基于cca和塊式rpls的分布式在線建模方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及化工過程建模技術(shù)領(lǐng)域，尤其涉及一種基于CCA和塊式RPLS的分布式 在線建模方法。
【背景技術(shù)】
[0002] 在復(fù)雜的化工過程中，由于被控系統(tǒng)很難通過建立機(jī)理模型的方式獲得系統(tǒng)的 數(shù)學(xué)模型，通常采用系統(tǒng)辨識的方法得到系統(tǒng)的數(shù)學(xué)模型，如偏最小二乘（partial least square，PLS)[l]等。然而當(dāng)被控系統(tǒng)本身比較復(fù)雜或者處于的環(huán)境比較惡劣時(shí)，系統(tǒng)結(jié)構(gòu) 參數(shù)會隨著時(shí)間和運(yùn)行環(huán)境的改變而改變，如催化作用的衰減、漂移以及能效的降低等。此 時(shí)離線的系統(tǒng)辨識得到模型很難滿足動態(tài)系統(tǒng)的模型精度要求，給基于模型的控制器設(shè)計(jì) 帶來巨大的挑戰(zhàn)。所以在這些環(huán)境下，如果能獲得變化后的新數(shù)據(jù)，可以采用遞推PLS算法
[2] 有效地在線實(shí)時(shí)更新系統(tǒng)的模型。
[0003] 目前，隨著對化工原材料利用率的不斷提高，生產(chǎn)過程的復(fù)雜化程度在逐步加深。 對整個(gè)大系統(tǒng)采用集中式建模控制方法，勢必導(dǎo)致模型結(jié)構(gòu)相對復(fù)雜、并且模型精度難以 保證和計(jì)算繁瑣等諸多問題[3]。采用分散式的建模方法，可以將大系統(tǒng)劃分為若干個(gè)相互 獨(dú)立的子系統(tǒng)，在一定程度上使模型的復(fù)雜度降低，但是由于分散式建模方法沒有考慮各 子系統(tǒng)間的相互作用[4]，系統(tǒng)的全局性無法得到滿足。然而分布式建模方法能很好的克服 這一不足，但是將復(fù)雜系統(tǒng)如何劃分為幾個(gè)相互作用的子系統(tǒng)，是分布式在線建模首先要 解決的問題，典型相關(guān)分析算法[5]則為這個(gè)問題提供了一個(gè)很好的解決方法。
[0004] 分布式模型預(yù)測控制（Model Predictive Control，MPC)算法實(shí)施的第一步就需 要獲取分布式模型，但是大化工過程內(nèi)部關(guān)系非常復(fù)雜，獲取精度比較高的分布式模型是 比較困難的。為了使分布式預(yù)測控制在實(shí)際化工裝置中更好的應(yīng)用推廣，對大化工過程進(jìn) 行分布式在線建模方法研宄具有重要的意義，可為實(shí)際大化工過程的子系統(tǒng)分解，輸入輸 出變量的確定，以及在線建模算法提供依據(jù)和方法指導(dǎo)。
[0005] TE過程（Tennessee Eastman Process)是一個(gè)實(shí)際化工過程的仿真模擬，它是由 美國Tennessee Eastman化學(xué)公司過程控制小組的J. J. Downs和E. F. Vogel提出的，被廣 泛的應(yīng)用于過程控制技術(shù)的研宄。這個(gè)過程模型首先是以FORTRAN源代碼的形式提供給過 程控制學(xué)界，主要描述了裝置、物料和能量之間的非線性關(guān)系。
[0006] 由于實(shí)際工業(yè)生產(chǎn)裝置無法實(shí)時(shí)變動，所以TE過程的提出為專家學(xué)者提供了一 個(gè)很好的研宄平臺，因此對它進(jìn)行研宄具有很重要的實(shí)際意義[6]。TE模型主要可以被 用來進(jìn)行裝置控制方案的設(shè)計(jì)，多變量控制，優(yōu)化，模型預(yù)測控制，非線性控制，過程故障診 斷，教學(xué)等。
[0007] TE過程由五個(gè)操作單元組成[7] :Reactor (反應(yīng)器）、Condenser (冷凝器）、Vap/ Lip Separator (氣液分離器）、Stripper (汽提塔）、Compressor (循環(huán)壓縮機(jī)），如圖1所 示，該過程包括12個(gè)操作變量，41個(gè)測量變量。TE過程主要由四種氣態(tài)物進(jìn)料分別為A、 C、D和E (C中含有少量惰性氣體B)，經(jīng)反應(yīng)后生成G、H兩種主產(chǎn)物和副產(chǎn)品F。反應(yīng)方程 式如下：
[0008] A (g)+C (g)+D (g) - G (I)，productl
[0009] A (g)+C (g)+E (g) - H(I)，product2
[0010] A (g)+E (g) - F (I)，byproduct I
[0011] 3D (g) - 2F (I)，byproduct〗
[0012] 反應(yīng)物進(jìn)入反應(yīng)器反應(yīng)后，產(chǎn)物首先到冷凝器冷凝，進(jìn)行第一次分離；冷凝后的混 合物，進(jìn)入氣液分離器，進(jìn)行第二次分離。在這個(gè)過程中沒有被壓縮的組分，通過循環(huán)壓縮 單元重新返回到反應(yīng)器的進(jìn)料端，進(jìn)行再次利用；被壓縮的組分進(jìn)入到提餾段進(jìn)行提餾處 理，從而可以進(jìn)一步去除未反應(yīng)完的成分。從提餾段出來的產(chǎn)物G、H在最后的精餾段中被 分離。惰性氣體B、副產(chǎn)品F，采用放空的手段進(jìn)行去除。
[0013] 由于TE過程是對實(shí)際工業(yè)過程的模擬，且是由多個(gè)單元組成的一個(gè)復(fù)雜裝置，過 程變量眾多，并且每個(gè)操作單元之間存在著較強(qiáng)的耦合作用，且系統(tǒng)開環(huán)不穩(wěn)定。綜合TE 過程的各項(xiàng)特點(diǎn)，以TE過程為研宄對象，進(jìn)行基于典型相關(guān)分析（canonical correlation analysis，CCA)和塊式遞推偏最小二乘（Recursive partial least square，RPLS)的分布 式在線建模算法的研宄是可行的。關(guān)于TE過程的建模問題，已有部分學(xué)者進(jìn)行了研宄，包 括機(jī)理模型[8]，子空間辨識方法建立的模型[9]和輸入輸出模型[10]等。這些模型都是 屬于集中式建模，把整個(gè)過程作為整體，存在模型結(jié)構(gòu)復(fù)雜，建模困難且模型精度難以保證 的問題。文獻(xiàn)[11]提出了一種分布式離線建模方法，此方法雖然降低了模型結(jié)構(gòu)的復(fù)雜 度，但是隨著工況的改變離線一次性建立的模型的適應(yīng)性難以保證，會降低模型預(yù)測精度。
[0014] 專利號為201410281218. 9的發(fā)明公開了一種基于CCA-PLS的大化工過程分布式 建模方法，該發(fā)明先對大規(guī)?；み^程采集所有的過程變量，根據(jù)過程質(zhì)量指標(biāo)確定輸出 變量，采用典型相關(guān)分析方法提取過程變量的特征成分，根據(jù)特征成分計(jì)算各輸出變量與 所有輸入變量間的最大相關(guān)系數(shù)以及相應(yīng)的主軸向量，根據(jù)主軸向量各分量的絕對值大 小，選擇各子系統(tǒng)的獨(dú)立輸入變量及相互作用輸入變量，實(shí)現(xiàn)大系統(tǒng)分解。子系統(tǒng)劃分后對 各個(gè)子系統(tǒng)采用PLS算法進(jìn)行建模，提取使得輸入輸出變量間協(xié)方差最大的成分，采用回 歸建模技術(shù)而得到子系統(tǒng)模型。本發(fā)明的有益效果是僅利用過程輸入輸出數(shù)據(jù)，采用典型 相關(guān)分析原理進(jìn)行子系統(tǒng)輸入變量篩選，降低了模型維數(shù)，簡化了模型結(jié)構(gòu)，采用PLS建模 算法進(jìn)行子系統(tǒng)建模，消除了實(shí)際應(yīng)用中大量存在的變量共線所造成的計(jì)算上的困難。但 是該發(fā)明缺點(diǎn)為：建模效率比較低，模型精度和抗干擾能力還需進(jìn)一步加強(qiáng)。

【發(fā)明內(nèi)容】

[0015] 本發(fā)明所要解決的技術(shù)問題在于，提供一種基于CCA和塊式RPLS的分布式在線建 模方法，該發(fā)明建模效率高，模型精度和抗干擾能力更強(qiáng)。
[0016] 為了解決上述技術(shù)問題，本發(fā)明提供了一種基于CCA和塊式RPLS的分布式在線建 模方法，包括步驟：
[0017] SlOl :分析大化工過程的質(zhì)量指標(biāo)，選擇與所述質(zhì)量指標(biāo)密切相關(guān)的關(guān)鍵變量作 為輸出變量，選擇過程變量作為輸入變量，從而得到輸入變量集X和輸出變量集Y ;
[0018] S102 :將輸入變量集X和輸出變量集Y中的每一個(gè)分量對應(yīng)組合構(gòu)成輸入輸出數(shù) 據(jù)，采用典型相關(guān)分析法對所述輸入輸出數(shù)據(jù)進(jìn)行子系統(tǒng)分解，并確定子系統(tǒng)的輸入變量 和輸出變量；
[0019] S103 :根據(jù)所確定的子系統(tǒng)及相應(yīng)的輸入變量和輸出變量，構(gòu)造各子系統(tǒng)的樣本 數(shù)據(jù)集{Xi，YJ，并采用塊式RPLS算法依次對所有子系統(tǒng)在線建立模型。
[0020] 進(jìn)一步的，所述S103具體包括步驟：
[0021] S1031 :將模型的三個(gè)參數(shù)：數(shù)據(jù)塊寬度s、數(shù)據(jù)塊隊(duì)列長度w和遺忘因子λ進(jìn)行 確定；
[0022] S1032 :對數(shù)據(jù)對矩陣{X^YJ進(jìn)行歸一化，其中，￥1表示輸出變量集Y中的第i個(gè) 分量；Xi表示典型相關(guān)分析分解后得到的子系統(tǒng)i的輸入變量集。
[0023] S1033 :根據(jù)歸一化后的數(shù)據(jù)對矩陣{Xi，YJ使用PLS回歸算法建立初始的PLS模 型
，獲得回歸系數(shù)
[0024] S1034 :根據(jù)泛化均方根誤差判斷所述PLS模型的誤差；若所述PLS模型的誤差不 在預(yù)設(shè)閾值范圍內(nèi)，則返回執(zhí)行S1032,否則執(zhí)行S1035 ;
[0025] S1035 :將所述PLS模型的模型參數(shù).彳/f，Z?,g,7 }加入到數(shù)據(jù)塊隊(duì)列中；
[0026] S1036 :當(dāng)數(shù)據(jù)塊隊(duì)列中的新數(shù)據(jù)塊{Χη，Υη}到來時(shí)，對數(shù)據(jù)塊{Χη，Υ η}進(jìn)行歸一 化，并執(zhí)行PLS得到PLS子模型
[0027] S1037 :更新
返回步驟S1032和S1033對所述PLS 模型進(jìn)行更新，獲得新的回歸系數(shù)??=,其中，λ為遺忘因子，
[0028]
[0029] S1038 :按照S1035~S1037推廣到有w組數(shù)據(jù)塊的情況，獲得此時(shí)的回歸系數(shù)Ciw， 完成所有子系統(tǒng)的建模，其中，
[0030]
[0031] 進(jìn)一步的，在所述S1038之后還包括步驟：
[0032] S1039:當(dāng)數(shù)據(jù)塊隊(duì)列中的模型參數(shù)個(gè)數(shù)超出了設(shè)定值w時(shí)，去除數(shù)據(jù)塊隊(duì)列中最 老的一個(gè)，并對隊(duì)列中各個(gè)數(shù)據(jù)塊的可信度進(jìn)行更新，對更新后的數(shù)據(jù)塊隊(duì)列再次進(jìn)行PLS 建模，得到當(dāng)前時(shí)刻的預(yù)測模型，并返回執(zhí)行S1032。
[0033] 進(jìn)一步的，所述S1033具體包括步驟：
[0034] S10331 :歸一化 XjP Y i，初始化Z,1 = U1 =乃,人=1，
[0035] S10332 :令l/f 為If 中的第一列；
[0036] S I 0 3 3 3 ：令
< =If gf ,從而建立PLS外部模型，并重復(fù)循環(huán)計(jì)算，直到if收斂；
[0037] S10334 :計(jì)算 Xi的負(fù)載向量 ，其中，= (Zf)' )' /f ;
[0038] S10335 :令 W = (W,")' < )' ，從而建立 PLS 內(nèi)部模型；
[0039] S10336:計(jì)算余量矩陣 Zf+1 和 if+1，其中，，
[0040] S10337 :計(jì)算得到
[0041] 從而構(gòu)造矩陣
[0042]
[0043]
[0044]
[0045]
[0046]
[0047] S10338 :計(jì)算回歸系數(shù)Cm' = ,得到第i個(gè)子系統(tǒng)的PLS模型 Y1=X1Cfis;
[0048] S10339 :驗(yàn)證子系統(tǒng)的PLS模型的精度