基于机器学习的自优化被控变量选择方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114237172A(43)申请公布日2022.03.25(21)申请号202111441414.4(22)申请日2021.11.30(71)申请人浙江大学衢州研究院地址324000浙江省衢州市九华北大道78号行政楼310室申请人浙江大学(72)发明人杨双华苏洪昕周辰琛曹毅(74)专利代理机构杭州天勤知识产权代理有限公司33224代理人曹兆霞(51)Int.Cl.G05B19/418(2006.01)G06N20/00(2019.01)权利要求书2页说明书7页附图2页(54)发明名称基于机器学习的自优化被控变量选择方法和装置(57)摘要本发明公开了一种基于机器学习的自优化被控变量选择方法和装置，包括：从工业控制系统中采集历史稳态数据，包括测量变量、操纵变量和干扰变量；根据物料平衡、能量平衡构建稳态模型方程并求解；确定经济目标函数和系统约束条件，基于稳态模型构建稳态优化问题，并进行求解得到测量变量、操纵变量和约束变量的最优数据；利用机器学习算法对测量变量、操纵变量和约束变量的最优数据构建的样本数据进行学习，以构建约束变量与测量变量和操纵变量之间的映射关系，并将该映射关系与约束变量的差作为自优化被控变量表达式；根据自优化被控变量表达式在线计算自优化被控变量的实际值，并将其控制在零值附近，以保持被控系统实时靠近最优运行。CN114237172ACN114237172A权利要求书1/2页1.一种基于机器学习的自优化被控变量选择方法，其特征在于，包括以下步骤：步骤1，从工业控制系统中采集历史稳态数据，包括测量变量、操纵变量和干扰变量数据；步骤2，根据物料平衡、能量平衡构建含有未知参数的稳态模型方程，利用历史稳态数据进行参数辨识，得到被控系统的稳态模型；步骤3，确定经济目标函数和系统约束条件，基于被控系统的稳态模型，构建稳态优化问题，并进行求解得到测量变量、操纵变量和约束变量的最优数据；步骤4，采用测量变量、操纵变量和约束变量的最优数据作为样本数据，利用机器学习算法对该样本数据进行离线学习，构建约束变量与测量变量和操纵变量之间的变量映射关系，将该变量映射关系与约束变量的差作为自优化被控变量的表达式；步骤5，从工业控制系统中实时采集测量变量、操纵变量和约束变量的实际数据，根据自优化被控变量表达式计算实际的被控变量值，并在线通过反馈控制将该值维持在零值附近，使得被控系统实时靠近最优运行。2.如权利要求1所述的基于机器学习的自优化被控变量选择方法，其特征在于，步骤1中，依据香农采样定理确定采样频。3.如权利要求1所述的基于机器学习的自优化被控变量选择方法，其特征在于，步骤2中，构建的稳态模型为非线性稳态模型，表示为y＝f(u,d,α)，其中，u和d分别表示操纵变量与干扰变量，y表示测量变量，α表示待求解的模型参数；采用非线性回归方法进行求解非线性稳态模型，以确定模型参数α，得到参数确定的非线性稳态模型y＝f(u,d)。4.如权利要求1所述的基于机器学习的自优化被控变量选择方法，其特征在于，步骤3中，求解稳态优化问题时，对干扰变量d在其变化范围内进行蒙特卡洛随机采样，在每个采样点di处求解优化问题，i＝1,…,N，N为采样点个数，通过求解N个优化问题，得到一系列的测量变量、操纵变量和约束变量的最优数据。5.如权利要求4所述的基于机器学习的自优化被控变量选择方法，其特征在于，通过逐渐增加N值直到平均经济损失逐渐变小且趋于稳定来确定最优采样N值，其中，经济损失为经济目标函数的实际值与最优值之差。6.如权利要求1所述的基于机器学习的自优化被控变量选择方法，其特征在于，步骤4中，机器学习算法可采用神经网络方法，以测量变量和操纵变量的最优数据作为神经网络的输入，以约束变量的最优数据作为神经网络的输出，来训练神经网络，确定神经网络参数，以参数确定的神经网络体现的非线性映射来构建约束变量与测量变量和操纵变量之间的变量映射关系，将该映射关系与约束变量的差作为自优化被控变量的表达式。7.如权利要求1所述的基于机器学习的自优化被控变量选择方法，其特征在于，步骤5中，工业控制系统的控制器采用PID控制器，可基于SkogestadIMC规则对PID参数进行整定，包括控制器增益Kp、积分时间TI以及微分时间TD，通过PID控制器将自优化被控变量维持在零值附近，以保持被控系统实时靠近最优运行。8.如权利要求1所述的基于机器学习的自优化被控变量选择方法，其特征在于，步骤5中，当工业控制系统的原控制结构不能更改时，可在原控制层上增加自优化层，将自优化被控变量应用于自优化层，自优化层中的PID控制器的输出作为原控制回路中被控变量的设定值。2CN114237172A权利要求书2/2页9.一种基于机器学习的