[發明專利]基于協同訓練LWPLS的青霉素生產過程的控制方法

在審

• 申請號: 201510745832.0
• 申請日: 2015-11-05
• 公開（公告）號: CN105425583A
• 公開（公告）日: 2016-03-23
• 發明（設計）人: 葛志強;包亮
• 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: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

技術領域

本發明屬于青霉素生產過程預測與控制領域，尤其涉及一種基于少量樣本情況下利用協同訓練算法與局部加權偏最小二乘算法的軟測量建模方法。

背景技術

在青霉素生產過程中，青霉素產品濃度的檢測與控制有著至關重要的意義。由于檢測設備成本以及成分檢測難度、時間滯后等因素的影響，青霉素生產過程中多采用軟測量方法來預測青霉素濃度信息。在工業過程中，類似于青霉素濃度這種具有重要作用的變量我們稱之為主導變量，其他的一些易于測量的變量我們稱之為輔助變量。軟測量指的是通過建立工業過程變量之間的數學模型，實現利用輔助變量預測主導變量信息的技術方法。

傳統的軟測量建模方法除了基于機理模型的方法以外，大多數采用多元統計分析和機器學習的方法，例如主元回歸PCR和偏最小二乘PLS等，在機理模型難以獲取的情況下，基于數據驅動的多元統計分析方法已經成為工業過程軟測量的主流方法。但是，傳統的多元統計方法在訓練樣本數目較少的情況下，所建立起的模型往往不能夠達到有效的預測精度；此外，傳統多元統計學習方法建模時，得到利用的往往都是那些既包括輔助變量又包括對應主導變量信息的數據，亦即我們所說的有標簽數據，而沒有對應主導變量僅包含輔助變量信息的數據，也就是我們所說的無標簽數據往往被忽視了。利用已有的有標簽數據建立起來的模型往往精度不夠，而有著一定有用信息的無標簽數據又被浪費掉了，傳統方法的這一弊端大大限制了它們的預測效果。

發明內容

本發明的目的在于針對青霉素生產過程中現有技術的不足，提供一種基于協同訓練LWPLS的青霉素生產過程的控制方法，本發明是針對青霉素生產過程中訓練數據較少情況下的軟測量建模問題。該方法首先利用集散控制系統收集有標簽與無標簽數據，利用有標簽數據建立初始的具有一定差異性的兩個模型，然后在初始模型的基礎上，通過不斷的迭代循環，逐步的將置信度最高的無標簽數據轉換為有標簽數據并加入到訓練集中來，逐漸擴大訓練集的樣本數目，最終達到提高模型精度的效果。本發明不僅提高了青霉素生產過程的軟測量模型預測效果，增強了過程操作員對過程狀態的掌握，使工業生產更加安全，產品質量更加穩定；而且很大程度上改善了軟測量建模方法對過程知識的依賴性，更加有利于工業過程的自動化實施。

本發明的目的是通過以下技術方案實現的：一種基于協同訓練LWPLS的青霉素生產過程的控制方法，包括以下步驟：

(1)利用集散控制系統以及離線檢測方法，收集工業生產過程的數據，所述數據包括主導變量數據和輔助變量數據,所述主導變量數據為青霉素濃度,組成建模用的訓練樣本集。對于收集到的訓練樣本集，一部分為既包含主導變量數據也包含輔助變量數據的有標簽樣本,組成有標簽樣本集D∈R^K×J，其中，K為有標簽樣本集中采樣數據點的個數，J為有標簽樣本集中的變量個數，R為實數集；另一部分為只包含輔助變量數據的無標簽樣本,組成無標簽樣本集U∈R^N×M，其中，N為無標簽樣本集中采樣數據點的個數，M為無標簽樣本集中的變量個數，將這些數據存入歷史數據庫。

(2)將有標簽樣本集D按照生產批次進行分類,針對同一個生產批次中的有標簽樣本，沿著時間點方向對每一個樣本進行排列，得到新的數據矩陣，并對其進行預處理和歸一化，即使得各個過程變量的均值為零，方差為1，得到新的二維數據矩陣D‾∈RK×J.]]>

(3)將步驟2得到的二維數據矩陣分割為自變量矩陣與因變量矩陣其中組成因變量矩陣的因變量數據為主導變量數據,即青霉素濃度；由此,該二維數據矩陣可以重新描述為：

(4)利用步驟3得到的自變量矩陣與因變量矩陣并采用不同的距離度量方式來構造兩個不同的初始模型。假設樣本之間的距離為d，則相似度ω＝fun(d)分別表示為：

ω¹＝e^-d/10(1)

ω²＝3^-d/10(2)

由此我們可以獲得兩個不同的初始局部加權偏最小二乘模型LWPLS1和LWPLS2。