[發明專利]基于核主元分析與徑向基神經網絡的軟測量方法及系統

在審

• 申請號: 201410618271.3
• 申請日: 2014-11-05
• 公開（公告）號: CN104536290A
• 公開（公告）日: 2015-04-22
• 發明（設計）人: 陳堅紅;李鴻坤;盛德仁;李蔚
• 申請（專利權）人: 浙江大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 胡紅娟

1.一種基于核主元分析與徑向基神經網絡的軟測量方法，其特征在于，包括步驟：

1)測量發電機組的運行參數，并存儲到DCS數據庫中；

2)任選取一項運行參數作為建模變量，通過機理分析從所述的DCS數據庫中獲取與所述建模變量相關的輔助變量；

3)利用KPCA方法提取所述輔助變量的高階非線性特征，將經過特征值提取后的主元變量集，和建模變量作為RBF神經網絡的輸入建立軟測量模型；

4)選取相應的待測參數，輸入所述的軟測量模型，得到對應的軟測量值。

2.如權利要求1所述的基于核主元分析與徑向基神經網絡的軟測量方法，其特征在于，所述的KPCA方法采用下式的徑向基函數作為KPCA中的核函數，

K(x,x_i)＝exp(-|x-x_i|²/2σ²)

式中，K為核矩陣，x為輸入空間的各變量，x_i為基函數中心，σ為基函數寬度系數。

3.如權利要求2所述的基于核主元分析與徑向基神經網絡的軟測量方法，其特征在于，在步驟3)中，采用方差貢獻率來選取若干個主元組成新特征向量，作為所述的主元變量集；其中，k為當前主元的序號，s為主元總數，l為選取的主元個數，λ_k為第k個主元對應的特征值，E為方差貢獻率的閾值。

4.如權利要求3所述的基于核主元分析與徑向基神經網絡的軟測量方法，其特征在于，在步驟3)中，采用循環交叉驗證動態尋優方法確定軟測量模型的最佳參數組合，尋優步驟如下：

4.1)設定各個參數的尋優范圍；

4.2)設定CPV閾值不變；

4.3)設定核參數σ_k和RBF的擴展系數SPREAD，并計算軟測量模型相應的RMSE；

4.4)在每個參數的尋優范圍內循環調整核參數σ_k和SPREAD的組合，得到這組參數的RMSE值；

4.5)改變CPV閾值，重復步驟4.3)和4.4)，取RMSE值最小時的參數組合，作為軟測量模型的最佳參數組合。

5.一種基于核主元分析與徑向基神經網絡的軟測量系統，其特征在于，包括：

數據采集模塊，通過傳感器測量發電機組的各項參數；

DCS數據庫，內部存儲著發電機組的運行參數；

測量輔助變量模塊，通過機理分析從所述的DCS數據庫獲取與待建模變量相關的輔助變量；

KPCA-RBF網絡建模模塊，利用KPCA方法提取所述輔助變量的高階非線性特征，將經過特征值提取后的主元變量集，和待建模變量作為RBF神經網絡的輸入建立軟測量模型；

選取相應的待測參數，輸入所述的軟測量模型，得到對應的軟測量值。

6.如權利要求5所述的基于核主元分析與徑向基神經網絡的軟測量系統，其特征在于，所述的KPCA方法采用下式的徑向基函數作為KPCA中的核函數，

K(x,x_i)＝exp(-|x-x_i|²/2σ²)

式中，K為核矩陣，x為輸入空間的各指標，x_i為基函數中心，σ為基函數寬度系數。

7.如權利要求6所述的基于核主元分析與徑向基神經網絡的軟測量系統，其特征在于，在所述的KPCA-RBF網絡建模模塊中，采用方差貢獻率來選取若干個主元組成新特征向量，作為所述的主元變量集；其中，k為當前主元的序號，s為主元總數，l為選取的主元個數，λ_k為第k個主元對應的特征值，E為方差貢獻率的閾值。

8.如權利要求7所述的基于核主元分析與徑向基神經網絡的軟測量系統，其特征在于，在所述的KPCA-RBF網絡建模模塊中，采用循環交叉驗證動態尋優方法確定軟測量模型的最佳參數組合，尋優步驟如下：

(1)設定各個參數的尋優范圍；

(2)設定CPV閾值不變；

(3)設定核參數σ_k和RBF的擴展系數SPREAD，并計算軟測量模型相應的RMSE；

(4)在每個參數的尋優范圍內循環調整核參數σ_k和SPREAD的組合，得到這組參數的RMSE值；

(5)改變CPV閾值，重復步驟(3)和(4)，取RMSE值最小時的參數組合，作為軟測量模型的最佳參數組合。