一种基于时序预测的过程工业生产系统的智能控制方法与流程

1.本技术涉及过程工业技术领域，尤其是一种基于时序预测的过程工业生产系统的智能控制方法。


背景技术：

2.过程工业，是指通过物理变化和化学变化进行的生产过程，主要包括石油、化工、钢铁、有色、建材等基础原材料行业，这些行业大多是国民经济的支柱和基础产业，也是我国经济持续增长的重要支撑力量。
3.在工业生产系统的操纵变量进行合理的控制可以有效提高生产效率，目前对操纵变量的控制方法主要有两种：一种是依赖于人工经验控制，以期达到预定生产指标，但是人工操作经验参差不齐，易造成资源浪费，生产指标波动大，难以使工况运行在最佳状态。另一种常用的控制方法是pid控制，pid控制对于大部分传统工业生产系统的控制都具有较好的效果。
4.但是过程工业生产系统相比于传统工业生产系统具有如下特点：(1)工业生产系统更易受到外界扰动，易受上一级工艺参数波动的影响。(2)由于工业生产系统中的设备的物理限制和安全性考虑，工业生产系统的控制过程中的约束条件更多。(3)工业生产系统涉及到物理变化和化学变化，非线性复杂严重且耦合性强，很难建立精确的机理模型。这些特点导致pid控制针对工业生产系统的控制效果并不理想，这是因为传统的pid控制的增益参数受环境影响，而由于工业生产系统相比于传统工业生产系统具有高复杂性、强非线性、强相关性和不确定性，pid的被控对象处于经常变化的环境中，需要根据环境的变化来调整pid增益，控制难度较大。而且pid控制仍是三个方面加权的线性组合，所以对工业生产系统中的强非线性问题并不能很好的解释，且pid控制以误差反馈来降低并消除误差，所以经常会因为初始的控制力度太大而使系统行为出现超调。


技术实现要素：

5.本技术人针对上述问题及技术需求，提出了一种基于时序预测的过程工业生产系统的智能控制方法，本技术的技术方案如下：
6.一种基于时序预测的过程工业生产系统的智能控制方法，该智能控制方法包括：
7.对于过程工业生产系统中的任意一个被控变量，利用被控变量、被控变量对应操纵变量、被控变量对应的扰动变量的历史时序数据训练得到时序预测模型，每个被控变量受对应的操纵变量和扰动变量的影响，时序预测模型基于长短期记忆网络建立得到，时序预测模型用于根据输入的历史的t-n时刻至当前t时刻之间的操纵变量的历史时序数据和被控变量的历史时序数据、输出被控变量在未来t+n时刻的预测值，t、n分别为整数参数；
8.对于任意一个被控变量对应的各个操纵变量，以被控变量的时序预测模型输出的被控变量在未来t+n时刻的预测值达到对应的目标值作为优化目标，利用量子粒子群优化算法对各个操纵变量在当前t时刻的取值进行寻优，直至得到达成优化目标时的各个操纵
变量的取值，作为每个操纵变量基于被控变量的参考操纵值；
9.对过程工业生产系统中各个操纵变量基于各个被控变量的参考操纵值进行整体优化，得到过程工业生产系统中各个操纵变量的目标操纵值；
10.按照各个操纵变量的目标操纵值控制过程工业生产系统中的各个操纵变量。
11.其进一步的技术方案为，对过程工业生产系统中各个操纵变量基于各个被控变量的参考操纵值进行整体优化，包括对于过程工业生产系统中任意一个操纵变量：
12.当操纵变量仅对应并影响一个被控变量时，将操纵变量基于其影响的被控变量的参考操纵值直接作为操纵变量的目标操纵值；
13.当操纵变量对应并影响多个被控变量时，对操纵变量分别基于不同的被控变量的参考操纵值进行加权计算，得到操纵变量的目标操纵值。
14.其进一步的技术方案为，在对操纵变量分别基于不同的被控变量的参考操纵值进行加权计算时，操纵变量基于每个被控变量的参考操纵值的加权权重与对应的被控变量的优先级相关，被控变量的优先级越高，对应的加权权重越大。
15.其进一步的技术方案为，对操纵变量分别基于不同的被控变量的参考操纵值进行加权计算还包括：
16.在操纵变量基于每个被控变量的参考操纵值的情况下，确定过程工业生产系统中影响操纵变量的各个过程变量的取值，并按照过程变量的取值对应的数据修正策略修正操纵变量基于被控变量的参考操纵值；
17.对操纵变量基于不同的被控变量的修正后的参考操纵值进行加权计算。
18.其进一步的技术方案为，利用历史时序数据训练得到任意一个被控变量对应的时序预测模型包括：
19.获取被控变量对应的历史数据集，历史数据集包括若干组历史时序数据，每组历史时序数据包括被控变量、被控变量对应操纵变量、被控变量对应的扰动变量的历史时序数据；
20.将历史数据集划分为训练集、验证集和阶跃响应测试集；
21.在任意一轮模型迭代中，利用训练集对时序预测模型进行模型训练，利用验证集验证时序预测模型的预测精度以计算得到精度指标p
val
，利用阶跃响应测试集验证时序预测模型的工艺逻辑合理性以得到阶跃响应指标f
sep
，精度指标p
val
越高、预测精度越高，阶跃响应指标f
sep
越高、工艺逻辑合理性越高；
22.根据当前一轮模型迭代的精度指标p
val
和阶跃响应指标f
sep
确定时序预测模型在下一轮模型迭代的模型参数，并进入下一轮模型迭代，直至达到总迭代次数。
23.其进一步的技术方案为，根据当前一轮模型迭代的精度指标p
val
和阶跃响应指标f
sep
确定时序预测模型在下一轮模型迭代的模型参数，包括：
24.在当前一轮模型迭代的精度指标p
val
达到上一轮模型迭代的精度指标p
val
，且当前一轮模型迭代的阶跃响应指标f
sep
达到上一轮模型迭代的阶跃响应指标f
sep
时，直接保存时序预测模型的模型参数供下一轮模型迭代使用；
25.在当前一轮模型迭代的阶跃响应指标f
sep
达到上一轮模型迭代的阶跃响应指标f
sep
，当前一轮模型迭代的精度指标p
val
未达到上一轮模型迭代的精度指标p
val
但两轮模型迭代的精度指标p
val
的差值未超过差值阈值时，直接保存时序预测模型的模型参数供下一
轮模型迭代使用；
26.否则，按照预定策略调整时序预测模型的模型参数作为时序预测模型在下一轮模型迭代的模型参数。
27.其进一步的技术方案为，利用阶跃响应测试集验证时序预测模型的工艺逻辑合理性以得到阶跃响应指标f
sep
，包括：
28.初始化被控变量对应的任意第j个操纵变量在阶跃响应测试集上符合工艺逻辑的次数fj＝0，j是起始值为1的整数参数；
29.遍历阶跃响应测试集中的任意第g组历史时序数据，固定第g组历史时序数据中除第j个操纵变量之外的其余操纵变量和扰动变量的取值不变，在第j个操纵变量的取值范围内对第j个操纵变量的取值进行阶跃调整，当检测到时序预测模型输出的被控变量在第j个操纵变量进行阶跃调整的过程中的变化趋势符合工艺逻辑时，令fj＝fj+1，否则保持fj取值不变，g是起始值为1的整数参数；
30.若未遍历完阶跃响应测试集中所有g组历史时序数据，则令g＝g+1并再次执行遍历阶跃响应测试集中的任意第g组历史时序数据的步骤；
31.若遍历完阶跃响应测试集中所有g组历史时序数据，则得到第j个操纵变量在阶跃响应测试集上符合工艺逻辑的次数fj；令j＝j+1并再次执行初始化被控变量对应的任意第j个操纵变量在阶跃响应测试集上符合工艺逻辑的次数的步骤，直至得到被控变量对应的所有j个操纵变量在阶跃响应测试集上符合工艺逻辑的次数，j为整数参数；
32.根据被控变量对应的所有操纵变量在阶跃响应测试集上符合工艺逻辑的次数得到阶跃响应指标f
sep
。
33.其进一步的技术方案为，得到阶跃响应指标f
sep
包括：
34.对时序预测模型分别施加q个初始变量，在给时序预测模型施加任意第q初始变量的基础上，确定被控变量对应的所有j个操纵变量在阶跃响应测试集上符合工艺逻辑的次数之和fq，确定阶跃响应指标q是起始值为1的整数参数。
35.其进一步的技术方案为，每个被控变量对应的时序预测模型包括从输入到输出依次设置的两个长短期记忆网络以及两个全连接层；在每个长短期记忆网络中，输入门、遗忘门和输出门中的激活函数使用prelu，隐藏层和细胞状态的激活函数使用tanh，将细胞状态加入用于计算输入门、遗忘门和输出门。
36.其进一步的技术方案为，在每个长短期记忆网络中，时间步s的输入门is、遗忘门fs和输出门os的计算公式为：
[0037][0038]
其中，xs是时间步s的输入层，cs是时间步s的细胞状态，c
s-1
是时间步s-1的细胞状态，hs是时间步s的隐藏层，h
s-1
是时间步s-1的隐藏层，且有cs＝fs×cs-1
+is×
tanh(wch
s-1
+wcxs)，hs＝os×
tanh(cs)；wi、wf、wo、wc、bi、bf和bo分别是模型学习的参数。
[0039]
本技术的有益技术效果是：
[0040]
本技术公开了一种基于时序预测的过程工业生产系统的智能控制方法，该方法通过建立时序预测模型来有效预测被控变量在未来的值，以通过寻优算法来确定操纵变量的值，继而整体考虑得到各个操纵变量的目标操纵值，可以自动学习和拟合非线性过程的特征，并且可以同时处理多个被控变量，拟合非平稳过程的特征，使整体控制过程稳定又可控，而且后续也可以根据实际应用场景的不同，可以做相关的改进和提升，并且构建的时序模型可以自动学习和消除噪声，因此对噪声的敏感性较低，能够提供更稳定的预测结果。该智能控制方法可以解决过程工业生产过程中存在的外界扰动、多约束、机理建模复杂等问题，又能弥补因传统pid的特性导致的在过程工业领域控制的不足，本方法按理论分属于mpc，但又区别于mpc多控制变量整体建模的方式，既吸取了mpc的在多约束问题上的先天优势，又避免了因多控制变量整体建模而导致模型构建困难，稳定差等缺点。
附图说明
[0041]
图1是本技术一个实施例的智能控制方法的方法流程图。
[0042]
图2是本技术一个实施例中任意一个时序预测模型中单个长短期记忆网络的逻辑框图。
[0043]
图3是本技术一个实施例中训练时序预测模型的方法流程图。
[0044]
图4是本技术一个实施例中得到阶跃响应指标的方法流程图。
具体实施方式
[0045]
下面结合附图对本技术的具体实施方式做进一步说明。
[0046]
本技术公开了一种基于时序预测的过程工业生产系统的智能控制方法，请参考图1所示的流程图，该智能控制方法包括如下步骤：
[0047]
步骤1，确定过程工业生产系统中的各个被控变量，以及每个被控变量对应的操纵变量和扰动变量。
[0048]
过程工业生产系统中的被控变量是过程工业生产系统中需要控制的一些生产运行参数，在不同的过程工业生产系统具有不同的实际含义。被控变量是过程工业生产系统中所有的生产运行参数，或者是其中部分关键的生产运行参数。
[0049]
每个被控变量受对应的操纵变量和扰动变量的影响，操纵变量是过程工业生产系统中可以人为调节取值且取值的调节方式明确的变量，扰动变量是过程工业生产系统中无法人为控制的、主要由外界扰动引起的变量。每个被控变量对应一个或多个操纵变量，以及对应一个或多个扰动变量。同样的，在在不同的过程工业生产系统，操纵变量和扰动变量具有不同的实际含义。
[0050]
过程工业生产系统中有多个被控变量，每个被控变量受控于各自对应的操纵变量和扰动变量，任意两个被控变量对应的操纵变量相同不同，任意两个被控变量对应的扰动变量相同不同。
[0051]
过程工业生产系统中包含较多数量的操纵变量，对于任意一个操纵变量，该操纵变量有三种情况：(1)仅对过程工业生产系统中的一个被控变量产生影响，则该操纵变量仅对应一个被控变量。(2)对过程工业生产系统中的多个被控变量产生影响，则该操纵变量对
应多个被控变量。(3)不对过程工业生产系统中的任何被控变量产生影响，则该操纵变量不对应任何被控变量。
[0052]
比如在一个实例中，过程工业生产系统中有被控变量ctrl1、ctrl2和ctrl3，被控变量ctrl1对应操纵变量m1、操纵变量m2以及扰动变量d1，被控变量ctrl2对应操纵变量m1以及扰动变量d2，被控变量ctrl3对应操纵变量m3以及扰动变量d3。则被控变量ctrl1受两个操纵变量的影响，而被控变量ctrl2和被控变量ctrl3都只受一个操纵变量的影响，且被控变量ctrl1和被控变量ctrl2都受到同一个操纵变量m1的影响。
[0053]
步骤2，对于过程工业生产系统中的任意一个被控变量，利用该被控变量、被控变量对应操纵变量、被控变量对应的扰动变量的历史时序数据训练得到时序预测模型。
[0054]
任意一个被控变量对应的时序预测模型用于根据输入的历史的t-n时刻至当前t时刻之间的操纵变量的历史时序数据和被控变量的历史时序数据、输出被控变量在未来t+n时刻的预测值，t、n分别为整数参数。
[0055]
1、首先，构建时序预测模型的网络结构。
[0056]
本技术中任意一个被控变量对应的时序预测模型基于长短期记忆网络建立得到，在一个实施例中，每个被控变量对应的时序预测模型包括从输入到输出依次设置的两个长短期记忆网络以及两个全连接层。另外，对于长短期记忆网络也做了改进，在每个长短期记忆网络中：
[0057]
(1)输入门、遗忘门和输出门中的激活函数使用prelu来替换常规的sigmoid，具有如下好处：
[0058]
使用prelu作为激活函数更好求解导数，同时没有其他复杂激活函数中诸如指数函数的影响，可以使网络计算速度更快。
[0059]
使用prelu作为激活函数还可以防止梯度爆炸和消失，当数值过大或者过小，诸如sigmoid和tanh之类的激活函数的导数接近于0，而prelu为非饱和激活函数，不存在这种现象。
[0060]
激活函数prelu的计算公式为参数a随着模型的训练过程的更新公式为μ为动量，ζ为学习率，表示求参数a的梯度。因此与relu相比，激活函数prelu引入参数a来解决输入不能为负数的情况，并且参数a的取值不是固定值，可以随着模型的训练过程进行更新，使得模型整体的拟合效果达到最优。
[0061]
(2)隐藏层和细胞状态的激活函数使用tanh。
[0062]
(3)将细胞状态加入用于计算输入门、遗忘门和输出门。
[0063]
基于上述三部分的改进设计，如图2所示，在每个长短期记忆网络中，时间步s的输入门is、遗忘门fs和输出门os的计算公式为：
[0064][0065]
其中，xs是时间步s的输入层，cs是时间步s的细胞状态，c
s-1
是时间步s-1的细胞状
态，hs是时间步s的隐藏层，h
s-1
是时间步s-1的隐藏层，且有cs＝fs×cs-1
+is×
tanh(wch
s-1
+wcxs)，hs＝os×
tanh(cs)。wi、wf、wo、wc、bi、bf和bo分别是模型学习的参数。
[0066]
2、在构建得到时序预测模型的网络结构后，利用该被控变量、被控变量对应操纵变量、被控变量对应的扰动变量的历史时序数据来进行模型训练，包括如下步骤，请参考图3所示的流程图：
[0067]
(1)获取该被控变量对应的历史数据集。
[0068]
历史数据集包括若干组历史时序数据，每组历史时序数据包括被控变量、被控变量对应操纵变量、被控变量对应的扰动变量的历史时序数据。
[0069]
(2)将历史数据集划分为训练集、验证集和阶跃响应测试集，在进行数据集划分时，可以按照所需的比例来进行划分。
[0070]
(3)在任意一轮模型迭代中，利用训练集对时序预测模型进行模型训练，利用验证集验证时序预测模型的预测精度以计算得到精度指标p
val
，利用阶跃响应测试集验证时序预测模型的工艺逻辑合理性以得到阶跃响应指标f
sep
。精度指标p
val
越高、预测精度越高，阶跃响应指标f
sep
越高、工艺逻辑合理性越高。
[0071]
传统的模型训练场景中，一般直接将历史数据集划分为训练集和验证集，之后在每一轮模型迭代中，利用训练集对时序预测模型进行模型训练，利用验证集验证时序预测模型的预测精度，直至得到使得验证集上损失函数的数值最小的模型参数。这样的方式在以时序预测结果为目标场景上，通常上是没有问题的，但是在控制优化为目标的场景中，除了时序模型的预测精度比较重要外，操纵变量与被控变量之间的控制逻辑关系是否满足工艺则更为关键，如果只按照上述模型迭代的方式的话，那么有一定概率会得到一个预测精度很高，但完全不符合控制逻辑的模型参数，这样得到的模型即使预测精度高，但经过优化算法计算出的最优操控变量肯定是不符合实际控制要求的，所以本技术在任意一轮模型迭代中，除了利用验证集验证时序预测模型的预测精度，还利用阶跃响应测试集验证时序预测模型的工艺逻辑合理性。通过加入阶跃响应的验证测试，可以保证训练后得到的时序预测模型的模型参数符合实际场景中的工艺逻辑，更符合实际应用需要。
[0072]
理论上，历史数据集中正常工况下的历史时序数据，都可以用于进行阶跃响应的验证以验证时序预测模型的工艺逻辑合理性，但是考虑到直接使用训练集或验证集中的历史时序数据会存在模型预学习的情况，因此本技术在上述步骤(2)直接划分一个单独的用于验证工艺逻辑合理性的阶跃响应测试集。
[0073]
在任意一轮模型迭代中，利用验证集验证时序预测模型的预测精度以计算得到精度指标p
val
的方法与常规方法是类似的，本技术不赘述，利用阶跃响应测试集验证时序预测模型的工艺逻辑合理性以得到阶跃响应指标f
sep
，包括如下过程，请参考图4：
[0074]
(a)初始化该被控变量对应的任意第j个操纵变量在阶跃响应测试集上符合工艺逻辑的次数fj＝0，j是起始值为1的整数参数。
[0075]
(b)遍历阶跃响应测试集中的任意第g组历史时序数据，包括固定第g组历史时序数据中除第j个操纵变量之外的其余操纵变量和扰动变量的取值不变，在第j个操纵变量的取值范围内对第j个操纵变量的取值进行阶跃调整，包括阶跃型增大或减小第j个操纵变量的取值。
[0076]
在对第j个操纵变量的取值进行阶跃调整的过程中，检测时序预测模型输出的被
控变量的变化趋势。当检测到时序预测模型输出的被控变量在第j个操纵变量进行阶跃调整的过程中的变化趋势符合工艺逻辑时，令fj＝fj+1，否则保持fj取值不变，g是起始值为1的整数参数。
[0077]
(c)若未遍历完阶跃响应测试集中所有g组历史时序数据，则令g＝g+1并再次执行遍历阶跃响应测试集中的任意第g组历史时序数据的步骤，也即重新执行(b)。
[0078]
(d)若遍历完阶跃响应测试集中所有g组历史时序数据，则得到第j个操纵变量在阶跃响应测试集上符合工艺逻辑的次数fj。
[0079]
此时若还未得到被控变量对应的所有j个操纵变量在阶跃响应测试集上符合工艺逻辑的次数，则令j＝j+1并再次执行初始化被控变量对应的任意第j个操纵变量在阶跃响应测试集上符合工艺逻辑的次数的步骤，也即重新执行(a)，确定下一个操纵变量在阶跃响应测试集上符合工艺逻辑的次数。
[0080]
若已经得到被控变量对应的所有j个操纵变量在阶跃响应测试集上符合工艺逻辑的次数，则结束循环并执行(e)，j为整数参数。
[0081]
(e)根据被控变量对应的所有操纵变量在阶跃响应测试集上符合工艺逻辑的次数得到阶跃响应指标f
sep
。
[0082]
在实际应用时，在按照上述方法进行阶跃响应测试时，还需要对时序预测模型施加初始变量，则在一个实施例中，在给时序预测模型施加任意第q初始变量的基础上，按照上述方法进行阶跃响应测试，然后确定被控变量对应的所有j个操纵变量在阶跃响应测试集上符合工艺逻辑的次数之和q是起始值为1的整数参数。然后对对时序预测模型分别施加q个初始变量并重复上述过程，则可以得到在施加每一个初始变量时的fq，继而确定阶跃响应指标q为整数参数。
[0083]
(4)根据当前一轮模型迭代的精度指标p
val
和阶跃响应指标f
sep
确定时序预测模型在下一轮模型迭代的模型参数，并进入下一轮模型迭代，直至达到总迭代次数。
[0084]
在一个实施例中，在当前一轮模型迭代的精度指标p
val
达到上一轮模型迭代的精度指标p
val
，且当前一轮模型迭代的阶跃响应指标f
sep
达到上一轮模型迭代的阶跃响应指标f
sep
时，直接保存时序预测模型的模型参数供下一轮模型迭代使用。在当前一轮模型迭代的阶跃响应指标f
sep
达到上一轮模型迭代的阶跃响应指标f
sep
，当前一轮模型迭代的精度指标p
val
未达到上一轮模型迭代的精度指标p
val
但两轮模型迭代的精度指标p
val
的差值未超过差值阈值时，直接保存时序预测模型的模型参数供下一轮模型迭代使用。否则，按照预定策略调整时序预测模型的模型参数作为时序预测模型在下一轮模型迭代的模型参数。
[0085]
通过上述方法，可以最终训练得到一个被控变量对应的时序预测模型，对于各个被控变量都按照上述方法来训练，由此可以训练得到各个被控变量对应的时序预测模型，如图1所示，以过程工业生产系统中包含h个被控变量为例，则分别训练得到被控变量1～被控变量h各自对应的时序预测模型1～h。
[0086]
步骤3，对于任意一个被控变量对应的各个操纵变量，以被控变量的时序预测模型输出的被控变量在未来t+n时刻的预测值达到对应的目标值作为优化目标，利用量子粒子
群优化算法对各个操纵变量在当前t时刻的取值进行寻优，直至得到达成优化目标时的各个操纵变量的取值，作为每个操纵变量基于该被控变量的参考操纵值。在该步骤中，当被控变量在未来t+n时刻的预测值与对应的目标值之间的误差小于误差阈值时即认为预测值达到对应的目标值。
[0087]
由于扰动变量是不可控的，因此扰动变量保持不变，只对操纵变量进行寻优，在对每个操纵变量进行寻优时，根据工艺情况对每个操纵变量设定取值范围、寻优方向和寻优步长等工艺约束来限制优化算法的寻优边界，提升优化效率。量子粒子群优化算法中粒子的更新是通过观测得到新个体，即给定一个概率去观测粒子，那么就会得到它得一个位置，对于每个粒子来说，会随机产生多个概率，利用蒙特卡罗思想进行观测，得到多个个体，然后选取个体最优，并依次评价其余个体，最终得到下代个体，如此进行搜索。与传统粒子群优化算法相比，通过引入概率的思想提升了全局搜索能力，并改善了传统粒子群优化算法容易陷入最优解的缺点。
[0088]
步骤4，对过程工业生产系统中各个操纵变量基于各个被控变量的参考操纵值进行整体优化，得到过程工业生产系统中各个操纵变量的目标操纵值。
[0089]
如上述步骤1所述，在过程工业生产系统中，有些操纵变量会同时对多个被控变量都产生影响，因此步骤3在基于各个被控变量的时序预测模型和目标值来优化操纵变量后，可能会导致存在操纵变量有的一个基于不同的被控变量的参考操纵值。比如在步骤1的举例中，被控变量ctrl1对应操纵变量m1和操纵变量m2，被控变量ctrl2对应操纵变量m1，因此操纵变量m1会在步骤3中，得到一个基于被控变量ctrl1的参考操纵值，以及一个基于被控变量ctrl2的参考操纵值，导致同一个操纵变量有多个参考操纵值，难以给出准确的控制指令。
[0090]
因此该步骤主要是为了解决这个问题，从整体上进行优化，使得每个操纵变量仅有唯一的目标操纵值。包括对于过程工业生产系统中任意一个操纵变量：
[0091]
当该操纵变量仅对应并影响一个被控变量时，将操纵变量基于其影响的被控变量的参考操纵值直接作为操纵变量的目标操纵值。
[0092]
而当该操纵变量对应并影响多个被控变量时，对该操纵变量分别基于不同的被控变量的参考操纵值进行加权计算，得到操纵变量的目标操纵值。在对操纵变量分别基于不同的被控变量的参考操纵值进行加权计算时，各个加权权重可以预先自定义设置。或者在另一个实施例中，操纵变量基于每个被控变量的参考操纵值的加权权重与对应的被控变量的优先级相关，被控变量的优先级越高，对应的加权权重越大，如此可以使得得到的目标操纵值更符合被控变量的优先级要求，以具有更好的控制效果。各个被控变量的优先级是预先设定的，每不同优先级的被控变量对应的加权权重的具体取值也是预先设定的。
[0093]
比如在上述举例中，当被控变量ctrl1的优先级大于被控变量ctrl2的优先级时，可以配置操纵变量m1基于被控变量ctrl1的参考操纵值的加权权重为0.7，而操纵变量m1基于被控变量ctrl2的参考操纵值的加权权重为0.3。或者更为极端的举例中，可以直接配置操纵变量m1基于被控变量ctrl1的参考操纵值的加权权重为1，而操纵变量m1基于被控变量ctrl2的参考操纵值的加权权重为0，从而直接以操纵变量基于优先级最高的被控变量的参考操纵值作为目标操纵值。
[0094]
在另一个实施例中，某些操纵变量还会受到过程工业生产系统中的一些过程变量的影响，过程变量是过程工业生产系统在运行过程中产生的中间量，在不同的过程工业生
产系统中有不同的实际含义。则在对一个操纵变量基于不同的被控变量的参考操纵值进行加权计算之前，还包括对操纵变量基于不同的被控变量的参考操纵值的数据修正过程：
[0095]
在操纵变量基于每个被控变量的参考操纵值的情况下，确定此时过程工业生产系统中影响操纵变量的各个过程变量的取值，然后按照过程变量的取值对应的数据修正策略来修正操纵变量基于被控变量的参考操纵值。过程变量不同取值与数据修正策略的对应关系预先设定，比如在一个实例中，当过程变量达到某一个设定值时，对操纵变量基于被控变量的参考操纵值减去2，这部分数据修正策略的配置根据实际业务需求来进行。
[0096]
按照上述方法对操纵变量基于不同的被控变量的参考操纵值都完成修正后，再对操纵变量基于不同的被控变量的修正后的参考操纵值进行加权计算。
[0097]
步骤5，按照各个操纵变量的目标操纵值控制过程工业生产系统中的各个操纵变量，从而可以使得各个被控变量在未来t+n时刻都趋向稳定并趋向于各自的目标值，以达到整体控制的效果。
[0098]
以上所述的仅是本技术的优选实施方式，本技术不限于以上实施例。可以理解，本领域技术人员在不脱离本技术的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本技术的保护范围之内。

技术特征：
1.一种基于时序预测的过程工业生产系统的智能控制方法，其特征在于，所述智能控制方法包括：对于过程工业生产系统中的任意一个被控变量，利用所述被控变量、所述被控变量对应操纵变量、所述被控变量对应的扰动变量的历史时序数据训练得到时序预测模型，每个被控变量受对应的操纵变量和扰动变量的影响，所述时序预测模型基于长短期记忆网络建立得到，所述时序预测模型用于根据输入的历史的t-n时刻至当前t时刻之间的操纵变量的历史时序数据和被控变量的历史时序数据、输出被控变量在未来t+n时刻的预测值，t、n分别为整数参数；对于任意一个被控变量对应的各个操纵变量，以所述被控变量的时序预测模型输出的所述被控变量在未来t+n时刻的预测值达到对应的目标值作为优化目标，利用量子粒子群优化算法对各个操纵变量在当前t时刻的取值进行寻优，直至得到达成所述优化目标时的各个操纵变量的取值，作为每个操纵变量基于所述被控变量的参考操纵值；对所述过程工业生产系统中各个操纵变量基于各个被控变量的参考操纵值进行整体优化，得到所述过程工业生产系统中各个操纵变量的目标操纵值；按照各个操纵变量的目标操纵值控制所述过程工业生产系统中的各个操纵变量。2.根据权利要求1所述的智能控制方法，其特征在于，对所述过程工业生产系统中各个操纵变量基于各个被控变量的参考操纵值进行整体优化，包括对于所述过程工业生产系统中任意一个操纵变量：当所述操纵变量仅对应并影响一个被控变量时，将所述操纵变量基于其影响的被控变量的参考操纵值直接作为所述操纵变量的目标操纵值；当所述操纵变量对应并影响多个被控变量时，对所述操纵变量分别基于不同的被控变量的参考操纵值进行加权计算，得到所述操纵变量的目标操纵值。3.根据权利要求2所述的智能控制方法，其特征在于，在对所述操纵变量分别基于不同的被控变量的参考操纵值进行加权计算时，所述操纵变量基于每个被控变量的参考操纵值的加权权重与对应的被控变量的优先级相关，被控变量的优先级越高，对应的加权权重越大。4.根据权利要求2所述的智能控制方法，其特征在于，对所述操纵变量分别基于不同的被控变量的参考操纵值进行加权计算还包括：在所述操纵变量基于每个被控变量的参考操纵值的情况下，确定所述过程工业生产系统中影响所述操纵变量的各个过程变量的取值，并按照过程变量的取值对应的数据修正策略修正所述操纵变量基于所述被控变量的参考操纵值；对所述操纵变量基于不同的被控变量的修正后的参考操纵值进行加权计算。5.根据权利要求1所述的智能控制方法，其特征在于，利用历史时序数据训练得到任意一个被控变量对应的时序预测模型包括：获取所述被控变量对应的历史数据集，所述历史数据集中包括若干组历史时序数据，每组历史时序数据包括所述被控变量、所述被控变量对应操纵变量、所述被控变量对应的扰动变量的历史时序数据；将所述历史数据集划分为训练集、验证集和阶跃响应测试集；在任意一轮模型迭代中，利用训练集对时序预测模型进行模型训练，利用验证集验证
所述时序预测模型的预测精度以计算得到精度指标p
val
，利用阶跃响应测试集验证所述时序预测模型的工艺逻辑合理性以得到阶跃响应指标f
sep
，精度指标p
val
越高、预测精度越高，阶跃响应指标f
sep
越高、工艺逻辑合理性越高；根据当前一轮模型迭代的精度指标p
val
和阶跃响应指标f
sep
确定所述时序预测模型在下一轮模型迭代的模型参数，并进入下一轮模型迭代，直至达到总迭代次数。6.根据权利要求5所述的智能控制方法，其特征在于，所述根据当前一轮模型迭代的精度指标p
val
和阶跃响应指标f
sep
确定所述时序预测模型在下一轮模型迭代的模型参数，包括：在当前一轮模型迭代的精度指标p
val
达到上一轮模型迭代的精度指标p
val
，且当前一轮模型迭代的阶跃响应指标f
sep
达到上一轮模型迭代的阶跃响应指标f
sep
时，直接保存所述时序预测模型的模型参数供下一轮模型迭代使用；在当前一轮模型迭代的阶跃响应指标f
sep
达到上一轮模型迭代的阶跃响应指标f
sep
，当前一轮模型迭代的精度指标p
val
未达到上一轮模型迭代的精度指标p
val
但两轮模型迭代的精度指标p
val
的差值未超过差值阈值时，直接保存所述时序预测模型的模型参数供下一轮模型迭代使用；否则，按照预定策略调整所述时序预测模型的模型参数作为时序预测模型在下一轮模型迭代的模型参数。7.根据权利要求5所述的智能控制方法，其特征在于，所述利用阶跃响应测试集验证所述时序预测模型的工艺逻辑合理性以得到阶跃响应指标f
sep
，包括：初始化所述被控变量对应的任意第j个操纵变量在所述阶跃响应测试集上符合工艺逻辑的次数f
j
＝0，j是起始值为1的整数参数；遍历所述阶跃响应测试集中的任意第g组历史时序数据，固定所述第g组历史时序数据中除所述第j个操纵变量之外的其余操纵变量和扰动变量的取值不变，在所述第j个操纵变量的取值范围内对所述第j个操纵变量的取值进行阶跃调整，当检测到所述时序预测模型输出的被控变量在所述第j个操纵变量进行阶跃调整的过程中的变化趋势符合工艺逻辑时，令f
j
＝f
j
+1，否则保持f
j
取值不变，g是起始值为1的整数参数；若未遍历完所述阶跃响应测试集中所有g组历史时序数据，则令g＝g+1并再次执行所述遍历所述阶跃响应测试集中的任意第g组历史时序数据的步骤；若遍历完所述阶跃响应测试集中所有g组历史时序数据，则得到所述第j个操纵变量在所述阶跃响应测试集上符合工艺逻辑的次数f
j
；令j＝j+1并再次执行所述初始化所述被控变量对应的任意第j个操纵变量在所述阶跃响应测试集上符合工艺逻辑的次数的步骤，直至得到所述被控变量对应的所有j个操纵变量在所述阶跃响应测试集上符合工艺逻辑的次数，j为整数参数；根据所述被控变量对应的所有操纵变量在所述阶跃响应测试集上符合工艺逻辑的次数得到所述阶跃响应指标f
sep
。8.根据权利要求7所述的智能控制方法，其特征在于，所述得到所述阶跃响应指标f
sep
包括：对所述时序预测模型分别施加q个初始变量，在给所述时序预测模型施加任意第q初始变量的基础上，确定所述被控变量对应的所有j个操纵变量在所述阶跃响应测试集上符合
工艺逻辑的次数之和f
q
，确定所述阶跃响应指标q是起始值为1的整数参数。9.根据权利要求1所述的智能控制方法，其特征在于，每个被控变量对应的时序预测模型包括从输入到输出依次设置的两个长短期记忆网络以及两个全连接层；在每个长短期记忆网络中，输入门、遗忘门和输出门中的激活函数使用prelu，隐藏层和细胞状态的激活函数使用tanh，将细胞状态加入用于计算输入门、遗忘门和输出门。10.根据权利要求9所述的智能控制方法，其特征在于，在每个长短期记忆网络中，时间步s的输入门i
s
、遗忘门f
s
和输出门o
s
的计算公式为：其中，x
s
是时间步s的输入层，c
s
是时间步s的细胞状态，c
s-1
是时间步s-1的细胞状态，h
s
是时间步s的隐藏层，h
s-1
是时间步s-1的隐藏层，且有c
s
＝f
s
×
c
s-1
+i
s
×
tanh(w
c
h
s-1
+w
c
x
s
)，h
s
＝o
s
×
tanh(c
s
)；w
i
、w
f
、w
o
、w
c
、b
i
、b
f
和b
o
分别是模型学习的参数。

技术总结
本申请公开了一种基于时序预测的过程工业生产系统的智能控制方法，涉及过程工业技术领域，该方法以过程工业生产系统中任意一个被控变量及其受到影响的操纵变量和扰动变量的历史时序数据来训练时序预测模型，用于预测被控变量在未来的值，继而将其作为评估方程来对操纵变量进行寻优，最后对过程工业生产系统中各个操纵变量进行整体优化，以得到每个操纵变量唯一的目标操纵值。从而使整体控制过程，可以自动学习和拟合非线性过程的特征，并且可以同时处理多个被控变量，拟合非平稳过程的特征，使整体控制过程稳定又可控，可以解决过程工业生产过程中存在的外界扰动、多约束、机理建模复杂等问题，达到较优的控制效果。达到较优的控制效果。达到较优的控制效果。


技术研发人员：张校源 梁新乐 王峰
受保护的技术使用者：无锡雪浪数制科技有限公司
技术研发日：2023.07.17
技术公布日：2023/10/15