一种引入趋势判断机制的工业控制过程中状态量预测方法

1.本发明是一种引入趋势判断机制的工业控制过程中状态量预测方法，涉及工业过程控制领域。


背景技术：

2.随着计算机科学的深入发展，工业生产过程产生的大量历史数据的存储和运算已经成为现实。这些数据包含大量的有用信息，结合人工智能算法，就可以依据数据建立工业生产状态量的模型。通过所建立的模型，可以对工业生产中关键状态量进行预测和控制，从而优化工业生产过程，帮助提高工厂的效率和质量，减少生产成本和减少维护和停机时间。
3.人工智能算法包括机器学习和深度学习，随着算法的不断完善和精进，算法的效率和精确度在工业过程控制中的应用也不断提高。通过历史数据和先进的人工智能算法建立工业过程中关键状态量的预测模型，对工业信息化升级有着极其重要的意义。


技术实现要素：

4.本发明提供了一种引入趋势判断机制的工业控制过程中状态量预测方法，解决传统人工智能模型预测的目标状态量因为趋势不对而引起的控制不稳定问题。本发明首先依据预处理和特征选择后的工业过程数据建立初步智能预测模型。然后将工业过程数据中的目标状态量划分为上升、不变、下降三个状态，建立趋势分类器，之后设计趋势判断机制，如果初步智能预测模型预测的目标状态量变化趋势和趋势分类器分类结果一致，则将预测的目标状态量作为工业学习机的输出，否则设计一种趋势错误补偿机制，利用工业过程状态量的变化量信息和趋势错误导向，对目标状态量进行修正，修正结果作为输出。
5.为实现上述目的，本发明的技术方案是一种引入趋势判断机制的工业控制过程中状态量预测方法：
6.一种引入趋势判断机制的工业控制过程中状态量预测方法，其特征在于，所述方法具体包括以下步骤：
7.步骤s1：对采集到的工业过程状态量进行预处理和相关性分析，依据工业控制要求将状态量分为因素状态量和目标状态量；
8.步骤s2：基于人工智能算法，创建目标状态量和因素状态量的关联性方程，以此搭建工业控制过程中目标状态量的初步智能预测模型；
9.步骤s3：提取目标状态量变化趋势特征信息，以因素状态量和趋势特征信息为数据基础，搭建工业控制过程中目标状态量趋势分类器；
10.步骤s4：建立趋势判断机制，如果初步智能预测模型预测的目标状态量变化趋势和趋势分类器分类结果一致，则将预测的目标状态量作为输出，否则进行下一步；
11.步骤s5：创建一种趋势错误补偿机制，利用工业过程状态量的变化量信息和趋势错误导向，对目标状态量进行修正，修正结果作为输出。一种引入趋势判断机制的工业控制过程中状态量预测方法
12.作为本发明的进一步改进，步骤s1包括如下步骤：
13.1-1：采集工业过程运行数据d
*
(x
*
,y
*
)，其中x
*
为因素状态量，k为因素状态量的个数。y
*
为目标状态量。
14.1-2：对工业过程运行数据d
*
(x
*
,y
*
)进行缺失值填补、异常值处理等数据预处理操作。
15.1-3：对经过预处理后的数据d
*
(x
*
,y
*
)进行相关性分析，依据相关性分析结果对因素状态量进行特征选择，最终得到数据d(x,y)，其中x＝(x1,x2,l xj)，j为经过特征选择后因素状态量的个数，j＜k。
16.作为本发明的进一步改进，步骤s2包括如下步骤：
17.2-1：将经过预处理和特征选择后的数据d(x,y)划分为训练集d
train
(x
train
,y
train
)和测试集d
test
(x
test
,y
test
)。其中x
train
和x
test
分别为训练集和测试集中的因素状态量，y
train
和y
test
分别为训练集和测试集中的目标状态量。
18.2-2：选择一种合适的人工智能回归算法方程y＝φ(w,b,x)。其中w和b为该算法的参数。为该算法的损失函数，其中loss为损失值。
19.2-3：使用训练集的因素状态量x
train
和目标状态量y
train
训练智能算法：:
20.搭建y
train
＝φ(w,b,x
train
)
21.以最小化损失函数为目标：其中w
*
和b
*
为训练后得到的模型参数。
22.得到模型y＝φ(w
*
,b
*
,x)。
23.2-4：使用测试集的因素状态量x
test
和目标状态量y
test
验证所得模型的有效性。最终得到目标状态量初步预测模型y＝φ(w
*
,b
*
,x)。一种引入趋势判断机制的工业控制过程中状态量预测方法
24.作为本发明的进一步改进，步骤s3包括如下步骤：
25.3-1：将目标状态量曲线变化趋势分为三种类型：上升、不变、下降。分别用label1、label2、label3表示。
26.3-2：依据目标状态量变化趋势结合因素状态量得到数据集u(x,label)。
27.3-3：将u(x,label)分为训练集u
train
(x
train
,label
train
)和测试集u
test
(x
test
,label
test
)。
28.3-4：选择一种合适的人工智能分类算法label＝β(c,v,x)，其中c和v为该算法的参数。loss＝η(c,v,x)为该算法的损失函数，其中loss为损失值。
29.3-5：使用训练集的x
train
和lable
train
训练智能算法：:
30.搭建labe
train
＝β(c,v,x
train
)
31.以最小化损失函数为目标：min(loss)＝η(c
*
,v
*
,x
train
)。其中c
*
和v
*
为训练后得到的模型参数。
32.得到模型label＝β(c
*
,v
*
,x)。
33.3-6：使用测试集x
test
和label
test
验证所得模型的有效性。最终得到目标状态量趋势分类器label＝β(c
*
,v
*
,x)。一种引入趋势判断机制的工业控制过程中状态量预测方法
34.作为本发明的进一步改进，步骤s4包括如下步骤：
35.4-1：现有目标状态量初步预测模型y＝φ(w
*
,b
*
,x)和目标状态量趋势分类器label＝β(c
*
,v
*
,x)。
36.4-2：设t时刻有因素状态量x
t
，经目标状态量初步预测模型预测得：y
t+1
＝φ(w
*
,b
*
,x
t
)，其中y
t+1
为t+1时刻目标状态量预测值。
37.4-3：经目标状态量趋势分类器得：label
t+1
＝β(c
*
,v
*
,x
t
)，其中label
t+1
为t+1时刻目标状态量趋势状态。
38.4-4：依据y
t
和y
t+1
得目标状态量趋势状态
39.y
t+1-y
t
＞0定义此时目标状态量为上升状态；
40.y
t+1-y
t
＝0定义此时目标状态量为不变状态；
41.y
t+1-y
t
＜0定义此时目标状态量为下降状态；
42.4-5：如果则工业学习机的输出y
est
＝y
t+1
；如果则进行下一步。一种引入趋势判断机制的工业控制过程中状态量预测方法
43.作为本发明的进一步改进，步骤s5包括如下步骤：
44.5-1：设置一种补偿因子为δy，定义δy＝y
t-y
t-1
。
45.5-2：如果为上升状态，label
t+1
为不变或下降状态，则输出y
est
＝y
t+1
+δy；如果为下降状态，label
t+1
为不变或上升状态，则输出y
est
＝y
t+1-δy；如果为不变状态，label
t+1
为上升状态，则输出y
est
＝y
t+1-δy；如果为不变状态，label
t+1
为下降状态，则输出y
est
＝y
t+1
+δy。
46.与现有技术相比，本发明的有益效果在于：
47.本发明所设计的一种引入趋势判断机制的工业控制过程中状态量预测方法，使用工业过程历史数据信息结合人工智能算法，搭建目标状态量的初步智能预测模型和目标状态量变化趋势分类器。趋势分类器用于判断初步智能预测模型预测的目标状态量趋势是否合理，如果不合理引入补偿因子，对预测的目标状态量进行修正；
48.传统预测模型通常只关注预测值大小是否足够合理，却忽略了预测值趋势的变化是否正确。而目标状态量变化趋势对工业控制过程策略有很大的影响。该方法通过引入趋势判断机制，为工业过程控制提供目标状态量的趋势变化信息。
附图说明
49.图1为本发明的示意图。
具体实施方式
50.以下将结合实施方式对本发明进一步地解释说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
51.如图所示，本发明提供了一种引入趋势判断机制的工业控制过程中状态量预测方法，具体包括以下步骤：
52.步骤s1：对采集到的工业过程状态量进行预处理和相关性分析，依据工业控制要求将状态量分为因素状态量和目标状态量；
53.步骤s2：基于人工智能算法，创建目标状态量和因素状态量的关联性方程，以此搭建工业控制过程中目标状态量的初步智能预测模型；
54.步骤s3：提取目标状态量变化趋势特征信息，以因素状态量和趋势特征信息为数据基础，搭建工业控制过程中目标状态量趋势分类器；
55.步骤s4：建立趋势判断机制，如果初步智能预测模型预测的目标状态量变化趋势和趋势分类器分类结果一致，则将预测的目标状态量作为工业学习机的输出，否则进行下一步；
56.步骤s5：创建一种趋势错误补偿机制，利用工业过程状态量的变化量信息和趋势错误导向，对目标状态量进行修正，修正结果作为学习机的输出。
57.步骤s1具体包括以下步骤：
58.1-1：采集火电厂历史运行数据d
*
(x
*
,y
*
)，其中x
*
为因素状态量，一共有15个因素状态量，y
*
为目标状态量，为入口nox浓度值。
59.1-2：采用上下取均值的方法对缺失值进行填补。如因素状态量为缺失值，其填补方式为：
[0060][0061]
使用3σ原则进行异常值处理，数值处于(μ-3σ,μ+3σ)之外的数据为异常值，其中μ为均值，σ为标准差。对于因素状态量
[0062][0063][0064]
1-3：使用互信息法对预处理后的数据进行相关性分析，对于因素状态量和目标状态量y
*
的互信息值为：
[0065][0066]
其中代表互信息值、和p(y
*
)分别为因素状态量和目标状态量y
*
的概率分布、为和y
*
的联合概率分布。
[0067]
对各个因素状态量和目标状态量的互信息值进行排序得，依据互信息值大小选取前9个作为数据的特征变量。分别为：总风量、总煤量、风煤比、磨煤机a风煤比、磨煤机e风煤比、总一次风量、总二次风量、磨入口一次风加权值。最终得到预处理和特征选择后的数据d(x,y)。:
[0068]
步骤s2具体包括以下步骤：
[0069]
2-1：将经过预处理和特征选择后的数据d(x,y)划分为训练集d
train
(x
train
,y
train
)和测试集d
test
(x
test
,y
test
)。其中x
train
和x
test
分别为训练集和测试集中的因素状态量，y
train
和y
test
分别为训练集和测试集中的目标状态量。
[0070]
2-2：选择支持向量机回归算法：y＝w
t
φ(x)+b，其中w和b为该算法的参数。引入松弛变量ξi和构造下列损失函数，求解w和b的最优解：
[0071][0072]
s.t.f(x
train
)-y
train
≤ε+ξi[0073][0074][0075]
其中，e是惩罚因子，ε为允许存在的偏差，ξi和为松弛变量；
[0076]
利用最优化理论将二次规划问题转变为对偶问题，并求出w和b的最优解，最终得到nox浓度状态量的初步预测模型：
[0077][0078]
其中，和αi为拉格朗日乘子，w
*
和b
*
为模型参数。
[0079]
步骤s3具体包括以下步骤：
[0080]
3-1：将nox浓度状态量曲线变化趋势分为三种类型：上升、不变、下降。分别用labe1l、labe2l、labe3表示。
[0081]
3-2：依据nox浓度状态量变化趋势结合因素状态量得到数据集u(x,label)。
[0082]
3-3：将u(x,label)分为训练集u
train
(x
train
,label
train
)和测试集u
test
(x
test
,label
test
)。
[0083]
3-4：选择支持向量机分类算法：label＝c
t
β(x)+v，其中c和v为该算法的参数。引入松弛变量ξi构造下列损失函数，求解c和v的最优解：
[0084][0085]
s.t.label(c
t
β(x
train
)+v≥1-ξi)
[0086]
ξi≥0
[0087]
i＝1,2,l 9
[0088]
其中，e是惩罚因子。；
[0089]
利用最优化理论将二次规划问题转变为对偶问题，并求出c和v的最优解，最终得到nox浓度状态量趋势分类器：
[0090][0091]
其中，和αi为拉格朗日乘子，c
*
和v
*
为模型参数。
[0092]
步骤s4具体包括以下步骤：
[0093]
4-1：现有nox浓度状态量初步预测模型和nox浓度状态量趋势分类器
[0094]
4-2：设t时刻有nox因素状态量x
t
，经nox浓度状态量初步预测模型预测得：
其中y
t+1
为t+1时刻nox浓度目标状态量预测值。
[0095]
4-3：经nox浓度状态量趋势分类器得：其中label
t+1
为t+1时刻nox浓度状态量趋势状态。
[0096]
4-4：依据y
t
和y
t+1
得nox浓度状态量趋势状态
[0097]yt+1-y
t
＞0定义此时nox浓度状态量为上升状态；
[0098]yt+1-y
t
＝0定义此时nox浓度状态量为不变状态；
[0099]yt+1-y
t
＜0定义此时nox浓度状态量为下降状态。
[0100]
4-5：如果则工业学习机的输出nox浓度为y
est
＝y
t+1
；如果则进行下一步。
[0101]
步骤s5具体包括以下步骤：
[0102]
5-1：设置一种补偿因子为δy，定义δy＝y
t-y
t-1
。
[0103]
5-2：如果为上升状态，label
t+1
为不变或下降状态，则输出y
est
＝y
t+1
+δy；如果为下降状态，label
t+1
为不变或上升状态，则输出y
est
＝y
t+1-δy；如果为不变状态，label
t+1
为上升状态，则输出y
est
＝y
t+1-δy；如果为不变状态，label
t+1
为下降状态，则输出y
est
＝y
t+1
+δy。

技术特征：
1.一种引入趋势判断机制的工业控制过程中状态量预测方法，其特征在于，所述方法具体包括以下步骤：步骤s1：对采集到的工业过程状态量进行预处理和相关性分析，依据工业控制要求将状态量分为因素状态量和目标状态量；步骤s2：基于人工智能算法，创建目标状态量和因素状态量的关联性方程，以此搭建工业控制过程中目标状态量的初步智能预测模型；步骤s3：提取目标状态量变化趋势特征信息，以因素状态量和趋势特征信息为数据基础，搭建工业控制过程中目标状态量趋势分类器；步骤s4：建立趋势判断机制，如果初步智能预测模型预测的目标状态量变化趋势和趋势分类器分类结果一致，则将预测的目标状态量作为输出，否则进行下一步；步骤s5：创建一种趋势错误补偿机制，利用工业过程状态量的变化量信息和趋势错误导向，对目标状态量进行修正，修正结果作为输出。2.根据权利要求1所述的一种引入趋势判断机制的工业控制过程中状态量预测方法，其特征在于，步骤s1包括如下步骤：1-1：采集工业过程运行数据d
*
(x
*
,y
*
)，其中x
*
为因素状态量，k为因素状态量的个数；y
*
为目标状态量；1-2：对工业过程运行数据d
*
(x
*
,y
*
)进行缺失值填补、异常值处理的操作；1-3：对经过预处理后的数据d
*
(x
*
,y
*
)进行相关性分析，依据相关性分析结果对因素状态量进行特征选择，最终得到数据d(x,y)，其中x＝(x1,x2,lx
j
)，j为经过特征选择后因素状态量的个数，j＜k。3.根据权利要求2所述的一种引入趋势判断机制的工业控制过程中状态量预测方法，其特征在于，步骤s2包括如下步骤：2-1：将经过预处理和特征选择后的数据d(x,y)划分为训练集d
train
(x
train
,y
train
)和测试集d
test
(x
test
,y
test
)；其中x
train
和x
test
分别为训练集和测试集中的因素状态量，y
train
和y
test
分别为训练集和测试集中的目标状态量；2-2：选择一种合适的人工智能回归算法方程y＝φ(w,b,x)；其中w和b为该算法的参数；为该算法的损失函数，其中loss为损失值；2-3：使用训练集的因素状态量x
train
和目标状态量y
train
训练智能算法：搭建y
train
＝φ(w,b,x
train
)以最小化损失函数为目标：其中w
*
和b
*
为训练后得到的模型参数；得到模型y＝φ(w
*
,b
*
,x)；2-4：使用测试集的因素状态量x
test
和目标状态量y
test
验证所得模型的有效性；最终得到目标状态量初步预测模型y＝φ(w
*
,b
*
,x)。4.根据权利要求3所述的一种引入趋势判断机制的工业控制过程中状态量预测方法，其特征在于，步骤s3包括如下步骤：3-1：将目标状态量曲线变化趋势分为三种类型：上升、不变、下降；分别用label1、label2、label3表示；
3-2：依据目标状态量变化趋势结合因素状态量得到数据集u(x,label)；3-3：将u(x,label)分为训练集u
train
(x
train
,label
train
)和测试集u
test
(x
test
,label
test
)；3-4：选择一种合适的人工智能分类算法label＝β(c,v,x)，其中c和v为该算法的参数；loss＝η(c,v,x)为该算法的损失函数，其中loss为损失值；3-5：使用训练集的x
train
和lable
train
训练智能算法：搭建labe
train
＝β(c,v,x
train
)以最小化损失函数为目标：min(loss)＝η(c
*
,v
*
,x
train
)；其中c
*
和v
*
为训练后得到的模型参数；得到模型label＝β(c
*
,v
*
,x)；3-6：使用测试集x
test
和label
test
验证所得模型的有效性；最终得到目标状态量趋势分类器label＝β(c
*
,v
*
,x)。5.根据权利要求4所述的一种引入趋势判断机制的工业控制过程中状态量预测方法，其特征在于，步骤s4包括如下步骤：4-1：现有目标状态量初步预测模型y＝φ(w
*
,b
*
,x)和目标状态量趋势分类器label＝β(c
*
,v
*
,x)；4-2：设t时刻有因素状态量x
t
，经目标状态量初步预测模型预测得：y
t+1
＝φ(w
*
,b
*
,x
t
)，其中y
t+1
为t+1时刻目标状态量预测值；4-3：经目标状态量趋势分类器得：label
t+1
＝β(c
*
,v
*
,x
t
)，其中label
t+1
为t+1时刻目标状态量趋势状态；4-4：依据y
t
和y
t+1
得目标状态量趋势状态y
t+1-y
t
＞0定义此时目标状态量为上升状态；y
t+1-y
t
＝0定义此时目标状态量为不变状态；y
t+1-y
t
＜0定义此时目标状态量为下降状态；4-5：如果则工业学习机的输出y
est
＝y
t+1
；如果则进行下一步。6.根据权利要求5所述的一种引入趋势判断机制的工业控制过程中状态量预测方法，其特征在于，步骤s5包括如下步骤：5-1：设置一种补偿因子为δy，定义δy＝y
t-y
t-1
；5-2：如果为上升状态，label
t+1
为不变或下降状态，则输出y
est
＝y
t+1
+δy；如果为下降状态，label
t+1
为不变或上升状态，则输出y
est
＝y
t+1-δy；如果为不变状态，label
t+1
为上升状态，则输出y
est
＝y
t+1-δy；如果为不变状态，label
t+1
为下降状态，则输出y
est
＝y
t+1
+δy。

技术总结
本发明提出一种引入趋势判断机制的工业控制过程中状态量预测方法，包括如下步骤：步骤S1：将工业过程状态量分为因素状态量和目标状态量；步骤S2：创建目标状态量的初步智能预测模型；步骤S3：提取目标状态量变化趋势特征信息，搭建工业控制过程中目标状态量趋势分类器；步骤S4：建立趋势判断机制；步骤S5：创建趋势错误补偿机制，对目标状态量进行修正。本发明提出一种引入趋势判断机制的工业控制过程中状态量预测方法，传统预测模型通常只关注预测值大小是否合理，却忽略预测值趋势的变化是否正确。而目标状态量变化趋势对工业控制过程策略有很大影响。该方法通过引入趋势判断机制，为工业控制提供目标状态量趋势变化信息。为工业控制提供目标状态量趋势变化信息。为工业控制提供目标状态量趋势变化信息。


技术研发人员：易辉 董露
受保护的技术使用者：南京工业大学
技术研发日：2023.06.27
技术公布日：2023/9/25