基于主元相似度的间歇过程操作曲线递推优化

针对一类较长周期的间歇过程操作优化问题，提出了一种基于正常运行批次的数据驱动型操作曲线递推优化方法。首先采用分段离散化方法将原非线性优化问题转化为线性优化问题，再利用主元分析对离散化后的高维时段变量进行降维处理，然后在降维后的主元平面中，基于时段变量与最终产品指标间的余弦相似度，实现对原操作曲线的摄动优化。考虑到时段变量方差和相似度随批次会发生变化，建立了递推算法以实现操作曲线的递推更新。最后将该方法应用于某化工产品的间歇结晶过程中，结果验证了所提方法的有效性。     

基于正交余弦相似度的间歇过程操作曲线优化

针对间歇过程的操作曲线优化问题,利用正交信号校正算法,提出一种基于正交余弦相似度的数据驱动型优化策略。利用部分批次指标变量定义指标相关子空间,并通过奇异值分解获得背景空间的基,将新批次时段变量投影到正交基上从而提取出指标相关的信息;采用主元分析算法对校正后的变量降维,在降维后的载荷平面中,基于各校正时段变量与指标变量的余弦相似度实现操作曲线的优化;考虑到变量间的相似度会随着批次发生变化,推导出递推算法来更新操作曲线。将该方法应用到双酚A间歇结晶过程的温度曲线优化中,预测产率的提升验证了所提方法的可行性。     

基于隐变量空间载荷余弦相似度的间歇过程递推优化

针对间歇过程基于主元相似度优化方法中存在的变量相关性信息损失问题,提出一种单位化隐变量空间下利用载荷余弦相似度进行递推优化的新策略。首先将各时段变量与指标变量构成的扩展矩阵进行主元分解,通过信息的重新分配使得由主元构成的隐变量空间是单位正交的,从而得到包含更多变量相关信息的非单位化载荷矩阵,进一步计算隐变量空间下各时段变量与指标变量之间载荷余弦相似度和批次间指标增量,并对操作曲线进行递推修正。这种非单位化载荷矩阵的主元分解形式,不仅降低了隐变量空间下变量相关性信息损失,也使得更新操作曲线的递推算法更为简化。最后,通过间歇过程某一化工产品结晶纯度的优化研究,验证了所提方法的有效性。     

基于隐变量空间载荷余弦相似度的间歇过程递推优化

针对间歇过程基于主元相似度优化方法中存在的变量相关性信息损失问题,提出一种单位化隐变量空间下利用载荷余弦相似度进行递推优化的新策略。首先将各时段变量与指标变量构成的扩展矩阵进行主元分解,通过信息的重新分配使得由主元构成的隐变量空间是单位正交的,从而得到包含更多变量相关信息的非单位化载荷矩阵,进一步计算隐变量空间下各时段变量与指标变量之间载荷余弦相似度和批次间指标增量,并对操作曲线进行递推修正。这种非单位化载荷矩阵的主元分解形式,不仅降低了隐变量空间下变量相关性信息损失,也使得更新操作曲线的递推算法更为简化。最后,通过间歇过程某一化工产品结晶纯度的优化研究,验证了所提方法的有效性。     

基于主元相似度的间歇过程操作曲线多阶段融合优化

针对一类具有多阶段特性的间歇过程操作曲线优化问题,提出了一种基于过程正常运行批次的数据驱动型操作曲线多阶段融合优化方法。首先通过时间片矩阵的划分以及主元分析,计算加权时间片载荷矩阵,并对其进行聚类分析得出过程的阶段;然后在每一阶段下利用时段变量与指标变量的相似度修正操作曲线;最后通过计算各阶段与指标变量的相关系数,获取阶段的权重从而实现操作曲线融合。将该方法应用到某化工产品的间歇结晶过程中,结果验证了所提方法的有效性。     

间歇过程的批间自优化控制

针对间歇过程的实时优化问题,提出了一种基于最优性条件近似法的批间自优化控制策略。首先获取标称工作点的最优输入轨迹形态,将其参数化为少量决策变量,简化问题复杂度。然后根据参数化后的决策变量得到批间优化的最优性条件,并建立批次终端可测变量和最优性条件之间的回归模型,将其作为被控变量进行批间跟踪控制。对一个间歇反应器进行了仿真研究,结果表明方法能有效实现间歇过程的批间自优化控制。     

基于粗糙集的智能可视化优化方法用于加氢裂化反应操作优化

加氢裂化反应的历史生产数据包含了丰富的操作规律,而目前没有被充分挖掘和利用。针对该问题,本文 提出了基于粗糙集的智能可视化优化方法,并应用该方法对加氢裂化反应的操作变量进行了优化。采用自适应离 散化的方法对加氢裂化反应的生产操作数据进行离散化,得到离散化的数据集。针对数据集属性约简的N-P 难题, 提出了基于列队竞争算法的属性约简计算方法。通过对加氢裂化反应的数据集约简计算,使预设的12 个操作变量 约简到了8 个,除去了4 个冗余变量,有效降低了优化搜索空间。在此基础上,应用智能可视化优化方法将约简 后的加氢裂化反应数据降维映射到平面,并生成航煤收率的等值线,据此,直观地确定出了航煤收率的优化区域 和优化操作点。结果说明,选出的优化工况点与原工况航煤收率33.98%相比,能使航煤收率提高到37.58%.     

一种针对间歇过程过渡状态的故障诊断方法

针对间歇过程过渡状态下具有的复杂过程特性,提出一种基于二维动态主成分分析（2DDPCA）的故障诊断方法。该方法将故障信息划分为“批次内”和“批次间”信息,采用变量贡献图方法隔离故障变量,并依据2DDPCA模型支撑区域中故障变量的相关性变化具体分析故障成因。仿真结果验证了该方法的可行性和有效性。     

基于多阶段多向核熵成分分析的间歇过程故障检测方法

针对间歇过程的非线性、多阶段特性,提出一种基于多阶段多向核熵成分分析(multistage-MKECA,Ms MKECA)的故障检测方法。针对间歇过程的多阶段特性,建立一种时序核熵主元关联度的矩阵相似性阶段划分方法,实现对间歇生产过程的多阶段划分;针对传统批次展开方式在线监控需要预估批次未来值的缺陷,进一步引入一种批次-变量三维数据展开方式建立每个阶段的MKECA非线性统计模型,实现对间歇过程的分阶段监控。最后对盘尼西林发酵过程开展仿真研究,结果表明所提方法能够比传统MKECA方法更为快速地进行故障检测。     

基于多阶段多向核熵成分分析的间歇过程故障检测方法

针对间歇过程的非线性、多阶段特性,提出一种基于多阶段多向核熵成分分析（multistage-MKECA,MsMKECA）的故障检测方法。针对间歇过程的多阶段特性,建立一种时序核熵主元关联度的矩阵相似性阶段划分方法,实现对间歇生产过程的多阶段划分;针对传统批次展开方式在线监控需要预估批次未来值的缺陷,进一步引入一种批次-变量三维数据展开方式建立每个阶段的MKECA非线性统计模型,实现对间歇过程的分阶段监控。最后对盘尼西林发酵过程开展仿真研究,结果表明所提方法能够比传统MKECA方法更为快速地进行故障检测。     

基于扩展得分矩阵的多阶段间歇过程质量预测

为考虑质量变量对阶段划分结果的影响,提高建模精度,提出了一种基于扩展得分矩阵的多阶段间歇过程质量预测方法。首先将三维过程数据沿批次方向展开为二维数据矩阵,对每个时间片矩阵进行偏最小二乘(partial least squares,PLS)分析得到可以表征过程变量的得分矩阵和可以表征质量变量的得分矩阵;然后构建每个时间片的扩展得分矩阵,利用扩展得分矩阵捕捉质量变量信息对划分阶段的影响,采用CS (Cauchy-Schwarz)统计量计算相邻两个扩展得分矩阵的相似度,依据相似度将操作过程划分为不同的操作阶段,对划分后的各个阶段分别建立MPLS质量预测模型;最后将该算法在青霉素发酵仿真实验平台和大肠杆菌生产数据上进行了实验验证,实验结果表明了本文所提方法的可行性和有效性。     

基于测地线距离统计量的多工况间歇过程监测

针对间歇过程数据具有非线性和多工况的特点, 提出一种基于测地线距离统计量(geodesic distance statistic, GDS)的监测方法。首先, 对多工况间歇过程数据按批次方向展开及标准化, 利用主元分析(principal component analysis, PCA)方法进行降维;然后, 在降维空间获得赋权邻接矩阵, 提出采用改进的Dijkstra (improved Dijkstra, IDijkstra)算法使Dijkstra算法更易于实现, 计算各批次之间的测地线距离, 用以表征非线性多工况数据之间的实际最短距离, 更好地体现批次数据之间的局部近邻关系。通过构造测地线距离α次方统计量D^α进行过程监测, 与欧氏距离平方和D²相比将减小边缘训练数据距离的偏离程度。最后, 通过在数值仿真和工业仿真实例中的应用, 验证所提算法的有效性。     

基于过程迁移的间歇过程终点质量预报方法

提出了一种基于过程迁移的间歇过程质量预报方法,旨在解决新间歇过程数据不足难以建立准确预报模型的问题。该方法基于多元统计回归分析模型,通过构建相似间歇过程间的共同潜变量空间,将已有相似间歇过程的数据信息迁移应用到未建模的新间歇过程中,实现新间歇过程的快速建模和质量预报。在线应用时,利用在线数据不断更新过程迁移模型;同时,实时估计模型预测误差的置信区间,判断预报模型预测误差的稳定性;为克服相似过程间可能存在的差异给迁移模型带来的不利影响,根据数据相似度逐步剔除相似间歇过程数据。最后,通过仿真实验验证了所提方法的有效性。     

基于过程迁移的间歇过程终点质量预报方法

提出了一种基于过程迁移的间歇过程质量预报方法,旨在解决新间歇过程数据不足难以建立准确预报模型的问题。该方法基于多元统计回归分析模型,通过构建相似间歇过程间的共同潜变量空间,将已有相似间歇过程的数据信息迁移应用到未建模的新间歇过程中,实现新间歇过程的快速建模和质量预报。在线应用时,利用在线数据不断更新过程迁移模型;同时,实时估计模型预测误差的置信区间,判断预报模型预测误差的稳定性;为克服相似过程间可能存在的差异给迁移模型带来的不利影响,根据数据相似度逐步剔除相似间歇过程数据。最后,通过仿真实验验证了所提方法的有效性。     

时变间歇过程的2D-PID自适应控制方法

针对间歇过程存在的参数时变问题,提出一种基于二维PID(2D-PID)迭代学习框架的自适应控制方法。首先,通过粒子群优化算法快速获取初始的2D-PID控制参数。在批次内,采用自调整神经元PID控制器对其进行在线自适应调节。进一步,考虑批次间的重复特性,通过PID型迭代学习控制,以利用历史批次的信息来修正当前批次的调节变量,最终提高控制性能。通过间歇发酵过程的仿真和比较研究,验证了所提出方法的有效性。     

基于变量分组DTW-MCVA的不等长间歇过程故障检测方法

针对不等长间歇过程监控中批次数据同步化未能充分挖掘局部信息的问题,提出一种基于变量分组DTW-MCVA (VGDTW-CVA)的不等长间歇过程故障检测方法。首先,利用互信息矩阵描述不等长间歇过程测量变量之间的相关性,并基于互信息矩阵进行变量分组。然后利用DTW算法对各个变量组分别进行同步化,并将同步化后的变量组整合为完整的三维数据集。最后,利用MCVA方法建立动态监控模型实现对间歇生产过程的在线监控。盘尼西林发酵过程的仿真结果表明,VGDTW-MCVA能够比基本的DTW-MCVA方法更好地监控间歇过程故障。     

基于变量分组DTW-MCVA的不等长间歇过程故障检测方法

针对不等长间歇过程监控中批次数据同步化未能充分挖掘局部信息的问题,提出一种基于变量分组DTW-MCVA（VGDTW-CVA）的不等长间歇过程故障检测方法。首先,利用互信息矩阵描述不等长间歇过程测量变量之间的相关性,并基于互信息矩阵进行变量分组。然后利用DTW算法对各个变量组分别进行同步化,并将同步化后的变量组整合为完整的三维数据集。最后,利用MCVA方法建立动态监控模型实现对间歇生产过程的在线监控。盘尼西林发酵过程的仿真结果表明,VGDTW-MCVA能够比基本的DTW-MCVA方法更好地监控间歇过程故障。     

分批补料反应过程的非固定终端经济优化控制

针对批次生产周期不确定问题,提出一种非固定终端的经济优化控制方法。首先采用经济模型预测控制方法,用收益最大化的经济型目标函数代替终端约束,并将批次生产周期纳入被优化变量,建立动态经济优化问题,并通过对每个控制变量进行有差异的参数化,将动态优化问题转化为非线性规划（NLP）问题;然后使用内点罚函数法求解含非线性约束的优化问题,得到的最优控制序列和最佳批次生产周期,可将不确定扰动带来的损失降低到最小。其次采用非固定预测时域的滚动时域控制方法,不仅提高多变量系统的协同控制能力,而且根据实时预测终端产品产量不断优化更新关键操纵变量的控制分段函数的分割数及控制序列,从而可灵活优化操纵变量和操作时间的轨迹。最后在苯胺加氢过程上进行了批次优化控制性能测试,测试结果表明,非固定终端的经济优化控制从批次的总生产效益角度来优化每个批次生产的操作条件,实现批次反应过程生产时间与经济效益的最优化管理。     

一种基于聚类方法的多阶段间歇过程监控方法

针对阶段不等长的多阶段间歇过程,提出了一种基于k-均值聚类方法的阶段分段策略,可以将不等长的阶段准确分类。首先,将间歇过程的三维训练数据按变量方向展开成二维矩阵,再通过k-均值聚类的方法按照相关性将数据聚成多类并运用主元分析（PCA）方法分别对每一类建立模型。在线监控时,通过计算样本与模型之间的相似系数以选择最合适的模型进行在线监控。此方法可以将不同批次在同一采样时刻的过程数据按照相关性分到多个阶段,更符合生产过程中常见的过程数据阶段不等长的情况。最后利用青霉素仿真验证了该方法的有效性。     

PDPSO优化多阶段AR-PCA间歇过程监测方法

针对间歇过程固有的多阶段特性和动态性,提出基于种群多样性的自适应惯性权重粒子群算法（PDPSO）优化的多阶段自回归主元分析（AR-PCA）间歇过程监测方法。该方法引入了PDPSO算法指导AP聚类偏向参数的选取,避免了传统方法依据聚类评价指标选取参考度时的盲目性。对PDPSO优化AP聚类的多阶段发酵过程的数据样本建立AR-PCA模型能够消除各阶段的动态性及变量之间的自相关和互相关影响。最后,对自回归（AR）模型的残差矩阵建立主成分分析（PCA）模型用于发酵过程监测。将该方法应用到青霉素发酵过程,并与传统方法进行对比,结果表明,该方法能够有效进行间歇过程阶段划分并降低故障的漏报和误报。