一种考虑累积误差的鲁棒动态系统潜变量预测方案

1.本发明涉及一种基于数据驱动的潜变量鲁棒预测方法，该方法采用通用的软传感器模型，在测量空间的基础上构建空间辨识方法，实现目标动态系统、软传感器模型、干扰项的参数辨识。并针对迭代过程中的累积误差问题，实现了正交设计，降低误差对潜变量预测的影响。


背景技术：

2.随着现代控制系统的日益复杂，许多关键参数无法通过传感器直接测量。这将降低监控的效率并影响维护过程。特别是对于一些与性能相关的参数，及时获取可以提高大多数方法的精度和计算速度。值得说明的是系统的可用数据对于预测潜在变量至关重要，这与经典的基于模型的技术不同。无需精确系统模型的直接设计和实现是他们的一大优势。由于存储技术的快速发展，大量的过程数据已经可以在工业系统中进行记录和研究。在此之前，很多研究都是针对传感器离线数据的静态模型，缺乏对实际场景的适用性。一方面，在固定工作点上设计的静态方法不能满足状态多变的实际系统。需要进一步研究如何在预测算法中更好地表示动态特性。另一方面，过多的硬件传感器造成数据冗余，这对数据的存储和处理提出了很大的挑战。软传感器作为硬件的优秀替代品的提出无疑受到了很多关注。
3.目前，在现有的潜变量预测方面的研究中，考虑动态系统的研究方案较少且仅有部分研究考虑了内部噪声与外部干扰对预测性能的影响。因此，几乎没有相关研究针对上述问题进一步考虑迭代过程的累积误差效应，而在现实系统中误差的负面影响会在迭代的过程中逐渐放大，严重影响计算结果，降低系统运行的可靠性。综上所述，亟需开发一种考虑累积误差的动态系统潜变量预测方案，从而提高其预测的准确性。


技术实现要素：

4.本发明的目的是设计鲁棒的潜变量预测方案，并解决累积误差对预测的影响问题，以实现最优的预测结果。本芳名所采用的技术方案可以分为离线模型辨识和在线预测两部分，具体包括下述步骤：
5.离线辨识：
6.步骤1：构建潜变量模型、系统状态空间模型；
7.步骤2：基于系统离线数据，建立目标系统、软传感器的数据模型；
8.步骤3：通过qr分解(svd)分解实现系统参数、软传感器参数、扰动相关项参数γ
scxp
，h
u,s
，h
d,s
的辨识；
9.步骤4：将输出与潜变量参数进行矩阵分解，以便于在线预测计算。
10.在线预测：
11.步骤1：采集带有干扰的在线系统数据用以分析；
12.步骤2：计算剔除干扰后的输出估计
13.步骤3：计算在线潜变量估计结果
14.本发明的有益效果具体包括：其一，提出了一种基于测量空间的鲁棒潜变量预测方案，此方案可以通过利用空间投影技术实现动态系统数据模型、软传感器数据模型、扰动相关项的参数辨识，解决了干扰对潜变量预测的影响；其二，本发明通过正交设计的思想，降低了状态空间模型在迭代过程中的累积误差问题，提高了潜变量预测方法的精度和对动态系统的适用性。
附图说明
15.图1为潜变量预测方案流程图；
16.图2为扰动影响下的动态系统示意图；
17.图3为基于软传感器的鲁棒设计结构图；
18.图4为潜变量预测结果图；
19.图5为提出的性能潜变量预测方案对脱丁烷塔工艺的性能预测结果。
具体实施方式
20.本实施方式所述的是一种基于数据驱动的动态系统潜变量预测的鲁棒设计方案，下面结合附图对本发明的实施方式做出进一步具体说明：
21.离线辨识：
22.步骤1：在离线阶段首先构建相关模型：
23.潜变量在系统模型中可以表示为：
[0024][0025]
其中u和y分别为系统的输入和输出。构建基于状态空间的系统模型：
[0026][0027]
其中a,b,c,d分别为维度已知的参数矩阵，x，υ，η分别为状态变量、过程噪声和测量噪声。
[0028]
考虑带有扰动的系统状态空间表示：
[0029][0030]
其中为e，f分别为干扰相关的参数矩阵，d为干扰项。
[0031]
步骤2：基于系统离线数据，建立目标系统、软传感器的数据模型：
[0032]
考虑系统(2)的数据模型为：
[0033][0034]
其中
[0035]
对进行分解可以得到：
[0036][0037]
因此，将(4)(5)融合可以得到：
[0038][0039]
在得到目标系统的数据模型后，建立软传感器的数据模型。软传感器的主要目的是对感兴趣的潜变量进行预测，因此有下列输出驱动的软传感器预测模型：
[0040][0041]
由(7)中的模型可以得到软传感器的数据模型：
[0042][0043]
其中
[0044]
考虑构建历史数据与当前数据的表示形式如下：
[0045][0046]
将上述式子融合可以得到：
[0047][0048]
步骤3：通过qr分解(svd)分解实现系统参数、软传感器参数、扰动相关项参数γ
scxp
，h
u,s
，h
d,s
的辨识，具体为：
[0049]
首先考虑对系统模型参数的辨识，将无故障数据进行矩阵分解：
[0050][0051]
因此，可以得到：
[0052][0053]
在对系统参数辨识后，需要对软传感器模型参数进行辨识，具体如下：
[0054]
考虑对无故障的历史数据与当前数据的矩阵进行分解：
[0055][0056]
最后，通过参数辨识技术对干扰项进行辨识，以便于实现潜变量预测的鲁棒设计。
[0057]
将(3)与(12)合并可以得到：
[0058]
[0059]
其中，在线步骤中，根据可以实现对扰动的估计。
[0060]
步骤4：将输出与潜变量参数进行矩阵分解，以便于在线预测计算，具体为：
[0061]
定义矩阵m
rm
，使之满足如下式子：
[0062][0063]
将矩阵进行分解可以得到：
[0064]mrm
＝[m
y m
l
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0065]
可以由(16)得到：
[0066][0067]
在线预测：
[0068]
步骤1：采集带有干扰的在线系统数据用以分析；
[0069]
步骤2：计算剔除干扰后的输出估计
[0070][0071]
步骤3：计算在线潜变量估计结果
[0072][0073]
进一步的本发明给出了qr分解的替代方案，用于当在某些特定情况下qr分解无法使用的问题，如当核空间在测量噪声的影响下不存在时，上述方案无法通过qr分解得到计算结果。
[0074]
考虑对数据进行svd分解：
[0075][0076]
或
[0077][0078]
可以得出：
[0079][0080]
本发明的上述算例仅为详细说明本发明的计算过程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所
引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。