[發明專利]多工序間變量時滯估計方法及加氫裂化流程時滯估計方法

有效

• 申請號: 201710517466.2
• 申請日: 2017-06-29
• 公開（公告）號: CN107273633B
• 公開（公告）日: 2018-03-27
• 發明（設計）人: 王雅琳;夏海兵;袁小鋒;陽春華;孫克楠;錢熒燦;胡芳香;陳齊全
• 申請（專利權）人: 中南大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06K9/62;G06N3/00;G06Q10/04;G06Q50/04
• 代理公司: 北京紐樂康知識產權代理事務所(普通合伙)11210
• 代理人: 黃敏華

技術領域

本發明涉及時滯估計技術領域，具體涉及一種適用于連續生產流程多工序間變量的多工序間變量時滯估計方法，以及一種加氫裂化流程時滯估計方法。

背景技術

大型連續生產工業流程一般由多個生產工序級聯而成，其從原料入口到產品出口，物料傳輸和反應過程往往需要幾個小時甚至更長，如果對質量指標進行閉環控制，反饋信息延遲大。為了保證最終的產品質量，往往會在各生產工序中設置多個控制回路并協調控制每個生產工序的操作變量，而這些生產工序操作變量對產品質量的調節作用存在不同時滯，因此連續生產流程多工序間變量存在不同時滯。不論是根據入口原料或生產方案調節每個生產工序的操作變量還是基于關鍵變量數據建立產品質量預測模型，都需要考慮多工序間變量時滯問題。

目前，許多學者相繼提出了一些有效的時滯估計方法，主要有非線性最小二乘法、互相關函數法、小波分析法、神經網絡算法、遺傳算法等。非線性最小二乘法可以對加時滯的高階多變量系統進行了閉環時滯估計，但該方法在時滯取值范圍大的時候，計算量很大。互相關函數法是通過檢測相關函數的峰值得到兩個信號的延遲時間，但該方法只能反映兩信號間的線性相關程度，應用到多變量系統時計算繁瑣、冗余度高、耗時長。小波分析法由于多分辨率特性、抗干擾能力強等優點被用于時滯估計問題上，但該方法的母函數選擇困難，并且只適用于波動較大的工業過程。神經網絡算法是利用預測值和期望值的誤差平方和來估計非線性系統的滯后時間，盡管它只要需要一定數量的樣本進行訓練即可得到系統的數學模型，但其收斂速度慢，隨機性強，滿足不了實際的生產控制。遺傳算法可以估計出系統的參數和時滯并對時變時滯進行跟蹤，但當系統變量多、時滯變化范圍大的時候，遺傳算法的編碼復雜。

考慮到目前是大數據應用時代，針對現有時滯估計方法存在的以上問題，基于實際生產流程現場積累的大量歷史數據，現提供一種基于趨勢相似度分析的多工序間變量時滯估計方法，并將其應用于加氫裂化流程多工序間變量時滯估計中，以使其對流程產品質量的預測建模和優化控制起到關鍵作用，同時節能減排，提高生產效率和產品質量。

發明內容

因此，本發明提供一種基于趨勢相似度分析的多工序間變量時滯估計方法，進一步提供一種基于該多工序間變量時滯估計方法的加氫裂化流程時滯估計方法。

為此，本發明提供了多工序間變量時滯估計方法，包括以下步驟：

a、對多工序間的變量進行采樣并獲得原始數據矩陣；

b、使用多項式最小二乘擬合對原始數據矩陣中每個變量的時間序列進行滑動窗口H回歸，并求導得到相應變量的時間序列的導數數據矩陣；

c、預定義采樣時滯序列，根據導數數據矩陣提取一段時序一致的導數數據矩陣，計算兩兩工序間變量經采樣時滯平移后的趨勢相似度；

d、利用趨勢相似度分析多變量間的趨勢一致性，定義趨勢相似度變量，并采用L2范數將其量化，用L2范數的最小表征多工序間變量的趨勢一致性；確定采樣時滯序列的取值范圍，將約束條件轉化成標準形式，建立多工序間變量時滯估計問題的優化模型；

e、采用自適應粒子群算法，并根據約束條件的特性，提出改進的自適應粒子群算法，求解多工序間變量時滯估計問題，獲得最優采樣時滯序列。

在步驟a中，獲得原始數據矩陣的具體方法包括：

選取工序間相關性強的關鍵變量共N個，通過采樣M次可以得到被選取的工序間的變量的時間序列：r_i＝[r_i，1，r_i，2，...，r_i，M]^T，i＝1，2...，N，則原始數據矩陣為：R＝[r₁，r₂，...，r_N]；

其中，r₁～r_N-1依次為各工序的輸入或輸出關鍵變量的時間序列，r_N為最后時刻的出口關鍵變量的時間序列。

步驟b的具體方法包括：

對被選取的工序間的變量的時間序列r_i進行最小二乘擬合時，定義一個長度為奇數的H長窗口，H＝2h+1，h為正整數；