1.一种基于过程迁移模型的间歇过程二阶修正自适应优化方法，包括两个相似的间歇生产过程a和b，生产过程a为工厂投产不久的新生产过程，其生产数据较少，生产过程b为经过较长时间生产的旧生产过程，其具有充分的历史生产数据；生产过程a和b各自至少具有J个过程变量，且各自每一个批次内均存在K个采样时间点，对于生产过程a和b均收集I个批I×J×K I×K

次数得到典型的三维输入数据矩阵X∈R 和二维输入数据矩阵X∈R ；

其特征在于，包括以下步骤：

步骤一：将生产过程a、b的三维输入数据矩阵按照批次方向展开为二维输入数据矩阵Xa,Xb；

步骤二：对输入数据矩阵Xa,Xb按列进行标准化处理，对生产过程a和b的二维输出数据矩阵Ya,Yb也进行标准化处理；

步骤三：利用二维输入数据矩阵Xa,Xb和二维输出数据矩阵Ya,Yb建立潜变量过程迁移模型，具体步骤如下；

A1：从输出数据矩阵Y中提取收敛的ui，令i＝1,Xai＝Xa,Xbi＝Xb,Yai＝Ya,Ybi＝Yb，i代表提取的潜变量的序号，联合输出数据矩阵表示为YJ＝[Yai；Ybi]；从联合输出数据矩阵中提取任意一列作为uai,ubi的初始值，记为B1：根据公式(1)和公式(2)分别计算Xai,Xbi的得分向量tai,tbi；

tai＝Xaiuai,tai←tai/||tai||   (1)；

tbi＝Xbiubi,tbi←tbi/||tbi||   (2)；

C1：根据公式(3)通过回归分析得到联合输出变量的负载矩阵qJi；

D1：根据公式(4)和公式(5)分别计算Yai,Ybi的得分向量uai,ubi；若两个得分向量uai,ubi均收敛则进行步骤E1，否则返回步骤A1；

E1：根据公式(6)和公式(7)分别计算计算Xai,Xbi的负载矩阵pai,pbi；

F1：根据公式(8)计算潜变量过程迁移模型内部回归系数b；

T

bi＝[uai；ubi][tai；tbi]   (8)；

式中，bi为b中的第i元素；

H1：更新输入数据矩阵和输出数据矩阵，根据公式(9)、公式(10)、公式(11)和公式(12)分别计算出第i次更新后的输入数据矩阵Xa、第i次更新后的输入数据矩阵Xb、第i次更新后的输出数据矩阵Ya和第i次更新后的输出数据矩阵Yb；

步骤四：令i＝i+1，重复步骤三至步骤四直到提取出A个主元，主元个数A通过交叉验证的方式确定；主元个数A具体确定方法如下：通过验证集的预测残差平方和来判断引入新成分后模型的预测能力是否有统计意义上的改进，从而确实最佳的主成分个数A；

步骤五：提取出全部主成分，完成潜变量过程迁移模型的建立；具体地，通过公式(13)计算输入数据矩阵X的得分矩阵T、通过公式(14)计算负载矩阵P、通过公式(15)计算输出数据矩阵Y的得分矩阵U、通过公式(16)计算负载矩阵Q；若输出数据矩阵Y为单输出变量，则JY‑PLS模型表达式如公式(17)所示；

Ta＝[t1,...,tA]，Tb＝[t1,...,tA]   (13)；

Pb＝[p1,...,pA]   (14)；

Ub＝[u1,...,uA]   (15)；

QJ＝[q1,...,qA]   (16)；

式中， 是生产过程a和b输出变量的联合矩阵， 是生产过程a和b潜变量的联合矩阵，F表示预测模型的残差；

步骤六：应用当前的最优操作变量轨迹，利用潜变量过程迁移模型进行质量预测得到基于模型求解的质量变量y；采用相同的操作变量轨迹执行实际生产过程，得到基于实际测量的质量变量yp；

步骤七：根据步骤六中所收集的生产数据信息，采用二阶修正自适应优化方法进行批次间优化，具体步骤如下：

A2：根据公式(18)计算当前批次模型预测输出数据的梯度值，根据公式(19)计算当前批次实际输出数据的梯度；

式中，表示基于模型预测得到的质量变量；1N表示含有N个元素且数值都为1的向量；

符号 表示哈达玛除法；符号 表示克罗内克积；σy为质量变量的标准差；符号 表示哈达玛乘法； 为预测模型的回归系数；u(k)为当前批次的最优输入数据；u(k‑1)为上一批次的最优输入数据；符号Δ表示增量符号；

B2：根据公式(20)和公式(21)分别计算当前批次的预测输出数据与当前批次的实际输出数据的二阶导数信息；

C2：根据A2和B2中计算的结果，通过公式(22)、公式(23)和公式(24)分别计算零阶、一阶和二阶修正项；

D2：应用C2得到的修正项信息，通过公式(25)对当前批次的预测输出数据进行修正；

E2：通过公式(26)求解经过修正后的潜变量过程迁移模型预测值的优化问题，得到下一批次的最优输入数据

步骤八：判断当前批次的输入数据与求得的下一批次的最优输入数据之差的范数是否小于预设阈值；若小于预设阈值，则将当前批次的输入数据作为下一批次的最优输入数据；

若不小于所述预设阈值，则根据公式(27)更新下一批次的最优输入数据为u(k+1)；

步骤九：过程输出；

步骤十：根据当前批次的最优输入数据和实际输出数据对所述潜变量过程迁移模型进行更新；具体地，根据当前批次得到的最优输入数据和实际输出数据x(k)、y(k)更新新批次过程的输入数据集和输出数据集Xa和Ya，更新后的结果如公式(28)所示；

步骤十一：结合公式(29)和公式(30)计算旧过程数据与新过程数据间的相似程度s(xi)，并将与新过程数据集相似度最低的旧过程数据进行剔除；在剔除与新过程数据集相似度最低的旧过程数据后，依据更新后的数据集重新建立潜变量过程迁移模型；

式中，||*||为欧式距离， 为新过程数据的均值，s(xi)的取值范围为0到1；

步骤十二：结束对第k个批次的优化过程，令k＝k+1；返回步骤六，对更新后的潜变量过程迁移模型进行数据标准化操作并重新建立潜变量过程迁移模型，重复步骤二至步骤十一，进行对第k+1个批次的优化操作。