数据收集和基础优化策略步骤如下:步骤一:针对操作完整的间歇过程，按批次收集待优化变量和最终质量或产率指标。数据的收集时间间隔可以是等时间间隔或不等时间间隔，在一个时间间隔内，过程的待优化变量没有显著变化，或不会对最终质量或产率指标有显著影响。一般要求30-50个批次有效数据。步骤二:对所采集的数据，按批次为变量进行主元分析并在主元模式图中剔除奇异点，使得所有数据点在一个可信度之内。步骤三:将剔除奇异点后的剩余数据在时间轴上进行等间隔划分或不等间隔划分。步骤四:将每一个间隔所包含的各批次数据表达为一个连续变量，这些变量被称为分解后的时段变量。时段变量的值由待优化变量在一个特定时间区间的各个批次数据所组成。步骤五:将步骤四中所对应的每个批次质量或收率指标，称为指标变量。指标变量的值是由各个批次最终质量或收率形成的连续变量。步骤六:将步骤四和步骤五中形成的时段变量和指标变量进行合并，形成时段变量和指标变量的联合数据矩阵。步骤七:对上述联合矩阵做主元分析，形成主元载荷图。步骤八:对步骤七中的主元载荷图按时段变量对指标变量的作用方向和大小进行分类。分为正作用，反作用及无(微)作用三类。步骤九:按以下摄动量公式计算各时段变量的优化策略:J(i) = M(i)+sign⑴ X3 σ ⑴此处的J(i)，M⑴和σ⑴分别是第i个时段变量的优化目标值，均值和标准差；sign(i)是第i个时段变量和指标变量所形成的夹角余弦符号。夹角小于90度时为+1，夹角大于90度时为-1，夹角为90度时为0。步骤十:将步骤九中所得各时段的优化目标值，按时段顺序i = 1，2，”.Ν组成一条针对整个批次过程的基础优化变量曲线。步骤十一:一般地需要将上述优化变量曲线进行数字滤波，使得新的优化曲线比较光滑，易于跟踪控制。为了克服动态控制偏差和不可控的随机干扰，经过上述步骤得到的基础优化控制变量轨迹在投入实际应用时，在每一个时间段都对基础优化策略加以在线滚动误差修正。在线滚动误差校正步骤如下:步骤十二:在第1-Ι时间段，计算离线基础优化目标值J(1-l)和实际测量值RV(1-l)的误差:E(1-l) = J(1-l)-RV(1-l)0步骤十三:在离线基础优化策略上，构成下一时段新的优化目标值:J0(i) = J(i)+E(1-1)0将步骤十二以及步骤十三按时段顺序i = 1，2，…N依次计算并施加到过程中，直至整个批次过程操作结束。更一般地，在步骤十二中，可以使用过去若干时段的误差形成误差序列，对此误差序列施加数字滤波，将滤波预测值施加到当前时段的优化策略中。本专利技术通过采集与产品质量密切相关的变量运行数据，利用数据驱动方法在对过程做时间域上变量划分的基础上，整合各个子集上的优化作用量并形成全局优化策略。在此基础上，实施优化策略的在线滚动最小误差修正。本专利技术方法完全基于间歇过程的操作数据形成在线优化策略，不需要过程本身机理的先验知识和模型。同时在线滚动修正策略的使用，使得所优化的操作轨线具有更好适应性，更好地满足实际工业生产抗干扰的要求。【附图说明】图1为间歇过程的温度曲线示例。图2为一个间歇过程温度为优化变量的主元模式图。图3为时段变量的构成图。图4为时段变量和指标变量主元载荷图。图5为时段变量对指标变量作用分类图。图6为一个间歇过程的优化温度曲线和原始温度曲线比较图。图7为在线滚动误差修正策略的生成图。图8为本专利技术实施步骤框图。图9为滑动平均滤波后的优化曲线和原优化曲线。图10为一个间歇结晶过程的优化结果(局部)图。【具体实施方式】 本例以一个间歇结晶过程为例，所述方法不构成对本专利技术的范围限制。本实施方法分为四个部分。第一部分为数据收集和预处理。第二部分是联合数据矩阵的构造。第三部分是基础优化策略的计算。第四部分是建立滚动误差修正在线优化策略。本方法实施步骤框图如图8所示，具体实施步骤和算法如下:步骤1:针对操作完整的间歇结晶过程，选择与产品收率密切相关的操作温度作为待优化变量，按批次收集50组温度变量以及最终收率指标当前第1页1 2 本文档来自技高网...
【技术保护点】
一种基于变量时段分解的间歇过程无模型在线滚动优化方法，其特征在于包括下述步骤：(1)针对操作完整的间歇过程，按批次收集待优化变量和最终质量或产率指标；(2)对所述步骤(1)中采集的数据，以批次为变量进行主元分析并在主元模式图中剔除奇异点，使得所有数据点在一个可信度之内；(3)将剔除奇异点后的剩余数据在时间轴上进行间隔划分；将每一个间隔所包含的各批次数据表达为一个连续变量，这些变量被称为分解后的时段变量；所述时段变量值由待优化变量在一个特定时间区间的各个批次数据所组成；(4)将步骤(3)中所对应的每个批次质量或收率指标，称为指标变量；所述指标变量的值是由各个批次质量或收率形成的连续变量；(5)将步骤(3)和步骤(4)中形成的时段变量和指标变量进行合并，形成时段变量和指标变量的联合数据矩阵；并对所述联合数据矩阵做主元分析，形成主元载荷图；(6)对步骤(5)中的主元载荷图按时段变量对指标变量的作用方向和大小进行分类；(7)按以下摄动量公式计算各时段变量的优化策略：J(i)＝M(i)+sign(i)×3σ(i)此处的J(i)，M(i)和σ(i)分别是第i个时段变量的优化目标值，均值和标准差；sign(i)是第i个时段变量和指标变量所形成的夹角余弦符号；(8)将步骤(7)中所得各时段的优化目标值，按时段顺序组成一条针对整个批次过程的基础优化变量曲线；(9)在第i‑1时间段，计算离线基础优化目标值J(i‑1)和实际测量值RV(i‑1)的误差：E(i‑1)＝J(i‑1)‑RV(i‑1)；(10)在离线基础优化策略上，构成下一时段新的优化目标值：Jo(i)＝J(i)+E(i‑1)；(11)将步骤(9)以及步骤(10)按时段顺序i＝1,2,…N依次计算并施加到过程中，直至整个批次过程操作结束。...
【技术特征摘要】
【专利技术属性】
技术研发人员：栾小丽，王志国，刘飞，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。