本技術(shù)涉及溶液凈化，具體公開了多時間尺度下溶液凈化過程最優(yōu)設(shè)定值的動態(tài)校正方法。

背景技術(shù)：

1、溶液凈化過程是一個典型的流程制造行業(yè)，其中包括多個基本的生產(chǎn)單元。在實(shí)際生產(chǎn)中，通過協(xié)同優(yōu)化各生產(chǎn)單元的生產(chǎn)目標(biāo)使得各生產(chǎn)單元可以更好地相互配合，滿足實(shí)際生產(chǎn)需求。但隨著反應(yīng)的進(jìn)行，由于入口條件的波動、運(yùn)行參數(shù)的調(diào)整、隨機(jī)干擾等原因，各基本生產(chǎn)單元的運(yùn)行狀態(tài)會發(fā)生變化。因此，由前饋協(xié)同優(yōu)化得到的各基本生產(chǎn)單元的原始最優(yōu)生產(chǎn)目標(biāo)(最優(yōu)關(guān)鍵技術(shù)指標(biāo)目標(biāo)值)將不再適用，需要根據(jù)運(yùn)行狀態(tài)的變化對其進(jìn)行動態(tài)校正。重新優(yōu)化不僅需要耗費(fèi)大量的時間和成本，而且無法根據(jù)流程的實(shí)時狀態(tài)變化及時地對最優(yōu)生產(chǎn)目標(biāo)進(jìn)行調(diào)整。過程運(yùn)行中會產(chǎn)生大量的數(shù)據(jù)，其包含了過程的運(yùn)行特性和信息。因此，有必要研究基于過程信息的反饋校正方法；

2、溶液凈化過程是鋅濕法冶煉生產(chǎn)過程中重要的環(huán)節(jié)之一，其運(yùn)行效果不僅直接關(guān)系最終的產(chǎn)品質(zhì)量，同時也會影響后續(xù)電解過程的生產(chǎn)安全。由于鋅精礦中鋅的純度并非100％，因此在前序浸出過程中，鋅精礦中含有的其他雜質(zhì)金屬離子也會隨著鋅離子一起被析出進(jìn)入硫酸鋅溶液。這些雜質(zhì)金屬離子的存在不僅會降低產(chǎn)品的質(zhì)量，還會造成電解過程電流效率的大幅下降，嚴(yán)重時還會引起燒板現(xiàn)象，威脅生產(chǎn)安全。因此，溶液凈化過程的目標(biāo)就是將這些雜質(zhì)離子的濃度下降到工藝指標(biāo)要求的范圍內(nèi)；

3、溶液凈化過程主要包括除銅過程和除鈷過程。除銅過程一般由兩個連續(xù)的反應(yīng)器組成，由于實(shí)際生產(chǎn)中對于除銅過程的要求不高，因此往往只使用一個反應(yīng)器便能達(dá)到生產(chǎn)的要求。除鈷過程一般由5個連續(xù)的反應(yīng)器組成，其主要的除鈷反應(yīng)發(fā)生在1#反應(yīng)器中。除銅過程與除鈷過程之間并非相互獨(dú)立，除銅過程出口剩余的銅離子可以與除鈷過程中添加的砷鹽發(fā)生反應(yīng)生成銅砷合金，其可以作為除鈷反應(yīng)的催化劑在一定程度上促進(jìn)除鈷反應(yīng)的正向進(jìn)行。因此，兩個過程間存在能質(zhì)耦合，僅優(yōu)化其中一個過程難以實(shí)現(xiàn)全局最優(yōu)。目前我們已經(jīng)基于運(yùn)行狀態(tài)和除銅與除鈷過程間的耦合關(guān)系，構(gòu)建了除銅除鈷過程的協(xié)同優(yōu)化模型，實(shí)現(xiàn)了對過程關(guān)鍵技術(shù)指標(biāo)最優(yōu)目標(biāo)值的前饋設(shè)定。然而，考慮到溶液凈化過程的機(jī)理復(fù)雜、反應(yīng)時間長且擾動頻繁，其運(yùn)行狀態(tài)可能會發(fā)生較為頻繁且劇烈的變化，原有的關(guān)鍵技術(shù)指標(biāo)最優(yōu)設(shè)定值可能不再適用，需要及時進(jìn)行反饋校正；

4、有人提出了使用引導(dǎo)聚合極限學(xué)習(xí)機(jī)對補(bǔ)料分批發(fā)酵過程進(jìn)行在線重新優(yōu)化控制方法。首先，開發(fā)了基于極限學(xué)習(xí)機(jī)(elm)的數(shù)據(jù)驅(qū)動模型。進(jìn)而考慮到單個elm模型可能缺乏魯棒性的問題，通過對原始訓(xùn)練數(shù)據(jù)進(jìn)行引導(dǎo)重采樣復(fù)制來開發(fā)多個elm模型并進(jìn)行組合。最后，為了應(yīng)對未知的過程擾動，提出了一種在線重優(yōu)化控制策略，在批處理過程中進(jìn)行在線優(yōu)化。實(shí)驗(yàn)結(jié)果表明，所提出的方法能夠?qū)崿F(xiàn)對補(bǔ)料分批發(fā)酵過程的穩(wěn)定控制。

5、在溶液凈化過程中，我們的前述研究中建立了一種關(guān)鍵技術(shù)指標(biāo)最優(yōu)值的前饋設(shè)定方法。通過對系統(tǒng)運(yùn)行狀態(tài)和除銅除鈷過程間耦合關(guān)系的描述構(gòu)建全局協(xié)同優(yōu)化模型。首先，提出反應(yīng)效率來評估系統(tǒng)的運(yùn)行狀態(tài)，并構(gòu)建了在線評估模型。其次，引入自組織臨界性來描述協(xié)同生產(chǎn)單元運(yùn)行狀態(tài)的變化，結(jié)合機(jī)理知識和生產(chǎn)數(shù)據(jù)特征構(gòu)建關(guān)聯(lián)過程的耦合關(guān)系模型。最后，根據(jù)關(guān)聯(lián)過程之間的耦合關(guān)系和過程內(nèi)部的級聯(lián)特性，構(gòu)建了一種協(xié)同優(yōu)化方法。實(shí)驗(yàn)結(jié)果表明，該方法能夠?qū)崿F(xiàn)過程的全局優(yōu)化，與現(xiàn)有生產(chǎn)條件相比提高了經(jīng)濟(jì)效益，并保證了系統(tǒng)的穩(wěn)定性。

6、為此，本文引出背景技術(shù)的出處：

7、[1]baron?c?m?c,zhang?j.reliable?on-line?re-optimization?control?of?afed-batch?fermentation?process?using?bootstrap?aggregated?extreme?learningmachine[c]//informatics?in?control,automation?and?robotics:14th?internationalconference,icinco?2017?madrid,spain,july?26-28,2017?revised?selectedpapers.springer?international?publishing,2020:272-294.

8、[2]zhang?x,li?y,chen?w,et?al.self-organized?cascade?collaborativeoptimization?method?for?associated?unit?processes[j].journal?of?manufacturingprocesses,2023,101:322-338.

9、對于(1)第一個背景方案，作者提出了使用引導(dǎo)聚合極限學(xué)習(xí)機(jī)對補(bǔ)料分批發(fā)酵過程進(jìn)行在線重新優(yōu)化控制方法。首先，開發(fā)了基于極限學(xué)習(xí)機(jī)(elm)的數(shù)據(jù)驅(qū)動模型。進(jìn)而考慮到單個elm模型可能缺乏魯棒性的問題，通過對原始訓(xùn)練數(shù)據(jù)進(jìn)行引導(dǎo)重采樣復(fù)制來開發(fā)多個elm模型并進(jìn)行組合。最后，為了應(yīng)對未知的過程擾動，提出了一種在線重優(yōu)化控制策略，在批處理過程中進(jìn)行在線優(yōu)化。實(shí)驗(yàn)結(jié)果表明，所提出的方法能夠?qū)崿F(xiàn)對補(bǔ)料分批發(fā)酵過程的穩(wěn)定控制；

10、對于(2)第二個背景方案，考慮流程制造業(yè)關(guān)聯(lián)過程之間的能質(zhì)耦合以及系統(tǒng)中的自組織運(yùn)動對過程優(yōu)化運(yùn)行的影響，提出了一種關(guān)聯(lián)過程自組織級聯(lián)協(xié)同優(yōu)化方法。通過對系統(tǒng)運(yùn)行狀態(tài)和耦合關(guān)系的描述構(gòu)建全局協(xié)同優(yōu)化模型。首先，提出反應(yīng)效率來評估系統(tǒng)的運(yùn)行狀態(tài)，并構(gòu)建了在線評估模型。其次，引入自組織臨界性來描述協(xié)同生產(chǎn)單元運(yùn)行狀態(tài)的變化，結(jié)合機(jī)理知識和生產(chǎn)數(shù)據(jù)特征構(gòu)建關(guān)聯(lián)過程的耦合關(guān)系模型。最后，根據(jù)關(guān)聯(lián)過程之間的耦合關(guān)系和過程內(nèi)部的級聯(lián)特性，構(gòu)建了一種協(xié)同優(yōu)化方法。實(shí)驗(yàn)結(jié)果表明，該方法能夠?qū)崿F(xiàn)過程的全局優(yōu)化，與現(xiàn)有生產(chǎn)條件相比提高了經(jīng)濟(jì)效益，并保證了系統(tǒng)的穩(wěn)定性；

11、對于第一個背景方案，作者提出了一種使用引導(dǎo)聚合極限學(xué)習(xí)機(jī)對補(bǔ)料分批發(fā)酵過程進(jìn)行在線重新優(yōu)化控制的方法。作者提出了一種在線重優(yōu)化控制策略以應(yīng)對未知的過程擾動。這種方法可以在一定程度上解決原有優(yōu)化值不適用的問題，但重新優(yōu)化對于有大量參數(shù)的流程工業(yè)來說會耗費(fèi)大量的時間和成本，無法應(yīng)用于實(shí)際現(xiàn)場。

12、對于第二個背景方案，作為我們的前述研究，提出了一種自組織協(xié)同優(yōu)化方法，通過評估過程間的關(guān)聯(lián)耦合關(guān)系進(jìn)而結(jié)合各基本生產(chǎn)單元的運(yùn)行狀態(tài)，優(yōu)化設(shè)定各基本生產(chǎn)單元出口關(guān)鍵技術(shù)指標(biāo)的目標(biāo)值，即各個基本生產(chǎn)單元的生產(chǎn)目標(biāo)。但其僅是一種前饋設(shè)定，并未考慮過程的長流程特性和隨機(jī)擾動的存在會導(dǎo)致過程的運(yùn)行狀態(tài)發(fā)生變化，進(jìn)而使得原有的最優(yōu)設(shè)定值不再適用。因此僅依賴這種前饋設(shè)定無法滿足實(shí)際的生產(chǎn)要求。

13、溶液凈化過程作為典型的流程工業(yè)，具有反應(yīng)流程長、機(jī)理復(fù)雜、運(yùn)行狀態(tài)變化頻繁和擾動多等特點(diǎn)。根據(jù)生產(chǎn)目標(biāo)、運(yùn)行狀況和生產(chǎn)約束條件對各生產(chǎn)單元關(guān)鍵技術(shù)指標(biāo)進(jìn)行優(yōu)化是實(shí)現(xiàn)全過程優(yōu)化運(yùn)行的前提，其可以認(rèn)為是一種前饋優(yōu)化。然而受到入口條件、操作參數(shù)和隨機(jī)擾動的影響，各基本生產(chǎn)單元的運(yùn)行狀態(tài)會發(fā)生改變，進(jìn)而導(dǎo)致由協(xié)同優(yōu)化設(shè)定得到最優(yōu)技術(shù)指標(biāo)不再適用，需要進(jìn)行重新優(yōu)化或調(diào)整。

14、對于流程制造業(yè)來說，重新優(yōu)化不僅需要較長的時間，計(jì)算量較大，同時沒有充分利用過程中不同時間尺度的工業(yè)數(shù)據(jù)所包含的信息，因而無法滿足流程制造業(yè)的要求。前饋優(yōu)化無法充分利用實(shí)時過程信息，因此無法獲得當(dāng)前最優(yōu)狀態(tài)的描述。因此，發(fā)明人提出多時間尺度下溶液凈化過程最優(yōu)設(shè)定值的動態(tài)校正方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供的多時間尺度下溶液凈化過程關(guān)鍵技術(shù)指標(biāo)最優(yōu)設(shè)定值的動態(tài)校正方法，解決了現(xiàn)有溶液凈化過程關(guān)鍵技術(shù)指標(biāo)最優(yōu)設(shè)定值僅通過前饋設(shè)定而忽略過程的動態(tài)性和長流程性，提供了一種基于不同種類的過程數(shù)據(jù)動態(tài)地對溶液凈化過程關(guān)鍵技術(shù)指標(biāo)最優(yōu)設(shè)定值進(jìn)行反饋校正的方法。

2、為了達(dá)到上述目的，本發(fā)明提供以下基礎(chǔ)方案：

3、多時間尺度下溶液凈化過程最優(yōu)設(shè)定值的動態(tài)校正方法，包括以下步驟：

4、s01：基于模糊規(guī)則的低頻校正：基于機(jī)理知識和專家經(jīng)驗(yàn)，提出了一種模糊校正規(guī)則，利用低頻化驗(yàn)數(shù)據(jù)能夠直接反映的過程運(yùn)行效果信息來低頻地校正關(guān)鍵技術(shù)指標(biāo)的最優(yōu)設(shè)定值；

5、其中：模糊校正規(guī)則基于三個時間點(diǎn)的離線化驗(yàn)數(shù)據(jù)構(gòu)建，分別為a:除銅過程后的校正；b:協(xié)同反應(yīng)器后的校正；c:除鈷反應(yīng)器后的校正；

6、s02：運(yùn)行狀態(tài)變化趨勢的劃分與在線識別：提出了一種鋅粉利用性能指數(shù)(zpupi)的概念來描述過程的運(yùn)行狀態(tài)，通過分析zpupi的變化可以判斷反應(yīng)器運(yùn)行狀態(tài)的變化，當(dāng)過程在線運(yùn)行時，由于關(guān)鍵技術(shù)指標(biāo)難以獲取，無法利用定義的方程計(jì)算各子區(qū)間的zpupi，構(gòu)建過程變量與運(yùn)行狀態(tài)變化趨勢之間的關(guān)系；

7、s03：提出了一種有監(jiān)督的自組織映射網(wǎng)絡(luò)(som)方法來構(gòu)建過程變量與運(yùn)行狀態(tài)變化趨勢之間的關(guān)系，具體如下：相較于原有的som方法：激活節(jié)點(diǎn)的選擇不同和對于權(quán)重校正的不同；

8、s04：基于集成的、時空的即時學(xué)習(xí)的高頻校正方法，通過結(jié)合有監(jiān)督som和針對運(yùn)行狀態(tài)多種變化趨勢的集成時空即時學(xué)習(xí)方法，可以實(shí)現(xiàn)對關(guān)鍵單元過程或設(shè)備的最優(yōu)設(shè)定值的高頻校正。

9、本基礎(chǔ)方案的原理及效果在于：

10、1.與現(xiàn)有技術(shù)相比，通過本發(fā)明提出的方法，通過反饋校正溶液凈化過程關(guān)鍵技術(shù)指標(biāo)的最優(yōu)設(shè)定值，避免了因運(yùn)行狀態(tài)變化而導(dǎo)致最優(yōu)設(shè)定值不適用進(jìn)而導(dǎo)致產(chǎn)品不合格的問題。同時，通過對最優(yōu)設(shè)定值的動態(tài)反饋校正，整個過程能夠持續(xù)運(yùn)行在更優(yōu)的狀態(tài)，減少了資源的消耗，證明了本發(fā)明所提方法的有效性。

11、進(jìn)一步，在步驟s01中，a:除銅過程后的校正：由于控制器精度的限制，除銅過程出口處的銅離子濃度可能達(dá)不到預(yù)期目標(biāo)，因此，有銅離子參與反應(yīng)的反應(yīng)器的除雜任務(wù)需要根據(jù)實(shí)際銅離子濃度及其與前次采樣時間相比的變化來調(diào)整：

12、根據(jù)生產(chǎn)需要，將分為小(s)、中(m)、大(l)三個模糊集，分為負(fù)大(nl)、負(fù)小(ns)、穩(wěn)定(st)、正小(ps)和正大(pl)五個模糊集。將協(xié)同反應(yīng)器除雜率校正量(δλ1)分為五個模糊集：大減(dl)、小減(ds)、保持(r)、小增(is)、大增(il)。輸入和輸出的第一、最后和其他模糊集對應(yīng)的曲線分別由z型、s型和gbell型隸屬度函數(shù)確定。隸屬度函數(shù)的參數(shù)是根據(jù)過程特性和控制經(jīng)驗(yàn)獲得的。

13、進(jìn)一步，在步驟s01中，b:協(xié)同反應(yīng)器后的校正：需要對后面四個除鈷反應(yīng)器的除雜任務(wù)進(jìn)行校正。校正規(guī)則與a中相同。表示協(xié)同反應(yīng)器出口處的鈷離子濃度，表示其與前一次采樣時間相比的變化，δλ2、δλ3、δλ4、δλ5表示后四個反應(yīng)器除雜率的校正量。根據(jù)生產(chǎn)要求，將分為非常小(vs)、s、m、l、非常大(vl)共5個模糊集，分為5個模糊集：nl、ns、st、ps和pl。將后四個反應(yīng)器的除雜率的校正量(δλ2、δλ3、δλ4和δλ5)分為五個模糊集：dl、ds、r、is和il。輸入和輸出的第一、最后和其他模糊集對應(yīng)的曲線分別由z型、s型和gbell型隸屬度函數(shù)確定。隸屬度函數(shù)的參數(shù)是根據(jù)過程特性和控制經(jīng)驗(yàn)獲得的。

14、進(jìn)一步，在步驟s01中，c:除鈷反應(yīng)器后的校正：用于:除銅過程后的校正和b:協(xié)同反應(yīng)器后的校正后的補(bǔ)救。

15、進(jìn)一步，在步驟s02中，zpupi可以描述為

16、式中，zinctheory和zincactual分別表示去除一定量的雜質(zhì)的所需消耗鋅粉的理論值和實(shí)際值；

17、通過分析zpupi的變化可以判斷反應(yīng)器運(yùn)行狀態(tài)的變化?；趜pupi的協(xié)同反應(yīng)器運(yùn)行狀態(tài)定義如下：

18、定義1.a級運(yùn)行狀態(tài)：zpupi在(0.8～1.0]范圍內(nèi)，表明反應(yīng)器中添加的幾乎所有鋅粉都能有效參與除雜反應(yīng)。

19、定義2.b級運(yùn)行狀態(tài)：zpupi在(0.5～0.8]范圍內(nèi)，表明反應(yīng)器中添加的鋅粉大部分能有效參與除雜反應(yīng)。

20、定義3.c級運(yùn)行狀態(tài)：zpupi在(0.2～0.5]范圍內(nèi)，表明反應(yīng)器中添加的鋅粉只有小部分可有效參與除雜反應(yīng)。

21、定義4.d級運(yùn)行狀態(tài)：zpupi在[0.0～0.2]范圍內(nèi)，表明反應(yīng)器中添加的鋅粉幾乎都無法有效參與除雜反應(yīng)。

22、根據(jù)生產(chǎn)需要，將一定體積溶液在協(xié)同反應(yīng)器內(nèi)的反應(yīng)時間分為6個子區(qū)間(每個子區(qū)間為20min)。每20分鐘計(jì)算一次zpupi，判斷與上一子區(qū)間相比是否有類別遷移，以確定運(yùn)行狀態(tài)的變化趨勢。變化趨勢定義如下：

23、定義5.趨勢1：當(dāng)前運(yùn)行狀態(tài)的類別相較前一子區(qū)間發(fā)生遷移，zpupi減小。

24、定義6.趨勢2：當(dāng)前運(yùn)行狀態(tài)的類別相較前一子區(qū)間發(fā)生遷移，zpupi增大。

25、定義7.趨勢3：當(dāng)前運(yùn)行狀態(tài)的類別與前一個子區(qū)間相同，zpupi在一定范圍內(nèi)波動。

26、6、進(jìn)一步，在步驟s03中，激活節(jié)點(diǎn)的選擇不同：原始som直接選擇與當(dāng)前樣本相似度最強(qiáng)的節(jié)點(diǎn)作為激活節(jié)點(diǎn)不同，有監(jiān)督的som對與當(dāng)前樣本相似度高的n個節(jié)點(diǎn)進(jìn)行排序。然后單獨(dú)分析每個節(jié)點(diǎn)鄰域內(nèi)激活節(jié)點(diǎn)對應(yīng)的趨勢信息。最后，分析節(jié)點(diǎn)內(nèi)大部分趨勢信息是否與當(dāng)前樣本中的相同。滿足這些條件的節(jié)點(diǎn)被激活。若不滿足，繼續(xù)評估后續(xù)節(jié)點(diǎn)；

27、對于權(quán)重校正的不同：提出了一個調(diào)整系數(shù)(λ)，根據(jù)學(xué)習(xí)情況自適應(yīng)調(diào)整激活節(jié)點(diǎn)鄰域內(nèi)所有節(jié)點(diǎn)的權(quán)重。與當(dāng)前樣本對應(yīng)節(jié)點(diǎn)的趨勢不同的節(jié)點(diǎn)記為a1，激活節(jié)點(diǎn)鄰域的總節(jié)點(diǎn)數(shù)為a2。當(dāng)較高時，這意味著網(wǎng)絡(luò)的訓(xùn)練偏離預(yù)期，權(quán)重的調(diào)整量加大；當(dāng)較低時，意味著網(wǎng)絡(luò)的訓(xùn)練接近于期望，權(quán)重的調(diào)整量減小。

28、7、進(jìn)一步，有監(jiān)督的som訓(xùn)練算法如下所示：

29、步驟b1.將權(quán)重初始化為一個很小的隨機(jī)數(shù)(w)，并初始化學(xué)習(xí)率(αinitial)和鄰域范圍(σinitial)；

30、步驟b2.隨機(jī)獲取輸入樣本xi；

31、步驟b3.遍歷競爭層中的每個節(jié)點(diǎn)：計(jì)算xi與所有節(jié)點(diǎn)之間的相似度(用歐氏距離評估)；

32、步驟b4，首先對與當(dāng)前樣本相似度高的n個節(jié)點(diǎn)進(jìn)行排序；

33、步驟b5、計(jì)算激活節(jié)點(diǎn)鄰域內(nèi)節(jié)點(diǎn)對應(yīng)趨勢信息與當(dāng)前樣本趨勢不同的節(jié)點(diǎn)數(shù)量，記為a1；

34、步驟b6.統(tǒng)計(jì)激活節(jié)點(diǎn)鄰域內(nèi)的節(jié)點(diǎn)數(shù)，記為a2；

35、步驟b7.根據(jù)式(2)計(jì)算ratio；

36、

37、步驟b8.如果ratio＜0.2，則激活該節(jié)點(diǎn)，轉(zhuǎn)至步驟9。否則，繼續(xù)步驟5，直到計(jì)算完所有n個節(jié)點(diǎn)。如果所有n個節(jié)點(diǎn)都不滿足上述條件，則選擇距離最小的節(jié)點(diǎn)作為激活節(jié)點(diǎn)。得到激活節(jié)點(diǎn)后，轉(zhuǎn)至步驟9；

38、步驟b9.根據(jù)式(3)和式(4)更新學(xué)習(xí)率和鄰域范圍：

39、

40、其中iterationmax是最大迭代次數(shù)，t是當(dāng)前迭代次數(shù)；

41、步驟b10.根據(jù)式(5)計(jì)算調(diào)整系數(shù)；

42、

43、步驟b11.根據(jù)鄰域半徑確定需要更新的節(jié)點(diǎn)，使用式(6)和式(7)計(jì)算各自的更新幅度，并更新鄰域內(nèi)所有節(jié)點(diǎn)的權(quán)重；

44、

45、其中d是當(dāng)前節(jié)點(diǎn)與鄰域中其他節(jié)點(diǎn)之間的距離；

46、wnew＝w-α*λ*g*(x-w)???????(7)

47、步驟b12.完成一輪迭代，返回步驟2，直至達(dá)到設(shè)定的迭代次數(shù)；

48、當(dāng)過程在線運(yùn)行時，計(jì)算樣本與所有節(jié)點(diǎn)的相似度，通過分析相似度最高的節(jié)點(diǎn)對應(yīng)的趨勢信息，可以得到運(yùn)行狀態(tài)的變化趨勢。

49、進(jìn)一步，在步驟s04中，當(dāng)過程在線運(yùn)行時，將新樣本輸入到經(jīng)過訓(xùn)練的有監(jiān)督的som中，即可獲得運(yùn)行狀態(tài)的變化趨勢，通過歷史數(shù)據(jù)分析，可以確定如何校正每個樣本中的最優(yōu)設(shè)定值，以確保過程運(yùn)行在更優(yōu)的狀態(tài)下。建立運(yùn)行狀態(tài)變化趨勢相同的樣本與其對應(yīng)的校正值之間的關(guān)系模型，然后通過尋找與當(dāng)前樣本最匹配的歷史樣本來校正當(dāng)前的最優(yōu)設(shè)定值。

50、進(jìn)一步，提出一種針對運(yùn)行狀態(tài)多種變化趨勢的集成時空即時學(xué)習(xí)方法來解決信息冗余和模型的準(zhǔn)確性問題，上述方法為利用門控循環(huán)網(wǎng)絡(luò)(gru)網(wǎng)絡(luò)來構(gòu)建局部模型，需要對出現(xiàn)的趨勢構(gòu)建相應(yīng)趨勢的局部模型，然后根據(jù)匹配節(jié)點(diǎn)中每個趨勢的概率進(jìn)行整合；

51、具體算法如下：

52、步驟a1.基于有監(jiān)督的som，確定當(dāng)前樣本對應(yīng)的激活節(jié)點(diǎn)，并將趨勢1、2、3出現(xiàn)在該節(jié)點(diǎn)的概率分別記為p1、p2、p3；

53、步驟a2.樣本確定：對于每個局部模型，根據(jù)空間距離選擇與當(dāng)前樣本最接近的n1個樣本，然后根據(jù)時間距離從n1個樣本中選擇與當(dāng)前時間最接近的n2個樣本，使用這n2個樣本作為局部模型的訓(xùn)練樣本；

54、步驟a3.根據(jù)時空關(guān)系，從三個趨勢對應(yīng)的樣本集中選擇與當(dāng)前樣本最匹配的歷史樣本，構(gòu)建局部模型l1、l2和l3；

55、步驟a4.將當(dāng)前樣本輸入到三個局部模型中，得到對應(yīng)的最優(yōu)設(shè)定值的校正量c1、c2和c3；

56、步驟a5.根據(jù)匹配節(jié)點(diǎn)中每個標(biāo)簽出現(xiàn)的概率，根據(jù)式(10)對三個校正值進(jìn)行加權(quán)，得到最終的校正值

57、cfinal＝c1*p1+c2*p2+c3*p3?????(10)。