一种基于潜变量过程迁移模型的间歇过程集成优化方法

摘要

一种基于潜变量过程迁移模型的间歇过程集成优化方法，获取新生产过程B和旧生产过程A的数据信息，且展开二维数据矩阵以获得Xa、Ya、Xb、Yb；对A和B生产过程的数据矩阵进行归一化处理，并建立过程迁移模型；构造优化问题并求解B生产过程最优解xb(k)*；在单个批次运行期间内对操作变量x设定n个决策点，将其分成n+1段；当到达第i个决策点时，判断是否缺失数据，在决策点形成输入矢量，对未知数据进行补充，预估未来的操作变量轨迹；判断决策点i处是否存在扰动，存在扰动计算新的控制剖面；对操作变量进行补偿更新，对补偿后的优化解进行滤波；获取最终产品质量，并使用新的控制剖面操作第k+1个批次。该方法能有利于提高产品的生产质量。

说明书

技术领域

本发明属于工业生产过程中间歇过程的优化控制领域，具体涉及一种基于潜变量过程迁移模型的间歇过程集成优化方法。

背景技术

间歇过程也被称为批次过程，其是一个工业生产过程，在这个过程中，原材料会按照给定的工艺流程被加工成特定的产品。由于间歇过程的生产工艺简单，并具有相当大的灵活性且投资成本低的特点，在现代工业生产中，间歇过程被广泛应用于精细化工、生物制药、食品生产、金属加工等领域。随着消费需求的增加和市场环境的变化，优化间歇过程的工艺操作方法显得尤为重要。现阶段，许多精细化工、生物医药、食品制造和半导体都是批量生产的，迫切需要提高这些产品的质量，使工厂的经济效益最大化。因此，批次过程质量优化方法成为目前研究的重点对象。

在过去的几十年里，关于间歇过程优化方法的一个重要研究方向是基于机理模型的优化。然而，构建间歇过程的机理模型需要消耗大量的时间和精力，并且在很多情况下，构建机理模型往往会遇到一个问题，即模型中的机理关系是无效的，这就会导致模型优化的最终效果远远低于或者超出预期效果。经过几十年的发展，数据驱动建模方法和其中相关的潜变量技术已经被广泛地应用于各种复杂的工业过程中。

然而，使用传统的数据驱动方法建模需要足够的过程数据样本，一个过程的采样数据只能用于该过程，并不能用于另外一个过程，即便这两个过程是相似的也不能混用。所以这对新间歇过程的建模来说无疑是一种挑战，因为新过程刚投入生产，运行周期比较少，无法获得充足的数据样本。因此，新过程将面临因数据不足而难以建模的问题，这就需要寻找新的方法来解决。

发明内容

针对上述现有技术存在的问题，本发明提供一种基于潜变量过程迁移模型的间歇过程集成优化方法，该方法能解决新过程因数据不足而难以建模的问题，有利于提高产品的生产质量，能使工厂的经济效益最大化。

为了实现上述目的，本发明提供一种基于潜变量过程迁移模型的间歇过程集成优化方法，利用两个相似间歇生产过程中A和B的数据建立过程迁移模型，并对其进行批次间优化和批次内优化；具体包括以下步骤：

步骤1：获取新生产过程B和旧生产过程A两个生产过程的数据信息，并且展开二维数据矩阵以获得X

其中，X

X

Y

Y

步骤2：对A生产过程和B生产过程的数据矩阵进行归一化处理，利用归一化后的数据建立联合质量指标的偏最小二乘过程迁移模型；

步骤3：根据公式(1)构造优化问题并求解B生产过程最优解x

其中，k表示第k个间歇生产过程；

φ(x,y)表示质量指标；

g(x,y)表示约束条件；

x表示当前批次的输入数据；

y表示经过线性修正的当前批次的预测输出数据

x

步骤4：在单个批次运行期间内对操作变量x设定n个决策点，将其分成n+1段；

步骤5：当到达第i个决策点时，判断是否缺失数据，在决策点形成输入矢量，使用主成分分析方法对未知数据进行补充，预估未来的操作变量轨迹；

步骤6：判断决策点i处是否存在扰动，如果存在扰动则根据公式(2)计算新的控制剖面，否则跳过这一步骤；

其中，k

Δ是增量符号；

T表示转置；

Q和R是决策点处跟踪和控制惩罚的迭代加权矩阵；

λ是软约束的权重系数；

步骤7：对操作变量

其中，

x

I表示单位矩阵；

W表示对角增益矩阵；

步骤8：获取最终产品质量，并使用新的控制剖面操作第k+1个批次。

本发明是利用两个相似间歇过程的数据信息并采用JYPLS方法建立潜变量过程迁移模型，该模型最大的优势就是将旧过程的历史数据迁移应用到新间歇生产过程中，从而解决新过程因数据不足而难以建模的问题。对于过程迁移模型来说，两个相似间歇过程之间的化学原理和物理原理是相同或者相似的，可以将旧过程中的数据信息迁移到新过程中来，以此辅助新过程的模型建立。值得注意的是，过程迁移模型与实际过程之间存在不可避免的差异，即模型与过程失配的问题，这也将导致模型优化时的最优必要性条件(Necessary Conditions of Optimality,NCO)失配问题更加严重。不仅如此，批次过程在运行期间内难免会遇到扰动和各种不确定因素，如温度失衡、操作变量激增、信号干扰等问题。针对两个相似过程之间的差异性问题和模型存在NCO不匹配的问题，本发明提出批次间优化方法；针对批次运行期间存在的扰动等其它原因所导致的噪声，提出批次内优化方法，因而，该方法能同时解决批次间和批次内之间的问题。该方法可以使在批次间优化出来的次优解，经过批次内优化方法之后，能将操作变量引导到最优设定点，从而使得最终产品质量从次优变为最优。

附图说明

图1是草酸钴结晶工艺流程图；

图2是本发明基于潜变量过程迁移模型的间歇过程集成优化方法的流程图；

图3是本发明基于JYPLS模型的集成优化方法下和单个批次间优化方法下的草酸钴粒径优化结果对比图；

图4是采用集成优化算法所获得的草酸铵进料率的比较示意图。

具体实施方式

如图1至图4所示，本发明提供了一种基于潜变量过程迁移模型的间歇过程集成优化方法，利用两个相似间歇生产过程中A和B的数据建立过程迁移模型，并对其进行批次间优化和批次内优化；具体包括以下步骤：

步骤1：获取新生产过程B和旧生产过程A两个生产过程的数据信息，并且展开二维数据矩阵以获得X

其中，X

X

Y

Y

步骤2：对A生产过程和B生产过程生产过程的数据矩阵进行归一化处理，利用归一化后的数据建立联合质量指标的偏最小二乘(Joint-Y Partial Least Squares,JYPLS)过程迁移模型；

步骤3：根据公式(1)构造优化问题并求解B生产过程最优解x

其中，k表示第k个间歇生产过程；

φ(x,y)表示质量指标；

g(x,y)表示约束条件；

x表示当前批次的输入数据；

y表示经过线性修正的当前批次的预测输出数据

x

步骤4：在单个批次运行期间内对操作变量x设定n个决策点，将其分成n+1段；

步骤5：当到达第i个决策点时，判断是否缺失数据，在决策点形成输入矢量，使用主成分分析方法(Principal Component Analysis,PCA)对未知数据进行补充，预估未来的操作变量轨迹；

步骤6：判断决策点i处是否存在扰动，如果存在扰动则根据公式(2)计算新的控制剖面，否则跳过这一步骤；

其中，k

Δ是增量符号；

T表示转置；

Q和R是决策点处跟踪和控制惩罚的迭代加权矩阵；

λ是软约束的权重系数；

步骤7：对操作变量

其中，

x

I表示单位矩阵；

W表示对角增益矩阵；

步骤8：获取最终产品质量，并使用新的控制剖面操作第k+1个批次。

下面通过具体实施例，对本发明的技术方案作出更加详细的说明。

在硬质合金工业生产中，钴粉的质量标准越来越高，这不仅要求钴粉粒度尺寸达到标准，而且还要求符合标准粒度分布应相对集中。用于生产钴粉末的最重要材料是草酸钴，草酸钴在很大程度上决定了钴粉的粒度和形状，并且草酸钴具有很高的相关性，所以优化草酸钴晶体的大小和提高生产效率具有重要意义，本发明的实施方法适用于草酸钴的结晶过程。

草酸钴结晶过程是典型的间歇生产过程，产生于氯化钴和草酸铵反应。工艺流程如图1所示，合成工序主要两个部分，一个是草酸铵溶解器，另一个是反应釜，用蒸汽加热，当温度达到适宜反应的时候，通入草酸铵溶液，并且不断地搅拌，搅拌速率一般也为恒定。采用加热套和PI控制器保持温度恒定。

草酸钴结晶过程的具体程序主要由四步构成：(1)配置草酸；(2)制作草酸铵；(3)合成草酸钴；(4)压滤、洗涤、干燥。

鉴于对草酸钴实际生产过程的分析，我们选取5个过程参数：反应温度、搅拌速率、草酸铵浓度、氯化钴浓度、氯化钴的初始体积；1个过程变量：草酸铵流速；1个输出变量：草酸钴粒度大小。利用这些选取的参数和变量来预测草酸钴质量。

表1参数与变量表

本发明中基于过程迁移模型的间歇过程集成优化方法如图2所示：

1)JYPLS模型建立和数据产生

使用MATLAB的R2017a版，对草酸钴结晶过程进行仿真。首先对草酸钴机理过程进行分析，然后建立机理模型，利用机理模型代替实际生产过程，从而产生建模数据。在MATLAB中，让A生产过程产生45个批次的数据，使用其中5个批次的数据来建立模型，剩余40个批次的数据用来对模型进行检验；让B生产过程产生40个批次的数据，用于建立草酸钴粒度大小模型。使用5个批次的A生产过程数据和40个批次的B过程数据来构建JYPLS模型，接着使用剩余40个批次的A过程数据进行检测，其中A生产过程代表旧过程，B生产过程代表新过程。

2)修正自适应的批次间优化

因为模型中存在NCO不匹配问题，采用修正自适应策略对草酸钴粒径大小的输出效果进行批次间优化。修正自适应策略主要利用预测值与实际测量值之间的偏差及其导数的偏差，不断地去修正目标函数和约束条件，从而得到最优解，即实际过程的最优操作轨迹。起初新生产过程的数据样本比较少，但是随着生产批次的不断增加，新过程中的数据会不断扩充，采用JYPLS方法预测的模型精度会随着批次过程的迭代而逐渐提高。图3给出了基于JYPLS模型的批次间优化方法下的草酸钴粒径优化结果。此外，图3和图4还给出了利用遗传算法(Genetic Algorithm,GA)计算得到的最优平均晶体尺寸和最优操纵变量轨迹。

3)MCC(Mid-Course Correction,MCC)方法的批次内优化

在单个批次运行期间存在的扰动问题，批次间优化方法显得束手无策，这会导致产品的最终质量超出定义的控制区域，使得批次间优化得到的将是一个次优解，因此我们采用MCC批次内优化方法。在MCC方法中，使用多个决策点将单个间歇过程分为若干个阶段，进行批次内运行优化。该方法的主要过程是当间歇过程从开始运行到达决策点时，在该决策点首先判断是否缺失数据，如果数据不完整则将获取的信息结合补充的信息，进行缺失数据的填充，然后预测产品质量和执行解决干扰问题的优化动作。MCC策略主要利用的是实际值与预测值之间的误差的平方最小化，来求得最优解，也就是草酸钴实际生产过程的草酸铵流速的最优操作轨迹。

4)集成批次间与批次内优化的方法

在MATLAB中，采用批次间优化与批次内优化相结合的集成优化方法对草酸钴粒径大小的输出结果进行优化仿真。图3给出了基于JYPLS模型的集成优化方法下的草酸钴粒径优化结果。同时图3还给出草酸钴粒径批次间优化的结果，以此来进行两种优化效果的对比。由图中可以看出批次间优化的曲线波动比较大，对于内部的扰动无法解决，而集成优化出来的效果，曲线相对比较平稳，因为它可以克服单个批次运行时的干扰问题。此外，批次间优化的结果在第35个批次才达到利用GA计算得到的最优平均晶体尺寸，而集成优化方法在第20个批次时就已经达到，并且超出最优平均晶体尺寸直至批次运行结束，而批次间优化的结果波动比较大，甚至在第40个批次时低于GA计算得到的最优平均晶体尺寸。此外，操纵变量轨迹的比较图如图4所示，从中可以看出基于JYPLS模型的批次间优化和集成优化跟初始批次所得到的操纵变量相比较均表示收敛。但是，由图4可以看出集成优化得到的最优解收敛趋势更加明显。因此，在本仿真中，非最优操纵变量与实际最优解之间的偏差可通过所提优化方法进行迭代修正，从而对模型与对象之间的不匹配进行更进一步的补偿。

根据以上仿真结果得出，本发明联合两个相似过程来建立草酸钴的预测模型，将旧过程中合适的数据信息迁移到新过程中去，在此基础上提出集成优化方法，将草酸钴的粒径大小提高到更高水平。JYPLS方法在每一批次结束后，利用上一批次产生的数据对下一批次进行更新，从而达到提高模型预测精度的效果，实现模型更新的目的。现场操作人员可以借助模型预测的结果，来对批次过程的生产策略进行及时调整和改进，从而提高生产效率。此外，为了克服模型中NCO不匹配问题，采用修正自适应的批次间优化方法；为了克服单个批次运行期间内的扰动问题，采用集成批次间与批次内的优化方法。最后，通过仿真验证所提方法可以提高间歇过程的控制和优化性能。