[发明专利]由数据差异驱动的间歇过程双维在线优化方法

说明书

技术领域

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

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。

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

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。

本发明为实现上述目的，采用如下技术方案：

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。

初始数据收集和初始优化策略的建立步骤如下：

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。

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。

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。

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C_i,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L_p×N，p是批次数。

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Y_p×1。指标变量的值是由p个批次最终质量或收率形成的连续变量。

步骤六：根据步骤四和步骤五中形成的时段变量矩阵L_p×N和指标变量Y_p×1，分别计算协方差矩阵S_LL和联合协方差矩阵S_LY。

步骤七：对协方差矩阵S_LL和联合协方差矩阵S_LY做主元分析并得到偏最小二乘(PLS)系数向量F_i,i＝1,2,…N。

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：