专利名称：一种双线性数据协调方法
技术领域：
本发明涉及过程数据校正领域，尤其涉及一种双线性数据协调方法。
背景技术：
通常在化工生产过程中，需要在线或离线采集大量的过程测量数据，如物流流率、组分、温度、压力等，将其作为过程设计、模拟优化、控制、装置性能分析及生产管理决策分析的直接依据。然而，实际测量数据中测量误差是不可避免的，使得测量值不能精确地满足生产过程单元的物料、能量平衡等物理和化学规律从而造成数据的不一致性；同时，由于受经济条件、测量技术和仪表本身等的限制，并非所有的变量都可以测量，从而造成了数据的不完整性。在目前已经建成和正在开发的企业综合自动化系统中，数据的不一致性及不完整性导致基于数据的上层应用效果不好甚至无法进行。因此，从现场采集过来的测量数据必须经过数据协调处理来解决不一致性及不完整性的问题，以能很好的服务于上层应用。随着系统规模的不断扩大和复杂性的提高以及信息化需求的增长，测量数据作为信息载体，对其准确性的需求也越来越迫切。作为保证数据质量的数据协调技术起着更为重要的作用。
数据协调作为一项可有效提高工业测量数据质量的技术，已广泛用于许多不同的流程工业中，特别是只考虑总物料平衡的线性数据协调。然而，实际中往往涉及组分，组分作为化工过程的基本变量之一，其数据的准确性与物流数据一样对上层应用至关重要，也有必要考虑多组分物料平衡来增加系统冗余以提高物流及组分数据的准确性，并且进一步降低甚至消除数据的不完整性。由两个变量乘积项组成的非线性约束称作“双线性”约束，如多组分物料平衡方程中物流流率和组分的乘积，考虑组分的这类协调问题为双线性数据协调问题。国内外对双线性数据协调技术做了不少研究，主要有Crowe两步投影矩阵法、Simpson法及NLP法。然而，Crowe投影矩阵法协调过程中权重参数难以确定及协调精度一般，特别在含有不可观察物流流率时，甚至有可能出现无意义的协调结果；Simpson法对含有不可观察物流流率或组分变量时无能为力，然而这种情况由于仪表配置的原因经常会在工业中遇到；NLP法协调效率不高，很难满足工业中对时实性的要求。目前，国内MES(制造执行系统)中对此问题的处理方法是首先对物流流率作线性稳态协调，组分平衡采用局部比例分摊法，即油品平衡推理法。此种处理方法比较的粗糙，数据精度难以得到保证。因此，有必要研究一种满足实时性及精度要求的双线性数据协调方法来实现物流和组分平衡，以获得准确的物流及组分数据，解决工业测量数据的不一致性及不完整性问题，更好地为基于数据的上层应用服务。名词解释
数据一致性数据满足过程模型，如物料平衡、能量平衡等；数据协调技术确保数据准确性、一致性及完整性的一种智能数据处理技术，它通过最优地调整过程测量值、最优地调整过程模型中的潜在不确定性(如参数)，使其满足过程模型，提高测量数据质量，估计未测变量；双线性数据协调若在数据协调中，需要满足的过程模型为双线性结构的，则称为此类数据协调为双线性数据协调，如考虑多组分物料平衡的多组分数据协调。
物流关系结构图以工厂中的装置为节点，以装置之间的管线为边(弧)，管线中物流的流向为边的箭头指向，如此而构成的有向图；它反映了工厂整个流程的物流关系，它可以从工厂中获得；冗余性它是针对已测变量而言的；若变量除了自身的测量值外，还可以通过过程模型由其他已测变量计算得到，则称该变量为冗余的，冗余变量由其他已测变量计算的等式称为冗余方程或冗余信息；否则称该变量为非冗余的；可观性它是针对未测变量而言的，若变量可以通过过程模型由已测变量估计得到，则称该变量为可观察的；否则称该变量为不可观察的；发明内容本发明的目的是提供一种双线性数据协调方法，用于保证化工过程物流及组分数据的准确性、一致性以及降低物流和组分数据的不完整性，更好的为上层应用服务。
它包括如下步骤1)根据石化企业生产流程中物流关系结构图及测量网络生成双线性数据协调模型；2)采用变量消除方法对协调模型进行分解及规范化；3)针对分解及规范化后的协调模型，采用微粒群算法获得准确的物流流率及组分数据。
所述的双线性数据协调模型它是一个含约束的最优化问题，变量为物流流率和组分，其中等式约束为总物料平衡方程及多组分物料平衡方程；不等式约束是组分变量分布在0与1之间，即0≤xj，k≤1；目标函数为Min(Fm^-Fm)TQFm-1(F^m-Fm)]]>+Σj=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)]]>其中 为已测物流流率向量，QFm为其相应的协方差矩阵，Fm为其相应的协调值(准确值)； 是第j股物流中已测组分向量，QXmj为其相应的协方差矩阵，Xmj为其相应的协调值(准确值)；c为企业生产流程中的组分数。
所述的变量消除方法它首先引入辅助变量，即组分流率FXFX＝[F1F2…FsF1*x1，1…F1*x1，c…Fs*xs，1…Fs*xs，c]T
其中，F1为第i股物流流率，x1，k为第j股物流中的k组分，s为企业生产流程中的物流流股数；将辅助变量按是否已测分为五类已测物流流率，记为Fm；物流流率及组分均已测的组分流率，记fm，其对应的已测组分用m表示；可观察物流流率，记Fo；物流流率可观察且组分已测的组分流率，记fo，其对应的已测组分用d表示；其余的为第五类组分流率变量，记v。总物料平衡方程及多组分物料平衡方程表示为A0Fm+A1fm+A2Fo+A3fo+Pv＝0其中A0、A1、A2、A3及P为各类辅助变量所对应的关联矩阵。
通过投影矩阵Y，消除总物料平衡方程及多组分物料平衡方程中含第五类组分流率变量部分YT[A0Fm+A1fm+A2Fo+A3fo]＝0其中Y为P阵QR分解中Q阵去除前rank(P)列的部分。
其次，在消除物料平衡方程中第五类组分流率变量时，会丢失第五类组分流率变量所包含的已测组分的冗余信息，需提取此类已测组分的冗余信息。US为物流流率不可观察的流股集合，xj，r为ej∈US流股中已测组分r，提取方法如下①若ej中所有组成已测，则将归一化方程提取出来，即Σkxj,k=1;]]>②将石化企业生产流程中物流关系结构图中含未测组成r的弧所组成的回路进行编并，获得子图Gr；③在子图Gr中找包含ej及组成r已知且相等(可以与xj，r不相等)的其他弧所组成的割集；④找割集K直至找到含有弧hUS的割集，则提取出冗余方程xj，r＝xh，r，其中h∈K，hUS，转至⑥；若只找到只含不可观察弧的割集K，则提取冗余方程xj，r＝xh，r＝…＝xi，r，其中j，h…，t∈K，转至⑥，以后不需对此割集K中的流股对应的r组分变量进行冗余方程的提取；⑤若找不到上述的割集，则变量xj，r非冗余；⑥改换另外一条不可观察弧转至①；通过该提取方法获得丢失的冗余信息
L(m，d，θ)＝0，L(·)为线性方程组其中θ为会丢失冗余的组分变量。
所述的分解及规范化后的协调模型它通过上述变量消除方法，把协调问题分解为两类规模较小的子问题第一类子问题Min(Fm^-Fm)TQFm-1(F^m-Fm)]]>+Σj=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)]]>s.t.YT[A0Fm+A1fm+A2Fo+A3fo]＝0L(m，d，θ)＝00≤xj，k≤1第二类子问题Pv＝-[A0Fm+A1fm+A2Fo+A3Fo]所述的采用微粒群算法获得准确的物流流率及组分数据它首先利用第一类子问题中等式约束的双线性特殊结构，采用独立变量和依存变量选取方法把物流流率及组分变量分为独立变量和依存变量；然后以所选取的独立变量作为该算法中的微粒，采用基本微粒群算法的微粒进化方式，对第一类子问题寻优得到已测物流流率Fm、可观察物流流率Fo以及已测组分m，d，θ的准确数据；最后利用这些协调得到的已测物流流率Fm、可观察物流流率Fo以及已测组分m，d，θ的准确数据，对第二类子问题Pv＝-[A0Fm+A1fm+A2Fo+F3fo]线性代数求解，获得第五类组分流率变量v的准确数据。
所述的独立变量和依存变量选取方法，它的具体步骤如下①选取矩阵YT[A1A3]中最大线性无关组列向量所对应的组分变量为依存变量；②若最大线性无关组秩小于其列向量维数，另外选取在矩阵YT[A0A2]与所选最大线性无关组线性独立的列向量所对应的物流流率变量(其对应组分变量均为依存变量)作为依存变量；③L(m，d，θ)＝0的每个方程中选取一个属于会丢失冗余的θ元素的组分变量作为依存变量；④其余变量作为独立变量。
本发明的优点1)本发明协调方法中权值参数容易确定，且能处理化工过程中经常遇到的含不可观察物流流率及组分变量的情况，并具有相当高的协调精度；2)协调问题分解及规范化方法简单且易于实现，由于协调问题分解、规范化以及微粒群算法搜索空间降维处理，本发明具有比较高的协调效率；3)本发明在数据协调中引入组分变量上下限约束，保证了可行的协调结果，防止了无意义协调结果的出现；4)本发明实施方便，便于实现与其它应用系统的集成。
图1是本发明中双线性数据协调方法流程图；图2是实施案例中某化工企业合成汁提取过程物流关系结构图。
具体实施例方式
本发明给出了一种双线性数据协调方法，其主要分为三个部分带上下限约束双线性数据协调模型的生成；双线性数据协调问题降维及规范化；微粒群算法对协调问题的最终求解。
具体实施按上述三部分展开生成双线性数据协调模型已知工厂有n个单元装置，s股物流及c种组分。根据工厂中生产流程物流关系结构图，得到总物料平衡及多组分物料平衡方程Σj=1slijFj=0]]>总物料平衡方程Σj=1slijFjxj,k=0,i=1,···,n,k=1,···,c]]>多组分物料平衡方程其中Fj为第j股物流流率。lij为关联系数，物流j流入装置i则为1，流出为-1，否则为0，且以lij作为第i行第j列元素构成系统关联矩阵A；xj，k为第j股物流第k组分。
由于组分变量为百分数，组分变量有如下约束0≤xj，k≤1双线性数据协调模型是一个优化问题，采用如下的目标函数Min(Fm^-Fm)TQFm-1(F^m-Fm)]]>+Σj=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)]]>其中 为已测物流流率向量，QFm为其相应的协方差矩阵，Fm为其相应的协调值(准确值)； 是第j股物流中已测组分向量，QXmj为其相应的协方差矩阵，Xmj为其相应的协调值(准确值)。
综上，生成的双线性数据协调模型如下，Min(Fm^-Fm)TQFm-1(F^m-Fm)]]>+Σj=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)---(P1)]]>s.t.Σj=1slijFj=0---(1)]]>Σj=1slijFjxjk=0,i=1,···,n,k=1,···,c]]>0≤xj，k≤1(2)双线性数据协调问题分解、降阶及规范化针对双线性数据协调模型(P1)，首先引入辅助变量——组分流率FXFX＝[F1F2…FsF1*x1，1…F1*x1，c…Fs*xs，1…Fs*xs，c]T将协调模型中的等式约束(1)表示为如下线性约束形式Is×sEOB*FX=0---(3)]]>其中，B由双线性数据协调模型生成步骤中的系统关联矩阵A衍生得到，即将A中元素(+1，-1，0)分别用(Ic×c，-Ic×c，Oc×c)取代得到，Ic×c为c×c维单位阵，Oc×c为c×c维零矩阵；E由矩阵Is×s衍生得到，即将Is×s中元素(+1，0)分别用(-11×c，O1×c)取代，11×c为1×c维壹矩阵。将辅助变量——组分流率FX按是否已测进行分类，分为如下五类已测总流率，记为Fm；总流率及组分已测组分流率，用fm表示，其对应的已测组分为m；可观察总流率，用Fo表示；可观察总流率流股且组分已测的组分流率，记fo，其对应的已测组分为d；其余的为第五类变量，记v。对(3)式前面的关联矩阵进行分块AoFm+A1fm+A2Fo+A3fo+Pv＝0 (4)其中A0、A1、A2、A3及P为各类辅助变量所对应的关联矩阵。
通过投影矩阵Y，消除总物料平衡方程及多组分物料平衡方程中含第五类组分流率变量v部分YT[A0Fm+A1fm+A2Fo+A3fo]＝0 (5)
其中Y为P阵QR分解中Q阵去除前rank(P)列的部分。即Y的求取如下对P进行OR分解P∏＝QR，其中Q，R为如下形式Q＝[Q1Q2]R=R1R200,]]>rank(P)＝rank(R1)则P投影矩阵Y＝Q2。
其次，在消除物料平衡方程中第五类组分流率变量时，会丢失第五类组分流率变量中不可观察物流流率所对应的已测组分的冗余信息，需提取此类已测组分的冗余信息。令US为物流流率不可观察的流股集合，xj，r为ej∈US流股中已测组分r，xj，r变量的冗余性分析及冗余方程提取步骤如下①若ej中所有组成已测，则将归一化方程提取出来，即Σkxj,k=1.]]>②将生产流程中物流关系结构图中含未测组成r的弧所组成的回路进行编并，获得子图Gr。
③在子图Gr中找包含ej及组成r已知且相等(可以与xj，r不相等)的其他弧所组成的割集。
④找割集K直至找到含有弧hUS的割集，则提取出冗余方程xj，r＝xh，r，其中h∈K，hUS，转至⑥；若只找到只含不可观测弧的割集K，则提取冗余方程xj，r＝xh，r＝…＝xt，r，其中j，h…，t∈K，转至⑥，以后不需对此割集K中的流股对应的r组分变量进行冗余方程的提取。
⑤若找不到上述的割集，则变量xj，r非冗余。
⑥改换另外一条不可观察弧转至①。
通过步骤①～⑥获得会丢失冗余的已测组分的冗余信息L(m，d，θ)＝0，L(·)为线性方程组θ为会丢失冗余的组分所组成的向量。
通过上述的变量消除方法，原协调问题分解为下列两类子问题第一类子问题
Min(Fm^-Fm)TQFm-1(Fm^-Fm)]]>+Σj=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)---(P2)]]>s.t.YT[A0Fm+A1fm+A2Fo+A3fo]＝0L(m，d，θ)＝0 (6)0≤xj，k≤1第二类子问题Pv＝-[A0Fm+A1fm+A2Fo+A3fo] (P3)微粒群算法对协调问题的最终求解微粒群算法对协调问题的最终求解，首先对(P2)问题进行无约束化处理，针对式(6)中等式约束具有线性及双线性结构的特点，根据式(6)将变量分为独立变量Vid和依存变量Vd，独立变量和依存变量选取方法如下①选取矩阵yT[A1A3]中最大线性无关组列向量所对应的组分变量为依存变量；②若最大线性无关组秩小于其列向量维数，另外选取在矩阵YT[A0A2]与所选最大线性无关组线性独立的列向量所对应的总流率变量(其对应组分变量均为依存变量)作为依存变量；③L(m，d，θ)＝0的每个方程中选取一个属于会丢失冗余的θ元素的组分变量作为依存变量；④其余变量作为独立变量Vid；然后以独立变量和依存变量选取方法所选取的独立变量作为微粒，采用基本微粒群算法的微粒进化方式，对第一类子问题(P2)寻优得到已测物流流率Fm、可观察物流流率Fo以及已测组分m，d，θ的准确数据；最后利用这些协调得到的已测物流流率Fm、可观察物流流率Fo以及已测组分m，d，θ的准确数据，对第二类子问题Pv＝-[A0Fm+A1fm+A2Fo+A3fo]线性代数求解，获得第五类组分流率变量v的准确数据。
令微粒i当前位置为Viid=(vi,1id,vi,2id,···vi,tid),]]>飞行速度Ui＝(ui1，ui2，…，uit)，微粒i所经历的个体最优位置Pi＝(pi1，pi2…，pit)，所有微粒中全局最好位置为Pg＝(pg1，pg2，…，pgt)，基本微粒群算法的微粒进化方式如下
uij=ω×uij+c1rand1()(pij-vijid)+]]>c2rand2()(pgj-vijid)---(7)]]>vijid=vijid+uij]]>其中w为惯性权重；c1，c2为加速常数；rand1()和rand2()为两个0～1相互独立的随机函数生成的随机数。
基本微粒群算法微粒进化方式中，w选取w=0.9-Inter×(0.9-0.4)MIter,]]>其中MIter为最大迭代次数，Inter为当前迭代次数；c1，c2选取1.8～2.0。
针对第一类子问题式(6)中的不等式，独立组分变量xijid的上下限约束作为微粒生成及活动的范围，依存组分变量sijd的上下限约束作为罚函数加入(P2)目标函数中，作为微粒的适应度。罚函数为Γij=100000*[max2(-xijd,0)+max2(xijd-1),0]]]>微粒的适应度为J=(Fm^-Fm)TQFm-1(Fm^-Fm)]]>+Σj=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)+ΣΓij---(8)]]>基本微粒群算法由以下步骤来实现①以独立变量为微粒，选取一个微粒群，对每个微粒在变量上下限约束范围内随机给定一个初始位置和初始速度；②根据(8)式计算每个粒子在初始位置的适应值，并将它赋给pbest，并将各微粒位置作为其个体最优位置，记为Pi，选择适应度最大的一个微粒，记为Pg，并将其适应度赋给gbest；③根据式(7)对微粒的速度和位置进行进化。
④根据(8)式重新计算每个粒子的适应度，将每个粒子适应度分别与其个体最优位置Pi的适应值进行比较，若较小，则将其作为当前个体最优位置；然后将适应值与全局最好位置Pg的适应值比较，若较小，则将其作为当前全局最好位置。
⑤重复③和④直至给定的迭代次数或适应度要求。
综上，本发明的总体实施流程如图1所示，其步骤如下①根据生产流程中物流关系结构图生成双线性数据协调模型(p1)；②调用变量消除方法，得到两类子问题(P2)、(P3)；③调用独立变量和依存变量选取方法，确立(P2)中的独立变量，并以此为微粒；④调用基本微粒群算法求解获得准确的物流及组分数据。
实施例以Meyer(1990)给出的某合成汁提取过程为例，其物流关系结构图如附图2所示，共有4套装置，11股物流，7种组分。为实施方便，对每套装置、物流及组分进行了编号，如附图2所示。该过程有88个变量，其中物流流率变量有11个，为Fj(j＝1，2…11)；组分变量有77个，为xj，k(j＝1，2…11，k＝1，2…7)。各变量的测量情况如下已测物流流率变量F1，F4，F5，F6，F7，F8，F10；(7个)未测物流流率变量F2，F3，F9，F11；(4个)已测组分变量x1，1～x1，6，x2，1，x3，1，x4，1～x4，4，x4，6，x5，1～x5，6，x6，1～x6，6x7，1～x7，6，x8，1～x8，7，x9，1～x9，4，x9，6，x9，7x10，1～x10，7，x11，1～x11，7(58个)未测组分变量x1，7，x2，2～x2，7，x3，2～x3，7，x4，5，x4，7，x5，7，x6，7，x7，7，x9，5。 (19个)各已测变量的测量数据如表第二列所示(它可以从数据库中得到)，表中记录的组分数据仅为百分比的分子部分；各测量变量的标准差如表第三列所示(它由现场测量仪表本身决定)，各测量变量之间的测量误差互不相关，其中F2，F3为不可观察的。
根据附图2所示的物流关系结构图，装置总物料平衡及多组分物料平衡方程为Min(Fm^-Fm)TQFm-1(Fm^-Fm)]]>+Σj=111(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)]]>s.t.Σj=111lijFj=0]]>Σj=111lijFjxj,k=0]]>i＝1，...，4，k＝1，…，70≤xj，k≤1
其中Fm，Fm，Xmi，Xmi所代表的含义如表1表1符号一览表 其中lij为系统关联矩阵A的第i行，第j列元素。
A=1-1-100000000011-1-1-1-10000000010000-1-10001000-1-100]]>调用变量消除方法得到上述协调模型所分解的两类子问题第一类子问题Min(Fm^-Fm)TQFm-1(Fm^-Fm)]]>+Σj=111(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)]]>
s.t.YT[A0Fm+A1fm+A2Fo+A3fo]＝0x2，1＝x1，1x3，1＝x1，10≤xi，j≤1 i＝1…4，j＝1…11第二类子问题Pv＝-[A0Fm+A1fm+A2Fo+A3fo]其中Fm＝[F1F4F5F6F7F8F10]T，Fo＝[F9F11]T；fm＝[F1*Xm1TF4*Xm4TF5*Xm5TF6*Xm6TF7*Xm7TF8*Xm8TF10*Xm10T]T；fo＝[F9*Xm9TF11*Xm11T]T；矩阵A0，A1，A2，A3，P，Y如下A0是由G的第1，4，5，6，7，8，10列组成；A1是由G的第12～17，33～36，38，40～45，47～52，54～59，61～67，75～81列组成；A2是由G的第9，11列组成；A3是由G的第68～71，73，74，82～88列组成；P是由G的第2，3，18，19～25，26～32，37，39，46，53，60，72列组成；G=I11×11EOB]]>其中，B由双线性数据协调模型生成步骤中的系统关联矩阵A衍生得到，即将A中元素(+1，-1，0)分别用(I7×7-I7×7，O7×7)取代得到，I7×7为7×7维单位阵，O7×7为7×7维零矩阵；E由矩阵I11×11衍生得到，即将I11×11中元素(+1，0)分别用(-11×7，O1×7)取代，11×7为1×7维壹矩阵。Y通过矩阵P的QR分解得到对P进行QR分解P∏＝QR，其中Q，R为如下形式Q＝[Q1Q2]R=R1R200,]]>rank(P)＝rank(R1)则P投影矩阵Y＝Q2，由于矩阵维数较大，在此没有具体写出。
调用独立变量和依存变量选取方法，确立了第一类子问题中的依存变量及独立变量依存变量F1，F4，F5，x1，1～x1，6，x4，1～x4，4，x4，6，x5，1～x5，6，x8，1，x10，1，x11，1，x2，1，x3，1独立变量F6～F11，x6，1～x6，6，x7，1～x7，6，x8，2～x8，7，x9，1～x9，4，x9，6，x9，7，x10，2～x10，7，x11，2～x11，7以独立变量作为微粒，采用基本微粒群算法对第一类子问题寻优得到已测物流流率、可观察物流流率以及已测组分的准确数据；最后利用这些协调得到的已测物流流率、可观察物流流率以及已测组分的准确数据，对第二类子问题线性代数求解，获得其他变量的准确数据。在实施过程中，在基本微粒群算法的参数选取上，选择最大迭代次数MIter＝2000，微粒数为20，加速常数c1＝c2＝1.8。通过本发明所提供的双线性数据协调方法，附图2所表示的某合成汁提取过程中的各变量的协调值如表2第6列所示。
为了表明本发明的优越性，引入了如下三个性能指标①TA=Σi=1n(yi,m-yi,rσi)2]]>(协调精度指标)式中yi，m为变量yi的测量值，yi，r为变量yi的协调值，σi为变量yi的测量标准差，n为测量变量个数；②NOC＝协调结果中出现无意义结果的个数(组分变量小于0或大于1)；③Te＝数据协调执行时间 (协调效率指标)传统解决多组分物料平衡的双线性数据协调方法有Crowe两步投影矩阵法、Simpson法以及NLP法。但由于Simpson法本身的缺陷，对附图2系统中含有不可观察变量的情况此无能为力；针对附图2中系统，采用Crowe两步投影矩阵法及NLP法后的协调效果如表2中第4和第5列所示。
由表2可以看出，采用本发明所提供的双线性数据协调方法，在协调精度方面可以比Crowe两步投影矩阵法提高将近一倍，且与NLP法相当，均具有较高的协调精度，协调精度较低与Crowe两步投影矩阵法中参数难以确定相关，而本发明中不存在此问题；各方法在XP环境及CPU2.66GHz下的执行时间Te如表2倒数第2行所示，本发明所提供的双线性数据协调方法在保持精度的基础上，相比NLP法，很大程度上提高了协调效率，具有较高的协调效率；另外，在NOC指标上，Crowe两步投影矩阵法为3，而本发明所提供的双线性数据协调方法及NLP法为0，可见本发明防止了无意义协调结果的出现。
本发明实施方便，便于实现与其它应用系统的集成；它避免了协调问题权值参数难以确定的问题，且能处理化工过程中经常遇到的含不可观察物流流率及组分变量的情况，具有相当高的协调精度；协调问题分解及规范化方法简单且易于实现，由于协调问题分解、规范化以及微粒群算法搜索空间降维处理，本发明具有比较高的协调效率；另外，本发明在数据协调中引入组分变量上下限约束，保证了可行的协调结果，防止了无意义协调结果的出现。
本发明通过分解及规范化协调模型的变量消除方法、独立变量和依存变量选取方法及基本微粒群算法实现了一种满足效率及精度要求的双线性数据协调方法来实现物流和组分平衡，以获得准确的物流及组分数据，解决数据的不一致性及不完整性问题，更好地为基于数据的上层应用服务。
表2本发明与传统方法的协调结果比较
权利要求
1.一种双线性数据协调方法，其特征在于，它包括如下步骤1)根据石化企业生产流程中物流关系结构图生成双线性数据协调模型；2)采用变量消除方法对协调模型进行分解及规范化；3)针对分解及规范化后的协调模型，采用微粒群算法获得准确的物流及组分数据。
2.根据权利要求1所述的一种双线性数据协调方法，其特征在于所述的双线性数据协调模型它是一个含约束的最优化问题，变量为物流流率和组分，其中等式约束为总物料平衡方程及多组分物料平衡方程；不等式约束一是组分变量分布在0与1之间，即0≤xj，k≤1；目标函数为Min(Fm^-Fm)TQFM-1(Fm^-Fm)]]>+Σj=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)]]>其中 为已测物流流率向量，QFm为其相应的协方差矩阵，Fm为其相应的协调值(准确值)； 是第j股物流中已测组分向量，QXmj为其相应的协方差矩阵，Xmj为其相应的协调值(准确值)；c为企业生产流程中的组分数。
3.根据权利要求1所述的一种双线性数据协调方法，其特征在于所述的采用变量消除方法对协调模型进行分解及规范化它首先引入辅助变量，即组分流率FXFX＝[F1F2…FsF1*x1，1…F1*x1，c…Fs*xs，1…Fs*xs，c]T其中，Fi为第i股物流流率，xj，k为第j股物流中的k组分，s为企业生产流程中的物流流股数；将辅助变量按是否已测分为五类已测物流流率，记为Fm；物流流率及组分均已测的组分流率，记fm，其对应的已测组分用m表示；可观察物流流率，记Fo；物流流率可观察且组分已测的组分流率，记fo，其对应的已测组分用d表示；其余的为第五类组分流率变量，记v。总物料平衡方程及多组分物料平衡方程表示为A0Fm+A1fm+A2Fo+A3fo+Pv＝0其中A0、A1、A2、A3及P为各类辅助变量所对应的关联矩阵。通过投影矩阵Y，消除总物料平衡方程及多组分物料平衡方程中含第五类组分流率变量部分YT[A0Fm+A1fm+A2Fo+A3fo]＝0其中Y为P阵QR分解中Q阵去除前rank(P)列的部分。其次，在消除物料平衡方程中第五类组分流率变量时，会丢失第五类组分流率变量所包含的已测组分的冗余信息，需提取此类已测组分的冗余信息。US为物流流率不可观察的流股集合，xj，r为ej∈US流股中已测组分r，提取方法如下①若ej中所有组成已测，则将归一化方程提取出来，即Σkxj,k=1;]]>②将石化企业生产流程中物流关系结构图中含未测组成r的弧所组成的回路进行编并，获得子图Gr；③在子图Gr中找包含ej及组成r已知且相等(可以与xj，r不相等)的其他弧所组成的割集；④找割集K直至找到含有弧hUS的割集，则提取出冗余方程xj，r＝xh，r，其中h∈K，hUS，转至⑥；若只找到只含不可观察弧的割集K，则提取冗余方程xj，r＝xh，r＝…＝xt，r，其中j，h…，t∈K，转至⑥，以后不需对此割集K中的流股对应的r组分变量进行冗余方程的提取；⑤若找不到上述的割集，则变量xj，r非冗余；⑥改换另外一条不可观察弧转至①；通过该提取方法获得丢失的冗余信息L(m，d，θ)＝0，L(·)为线性方程组其中θ为会丢失冗余的组分变量。
4.根据权利要求1所述的一种双线性数据协调方法，其特征在于所述的分解及规范化后的协调模型它通过上述变量消除方法，把协调问题分解为两类规模较小的子问题第一类子问题Min(Fm^-Fm)TQFM-1(Fm^-Fm)]]>+Σj=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)]]>s.t.YT[A0Fm+A1fm+A2Fo+A3fo]=0]]>L(m,d,θ)=0]]>0≤xj,k≤1]]>第二类子问题Pv＝-[A0Fm+A1fm+A2Fo+A3fo]。
5.根据权利要求1所述的一种双线性数据协调方法，其特征在于所述的采用微粒群算法获得准确的物流流率及组分数据它首先利用第一类子问题中等式约束的双线性特殊结构，采用独立变量和依存变量选取方法把物流流率及组分变量分为独立变量和依存变量；然后以所选取的独立变量作为该算法中的微粒，采用基本微粒群算法的微粒进化方式，对第一类子问题寻优得到已测物流流率Fm、可观察物流流率Fo以及已测组分m，d，θ的准确数据；最后利用这些协调得到的已测物流流率Fm、可观察物流流率Fo以及已测组分m，d，θ的准确数据，对第二类子问题Pv＝-[A0Fm+A1fm+A2Fo+A3fo]线性代数求解，获得第五类组分流率变量v的准确数据。
6.根据权利要求5所述的一种双线性数据协调方法，其特征在于所述的独立变量和依存变量选取方法的具体步骤①选取矩阵YT[A1A3]中最大线性无关组列向量所对应的组分变量为依存变量；②若最大线性无关组秩小于其列向量维数，另外选取在矩阵YT[A0A2]与所选最大线性无关组线性独立的列向量所对应的物流流率变量(其对应组分变量均为依存变量)作为依存变量；③L(m，d，θ)＝0的每个方程中选取一个属于会丢失冗余的θ元素的组分变量作为依存变量；④其余变量作为独立变量。
全文摘要
本发明公开了一种双线性数据协调方法。它包括如下步骤1)根据石化企业生产流程中物流关系结构图生成双线性数据协调模型；2)采用变量消除方法对协调模型进行分解及规范化；3)针对分解及规范化后的协调模型，采用微粒群算法获得准确的物流及组分数据。本发明权值参数容易确定，且方便处理化工过程中经常遇到的含不可观察物流流率及组分变量的情况，并具有相当高的协调精度；协调问题分解及规范化方法简单且易于实现，由于协调问题分解、规范化以及微粒群算法搜索空间降维处理，本发明具有比较高的协调效率；在数据协调中引入组分变量上下限约束，保证了可行的协调结果，防止了无意义协调结果的出现；实施方便，便于实现与其它应用系统的集成。
文档编号G05B13/02GK1920703SQ20061005347
公开日2007年2月28日 申请日期2006年9月20日 优先权日2006年9月20日
发明者荣冈, 徐忠勇, 冯毅萍, 王旭 申请人:浙江大学