基于潜变量迁移模型的复杂工业新过程实时优化方法的研究

Data driven model based real-time optimization of complex industrial process has become the focus of current research due to the superiority of fast modeling and easy to implementing. However, for the new process just went into operation or small quantities multi-species practical industrial processes such as biological fermentation process, this technology is difficult to carry out for the lack of sufficient process data. This project is based on the idea of transfer of process models with latent variable technology, and proposes to employ the sufficient process data of the existing old similar process to aid and accelerate the optimization of the new process. By studying the effect of outlier on the transfer model, the latent variable transfer modeling method integrated robust nonlinear modeling technology is proposed; On the basis of the aforementioned study and combining with moving window and analysis on the similarity of data, the online update and complete replacement of the transfer model is guided by evaluation of the model prediction error and confidence region; Research on the method for constructing the constraints ensuring the validation of latent variable transfer model predictions and use gradient information to compensate the objective function and constraints of the optimization model, solving the problem of the mismatch of the necessary conditions of optimality of the plant and model which is brought by the model uncertainty; Finally, sequential quadratic programming is used to solve the optimization problem. The proposed methods are validated and improved on the existing simulation/experimental platforms, and applied to 1 ~ 2 typical complex industrial processes by degrees.

基于数据驱动模型的复杂工业过程实时优化技术以其建模速度快和易于实现等优势成为当前研究的热点。然而对于刚投入生产的新过程或生物发酵等小批量、多品种的实际工业过程来说，往往因为缺乏充足的过程数据，而导致该技术难以实施。本项目基于潜变量迁移建模思想，提出利用已有相似旧过程的丰富过程数据辅助和加快复杂工业新过程运行优化控制的实现。通过研究离群点对迁移模型的影响，提出集成鲁棒非线性建模技术的潜变量迁移建模方法；在此基础上，结合滑动窗口、数据相似性分析、模型预测误差和置信域的评估，指导迁移模型的在线更新和完全替换；研究潜变量迁移模型预测有效性约束条件的构造方法，并利用梯度信息对优化模型的目标函数和约束条件进行在线补偿，以解决模型不确定性带来的过程-模型最优性条件不匹配问题；最后利用序列二次规划求解优化问题。将所提出的方法在已有的仿真实验平台上进行验证和完善，并逐步推广应用到1-2个典型的复杂工业过程。

数据不足是限制数据驱动的复杂工业过程建模和优化控制技术得以广泛应用的重要因素。本项目研究基于潜变量迁移模型的复杂工业新过程实时优化方法，利用已有相似旧过程的丰富过程数据辅助和加快复杂工业新过程建模和优化控制的实现。研究了复杂工业过程相似过程之间数据结构的特点，提出了基于核技术的非线性潜变量过程迁移建模方法，提出了基于偏鲁棒回归PRM技术的鲁棒非线性潜变量建模方法，有效解决了新旧过程之间的迁移建模问题，提高了数据不足复杂工业新过程建模的效率和精度；结合模型预测误差和预测置信区间的估算方法，提出了潜变量迁移模型的在线更新和替换方法，充分利用旧过程数据、新过程数据和在线积累的数据，在线不断提高迁移模型的质量和预测精度；基于潜变量建模技术的特点，结合T2统计量和残差等给出了保证潜变量模型预测有效性的约束条件构造方法；提出了基于潜变量迁移模型的复杂工业过程实时优化方法，给出了不同的在线补偿控制策略，针对线性迁移模型给出了利用梯度信息对优化模型的目标函数和约束条件进行在线补偿，以解决模型不确定性带来的过程-模型最优性条件不匹配问题的方法，针对非线性迁移模型给出了通过模型更新、数据替换和JITL局部建模的方式进行最优性条件不匹配的补偿；给出了基于潜变量迁移模型的复杂工业新过程实时优化模型的在线求解步骤；将所提方法分别应用于重介质选煤、青霉素发酵和草酸钴合成过程，仿真结果验证了所提方法的有效性和可行性。.研究成果共发表或录用学术论文23篇，其中SCI源刊论文12篇，EI源刊论文7，其他4篇；科研获奖2项；授权发明专利2项，申请发明专利6项，出版专著1部，授权软件著作权1项；毕业博士研究生3名，毕业硕士研究生3名，在读硕士研究生12人。研究成果丰富和深化了复杂工业过程的运行优化控制理论，推动了数据驱动的复杂工业过程优化控制技术应用的发展。

内容获取失败，请点击重试