况下，在其它实施例中实现。因此，本发明 将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一 致的最宽的范围。
[0168] 参考文献：
[0169] [1]M. Barker, W. Rayens. Partial least squares for discrimination. Journal of chemometrics，2003, 17(3) :166-173
[0170] [2]QIN S J. Recursive PLS algorithms for adaptive data modeling[J]. Computers&Chemical Engineering，1998, 22(4-5):503-514.
[0171] [3]Van Antwerp J Gj Braatz R D. Model predictive control of large scale process [J]. Journal of Process Control. 2000, 10(I):1-8.
[0172] [4]Massimo Vaccarinij Sauro Longhij M. Reza Katebi. Unconstrained networked decentralized model predictive contro[J]I.Journal of Process Control，2009, 19:328-339.
[0173] [5]Michiyo Yamamoto, Takakazu Sugiyama.Correlation analysis of principal components from two populations[J]. Computational Statistics&Data Analysis2007 (51):4707-4716. +
[0174] [6]N. L Ricker. Optimal steady-state operation of the Tennessee Eastman challenge process[J]. Computers and chemical Engineering. 2005,19(9):949-959.
[0175] [7] J. J. Downs, E. F. Vogel. A plant-wide industrial process control problem. Computers&Chemical Engineering，1993, 17(3):245-255
[0176] [8]N. L. Ricker? J. H. Lee. Nonlinear modeling and state estimation for the Tennessee Eastman challenge process.Computers&Chemical Engineeri ng，1995, 19(9) :983 - 1005
[0177] [9]B. C. Juricekj D. E. Seborgj W. E. Lari more. Identification of the Tennessee Eastman challenge process with subspace methods. Control Engineering Practice，2001，9:1337-1351.
[0178] [10]G. Ravi Sriniwasj Y. Arkun. Control of the Tennessee Eastman process using input-output models. Journal of Process Control, 1997, 7(5):387 - 400
[0179] [11] J. M. Maestre，D. Munoz de la Pena，E. F. Camacho，T. Alamo. Distributed model predictive control based on agent negotiation [J]. Journal of Process Control. 2011:685-692.
【主权项】
1. 一种基于CCA和块式RPLS的分布式在线建模方法，其特征在于，包括步骤： 5101 :分析大化工过程的质量指标，选择与所述质量指标密切相关的关键变量作为输 出变量，选择过程变量作为输入变量，从而得到输入变量集X和输出变量集Y; 5102 :将输入变量集X和输出变量集Y中的每一个分量对应组合构成输入输出数据，采 用典型相关分析法对所述输入输出数据进行子系统分解，并确定子系统的输入变量和输出 变量； 5103 :根据所确定的子系统及相应的输入变量和输出变量，构造各子系统的样本数据 集{\，YJ，并采用块式RPLS算法依次对所有子系统在线建立模型。2. 如权利要求1所述的基于CCA和块式RPLS的分布式在线建模方法，其特征在于，所 述S103具体包括步骤： 51031 :将模型的三个参数：数据块宽度s、数据块队列长度w和遗忘因子X进行确定； 51032 :对样本数据集{XpYj进行归一化，其中，\表示典型相关分析分解后得到的子 系统i的输入变量集，1表示输出变量集Y中的第i个分量； 51033 :根据归一化后的样本数据集{XpYi}使用PLS回归算法建立初始的PLS模 型其中， 1\，I，Pi，BpPLS模型的矩阵参数； 51034 :根据泛化均方根误差判断所述PLS模型的误差；若所述PLS模型的误差不在预 设阈值范围内，则返回执行S1032,否则执行S1035 ; Sl〇35 :将所述PLS模型的模型参数.{/f}加入到数据块队列中； 51036 :当数据块队列中的新数据块{Xn，Yn}到来时，对数据块{Xn，Yn}进行归一化， 并执行PLS得到PLS子模型51037 :更新.，返回步骤S1032和S1033对所述PLS模型 进行更新，获得新的回归系数其中，X为遗忘因子，51038 :按照S1035~S1037推广到有w组数据块的情况，获得此时的回归系数Ciw，完 成所有子系统的建模，其中，3. 如权利要求2所述的基于CCA和块式RPLS的分布式在线建模方法，其特征在于，所 述S1033具体包括步骤： 510331 :归一化XjPYi，初始化# 二义,.)；1 =)?乂 =1， 510332 :令wf.为}f中的第一列； 510333 :令，从而建立PLS外部模型，并重复循环计算，直到?f收敛； 510334 :计算负载向量；?f,其中，510335 :令从而建立PLS内部模型； 510336 :计算余量矩阵，510337 :计算得到从而构造矩阵510338 :计算回归系数，得到第i个子系统的PLS模型510339 :验证子系统的PLS模型的精度，若满足要求，则建模过程结束，否则令k= k+1，并返回执行S10332。4. 如权利要求2或3所述的基于CCA和块式RPLS的分布式在线建模方法，其特征在 于，在所述S1038之后还包括步骤： S1039 :当数据块队列中的模型参数个数超出了设定值w时，去除数据块队列中最老的 一个，并对队列中各个数据块的可信度进行更新，对更新后的数据块队列再次进行PLS建 模，得到当前时刻的预测模型，并返回执行S1032。5. 如权利要求1所述的基于CCA和块式RPLS的分布式在线建模方法，其特征在于，所 述S102具体包括步骤： 51021 :初始化i= 1 ; 51022 :将输入变量集X和输出变量集Y中的第i个分量Yi对应组合构成输入输出数 据{X，YJ; 51023 :对输入输出数据{X，YJ进行归一化处理，通过典型相关分析，求出输入变量集 X和输出变量Yi之间达最大相关系数时的主轴向量rli; S1024:根据主轴向量rii的各分量绝对值的大小设定门槛值Gp并选择大于门槛值Gi的输入变量作为子系统i的输入变量，即与Yi对应的子系统的输入变量，从而实现子系 统分解； S1025 :令i=i+1，返回执行S1022,直至对所有的输出变量处理完毕，从而确定所有子 系统的输入输出变量。6. 如权利要求5所述的基于CCA和块式RPLS的分布式在线建模方法，其特征在于，所 述S1023具体包括步骤： 510231 :对X和Y#别进行奇异值分解，得到矩阵Ux，Sx，Vx，Uyi，Syi，Vyi，其中， [UX，SX，VJ=SVD(X)， [Uyi，Syi，Vyi] =SVD(Yi)， X=Ux*Sx*V'x，1=Uyi*Syi*V'yi，式中，当^为实数矩阵时，V'x表示V#转置矩 阵，当Vx不是实数矩阵时，V'x表示Vx的共轭转置矩阵，V'yi同理； 510232 :对U'，心实施奇异值分解，得到矩阵。^，^^，其中， [Uzi,Szi,Vzi] =SVD(U/xUyi),U,xUyi=Uzi*Szi*V/zi； 510233 :根据矩阵Sx，Vx、Syi，Vyi、Uzi，Vzi计算得到主轴向量矩阵R种Cp其中，Ri中第一列向量即为所求主轴向量rn。
【专利摘要】本发明公开了一种基于CCA和块式RPLS的分布式在线建模方法，包括步骤：S101：分析大化工过程的质量指标，选择与所述质量指标密切相关的关键变量作为输出变量，选择过程变量作为输入变量，从而得到输入变量集X和输出变量集Y；S102：将输入变量集X和输出变量集Y中的每一个分量对应组合构成输入输出数据，采用典型相关分析法对所述输入输出数据进行子系统分解，并确定子系统的输入变量和输出变量；S103：根据所确定的子系统及相应的输入变量和输出变量，构造各子系统的样本数据集，并采用块式RPLS算法依次对所有子系统在线建立模型。本发明建模效率高，模型精度和抗干扰能力更强。
【IPC分类】G05B13/04
【公开号】CN104914724
【申请号】CN201510283986
【发明人】李丽娟, 胡蓓蓓, 姚莉娟, 董婷婷
【申请人】南京工业大学
【公开日】2015年9月16日
【申请日】2015年5月28日