[发明专利]基于改进滑动时间窗口的工业生产过程动态时延辨识方法

说明书

本发明公开了一种基于改进滑动时间窗口的工业过程动态时延辨识方法，该方法采用静态定界‑动态更新的策略进行动态时延的估计，先采用静态FCA方法估计总体时延从而确定动态时延变化范围，然后基于改进滑动时间窗口对每个时间窗口进行时延估计来挖掘变量间的动态时延特性。本发明更加深入的挖掘了变量间的时延特性，实现了变量间更加精确的时间配准，有利于提高输出变量的预测精度。

技术领域

本发明涉及复杂工业过程建模与控制技术领域，尤其涉及一种基于改进滑动时间窗口的工业生产过程动态时延辨识方法。

背景技术

复杂工业过程中的关键质量变量是衡量产品生产效果的重要变量，其精确预测与控制是工业过程优化运行的基础。但是这些变量往往具有测量难度高、测量周期长的特点，因此常采用基于数据驱动的软测量方法实现其预测与控制。然而在实际工业过程中，由于信号和原材料的传输需要时间，生产过程的输入和输出变量数据在时间上是不匹配的，输出往往滞后于输入。此时由当前输入和输出变量数据建立的预测模型已不能较好的解释该过程特性，极大的限制了对产品生产过程关键质量变量(输出变量)的预测与控制。因此，为了更好地解释工业过程，在实现输出变量的预测与控制的过程中考虑变量的时滞便显得尤为重要。

对于工业过程变量间的时间延迟估计问题，有许多学者进行了研究，主要包括两类方法：一是根据工业过程机理和专家经验确定变量间的时间延迟，但是这种方法估计的时延准确度较低，二是基于过程数据，采用基于数据驱动的方法进行时延估计，主要思想是寻找与输出变量相关性最大变量的时间延迟，该方法精度更高、更具说服力，因而被广泛应用。基于第二类方法，有学者通过计算不同时延输入变量与输出变量的皮尔逊相关系数来确定时延，然而皮尔逊相关系数衡量的是变量间的线性相关性，不适用于非线性工业过程。因此，一些变量间非线性相关性衡量方法也被用于时延估计，如互信息方法，但是由于互信息方法的计算复杂度较高，所以在计算复杂度和时延估计的准确度间进行折中后，选用FCA(Fuzzy Curve Analysis，FCA)模糊曲线方法进行变量间的时间延迟估计。然而，这些方法都是对变量进行总体时延估计，忽略了变量的动态时延特性，但实际的工业过程中，物料的传输、信号的传递都是波动的，因而变量间的时间延迟也是动态变化的，对变量间进行动态时延估计更能反映实际生产过程。

因此，针对实际工业过程变量间的动态时延特性，本发明提出了一种基于静态定界-动态更新估计的策略来挖掘工业过程变量间动态时延特性，实现输入输出变量间的精确时间配准，为后期关键质量变量的实时预测与控制奠定基础。

发明内容

(一)要解决的技术问题

基于上述问题，本发明提供一种基于改进滑动的时间窗口的工业生产过程动态时延辨识方法，基于静态定界-动态更新估计的策略来挖掘工业过程变量间动态时延特性，实现输入输出变量间的精确时间配准，解决变量的动态时延难以确定进而影响预测精度的问题。

(二)技术方案

基于上述的技术问题，本发明提供一种基于改进滑动的时间窗口的工业生产过程动态时延辨识方法，包括：

S1、在固定采样周期的条件下获取脱丁烷塔工业过程的输入变量和输出变量数据，依据工业过程内在机理及专家经验，确定各个输入变量相对输出变量的最大时延T_max；所述输入变量包括塔顶温度、塔顶压力、塔顶回流量、塔顶产品流出量、第六层塔板温度、塔底温度，所述输出变量包括塔底丁烷浓度；

S2、对所述输入变量x_i和输出变量y进行变量时间重构，得到带时延的输入变量集X(t)＝[X₁(t),X₂(t),…,X_m(t)]，各输入变量的重构方式如下：

X_i(t)＝[x_i(t),x_i(t-1),…,x_i(t-λ),…,x_i(t-T_max)],