不确定环境下流程工业生产过程多目标动态鲁棒操作优化研究

Process industry is a major source of energy consumption and pollution emissions. Due to dynamic uncertainties such as imprecise process mechanism and frequent production disturbances, the applications of steady state operation optimization techniques are severely limited. To better handle the dynamic uncertainties in production process, this project combines the dynamic operation optimization with the robust optimization, and studies the modeling and soluiton mehtod for the multi-objective dynamic robust operation optimization of production process under uncertainties in process industry. For the unclear process mechanism, an ensemble learning modeling method for high-dimension data, as well as its key optimization problems, is investigated. For the solution method, the efficient hybridization strategies between machine learning and evolutionary algorithms under multi-objective opitmization environment are studied so as to construct a multi-objective dynamic evolutionary algorithm with not only good adaptation ability to environment changes but also good convergency capability to new Pareto optimal solutions under new environment. Finally, for the dynamic nature of production disturbances, the definition and evaluation methods of a multi-objective dynamic robust solution is proposed and based on it the multi-objective dynamic robust operation optimization theory is investigated based on prediction methods of production disturbances. Based on this theory, the robustnees of operation solutions can be adaptively adjusted according to changes of production disturbances. This project aims to provide theoretical and technical support for the process operation optimization under dynamic uncertain environment in process industries, and consequently help these enterprises to improve product quality, reduce energy consumption and pollution emissions.

流程工业是主要的能源消耗和污染排放工业，由于过程机理的不精确以及频繁的生产扰动等动态不确定性的存在，严重制约了传统操作优化方法的应用效果。为了更好地处理生产过程中的动态不确定性，本项目从动态操作优化和鲁棒优化融合的角度，研究不确定环境下的流程工业生产过程多目标动态鲁棒操作优化问题。针对生产过程机理不清楚，研究面向高维数据的集成学习建模方法及其关键优化问题；针对求解算法，研究多目标条件下机器学习与进化算法的高效融合策略，提出具有良好环境变化适应能力和快速收敛能力的多目标动态进化算法；最后，针对生产扰动的动态性，通过提出基于扰动及其时间分布的多目标动态鲁棒解及其评价方法，研究基于扰动预测的多目标动态鲁棒操作优化理论，使得解的鲁棒性能够随着生产扰动的变化进行自适应调整。本项目旨在为动态不确定环境下的流程工业生产过程操作优化提供理论与技术支持，帮助企业提高产品质量和产能，降低能源消耗和污染排放。

本课题以钢铁、石化等流程工业典型生产过程为背景，从实际生产中提炼出不确定环境下的操作优化问题，从复杂生产过程数据驱动建模方法、多目标操作优化算法、基于扰动预测的多目标动态鲁棒操作优化、应用验证四个角度进行了系统的研究。.针对流程工业复杂生产过程难以建立机理模型的问题，提出了以下高维数据环境下的数据驱动建模方法：(1)基于混合集成学习的建模方法； (2)基于特征自适应加权的集成学习建模方法；(3)基于多目标的集成学习建模方法；(4)基于机理与数据融合的建模方法。.针对流程工业动态多目标操作优化问题的高效求解算法，提出了以下高性能的改进多目标进化算法：(1)基于记忆和引导机制的动态多目标进化算法； (2)基于个体搜索记忆的自适应MODE算法；(3)基于多种群竞争协同的MODE算法；(4)基于参考向量的自适应MODE算法；(5)基于链分割学习的MOEA/D算法；(6)基于动态资源分配的多目标多因子进化算法。.针对扰动环境下的操作优化问题，提出了以下的建模与优化算法：(1)基于多目标集成学习的生产扰动预测建模方法；(2)多目标动态鲁棒操作优化建模方法；(3)多目标动态鲁棒操作优化框架。.针对流程工业中的典型生产过程，利用实际生产数据进行了仿真应用验证研究：(1)高炉炼铁生产过程铁水Si含量动态预测；(2)连退生产过程多目标多因子操作优化；(3)考虑安全约束的连退生产过程操作优化；(4)连退生产过程多目标动态鲁棒操作优化与监测；(5)石脑油热裂解生产过程动态鲁棒操作优化。.围绕以上研究内容，在IEEE Transactions on Cybernetics、IEEE Transactions on Systems, Man, and Cybernetics: Systems、IEEE Transactions on Automation Science and Engineering等国际SCI期刊发表和录用论文15篇；在《控制与决策》等国内著名期刊发表和录用论文6篇；在国际会议发表论文3篇；申请国家发明专利8项，其中授权4项。主要研究成果获得2018年中国科技产业化促进会科学技术奖 - 科技产业化一等奖。.在国际交流方面，与3名海外学者进行交流合作，项目组成员13人次参加国内外会议交流，32人次赴企业调研。协助培养了2名博士和12名硕士。