一种应用于闭环智能建模的工业数据挖掘方法技术

本发明专利技术公开了一种应用于闭环智能建模的工业数据挖掘方法，属于流程工业建模技术及数据挖掘领域。该方法不需要外加任何现场测试信号，不取决现场控制器处于闭环或是开环状况，直接基于数据挖掘技术捕捉有效数据集，为实现长期直接在线自动辨识闭环控制系统中的过程对象模型奠定基础，而且因为对过程不附加任何测试信号，故对生产过程没有任何影响。本发明专利技术自动挖掘出有效的闭环建模数据，对生产装置没有任何影响，输入输出数据相关性小，为后续的闭环控制系统的建模奠定基础。

【技术实现步骤摘要】
一种应用于闭环智能建模的工业数据挖掘方法
本专利技术属于流程工业建模技术及数据挖掘领域，涉及一种应用于闭环智能建模的工业数据挖掘方法，该方法可应用于在闭环自动控制系统中，不外加测试信号，且能直接建立过程模型的技术。
技术介绍
模型是控制技术有效实施的基础，只有模型准确，控制技术才能发挥实效。目前，系统辨识的大多数方法都是采用开环系统辨识的方法。但在工业现场，开环辨识需要对控制回路加入测试信号的试验，对正常生产过程影响较大，存在安全隐患问题。闭环辨识对生产过程影响很小，工厂容易接受，但只能辨识闭环控制系统的模型，直接辨识过程模型的难度较大，因为直接辨识过程模型的数据相关性严重，它不仅受到闭环控制系统可辨识性条件的限制，还在于很难寻找到合适的输入输出互不相关的建模数据。工业现场产生的海量过程数据，包含了多种工况、负荷与原料变化情况，从中提取有效数据建立的模型能覆盖全部工况，模型具有更好的适应性与鲁棒性。因此，研发一种基于工业大数据的闭环控制系统的建模数据挖掘方法对于免测试的自动建模技术具有重要意义。
技术实现思路
针对目前实际工业应用现状，首次独创性地提出了一种基于设定值变化的闭环控制系统的建模有效数据挖掘方法，不需要外加任何现场测试信号，不取决现场控制器处于闭环或是开环状况，直接基于数据挖掘技术捕捉有效数据集，为实现长期直接在线自动辨识闭环控制系统中的过程对象模型奠定基础，而且因为对过程不附加任何测试信号，故对生产过程没有任何影响。本专利技术采用的技术方案为一种应用于闭环智能建模的工业数据挖掘方法，步骤如下：第一步：海量数据库建立。基于OPC数据访问技术，采集现场生产过程实际数据，形成海量的数据库；第二步：可行数据组与可行数据集。从每一个回路形成的数据库内，选取m个设定值变化的过程数据组Si，i表示过程数据组的个数，形成初始过程数据集S，S＝{S1,S2···Sm}。式1中，a为一个小正数，SV为设定值，OP为控制器输出值，PV为测量值，ΔSV为设定值变化量。ti为时间节点，Si表示数据集中的第i个数据组。在数据库内，以时间ti为节点，向前后搜索，当连续kS个数据组的ΔSV＜a时，最前面的数据组最后的数据组这两个时间节点内的数据构成初始数据集在初始数据集内根据ΔOP最大化原则选择出可行数据组Nj。Nj为具有模型辨识可能性的时间序列。首先以ΔOP为排序依据，从大到小对数据组Nj进行排序，取前kN个数据组形成数据集D，kN＜kS。对D以ΔPV为排序依据进行从大到小排序，取前l个数据。数据集D如下式：D＝{N1,N2···Nl}(3)对于数据集D中的每一个元素Nj，在数据集S中以ti时刻为时间节点前向搜索，当连续n1i个数据组的ΔOP小于一个小正数δ时，这段时间内的数据组构成可行数据集N的前段部分以ti时刻为时间节点后向搜索，当连续(ni-n2i)个数据组的ΔOP小于δ时，这段时间内的数据组构成可行数据集N的前段部分中间段的数据组构成可行数据集N动态响应部分可行数据集N及组成部分满足公式(4)：Δop为控制器输出值变化量，δ为一个小正数，表示任意一个op。第三步：基于可行数据组进行相关性分析。过程模型的数据相关性严重，对输入输出数据进行相关性分析，筛选出相关性小的数据组。互相关函数如下：式中，L是数据长度，ROP,PV为相关系数，OP为可行数据集中的输入数据，PV为可行数据集中的输出数据。对于可行数据组Nj，计算OP,PV的互相关函数，如果ROP,PV＜γ，则Nj为初始有效数据组，记为所有初始有效数据组构成初始有效数据集第四步：获取有效数据组和有效数据集。基于初始有效数据集采用辅助变量法闭环辨识，得到闭环系统模型。化工装置单个回路看作是线性单输入单输出系统过程，数学模型采用以下表达式：A(z-1)z(k)＝B(z-1)u(k)+e(k)(6)其中：u(k)表示过程的的输入，z(k)表示过程的输出，e(k)为均值为零的有色噪声，z-1为移位算子。模型参数多项式A(z-1)和B(z-1)表示为以下式子，模型阶次为na、nb：a1···an,b1···bn为模型系数，均为常数令：对于k＝1,2,···,L，方程式(8)构成一个线性方程组(9)其中，ZL为输入矩阵，eL为噪声矩阵，HL为输入输出矩阵。θ为辅助变量参数，模型写出最小二次格式：ZL＝HLθ+eL(10)参数的最小二乘估计值为：给定一个小正数ε＞0，模型辨识输出f(OP)，其不敏感损失函数为公式:C(f(OP),PV)＝sign(|f(OP)-PV|-ε)(12)其中，符号函数sign()为：式中x是自变量，对于初始有效数据组基于不敏感损失函数计算其辨识信任度函数:如果初始有效数据组的信任度函数0＜ξ≤1，则该数据组为有效数据组，所有有效数据组的集合称为有效数据集。与现有技术相比较，本专利技术不需要对控制回路加入测试信号的试验，自动挖掘出有效的闭环建模数据，对生产装置没有任何影响，输入输出数据相关性小，为后续的闭环控制系统的建模奠定基础。附图说明图1为采集到的不同设定值产生的模型辨识曲线。图2为改变设定值产生的有效数据集曲线。具体实施方式针对本专利技术所提出的方法，下面结合一个实例予以说明。某化工装置流量控制回路FIC320083，根据本专利技术提出的方法基于设定值变化的闭环建模有效数据挖掘方法，挖掘出可行性数据组并在此基础上建立带有色噪声的回路模型，通过测量值与模型输出值计算信任度函数筛选出有效数据组。图1为采集到的不同设定值产生的模型辨识曲线，图中SP为设定值，PV值为压力测量值，OBJ为模型输出值。图2为改变设定值产生的有效数据集曲线，SP为设定值，PV值为压力测量值，OP为阀位值。本文档来自技高网...

【技术保护点】
一种应用于闭环智能建模的工业数据挖掘方法，其特征在于：本方法的实现步骤如下：第一步：海量数据库建立；基于OPC数据访问技术，采集现场生产过程实际数据，形成海量的数据库；第二步：可行数据组与可行数据集；从每一个回路形成的数据库内，选取m个设定值变化的过程数据组Si，i表示过程数据组的个数，形成初始过程数据集S，S＝{S1,S2…Sm}；

【技术特征摘要】
1.一种应用于闭环智能建模的工业数据挖掘方法，其特征在于：本方法的实现步骤如下：第一步：海量数据库建立；基于OPC数据访问技术，采集现场生产过程实际数据，形成海量的数据库；第二步：可行数据组与可行数据集；从每一个回路形成的数据库内，选取m个设定值变化的过程数据组Si，i表示过程数据组的个数，形成初始过程数据集S，S＝{S1,S2…Sm}；式1中，a为一个小正数，SV为设定值，OP为控制器输出值，PV为测量值，ΔSV为设定值变化量；式中，ti为时间节点，Si表示数据集中的第i个数据组；在数据库内，以时间ti为节点，向前后搜索，当连续kS个数据组的ΔSV＜a时，最前面的数据组最后的数据组这两个时间节点内的数据构成初始数据集在初始数据集内根据ΔOP最大化原则选择出可行数据组Nj；Nj为具有模型辨识可能性的时间序列；首先以ΔOP为排序依据，从大到小对数据组Nj进行排序，取前kN个数据组形成数据集D，kN＜kS；对D以ΔPV为排序依据进行从大到小排序，取前l个数据；数据集D如下式：D＝{N1,N2…Nl}(3)对于数据集D中的每一个元素Nj，在数据集S中以ti时刻为时间节点前向搜索，当连续n1i个数据组的ΔOP小于一个小正数δ时，这段时间内的数据组构成可行数据集N的前段部分以ti时刻为时间节点后向搜索，当连续(ni-n2i)个数据组的ΔOP小于δ时，这段时间内的数据组构成可行数据集N的前段部分中间段的数据组构成可行数据集N动态响应部分可行数据集N及组成部分满足公式(4)：Δop为控制器输出值变化量，δ为一个小正数，表示任意一个op；第三步：基于可行数据组进行相关性分析；过程模型的数据相关性严重，对输入输出数据进行相关性分析，筛选出相关性小的数据组；互相关函数如下：

【专利技术属性】
技术研发人员：王文新，李全善，石建峰，
申请(专利权)人：北京世纪隆博科技有限责任公司，
类型：发明
国别省市：北京,11