基于群智能的间歇过程分阶段融合建模与协同优化

The degree of automation for batch process is relatively low compared to other model-oriented industrial processes, due to its complex mechanism of the reaction as well as the high nonlinearity and the uncertainty of its model. Many researchers have been devoted to developing control strategies to improve the performance of batch process. A batch process has a certain period of operation time, and there are a number of batches in a typical operation. Consequently, the mechanism models always become invalid for the batch process. As such, the data-driven modeling methods are investigated in detail in this project firstly. Combined with the data characteristics and the changing rules of the main variables, the methods can determine the operation stages and construct the corresponding multi-stage model. Then based on swarm intelligence optimization, a novel modeling strategy is proposed to construct the final fusion model. This software sensor model can reflect the nonlinearity better for the batch process. Finally, by using this model, the multi-objective and collaborative optimization control is realized and the optimal controller is designed for the batch process. It can be expected that the innovative research of this project on the software sensor modeling and optimization control will be of great significance to the advancement of the batch process, which is involved in bio fermentation industry and fine chemical engineering, and so on.

间歇过程由于其反应机理复杂、高度非线性和模型的不确定性等特点，相对于其它模型一定的工业过程，其自动化程度还很低，已经成为当今国际过程控制领域研究的热点。首先，本项目针对间歇过程"有限时间"表现出来的批次轨迹不同步和存在离群点而导致的实际间歇过程机理模型容易老化失效的问题，在充分研究各种基于数据驱动的建模方法基础上，综合考虑间歇过程反应时段建模数据特征以及关键变量的变化规律，判断运行阶段，同步处理过程变量，建立相应的子阶段模型；然后针对间歇过程"无现实稳态性"表现出的动态非线性本质特性，提出基于群智能优化的多模型融合建模策略，以最终建立适合间歇过程特点的软测量模型；最后基于所建立的软测量模型，运用群智能优化算法实现间歇过程的多目标协同优化控制，并设计最优控制器。本项目属于应用基础研究，研究成果在生物发酵、精细化工等高附加值的间歇过程工业领域有广泛的应用前景。

为了对间歇生产过程进行控制与优化，需要对过程主导质量变量进行建模。然而实际的间歇过程会随着生产的需求而变迁操作点，单一结构的模型往往不能反应出这一阶段性特征，因此多模型建模理论逐渐成为了当今控制与建模领域的重点问题之一。.一般多模型建模方法包含三个步骤，首先对采样数据进行聚类，然后针对各个部分数据建立局部模型，最后采用合适的权重函数将各局部模型融合。因此本课题的主要研究工作也围绕子模型辨识、局部模型建模和多模型融合算法这三个方面展开。在多模型辨识方面，研究了基于模糊C均值聚类算法、仿射传播聚类、期望最大化和高斯混合模型等多种多模型建模策略，对间歇过程的时段特点进行辨识和参数估计，并利用群智能优化算法优化模型参数，从而进行多阶段划分，建立相应的子模型。.在建模算法方面，研究了支持向量机(SVM)、最小二乘支持向量机(LSSVM)和高斯过程回归(GPR)等基于数据驱动思想的建模策略及其改进，利用差分进化(DE)和粒子群等智能(PSO)优化算法优化最小二乘支持向量机的模型结构参数，并结合实时学习和滑动窗等方法进行了动态在线建模方法的应用研究。多模型建模方法中，子模型的融合方式对建模精度起到非常重要的作用，本研究中主要利用聚类分析中的隶属度和贝叶斯后验概率进行了子模型的融合，以最终得到融合输出。.在上述的几种建模方法中，基于期望最大化算法和高斯过程回归的多模型建模方法取得了较多的研究进展。由于该过程具有明显的阶段特性，采取模糊C均值聚类算法划分各阶段，建立局部线性ARX结构模型；将采样数据的阶段归属作为隐含变量，并依据期望最大化算法辨识出各阶段局部线性模型参数，最后将各局部模型融合为LPV模型。并进一步考虑复杂工业过程数据随机丢失和时滞等特征，利用贝叶斯公式计算隐含变量的后验分布，给出完整数据似然函数的期望形式，并进行极大化得到局部线性模型参数的辨识结果，该方法在处理数据随机丢失和含有时滞情况下的建模精度有较大的提升。. 本项目完成了预期的研究内容与指标，发表学术论文24篇，其中，SCI收录8篇，EI收录5篇，申请发明专利4项，培养硕士研究生9名。本项目提出的基于期望最大化算法的多模型融合建模方法，可为相关领域的发展提供理论与技术支撑。