基于自适应噪声界的工业控制回路过程辨识集员辨识方法

中文题目：基于自适应噪声界的工业控制回路过程辨识集员辨识方法

论文题目：An Adaptive-Noise-Bound-Based Set-Membership Method for Process Identification of Industrial Control Loops

录用期刊/会议：【processes】 JCR Q2

原文DOI：10.3390/pr11102835

原文链接：https://www.mdpi.com/2227-9717/11/10/2835

录用/见刊时间： 2023.09.26

封面图片：

封面摘要：该研究成果由王珠老师团队完成，已被processes(JCR Q2)收录。

作者列表：

1）王珠 中国石油大学（北京）信息科学与工程学院 自动化系教师

2）王倩 中国石油大学（北京）信息科学与工程学院 控制科学与工程专业 硕 21

3）张少康 中国石化石家庄炼化公司电气仪表部 经理

摘要:

石油炼化过程中，关键变量数据的建模需要考虑炼油催化裂化装置系统（CCU）的复杂特性，如慢时变、复杂动态特性、噪声分布特性未知等。为了充分捕捉线性普通动态过程的动态特性，提出了一种基于自适应噪声界的集员辨识方法（RSMI）。在集员辨识框架下，基于假设条件，输出集通常表示为椭球体。首先，考虑了CARMA模型，选择较长时间的历史数据来捕获工业控制回路的复杂动态特性。其次，引入了优化因子，优化噪声界，使其更好地适应现实噪声环境。通过设计在优化框架内寻找最优参数，确定最优自适应噪声界。用李雅普诺夫方法证明RSMI算法的稳定性，将RSMI算法应用于工程实践，并针对控制过程的离线和在线训练阶段进行了设计。最后，进行了模拟实验，对催化裂化装置内的流量、压力和液位控制回路的实时数据进行了建模和预测。通过实验验证了RSMI算法的有效性，并对建立的模型进行频域分析。

背景与动机:

本文的主要目的是为CCU中的关键变量建立动态机理模型，以满足操作变量分析、高级控制和在线优化研究的需要。通过考虑不同回路的动态特性，建立了模型，并对其精度进行了分析。虽然目前的大多数SMI方法都依赖于关于噪声的简单假设，但由于在实际工作条件下的确定不准确，本文提出了RSMI算法，通过优化算法来找到最优参数，该算法使用残差数据的均值和标准差近似来估计噪声界。

设计与实现:

步骤1 选取有效输入输出数据进行辨识。首先获取炼化厂中一段单输入-单输出控制回路的过程动态历史数据，试验现场每隔一段时间，增加多次脉冲响应激励，筛选掉静态不变的数据。

步骤2 初始化模型结构，确定回路类型，根据回路响应时间和采样间隔确定模型阶次，并确定噪声边界调宽系数

寻优范围区间，以及

更新步长。

步骤3 集员辨识算法递推更新，在辨识的过程中，在寻优算法框架下寻优，确定最小化椭球广义半径

优化准则，通过集员辨识递推算法，取当前时刻以及前199个时刻的残差数据，用这200组残差数据求取均值和标准差估计自适应噪声边界，在寻优算法框架下寻找最优噪声边界调宽系数

，算法流程图如图1所示。

步骤4 离线训练，选取一整段长数据，进行首次训练，通过步骤3确定噪声界调宽系数，并辨识出最终模型。

步骤5 在线训练，在离线训练的基础上，选取近期历史数据，分为训练集和测试集，通过步骤3的集员辨识算法，训练集辨识出最优参数，测试集辨识出10组模型，并预测测试集的输出。

步骤6 模型分析，确定最优参数后，通过频域分析法画出建模之后的Bode图和Nyquist曲线，分析其频域稳定性。

图1 算法流程图

主要内容:

1. 集员辨识算法框架

考虑SISO系统CARMA模型：

在我们的估计算法中，假设实际参数

位于椭球体

内，由下式表示：

可通过推导得出，

2. 优化准则

最小化椭球广义半径准则在真实噪声界变化的情况下，表现出良好的性能。最优权重因子

通过式（15）中

对

求导可得，

3. 自适应噪声边界

本研究考虑对噪声边界

进行自适应估计和调整，一个较为合理的假设是噪声边界依赖当前时刻以及前199个时刻的残差数据的均值与标准差。

4.在满足噪声界自适应性由残差序列决定的条件下，寻找最优噪声边界调宽系数

，以使得待估噪声边界达到最优，或使得待估噪声界更接近实际噪声界。为了确保估计的噪声边界更接近工厂环境，确定噪声边界调宽系数的最大值

和最小值

，更新间隔为

，则寻优循环次数为

次，寻优的范围为

。

实验结果及分析:

通过离线训练确定最优参数，参数确定结果如表1所示，在在线训练阶段确定最终输出模型，如表2所示。选择近期某一段历史数据预测输出，将改进之后的RSMI算法与具有固定噪声界的SMI算法进行比较，并将预测输出数据与实际输出数据进行比较，观察数据跟踪效果，最终的测试结果如图2和图3所示。

表1 最优参数

表2 最终模型

图2 RSMI算法预测输出与真实输出的比较

图3 具有固定噪声界的SMI算法预测输出与真实输出的比较

基于RSMI算法识别的模型，得到了最终模型，并推导出离散开环传递函数。在频域分析闭环传递函数的稳定性，绘制开环传递函数的Nyquist图和Bode图来分析系统的稳定性，测试结果如图4和图5所示。

图4 Nyquist曲线图

图5 Bode图

结论:

针对石油炼制过程时变慢、动态、分布复杂、随机噪声未知等特点，提出了一种基于自适应噪声界的集员辨识算法。与传统的集员识别方法相比，基于自适应噪声边界的集员辨别算法可以使系统响应更快、鲁棒性更强、建模更准确，并避免不必要的算法执行步骤。通过引入残差序列和自适应估计噪声界，实现了基于自适应噪声界的集员辨别算法的改进，同时引入了优化算法和容差因子，防止了局部最优。这将产生一个更精确的模型。控制算法用Python编程，实验结果表明，与传统的集体辨识算法相比，基于自适应噪声边界的集体辨识算法可以进一步提高建模精度，并表现出更好的鲁棒性。

通讯作者简介:

王珠，男，博士，中共党员，现任中国石油大学（北京）副教授、硕士生导师。2016年至今在中国石油大学（北京）自动化系工作，现任自动化系副主任、北京人工智能学会理事、中国化工学会信息技术应用专业委员会青年委员。

长期从事工业过程的动态建模与辨识、炼化装置智能控制与故障预警技术、以及深度学习与神经网络预测等方面的研究工作，以第一作者或通讯作者身份发表高水平学术论文20余篇。主持并参与国家自然科学基金多项，主持多个企业横向项目。