[发明专利]基于潜变量过程迁移模型的修正自适应批次过程优化方法

说明书

本发明公开一种基于潜变量过程迁移模型的修正自适应批次过程优化方法，包括：获取旧批次过程、新批次过程的输入数据和输出数据；根据旧批次过程、新批次过程的输入输出数据建立潜变量过程迁移模型；在以新批次过程进行生产时，根据潜变量过程迁移模型和当前批次的最优输入数据获取当前批次的预测输出数据，并根据潜变量过程迁移模型和当前批次的输入数据获取下一批次的最优输入数据；根据当前批次的最优输入数据和实际输出数据对潜变量过程迁移模型进行更新；根据新批次过程中多个批次的预测输出数据和实际输出数据判断新批次过程的稳定性是否满足要求；如果新批次过程的稳定性满足要求，则对旧批次过程的输入数据和输出数据进行部分数据的剔除。

技术领域

本发明涉及工业生产过程中批次过程的优化控制技术领域，特别涉及一种基于潜变量过程迁移模型的修正自适应批次过程优化方法。

背景技术

在工业生产制造中，批次过程又被称为批次生产过程，被广泛应用于食品、化工、药品等产品生产制造，在国民经济中扮演了非常重要的角色。随着社会的发展，人们对产品质量、生产成本、环境保护等各方面的要求都在不断提高，批次过程质量控制和优化在产品生产、环境保护等方面也起到越来越重要的作用。因此，研究并提出先进的批次过程质量优化方法对提高企业的综合经济效益是很有必要的。

以草酸钴结晶的生产为例，草酸钴作为金属钴生产过程的重要中间产物，其质量直接影响到金属钴粉的结晶尺寸，草酸钴结晶尺寸太小会造成滤网阻塞、干燥时间减缓、生产效率低下等问题。因此，在草酸钴结晶生产过程中，通过对其结晶尺寸进行优化从而提高生产效率具有重要的现实意义。

在批次过程的优化中，基于机理模型的优化方法是一个重要的研究方向，而这种方法可以将先验知识用在控制和优化策略中。然而，在很多情况下，建立生产过程的机理模型需要消耗大量的时间和精力，而这又会导致生产成本的增加。此外，机理模型中存在着一些的假设，如果假设的机理关系是无效的，那么优化性能可能就会降低甚至超出正常水平。为了降低对机理模型的要求，一些研究人员将注意力集中在了混合模型上面，它是由简化的机理模型和数据驱动模型组成的。但是，这些以混合模型为基础的方法仍然只适用于数学机理模型已知的过程，把这些方法用于完全未知或者新的生产过程仍然是一个挑战。在过去的几十年中，数据驱动的建模和优化控制方法已经引起全世界的关注，并且已经成功地应用于各种复杂的工业过程。特别的是在建模和控制优化领域中，潜变量技术已经被广泛应用。然而，现有的数据驱动方法需要积累足够的过程数据，而且一个过程的数据只能用在对应的对象上，即使是两个相似的过程，其数据也不能混用。当一个全新批次过程数据量不足的时候，只能通过重复大量的实验积累数据，这使得建模和控制优化效率低下，而且无法保证新投入生产的批次过程的产品质量符合要求。

发明内容

本发明旨在至少在一定程度上解决新批次过程中数据较少而无法准确建立过程模型，从而无法实施质量优化的技术问题，为此，本发明的目的在于提出一种基于潜变量过程迁移模型(Latent Variable Process Transfer Model，LV-PTM)的修正自适应批次过程优化方法，能够快速建立新批次过程模型，有效实施质量优化，并且质量优化效果和效率均较高，从而能够提高企业的综合经济效益。

为达到上述目的，本发明实施例提出了一种基于潜变量过程迁移模型的修正自适应批次过程优化方法，包括以下步骤：获取旧批次过程的输入数据和输出数据，并获取新批次过程的输入数据和输出数据；根据所述旧批次过程的输入数据和输出数据、所述新批次过程的输入数据和输出数据建立潜变量过程迁移模型；在以所述新批次过程进行生产时，根据所述潜变量过程迁移模型和当前批次的最优输入数据获取当前批次的预测输出数据，并根据所述潜变量过程迁移模型和当前批次的输入数据获取下一批次的最优输入数据；根据所述当前批次的最优输入数据和实际输出数据对所述潜变量过程迁移模型进行更新；根据所述新批次过程中多个批次的预测输出数据和实际输出数据判断所述新批次过程的稳定性是否满足要求；如果所述新批次过程的稳定性满足要求，则对所述旧批次过程的输入数据和输出数据进行部分数据的剔除。