论文部分内容阅读
评估工业过程运行的经济性能水平，并给出正确的优化思路对工厂保持高效生产状态有着重要意义，有效的经济性能评估方法能够在不影响系统正常运行的情况下提升企业生产效益。实际生产过程中，控制系统在投运一段时间后，由于各种不确定因素的影响经济性能随时会变差，性能评估的准确度越高，诊断与优化速度越快，企业的效益损失就越小。对此，本文研究了基于工业过程数据的在线经济性能评估方法，主要的工作内容归纳如下: 1.针对模型预测控制(Model Predictive Control，MPC)系统，结合迭代学习控制的思想，提出一种基于自适应步长迭代学习控制(Adaptive Step Iterative Learning Control，ASILC)的在线经济性能优化设计方法。通过分析控制器参数与过程数据的方差之间的关系，设计了一种自适应更新迭代步长的随机优化方案，将系统逐步调整到最优经济性能状态。仿真结果表明该方案对MPC系统经济性能的提升有显著效果。 2.基于随机优化的经济性能评估方法的评估精度过于依赖于目标函数的准确性，对此，提出一种针对生产过程运行数据的在线经济性能在线分级评估方法。首先将过程性能分成最优、次优、一般和较差四个等级，采用自回归潜结构映射(AutoregressiveProjection to Latent Structure，AR-PLS)算法进行经济性能相关特征的提取，建立每个性能等级的离线模型;然后，将在线数据与离线模型逐个进行相似度匹配，并用相似度网格模型表示系统所处性能状态;最后，对非最优状态的过程数据进行变量贡献度诊断。乙烯裂解过程的工业应用表明了该方法的有效性。 3.针对生产过程运行数据与性能级标签之间存在的复杂非线性关系，提出一种基于多数据集主元分析与神经网络(Multi-Set Principal Component Analysis and NeuralNetwork，MSPCA-NN)模型的在线经济性能分级评估方法。采用MSPCA算法提取训练数据中性能相关的过程变化，排除不相关干扰，借助神经网络拟合样本数据与性能级标签之间的非线性关系。在线评估时，根据在线数据对应输出通道的预测值判断当前经济性能，并通过计算角系数分析过程状态。实验结果表明，该方法与基于主元分析与神经网络模型的方法相比具有更好的评估效果。