基于多向多率数据模型的发酵过程统计监控与优化

发酵工业是轻工业的重要组成部分，当前和今后相当长的时期内提高发酵产量和质量是国家重点振兴计划。但是，发酵过程内部微观动态复杂，外部宏观表现时变、强非线性和突变，加之批次之间固有的原料、初始条件等差异，使得发酵过程数学模型建立困难，严重阻碍了其自动化水平的发展。本课题瞄准发酵过程监控及优化的瓶颈问题，根据过程的日常运行数据，融合在线和离线变量信息，扩展单率数据驱动建模方法，建立过程多向多率数据模型，并以此为基础，一方面，综合考虑过程多阶段、批次间变量异步等复杂情形，基于动态关键变量规整技术，分阶段实现过程统计监控；另一方面，提取和控制不相关的动态特征向量，通过建立特征向量逆模型，优化过程变量的设定点，减少操作保守性。更进一步，实时预测关键参数，并融合统计监控指标对关键变量进行反馈带约束的优化控制，实现多向统计过程监控与反馈控制相结合的广义优化控制策略，提高产品得率和质量，减少过程操作成本。

有别于连续化工过程，间歇发酵过程的数据表现为三维形式，并且关键参数与常规参数的采样周期往往不一样，给过程监控、优化和控制等带来了困难。课题组以基于多向多率模型的过程监控和优化立项以来，紧紧围绕研究计划和目标，针对多维多采样率数据下的参数估计与过程监控等问题展开研究，取得了重要进展，课题成果具有广泛的推广价值。具体地，基于批次间初始条件的动态模型，将双维动态的思想应用于发酵过程的参数辨识中，即时间维度上的动态和批次维度上的动态，开创性地提出了发酵过程双维辨识方法；基于贝叶斯估计算法框架，首次将双维动态的思想引入到发酵过程的状态估计中，使得历史批次信息能够在本批次的状态估计中得到充分应用，并考虑关键参数的离线测量值和小采样率变量对状态估计值的影响，提出了一种多采样率下发酵过程的双维状态估计算法；采用三种策略处理带约束的状态估计问题，研究了将约束条件加于先验粒子、后验粒子和状态估计值等三种情形，分别提出了约束逆转化采样算法、约束重采样算法和粒子权值优化和有效粒子个数调整方法，常用的Acceptance/rejection方法可归于该算法特例，不需要任何假设，且避免了复杂的计算，物理意义清楚；在过程监控方面，应用因子分析、偏最小二乘等算法分别处理多阶段、非线性以及非高斯分布等条件下的过程建模以及监控指标的构建问题，并改进了基于因子分析的过程监控方法，充分考虑了概率模型下各采样数据的概率分布，减少了常规监控指标的保守性，且分析了遗失数据（包括多采样率）下监控指标的概率特性；针对发酵过程的多阶段运行问题，将发酵过程抽象为不确定马尔可夫跳变系统，设计带不确定参数下PID控制器，采用T-S模型模拟不确定延迟下的马尔可夫跳变系统，设计鲁棒故障检测滤波器。课题累计完成论文18篇，其中6篇SCI期刊论文刊出，国际会议论文3篇，SCI期刊投稿3篇，4篇CSCD核心期刊论文发表，EI收录5篇；申请发明专利1项，获授权1项；获软件著作权2项；获中国轻工业联合会优秀奖1项，排名第二；培养硕士毕业生3人，博士毕业生1人，目前还有3个硕士预计在2013年6月份毕业。