间歇过程双维特征下的建模与状态估计

Due to their high flexibility and low-volume production, batch processes play important roles in the national economy. Different from continuous processes, a typical batch process inherently operates in two dimensions, along time and across batches. The existing techniques for modeling and state estimation are subjected to limitations that they only consider the dynamics along the time dimension but discard the information along the batch dimension. From the two-dimensional viewpoint, this proposal investigates two-dimensional modeling and state estimation in batch processes. Through the Bayesian method and the repetition feature across batches, the existing identification methods are extended to the two-dimensional system by incorporating the information of batches. On the basis of the dynamics along the batch dimension, the data-driven methods are employed to develop two-dimensional dynamic model. By employing the two-dimensional model, the iterative learning strategy is introduced in the state estimation of batch processes. As a result, not only the dynamics along the time dimension is taken into account in the state transition, but also the information among batches is introduced in the state update. Aiming at demands of the update or upgrade in batch processes, the proposal is of significance in real industry. By considering the two-dimensional dynamics, the related theories for modeling and state estimation provide important means for process analysis, monitoring, control and optimization, as well as new ideas for enrichment of control theories and practices.

间歇过程生产批量小、转型快，在国民经济生产中占据重要地位。不同于连续过程，间歇过程本质上具有时间和批次维度上的双维特征。传统建模与估计方法仅考虑了时间演化特性，而忽略了批次维度上的信息，具有先天局限性。本项目将过程控制的一维视角拓展到两维，提出间歇过程时间演化和批次动态的双维建模与状态估计问题：在贝叶斯原理下，利用批次间的重复特征融入多批次信息，扩展单维动态模型下的传统辨识理论；在批次维度动态特性下，研究间歇过程的双维数据建模与辨识方法；通过双维动态模型，在间歇过程的状态估计中引入迭代学习思想，不仅考虑时间演化引起的状态转移，而且借助批次间不断的学习，将历史批次信息以批次动态的方式融入到状态估计中。项目研究面向间歇生产改造与升级需要，有很强的工程实际应用价值；双维特征下的建模和状态估计理论，不仅为间歇过程的分析、监测、控制和优化提供重要手段，而且为丰富过程控制的理论和实践提供了新思路。

经典间歇过程的状态估计方法是对连续过程方法的简单复制，仅考虑了时间演化特性，而忽略了批次维度上的重复特性以及双维动态特性，具有先天局限性。项目紧紧围绕研究计划和目标，从以下几个方面展开研究：综合考虑多批次信息，实现间歇过程的建模与参数的辨识；基于经典状态空间模型，利用历史批次的信息和当前批次的检测值实现状态估计；间歇过程双维非线性动态下，状态估计中信息的融合问题；间歇过程建模与估计等成果在发酵过程的分析、监测、控制和优化中的应用。项目完成了研究任务，取得了重要进展，课题成果具有广泛的推广价值。项目提出了非线性间歇过程的多向LPV建模方法，能够综合利用多批次信息，并将间歇发酵过程的微观代谢流与宏观物质变化联系起来；提出了模型/参数含有不确定信息时的扩展集员算法，以及迭代学习状态估计算法，能够根据历史批次的估计效果，对当前时刻的状态估计值进行修正；提出了双维动态下针对时滞测量值的双维粒子滤波算法，以及双维双粒子滤波估计方法，用于解决模型参数未知时的双维估计问题。在上述估计与建模理论基础上，开展了以下三个方面的应用研究：在实际间歇发酵过程中开展了检测与估计的应用研究，引入了近红外光谱和在线生化分析仪，并分别建立了校正模型和估计算法，解决了波长选择、模型更新以及测量值有时滞的估计与控制等问题；基于潜变量模型对间歇过程产品质量进行估计，根据与理想质量变量的偏差，对过程的运行条件进行批次内和批次间的调整；考虑了实际间歇过程运行中缺失数据和离群点的影响，将鲁棒潜变量建模方法用于过程监控中。项目成果形成论文发表30篇，其中11篇SCI期刊论文刊出，国际国内会议论文4篇，一篇论文获中国过程控制会议最佳张贴论文奖，13篇CSCD核心期刊论文发表，EI收录9篇；申请中国发明专利7项，获发明专利授权3项；获软件著作权2项；获中国轻工业联合会科技进步二等奖1项；硕士毕业生11人，博士毕业生1人，两名成员获得职称晋升。