由数据差异驱动的间歇过程双维在线优化方法
【技术领域】
[0001] 本发明属于化工流程制造业领域，涉及由数据差异驱动的间歇过程在线动态自学 习与在线滚动优化方法。适用于包括间歇反应器、间歇精馏塔、间歇干燥、间歇发酵、间歇结 晶以及其它采用间歇方式操作的过程和系统的操作轨线在线实时优化。
【背景技术】
[0002] 间歇生产过程已被广泛应用于生产高附加值产品，如药物、生物材料、聚合物、电 化学品等。然而在实际生产过程中，由于间歇过程本身的动态特性以及在同一设备上运行 不同的批次所产生的各批次之间的操作条件的变化会导致产品质量不高或重复性差等问 题出现，间歇过程的质量控制与优化对于间歇过程工业的发展有重要意义。
[0003] 而间歇过程的优化问题主要是操作轨线优化问题，通常以提高产品的质量和产量 为目标，获取最优操作轨线。为了得到间歇过程的优化轨迹，一般采用离线优化方法得到 过程可以运行的最佳轨迹，然而一旦过程变量出现变动时，如进料量的变化、过程的动态特 性、参数的不确定性和各种扰动等，离线优化得到的优化轨迹就不再是最优的了，仅仅通过 离线优化方法难以解决间歇过程优化问题。为保证产品质量的最优与稳定，在线实时地调 整显得极为必要。
【发明内容】
[0004] 本发明针对间歇过程，采用数据差异驱动的方法，从在线动态自学习以及在线滚 动误差修正的角度，进行两个维度下的操作轨线在线优化。在线动态自学习策略的使用实 现了优化指标的持续改进，在线滚动修正策略使得所优化的操作轨线具有更好的适应性。
[0005] 本发明为实现上述目的，采用如下技术方案：
[0006] 本发明步骤分为三个部分。第一部分是初始数据收集和初始优化策略的建立。第 二部分是建立在新批次数据基础上的在线自学习算法和计算步骤。第三部分是在线优化策 略的滚动校正。
[0007] 初始数据收集和初始优化策略的建立步骤如下：
[0008] 步骤一：针对操作完整的间歇过程，按批次收集待优化变量和最终质量或产率指 标。数据的收集时间间隔可以是等时间间隔或非等时间间隔，要保证在一个时间间隔内，过 程的待优化变量没有显著变化，或不会对最终质量或产率指标有显著影响。一般要求20-30 组有效数据。
[0009] 步骤二：对所采集的数据，按批次为变量进行主元分析并在主元模式图中剔除奇 异点，使得所有数据点在一个可信度之内。
[0010] 步骤三：将剔除奇异点后的剩余温度数据在时间轴上进行等间隔划分或不等间隔 划分为N段。
[0011] 步骤四：将每一个间隔所包含的各批次数据表达为一个连续变量Q，i=1，2,… N，这些变量被称为分解后的时段变量。时段变量的值由待优化变量在一个特定时间区间的 各个批次数据所组成。由多批次时段变量构成的数据矩阵称为时段变量矩阵，记为LpXN，p是批次数。
[0012] 步骤五：将步骤四中所对应的每个批次质量或收率指标，称为指标变量YpX1。指标 变量的值是由Ρ个批次最终质量或收率形成的连续变量。
[0013] 步骤六：根据步骤四和步骤五中形成的时段变量矩阵LpXN和指标变量ΥρΧ1，分别 计算协方差矩阵sa和联合协方差矩阵sw。
[0014] 步骤七：对协方差矩阵Sa和联合协方差矩阵S 主元分析并得到偏最小二乘 (PLS)系数向量i= 1，2,…N。
[0015] 步骤八：对步骤七中的PLS系数变量元素，按符号大小进行分类，定义作用符号如 下：
[0016]
[0017] 其中e是对噪声的阈值限定，sign⑴是第i个时段对应的PLS系数符号。
[0018] 步骤九：计算出各个时段变量的均值和标准差。按以下摄动量计算公式建立已采 集批次数据各时段变量的优化策略：
[0019] Jx=M^sign^Sσχ
[0020] 此处的Λ，MjP〇 别是第i个时段变量的优化目标值，均值和标准差。
[0021] 步骤十：将步骤九中所得各时段的优化目标值，按时段顺序i= 1，2，···Ν依次排 列，组合成一条针对整个批次过程的新优化变量曲线。
[0022] 上述初始优化策略建立后，将作为在线自学习算法的初始值。建立在新批次数据 基础上的自学习算法和计算步骤如下：
[0023] 步骤^^一 ：在线收集新批次的时段变量Cjk+l)，i= 1，2, "·Ν和指标变量数据 Y(k+1)，利用以下递归公式，计算更新协方差矩阵^^&+1)和联合协方差矩阵Sw(k+1):
[0024] SLL(k+l) =ASLL(k)+C(k+l)TC(k+l)
[0025] SLY(k+l) =ASLY(k)+C(k+l)TY(k+l)
[0026] 其中C(k+1) = [Cjk+lhCjk+l)…CN(k+l)]，0<λ< 1是对现有协方差矩阵的 遗忘因子。当λ=1时，代表没有数据从旧的协方差矩阵中去除。
[0027] 步骤十二：对协方差矩阵Sa (k+Ι)和联合协方差矩阵S" (k+Ι)做主元分析并得到 PLS系数向
[0028] 步骤十三：利用如下递归公式，计算新批次数据下各时段变量的均值和标准差：
[0029] M, (k+1) =M, (k) + [C, (k+1) -M, (k) ] / (k+1)
[0030] oj(k+1) =〇； (k) + [C； (k+1)-M； (k) ]X[C； (k+1)-M； (k+1)]
[0031] 步骤十四：按步骤九中的摄动量公式计算新批次数据下各时段变量的优化目标 值。
[0032] 步骤十五：将步骤十四中所得各时段的优化目标值，按时段顺序i= 1，2, ··，构成 一个新的优化变量曲线。
[0033] 为了克服动态控制偏差和不可控的随机干扰，经过上述步骤得到的基础优化控制 变量轨迹在投入实际应用时，在每一个时间段都对基础优化策略加以在线滚动修正。
[0034] 在线滚动误差校正步骤如下：
[0035] 步骤十六：在第i_l时间段，计算基础优化目标值丨iυ和实际测量值RVυ的误 差：
[0036] E(id=J(iD-RVyd〇
[0037] 步骤十七：在基础优化策略上，构成下一时段新的优化目标值：
[0038] J〇i=Ji+E(id〇
[0039] 将步骤十六和步骤十七按时段顺序i= 1，2,-·Ν依次计算并施加到过程中，直至 整个批次过程操作结束。
[0040] 在以上步骤中所建立的优化变量曲线，一般地需要其进行数字滤波，使得新的优 化曲线比较光滑，易于跟踪控制。
[0041] 本发明利用摄动法建立被控变量设定曲线的初始优化策略，再基于数据差异量对 均值和标准差进行在线自学习迭代更新，最后根据实际测量值进一步对优化策略加以在线 滚动修正。完全基于间歇过程的正常操作数据形成优化策略，不需要过程机理的先验知识 和机理模型。一方面在线动态自学习策略的使用实现了优化指标的持续改进，另一方面在 线滚动修正策略使得所优化的操作轨线具有更高的数据适应性。
【附图说明】
[0042] 图1 一个间歇结晶过程的温度曲线
[0043] 图2 -个间歇过程温度为优化变量主元模式图
[0044] 图3 -个时间段变量的示例
[0045] 图4时段变量的PLS系数示例
[0046] 图5优化目标变量曲线的计算
[0047] 图6在线滚动优化策略的生成计算示意图。
[0048] 图7递归计算过程框图
[0049] 图8优化的温度曲线和原始温度曲线的比较
[0050] 图9滤波前后的优化曲线
[0051] 图10自学习优化策略和初始优化策略对原始操作结果比较
【具体实施方式】
[0052] 以下以一个间歇结晶过程的操作轨线优化为例，说明具体实施方法。这个示例不 构成对本发明方法的范围限制。
[0053] 本实施方法分为四个部分。第一部分为数据收集和预处理。第二部分是计算初始 优化策略。第三部分是在取得更新批次数据的基础上，进行在线自学习优化策略的计算。第 四部分是建立滚动误差修正后的在线优化策略。
[0054] 整个实施步骤框图如图7所示，具体实施步骤和算法如下：
[0055] 步骤1 :针对操作完整的间歇结晶过程，选择与产品质量密切相关的结晶温度作 为待优化变量，按批次收集35组温度变量以及最终产率指标数据。数据的收集时间间隔为 1分钟。图1是一个间歇结晶过程的温度曲线示例（局部）。
[0056] 步骤2 :对采集的所有批次的温度数据，按批次温度变量进行主元分析并在主元 模式图中剔除奇异点，使得所有数据点在一个可信度之内。图2是一个间歇过程温度为优 化变量的主元模式图，从图中可以看出，右下角有一个批次的模式和其它所有点都有很大 距离，应剔除这个批次数据。
[0057] 步骤3 :将剩余34个批次的温度数据在时间轴上等间隔划分为221个时段，形成 时段变量Q，(V··C221。为清晰起见，图3给出了C4。到C7。的时段变量。
[0058] 步骤4 :用多批次时段变量构成时段变量矩阵L34X221和指标变量Y34X1。
[0059] 步骤5 :用步骤4中形成的时段变量矩阵L和指标变量Y，分别计算协方差矩阵Sa 和联合协方差矩阵Sw。
[0060] 步骤6 :对协方差矩阵Sa和联合协方差矩阵S"做主元分析并得到PLS系数向量 F221。图4是一个有221个时段变量的PLS系数图。
[0061] 步骤7 :对步骤6中的PLS系数变量元素，定义如下作用符号：
[0062]
[0063