[发明专利]一种多工序变量间动态时滞估计方法

说明书

本发明公开了一种多工序变量间动态时滞估计方法，首先将数据库中数据分为输入数据和输出数据两类，其中，输入数据即辅助变量，输出数据即主导变量；然后对数据库中训练数据集求得输入数据相对于中间变量的时滞参数集以及输入数据相对于输出数据、中间变量相对于输出数据的时滞参数集；最后以输入数据相对于中间变量的时滞参数集为输入，以输入数据相对于输出数据、中间变量相对于输出数据的时滞参数集为输出，即得到多工序变量间动态时滞参数预测模型，在线求取输入相对于输出的时滞参数，并代入该预测模型中，实时获得输入输出的时滞参数，本发明使得软测量的结果更加可靠，有利于工厂监测数据，保持工厂稳定运行。

技术领域

本发明属于化工行业自动化控制技术领域，具体涉及一种多工序变量间动态时滞估计方法。

背景技术

在工厂中的大多数生产工艺流程中都是由多个工序级联而成的，从原料输入到成品产出通常需要一个甚至几个小时，且每个工序之间的时滞信息是随外界环境，前后工序的状态等因素动态变化的，并不是一成不变的。现有的使用时滞参数的过程变量预测方法的文献都是基于固定时滞参数的方法，由于实际工厂中前后工序之间的时滞参数是随工厂运行状态变化的动态值，而并不是固定值，若不考虑输入输出之间的时滞信息，或者简单的将时滞信息考虑为定值，再使用重构后的数据训练软测量模型，那么输入输出的因果关系将可能发生改变，会使得模型训练不够准确，进而导致软测量模型预测性能下降。

发明内容

本发明的目的是提供一种多工序变量间动态时滞估计方法，解决了现有技术中存在的在线软测量不够准确、预测性能下降的问题。

本发明所采用的技术方案是，一种多工序变量间动态时滞估计方法，具体按照以下步骤实施：

步骤1、将数据库中数据分为输入数据和输出数据两类，其中，输入数据即辅助变量，输出数据即主导变量；

步骤2、对数据库中训练数据集求得输入数据相对于中间变量的时滞参数集以及输入数据相对于输出数据、中间变量相对于输出数据的时滞参数集；

步骤3、以输入数据相对于中间变量的时滞参数集为输入，以输入数据相对于输出数据、中间变量相对于输出数据的时滞参数集为输出，生成多工序变量间动态时滞参数预测模型；

步骤4、使用皮尔逊相关系数法在线求解实际生产数据集中的输入数据相对于中间变量的时滞参数，将该时滞参数实时代入训练好的时滞参数预测模型中，预测得到输入数据相对于输出数据、中间变量相对于输出数据的时滞参数。

本发明的特点还在于，

步骤2中求解时滞参数的方法为皮尔逊相关系数法、模糊曲线法、广义二次相关法中的任意一种。

步骤2具体按照以下步骤实施：

步骤2.1、假设数据库dataAll共n组数据，定义计时器time初始值为1；

步骤2.2、设时滞参数上限为delay_max，从数据库dataAll中取第time到第time+m-1组数据定义为数据集D_time，其中，mdelay_max，time为1时，从数据库dataAll中取第1到第m组数据存入数据集D_1中，此时D_time＝D_1，time为h时，从数据库dataAll中取第h到h+m-1共m组数据存入数据集D_h，D_time＝D_h；D_time(i,j)为数据集D_time中第i行第j列数据，其中，i＝1，2，3···m，j＝1，2，3，数据集D_time的1、2、3列数据分别对应为输入数据、中间变量、输出数据；

步骤2.3、将步骤2.2中的数据集D_time扩展为数据集D1、D2、D3：数据集D1为输入数据与中间变量，数据集D2为输入数据与输出数据，数据集D3为中间变量与输出数据；