[发明专利]一种适用于流程工业预测控制的模型自主学习方法

权利要求书

1.一种适用于流程工业预测控制的模型自主学习方法，其特征在于，通过多输入单输出系统作为基本子系统予以实现，包括步骤：

步骤一、在固定的二阶系统加一阶积分加纯滞后传递函数模型模板下，设置每个输入变量到每个输出变量之间的传递函数模型，对每个传递函数模型进行计算并自动选择待学习参数，具体是，如果某个传递函数模型的增益为0，则该传递函数模型不参与模型在线学习；否则，判断二阶系统的极点位置：（1）如果存在实部为正的根或者纯虚数根，则该传递函数模型不参与模型在线学习；（2）如果存在两个实部为负数的共轭复数根，则计算传递函数模型的自然角频率和阻尼系数，并将模型增益、自然角频率和阻尼系数作为待学习参数；除上述（1）和（2）两种情况外，则将传递函数模型的分母多项式在实数域中进行因式分解，取分解后的所有的非零的一次项系数和模型增益作为待学习参数；

步骤二、对于参与学习的每个传递函数模型，根据用户设定的与分布形状相关的系数，采用对数正态分布对待学习参数建立对数正态分布模型，使得传递函数模型参数服从对数正态分布；

步骤三、在线采集输入变量和输出变量数据及输入变量和输出变量对应的质量码，并对质量码为坏值的情况进行处理，其中，对不符合预设要求的坏质量码数据，清空采集的所有变量历史数据并重新采集，对符合预设要求的坏质量码数据，在线补全历史数据；

步骤四、当输入变量或输出变量的数据量累积到预设个数时，针对每个多输入单输出子系统，基于贝叶斯优化理论建立传递函数模型自主学习的数学优化模型，根据传递函数模型计算系统脉冲响应序列，利用脉冲响应序列和系统输入变量的卷积计算系统输出变量的预测序列，反复执行差分进化算法的种群进化、个体变异和个体选择三个步骤从而优化传递函数模型参数；

步骤五、对每个传递函数模型的每个参数执行参数检验，包括正态性检验、参数死区判断和均值检验，当三个环节全部通过时，参数学习结果有效，否则，参数学习结果无效，保持原参数不变；

步骤六、对每个多输入单输出子系统，用原传递函数模型计算预测均方根误差并记为，用学习后的传递函数模型计算预测均方根误差并记为，如果，则更新该多输入单输出子系统的传递函数模型，反之，则该多输入单输出子系统的传递函数模型保持不变，然后返回步骤一继续执行。

2.根据权利要求1所述的适用于流程工业预测控制的模型自主学习方法，其特征在于，步骤一中，传递函数模型的数量根据输入变量和输出变量的数量而定，设输入变量为个、输出变量为个，则需设置个传递函数模型。

3.根据权利要求1所述的适用于流程工业预测控制的模型自主学习方法，其特征在于，步骤三具体包括：

在线采集输入变量和输出变量数据及输入变量和输出变量对应的质量码，并进行如下判断和处理：

对于输入变量，只要出现坏质量码数据，则清空采集的所有变量历史数据并重新采集；

对于输出变量，当连续出现预设个数或以上个坏质量码数据时，则清空采集的所有变量历史数据并重新采集，当连续出现的坏质量码数据少于时，则利用坏值数据段两端的好值数据点采用线性插值方法在线补全历史数据。