1.一种基于机器学习的模型参数获取方法，其特征在于：建立延迟状态空间模型，

其中，{xt}是精馏塔精馏过程中不可测量的状态；输入{ut,t＝1,2,...,L}是精馏塔的回流流量和再沸器加热流量，并且在每个采样周期Δt可测量；顶部产物的组成是不规则采样的输出，仅在时刻t＝Ti·Δt且具有未知的时间延迟λi·Δt时才可用，每个数据样本的延迟有所不同；ωt和 分别是精馏过程噪声和测量噪声；ωt和 是分别具有协方差矩阵Q和R的独立且分布均匀的高斯噪声；延迟λi为遵循任何离散分布的随机整数；

建立全局模型，即每个局部模型的加权插值，采用指数加权函数来表示每个局部模型的权重；

通过机器学习算法即EM算法确定参数估计，所述的延迟状态空间模型，引入一个隐藏变量表示在时间t生效的子模型，得到输出模型；

利用贝叶斯规则得出延迟的概率，使用卡尔曼滤波器对这些密度函数进行数值计算；

k

用当前估计的参数Θ 评估Q函数，在下一个最大化步骤中，通过最大化Q函数获得新参数k+1Θ ；为了最大化Q函数，对每个参数执行微分运算；通过将导数等于零来计算每次迭代时系统参数的最佳估计；

通过EM算法确定参数估计：

对于所提出的状态空间模型，引入一个隐藏变量It表示在时间t生效的子模型；数据集Cobs为 {u1,...,uΤ}和{H1,...,HΤ}，隐藏状态X＝{x1,...,xΤ}，则隐藏的模型特性I＝{I1,...,IΤ}和时间延迟λi看作是潜在数据Cmis；Q函数为其中，τik为延迟的概率， 为精馏在Ti时刻的输出， 为精馏在Ti‑λi时刻的状态th th估计值，λi为延迟，k、N为正整数，T为时间，C为常数；将第j 个局部模型在第t 个采样时间生效的概率计算为th th

其中，Ht表示在时间t的调度变量的测量值，Hj是第j 个工作点，σj表示第j 个局部模型的有效宽度；

使用移位算子的属性，状态方程改写为

‑1 ‑1

xt＝(zI‑A) but+(zI‑A) wt假设ωt＝0，得到输出方程： 传递函数为其中，α(z)是传递函数的分母，即系统的特征多项式，而β(z)是传递函数的分子，由下式定义‑n

α(z)：＝z det[zI‑A]

‑n n n‑1 n‑2

＝z (z+α1z +α2z +…+αn)‑1 ‑2 ‑n

＝1+α1z +α2z +…+αnz ，‑n

β(z)：＝z cadj[zI‑A]b‑1 ‑1 ‑n

＝β0+β1z +β2z +…+βnzOE模型和FIR模型的参数之间的关系描述为f0＝β0，

输出误差OE或传递函数模型已被广泛用于设计高级控制，一个多虑输出误差模型为：用来近似由下式给出的阶数nf的方程

定义信息向量 和参数向量θ为

综上，得到输出模型：

2.根据权利要求1所述的基于机器学习的模型参数获取方法，其特征在于，建立延迟状态空间模型：假设λi在0和q之间遵循均匀分布，

其中，q为正整数，由于操作条件的变化，单个模型不足以表示过程动力学；因此，使用全局模型，它是每个局部模型的加权插值，如下：其中，xt和yt分别表示t时刻精馏过程的状态变量和输出变量，j和J为整数常数，αtj为权重，为常数；此处采用指数加权函数来表示每个局部模型的权重：其中，ωtj为指数函数，Ht为t时刻的操作变量，Hj为j时刻的操作变量，t为时间，j为常数，σj表示每个局部模型的有效宽度，该宽度由σmin(σj，j＝1：J)和σmax(σj，j＝1：J)界定；归一化权重推导为α其中，αtj为权重，ωtj为指数函数。

3.根据权利要求2所述的基于机器学习的模型参数获取方法，其特征在于，利用贝叶斯规则得出延迟的概率为：k

评估Q函数，需要密度函数p(x1：T|Cobs，Θ)的值，使用卡尔曼滤波器对这些密度函数进k行数值计算；在期望步骤中，使用当前估计的参数Θ评估Q函数，在下一个最大化步骤中，k+1通过最大化Q函数获得新参数Θ ；最大化Q函数，对每个参数执行微分运算；因此，通过将导数等于零来计算每次迭代时系统参数的最佳估计

4.根据权利要求1‑3任一所述的基于机器学习的模型参数获取方法，其特征在于：在精馏塔中，将回流流量和再沸器加热流量用作输入变量ut，控制顶部产品和底部产品的组成；

将回流速度用作干扰变量ω，顶部产物的组成用作输出变量

5.一种基于参数估计的精馏塔时延系统，包括存储器和处理器，存储器存储有计算机程序，其特征在于；所述处理器执行所述计算机程序时实现如权利要求1‑4任一所述的方法步骤。

6.一种计算机可读介质，其上存储有计算机程序，其特征在于：所述的计算机程序被处理器执行时实现如权利要求1‑4任一所述的方法步骤。