基于支持向量机对间歇过程建模及控制.docVIP

基于支持向量机对间歇过程建模及控制 　　摘 要：介绍支持向量机的原理，以甲基丙烯酸甲酯的聚合为例阐述利用支持向量机对间歇过程建模的方法，并把其应用于在线模型的修正和控制。 　　关键词：支持向量机；间歇过程；在线建模 　　 　　引言 　　 　　间歇过程在精细化工、生物制品、农产品深加工领域广泛应用，因为其适应了多品种、高质量、多规格的市场要求，所以越来越受到重视，国外甚至还出现了较大规模的间歇生产。但是就目前的现状来说，间歇生产的自动化水平相对连续生产还是很低的，所以，为了提高市场竞争力、节约生产成本，在间歇生产中推行优秀的优化算法和先进的控制策略十分必要。而先进控制策略的实施是基于模型的，因此间歇过程的建模就显得极为关键。由于间歇过程的不稳定性及复杂性，对其建立机理模型费时费力，甚至是不可能的，因此本文拟利用支持向量机对其建模，并在此基础上进行在线优化控制。下面分别加以介绍。 　　 　　支持向量机建模的基本原理 　　 　　 　　 　　对于一个非线性回归问题，可以把它变为一个线性回归问题。首先利用一个非线性映射中φ(?)把训练数据映射到一个高维特征空间，然后在这个空间中建立一个线性回归函数，即 　　 　　 　　利用支持向量机对间歇过程建模 　　 　　间歇过程一般是反应时间确定、初始条件固定的过程，因此模型就是确定的。本文以甲基丙烯酸甲脂的聚合过程为例来说明支持向量机在间歇过程建模中的应用。我们希望该过程依据控制策略、在期望的运行轨迹下平稳运行，即在一定的操作温度曲线下，其转化率符合期望的轨迹。但是转化率不能在线测量，只能通过离线分析仪表获得。该过程的初始单体浓度、引发剂浓度、溶剂浓度都是已知的，并认为是固定的，同时过程时间也是固定的。把每一批次分成50个相等的时间段，在50个采样时间的间隔内离线测量转化率；两个采样时刻之间的温度不变，在每一采样时刻预测下一采样时刻的转化率。我们利用一个批次的数据作为训练数据，对过程进行建模。用 　　 　　 　　在一组温度值的作用下，用一个批次的50组样本数据对支持向量机进行训练，得到过程的模型；再换一组温度值产生另一批次的数据，对模型进行泛化检 　　 　　(本文所附的图形如果不特别说明，都是实线表示实际值，虚线表示预测值。)验，结果分别如图(1)和图(2)所示： 　　从图中可以看出，利用支持向量机所建模型的精度和泛化能力是令人满意的。 　　 　　在线模型修正及控制 　　 　　在实际生产中，理想的状况是在所有条件一定的情况下，按照给定的温度曲线(此曲线是在静态模型的基础上通过优化方法获得的)施加温度值，间歇过程按照运行轨迹平稳进行。但是由于各种不可预料的情况发生，生产条件会发生变化，因此原来建立的模型也就不可能准确地反应实际情况，在原有控制手段下，生产肯定会越来越偏离既定的轨迹。在这种情况下，我们必须重新建立模型，修正操作方案。 　　基于这种想法作如下的尝试：把一个批次的前若干数据作为训练值，其余对模型进行检验，结果如图(3)所示。图中是用样本数据的前五组作为训练数据，可以看出即使训练数据很少，在其后很近的范围内模型还是能很好地预测未来值，这为我们在实际生产中发现实际值偏离设定轨迹后边修正模型边优化温度值提供了依据。 　　 　　比如，由于称量的不准确造成初始物料浓度偏离了规定值，这时候模型就不准确了，如果还是按原来的温度曲线进行控制，运行轨迹必然会偏离理想值，这时就需要在线进行建模，并在此基础上改进操作温度曲线，使转化率曲线逐渐与理想值一致。具体方法如下： 　　假设在第k个采样时刻发现前一时刻实际的转化率与理想值y(k)相差较大，则利用前k个采样时刻的数据对过程建模，得到 　　 　　舍去高阶项 　　 　　为了使温度值振荡得不是太厉害，一般要规定温度值的上下限。如果计算出来的温度值超出了上下限，就取极限值。每当在新的采样时刻获得新的数据，就加入到训练数据中修正模型，并计算下一采样时刻的温度值，直到过程结束。 　　从图(4)可以看出，出现扰动时不进行任何修正，仍按原来的温度曲线操作，结果实际值与既定的理想轨迹出现了较大的偏差。而图(5)是利用上文介绍的方法在线进行了模型的修正以及优化控制，可以明显地看出，实际值最终趋向于理想的轨迹。 　　 　　 　　总结 　　 　　本文介绍了支持向量机的原理和建模方法。由于支持向量机采用了结构风险最小化的准则，在最小化样本点误差的同时缩小模型泛化误差的上界，同时该理论把机器学习问题转化为一个二次规划问题，可以得到唯一的全局最优解，因此它的泛化能力、在小样本情况下对过程模型的拟和能力比其他方法要优越得多。由于样本数可以很小，所以训练时间也可以大大降低，因此应用于在线模型的修正和优化也是很