我有一个Python Gekko应用程序来估计和控制对工业聚合物制造过程(UNIPOL聚乙烯)的干扰。该方法是更新未知的催化剂活性,以最小化测量和预测生产率之间的差异。然后将催化剂活性用于生产控制。预测的生产率基于与冷却水的热交换。我遇到的问题是,有时生产率测量不好,因为在大的瞬变过程中,与测量(流量计、温度)和计算相关的间歇性问题。分布式控制系统(Honeywell Experion with TDC3000)对不良测量具有适当的保护,并报告一个状态不良的值。如何在Python Gekko中使用可用的良好度量而忽略间歇性的不良度量?由于专有问题,我没有可以共享的示例代码,但它是similar to this TCLab exercise
for i in range(1,n):
# Read temperatures in Celsius
T1m[i] = a.T1
T2m[i] = a.T2
# Insert measurements
TC1.MEAS = T1m[i]
TC2.MEAS = T2m[i]
Q1.MEAS = Q1s[i-1]
Q2.MEAS = Q2s[i-1]
# Predict Parameters and Temperatures with MHE
m.solve(disp=True)
我可以使用np.nan
(NaN)作为度量还是有其他方法来处理坏数据
对于任何错误数据,可以将FVs、MVs、SVs或CVs的反馈状态
FSTATUS
设置为off(0)Gekko消除了时间序列模型更新中的不良测量,但保留了良好的数据。对于CVs,它通过存储和时移测量值以及每个值的fstatus值来实现这一点。坏数据最终与
FSTATUS=0
指示符一起离开数据范围。如果要筛选输入数据,也可以将FSTATUS
值设置为0到1之间:x=LSTVAL∗(1−FSTATUS)+MEAS∗FSTATUS
其中,
LSTVAL
是最后一个值,MEAS
是度量值,x
是该度量值的新过滤输入。有关FSTATUS
的更多信息,请参阅documentation相关问题 更多 >
编程相关推荐