[發明專利]一種基于JIT-RVM的多模態間歇過程建模方法

有效

• 申請號: 201810471890.2
• 申請日: 2018-05-17
• 公開（公告）號: CN108732931B
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 王建林;張維佳;韓銳;邱科鵬;趙利強
• 申請（專利權）人: 北京化工大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

1.一種基于JIT-RVM的多模態間歇過程建模方法，其特征在于：該方法具體包括以下步驟：

步驟一：將間歇過程狀態變量及測量變量三維歷史數據沿變量方向展開為二維數據，再將三維歷史數據中狀態變量數據按時間方向展開為二維數據并標準化數據，由此得到預處理后的間歇過程數據；

步驟二：利用SCFCM算法對步驟一得到的預處理后的間歇過程數據進行模態劃分，得到多模態劃分結果；

步驟三：利用式(10)所示間歇過程機理模型進行狀態實時估計，獲得狀態變量實時估計新數據x_test，并利用步驟二所得模態劃分結果，獲得狀態變量實時估計數據x_test所屬模態及其編號κ_test，若當前數據屬于主模態，則提取第κ_test個主模態歷史數據子集；若當前數據處于過渡模態，則提取第κ_test個過渡模態及其相鄰兩主模態歷史數據子集，構成狀態變量實時估計數據x_test的模態歷史數據子集{X_test,Y_test}；

式中，υ為控制變量；η為系統噪聲；

步驟四：引入數據融合相似度計算因子，計算狀態變量實時估計數據與歷史數據之間的相似度，提取所有相似歷史數據的輸入部分及其對應輸出值部分，構建即時學習最優相似訓練集，建立JIT-RVM模型，最終得到多模態間歇過程模型；所述步驟四，具體包括：

為了從過程特性上和空間特性同時尋找與狀態變量實時估計數據x_test特性相近的歷史數據，分別根據式(11)和式(12)計算數據模態相似度S_m,n和數據代數空間相似度S_o,n；

S_m,n＝exp(-||u_test-u_n||²) (11)

S_o,n＝exp(-||x_test-x_n||²) (12)

式中，n為數據序號；u_n和u_test分別第n個歷史數據與狀態變量新數據的隸屬度值；x_n為第n個歷史狀態數據；

為了融合兩個相似度，利用式(13)和式(14)分別對計算出的數據模態相似度S_m,n和數據代數空間相似度S_o,n進行標準化；

式中，為數據模態相似度集合；為標準化后數據模態相似度；為數據代數空間相似度集合；為標準化后數據代數空間相似度；為歷史數據個數；

將標準化后的數據代數相似度和數據模態相似度的平均值作為數據融合相似度計算因子；

利用式(15)計算狀態變量實時估計數據x_test與各歷史狀態數據x_n之間的數據融合相似度S_n，得到數據融合相似度集合為了選擇數據融合相似度較高的歷史數據作為訓練數據，設定重要相似度判別閾值比較歷史數據的數據融合相似度S_n與判別閾值的大小，若歷史數據x_n的數據融合相似度S_n與設定判別閾值間關系滿足式(16)，則認為該數據x_n與狀態變量實時估計數據x_test相似；

提取所有滿足式(17)的歷史狀態數據x_n及其對應測量變量值y_n，構建即時學習最優訓練數據集合

利用即時學習最優訓練數據集結合RVM算法，由式(17)構建JIT-RVM模型；

式中，ε是均值為0，方差為β^-1的高斯白噪聲序列，且相互獨立；為權值向量；為相似數據個數；為核函數；

利用式(18)計算，為與當前狀態相似的第n個歷史數據；

式中，σ為高斯核函數寬度參數；

為模型各個權值w_n參數引入均值為0，方差為的獨立高斯先驗分布，并按照式(19)所示，利用貝葉斯定理更新其后驗分布；

Σ＝(β^-1Φ^TΦ+A) (21)

式中，μ為權值后驗均值；Σ為權值后驗方差；為模型的超參數，

將式(19)轉化為

利用Ⅱ型極大似然法求解式(22)，計算出模型超參數、噪聲方差以及權值參數的最優估計值及相關向量集合，利用式(23)得到觀測變量與狀態變量的JIT-RVM模型；

結合狀態變量的機理模型g，最終，得到式(24)所示多模態間歇過程模型；