專利名稱：一種分餾系統(tǒng)過程數(shù)據(jù)的智能校正方法
一種分餾系統(tǒng)過程數(shù)據(jù)的智能校正方法技術鄰域本發(fā)明涉及一種化工過程數(shù)據(jù)的校正方法，尤其是涉及一種分餾系統(tǒng)過程數(shù)據(jù)的智能校正方法。
背景技術：
在分餾系統(tǒng)的生產(chǎn)過程中，需要采集大量的過程測量數(shù)據(jù)，如在線的流量數(shù)據(jù)和離線的化驗數(shù)據(jù)，將其作為過程設計、模擬、優(yōu)化、控制及生產(chǎn)管理決策分析的直接依據(jù)。然而，由于設置在測量點上的測量儀表的精度及測量環(huán)境等的影響，現(xiàn)場采集的流量數(shù)據(jù)不可避免地存在著隨機誤差，有時還會由于受到諸如測量儀表的不準或失靈以及容器或管道泄漏等多種因素的影響，使得直接測量的流量數(shù)據(jù)不僅不能反映過程運行的真實情況，而且還常常違背基本的物料平衡關系，給后續(xù)的過程設計、模擬、優(yōu)化、控制及生產(chǎn)管理決策分析造成影響；同時，由于受經(jīng)濟條件、測量技術和測量儀表本身等的限制，并非所有的流量數(shù)據(jù)都可以測量，從而造成了數(shù)據(jù)的不完整性。因而，必須對現(xiàn)場采集到的流量數(shù)據(jù)進行數(shù)據(jù)校正，提高數(shù)據(jù)的一致性。數(shù)據(jù)校正是利用生產(chǎn)過程中的時空冗余信息，結(jié)合各種統(tǒng)計分析方法和生產(chǎn)過程的機理，濾除直接測量的流量數(shù)據(jù)中的顯著誤差，根據(jù)最優(yōu)化理論系統(tǒng)地調(diào)整測量值，修正過程模型中潛在的不確定性，提高測量獲得的流量數(shù)據(jù)的質(zhì)量，同時估計未測的流量數(shù)據(jù)。數(shù)據(jù)校正包括對直接測量的流量數(shù)據(jù)中是否存在過失誤差的檢測和過程數(shù)據(jù)的協(xié)調(diào)。過程數(shù)據(jù)協(xié)調(diào)通常是在滿足平衡方程等約束條件下，去除隨機誤差影響，同時對未測數(shù)據(jù)中的可觀測型數(shù)據(jù)進行估計，而過失誤差的存在會使過程數(shù)據(jù)協(xié)調(diào)產(chǎn)生偏差，通常相關人員會將過失誤差的檢測和去除與過程數(shù)據(jù)的協(xié)調(diào)分開進行，先進行過失誤差的檢測和去除，然后再進行過程數(shù)據(jù)的協(xié)調(diào)，從而加大了工作量。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術問題是提供一種能檢測到顯著誤差源，并獲得全局最優(yōu)協(xié)調(diào)數(shù)據(jù)的分餾系統(tǒng)過程數(shù)據(jù)的智能校正方法。本發(fā)明解決上述技術問題所采用的技術方案為一種分餾系統(tǒng)過程數(shù)據(jù)的智能校正方法，具體包括以下步驟1)采集分餾系統(tǒng)的實時和歷史的過程數(shù)據(jù)，將已測流量數(shù)據(jù)記為X，X= Ix1, X2, ... , ^J，將未測流量數(shù)據(jù)記為U，其中，m為設置在分餾系統(tǒng)中的測量儀表的個數(shù)，Xi, i =1，2，. . .，m為第i個測量儀表上的測量值；2)根據(jù)采集到的實時和歷史的過程數(shù)據(jù)，計算獲得該分餾系統(tǒng)中的過失誤差在誤差中出現(xiàn)的比例n，η <0.5，以及過失誤差的標準差與隨機誤差的標準差的比率γ，γ > 5 ；3)將過程數(shù)據(jù)協(xié)調(diào)轉(zhuǎn)化為優(yōu)化問題，其表達式為
權利要求
1. 一種分餾系統(tǒng)過程數(shù)據(jù)的智能校正方法，具體包括以下步驟1)采集分餾系統(tǒng)的實時和歷史的過程數(shù)據(jù)，將已測流量數(shù)據(jù)記為X，X= Ix1, X2,..., ^}，將未測流量數(shù)據(jù)記為U，其中，m為設置在分餾系統(tǒng)中的測量儀表的個數(shù)，Xi, i = 1， 2，...，m為第i個測量儀表上的測量值；2)根據(jù)采集到的實時和歷史的過程數(shù)據(jù)，計算獲得該分餾系統(tǒng)中的過失誤差在誤差中出現(xiàn)的比例η，η <0.5，以及過失誤差的標準差與隨機誤差的標準差的比率Y，Y >5;3)將過程數(shù)據(jù)協(xié)調(diào)轉(zhuǎn)化為優(yōu)化問題，其表達式為
2.根據(jù)權利要求1所述的一種分餾系統(tǒng)過程數(shù)據(jù)的智能校正方法，其特征在于所述的多Agent鄰域競爭-協(xié)作學習算法具體包括下列步驟(1)根據(jù)約束條件<足0 = 0、τ α 和 Λ 與已測流量數(shù)據(jù)X，計算得 、 J Xl <X<XU Ul < U <Uu到N組估計數(shù)據(jù)χ η = 1，2，...，N，將χ η = 1，2，. . .，N隨機的裝入多Agent群體Α，A = {/lX (i = 1，2，···，Lsl ； j = 1，2，···，Lsl)，生成 Agent 網(wǎng)格 L (T)，其中，N = Lsl X Lsl， 為網(wǎng)格L (T)上的第i行第j列上的第T代個體，Lsl為網(wǎng)格L (T)的總行數(shù)或總列數(shù)，網(wǎng)格L(T)的大小為LslXLsl，T為迭代次數(shù)，T= 1;(2)計算網(wǎng)格L(T)中每個個體^Jj的競爭力C(A)，獲得sBestT， sBesfA]))，其中，C()為競爭力函數(shù)，χ的競爭力為C(Z)，，sBestT 為 Agent 網(wǎng)格第 T代為止競爭力最大的個體；(3)在網(wǎng)格L(T)中隨機抽取一個個體‘ e[l，Lsl]，j' e[l，Lsl]生成一個大小為SLslXsLsl的網(wǎng)格sL⑴；其中，A1=R1X^K ]為取上整，sR為搜索半徑，sR e
，為網(wǎng)格sL⑴上的第m ‘行第η'列上的第T代個體，X1中的第k個數(shù)據(jù)值，X〗為Xu中的第k個數(shù)據(jù)值，u(l-SR，l+SR)為(1-SR，1+SR)內(nèi)均勻分布的隨機數(shù)；(4)將網(wǎng)格sL⑴以個體為起點覆蓋到網(wǎng)格L(T)上生成網(wǎng)格L1⑴；具體為，其中，y為網(wǎng)格L1⑴上的aA,第i行第j列上的第T代個體，mod為余數(shù)函數(shù)，且當m' +i ‘ -1 = Lsl時，(m' +i ‘ -1) mod Lsl = Lsl,當 η' + j ‘ -1 = Lsl 時，(n' + j ‘ _l)mod Lsl = Lsl ；(5)將網(wǎng)格L1⑴中的每個個體Wjj執(zhí)行鄰域競爭操作，獲得網(wǎng)格L2⑴；其中，鄰域競爭操作具體為bATlt = aAu C(aAlj) >，鄰域為個體
全文摘要
本發(fā)明公開了一種分餾系統(tǒng)過程數(shù)據(jù)的智能校正方法，具體包括以下處理步驟(1)采集分餾系統(tǒng)的實時和歷史數(shù)據(jù)，確定已測變量和未測變量；(2)根據(jù)采集數(shù)據(jù)，獲得各個已測變量的方差、過失誤差在誤差中出現(xiàn)的比例和過失誤差的標準差與隨機誤差的標準差的比率；(3)將過程數(shù)據(jù)協(xié)調(diào)轉(zhuǎn)化為優(yōu)化問題；(4)通過多Agent鄰域競爭-協(xié)作學習算法求解優(yōu)化問題，獲得協(xié)調(diào)數(shù)據(jù)；(5)再接著，對協(xié)調(diào)數(shù)據(jù)進行顯著誤差檢測，如果存在顯著誤差，則調(diào)整已測變量和未測變量，轉(zhuǎn)入步驟(3)，否則步驟(4)獲得的協(xié)調(diào)數(shù)據(jù)即為全局最優(yōu)協(xié)調(diào)數(shù)據(jù)；本發(fā)明有效的提高了數(shù)據(jù)的一致性，為過程設計、模擬、優(yōu)化、控制及生產(chǎn)管理決策分析提供依據(jù)。
文檔編號G06F19/00GK102542173SQ20121001743
公開日2012年7月4日 申請日期2012年1月19日 優(yōu)先權日2012年1月19日
發(fā)明者劉楠楠, 史旭華, 朱金仁, 藍艇, 項龍 申請人:寧波大學