本發(fā)明涉及時滯估計技術領域，具體涉及一種適用于連續(xù)生產流程多工序間變量的多工序間變量時滯估計方法，以及一種加氫裂化流程時滯估計方法。

背景技術：

大型連續(xù)生產工業(yè)流程一般由多個生產工序級聯而成，其從原料入口到產品出口，物料傳輸和反應過程往往需要幾個小時甚至更長，如果對質量指標進行閉環(huán)控制，反饋信息延遲大。為了保證最終的產品質量，往往會在各生產工序中設置多個控制回路并協調控制每個生產工序的操作變量，而這些生產工序操作變量對產品質量的調節(jié)作用存在不同時滯，因此連續(xù)生產流程多工序間變量存在不同時滯。不論是根據入口原料或生產方案調節(jié)每個生產工序的操作變量還是基于關鍵變量數據建立產品質量預測模型，都需要考慮多工序間變量時滯問題。

目前，許多學者相繼提出了一些有效的時滯估計方法，主要有非線性最小二乘法、互相關函數法、小波分析法、神經網絡算法、遺傳算法等。非線性最小二乘法可以對加時滯的高階多變量系統(tǒng)進行了閉環(huán)時滯估計，但該方法在時滯取值范圍大的時候，計算量很大?；ハ嚓P函數法是通過檢測相關函數的峰值得到兩個信號的延遲時間，但該方法只能反映兩信號間的線性相關程度，應用到多變量系統(tǒng)時計算繁瑣、冗余度高、耗時長。小波分析法由于多分辨率特性、抗干擾能力強等優(yōu)點被用于時滯估計問題上，但該方法的母函數選擇困難，并且只適用于波動較大的工業(yè)過程。神經網絡算法是利用預測值和期望值的誤差平方和來估計非線性系統(tǒng)的滯后時間，盡管它只要需要一定數量的樣本進行訓練即可得到系統(tǒng)的數學模型，但其收斂速度慢，隨機性強，滿足不了實際的生產控制。遺傳算法可以估計出系統(tǒng)的參數和時滯并對時變時滯進行跟蹤，但當系統(tǒng)變量多、時滯變化范圍大的時候，遺傳算法的編碼復雜。

考慮到目前是大數據應用時代，針對現有時滯估計方法存在的以上問題，基于實際生產流程現場積累的大量歷史數據，現提供一種基于趨勢相似度分析的多工序間變量時滯估計方法，并將其應用于加氫裂化流程多工序間變量時滯估計中，以使其對流程產品質量的預測建模和優(yōu)化控制起到關鍵作用，同時節(jié)能減排，提高生產效率和產品質量。

技術實現要素：

因此，本發(fā)明提供一種基于趨勢相似度分析的多工序間變量時滯估計方法，進一步提供一種基于該多工序間變量時滯估計方法的加氫裂化流程時滯估計方法。

為此，本發(fā)明提供了多工序間變量時滯估計方法，包括以下步驟：

a、對多工序間的變量進行采樣并獲得原始數據矩陣；

b、使用多項式最小二乘擬合對原始數據矩陣中每個變量的時間序列進行滑動窗口h回歸，并求導得到相應變量的時間序列的導數數據矩陣；

c、預定義采樣時滯序列，根據導數數據矩陣提取一段時序一致的導數數據矩陣，計算兩兩工序間變量經采樣時滯平移后的趨勢相似度；

d、利用趨勢相似度分析多變量間的趨勢一致性，定義趨勢相似度變量，并采用l2范數將其量化，用l2范數的最小表征多工序間變量的趨勢一致性；確定采樣時滯序列的取值范圍，將約束條件轉化成標準形式，建立多工序間變量時滯估計問題的優(yōu)化模型；

e、采用自適應粒子群算法，并根據約束條件的特性，提出改進的自適應粒子群算法，求解多工序間變量時滯估計問題，獲得最優(yōu)采樣時滯序列。

在步驟a中，獲得原始數據矩陣的具體方法包括：

選取工序間相關性強的關鍵變量共n個，通過采樣m次可以得到被選取的工序間的變量的時間序列：ri＝[ri，1，ri，2，...，ri，m]^t，i＝1，2...，n，則原始數據矩陣為：r＝[r1，r2，...，rn]；

其中，r1～rn-1依次為各工序的輸入或輸出關鍵變量的時間序列，rn為最后時刻的出口關鍵變量的時間序列。

步驟b的具體方法包括：

對被選取的工序間的變量的時間序列ri進行最小二乘擬合時，定義一個長度為奇數的h長窗口，h＝2h+1，h為正整數；

在采樣時刻j時，窗口內的信號樣本為ri(j-h)，...，ri(j)，...，ri(j+h)，ri(j)為窗口中心的采樣值；令窗口內信號樣本ri(j-h)，...，ri(j)，...，ri(j+h)為ri(1)，...，ri(h+1)，...，ri(2h+1)，則ri(h+1)為窗口中心的采樣值，對應的采樣時刻t分別為1，2，...，2h+1，則窗口內的擬合信號可以表示為時間t的函數，即：其中，α＝[α0α1，...，an]^t，n＜2h+1為多項式最小二乘法擬合的模型參數向量，p(t)＝[1，t，t²，...，tⁿ]^t為回歸變量；

通過多項式最小二乘法獲得參數α的最優(yōu)估計：

式中：

經過多項式最小二乘法擬合后的擬合信號為：則關鍵變量在各個采樣點ri(j)的回歸值為：各個采樣點變化快慢的一階導數di(j)為：

通過滑動窗口方法得到擬合時間序列和導數時間序列di，進而獲得擬合數據矩陣和導數數據矩陣d＝[d1，d2，...，dn]。

在步驟c中，預定義的采樣時滯序列為：l＝[l1，l2，...，ln]；

其中，ln＝0，表示零時滯參考變量的采樣時滯，l1～ln-1依次表示零時滯參考變量與其他各關鍵變量的采樣時滯；

變量的采樣周期為t，則零時滯參考變量與第i個關鍵變量的時滯τi＝lit。

在步驟c中，趨勢相似度的具體計算方法包括：

根據采樣時滯序列，從導數時間序列di中提取從第t-li采樣時刻開始的f+1個連續(xù)的導數數據，得到新的導數時間序列xi為：

其中f＞l1，采樣時刻t滿足[t，t+f]采樣范圍內包含零時滯參考變量的一個過渡態(tài)，則時序一致導數數據矩陣x為：x＝[x1，x2，...，xn]，兩兩工序間變量經采樣時滯平移后的趨勢相似度為：tsi，j＝∑|xi-xj|/(f+1)，其中，xi和xj是時序一致導數數據矩陣中兩個變量導數時間序列。

在步驟d中，用l2范數的最小表征多工序間變量的趨勢一致性的具體方法包括：

利用趨勢相似度分析多變量間的趨勢一致性，定義趨勢相似度向量：

ts＝[ts1，2，ts1，3，...，ts1，n，...，tsi，i+1，tsi，i+2，...，tsi，n，...，tsn-1，n]，i＝1，2，...，n-1：

采用l2范數來量化趨勢相似度向量，并求取ts的l2范數||ts||2的最小值γ＝min(||ts||2)，當||ts||2取最小值γ時，各變量間的趨勢最為一致，此時對應的采樣時滯序列l(wèi)為最優(yōu)采樣時滯序列l(wèi)best。

在步驟d中，建立多工序間變量時滯估計問題的優(yōu)化模型的具體方法包括：

估算整個流程或者某些主要工序的時滯，確定零時滯參考變量與其他各關鍵變量采樣時滯的取值范圍li∈[limin，limax]∈n，則采樣時滯序列l(wèi)∈[lminl，lmax]，其中l(wèi)min＝[l1min，l2min，...，lnmin]，lmax＝[l1max，l2max，...，lnmax]；

其中，采樣時滯序列l(wèi)中的li表示物料依次流經工序的第i個過程變量所對應的采樣時滯，因此l1＞l2＞…＞ln，將其轉化成標準形式gi＝li+1-li＜0，i＝1，2，...，n-1；

則多工序間變量時滯估計問題轉化為如下的最優(yōu)化模型：

在步驟e中，改進的自適應粒子群算法的具體方法包括：

(1)適應度函數的構造

構造出適應度函數：

其中，bi是不等式gi＜0的罰因子，取值如下：

其中，lam取正數；

(2)初始粒子群的構造

選取滿足可行域l∈[lmin，lmax]的粒子群；

其中，l中的元素為整數，且初始粒子群滿足為整數向量且均勻分布在可行域范圍內的條件；

初始粒子構造方式如下：

l1，j＝lmin+round(rand(1，ndim)·(lmax-lmin))

其中，l1，j表示初始粒子群(第1代)中第j個粒子，ndim表示l的維度，rand(1，ndim)表示生成1行ndim列、均勻分布在0和1之間的隨機數行向量，round()表示求四舍五入的整數；

其中，粒子群維度為n，獲得初始粒子群l1，1～l1，n；

(3)粒子群速度和粒子群位置的更新

在滿足l中的元素為整數、粒子速度為整數向量的條件下，選取自適應的粒子速度：

vi+1，j＝round(αi+1·randn(1，ndim)·(lmax-lmin)+β·(lbest-li，j))，i＝1，2，...

其中，vi+1，j表示第i+1代粒子群中第j個粒子li+1，j的速度，randn(1，ndim)表示生成1行ndim列、標準正態(tài)分布分布的隨機數行向量，αi+1表示粒子在全局搜索區(qū)域內隨機衰減因子；

其中，αi+1＝gamma×αi，gamma∈[0，1]，β表示粒子飛向全局最優(yōu)lbest的速度，則新一代的粒子為：li+1，j＝li，j+vi+1，j；

其中，(或)，則令li+1，j＝lmax(或lmin)。

加氫裂化流程時滯估計方法，采用如上所述的多工序間變量時滯估計方法對加氫裂化流程中的多工序間的變量時滯進行計算。

本發(fā)明相對于現有技術，具有如下優(yōu)點之處：

本發(fā)明提供的多工序間變量時滯估計方法，其通過采樣確定原始數據矩陣；使用多項式最小二乘擬合對原始數據矩陣進行了預處理，從而消除連續(xù)生產流程儀表檢測時、數據傳輸過程中受到的干擾；利用了導數數據定義了趨勢相似度，根據趨勢相似度分析多變量間的趨勢一致性，定義趨勢相似度變量，并用l2范數量化，從而將多工序間變量時滯估計問題轉化成求l2范數最小化問題，解決了多變量間的時滯估計問題，其計算簡單、冗余度低、耗時短；同時通過改進的自適應粒子群算法來進行采樣時滯序列的尋優(yōu)，其能處理帶約束的整型優(yōu)化問題且收斂速度快。

附圖說明

為了更清楚地說明本發(fā)明具體實施方式或現有技術中的技術方案，下面將對具體實施方式或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施方式，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例1所述的多工序間變量時滯估計方法整體示意圖；

圖2本發(fā)明實施例2中加氫裂化流程及選取的時滯估計關鍵變量簡圖；

圖3為本發(fā)明實施例2中多項式最小二乘法擬合對原始數據矩陣中變量的時間序列進行滑動窗口回歸示意圖；

圖4為本發(fā)明實施例2中連續(xù)多變量系統(tǒng)的趨勢相似度概念示意圖；

圖5為本發(fā)明實施例2中改進的自適應粒子群算法迭代曲線；

圖6為本發(fā)明實施例2中利用同時刻的數據進行預測建模的結果；

圖7為本發(fā)明實施例2中利用流程時滯范圍內數據的均值進行預測建模的結果；

圖8為本發(fā)明實施例2中利用多工序間變量時滯估計后的數據進行預測建模的結果。

具體實施方式

下面將結合附圖對本發(fā)明的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

此外，下面所描述的本發(fā)明不同實施方式中所涉及的技術特征只要彼此之間未構成沖突就可以相互結合。

實施例1

如圖1所示，本實施例提供了多工序間變量時滯估計方法，包括以下步驟：

a、對多工序間的變量進行采樣并獲得原始數據矩陣；

b、使用多項式最小二乘擬合對原始數據矩陣中每個變量的時間序列進行滑動窗口h回歸，并求導得到相應變量的時間序列的導數數據矩陣；

c、預定義采樣時滯序列，根據導數數據矩陣提取一段時序一致的導數數據矩陣，計算兩兩工序間變量經采樣時滯平移后的趨勢相似度；

d、利用趨勢相似度分析多變量間的趨勢一致性，定義趨勢相似度變量，并采用l2范數將其量化，用l2范數的最小表征多工序間變量的趨勢一致性；確定采樣時滯序列的取值范圍，將約束條件轉化成標準形式，建立多工序間變量時滯估計問題的優(yōu)化模型；

e、采用自適應粒子群算法，并根據約束條件的特性，提出改進的自適應粒子群算法，求解多工序間變量時滯估計問題，獲得最優(yōu)采樣時滯序列。

在本實施例中，其通過采樣確定原始數據矩陣；使用多項式最小二乘擬合對原始數據矩陣進行了預處理，從而消除連續(xù)生產流程儀表檢測時、數據傳輸過程中受到的干擾；利用了導數數據定義了趨勢相似度，根據趨勢相似度分析多變量間的趨勢一致性，定義趨勢相似度變量，并用l2范數量化，從而將多工序間變量時滯估計問題轉化成求l2范數最小化問題，解決了多變量間的時滯估計問題，其計算簡單、冗余度低、耗時短；同時通過改進的自適應粒子群算法來進行采樣時滯序列的尋優(yōu)，其能處理帶約束的整型優(yōu)化問題且收斂速度快。

具體地，步驟a中，根據其所應用的連續(xù)生產流程，基于相對生產流程的多工序間的關鍵過程變量，從中選取相關性強的流程主要工序間變量作為連續(xù)生產流程時滯估計關鍵變量，通過采樣得到這些變量的時間序列并組成原始數據矩陣；本實施例利用實際生產流程現場積累的大量歷史數據，可合理估計出生產流程多工序間變量的時滯，有效地提高了流程建模精度和優(yōu)化控制效果，對生產流程節(jié)能降耗減排。

獲得原始數據矩陣的具體方法包括：

選取工序間相關性強的關鍵變量共n個，通過采樣m次可以得到被選取的工序間的變量的時間序列：ri＝[ri，1，ri，2，...ri，m]^t，i＝1，2...，n，則原始數據矩陣為：r＝[r1，r2，...，rn]；

其中，r1～rn-1依次為各工序的輸入或輸出關鍵變量的時間序列，rn為最后時刻的出口關鍵變量(記為零時滯參考變量)的時間序列。

進一步地，步驟b的具體方法包括：

對被選取的工序間的變量的時間序列ri進行最小二乘擬合時，定義一個長度為奇數的h長窗口，h＝2h+1，h為正整數；

在采樣時刻j時，窗口內的信號樣本為ri(j-h)，...，ri(j)，...，ri(j+h)，ri(j)為窗口中心的采樣值；令窗口內信號樣本ri(j-h)，...，ri(j)，...，ri(j+h)為ri(1)，...，ri(h+1)，...，ri(2h+1)，則ri(h+1)為窗口中心的采樣值，對應的采樣時刻t分別為1，2，...，2h+1，則窗口內的擬合信號可以表示為時間t的函數，即：其中，a＝[a0a1，...，an]^t，n＜2h+1為多項式最小二乘法擬合的模型參數向量，p(t)＝[1，t，t²，...，tⁿ]^t為回歸變量；

通過多項式最小二乘法獲得參數a的最優(yōu)估計：

式中：

經過多項式最小二乘法擬合后的擬合信號為：則關鍵變量在各個采樣點ri(j)的回歸值為：各個采樣點變化快慢的一階導數di(j)為：

通過滑動窗口方法得到擬合時間序列和導數時間序列di，進而獲得擬合數據矩陣和導數數據矩陣d＝[d1，d2，...，dn]。

進一步地，在步驟c中，預定義的采樣時滯序列為：l＝[l1，l2，...，ln]；

其中，ln＝0，表示零時滯參考變量的采樣時滯，l1～ln-1依次表示零時滯參考變量與其他各關鍵變量的采樣時滯；

變量的采樣周期為t，則零時滯參考變量與第i個關鍵變量的時滯τi＝lit。

進一步地，在步驟c中，趨勢相似度的具體計算方法包括：

根據采樣時滯序列，從導數時間序列di中提取從第t-li采樣時刻開始的f+1個連續(xù)的導數數據，得到新的導數時間序列xi為：

其中，f＞l1，即在本實施例中，所選數據需至少包含一個流程時滯的數據，并且所選擇的采樣時刻t滿足[t，t+f]采樣范圍內包含零時滯參考變量的一個過渡態(tài)，則時序一致導數數據矩陣x為：x＝[x1，x2，...，xn]，兩兩工序間變量經采樣時滯平移后的趨勢相似度為：tsi，j＝∑|xi-xj|/(f+1)，其中，xi和xj是時序一致導數數據矩陣中兩個變量導數時間序列。

進一步地，在步驟d中，用l2范數的最小表征多工序間變量的趨勢一致性的具體方法包括：

利用趨勢相似度分析多變量間的趨勢一致性，定義趨勢相似度向量：

ts＝[ts1，2，ts1，3，...，ts1，n，...，tsi，i+1，tsi，i+2，...，tsi，n，...，tsn-1，n]，i＝1，2，...，n-1，

其反映了多個變量在采樣時滯序列下的趨勢一致性，而最優(yōu)采樣時滯序列對應的趨勢相似度向量ts中每個元素(即變量間的趨勢相似度)都很??；

因此，采用了歐氏距離即l2范數來量化趨勢相似度向量，并求取ts的l2范數||ts||2的最小值γ＝min(||ts||2)，當||ts||2取最小值γ時，各變量間的趨勢最為一致，此時對應的采樣時滯序列l(wèi)為最優(yōu)采樣時滯序列l(wèi)best。

進一步地，在步驟d中，根據現場經驗估算整個流程或者某些主要工序的時滯，確定零時滯參考變量與其他各關鍵變量采樣時滯的取值范圍；由于原料入口流量、原料性質等變化，每個關鍵變量的時滯也在波動，因此需要對時滯取值范圍上下邊界進行放寬，這樣就可以得到每個采樣時滯的取值范圍；

建立多工序間變量時滯估計問題的優(yōu)化模型的具體方法包括：

估算整個流程或者某些主要工序的時滯，確定零時滯參考變量與其他各關鍵變量采樣時滯的取值范圍li∈[limin，limax]∈n，則采樣時滯序列l(wèi)∈[lmin，lmax]，其中l(wèi)min＝[l1min，l2min，...lnmin]，lmax＝[l1max，l2max，...，lnmax]；

其中，采樣時滯序列l(wèi)中的li表示物料依次流經工序的第i個過程變量所對應的采樣時滯，因此l1＞l2＞…＞ln，將其轉化成標準形式gi＝li+1-li＜0，i＝1，2，...，n-1；

則多工序間變量時滯估計問題轉化為如下的最優(yōu)化模型：

而該最優(yōu)化模型為帶線性約束的純整型非線性優(yōu)化問題。

進一步地，在步驟e中，改進的自適應粒子群算法的具體方法包括：

(1)適應度函數的構造

由于最優(yōu)化問題中存在約束條件，因此需要將該帶約束的優(yōu)化問題轉化成無約束的優(yōu)化問題；使用了罰函數法解決上述問題，并構造出適應度函數：

其中，bi是不等式gi＜0的罰因子，取值如下：lam取正數，在本實施例中，lam可以取個較大的正數，如10^20(10的20次方)；對于某個粒子而言，當f取值很大，那么該粒子則不會被選為最優(yōu)粒子；

(2)初始粒子群的構造

選取滿足可行域l∈[lmin，lmax]的粒子群；

其中，l中的元素為整數，且初始粒子群滿足為整數向量且均勻分布在可行域范圍內的條件；

初始粒子構造方式如下：

l1，j＝lmin+round(rand(1，ndim)·(lmax-lmin))；

其中，l1，j表示初始粒子群(第1代)中第j個粒子，ndim表示l的維度，rand(1，ndim)表示生成1行ndim列、均勻分布在0和1之間的隨機數行向量，round()表示求四舍五入的整數；

其中，粒子群維度為n，獲得初始粒子群l1，1～l1，n；

(3)粒子群速度和粒子群位置的更新

在滿足l中的元素為整數、粒子速度為整數向量的條件下，選取自適應的粒子速度：

vi+1，j＝round(αi+1·randn(1，ndim)·lmax-lmin)+β·(lbest-li，j))，i＝1，2，...

其中，vi+1，j表示第i+1代粒子群中第j個粒子li+1，j的速度，randn(1，ndim)表示生成1行ndim列、標準正態(tài)分布分布的隨機數行向量，αi+1表示粒子在全局搜索區(qū)域內隨機衰減因子；

其中，αi+1＝gamma×αi，gamma∈[0，1]，β表示粒子飛向全局最優(yōu)lbest的速度，則新一代的粒子為：li+1，j＝li，j+vi+1，j；

其中，(或)，則令li+1，j＝lmax(或lmin)。

實施例2

如圖2、3、4、5、6、7和8所示，在上述實施例的基礎上，本實施例進一步提供一種加氫裂化流程時滯估計方法，采用如上所述的多工序間變量時滯估計方法對加氫裂化流程中的多工序間的變量時滯進行計算。

具體地，該加氫裂化流程時滯估計方法，包括以下步驟：

a、基于流程關鍵過程變量，從中選取相關性強的流程主要工序間變量共8個；如圖2所示，該主要工序間變量為單元入口或出口關鍵變量，其包括原料油流量、加氫精制反應器入口溫度、加氫裂化反應器入口溫度、熱低分油流量、脫硫化氫汽提塔塔底流量、主分餾塔中段回流抽出量、柴油出裝置量、重石腦油出口流量，上述8個變量為加氫裂化流程時滯估計關鍵變量，分別記為r1、r2、r3、r4、r5、r6、r7、r8；

在本實施例中，優(yōu)選采樣周期t＝5min，并采樣50015次，進而得到相應變量的時間序列：

ri＝[γi，1，ri，2，...，ri，50015]^t，i＝1，2...，8，

則原始數據矩陣為：

r＝[r1，r2，...，r8]，

這里的r1～r7依次為各工序的輸入或輸出關鍵變量的時間序列，r8為重石腦油出口流量(記為零時滯參考變量)的時間序列；

b、使用多項式最小二乘擬合對原始數據矩陣r中每個變量的時間序列進行滑動窗口h＝25回歸并求導.得到擬合時間序列和和導數時間序列di，進而獲得擬合數據矩陣和導數數據矩陣d；上述步驟的目的是對原始數據進行濾波、去噪，從而消除加氫裂化流程儀表檢測時、數據傳輸過程中受到的干擾，并獲得導數數據以便后續(xù)多工序間變量時滯的估計；

其中，利用多項式最小二乘法擬合進行滑動窗口h＝25回歸(如圖3所示)并求導的具體步驟包括：

對某個關鍵變量的時間序列ri進行最小二乘擬合時，首先定義一個長度為奇數的h＝25長窗口，h＝2h+1，h為正整數。在某一采樣時刻j，窗口內的信號樣本為ri(j-h)，...，ri(j)，...，ri(j+h)，其中ri(j)為窗口中心的采樣值。令窗口內信號樣本ri(j-h)，...，ri(j)，...，ri(j+h)為ri(1)，...，ri(h+1)，...，ri(2h+1)，則ri(h+1)為窗口中心的采樣值，對應的采樣時刻t分別為1，2，...，2h+1，窗口內的擬合信號則可以表示為時間t的函數，即：其中，a＝[a0a1，...，an]^t，n＜2h+1為多項式最小二乘法擬合模型參數向量，p(t)＝[1，t，t²，...，tⁿ]^t為回歸變量；應用多項式最小二乘法就可以得到參數α的最優(yōu)估計：

式中：

那么經過多項式最小二乘法擬合后的擬合信號為則關鍵變量在各個采樣點ri(j)的回歸值為：因此表示該采樣點變化快慢的一階導數di(j)為：

通過滑動窗口方法即可得到擬合時間序列和導數時間序列di，進而獲得擬合數據矩陣：和導數數據矩陣：d＝[d1，d2，...，dn]；

c、預定義采樣時滯序列l(wèi)，根據導數數據矩陣d提取一段時序一致的導數數據矩陣x，計算兩兩工序間變量經采樣時滯平移后的趨勢相似度tsi，j(如圖4所示)；

其中，預定義的采樣時滯序列為：l＝[l1，l2，...，l8]；

其中，l8＝0，表示零時滯參考變量r8的采樣時滯，l1～l7依次表示零時滯參考變量與其他各關鍵變量的采樣時滯；在本實施例中，優(yōu)選變量的采樣周期為t＝5min，那么零時滯參考變量與第i個關鍵變量的時滯τi＝li×5min；

進一步，計算兩兩工序間變量經采樣時滯平移后的趨勢相似度的具體步驟包括：

根據采樣時滯序列l(wèi)，可以從導數時間序列di中提取從第t-li采樣時刻開始的f+1個連續(xù)的導數數據，得到新的導數時間序列xi為：

其中，f＝200＞l1，即所選數據需至少包含一個流程時滯的數據，并且所選擇的采樣時刻t＝22230需保證[t，t+f]采樣范圍內包含零時滯參考變量的一個過渡態(tài)。這樣就可以構造出包含過渡態(tài)的時序一致導數數據矩陣x為：x＝[x1，x2，...，x8]，則兩兩工序間變量經采樣時滯平移后的趨勢相似度為：

tsi，j＝∑|xi-xj|/(f+1)

在本實施例中，xi和xj是時序一致導數數據矩陣中兩個變量導數時間序列。

則ri和rj的實際采樣時滯lmin為tsi，j取最小值時所對應的l，即：

則實際時滯δt為：δt＝lmin×t；

d、利用趨勢相似度分析多變量間的趨勢一致性，定義趨勢相似度變量ts，并用l2范數量化，用l2范數最小表征多工序間變量的趨勢一致性；

在本實施例中，根據現場經驗估算整個流程或者某些主要工序的時滯，確定采樣時滯序列l(wèi)的取值范圍，并將約束條件轉化成標準形式，從而建立多工序間變量時滯估計問題的優(yōu)化模型；

其中，用l2范數最小表征多工序間變量的趨勢一致性的具體步驟包括：利用趨勢相似度分析多變量間的趨勢一致性，定義趨勢相似度向量：

ts＝[ts1，2，ts1，3，...，ts1，8，...，tsi，i+1，tsi，i+2，...，tsi，8，...，ts7，8]，i＝1，2，...，7，

其反映了多個變量在采樣時滯序列l(wèi)下的趨勢一致性，而最優(yōu)采樣時滯序列l(wèi)best對應的趨勢相似度向量ts中每個元素(即變量間的趨勢相似度)都很??；

在本實施例中，采用了歐氏距離即l2范數來量化趨勢相似度向量，并求取ts的l2范數||ts||2的最小值γ＝min(||ts||2)，當||ts||2取最小值γ時，各變量間的趨勢最為一致，此時對應的采樣時滯序列l(wèi)即為最優(yōu)的采樣時滯序列l(wèi)best；

其中，建立多工序間變量時滯估計問題的優(yōu)化模型的具體步驟包括：

作為本實施例的優(yōu)選實施方式，根據現場經驗，分餾系統(tǒng)的時滯大致為90min，該分餾系統(tǒng)的關鍵變量采樣時滯范圍為[0，18]；高低壓分離系統(tǒng)的時滯大致為5min，該高低壓分離系統(tǒng)的關鍵變量采樣時滯范圍為[18，19]；反應系統(tǒng)的時滯大致為80min，該反應系統(tǒng)的關鍵變量采樣時滯范圍為[19，35]；入料系統(tǒng)的時滯大致為40min，該入料系統(tǒng)的關鍵變量采樣時滯范圍為[35，42]；

考慮到估計時滯的主觀性和波動性，需對時滯取值范圍上下邊界進行適當放寬，這里取采樣時滯下邊界為lmin＝[331717160000]，上邊界為lmax＝[473939232222220]，那么采樣時滯序列l(wèi)∈[lmin，lmax]；

同時，采樣時滯序列l(wèi)中的li表示物料依次流經工序的第i個過程變量所對應的采樣時滯，因此l1＞l2＞…＞l8，將其轉化成標準形式gi＝li+1-li＜0，i＝1，2，...，7；

這樣多工序間變量時滯估計問題就變成了如下的最優(yōu)化模型：

而上述最優(yōu)化模型為一個帶線性約束的純整型非線性優(yōu)化問題；

e、采用了收斂速度快的自適應粒子群算法，并根據約束條件的特性，提出改進的自適應粒子群算法，即線性、整型約束條件，提出一種改進的自適應粒子群算法，求解多工序間變量時滯估計問題，尋優(yōu)得到最優(yōu)采樣時滯序列l(wèi)best；

其中提出的改進的自適應粒子群算法的具體步驟包括：

(1)適應度函數的構造

由于最優(yōu)化問題中存在約束條件，因此首先需要將該帶約束的優(yōu)化問題轉化成無約束的優(yōu)化問題；

優(yōu)選使用罰函數法解決上述問題，并構造出適應度函數：

其中bi是不等式gi＜0的罰因子，取值如下：

其中l(wèi)am可以取個較大的正數，如10^20(10的20次方)。對于某個粒子，當f取值很大，那么該粒子則不會被選為最優(yōu)粒子。

(2)初始粒子群的構造

首先找到一個滿足可行域l∈[lmin，lmax]的粒子群；

由于l中的元素只能取整數，因此初始粒子群必須都為整數向量并且均勻分布在可行域范圍內；

這里進行初始粒子構造方式如下：

l1，j＝lmin+round(rand(1，ndim)·(lmax-lmin))；

其中l(wèi)1，j表示初始粒子群(第1代)中第j個粒子，ndim表示l的維度，rand(1，ndim)表示生成1行ndim列、均勻分布在0和1之間的隨機數行向量，round()表示求四舍五入的整數；

在本實施例中，粒子群中粒子個數確定與約束條件的個數有關，約束條件越多，粒子群個數則需盡量多，以保證可以取到滿足約束條件的粒子；作為優(yōu)選的實施方式，粒子群維度為n，因此獲得一個初始粒子群l1，1～l1，n。

(3)粒子群速度和粒子群位置的更新

由于l中的元素只能取整數，所以粒子的速度必須為整數向量，這里采用了一個自適應的粒子速度：

vi+1，j＝round(αi+1·randn(1，ndim)·(lmax-lmin)+β·(lbest-li，j))，i＝1，2，...

其中，vi+1，j表示第i+1代粒子群中第j個粒子的速度，randn(1，ndim)表示生成1行ndim列、標準正態(tài)分布分布的隨機數行向量，αi+1表示粒子在全局搜索區(qū)域內隨機衰減因子，其中αi+1＝gamma×αi，gamma∈[0，1]，這表示隨機搜索范圍隨著尋優(yōu)次數的增加而減少，β表示粒子飛向目前為止全局最優(yōu)解lbest的速度。這樣，新一代的粒子則為：li+1，j＝li，j+vi+1，j；

其中(或)，則令li+1，j＝lmax(或lmin)。

在本實施例中，圖5展示了粒子群規(guī)模n＝100、隨機衰減因子a＝0.2、gamma＝0.95、β＝0.5的改進的自適應粒子群算法的尋優(yōu)過程；可見該算法收斂速度快，并且多次尋優(yōu)結果都收斂于同一適度值fmin＝0.8004，其對應采樣時滯序列為最優(yōu)采樣時滯序列l(wèi)best＝[463932232214130]。

為了驗證上述多工序間變量時滯估計方法所辨識出的最優(yōu)采樣時滯序列的準確性，提取了162天連續(xù)生產的(與步驟(1)中的關鍵變量數據時間對應)、42個關鍵變量的采樣時間序列數據和每天8時離線化驗測得的柴油閃點共162個數據，并利用經過滑動窗口為h＝25的多項式最小二乘擬合后的42個關鍵變量的采樣時間序列擬合數據，基于局部加權核主元回歸(lwkpcr)分別采用三種方法對柴油閃點進行預測建模與驗證。

具體地，第一種方法：

采用與柴油閃點離線化驗時間同時刻的42個關鍵變量的擬合數據，進行柴油閃點預測建模與驗證，記該方法為利用同時刻的數據進行預測建模；

第二種方法：

采用柴油閃點離線化驗時間前一個流程時滯范圍內的42個關鍵變量擬合數據的平均值，進行柴油閃點預測建模與驗證，記該方法為利用流程時滯范圍內數據的均值進行預測建模；

第三種方法：

根據上述多工序間變量時滯估計方法所辨識出的最優(yōu)采樣時滯序列，確定柴油閃點離線化驗時間與每一個主要工序的采樣時滯范圍，并將42個關鍵變量映射到每個主要工序上，利用每個工序的關鍵變量在其采樣時滯范圍內的擬合數據的平均值，進行柴油閃點預測建模與驗證，記該方法為利用多工序間變量時滯估計后的數據進行預測建模，其中主要工序的采樣時滯范圍及關鍵變量個數如表1所示。

表1主要工序的采樣時滯范圍及關鍵變量個數

在本實施例中，用于建模的數據共有162組，其中112組作為預測模型的訓練集，50組作為預測模型的測試集，并且上述三種方法所采用的lwkpcr的參數都經過實驗調試為最優(yōu)值，預測結果分別如圖6、圖7、圖8所示，預測的均方根誤差rmse如表2所示。

根據圖6、7和8所示，利用時滯估計后的數據進行預測建模，其預測結果較其他兩種方法可以很好地跟蹤柴油閃點的實際值，并且預測的均方根誤差rmse為0.7716，較其他兩種方法分別提高了19.05％、18.02％，驗證本文所提出的方法的準確性。

表2三種建模方法的預測均方根誤差rmse

顯然，上述實施例僅僅是為清楚地說明所作的舉例，而并非對實施方式的限定。對于所屬領域的普通技術人員來說，在上述說明的基礎上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。而由此所引伸出的顯而易見的變化或變動仍處于本發(fā)明創(chuàng)造的保護范圍之中。