基于cca-pls的大化工过程分布式建模方法
【专利摘要】本发明公开了基于CCA-PLS的大化工过程分布式建模方法，先对大规模化工过程采集所有的过程变量，根据过程质量指标确定输出变量，采用典型相关分析方法提取过程变量的特征成分，根据特征成分计算各输出变量与所有输入变量间的最大相关系数以及相应的主轴向量，根据主轴向量各分量的绝对值大小，选择各子系统的独立输入变量及相互作用输入变量，实现大系统分解。子系统划分后对各个子系统采用PLS算法进行建模，提取使得输入输出变量间协方差最大的成分，采用回归建模技术而得到子系统模型。本发明的有益效果是仅利用过程输入输出数据，采用典型相关分析原理进行子系统输入变量筛选，降低了模型维数，简化了模型结构，采用PLS建模算法进行子系统建模，消除了实际应用中大量存在的变量共线所造成的计算上的困难，且模型精度高。
【专利说明】基于CCA-PLS的大化工过程分布式建模方法
【技术领域】
[0001] 本发明属于化工过程建模【技术领域】，涉及基于典型相关分析（CCA)及偏最小二乘 (PLS)的大化工过程分布式建模技术。
【背景技术】
[0002] 随着技术的进步和人们对经济利益的追求，化工生产过程的规模越来越大，复杂 化程度越来越高，一个过程通常由许多通过物料、能量、信息流相互作用的子系统构成，子 系统之间存在复杂的关联，外部环境和内部干扰存在多变性、不确定性，传统的集中式预测 控制（Centralized MPC)在对象建模和优化计算上遇到了困难[1]，已不能满足工业生产发 展需要。化工过程的上述新特点，加上现场总线、通讯网络在化工企业的快速推广，使得针 对网络环境的分布式预测控制（Distributed MPC) [1-3]应运而生并得到了广泛研究。它对 每个子系统分别设计预测控制器，同时子系统之间通过网络进行信息交换，降低了计算的 复杂性，且使得各子系统和对象整体的控制性能得到协调。
[0003] 目前的分布式MPC算法都是基于已知分布式模型展开的，对于分布式模型如何获 取则鲜有报道。这主要由于大化工过程存在内部关系复杂，子系统划分和子系统输入输出 变量的确定缺乏依据，子系统数据难以获取等问题。文献中仅见文献[4]进行了分布式模 型辨识方面的工作，采用基于改进的两步闭环辨识算法对子系统自身模型及子系统间的相 互作用模型进行了辨识，但并未就如何划分子系统及确定输入输出变量给出依据。
[0004] 为了使分布式预测控制在实际化工装置中应用推广，对大化工过程进行分布式建 模方法研究具有重要的意义，可为实际大化工过程的子系统分解，输入输出变量的确定， 以及建模算法提供依据和方法指导。
[0005] TE 过程（Tennessee Eastman Process)是由美国 Tennessee Eastman 化学公司 过程控制小组的Downs和Vogel于1993年提出的基于实际工业过程的一个复杂仿真案例
[5] ，由五个操作单元组成：反应器、冷凝器、气液分离器、汽提塔和压缩机，其工艺流程图 如图1所示。共有4个反应，包括4种反应进料A、C、D、E，生成2种产物G、H和1种副产物 F，进料中包含少量的惰性气体B。反应方程式如下：
[0006] A (g)+C (g)+D (g) - G (1)，product 1
[0007] A (g)+C (g)+E (g) - H(l)，product2
[0008] A (g)+E (g) - F (1)，byproduct 1
[0009] 3D (g) - 2F (1)，byproduct〗
[0010] 反应物进入反应器反应后，产物首先到冷凝器冷凝，进行第一次分离；冷凝后的混 合物，进入气液分离器，进行第二次分离。在这个过程中没有被压缩的组分，通过循环压缩 单元重新返回到反应器的进料端，进行再次利用；被压缩的组分进入到提馏段进行提馏处 理，从而可以进一步去除未反应完的成分。从提馏段出来的产物G、Η在最后的精馏段中被 分离。惰性气体Β、副产品F，采用放空的手段进行去除。
[0011] 由于ΤΕ过程是对实际工业过程的模拟，且是由多个单元组成的一个复杂装置，各 个单元间有相互关联，因此可作为大化工过程建模算法工业应用的benchmark案例进行研 究。关于TE过程的建模问题，已有部分学者进行了研究，包括机理模型[6]，子空间辨识方 法建立的模型[7]和输入输出模型[8]等。这些模型都是属于集中式建模，把整个过程作 为整体，存在模型结构复杂，建模困难且模型精度难以保证的问题。文献[9, 10]采用机理 模型把TE过程划分为若干独立的子系统进行了分散式控制，该方式虽简化了模型和控制 器设计，但子系统间的关联被人为割断，子系统间控制作用的互相影响被忽视，因而模型精 度和控制性能都无法与集中式建模和控制相比。
[0012] 因此，针对大化工过程，需要一种考虑子系统间相互作用的分布式建模方法，简化 系统结构的同时提高模型精度。其中关键问题是缺乏一种无需过程机理知识，利用生产数 据进行子系统分解并且简化子系统模型结构的方法，以及进一步进行子系统分布式建模的 算法。
【发明内容】
[0013] 本发明的目的在于提供一种数据驱动的大化工过程分布式建模算法，无需工艺机 理知识，仅基于生产数据分析进行子系统划分及降维，并进一步建立子系统模型，解决目前 大化工过程模型结构复杂性和精度不能兼顾的问题，为分布式预测控制提供模型基础，为 实际大规模化工过程的建模提供一种简单可行的方法。
[0014] 本发明采用的技术方案是按照以下步骤进行：
[0015] 步骤1 :分析大化工过程的质量指标，选择与质量指标密切相关的关键变量作为 输出变量，收集整个系统的过程变量作为输入变量，采集相应的数据得到输入变量集X和 输出变量集Y，令Yi为输出变量集Y中第i个分量；
[0016] 步骤2 :对输入输出数据{X，YJ进行归一化处理，通过典型相关分析，求出输入变 量X和输出变量Yi之间达最大相关系数时的主轴向量r n ;
[0017] 步骤3 :根据主轴向量各分量绝对值的大小设定门槛值ζ i，选择大于门槛值的 输入变量为子系统i的输入变量，从而确定与Yi对应的子系统输入，实现子系统分解；
[0018] 步骤4 :令i = i+Ι，返回步骤2,直至对所有的输出处理完毕；
[0019] 步骤5 :根据所确定的子系统及相应的输入输出变量，构造各子系统j的样本数据 集[X〖Yl采用PLS算法依次对所有子系统建立模型。
[0020] 进一步，所述步骤2中通过典型相关分析求取主轴向量具体过程如下：
[0021] 1)对数据矩阵X和t分别进行奇异值（SVD)分解
【权利要求】
1. 基于CCA-PLS的大化工过程分布式建模方法，其特征在于按照以下步骤进行： 步骤1 :分析大化工过程的质量指标，选择与质量指标密切相关的关键变量作为输出 变量，收集整个系统的过程变量作为输入变量，采集相应的数据得到输入变量集X和输出 变量集Y，令Yi为输出变量集Y中第i个分量； 步骤2 :对输入输出数据{X，YJ进行归一化处理，通过典型相关分析，求出输入变量X 和输出变量Yi之间达最大相关系数时的主轴向量rn ; 步骤3 :根据主轴向量各分量绝对值的大小设定门槛值，选择大于门槛值的输入 变量为子系统i的输入变量，从而确定与Yi对应的子系统输入，实现子系统分解； 步骤4 :令i = i+Ι，返回步骤2,直至对所有的输出处理完毕； 步骤5 :根据所确定的子系统及相应的输入输出变量，构造各子系统j的样本数据集 [Xj，Y1,采用PLS算法依次对所有子系统建立模型。
2. 按照权利要求1所述基于CCA-PLS的大化工过程分布式建模方法，其特征在于：所 述步骤2中通过典型相关分析求取主轴向量具体过程为： 1) 对数据矩阵X和Yi分别进行奇异值（SVD)分解 [UX,SX,VJ = SVD(X), [Uyi，Syi，Vyi] = SVD(Yi), 分别得到矩阵 Ux，Sx，Vx，Uyi，Syi，V yi，满足 X = UX*SX*VX'，Yi = Uyi*Syi*Vyi' ； 2) 对U' xUyi再次实施SVD分解，并计算主轴向量矩阵氏和Q [Uzi，Szi，Vzi] = SVD(U'xUyi)，
9 f 氏中第一列向量即为所求向量rlit)
3. 按照权利要求1所述基于CCA-PLS的大化工过程分布式建模方法，其特征在于：所 述步骤5中子系统PLS建模过程如下：
3) 建立PLS外部模型：重复下列循环直到#收敛
4) 计算f的负载向量： ? ，
5) 建立内部模型： ?
? ? ? 构造矩阵
8) 计算回归系数
，得到第j个子系统PLS模3
9) 验证模型精度，若满足要求，一个子系统建模过程结束；否则令k: =k+l，返回第2) [K 少； 10) 重复1)-9)步对下一个子系统进行PLS建模，直至所有的子系统建模完毕。
【文档编号】G05B13/04GK104062904SQ201410281218
【公开日】2014年9月24日 申请日期:2014年6月20日 优先权日:2014年6月20日
【发明者】李丽娟, 熊路, 杨世品, 胡蓓蓓 申请人:南京工业大学