基于集成型独立元回归模型的工业过程软测量方法技术

本发明专利技术涉及一种基于集成型独立元回归模型的工业过程软测量方法，应用于非高斯性工业过程数据。传统的非高斯性软测量回归建模方法需要选择一个的非二次函数，以度量非高斯性大小。然而，不同的工业过程数据或对象会造成实际应用中难以获取足够多的经验知识去指导非二次函数的选择。为此，本发明专利技术所涉及的方法通过全面而充分地利用不同的非二次函数来训练得到不同的软测量模型，有效的避免了非二次函数的选择问题。然后，通过加权系数累加得到最终的预测结果，使相应软测量模型的预测精度不再受到非二次函数选择的影响。这大大的提高了软测量模型的预测效果，从而能够对过程中的关键指标或质量指标进行更加精确而可靠的预测。

【技术实现步骤摘要】

本专利技术涉及一种工业过程软测量建模方法，尤其是涉及一种基于集成型独立元回归模型的工业过程软测量方法。
技术介绍
在现代工业过程中，由于技术或经济因素的制约，许多能反映产品质量或生产状态的重要参数无法得到有效的在线测量。数据驱动的软测量方法就是为解决这类问题而产生的。软测量方法的基本思想是利用一些容易测量的过程变量和其他参数，建立起能够在线估计某些无法直接测量或难以测量的参数和变量的预测模型，从而实现对这些变量或参数的间接测量。近年来，软测量方法由于通用性强、实施方便、维护简单等优点，已经得到了工业界越来越多的重视。当前，随着过程机理模型越来越难以获取，基于数据驱动的多元统计回归建模方法已经发展成为软测量方法领域的主流技术手段。其中，独立元回归(ICR)模型因能较好的处理过程数据的非高斯性，更适合于现代工业过程软测量建模。在现有的建立ICR模型的方法中，修正型独立元分析(MICA)逐步得到了广泛的应用，这主要因为MICA方法相比于传统方法而言，它所提取的独立元不会受到初始值的影响，即始终给出一致性的结果。本专利技术就是选择MICA方法作为基本建模手段。可是，MICA方法在建模过程中，需要选择一个非二次函数以度量非高斯性大小，而可选的非二次函数的形式却有3种。在实际应用中，是很难存在足够的经验知识去指导非二次函数的选择。因此，如何选择这个非二次函数是一个丞待解决的问题。另一方面，考虑到实际生产对象的多样性与复杂性，选择固定单一的非二次函数建立相应的修正型独立元回归(MICR)模型所能取得预测精度往往不尽人意。相比之下，若能全面的利用这3种可选的非二次函数来训练MICR模型，相应软测量模型的预测精度就不会受到非二次函数选择的影响。
技术实现思路
本专利技术的目的在于针对现有方法的不足，提供一种基于集成型独立元回归模型的工业过程软测量方法。本专利技术解决上述技术问题所采用的技术方案为：一种基于集成型独立元回归模型的工业过程软测量方法，主要包括以下几个步骤：(1)利用集散控制系统收集工业生产过程中容易测量的数据组成软测量模型的输入训练数据矩阵X∈Rn×m，并对其进行标准化处理使各个过程变量的均值为0，标准差为1，得到新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，Rn×m表示n×m维的实数矩阵。(2)采用离线分析手段获取与输入训练数据X相对应的产品成分或质量数据组成输出训练数据Y∈Rn×1，并对其进行标准化处理使各个过程变量的均值为0，标准差为1，得到新数据矩阵(3)按照如下所示步骤对数据矩阵进行白化处理得到数据矩阵Z∈Rn×M，其中，M≤m表示矩阵Z中变量个数：①计算的协方差矩阵其中Φ∈Rm×m，上标号T表示矩阵转置；②计算矩阵Φ的所有特征值和特征向量，并剔除小于0.0001的特征值及其对应的特征向量，得到特征向量矩阵P＝[p1，p2，…，pM]∈Rm×M以及特征值对角矩阵D＝diag(λ1，λ2，…，λM)∈RM×M；③对进行白化处理，得到(4)设置保留的独立元个数d，利用白化后的输入Z与输出选择不同的非二次函数建立起相应的MICR软测量模型，并保存各个模型参数Θk＝{Wk，Bk本文档来自技高网...

【技术保护点】
一种基于集成型独立元回归模型的工业过程软测量方法，其特征在于，该方法主要包括以下几个步骤：(1)利用集散控制系统收集工业生产过程中容易测量的数据组成软测量模型的输入训练数据矩阵X∈Rn×m，并对其进行标准化处理使各个过程变量的均值为0，标准差为1，得到新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，Rn×m表示n×m维的实数矩阵；(2)采用离线分析手段获取与输入训练数据X相对应的产品成分或质量数据组成输出训练数据Y∈Rn×1，并对其进行标准化处理使各个过程变量的均值为0，标准差为1，得到新数据矩阵(3)按照如下所示步骤对数据矩阵进行白化处理得到数据矩阵Z∈Rn×M，其中，M≤m表示矩阵Z中变量个数：①计算的协方差矩阵其中Φ∈Rm×m，上标号T表示矩阵转置；②计算矩阵Φ的所有特征值和特征向量，并剔除小于0.0001的特征值及其对应的特征向量，得到特征向量矩阵P＝[p1，p2，…，pM]∈Rm×M以及特征值对角矩阵D＝diag(λ1，λ2，…，λM)∈RM×M；③对进行白化处理，得到(4)设置保留的独立元个数d，利用白化后的输入Z与输出选择不同的非二次函数建立起相应的MICR软测量模型，并保存各个模型参数Θk＝{Wk，Bk}以备用，其中，k＝1，2，3分别为三种非二次函数的标号，Wk∈Rd×m与Bk∈Rd×1分别为第k个MICR模型的分离矩阵和回归系数矩阵；(5)利用各个MICR模型对输入训练数据进行预测得到相应的预测值其中，Zk=X‾WkTBk;]]>(6)采用最小二乘回归方法得到各个MICR模型预测值的权重比使平方预测误差最小化；(7)收集新的过程容易测量的数据x∈Rm×1，并对其进行标准化处理得到(8)利用各个MICR模型参数分别对进行预测得到相应的预测值其中，为第k个MICR软测量模型预测值；(9)计算对应于当前输入数据的预测输出值...

【技术特征摘要】
1.一种基于集成型独立元回归模型的工业过程软测量方法，其特征在于，该方法主要包括以下几个步骤：(1)利用集散控制系统收集工业生产过程中容易测量的数据组成软测量模型的输入训练数据矩阵X∈Rn×m，并对其进行标准化处理使各个过程变量的均值为0，标准差为1，得到新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，Rn×m表示n×m维的实数矩阵；(2)采用离线分析手段获取与输入训练数据X相对应的产品成分或质量数据组成输出训练数据Y∈Rn×1，并对其进行标准化处理使各个过程变量的均值为0，标准差为1，得到新数据矩阵(3...

【专利技术属性】
技术研发人员：童楚东，蓝艇，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33