本发明专利技术公开了一种基于CCA和块式RPLS的分布式在线建模方法，包括步骤：S101：分析大化工过程的质量指标，选择与所述质量指标密切相关的关键变量作为输出变量，选择过程变量作为输入变量，从而得到输入变量集X和输出变量集Y；S102：将输入变量集X和输出变量集Y中的每一个分量对应组合构成输入输出数据，采用典型相关分析法对所述输入输出数据进行子系统分解，并确定子系统的输入变量和输出变量；S103：根据所确定的子系统及相应的输入变量和输出变量，构造各子系统的样本数据集，并采用块式RPLS算法依次对所有子系统在线建立模型。本发明专利技术建模效率高，模型精度和抗干扰能力更强。
【技术实现步骤摘要】
本专利技术涉及化工过程建模
，尤其涉及一种基于CCA和块式RPLS的分布式 在线建模方法。
技术介绍
在复杂的化工过程中，由于被控系统很难通过建立机理模型的方式获得系统的 数学模型，通常采用系统辨识的方法得到系统的数学模型，如偏最小二乘（partial least square，PLS)等。然而当被控系统本身比较复杂或者处于的环境比较恶劣时，系统结构 参数会随着时间和运行环境的改变而改变，如催化作用的衰减、漂移以及能效的降低等。此 时离线的系统辨识得到模型很难满足动态系统的模型精度要求，给基于模型的控制器设计 带来巨大的挑战。所以在这些环境下，如果能获得变化后的新数据，可以采用递推PLS算法 有效地在线实时更新系统的模型。 目前，随着对化工原材料利用率的不断提高，生产过程的复杂化程度在逐步加深。 对整个大系统采用集中式建模控制方法，势必导致模型结构相对复杂、并且模型精度难以 保证和计算繁琐等诸多问题。采用分散式的建模方法，可以将大系统划分为若干个相互 独立的子系统，在一定程度上使模型的复杂度降低，但是由于分散式建模方法没有考虑各 子系统间的相互作用，系统的全局性无法得到满足。然而分布式建模方法能很好的克服 这一不足，但是将复杂系统如何划分为几个相互作用的子系统，是分布式在线建模首先要 解决的问题，典型相关分析算法则为这个问题提供了一个很好的解决方法。 分布式模型预测控制（Model Predictive Control，MPC)算法实施的第一步就需 要获取分布式模型，但是大化工过程内部关系非常复杂，获取精度比较高的分布式模型是 比较困难的。为了使分布式预测控制在实际化工装置中更好的应用推广，对大化工过程进 行分布式在线建模方法研宄具有重要的意义，可为实际大化工过程的子系统分解，输入输 出变量的确定，以及在线建模算法提供依据和方法指导。 TE过程（Tennessee Eastman Process)是一个实际化工过程的仿真模拟，它是由 美国Tennessee Eastman化学公司过程控制小组的J. J. Downs和E. F. Vogel提出的，被广 泛的应用于过程控制技术的研宄。这个过程模型首先是以FORTRAN源代码的形式提供给过 程控制学界，主要描述了装置、物料和能量之间的非线性关系。 由于实际工业生产装置无法实时变动，所以TE过程的提出为专家学者提供了一 个很好的研宄平台，因此对它进行研宄具有很重要的实际意义。TE模型主要可以被 用来进行装置控制方案的设计，多变量控制，优化，模型预测控制，非线性控制，过程故障诊 断，教学等。 TE过程由五个操作单元组成 :Reactor (反应器）、Condenser (冷凝器）、Vap/ Lip Separator (气液分离器）、Stripper (汽提塔）、Compressor (循环压缩机），如图1所 示，该过程包括12个操作变量，41个测量变量。TE过程主要由四种气态物进料分别为A、 C、D和E (C中含有少量惰性气体B)，经反应后生成G、H两种主产物和副产品F。反应方程 式如下： A (g)+C (g)+D (g) - G (I)，productl A (g)+C (g)+E (g) - H(I)，product2 A (g)+E (g) - F (I)，byproduct I 3D (g) - 2F (I)，byproduct〗 反应物进入反应器反应后，产物首先到冷凝器冷凝，进行第一次分离；冷凝后的混 合物，进入气液分离器，进行第二次分离。在这个过程中没有被压缩的组分，通过循环压缩 单元重新返回到反应器的进料端，进行再次利用；被压缩的组分进入到提馏段进行提馏处 理，从而可以进一步去除未反应完的成分。从提馏段出来的产物G、H在最后的精馏段中被 分离。惰性气体B、副产品F，采用放空的手段进行去除。 由于TE过程是对实际工业过程的模拟，且是由多个单元组成的一个复杂装置，过 程变量众多，并且每个操作单元之间存在着较强的耦合作用，且系统开环不稳定。综合TE 过程的各项特点，以TE过程为研宄对象，进行基于典型相关分析（canonical correlation analysis，CCA)和块式递推偏最小二乘（Recursive partial least square，RPLS)的分布 式在线建模算法的研宄是可行的。关于TE过程的建模问题，已有部分学者进行了研宄，包 括机理模型，子空间辨识方法建立的模型和输入输出模型等。这些模型都是 属于集中式建模，把整个过程作为整体，存在模型结构复杂，建模困难且模型精度难以保证 的问题。文献提出了一种分布式离线建模方法，此方法虽然降低了模型结构的复杂 度，但是随着工况的改变离线一次性建立的模型的适应性难以保证，会降低模型预测精度。 专利号为201410281218. 9的专利技术公开了一种基于CCA-PLS的大化工过程分布式 建模方法，该专利技术先对大规模化工过程采集所有的过程变量，根据过程质量指标确定输出 变量，采用典型相关分析方法提取过程变量的特征成分，根据特征成分计算各输出变量与 所有输入变量间的最大相关系数以及相应的主轴向量，根据主轴向量各分量的绝对值大 小，选择各子系统的独立输入变量及相互作用输入变量，实现大系统分解。子系统划分后对 各个子系统采用PLS算法进行建模，提取使得输入输出变量间协方差最大的成分，采用回 归建模技术而得到子系统模型。本专利技术的有益效果是仅利用过程输入输出数据，采用典型 相关分析原理进行子系统输入变量筛选，降低了模型维数，简化了模型结构，采用PLS建模 算法进行子系统建模，消除了实际应用中大量存在的变量共线所造成的计算上的困难。但 是该专利技术缺点为：建模效率比较低，模型精度和抗干扰能力还需进一步加强。
技术实现思路
本专利技术所要解决的技术问题在于，提供一种基于CCA和块式RPLS的分布式在线建 模方法，该专利技术建模效率高，模型精度和抗干扰能力更强。 为了解决上述技术问题，本专利技术提供了一种基于CCA和块式RPLS的分布式在线建 模方法，包括步骤： SlOl :分析大化工过程的质量指标，选择与所述质量指标密切相关的关键变量作 为输出变量，选择过程变量作为输入变量，从而得到输入变量集X和输出变量集Y ; S102 :将输入变量集X和输出变量集Y中的每一个分量对应组合构成输入输出数 据，采用典型相关分析法对所述输入输出数据进行子系统分解，并确定子系统的输入变量 和输出变量； S103 :根据所确定的子系统及相应的输入变量和输出变量，构造各子系统的样本 数据集{Xi，YJ，并采用块式RPLS算法依次对所有子系统在线建立模型。 进一步的，所述S103具体包括步骤： S1031 :将模型的三个参数：数据块宽度s、数据块队列长度w和遗忘因子λ进行 确定； S1032 :对数据对矩阵{X^YJ进行归一化，其中，￥1表示输出变量集Y中的第i个 分量；Xi表示典型相关分析分解后得到的子系统i的输入变量集。 S1033 :根据归一化后的数据对矩阵{Xi，YJ使用PLS回归算法建立初始的PLS模 型，获得回归系数 S1034 :根据泛化均方根误差判断所述PLS模型的误差；若所述PLS模型的误差不 在本文档来自技高网...
【技术保护点】
一种基于CCA和块式RPLS的分布式在线建模方法，其特征在于，包括步骤：S101：分析大化工过程的质量指标，选择与所述质量指标密切相关的关键变量作为输出变量，选择过程变量作为输入变量，从而得到输入变量集X和输出变量集Y；S102：将输入变量集X和输出变量集Y中的每一个分量对应组合构成输入输出数据，采用典型相关分析法对所述输入输出数据进行子系统分解，并确定子系统的输入变量和输出变量；S103：根据所确定的子系统及相应的输入变量和输出变量，构造各子系统的样本数据集{Xi,Yi}，并采用块式RPLS算法依次对所有子系统在线建立模型。
【技术特征摘要】
【专利技术属性】
技术研发人员：李丽娟，胡蓓蓓，姚莉娟，董婷婷，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。