专利名称：基于两层混合智能优化的批处理生产过程产品质量控制方法
技术领域：
本发明涉及批处理生产过程和智能计算两大领域。具体而言，是指一种基于两层 智能混合优化的批处理生产过程产品质量控制方法。
背景技术：
现代过程工业正逐渐由生产大批量、通用性的基础材料向即生产基础材料又生产 小批量、多品种、系列化、高附加值的专业产品发展，并以高新技术为基础、以市场需求为 导向、以产品具有特定功能、高附加值、小批量、多品种、系列化为特点。批处理生产过程 (Batch Process)具有小批量、多品种、系列化、合成步骤复杂、技术密集等特点，能够满足 现代过程工业的特点和要求。目前，批处理生产过程广泛应用于半导体加工、制药、注塑、 造纸、发酵等领域，其中在制药和造纸领域，批处理生产过程所占的比例已经达到了 80%以 上，如
图1所示。可以预见，随着21世纪精细化工和制药工程等领域的飞速发展和相关产 品的研发和生产，批处理生产过程作为一种具有很强生命力的一种现代过程工业的生产形 式，将发挥更大的作用。企业在批处理生产中最关注的问题是如何提高每批次生产的产品质量，即要研究 如何在有限的资源下确定最佳的生产策略，尽可能地提高设备使用率和生产效率，从而最 大程度地提高产品质量。其中批次处理单元是批处理生产过程中的最小组成单位，是实施 优化和控制的基础。对批处理单元的优化控制包括确定最优操作轨迹和实施最优操作轨迹 的跟踪，这里最优操作轨迹是指生产过程中易于测量的控制变量如温度、流量、体积等在整 个生产过程中的变化曲线。在最优操作轨迹确定的条件下，批处理生产过程处理单元的最 优控制实际上是跟踪控制，其目标是过程变量快速准确地跟踪既定轨迹，从而满足优化指 标的要求。因此，当最优操作轨迹确定后，批次生产过程对最优轨迹的跟踪实际上是一个 带约束的非线性优化问题。批处理生产过程不同于连续生产过程，具有一些特殊的性质，如在整个生产过程 中没有稳定的工作点、运行时间有限、运行具有重复性等等，这些特点给批处理生产过程的 优化带来了很多困难。目前，工业界对批处理生产过程产品质量的优化通常是采用确定性 的优化方法，如序贯二次算法(Sequential Quadratic Programming，SQP)。由于SQP算法 具有良好的局部收敛性和较快的非线性收敛速度引起了研究者的广泛关注，但较快的收敛 速度往往使得SQP算法容易陷入局部最优解。对于该问题，目前工业生产中还提出行之有 效的应对方案。近年来，随着计算机科学的发展，许多智能优化方法，如遗传算法、模拟退火 算法、蚁群算法和粒子群算法等，是解决优化问题的一个重要途径，具有较大的潜能。其中， 微粒群算法(Particle Swarm Optimization，PS0)算法以其强大的全局搜索能力、鲁棒性 以及简单易实现的特点引起了研究者的广泛关注。PSO算法是m^erhart博士和kermedy博 士于1994年通过研究鸟群捕食的行为所提出的一种群体智能算法。PSO的基本思想是首先假设存在一个群体，群体中每个个体都具有一个位置和一个速度信息，评价函数依据个 体的位置信息，计算每个个体对评价函数的适应度；然后个体依据其位置和速度信息向种 群中具有最优适应度的个体移动进入新一代的种群。由于PSO具有实现简单，控制参数少， 稳定性强，并且具有全局收敛的优点，目前已广泛应用于约束优化计算、模糊控制器优化设 计、神经网络优化、滤波器设计等方面。但是，PSO算法移动方式采用的是个体当前位置信 息加上当前速度信息，这种方式使得PSO算法对于局部搜索能力不足，最优解精度往往不 能达到要求。为了更好地对批处理生产过程产品质量进行优化求解，本发明设计了 一 种PSO算法和SQP算法结合的两层智能算法，该两层算法利用PSO算法强大的全局搜索能 力先将问题的可行解限定在相对较小的范围内，然后再采用SQP算法在这个小范围内精确 搜索，从而得到问题的全局最优解。
发明内容
本发明的目的在于针对已有技术存在的缺陷，提供一种基于两层混合智能优 化的批处理生产过程产品质量控制方法，能更好地对批处理生产过程产品质量进行优化控 制。本发明的技术关键是要解决传统数学优化方法和智能计算方法不能得到批次生 产过程的最优解的问题。本发明的技术方案是一种基于两层混合智能优化的批处理生产过程产品质量控 制方法，通过数据采集、数据驱动、优化控制、实验验证等手段，首先建立批处理生产过程的 数据驱动模型，然后基于该模型设计批处理生产过程产品质量的迭代学习优化控制策略， 具体采用两层智能混合优化算法计算出产品质量的最优控制序列，利用PSO算法在求解空 间中搜索得到次优化解，再以此作为SQP算法的初始点，对问题进行局部精细搜索，从而提 高SQP算法的求解能力。实施中通过种群多样性判定指标在PSO算法和SQP算法中进行切 换，经过几个批次后，产品质量控制序列将收敛到最优解。本方法的具体操作步骤如下
(1)数据采集采集工业生产中批处理生产装置的现场操作数据，综合历史数 据和操作经验，确定产品质量数据驱动软测量模型的输入变量和目标变量，分别记为
巧=[ (1),…,4(T:〗f和& =[凡(1),…(其中表示生产批次，7ef表示输出产品
质量变量，a e Ka表示对应产品质量的输入控制变量)；
(2)数据处理对步骤(1)中采集到的实际工业装置运行数据进行数据预处理，剔除 部分异常工况数据点，构造样本隼取其中3/5的样本数据作为训练集巧，剩余的样本数
据则作为测试集禺；
(3)建立模型用训练集A建立批处理过程产品质量数据驱动软测量模型，并用测试
集冬进行验证，该软测量模型对批处理生产过程产品质量进行预测；
(4)算法初始化借助步骤C3)建立的批处理生产过程产品质量软测量模，采用两 层智能混合算法对批处理生产过程进行优化控制，得到产品质量最优控制操作序列(轨
6迹)，根据实际批处理生产过程的情况，将每条产品质量控制操作轨迹记为PSO算法中 的第.个微粒 ^"(^!,^2,---, ,--- ) ，ZiJ E [Zmm5Znax] ，||、:屮 z 和 权利要求
1. 一种基于两层混合智能优化的批处理生产过程产品质量控制方法，其特征在于在批 处理生产过程的优化控制中使用两层智能混合优化算法，这种算法结合PSO算法和SQP算 法的优点，具有对复杂的问题求解速度快精度高的特点，具体操作步骤如下(1)数据采集采集工业生产中批处理生产装置的现场操作数据，综合历史数据分析 操作经验总结，确定软测量模型的输入变量和目标变量；(2)数据处理对步骤(1)中采集到的实际工业装置运行 数据进行数据预处理，剔除部分异常工况数据点，构造样本集取其中3/5的样本数据作为训练集&，剩余的样本数据则作为测试集S2 ；(3)建立模型用训练集战建立批处理过程产品质量数据驱动软测量模型，并用测试集瑪进行验证，该软测量模型对批处理过程产品质量进行预测；(4)算法初始化借助步骤C3)建立的批处理过程产品质量软测量模，采用两层 智能混合算法对批处理生产过程进行优化控制，得到产品质量最优控制操作轨迹，根据 实际批处理生产过程的情况，将每条产品质量控制操作轨迹记为PSO算法中的第个微粒
2.根据权利要求1所述的两层智能混合优化的批处理生产过程迭代学习控制方法，其 特征在于，步骤(1)中所述操作数据，包括批次生产过程中的操作温度输入或原料添加输 入，目标物的浓度输出或者目标物的质量输出；而且在迭代过程中采用分发明中的两层智 能混合算法，该算法前期使用PSO算法在大范围内搜索问题的目标解，后期使用序列SQP在 小范围内精确地搜索问题的目标解。
3.根据权利要求1所述的两层智能混合优化的批处理生产过程产品质量控制方 法，其特征在于，所述步骤(4)和步骤(6)中的PSO算法中的权重是动态权重按照公式I进行更新，其中㈤ 是惯性权重的起始值，是当前的迭代
4.根据权利要求1所述的两层智能混合优化的批处理生产过程产品质量控制方法，其 特征在于，两层智能混合算法使用微粒群算法的多样性作为两个算法切换的判定条件；微粒群种群多样性定义
全文摘要
本发明公开了一种基于两层混合智能优化的批处理生产过程产品质量控制方法。本方法通过对批次产品质量控制量进行优化控制可以保证批处理生产过程取得最大收益，涉及到工业中的批处理生产过程和智能算法以及传统数学计算方法。本方法首先根据工业生产特点把批处理生产过程的终点作为优化目标，批处理生产过程中的限制条件作为目标函数的约束条件，然后使用本发明提出的基于智能算法和传统数学计算方法对批处理生产过程产品质量优化控制，并用迭代法以迭代方式消除模型误差，从而使优化性能指标渐次达到最优。本方法通过结合智能算法和传统数学计算方法的特点，可以保证在批处理生产过程中取得最高的产品质量。
文档编号G05B19/418GK102129242SQ20111009071
公开日2011年7月20日 申请日期2011年4月12日 优先权日2011年4月12日
发明者施继平, 曹鲁明, 程大帅, 袁凯, 贾立 申请人:上海大学