数知融合驱动调控参数多级响应预测方法及系统

本发明涉及数据处理，具体地涉及一种数知融合驱动调控参数多级响应预测方法及一种数知融合驱动调控参数多级响应预测系统。

背景技术：

1、流程工业生产制造过程复杂多样，来自生产上下游的不同工作单元往往具有鲜明的耦合关联性质，这种耦合性使得其中个别参数的异常变化将通过生产链影响整条产线的健康运行。为此，一种广泛且实用的方法是对其中的关键调控参数进行预测性调控，以保证其始终在最优区间运行，在这期间，针对调控操作建立高效而准确的输出响应预测模型至关重要，因为它将提供被控变量未来可能的变化状态以用于调控操作的优化和控制输入。

2、基于系统运行机理的调控输出响应预测模型被首先用于流程工业参数预测性调控领域，然而运行机理的复杂性给模型开发带来了挑战，而对系统物理全面且详细的理解又进一步阻碍了其工程应用与推广。

3、得益于工业物联网的(iot)的快速发展，数据驱动方法与人工智能相结合的调控输出响应预测因通用性强、建模简单而逐渐受到工业与学术界青睐。其中，基于机器学习或深度学习方法开发独立于系统本身运行机理的输出响应预测器正在广泛开展。在一个多变量系统中，模型往往会为每个调控变量建立独立的数据驱动响应预测器来进行定制化输出响应预测，本质上，这些方法将多输入多输出(mimo)响应预测任务简化为多个独立的多输入单输出(miso)问题，因此不可避免地忽略了不同调控变量间的关联关系，这在一定程度上限制了模型的预测性能。

4、事实上，在多输入多输出预测调控过程中，不同调控变量间耦合的跨层级调控过程知识对于输出的响应预测性能非常重要，因为它们存储了被预测变量间的关联信息，这些关联信息在一定程度上反映了调控的因果关系，并直接决定着调控操作对不同调控变量的影响深度与广度，因此它们一直广受现场工程师的青睐和重视。然而，在流程工业的多变量联调系统中，来自不同工作单元的被控变量通过调控链相互关联而使得数据驱动的输出响应预测变得十分困难。通常，在一个连续的生产流程中，分布在不同工作节点的调控变量相互串联且有着严格的调控等级关系，这种等级体现在，任意一次调控操作对整个生产流程的影响往往会基于调控变量所处工作单元的顺序和位置依次传递，而同时对处于不同工作等级的多个调控变量进行输出响应预测是必要的，因为这将有助于提前对系统进行全局的多变量联调联控。

5、近年来，已经有研究开始在流程工业模型预测控制领域尝试借助于调控过程知识来进行数知混合响应预测建模，从而实现更加鲁棒的预测性调控。毋庸置疑的是，这种数知融合驱动的响应预测建模为进一步提升响应预测性能提供了新的优化思路，但它们往往关注于单个调控变量的响应变化或假设所有调控变量来自同一个工作单元，在调控链中共享相同的调控级别，这将不可避免的忽略不同调控变量跨层级，尤其是生产上下游不同工作单元间调控变量的耦合信息。在流程工业中，这种跨层级的耦合信息或称为调控变量间耦合的调控过程知识，包括跨层级调控链、调控前提以及不同调控变量间的时序约束信息，这些知识以时序约束调控实例的形式隐藏并存储在海量的历史时序运行数据中。但是，现有方案并未对该历史时序运行数据进行挖掘，使得无法开发多层级多变量数知融合响应预测模型，使得流程工业多变量联调联控效果并不理想。针对该问题，需要提出一种新的驱动调控参数多级响应预测方案。

技术实现思路

1、本发明实施方式的目的是提供一种数知融合驱动调控参数多级响应预测方法，以至少解决现有方案并未对该历史时序运行数据进行挖掘，使得无法开发多层级多变量数知融合响应预测模型，使得流程工业多变量联调联控效果并不理想的问题。

2、为了实现上述目的，本发明第一方面提供一种数知融合驱动调控参数多级响应预测方法，所述方法包括：采集调控过程知识；基于所述调控过程知识进行调控知识库构建；基于所述调控知识库，进行数知融合调控参数多级响应预测模型训练，获得预测模型；基于所述预测模型，在给定调控操作下同时对多个调控变量的输出响应进行预测，并基于预测结果输出优化的调控操作序列。

3、可选的，所述采集调控过程知识包括：利用符号学习方法从历史运行数据中挖掘调控信息，并对挖掘的调控信息进行图形化表示；基于图形化表示的调控信息，进行结构化表征，获得调控过程知识；其中，所述调控信息包括：调控触发前提条件、调控事件、调控时序约束和调控实例中的一种或多种。

4、可选的，所述基于所述调控过程知识进行调控知识库构建，包括：在所述调控过程知识中进行调控知识样本挖掘，并统计同类型实例出现频次，以及计算各类型实例支持度；基于同类型实例出现频次和各类型实例支持度，将不同类型的调控实例以二元组的形式存储在结构化数据库中，获得第一知识库；将非结构化的领域专家调控经验进行结构化处理，获得第二知识库；基于所述第一知识库和所述第二知识库获得调控知识库。

5、可选的，在基于所述调控过程知识进行调控知识库构建后，所述方法还包括：进行调控知识库在线运行，并在整个运行生命周期中，实时基于反复出现的新类型调控实例进行调控知识库更新。

6、可选的，所述基于所述调控知识库，进行数知融合调控参数多级响应预测模型训练，获得预测模型，包括：基于所述调控知识库中存在的调控链的结构设计模型的多层级联拓扑架构；基于所述多层级联拓扑架构中各级联层中的基学习器进行特定调控变量的输出响应预测，获得预测结果；将所述预测结果分别作为目标变量的输出和更高一级的调控响应预测过程的参考量，进行模型离线训练，获得离线预测模型；进行离线预测模型在线测试，测试完成后获得在线预测模型，作为预测模型。

7、可选的，所述基于所述预测模型，在给定调控操作下同时对多个调控变量的输出响应进行预测，并基于预测结果输出优化的调控操作序列，包括：建立调控目标函数；将调控变量的响应预测残差添加到下一阶段的响应预测输出中，基于粒子群优化算法明确所述目标函数的解空间，将输入调控序列分解为与控制域规模相当的例子群；反复迭代更新所有例子的位置和速度并检查终止迭代条件，最终获得所有粒子的历史最优解。

8、本发明第二方面提供一种数知融合驱动调控参数多级响应预测系统，所述系统包括：采集单元，用于采集调控过程知识；构建单元，用于基于所述调控过程知识进行调控知识库构建；训练单元，用于基于所述调控知识库，进行数知融合调控参数多级响应预测模型训练，获得预测模型；预测单元，用于基于所述预测模型，在给定调控操作下同时对多个调控变量的输出响应进行预测，并基于预测结果输出优化的调控操作序列。

9、可选的，所述采集单元具体配置为：利用符号学习方法从历史运行数据中挖掘调控信息，并对挖掘的调控信息进行图形化表示；基于图形化表示的调控信息，进行结构化表征，获得调控过程知识；其中，所述调控信息包括：调控触发前提条件、调控事件、调控时序约束和调控实例中的一种或多种。

10、可选的，所述采集单元还用于：进行调控知识库在线运行，并在整个运行生命周期中，实时基于反复出现的新类型调控实例进行调控知识库更新。

11、另一方面，本发明提供一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行上述的数知融合驱动调控参数多级响应预测方法。

12、通过上述技术方案，本发明方案通过将调控过程知识与数据驱动模型有机结合，将传统的深度森林模型扩展为具有多级联层的知识定制化森林模型架构，从而更好地捕获和学习调控变量间以及调控变量与操纵变量间的内在关联特征，解决传统数据驱动调控响应预测方法在流程工业多变量调控场景下预测泛化性能有限且易出现性能瓶颈的问题，以及传统的基于运行机理的调控响应与状态估计方法通用性有限，建模成本过高的问题。

13、本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。