工业过程动态数据的多模型在线重构研究

Under the background of industry 4.0, complex industrial processes with large-scale dynamic data are in urgent need of dynamic modeling method based on systematic analyzing the operating conditions. With regard to the industrial process modeling with dynamic data, and the data exhibit uncertain disturbance, missing data and time delay, this program is designed for carrying out the online reconstruction based on the multiple model approach. The aim is to put forward a new global process model with simple model structure and time-varying parameters. The main contents of this program will cover the scopes as below. Firstly, the process model based on the offline data is developed, and to optimize and adaptive reconstruct the process model, the local models as well as the weighting functions are reconstructed, respectively. Secondly, online alternate reconstruction approach is proposed for the dynamic data with uncertain disturbance; recursive reconstruction approach for the dynamic data with missing data; transfer reconstruction approach for the dynamic data with time delay. Meanwhile, the textile fiber processing system as a typical industrial process is applied to further validate the effectiveness of the proposed approach. With the achievements above, the program has important theoretical and realistic significance, and would enhance productivity, improve the quality of the product and achieve energy conservation and emissions reduction.

工业4.0背景下以大规模动态数据为主的复杂工业过程, 迫切需要系统地分析具体工况，提出其在线动态建模方法。本项目紧紧围绕工业过程动态数据建模的发展方向，分别针对动态数据含有未知扰动、遗失数据以及时间延迟等难题，系统地开展基于多模型方法的在线重构方法研究。提出基于多模型方法的结构简单、参数时变、易于应用的全局过程模型来描述工业过程；基于离线数据建立的过程模型，分别针对局部模型和权重函数实现过程模型依据动态数据在线自适应重构，使模型更加符合系统的动态特性；提出过程动态数据含有未知扰动的在线交替重构、含有遗失数据的在线递推重构和含有时间延迟的在线转移重构等方法。选取纺织纤维加工系统的典型工业过程，对提出的多模型在线重构方法进行验证。本项目成果对于复杂工业过程的大规模动态数据建模具有重要价值，并对其提高生产效率、提升产品质量、实现节能减排等具有重要的理论和实际意义。

现代社会对工业过程的精度要求越来越高，使得针对工业过程的建模变为越来越重要。本项目针对大规模动态数据为主的复杂工业过程，提出了基于动态数据的多模型建模方法。（1）针对具有随机时间延迟的非线性双率系统和含有未知分段线性的时变时间延迟的非线性系统，提出了基于多模型方法以及基于期望最大化算法的辨识方法。该方法在不同工作点辨识局部模型，应用权函数将所有的局部模型组合成整个非线性系统模型。在高斯权重函数的基础上，提出了具有混合高斯权重函数的多模型方法应用于工业过程离线建模，提出了三种混合高斯权值，分别为混合权值为已知、混合权值为未知矩阵和混合权值具有高斯形。在期望最大化算法的框架下，同时估计局部模型、权重函数的未知参数。（2）针对独立异方差噪声问题，将权重战略引入高斯过程回归算法，提出三种加权的算法，分别为聚类算法，部分加权算法和加权算法。进一步地，将三种加权方法被扩展到多变量的情形。（3）随着系统的运行，工作情况逐渐变化，原预测性能较好的离线模型出现较明显偏差。依据免疫系统系统的机制，建立针对工业系统的自适应在线重构模型。所提算法具有学习、记忆和进化的能力，能够在系统工作点切换后自动的进行系统模型的更新。（4）采用企业聚酯纤维生产过程中所采集的数据，采用极限学习机算法对聚酯纤维纺丝过程的四个主要影响因素和四个主要性能指标建立数据驱动模型，对表征聚酯纤维纺丝过程的多输入/多输出系统进行无模型自适应控制，并验证了方法在聚酯纤维纺丝过程控制中的有效性。.项目执行期间在国内外期刊和学术会议上发表或录用标注受本项目资助的论文14篇，其中SCI检索论文4篇，EI检索论文13篇；申请国家发明专利6，其中授权国家发明专利1项；登记软件著作权2项；出版专著1部。