论文部分内容阅读
间歇过程被广泛用于生产小批量,多品种,高附加值的产品,其灵活的生产方式很好的适应了快速发展的市场需求,生产的产品遍布食品,药品,化工等多个领域。面对激烈的市场竞争,为提高产品质量、产量,降低生产成本,对间歇过程进行优化成为现代企业的迫切需求。近年来,随着传感检测技术的发展,计算机存储与计算能力的提高,数据分析技术与优化控制理论的发展,间歇过程优化问题被赋予了许多新的内容和研究手段。通过分析生产过程存储的大量数据,对生产过程设定的操作变量曲线进行调整的数据驱动型间歇过程迭代优化研究得到广泛关注。本文从实际工业应用角度出发,针对双酚A结晶过程中存在的高维批次数据信息冗余问题,批次生产易受噪声干扰影响问题、批次数据不等长问题、操作变量曲线参数选取问题进行深入研究与探讨,主要研究内容及成果如下:(1)针对间歇过程批次数据结构复杂、维度较高,数据之间信息重叠较大的问题,利用PCA算法将批次数据从变量方向压缩获得特征变量,去除变量间的冗余信息。在特征变量与指标变量建模时,从采样时间方向对特征变量进行压缩,突出关键时段对指标优化的影响。因此从不同方向进行二次数据压缩的优化研究,能够极大程度降低数据维度和信息冗余,从而减少计算量,提高建模精度与优化效果。(2)考虑批次到批次的间歇过程迭代优化策略无法及时根据生产过程信息对操作变量曲线进行修正,提出了一种隐空间下带约束的间歇过程批内修正优化算法。该方法的主要特点是建立特征变量与指标变量间的优化模型,根据历史批次数据对批次间操作变量曲线进行迭代优化,根据过程当前生产状况下指标预测值与期望值偏差,对批次内未实施的操作变量曲线进行逐步滚动调整,减弱批次生产过程中的扰动对最终优化效果的影响,提高优化收敛速度。(3)在研究成果(1)、(2)的基础上,考虑到间歇过程批次数据不等长问题对建模、优化效果的影响,提出了一种基于WKM的移动窗特征变量曲线数据对齐方法。采用PCA算法将批次数据投影到低维隐空间,获得相对时间尺度下反映过程状态变化的特征变量曲线,实现隐空间下数据基于特征的对齐。此外,考虑到间歇过程具有多阶段特性,本文结合WKM算法与TS算法对批次数据进行阶段划分,确保对齐的数据具有相同阶段特性;进一步为了降低对齐算法的运算量,在数据对齐计算中引入了移动窗策略。(4)当间歇过程生产周期较长时,如果采用分段参数化方法对操作变量曲线进行描述,常常存在段数过多计算量大,过少不足以描述曲线特征的问题。针对这一问题本文提出了基于互信息的操作变量曲线参数化方法。该方法主要是根据测量变量曲线各时段对指标优化的贡献程度与操作变量曲线的形态特征,对操作变量曲线进行参数表征。该参数化方法不仅使得所提优化方法调整参数数目降低,也使得优化的操作变量曲线更为平滑,并且优化效果进一步改善。为验证所提优化方法的有效性,采集某化工厂的双酚A结晶过程数据进行对比研究。结果表明,所提隐空间下带约束间歇过程批内修正迭代优化方法能够很好减弱生产过程扰动对优化效果的影响,相比基于原变量的优化模型,所提优化方法具有更快的收敛速度;另一方面,与采用DTW的数据对齐方法相比,基于WKM的移动窗特征变量曲线数据对齐方法处理不等长数据,能够获得更好的指标优化效果,由此验证了所提对齐方法对双酚A结晶过程的有效性;最后,与简化优化模型常用的分段参数化方法相比,采用基于互信息的操作变量曲线参数化方法不仅减少了优化中需要调整的参数数量,降低优化计算量,而且优化效果也同时得到了保障。