基于人工预测调控策略的复杂化工过程多任务学习方法.pdfVIP

基于人工预测调控策略的复杂化工过程多任务学习方法

摘要：当前，PID反馈控制依然是化工生产过程的主要控制策略。然而，由于复杂化工过程通常具有大时滞和

非线性等特性，使得PID控制对于一些关键过程参数控制的性能不佳。为此，在实际工程中通常是现场操作人员

依据自身经验对其实施人工预测调控。为了能够从历史调控数据中学习人工预测调控策略，提出了一种多任务

学习级联网络（LSTMmulti-tasknetworkcascades，LSTM-MNC）。根据过程变量长短期不同趋势建立预测短期变

化和长期趋势的过程预测模型，并学习过程预测模型估计信息与操纵变量序列的因果关系，由被控变量偏差预

测支持操纵变量序列生成，实现生产过程的智能化调控。在工业换热器过程仿真平台上进行实验，获得了满意

的结果，验证了所提方法的有效性。

关键词：预测调控策略；多任务学习；级联结构；化工过程；过程控制

Amulti-tasklearningapproachforcomplexchemicalprocessesbasedon

manualpredictivemanipulatingstrategies

Abstract:PIDfeedbackcontrolhasbeenconsideredastheprimarycontrolstrategyforchemicalproduction

processeseversince.However,duetothelargetime-delayandnonlinearityofcomplexchemicalprocesses,PID

controlusuallysufferspoorperformancesincontrollingkeyprocessvariables.Forthisreason,inactualengineering,

itisusuallytheon-siteoperatorswhoimplementmanualpredictionandcontrolbasedontheirownexperience.In

ordertoeffectivelylearnmanualpredictiveregulationstrategiesfromhistoricaloperatingdata,thepaperproposesa

multi-tasklearningcascadenetwork(LSTMmulti-tasknetworkcascades,LSTM-MNC).Therein,process

predictionmodelsthatpredictshort-termchangesandlong-termtrendsareestablishedbasedondifferenttrendsof

processvariablesinthelongandshortterm,andthecausalrelationshipbetweenestimatedinformationofthe

processpredictionmodelandmanipulatedvariablesequencesisextracted.Supportedbypredictionsofcontrolled

variabledeviations,manipulatedvariablesequencesaregenerated,achievingintelligentmanipulationsof

productionprocesses.Experimentswereconductedonanindustrialheatexchangerprocesssimulationplatform,

leadingtosatisfactoryresults,whichverifythe