[发明专利]由数据差异驱动的间歇过程双维在线优化方法

摘要

本发明公布了一种由数据差异驱动的间歇过程在线动态自学习与在线滚动误差修正双维在线优化方法，包括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。本发明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。

主权项

一种由数据差异驱动的间歇过程在线动态自学习与在线滚动误差修正双维在线优化方法，其特征在于该方法包括如下步骤：步骤一：针对操作完整的间歇过程，按批次收集多批待优化变量和最终质量或产率指标数据；步骤二：对步骤一中所收集的数据，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：对步骤二中剔除奇异点后的剩余批次数据构造时段变量矩阵以及指标方差矩阵，再进行偏最小二乘(PLS)运算，生成PLS系数；步骤四：利用摄动量计算公式获取各时段变量的初始优化目标值：J_i＝M_i+sign_i×3σ_i此处的J_i，M_i和σ_i分别是第i个时段变量的优化目标值，均值和标准差；sign(i)是第i个时段对应的偏最小二乘(PLS)系数符号；步骤五：将步骤四中所得各时段的初始优化目标值，按时段顺序i＝1,2,…N依次排列，组合成一条针对整个批次过程的初始优化策略；步骤六：在线收集新批次的时段变量C_i(k+1),i＝1,2,…N和指标变量数据Y(k+1)，按步骤四中的摄动量计算公式计算新批次数据下各时段变量的基础优化目标值；步骤七：将步骤六中所得各时段的基础优化目标值，按时段顺序i＝1,2,…N构成一个更新的基础优化变量曲线；步骤八：对步骤七中的基础优化变量曲线，在每个时段加以在线滚动误差校正，建立在线修正优化策略；步骤九：将步骤八中所得各时段的修正优化目标值时段顺序i＝1,2,…N依次计算并施加到过程中，直至整个批次过程操作结束。