一种多工序变量间动态时滞估计方法技术

本发明专利技术公开了一种多工序变量间动态时滞估计方法，首先将数据库中数据分为输入数据和输出数据两类，其中，输入数据即辅助变量，输出数据即主导变量；然后对数据库中训练数据集求得输入数据相对于中间变量的时滞参数集以及输入数据相对于输出数据、中间变量相对于输出数据的时滞参数集；最后以输入数据相对于中间变量的时滞参数集为输入，以输入数据相对于输出数据、中间变量相对于输出数据的时滞参数集为输出，即得到多工序变量间动态时滞参数预测模型，在线求取输入相对于输出的时滞参数，并代入该预测模型中，实时获得输入输出的时滞参数，本发明专利技术使得软测量的结果更加可靠，有利于工厂监测数据，保持工厂稳定运行。

【技术实现步骤摘要】
一种多工序变量间动态时滞估计方法
本专利技术属于化工行业自动化控制
，具体涉及一种多工序变量间动态时滞估计方法。
技术介绍
在工厂中的大多数生产工艺流程中都是由多个工序级联而成的，从原料输入到成品产出通常需要一个甚至几个小时，且每个工序之间的时滞信息是随外界环境，前后工序的状态等因素动态变化的，并不是一成不变的。现有的使用时滞参数的过程变量预测方法的文献都是基于固定时滞参数的方法，由于实际工厂中前后工序之间的时滞参数是随工厂运行状态变化的动态值，而并不是固定值，若不考虑输入输出之间的时滞信息，或者简单的将时滞信息考虑为定值，再使用重构后的数据训练软测量模型，那么输入输出的因果关系将可能发生改变，会使得模型训练不够准确，进而导致软测量模型预测性能下降。
技术实现思路
本专利技术的目的是提供一种多工序变量间动态时滞估计方法，解决了现有技术中存在的在线软测量不够准确、预测性能下降的问题。本专利技术所采用的技术方案是，一种多工序变量间动态时滞估计方法，具体按照以下步骤实施：步骤1、将数据库中数据分为输入数据和输出数据两类，其中，输入数据即辅助变量，输出数据即主导变量；步骤2、对数据库中训练数据集求得输入数据相对于中间变量的时滞参数集以及输入数据相对于输出数据、中间变量相对于输出数据的时滞参数集；步骤3、以输入数据相对于中间变量的时滞参数集为输入，以输入数据相对于输出数据、中间变量相对于输出数据的时滞参数集为输出，生成多工序变量间动态时滞参数预测模型；步骤4、使用皮尔逊相关系数法在线求解实际生产数据集中的输入数据相对于中间变量的时滞参数，将该时滞参数实时代入训练好的时滞参数预测模型中，预测得到输入数据相对于输出数据、中间变量相对于输出数据的时滞参数。本专利技术的特点还在于，步骤2中求解时滞参数的方法为皮尔逊相关系数法、模糊曲线法、广义二次相关法中的任意一种。步骤2具体按照以下步骤实施：步骤2.1、假设数据库dataAll共n组数据，定义计时器time初始值为1；步骤2.2、设时滞参数上限为delay_max，从数据库dataAll中取第time到第time+m-1组数据定义为数据集D_time，其中，m>delay_max，time为1时，从数据库dataAll中取第1到第m组数据存入数据集D_1中，此时D_time＝D_1，time为h时，从数据库dataAll中取第h到h+m-1共m组数据存入数据集D_h，D_time＝D_h；D_time(i,j)为数据集D_time中第i行第j列数据，其中，i＝1，2，3···m，j＝1，2，3，数据集D_time的1、2、3列数据分别对应为输入数据、中间变量、输出数据；步骤2.3、将步骤2.2中的数据集D_time扩展为数据集D1、D2、D3：数据集D1为输入数据与中间变量，数据集D2为输入数据与输出数据，数据集D3为中间变量与输出数据；步骤2.4、使用皮尔逊相关系数法求取数据集D1、D2、D3的最优时滞参数并分别存入D_delayIn(time)、D_delayOut1(time)、D_delayOut2(time)中；步骤2.5、令time＝time+1，对数据集D_time进行更新，若time+m-1＝n，则向下执行，若time+m-1<n则返回步骤2.2，重复执行；步骤2.6、此时得到输入数据相对于中间变量的最优时滞参数集D_delayIn，输入数据相对于输出数据的最优时滞参数集D_delayOut1，中间变量相对于输出数据的最优时滞参数集D_delayOut2。步骤2.2中delay_max＝30。步骤2.4具体按照以下步骤实施：步骤2.4.1、将数据集D1扩展为delay_max+1组数据集：延迟时间为w时，w为数据集D1的第二列数据相对于第一列数据的延迟时间值，该组数据集命名为D1_w，D1_w的第一列数据为D1的第一列数据的第1行到第m-w行数据，D1_w的第二列数据为D1的第二列数据的第w+1行到第m行数据；步骤2.4.2、使用皮尔逊相关系数法求得每一个延迟时间值w对应的数据集的相关系数值P(w)，将所求得的相关系数值集P中的最大值对应的延迟时间作为所求数据集D_time的扩展后的数据集D1的最优时滞参数，并存入D_delayIn(time)中，数据集D_time扩展后的数据集D2、D3的最优时滞参数求取方法同D1，并将其分别存入D_delayOut1(time)、D_delayOut2(time)中。步骤2.4.2中皮尔逊相关系数公式如下：其中，P(w)为所求得的延迟时间为w的数据集D1_w的相关系数值，N为数据集D1_w的长度，x表示D1扩展后的所需要求取相应相关系数值的对应数据集D1_w中的第1列数据，y表示D1扩展后需求取相应相关系数值的对应数据集D1_w中的第2列数据。步骤4具体按照以下步骤实施：步骤4.1、当输入数据与中间变量数据通过工厂在线采集达到m组时，建立数据集D_timeTest，D_timeTest取当前采集得到的当前第1到第m组数据，将D_timeTest按步骤2.3扩展为数据集D1，使用相关系数法，同步骤2.4，求得输入变量相对于输出变量的最优时滞参数D_delayIn_test(1)；步骤4.2、此后每更新一组数据，D_timeTest更新一次，假设当前采集到第u组数据，u>＝m，则D_timeTest取当前采集得到的当前第u-m+1到第u组数据，同步骤2.3求的当前时刻输入变量相对于输出变量的最优时滞参数D_delayIn_test(u-m+1)；步骤4.3、将在线求得的输入变量相对于中间变量的最优时滞参数，实时代入步骤3所建立的时滞参数预测模型中，在线预测输入数据相对于输出数据、中间变量相对于输出数据的时滞参数。本专利技术的有益效果是，一种多工序变量间动态时滞估计方法，根据输入数据内部的延迟时间关系与输入数据和输出数据之间的延迟时间关系，训练出仅依靠输入数据即可得到输入和输出之间的时滞参数的动态时滞参数预测模型，再将输入数据和所求的输入和输出之间的延迟时间代入软测量模型中，对输出数据进行在线估计。相比于传统的使用离线训练好的定值时滞参数的软测量模型，使用本专利中的动态时滞参数预测模型在线预测时滞参数的软测量模型的输出结果更加可靠准确。附图说明图1是本专利技术中从数据库中取40组数据构成数据集D_time的演示图；图2是本专利技术将数据集D_time扩展成数据集D1，D2，D3的演示图；图3是本专利技术以数据集D1为例，求取数据集D1的最优时滞参数的演示图；图4是本专利技术对陕鼓公司制硝酸过程监测数据使用基于固定时滞参数的随机森林模型进行预测的效果图；图5是本专利技术对陕鼓公司制硝酸过程监测数据使用基于在线求取时滞参数的随机森林模型进行预测的效果图；图6是本专利技术的流程图。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。本专利技术是一种多工序变量间动态时滞估计方法，流程图如图6所示，具体按照以下步骤实施：步骤1、将数据库中数据分为输入数据和输出数据两类，其中，输入数据即辅助变量，输出数据即主导变量；步骤2、对数据库中训练数据集求得输入数据相对于中间变量的时滞参数集以及输入数据相对于输出数据、中间变量相对于输出数据的时滞参本文档来自技高网...

【技术保护点】
1.一种多工序变量间动态时滞估计方法，其特征在于，具体按照以下步骤实施：步骤1、将数据库中数据分为输入数据和输出数据两类，其中，输入数据即辅助变量，输出数据即主导变量；步骤2、对数据库中训练数据集求得输入数据相对于中间变量的时滞参数集以及输入数据相对于输出数据、中间变量相对于输出数据的时滞参数集；步骤3、以输入数据相对于中间变量的时滞参数集为输入，以输入数据相对于输出数据、中间变量相对于输出数据的时滞参数集为输出，即得到多工序变量间动态时滞参数预测模型；步骤4、使用皮尔逊相关系数法在线求解实际生产数据集中的输入数据相对于中间变量的时滞参数，将该时滞参数实时代入训练好的时滞参数预测模型中，预测得到输入数据相对于输出数据、中间变量相对于输出数据的时滞参数。

【技术特征摘要】
1.一种多工序变量间动态时滞估计方法，其特征在于，具体按照以下步骤实施：步骤1、将数据库中数据分为输入数据和输出数据两类，其中，输入数据即辅助变量，输出数据即主导变量；步骤2、对数据库中训练数据集求得输入数据相对于中间变量的时滞参数集以及输入数据相对于输出数据、中间变量相对于输出数据的时滞参数集；步骤3、以输入数据相对于中间变量的时滞参数集为输入，以输入数据相对于输出数据、中间变量相对于输出数据的时滞参数集为输出，即得到多工序变量间动态时滞参数预测模型；步骤4、使用皮尔逊相关系数法在线求解实际生产数据集中的输入数据相对于中间变量的时滞参数，将该时滞参数实时代入训练好的时滞参数预测模型中，预测得到输入数据相对于输出数据、中间变量相对于输出数据的时滞参数。2.根据权利要求1所述的一种多工序变量间动态时滞估计方法，其特征在于，所述步骤2中求解时滞参数的方法为皮尔逊相关系数法、模糊曲线法、广义二次相关法中的任意一种。3.根据权利要求2所述的一种多工序变量间动态时滞估计方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1、假设数据库dataAll共n组数据，定义计时器time初始值为1；步骤2.2、设时滞参数上限为delay_max，从数据库dataAll中取第time到第time+m-1组数据定义为数据集D_time，其中，m>delay_max，time为1时，从数据库dataAll中取第1到第m组数据存入数据集D_1中，此时D_time＝D_1，time为h时，从数据库dataAll中取第h到h+m-1共m组数据存入数据集D_h，D_time＝D_h，D_time(i,j)为数据集D_time中第i行第j列数据，其中，i＝1，2，3···m，j＝1，2，3，数据集D_time的1、2、3列数据分别对应为输入数据、中间变量、输出数据；步骤2.3、将步骤2.2中的数据集D_time扩展为数据集D1、D2、D3：数据集D1为输入数据与中间变量，数据集D2为输入数据与输出数据，数据集D3为中间变量与输出数据；步骤2.4、使用皮尔逊相关系数法求取数据集D1、D2、D3的最优时滞参数并分别存入D_delayIn(time)、D_delayOut1(time)、D_delayOut2(time)中；步骤2.5、令time＝time+1，对数据集D_time进行更新，若time+m-1＝n，则向下执行，若time+m-1<n则返回步骤2.2，重复执行；步骤2.6、此时得到输入数据相对于中间变量的最优时滞参数集D_delayIn，输入数据相对于输出数据的最优时滞参数集D_del...

【专利技术属性】
技术研发人员：谢国，陈庞，刘涵，梁莉莉，王文卿，高欢，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西,61