一种由数据差异驱动的间歇过程自学动态优化方法

摘要

本发明公布了一种由数据差异驱动的间歇过程自学动态优化方法，包括离线采集生产过程数据，PCA运算剔除奇异批次，构造时段和指标方差矩阵进行PLS运算生成初始优化策略，采集新批次数据，运行递归算法，更新优化策略等步骤。本发明利用摄动法建立优化变量设定曲线的初始优化策略。在此基础之上，基于数据统计差异量对均值和标准差进行自学迭代更新，实现优化指标的持续改进，为解决实际工业问题的间歇过程优化策略提供了新的方法。本发明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。适用于包括间歇反应器、间歇精馏塔、间歇干燥、间歇发酵，间歇结晶及其它采用间歇方式操作的过程和系统的操作轨线动态优化。

主权项

一种由数据差异驱动的间歇过程自学习动态优化方法，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)将剔除奇异点后的操作数据在时间轴上间隔划分成N段；将每一个时间间隔所包含的各批次数据表达为一个连续变量C_i,i＝1,2,…N，这些变量被称为时段变量；所述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；由多批次时段变量构成的数据矩阵称为时段变量矩阵，记为L_p×N，p是批次数；(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Y_p×1；所述指标变量的值是由p个批次最终质量或收率形成的连续变量；(5)根据步骤(3)和步骤(4)中形成的时段变量矩阵L_p×N和指标变量Y_p×1，分别计算协方差矩阵S_LL和联合协方差矩阵S_LY；(6)对协方差矩阵S_LL和联合协方差矩阵S_LY做主元分析并得到PLS系数向量F_i,i＝1,2,…N；(7)对步骤(6)中的PLS系数变量元素，按符号大小进行分类，定义作用符号如下：$sign\left(i\right)=\left\{\begin{array}{cc}+1& if{F}_i\ge e\\ 0& if\left|F_i\right|<e\\ -1& if{F}_i\le -e\end{array}\right\},i=1,2,...N$其中e是对噪声的阈值限定，sign(i)是第i个时段对应的PLS系数符号；(8)计算出各个时段变量的均值和标准差；按以下摄动量计算公式建立已采集批次数据各时段变量的初始优化策略：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；(9)将步骤(8)中所得各时段的优化目标值，按时段顺序i＝1,2,…N组合成一条针对整个批次过程的初始优化变量曲线；(10)收集新批次的时段变量C_i(k+1),i＝1,2,…N和指标变量数据Y(k+1)，利用以下递归公式，计算更新协方差矩阵S_LL(k+1)和联合协方差矩阵S_LY(k+1)：S_LL(k+1)＝λS_LL(k)+C(k+1)^TC(k+1)S_LY(k+1)＝λS_LY(k)+C(k+1)^TY(k+1)其中C(k+1)＝[C₁(k+1),C₂(k+1)…C_N(k+1)]，0＜λ＜1是对现有协方差矩阵的遗忘因子；当λ＝1时，代表没有数据从旧的协方差矩阵中去除；(11)对协方差矩阵S_LL(k+1)和联合协方差矩阵S_LY(k+1)做主元分析并得到PLS系数向量F_i(k+1)；(12)利用如下递归公式，计算新批次数据下各时段变量的均值和标准差：M_i(k+1)＝M_i(k)+[C_i(k+1)‑M_i(k)]/(k+1)σ_i(k+1)＝σ_i(k)+[C_i(k+1)‑M_i(k)]×[C_i(k+1)‑M_i(k+1)]；(13)按步骤(8)中的摄动量公式计算新批次数据下各时段变量的优化目标值；(14)将步骤(13)中所得各时段的优化目标值，按时段顺序i＝1,2,…N结合构成一个新的优化变量曲线；(15)判断是否有新数据更新，有新数据转步骤(10)，继续做自学习更新运算，否则结束学习过程。