1.一种基于双生自迁移模型的间歇过程分层优化方法，优化对象主要包括完全缺失数据的间歇生产过程以及刚投入生产的新间歇过程，且优化对象可以不具备相似间歇过程；

其特征在于，包括以下步骤：

步骤一：在上层优化中，首先采用动态实验设计法设计实验点，然后得到不同实验点对应的动态次因子αi，根据动态次因子和公式(1)计算不同实验点对应的操作轨迹；

式中，τ表示无量纲的时间变量，τ＝t/tf，其中，t表示当前运行时刻，tf表示一个批次运行所需时间；u(τ)表示在τ处的操作变量值；u0(τ)和Δu(τ)都是由具体过程输入变量取值上下限确定的常值参数，其中， 其中，umax(τ)和umin(τ)分别表示过程操作输入取值的上下限； 表示第i个基函数；N表示DSF和 的总数；

步骤二：按照步骤一得到的操作轨迹执行实际生产过程，获取建模数据集，根据建模数据集建立RSM模型，模型如公式(2)所示；

式中，φi(α)是基函数；β0和βi都表示回归系数；k表示基函数φi(α)的个数；

步骤三：根据公式(3)求解基于RSM的优化问题；

式中，Φ(α)表示目标函数，G(α)表示约束函数，α1和α2表示每个实验点对应的两个动态次因子；

步骤四：根据步骤三得到的初始优化解，按照下列步骤进行MA优化；

S01：根据公式(4)计算第i次迭代实际生产过程输出yp(i)与RSM预测输出 之间的误差作为误差修正项ε(i)；

S02：根据公式(5)计算第i次迭代实际生产过程输出梯度 与RSM预测输出梯度之间的误差作为梯度修正项λ(i)；

式中， 表示实际输出梯

度，其中，α(i)表示第i批次的动态次因子，α(i‑1)表示第i‑1批次的动态次因子，Δ表示增量符号；由于采用二阶模型来拟合响应面模型，故 表示RSM预测输出梯度，其中，βii和βij都表示回归系数；

S03：将步骤S01和S02得到的修正项按照公式(6)对当前批次的预测输出进行修正，并根据公式(6)对公式(3)优化问题中的 进行更新，然后对公式(3)求解得到下一个批次的最优输入数据；

S04：根据步骤S03获得的最优输入数据，执行实际生产过程，判断结果是否满足收敛条件1：优化后的产品质量是否达到上层优化的目标质量；若满足，则结束步骤四转至步骤五；

若不满足，则令i＝i+1，转至步骤S01；

步骤五：在下层优化中，首先将上层优化得到的次优解x1作为下层优化的初始优化点，并且将上层积累的间歇过程三维输入数据按照批次方向展开成二维输入数据；

步骤六：选择上层实验设计和优化积累的数据作为偏最小二乘的建模数据集(XPLS,YPLS)；由于本发明考虑无相似过程信息辅助的情况，导致单个模型通过少量上层数据的信息无法保证模型质量，因此根据公式(7)计算数据相似度，选择与下层初始优化点x1相似度较大的一组上层输入输出数据作为支持向量回归的建模数据集(XSVR,YSVR)，通过再引入一个模型进行上层数据信息的自迁移，来提高上层数据的利用率；

式中，d(xi,xj)表示欧几里得距离，d(xi,xj)＝||xi‑xj||，xi和xj表示计算相似度的两个数据对象；λ表示权重，被定义在0到1之间；cos(θ)表示余弦相似度， s表示数据相似度，被定义在0到1之间；

步骤七：将输入输出数据XPLS，YPLS标准化处理，然后基于XPLS，YPLS建立偏最小二乘模型，具体步骤如下：

S11：首先令i＝1，矩阵Xi＝XPLS，矩阵Yi＝YPLS；

S12：从矩阵Yi任取一列作为成分ui，并根据公式(8)计算负载向量wi；

S13：将wi按照公式(9)长度归一化，利用处理后的wi按照公式(10)计算成分ti；

S14：根据公式(11)计算向量qi；

S15：将qi按照公式(12)长度归一化，利用处理后的qi按照公式(13)重新计算成分ui；

ui＝Yiqi            (13)；

S16：对比S15中ui与S12中ui的值，若值相同或者相似精度已经达到要求，则转到步骤S17，否则转到步骤S12；

S17：根据公式(14)和(15)，分别计算Xi和Yi的负载向量pi，S18：根据公式(16)，计算成分ui关于ti的回归系数bi，然后根据公式(17)和(18)通过计算残差矩阵来得到更新后的矩阵Xi+1和矩阵Yi+1；

步骤八：令i＝i+1，重复步骤七中的S12至S18直到提取出A个主成分，主成分个数A通过交叉验证确定；

步骤九：提取全部主成分后，通过公式(19)计算PLS模型表达式；

y＝xBPLS+F        (19)；

T ‑1 T ‑1 T

式中，BPLS＝W(PW) (W(PW) ) ，其中，W＝[w1,...,wA]，P＝[p1,...,pA]；F为残差矩阵；

步骤十：将输入输出数据XSVR，YSVR标准化处理，然后基于XSVR，YSVR建立SVR模型，具体步骤如下：

S21：利用公式(20)形式化SVR问题；

式中， 表示函数的平滑度，C为正则化常数，l表示建模数据的数量，yi表示输出数据，f(x)表示SVR模型预测，Lε(y,f(x))表示ε‑不敏感损失函数，其中ε表示f(x)和y能容忍的最大偏差；

*

S22：通过对公式(20)引入松弛变量ξ和ξ，得到式(21)；

S23：引入拉格朗日乘子解决公式(21)问题，最终获得SVR模型，如式(22)；

式中，ai和 是拉格朗日算子，xi表示第i个支持向量，nsv是支持向量的个数；

步骤十一：通过权重更新方案，确定权重α，权重更新算法具体步骤如下：S31：判断是否满足下层批次数k＝1，若满足，初始化权重αk＝0.5，异号预测误差积累批次数n＝0，并结束步骤十一直接执行步骤十二；若不满足，转至步骤S32；

S32：根据实际生产过程输出yreal和公式(23)得到PLS模型和SVR模型的预测误差ξpk，ξsk；

式中，表示模型预测输出；

S33：判断ξpk和ξsk是否异号，若异号执行步骤S34；否则将n置为0，根据公式(24)计算得到αk，然后直接执行步骤十二；

式中，η表示误差放大倍数，αk‑1表示上一个批次确定的权重；

* *

S34：将n加1，并判断n是否大于异号稳定批次阈值k ，若满足n大于k ，按照公式(25)计*

算得到αk；若不满足n大于k，按公式(24)计算得到αk；

式中，z为滤波系数，取值在0到1之间；

步骤十二：根据步骤十一得到的权重α，按照公式(26)建立双生自迁移模型；

f(x)＝αf1(x)+(1‑α)f2(x)       (26)；

式中，f1(x)是SVR模型，f2(x)是PLS模型：步骤十三：结束双生自迁移模型建模过程后，根据以往批次积累的操作变量轨迹和基于双生自迁移模型求得的梯度，采用自调整批次间优化通过公式(27)计算得到第k+1次迭代的操作变量轨迹；

式中， 为平均操作变量轨迹；c(k)为步长系数， 其中，PRESS表示对双生自迁移模型进行交叉验证得到的平方预测误差，PRESS0表示仅考虑平均输出情况下的平方预测误差； 表示梯度项， 其中，σu(k)为操作变量的标准差，B(k)表示双生自迁移模型的梯度， g(k)表示激励增益系数， 其中g为常值参数；ρ(k+1)为与输入变量对应的激励信号；

步骤十四：根据优化后的操作轨迹执行实际生产过程，然后判断第m次迭代优化后的产品质量是否达到预期质量，若达到，则执行步骤十五；若未达到，则返回步骤四并更新S04中的收敛条件1；

步骤十五：判断是否满足收敛条件2：产品的最终质量是否满足生产要求；若满足，则结束分层优化进程；若不满足，则令k＝k+1，更新PLS和SVR模型并返回步骤十一。