一種雙線性數據協調方法
2023-04-28 11:17:31
專利名稱：一種雙線性數據協調方法
技術領域：
本發明涉及過程數據校正領域，尤其涉及一種雙線性數據協調方法。
背景技術：
通常在化工生產過程中，需要在線或離線採集大量的過程測量數據，如物流流率、組分、溫度、壓力等，將其作為過程設計、模擬優化、控制、裝置性能分析及生產管理決策分析的直接依據。然而，實際測量數據中測量誤差是不可避免的，使得測量值不能精確地滿足生產過程單元的物料、能量平衡等物理和化學規律從而造成數據的不一致性；同時，由於受經濟條件、測量技術和儀表本身等的限制，並非所有的變量都可以測量，從而造成了數據的不完整性。在目前已經建成和正在開發的企業綜合自動化系統中，數據的不一致性及不完整性導致基於數據的上層應用效果不好甚至無法進行。因此，從現場採集過來的測量數據必須經過數據協調處理來解決不一致性及不完整性的問題，以能很好的服務於上層應用。隨著系統規模的不斷擴大和複雜性的提高以及信息化需求的增長，測量數據作為信息載體，對其準確性的需求也越來越迫切。作為保證數據質量的數據協調技術起著更為重要的作用。
數據協調作為一項可有效提高工業測量數據質量的技術，已廣泛用於許多不同的流程工業中，特別是只考慮總物料平衡的線性數據協調。然而，實際中往往涉及組分，組分作為化工過程的基本變量之一，其數據的準確性與物流數據一樣對上層應用至關重要，也有必要考慮多組分物料平衡來增加系統冗餘以提高物流及組分數據的準確性，並且進一步降低甚至消除數據的不完整性。由兩個變量乘積項組成的非線性約束稱作「雙線性」約束，如多組分物料平衡方程中物流流率和組分的乘積，考慮組分的這類協調問題為雙線性數據協調問題。國內外對雙線性數據協調技術做了不少研究，主要有Crowe兩步投影矩陣法、Simpson法及NLP法。然而，Crowe投影矩陣法協調過程中權重參數難以確定及協調精度一般，特別在含有不可觀察物流流率時，甚至有可能出現無意義的協調結果；Simpson法對含有不可觀察物流流率或組分變量時無能為力，然而這種情況由於儀表配置的原因經常會在工業中遇到；NLP法協調效率不高，很難滿足工業中對時實性的要求。目前，國內MES(製造執行系統)中對此問題的處理方法是首先對物流流率作線性穩態協調，組分平衡採用局部比例分攤法，即油品平衡推理法。此種處理方法比較的粗糙，數據精度難以得到保證。因此，有必要研究一種滿足實時性及精度要求的雙線性數據協調方法來實現物流和組分平衡，以獲得準確的物流及組分數據，解決工業測量數據的不一致性及不完整性問題，更好地為基於數據的上層應用服務。名詞解釋
數據一致性數據滿足過程模型，如物料平衡、能量平衡等；數據協調技術確保數據準確性、一致性及完整性的一種智能數據處理技術，它通過最優地調整過程測量值、最優地調整過程模型中的潛在不確定性(如參數)，使其滿足過程模型，提高測量數據質量，估計未測變量；雙線性數據協調若在數據協調中，需要滿足的過程模型為雙線性結構的，則稱為此類數據協調為雙線性數據協調，如考慮多組分物料平衡的多組分數據協調。
物流關係結構圖以工廠中的裝置為節點，以裝置之間的管線為邊(弧)，管線中物流的流向為邊的箭頭指向，如此而構成的有向圖；它反映了工廠整個流程的物流關係，它可以從工廠中獲得；冗餘性它是針對已測變量而言的；若變量除了自身的測量值外，還可以通過過程模型由其他已測變量計算得到，則稱該變量為冗餘的，冗餘變量由其他已測變量計算的等式稱為冗餘方程或冗餘信息；否則稱該變量為非冗餘的；可觀性它是針對未測變量而言的，若變量可以通過過程模型由已測變量估計得到，則稱該變量為可觀察的；否則稱該變量為不可觀察的；發明內容本發明的目的是提供一種雙線性數據協調方法，用於保證化工過程物流及組分數據的準確性、一致性以及降低物流和組分數據的不完整性，更好的為上層應用服務。
它包括如下步驟1)根據石化企業生產流程中物流關係結構圖及測量網絡生成雙線性數據協調模型；2)採用變量消除方法對協調模型進行分解及規範化；3)針對分解及規範化後的協調模型，採用微粒群算法獲得準確的物流流率及組分數據。
所述的雙線性數據協調模型它是一個含約束的最優化問題，變量為物流流率和組分，其中等式約束為總物料平衡方程及多組分物料平衡方程；不等式約束是組分變量分布在0與1之間，即0≤xj，k≤1；目標函數為Min(Fm^-Fm)TQFm-1(F^m-Fm)]]>+j=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)]]>其中 為已測物流流率向量，QFm為其相應的協方差矩陣，Fm為其相應的協調值(準確值)； 是第j股物流中已測組分向量，QXmj為其相應的協方差矩陣，Xmj為其相應的協調值(準確值)；c為企業生產流程中的組分數。
所述的變量消除方法它首先引入輔助變量，即組分流率FXFX＝[F1F2…FsF1*x1，1…F1*x1，c…Fs*xs，1…Fs*xs，c]T
其中，F1為第i股物流流率，x1，k為第j股物流中的k組分，s為企業生產流程中的物流流股數；將輔助變量按是否已測分為五類已測物流流率，記為Fm；物流流率及組分均已測的組分流率，記fm，其對應的已測組分用m表示；可觀察物流流率，記Fo；物流流率可觀察且組分已測的組分流率，記fo，其對應的已測組分用d表示；其餘的為第五類組分流率變量，記v。總物料平衡方程及多組分物料平衡方程表示為A0Fm+A1fm+A2Fo+A3fo+Pv＝0其中A0、A1、A2、A3及P為各類輔助變量所對應的關聯矩陣。
通過投影矩陣Y，消除總物料平衡方程及多組分物料平衡方程中含第五類組分流率變量部分YT[A0Fm+A1fm+A2Fo+A3fo]＝0其中Y為P陣QR分解中Q陣去除前rank(P)列的部分。
其次，在消除物料平衡方程中第五類組分流率變量時，會丟失第五類組分流率變量所包含的已測組分的冗餘信息，需提取此類已測組分的冗餘信息。US為物流流率不可觀察的流股集合，xj，r為ej∈US流股中已測組分r，提取方法如下①若ej中所有組成已測，則將歸一化方程提取出來，即kxj,k=1;]]>②將石化企業生產流程中物流關係結構圖中含未測組成r的弧所組成的迴路進行編並，獲得子圖Gr；③在子圖Gr中找包含ej及組成r已知且相等(可以與xj，r不相等)的其他弧所組成的割集；④找割集K直至找到含有弧hUS的割集，則提取出冗餘方程xj，r＝xh，r，其中h∈K，hUS，轉至⑥；若只找到只含不可觀察弧的割集K，則提取冗餘方程xj，r＝xh，r＝…＝xi，r，其中j，h…，t∈K，轉至⑥，以後不需對此割集K中的流股對應的r組分變量進行冗餘方程的提取；⑤若找不到上述的割集，則變量xj，r非冗餘；⑥改換另外一條不可觀察弧轉至①；通過該提取方法獲得丟失的冗餘信息
L(m，d，θ)＝0，L(·)為線性方程組其中θ為會丟失冗餘的組分變量。
所述的分解及規範化後的協調模型它通過上述變量消除方法，把協調問題分解為兩類規模較小的子問題第一類子問題Min(Fm^-Fm)TQFm-1(F^m-Fm)]]>+j=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)]]>s.t.YT[A0Fm+A1fm+A2Fo+A3fo]＝0L(m，d，θ)＝00≤xj，k≤1第二類子問題Pv＝-[A0Fm+A1fm+A2Fo+A3Fo]所述的採用微粒群算法獲得準確的物流流率及組分數據它首先利用第一類子問題中等式約束的雙線性特殊結構，採用獨立變量和依存變量選取方法把物流流率及組分變量分為獨立變量和依存變量；然後以所選取的獨立變量作為該算法中的微粒，採用基本微粒群算法的微粒進化方式，對第一類子問題尋優得到已測物流流率Fm、可觀察物流流率Fo以及已測組分m，d，θ的準確數據；最後利用這些協調得到的已測物流流率Fm、可觀察物流流率Fo以及已測組分m，d，θ的準確數據，對第二類子問題Pv＝-[A0Fm+A1fm+A2Fo+F3fo]線性代數求解，獲得第五類組分流率變量v的準確數據。
所述的獨立變量和依存變量選取方法，它的具體步驟如下①選取矩陣YT[A1A3]中最大線性無關組列向量所對應的組分變量為依存變量；②若最大線性無關組秩小於其列向量維數，另外選取在矩陣YT[A0A2]與所選最大線性無關組線性獨立的列向量所對應的物流流率變量(其對應組分變量均為依存變量)作為依存變量；③L(m，d，θ)＝0的每個方程中選取一個屬於會丟失冗餘的θ元素的組分變量作為依存變量；④其餘變量作為獨立變量。
本發明的優點1)本發明協調方法中權值參數容易確定，且能處理化工過程中經常遇到的含不可觀察物流流率及組分變量的情況，並具有相當高的協調精度；2)協調問題分解及規範化方法簡單且易於實現，由於協調問題分解、規範化以及微粒群算法搜索空間降維處理，本發明具有比較高的協調效率；3)本發明在數據協調中引入組分變量上下限約束，保證了可行的協調結果，防止了無意義協調結果的出現；4)本發明實施方便，便於實現與其它應用系統的集成。
圖1是本發明中雙線性數據協調方法流程圖；圖2是實施案例中某化工企業合成汁提取過程物流關係結構圖。
具體實施例方式
本發明給出了一種雙線性數據協調方法，其主要分為三個部分帶上下限約束雙線性數據協調模型的生成；雙線性數據協調問題降維及規範化；微粒群算法對協調問題的最終求解。
具體實施按上述三部分展開生成雙線性數據協調模型已知工廠有n個單元裝置，s股物流及c種組分。根據工廠中生產流程物流關係結構圖，得到總物料平衡及多組分物料平衡方程j=1slijFj=0]]>總物料平衡方程j=1slijFjxj,k=0,i=1,,n,k=1,,c]]>多組分物料平衡方程其中Fj為第j股物流流率。lij為關聯繫數，物流j流入裝置i則為1，流出為-1，否則為0，且以lij作為第i行第j列元素構成系統關聯矩陣A；xj，k為第j股物流第k組分。
由於組分變量為百分數，組分變量有如下約束0≤xj，k≤1雙線性數據協調模型是一個優化問題，採用如下的目標函數Min(Fm^-Fm)TQFm-1(F^m-Fm)]]>+j=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)]]>其中 為已測物流流率向量，QFm為其相應的協方差矩陣，Fm為其相應的協調值(準確值)； 是第j股物流中已測組分向量，QXmj為其相應的協方差矩陣，Xmj為其相應的協調值(準確值)。
綜上，生成的雙線性數據協調模型如下，Min(Fm^-Fm)TQFm-1(F^m-Fm)]]>+j=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)---(P1)]]>s.t.j=1slijFj=0---(1)]]>j=1slijFjxjk=0,i=1,,n,k=1,,c]]>0≤xj，k≤1(2)雙線性數據協調問題分解、降階及規範化針對雙線性數據協調模型(P1)，首先引入輔助變量——組分流率FXFX＝[F1F2…FsF1*x1，1…F1*x1，c…Fs*xs，1…Fs*xs，c]T將協調模型中的等式約束(1)表示為如下線性約束形式IssEOB*FX=0---(3)]]>其中，B由雙線性數據協調模型生成步驟中的系統關聯矩陣A衍生得到，即將A中元素(+1，-1，0)分別用(Ic×c，-Ic×c，Oc×c)取代得到，Ic×c為c×c維單位陣，Oc×c為c×c維零矩陣；E由矩陣Is×s衍生得到，即將Is×s中元素(+1，0)分別用(-11×c，O1×c)取代，11×c為1×c維壹矩陣。將輔助變量——組分流率FX按是否已測進行分類，分為如下五類已測總流率，記為Fm；總流率及組分已測組分流率，用fm表示，其對應的已測組分為m；可觀察總流率，用Fo表示；可觀察總流率流股且組分已測的組分流率，記fo，其對應的已測組分為d；其餘的為第五類變量，記v。對(3)式前面的關聯矩陣進行分塊AoFm+A1fm+A2Fo+A3fo+Pv＝0 (4)其中A0、A1、A2、A3及P為各類輔助變量所對應的關聯矩陣。
通過投影矩陣Y，消除總物料平衡方程及多組分物料平衡方程中含第五類組分流率變量v部分YT[A0Fm+A1fm+A2Fo+A3fo]＝0 (5)
其中Y為P陣QR分解中Q陣去除前rank(P)列的部分。即Y的求取如下對P進行OR分解P∏＝QR，其中Q，R為如下形式Q＝[Q1Q2]R=R1R200,]]>rank(P)＝rank(R1)則P投影矩陣Y＝Q2。
其次，在消除物料平衡方程中第五類組分流率變量時，會丟失第五類組分流率變量中不可觀察物流流率所對應的已測組分的冗餘信息，需提取此類已測組分的冗餘信息。令US為物流流率不可觀察的流股集合，xj，r為ej∈US流股中已測組分r，xj，r變量的冗餘性分析及冗餘方程提取步驟如下①若ej中所有組成已測，則將歸一化方程提取出來，即kxj,k=1.]]>②將生產流程中物流關係結構圖中含未測組成r的弧所組成的迴路進行編並，獲得子圖Gr。
③在子圖Gr中找包含ej及組成r已知且相等(可以與xj，r不相等)的其他弧所組成的割集。
④找割集K直至找到含有弧hUS的割集，則提取出冗餘方程xj，r＝xh，r，其中h∈K，hUS，轉至⑥；若只找到只含不可觀測弧的割集K，則提取冗餘方程xj，r＝xh，r＝…＝xt，r，其中j，h…，t∈K，轉至⑥，以後不需對此割集K中的流股對應的r組分變量進行冗餘方程的提取。
⑤若找不到上述的割集，則變量xj，r非冗餘。
⑥改換另外一條不可觀察弧轉至①。
通過步驟①～⑥獲得會丟失冗餘的已測組分的冗餘信息L(m，d，θ)＝0，L(·)為線性方程組θ為會丟失冗餘的組分所組成的向量。
通過上述的變量消除方法，原協調問題分解為下列兩類子問題第一類子問題
Min(Fm^-Fm)TQFm-1(Fm^-Fm)]]>+j=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)---(P2)]]>s.t.YT[A0Fm+A1fm+A2Fo+A3fo]＝0L(m，d，θ)＝0 (6)0≤xj，k≤1第二類子問題Pv＝-[A0Fm+A1fm+A2Fo+A3fo] (P3)微粒群算法對協調問題的最終求解微粒群算法對協調問題的最終求解，首先對(P2)問題進行無約束化處理，針對式(6)中等式約束具有線性及雙線性結構的特點，根據式(6)將變量分為獨立變量Vid和依存變量Vd，獨立變量和依存變量選取方法如下①選取矩陣yT[A1A3]中最大線性無關組列向量所對應的組分變量為依存變量；②若最大線性無關組秩小於其列向量維數，另外選取在矩陣YT[A0A2]與所選最大線性無關組線性獨立的列向量所對應的總流率變量(其對應組分變量均為依存變量)作為依存變量；③L(m，d，θ)＝0的每個方程中選取一個屬於會丟失冗餘的θ元素的組分變量作為依存變量；④其餘變量作為獨立變量Vid；然後以獨立變量和依存變量選取方法所選取的獨立變量作為微粒，採用基本微粒群算法的微粒進化方式，對第一類子問題(P2)尋優得到已測物流流率Fm、可觀察物流流率Fo以及已測組分m，d，θ的準確數據；最後利用這些協調得到的已測物流流率Fm、可觀察物流流率Fo以及已測組分m，d，θ的準確數據，對第二類子問題Pv＝-[A0Fm+A1fm+A2Fo+A3fo]線性代數求解，獲得第五類組分流率變量v的準確數據。
令微粒i當前位置為Viid=(vi,1id,vi,2id,vi,tid),]]>飛行速度Ui＝(ui1，ui2，…，uit)，微粒i所經歷的個體最優位置Pi＝(pi1，pi2…，pit)，所有微粒中全局最好位置為Pg＝(pg1，pg2，…，pgt)，基本微粒群算法的微粒進化方式如下
uij=uij+c1rand1(pij-vijid)+]]>c2rand2(pgj-vijid)---(7)]]>vijid=vijid+uij]]>其中w為慣性權重；c1，c2為加速常數；rand1和rand2為兩個0～1相互獨立的隨機函數生成的隨機數。
基本微粒群算法微粒進化方式中，w選取w=0.9-Inter(0.9-0.4)MIter,]]>其中MIter為最大迭代次數，Inter為當前迭代次數；c1，c2選取1.8～2.0。
針對第一類子問題式(6)中的不等式，獨立組分變量xijid的上下限約束作為微粒生成及活動的範圍，依存組分變量sijd的上下限約束作為罰函數加入(P2)目標函數中，作為微粒的適應度。罰函數為ij=100000*[max2(-xijd,0)+max2(xijd-1),0]]]>微粒的適應度為J=(Fm^-Fm)TQFm-1(Fm^-Fm)]]>+j=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)+ij---(8)]]>基本微粒群算法由以下步驟來實現①以獨立變量為微粒，選取一個微粒群，對每個微粒在變量上下限約束範圍內隨機給定一個初始位置和初始速度；②根據(8)式計算每個粒子在初始位置的適應值，並將它賦給pbest，並將各微粒位置作為其個體最優位置，記為Pi，選擇適應度最大的一個微粒，記為Pg，並將其適應度賦給gbest；③根據式(7)對微粒的速度和位置進行進化。
④根據(8)式重新計算每個粒子的適應度，將每個粒子適應度分別與其個體最優位置Pi的適應值進行比較，若較小，則將其作為當前個體最優位置；然後將適應值與全局最好位置Pg的適應值比較，若較小，則將其作為當前全局最好位置。
⑤重複③和④直至給定的迭代次數或適應度要求。
綜上，本發明的總體實施流程如圖1所示，其步驟如下①根據生產流程中物流關係結構圖生成雙線性數據協調模型(p1)；②調用變量消除方法，得到兩類子問題(P2)、(P3)；③調用獨立變量和依存變量選取方法，確立(P2)中的獨立變量，並以此為微粒；④調用基本微粒群算法求解獲得準確的物流及組分數據。
實施例以Meyer(1990)給出的某合成汁提取過程為例，其物流關係結構圖如附圖2所示，共有4套裝置，11股物流，7種組分。為實施方便，對每套裝置、物流及組分進行了編號，如附圖2所示。該過程有88個變量，其中物流流率變量有11個，為Fj(j＝1，2…11)；組分變量有77個，為xj，k(j＝1，2…11，k＝1，2…7)。各變量的測量情況如下已測物流流率變量F1，F4，F5，F6，F7，F8，F10；(7個)未測物流流率變量F2，F3，F9，F11；(4個)已測組分變量x1，1～x1，6，x2，1，x3，1，x4，1～x4，4，x4，6，x5，1～x5，6，x6，1～x6，6x7，1～x7，6，x8，1～x8，7，x9，1～x9，4，x9，6，x9，7x10，1～x10，7，x11，1～x11，7(58個)未測組分變量x1，7，x2，2～x2，7，x3，2～x3，7，x4，5，x4，7，x5，7，x6，7，x7，7，x9，5。 (19個)各已測變量的測量數據如表第二列所示(它可以從資料庫中得到)，表中記錄的組分數據僅為百分比的分子部分；各測量變量的標準差如表第三列所示(它由現場測量儀表本身決定)，各測量變量之間的測量誤差互不相關，其中F2，F3為不可觀察的。
根據附圖2所示的物流關係結構圖，裝置總物料平衡及多組分物料平衡方程為Min(Fm^-Fm)TQFm-1(Fm^-Fm)]]>+j=111(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)]]>s.t.j=111lijFj=0]]>j=111lijFjxj,k=0]]>i＝1，...，4，k＝1，…，70≤xj，k≤1
其中Fm，Fm，Xmi，Xmi所代表的含義如表1表1符號一覽表 其中lij為系統關聯矩陣A的第i行，第j列元素。
A=1-1-100000000011-1-1-1-10000000010000-1-10001000-1-100]]>調用變量消除方法得到上述協調模型所分解的兩類子問題第一類子問題Min(Fm^-Fm)TQFm-1(Fm^-Fm)]]>+j=111(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)]]>
s.t.YT[A0Fm+A1fm+A2Fo+A3fo]＝0x2，1＝x1，1x3，1＝x1，10≤xi，j≤1 i＝1…4，j＝1…11第二類子問題Pv＝-[A0Fm+A1fm+A2Fo+A3fo]其中Fm＝[F1F4F5F6F7F8F10]T，Fo＝[F9F11]T；fm＝[F1*Xm1TF4*Xm4TF5*Xm5TF6*Xm6TF7*Xm7TF8*Xm8TF10*Xm10T]T；fo＝[F9*Xm9TF11*Xm11T]T；矩陣A0，A1，A2，A3，P，Y如下A0是由G的第1，4，5，6，7，8，10列組成；A1是由G的第12～17，33～36，38，40～45，47～52，54～59，61～67，75～81列組成；A2是由G的第9，11列組成；A3是由G的第68～71，73，74，82～88列組成；P是由G的第2，3，18，19～25，26～32，37，39，46，53，60，72列組成；G=I1111EOB]]>其中，B由雙線性數據協調模型生成步驟中的系統關聯矩陣A衍生得到，即將A中元素(+1，-1，0)分別用(I7×7-I7×7，O7×7)取代得到，I7×7為7×7維單位陣，O7×7為7×7維零矩陣；E由矩陣I11×11衍生得到，即將I11×11中元素(+1，0)分別用(-11×7，O1×7)取代，11×7為1×7維壹矩陣。Y通過矩陣P的QR分解得到對P進行QR分解P∏＝QR，其中Q，R為如下形式Q＝[Q1Q2]R=R1R200,]]>rank(P)＝rank(R1)則P投影矩陣Y＝Q2，由於矩陣維數較大，在此沒有具體寫出。
調用獨立變量和依存變量選取方法，確立了第一類子問題中的依存變量及獨立變量依存變量F1，F4，F5，x1，1～x1，6，x4，1～x4，4，x4，6，x5，1～x5，6，x8，1，x10，1，x11，1，x2，1，x3，1獨立變量F6～F11，x6，1～x6，6，x7，1～x7，6，x8，2～x8，7，x9，1～x9，4，x9，6，x9，7，x10，2～x10，7，x11，2～x11，7以獨立變量作為微粒，採用基本微粒群算法對第一類子問題尋優得到已測物流流率、可觀察物流流率以及已測組分的準確數據；最後利用這些協調得到的已測物流流率、可觀察物流流率以及已測組分的準確數據，對第二類子問題線性代數求解，獲得其他變量的準確數據。在實施過程中，在基本微粒群算法的參數選取上，選擇最大迭代次數MIter＝2000，微粒數為20，加速常數c1＝c2＝1.8。通過本發明所提供的雙線性數據協調方法，附圖2所表示的某合成汁提取過程中的各變量的協調值如表2第6列所示。
為了表明本發明的優越性，引入了如下三個性能指標①TA=i=1n(yi,m-yi,ri)2]]>(協調精度指標)式中yi，m為變量yi的測量值，yi，r為變量yi的協調值，σi為變量yi的測量標準差，n為測量變量個數；②NOC＝協調結果中出現無意義結果的個數(組分變量小於0或大於1)；③Te＝數據協調執行時間 (協調效率指標)傳統解決多組分物料平衡的雙線性數據協調方法有Crowe兩步投影矩陣法、Simpson法以及NLP法。但由於Simpson法本身的缺陷，對附圖2系統中含有不可觀察變量的情況此無能為力；針對附圖2中系統，採用Crowe兩步投影矩陣法及NLP法後的協調效果如表2中第4和第5列所示。
由表2可以看出，採用本發明所提供的雙線性數據協調方法，在協調精度方面可以比Crowe兩步投影矩陣法提高將近一倍，且與NLP法相當，均具有較高的協調精度，協調精度較低與Crowe兩步投影矩陣法中參數難以確定相關，而本發明中不存在此問題；各方法在XP環境及CPU2.66GHz下的執行時間Te如表2倒數第2行所示，本發明所提供的雙線性數據協調方法在保持精度的基礎上，相比NLP法，很大程度上提高了協調效率，具有較高的協調效率；另外，在NOC指標上，Crowe兩步投影矩陣法為3，而本發明所提供的雙線性數據協調方法及NLP法為0，可見本發明防止了無意義協調結果的出現。
本發明實施方便，便於實現與其它應用系統的集成；它避免了協調問題權值參數難以確定的問題，且能處理化工過程中經常遇到的含不可觀察物流流率及組分變量的情況，具有相當高的協調精度；協調問題分解及規範化方法簡單且易於實現，由於協調問題分解、規範化以及微粒群算法搜索空間降維處理，本發明具有比較高的協調效率；另外，本發明在數據協調中引入組分變量上下限約束，保證了可行的協調結果，防止了無意義協調結果的出現。
本發明通過分解及規範化協調模型的變量消除方法、獨立變量和依存變量選取方法及基本微粒群算法實現了一種滿足效率及精度要求的雙線性數據協調方法來實現物流和組分平衡，以獲得準確的物流及組分數據，解決數據的不一致性及不完整性問題，更好地為基於數據的上層應用服務。
表2本發明與傳統方法的協調結果比較
權利要求
1.一種雙線性數據協調方法，其特徵在於，它包括如下步驟1)根據石化企業生產流程中物流關係結構圖生成雙線性數據協調模型；2)採用變量消除方法對協調模型進行分解及規範化；3)針對分解及規範化後的協調模型，採用微粒群算法獲得準確的物流及組分數據。
2.根據權利要求1所述的一種雙線性數據協調方法，其特徵在於所述的雙線性數據協調模型它是一個含約束的最優化問題，變量為物流流率和組分，其中等式約束為總物料平衡方程及多組分物料平衡方程；不等式約束一是組分變量分布在0與1之間，即0≤xj，k≤1；目標函數為Min(Fm^-Fm)TQFM-1(Fm^-Fm)]]>+j=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)]]>其中 為已測物流流率向量，QFm為其相應的協方差矩陣，Fm為其相應的協調值(準確值)； 是第j股物流中已測組分向量，QXmj為其相應的協方差矩陣，Xmj為其相應的協調值(準確值)；c為企業生產流程中的組分數。
3.根據權利要求1所述的一種雙線性數據協調方法，其特徵在於所述的採用變量消除方法對協調模型進行分解及規範化它首先引入輔助變量，即組分流率FXFX＝[F1F2…FsF1*x1，1…F1*x1，c…Fs*xs，1…Fs*xs，c]T其中，Fi為第i股物流流率，xj，k為第j股物流中的k組分，s為企業生產流程中的物流流股數；將輔助變量按是否已測分為五類已測物流流率，記為Fm；物流流率及組分均已測的組分流率，記fm，其對應的已測組分用m表示；可觀察物流流率，記Fo；物流流率可觀察且組分已測的組分流率，記fo，其對應的已測組分用d表示；其餘的為第五類組分流率變量，記v。總物料平衡方程及多組分物料平衡方程表示為A0Fm+A1fm+A2Fo+A3fo+Pv＝0其中A0、A1、A2、A3及P為各類輔助變量所對應的關聯矩陣。通過投影矩陣Y，消除總物料平衡方程及多組分物料平衡方程中含第五類組分流率變量部分YT[A0Fm+A1fm+A2Fo+A3fo]＝0其中Y為P陣QR分解中Q陣去除前rank(P)列的部分。其次，在消除物料平衡方程中第五類組分流率變量時，會丟失第五類組分流率變量所包含的已測組分的冗餘信息，需提取此類已測組分的冗餘信息。US為物流流率不可觀察的流股集合，xj，r為ej∈US流股中已測組分r，提取方法如下①若ej中所有組成已測，則將歸一化方程提取出來，即kxj,k=1;]]>②將石化企業生產流程中物流關係結構圖中含未測組成r的弧所組成的迴路進行編並，獲得子圖Gr；③在子圖Gr中找包含ej及組成r已知且相等(可以與xj，r不相等)的其他弧所組成的割集；④找割集K直至找到含有弧hUS的割集，則提取出冗餘方程xj，r＝xh，r，其中h∈K，hUS，轉至⑥；若只找到只含不可觀察弧的割集K，則提取冗餘方程xj，r＝xh，r＝…＝xt，r，其中j，h…，t∈K，轉至⑥，以後不需對此割集K中的流股對應的r組分變量進行冗餘方程的提取；⑤若找不到上述的割集，則變量xj，r非冗餘；⑥改換另外一條不可觀察弧轉至①；通過該提取方法獲得丟失的冗餘信息L(m，d，θ)＝0，L(·)為線性方程組其中θ為會丟失冗餘的組分變量。
4.根據權利要求1所述的一種雙線性數據協調方法，其特徵在於所述的分解及規範化後的協調模型它通過上述變量消除方法，把協調問題分解為兩類規模較小的子問題第一類子問題Min(Fm^-Fm)TQFM-1(Fm^-Fm)]]>+j=1s(Xm^j-Xmj)TQXmj-1(Xm^j-Xmj)]]>s.t.YT[A0Fm+A1fm+A2Fo+A3fo]=0]]>L(m,d,)=0]]>0xj,k1]]>第二類子問題Pv＝-[A0Fm+A1fm+A2Fo+A3fo]。
5.根據權利要求1所述的一種雙線性數據協調方法，其特徵在於所述的採用微粒群算法獲得準確的物流流率及組分數據它首先利用第一類子問題中等式約束的雙線性特殊結構，採用獨立變量和依存變量選取方法把物流流率及組分變量分為獨立變量和依存變量；然後以所選取的獨立變量作為該算法中的微粒，採用基本微粒群算法的微粒進化方式，對第一類子問題尋優得到已測物流流率Fm、可觀察物流流率Fo以及已測組分m，d，θ的準確數據；最後利用這些協調得到的已測物流流率Fm、可觀察物流流率Fo以及已測組分m，d，θ的準確數據，對第二類子問題Pv＝-[A0Fm+A1fm+A2Fo+A3fo]線性代數求解，獲得第五類組分流率變量v的準確數據。
6.根據權利要求5所述的一種雙線性數據協調方法，其特徵在於所述的獨立變量和依存變量選取方法的具體步驟①選取矩陣YT[A1A3]中最大線性無關組列向量所對應的組分變量為依存變量；②若最大線性無關組秩小於其列向量維數，另外選取在矩陣YT[A0A2]與所選最大線性無關組線性獨立的列向量所對應的物流流率變量(其對應組分變量均為依存變量)作為依存變量；③L(m，d，θ)＝0的每個方程中選取一個屬於會丟失冗餘的θ元素的組分變量作為依存變量；④其餘變量作為獨立變量。
全文摘要
本發明公開了一種雙線性數據協調方法。它包括如下步驟1)根據石化企業生產流程中物流關係結構圖生成雙線性數據協調模型；2)採用變量消除方法對協調模型進行分解及規範化；3)針對分解及規範化後的協調模型，採用微粒群算法獲得準確的物流及組分數據。本發明權值參數容易確定，且方便處理化工過程中經常遇到的含不可觀察物流流率及組分變量的情況，並具有相當高的協調精度；協調問題分解及規範化方法簡單且易於實現，由於協調問題分解、規範化以及微粒群算法搜索空間降維處理，本發明具有比較高的協調效率；在數據協調中引入組分變量上下限約束，保證了可行的協調結果，防止了無意義協調結果的出現；實施方便，便於實現與其它應用系統的集成。
文檔編號G05B13/02GK1920703SQ20061005347
公開日2007年2月28日 申請日期2006年9月20日 優先權日2006年9月20日
發明者榮岡, 徐忠勇, 馮毅萍, 王旭 申請人:浙江大學