[发明专利]多阶段间歇生产过程的全程优化方法

权利要求书

1.一种多阶段间歇生产过程的全程优化方法，其特征在于，包括以下步骤：

S1：采集一个多阶段生产过程的多批生产数据并进行预处理，所述生产数据包括过程参数和产品质量属性数据；

S2：采用递进PLS方法建立过程参数与产品质量属性数据之间的PLS模型；

S3：确定优化目标，结合所述PLS模型计算产品质量属性符合优化目标的贝叶斯后验预测概率，选择贝叶斯后验预测概率最大的过程参数组合作为优化结果。

2.根据权利要求1所述的多阶段间歇生产过程的全程优化方法，其特征在于，

步骤S1具体包括：

S101：采集数据：

采集一个多阶段生产过程的m批生产数据，每批生产数据分别包括n个过程参数和q个产品质量属性数据，则过程参数组成大小为m×n的矩阵X，产品质量属性数据组成大小为m×q的矩阵Y；

S102：数据预处理及样本划分：

对所有生产数据进行归一化预处理以消除量纲差异，并采用样本划分方法将全部样本划分为校正集和验证集，其中校正集数据用于建立PLS模型，验证集数据用于验证PLS模型；

S103：重组数据：

若所述多阶段生产过程由k个阶段组成，则将每个阶段的过程参数分别以矩阵X_j表示，其中1≤j≤k，则过程参数矩阵X分解为k个矩阵X₁～X_k；在第j个阶段，将矩阵X₁～X_j重组形成联合矩阵X_(j)：

X_(j)=(X₁,X₂，...,X_j)    (1)

形成的k个联合矩阵用于多阶段过程模型的建立。

3.根据权利要求2所述的多阶段间歇生产过程的全程优化方法，其特征在于，

步骤S2具体包括：

S201：选择最优潜变量因子数：

结合化学计量学指标，采用交叉验证的方法选择最优潜变量因子数p，其中所述化学计量学指标包括校正误差均方根、交叉验证误差均方根、预测误差均方根和/或预测残差平方和；

S202：建立PLS模型：

采用PLS的方法建立联合矩阵X_(j)和产品质量属性数据矩阵Y之间的PLS潜变量回归模型，其表述形式为：

XY_j：Y_j＝T_jV_j+E_j    (2)

其中T_j为得分矩阵，V_j为内部回归系数矩阵，E_j为模型误差矩阵；

T_j由权重矩阵W_j和载荷矩阵P_j计算得到，计算方法如下：

Tj=X(j)Wj(PjTWj)-1---(3)]]>

V_j由普通最小二乘法估计得到，计算方法如下：

Vj=(TjTTj)-1TjTY---(4)]]>

在生产过程中，随着过程阶段的递进，建立k个PLS模型，即XY₁，XY₂,…XY_k；

S203：存储模型参数：

存储在第j个阶段进行PLS建模时的参数W_j、P_j、T_j、V_j，供优化计算使用。

4.根据权利要求3所述的多阶段间歇生产过程的全程优化方法，其特征在于，

步骤S3具体包括：

S301：确定优化目标：

根据如下表达式进行优化目标的确定：

xjopt=argmaxP(yj^∈O|Data,xj)xj∈Lj---(5)]]>

其中j表示第j个阶段为待优化阶段，Data表示所有能够利用的信息和数据，L_j是第j个阶段所有可控工艺参数的组合，P(·)代表产品质量属性数据满足优化目标的贝叶斯后验预测概率，所述优化目标的确定是在L_j内找到具有最大P(·)值的一组过程参数的组合X_jopt；

S302：构建过程参数全排列矩阵：

对于一个新的生产过程，过程参数和产品质量属性数据分别以向量x和y来表示；假定第j个阶段为待优化阶段，则第j个阶段中的过程参数x_j首先被分解为可观测过程参数x_jobs和可控过程参数x_jcon，其中，可控过程参数是优化调节的对象；因此，将第j个阶段中的可观测过程参数x_jobs和前j-1个阶段中已发生的过程参数x_(j-1)组合形成固定参数向量x_jfixed；根据第j个阶段中可控过程参数的优化范围和控制精度，将各可控参数进行全排列，然后将其中每个排列组合与x_jfixed重组形成全排列矩阵，形式如下：

Dj=xjfixedxjcon-1xjfixedxjcon-2······xjfixedxjcon-N---(6)]]>

其中N为全排列组合的数目；

S303：计算贝叶斯后验预测概率：

假定向量d为D_j中的一行，其贝叶斯后验预测概率的计算方法如下：

首先假设公式（2）中的PLS潜变量回归模型中的参数V_j和E_j服从Jeffreys无信息先验分布，即：

p(V_j,E_j)∝p(V_j)p(E_j)    (7)

则参数V_j和E_j的先验密度满足如下形式：

p(V_j,E_j)∝|E_j|^-(q+1)/2      (8)

PLS模型XY_j的预测值的后验预测密度通过Student t分布获得，即：

y~|Data,t~tqv(tTVj,Hj-1)---(9)]]>

其中v表示自由度：v=m-p-q+1    (10)

t=(WjTPj)-1WjTdT---(11)]]>

Hj=vSj-11+tT(TjTTj)-1t---(12)]]>

S_j＝(Y-T_jV_j)^T(Y-T_jV_j)          (13)

预测值的后验预测分布通过以下方法获得：首先从正态分布N（0，H^-1）中随机抽取向量u，利用χ²分布在自由度为v时产生独立随机数c，则的一个仿真估计值由以下公式计算：

y~=tTVj+u(v/c)---(14)]]>

重复运行上述预测值的后验预测分布的估计方法，逼近预测值的后验预测分布；计算分布中满足优化目标O的预测值的比例，即为向量d的贝叶斯后验预测概率P(·)；

S304：运行全程优化：

计算D_j中每个行向量的贝叶斯后验预测概率，选择P(·)值最大的x_jcon作为第j阶段的优化结果；从第2阶段开始，运行上述优化过程，直至过程结束，完成多阶段生产过程的全程优化。