间歇过程是现代工业生产的重要生产方式[1-2], 生产的产品遍布食品、药品、化工等众多领域[3-4].在完成有效动态控制基础上, 优化间歇过程操作变量曲线(manipulated variable trajectory, MVT)成为提高效益的重要手段[5].
目前, 国内外针对间歇过程的优化研究一般都是在建立过程模型的基础上求解最优操作变量曲线[6].如基于过程机理模型的优化方法, 这种建模方法一般需要掌握相关的专业知识, 而且一些过程要建立精确的机理模型十分困难而且费用昂贵[7].近年来, 随着传感检测技术发展与计算机存储能力的提高[8], 基于数据的经验建模方法被广泛用于间歇过程优化[9].根据有无批次内信息反馈, 又可以将这一方法大致分为两类:第1类是批次到批次的间歇过程优化方法, 如邸丽清等[10]、黄碧璇等[11]采用偏最小二乘(partial least squares, PLS)方法建立指标预测模型, 批次到批次地更新操作变量曲线.考虑过程的非线性, Li等[12]提出了一种非线性偏最小二乘建模方法; 贾润达等[13]以核偏最小二乘算法建模, 批次到批次迭代优化操作变量曲线.但是这种优化方法缺少及时的批次内信息反馈, 致使批次内噪声干扰影响最终优化效果.为了解决这一问题, Flores-Cerillo等[5]提出了一种批次内修正优化策略, 该方法在过程的不同位置设置决策点, 并在每一决策点上根据当前指标预测值与期望值的偏差对未实施的操作变量曲线进行调整. Jia等[14]改进了这一方法中的推理质量模型, 采用序贯正交偏最小二乘算法预测每一决策点上的终点指标.以上操作变量曲线的调整策略中, 一般是先将操作变量等连续性变量轨迹离散化为若干段, 然后调整各段使得终点指标变量趋于期望值.但是, 对于较长周期的生产过程, 如果划分段数过多, 则较多的参数会增加计算负担, 也会使得优化算法不稳定[15]; 如果划分段数过少, 则这些参数可能并不足以描述曲线特征.
针对上述问题, 本文提出一种基于互信息操作变量曲线参数化的间歇过程批内修正优化方法.通过计算操作变量与指标变量间的互信息和相关系数, 选出有代表性的参数用于优化分析.考虑批次内噪声干扰会影响最终优化效果, 提出一种带约束的间歇过程批内修正优化方法, 该方法根据当前工况信息对未实施的操作变量曲线进行调整, 确保最终指标优化效果.最后, 将所提出的优化方法用于双酚A结晶过程产品产量的优化研究, 通过仿真结果验证所提出优化方法在间歇过程中应用的可行性与有效性.
1 操作变量曲线参数化间歇过程优化问题本质上是一个动态非线性优化问题, 不失一般性, 间歇过程的优化问题通常可以描述为如下形式:
(1) |
其中: ψ为被最小化的过程性能指标, s(t)为操作变量轨迹, ϖ为系统状态变量, tf为终端时刻, F为描述系统动态性的函数, ϖ0为已知初始条件, Φ为路径约束.式(1)是一个难以直接求解的无穷维优化问题, 因而一般需要对其进行简化.常用的手段是将优化模型中操作变量等连续性变量进行分段离散化处理, 从而将这一动态优化问题转化为下式描述的静态优化问题:
(2) |
其中: {sl|l = 1, 2, …,
下面以图 1中几种基本形态下的操作变量曲线参数化为例, 详细说明本文提出的基于互信息的操作变量曲线参数化方法. 图 1分别描述了形态为水平直线、斜线、二次多项式型操作变量曲线.首先, 将操作变量曲线进行分段常数参数化处理, 按固定采样时间对曲线进行分段, 由此, 图 1(a)中操作变量曲线可采用参数集[s1, s2, …, s15]描述, 图 1(b)中操作变量曲线可采用参数集[s1, s2, …, s12]描述, 图 1(c)中操作变量曲线可采用参数集[s1, s2, …, s14]描述.
为了选出有代表性的参数对操作变量曲线进行表征, 本文首先采用互信息[17-18]计算操作变量与指标变量间的相关性.
1.1 互信息理论互信息是一个随机变量对包含另一个随机变量信息量的度量, 互信息越大, 两个变量之间的相关性越强.计算式可以写为如下形式:
(3) |
其中: S、Y为离散型随机变量, f*(s)表示s的概率密度函数, f*(y*)表示y*的概率密度函数, f(s, y*)表示s与y*的联合概率密度,
根据式(3)计算各操作变量与终点指标间的互信息.进一步, 考虑到工业生产出于安全角度, 所设定的操作变量曲线一般不会大幅度改变, 但是操作变量曲线较小的变动都能在测量变量曲线上得到体现, 因而, 本文通过计算测量变量曲线离散化的各段与指标变量间的互信息来分析不同时段操作变量与指标变量间作用关系.若图 1各操作变量与指标变量间互信息计算结果如各自右上角子图所示, 而后根据采样的时间顺序, 依次判断相邻的操作变量对指标变量贡献程度的差异, 则当贡献度差异超过下式设定的阈值时, 此区间划分完毕, 进入下一参数化区间的划分:
(4) |
其中:
进一步, 考虑到操作变量曲线离散化的各段对指标作用有正有负, 因而在上述参数化结果的基础上, 还需判断各区间不同部分对指标作用方向是否一致.对此, 本文采用相关系数进行操作变量与指标变量间正负相关性判断, 具体方法下:
(5) |
其中:
在数据驱动型间歇过程优化研究中, PLS算法常被用于建立操作变量与指标变量间的预测模型, 本文也采用这一方法对间歇过程建模.
假定采集J个变量在K个采样点下的L批次构成的三维数据为
(6) |
其中: T=[t1, t2, …, ta*]为得分矩阵(主元), a*为主元数, P、V分别为X、y的载荷矩阵, L、D为残差矩阵.由于主元t1, t2, …, ta*可以表示成x1, x2, …, xIa的线性组合, 可得y关于X的偏最小二乘回归模型为
(7) |
其中: xnew为新批次数据,
进一步, 考虑到随着时间的推移, 间歇过程的生产特性也会发生变化, 如果使用固定的偏最小二乘回归模型对指标进行预测, 则预测结果可能会与实际过程偏差越来越大, 影响优化效果.为了解决这一问题, 本文采用Dayal等[20]提出的自适应偏最小二乘模型, 具体方法如下:
(8) |
其中: Xk为前k个批次数据; xk为第k个批次数据; β为权重系数, 表示历史批次数据的重要性; y1 ~ k - 1为前k-1个批次的指标变量; yk为第k个批次的指标变量;
(9) |
间歇性生产过程中的扰动往往影响最终的产品质量, 因而本文采用基于批次内修正的优化策略, 如图 2所示.根据过程的阶段特性, 设置决策点({θ0, θ1, θ2, θ3}), 然后根据当前决策点上终点指标的预测值与期望值之间的偏差, 对决策点之后未实施的操作变量曲线进行调整, 从而可以得到新的操作变量曲线s(0)、s(1)、s(2)、s(3), 以下将对该方法进行详细介绍.
假定第k批次预测终点指标变量
(10) |
第k+1批次预测终点指标变量
(11) |
其中xk + 1包含两类数据:决策点θh(h = 0, 1, …)之前已知的操作变量数据和过程测量变量数据xk + 1known, (0:θh); 决策点θh之后未实施的操作变量数据和未知的过程测量变量数据xk + 1feature, (0:θh).
进一步, 根据式(10)和(11)可以得到[10]
(12) |
为了使预测指标最终收敛于期望值, 该优化问题可以写为如下形式:
(13) |
其中: Q1、Q2为权重矩阵, xmin、xmax分别为xk + 1调整范围的上下界, Δ xk + 1为xk + 1的调整量.上述优化问题可以简化为带约束的二次规划问题求解, 进而得到第xk+1个批次变量(操作变量与测量变量)的调整量Δ xk + 1, 则第k+1个批次优化的操作变量与过程测量变量为xk + 1 = xk + Δ xk + 1.
当h=0时, 式(13)即为批次到批次优化策略, 当生产过程进行到h>0时, 此时部分批次数据已知, 可根据该部分已知数据对尚未实施的操作变量数据进行调整, 具体方法如下.
若
若
(14) |
其中
(15) |
其中
Δ xk + 1'future, (0:θh)是决策点θh之前的调整量,
根据式(14)和(15)可得决策点后批次变量的调整
(16) |
其中:
本文以间歇结晶过程为研究实例, 采用实际工业生产中31批次正常工况下的温度操作变量数据、2个过程测量变量数据进行优化研究, 各批次单位时间内产品产量作为指标.整个生产过程共分为4个操作阶段, 每批次的生产时间约为2 h, 产品产量只能在批次生产结束后获得, 生产过程期望指标为24 t / h.先将采集的操作变量数据及过程测量变量数据进行数据预处理, 再进行数据对齐.
将对齐的过程变量曲线分段离散化, 其中分段时间间隔为1 min.操作变量曲线与测量变量曲线各划分为138个时段, 对应地采用分段常数参数化方法表征一条曲线时则需要138个参数.根据式(3) ~ (5)计算测量变量曲线各时段与指标变量之间的互信息相关系数.
结合式(5)和操作变量曲线的形态特征, 选择代表性参数对操作变量曲线进行表征, 选择结果如表 1所示.
从表 1中可以看出, 相比于阶跃分段常数参数化方法[16]下需要调整138个操作变量曲线参数, 本文参数化方法仅选择其中64个参数用于优化, 大大降低了优化运算的复杂度.
进一步, 为了验证所提出参数化方法的有效性, 将两种参数化方法应用于本文优化方法, 结晶过程产品产量的优化结果如图 3所示.
图 3中曲线Y1、Y2、Y3对应于分段常数参数化方法下决策点数分别为0、1、2时优化方法对应的产品产量预测值, 曲线Y4、Y5、Y6对应于本文参数化方法下决策点数分别为0、1、2时优化方法对应的产品产量预测值.比较两组参数化方法下的指标迭代优化曲线可以看出, 本文参数化方法使得优化算法的收敛速度更快, 由此验证了本文参数化方法在间歇过程优化中的有效性.
另外, 为了检验所提出优化方法的有效性, 将文献[10]中优化方法与本文优化方法进行比较, 在仿真中的第5个批次施加10 %的扰动, 该扰动持续到本批次结束.可以看出, 相比于文献[10]中批次到批次的优化方法, 本文所提出批次内修正的优化方法能明显减弱扰动对优化效果的影响, 由此验证了本文优化方法的有效性.同一参数化方法下优化操作变量曲线如图 4和图 5所示.
对比图 4与图 5两种参数化方法下优化的操作变量曲线可以看出, 本文参数化方法下获得的优化操作变量曲线更为平滑, 这也更便于在实际工业生产中的实施.
综上, 相比于采用分段离散化方法的优化策略, 本文所提出的参数化方法使得优化模型所需调整参数更少, 优化收敛速度更快, 优化的操作变量曲线更为平滑, 本文参数化方法表现出了更好的优化性能; 相比于批次到批次的优化方法, 本文所提出的批内修正优化方法能够明显减弱扰动对最终优化效果的影响, 由此验证了本文方法的有效性.
5 结论本文针对间歇过程批次内噪声干扰与优化模型中参数过多会影响优化效果问题, 提出了一种基于互信息操作变量曲线参数化的间歇过程批内修正优化新策略: 1)采用互信息与相关系数对操作变量曲线进行参数化处理, 选取有代表性参数对曲线进行表征, 仿真结果表明, 本文参数化方法在减少优化模型中待调参数数量的同时, 提高了优化收敛速度; 2)当批次内存在明显扰动时, 仿真结果表明, 所提出带约束的间歇过程批次内修正优化方法能够根据生产过程中的信息对未实施的操作变量曲线进行调整, 从而减弱批次内扰动对最终优化效果的影响, 由此验证了本文方法的有效性.
[1] |
史洪岩, 苑明哲, 王天然, 等. 间歇过程动态优化方法综述[J]. 信息与控制, 2012, 41(1): 75-82. (Shi H Y, Yuan M Z, Wang T R, et al. A survey on dynamic optimization methods of batch processes[J]. Information and Control, 2012, 41(1): 75-82.) |
[2] |
赵春晖, 王福利, 姚远, 等. 基于时段的间歇过程统计建模、在线监测及质量预报[J]. 自动化学报, 2010, 36(3): 366-374. (Zhao C H, Wang F L, Yao Y, et al. Phase-based statistical modeling, online monitoring and quality prediction for batch processes[J]. Acta Automatica Sinica, 2010, 36(3): 366-374.) |
[3] |
Corbett B, Mhaskar P. Data-driven modeling and quality control of variable duration batch processes with discrete inputs[J]. Industrial & Engineering Chemistry Research, 2017, 56(24): 6962-6980. |
[4] |
Bonvin D, Srinivasan B. Control and optimization of batch processes[J]. IEEE Control Systems Magazine, 2006, 26(6): 34-45. DOI:10.1109/MCS.2006.252831 |
[5] |
Flores-Cerrillo J, MacGregor J F. Control of batch product quality by trajectory manipulation using latent variable models[J]. Journal of Process Control, 2004, 14(5): 539-553. DOI:10.1016/j.jprocont.2003.09.008 |
[6] |
Srinivasan B, Palanki S, Bonvin D. Dynamic optimization of batch processes Ⅰ: Characterization of the nominal solution[J]. Computers & Chemical Engineering, 2003, 27(5): 759-760. |
[7] |
仇力, 栾小丽, 刘飞. 基于主元相似度的间歇过程操作曲线递推优化[J]. 化工学报, 2017, 68(7): 2859-2865. (Qiu L, Luan X L, Liu F. A recursive optimization method for batch process trajectories based on similarity of principal components[J]. Journal of Chemical Industry and Engineering: China, 2017, 68(7): 2859-2865.) |
[8] |
魏华彤.基于数据驱动的间歇过程监控方法研究[D].北京: 北京化工大学信息科学与技术学院, 2013. (Wei H T. Research on data-driven intermittent process monitoring method[D]. Beijing: School of Information Science and Technology, Beijing University of Chemical Technology, 2013.) |
[9] |
Fiordalis A, Georgakis C. Data-driven, using design of dynamic experiments, versus model-driven optimization of batch crystallization processes[J]. Journal of Process Control, 2013, 23(2): 179-188. DOI:10.1016/j.jprocont.2012.08.011 |
[10] |
邸丽清, 熊智华, 阳宪惠. 基于MPLS的间歇过程终点质量迭代优化控制[J]. 化工自动化及仪表, 2007, 34(2): 10-12. (Di L Q, Xiong Z H, Yang X H. MPLS-based batch process endpoint quality iterative optimization control[J]. Control and Instruments in Chemical Industry, 2007, 34(2): 10-12. DOI:10.3969/j.issn.1000-3932.2007.02.003) |
[11] |
黄碧璇, 毛志忠, 贾润达. 草酸钴合成过程批次间自适应优化[J]. 控制理论与应用, 2016, 33(2): 189-195. (Huang B X, Mao Z Z, Jia R D. A batch-to-batch adaptive optimization for the cobalt oxalate synthesis process[J]. Control Theory & Applications, 2016, 33(2): 189-195.) |
[12] |
Li C F, Zhang J, Wang G Z. Batch-to-batch optimal control of batch processes based on recursively updated nonlinear partial least squares models[J]. Chemical Engineering Communications, 2007, 194(3): 261-279. DOI:10.1080/00986440600829796 |
[13] |
贾润达, 毛志忠, 王福利. 基于KPLS模型的间歇过程产品质量控制[J]. 化工学报, 2013, 64(4): 1332-1339. (Jia R D, Mao Z Z, Wang F L. KPLS model based product quality control for batch processes[J]. Journal of Chemical Industry and Engineering: China, 2013, 64(4): 1332-1339. DOI:10.3969/j.issn.0438-1157.2013.04.029) |
[14] |
Jia R D, Mao Z Z, Wang F L, et al. Sequential and orthogonalized partial least-squares model based real-time final quality control strategy for batch processes[J]. Industrial & Engineering Chemistry Research, 2016, 55(19): 5654-5669. |
[15] |
叶凌箭, 马修水, 宋执环. 基于输入轨迹参数化的间歇过程迭代学习控制[J]. 化工学报, 2016, 67(3): 743-750. (Ye L J, Ma X S, Song Z H. Iterative learning control of batch process with input trajectory parameterization[J]. Journal of Chemical Industry and Engineering: China, 2016, 67(3): 743-750.) |
[16] |
孔祥松.快速、低成本间歇过程无模型优化方法研究[D].杭州: 浙江大学控制科学与工程学院, 2011. (Kong X S. Research on model-free optimization method for fast and low-cost intermittent processes[D]. Hangzhou: College of Control Science and Engineering, Zhejiang University, 2011.) |
[17] |
Rossi F, Lendasse A, François D, et al. Mutual information for the selection of relevant variables in spectrometric nonlinear modelling[J]. Chemometrics and Intelligent Laboratory Systems, 2006, 80(2): 215-226. DOI:10.1016/j.chemolab.2005.06.010 |
[18] |
Shannon C E. Communication theory of secrecy systems[J]. Bell System Technical Journal, 1949, 28(4): 656-715. DOI:10.1002/j.1538-7305.1949.tb00928.x |
[19] |
夏源.基于信息熵的软测量问题研究[D].无锡: 江南大学物联网工程学院, 2015. (Xia Y. Research on soft measurement based on information entropy[D]. Wuxi: School of Internet of Things Engineering, Jiangnan University, 2015.) |
[20] |
Dayal B S, MacGregor J F. Improved PLS algorithms[J]. Journal of Chemometrics, 1997, 11(1): 73-85. DOI:10.1002/(SICI)1099-128X(199701)11:1<73::AID-CEM435>3.0.CO;2-# |