[發明專利]基于動態非線性PLS軟測量方法的廢水出水指標預測方法

有效

• 申請號: 201811212785.3
• 申請日: 2018-10-18
• 公開（公告）號: CN109492265B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 劉鴻斌;楊沖
• 申請（專利權）人: 南京林業大學
• 主分類號: G06F30/20
• 分類號: G06F30/20
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 賀翔;徐曉鷺

本發明公開了一種基于動態非線性PLS軟測量方法的廢水出水指標預測方法，該方法可用于存在較強的時變性、耦合性以及非線性的工業過程。首先，采用增廣矩陣捕捉工業數據的動態特性；之后，采用高斯過程回歸替代偏最小二乘建模過程中輸入、輸出得分向量間的線性關系，使偏最小二乘方法具備非線性建模能力；為驗證模型的預測能力，將該方法分別應用于廢水處理仿真基準1號模型和某工廠的廢水處理過程進行軟測量建模。實驗結果表明，動態方法與高斯過程回歸的應用可明顯提高偏最小二乘回歸模型的預測能力，更適用于復雜工業過程的軟測量建模。

技術領域

本發明涉及廢水處理過程出水指標的軟測量方法，具體涉及一種基于高斯回歸的動態非線性軟測量建模方法。

背景技術

為確保化工領域的安全性、經濟性及控制過程的有效性，對于某些過程變量的準確測量至關重要。然而，由于成本和技術的限制，這些過程變量一般難以用傳統傳感器測得。因此，根據易測變量與重要過程變量間的相關性，建立軟測量模型以完成數據預測，已逐漸成為過程控制領域的重要選擇。由于工業過程中存在著較多的獨立過程參數，因此數據的樣本量和變量數目的比值較小；此外，過多的過程變量間一般存在著較高的相關性，這些缺點均會增加模型的復雜程度，并可能導致軟測量模型的過擬合。使用潛變量模型可有效解決上述問題。

潛變量模型的優點在于降低數據維度以及簡化數據空間。在潛變量模型中，較為常用的軟測量模型為偏最小二乘法(Partial Least Squares，PLS)，但傳統PLS為線性方法，無法充分解釋工業數據的非線性特征。通過改變PLS建模過程中輸入、輸出得分向量間的線性關系為非線性關系，并保持其余框架不變，可使得PLS具備非線性建模能力。已存在的非線性PLS模型包括二次非線性PLS、神經網絡PLS、基于模糊模型的PLS以及最小二乘支持向量機偏最小二乘法(Least Squares Support Vector Machine-PLS，LSSVM-PLS)。相比于以上PLS建模過程中的非線性方法，高斯過程回歸(Gaussian Process Regression，GPR)具有容易實現、協方差函數可調、靈活的非參數推廣以及超參數自適應調節等優點，對數據內部的非線性特征具備更強的解釋能力，且對預測輸出可以做出概率解釋；近年來，在地鐵室內空氣質量監測等領域，GPR模型已得到初步應用，且相比于一般的線性方法、神經網絡、最小二乘支持向量機等模型均具備更優秀的軟測量建模能力。

通過建立PLS得分向量間的非線性內在關系，PLS的非線性建模能力可得到顯著提升，同時考慮到大多工業過程數據具備的時變性特征，將動態方法與非線性PLS相結合可進一步提高軟測量模型的預測效果。在多元統計過程監測中，可采用構建增廣矩陣的方法來把握數據的動態特征，提升模型的監測效果。

在廢水處理過程領域，二次非線性PLS、神經網絡PLS和基于模糊模型的PLS等非線性PLS方法均已被應用于出水指標的預測，且相比于線性PLS的軟測量建模能力有不同程度的提升；此外，LSSVM-PLS模型已被用于燃煤鍋爐中氮氧化合物排放含量的預測，相比于線性PLS、二次非線性PLS以及神經網絡PLS，該模型的預測精度最高。在流程工業領域中，非線性PLS模型的應用雖已日趨廣泛，但非線性PLS模型對于數據非線性特征的解釋能力還可進一步提升；而且非線性PLS模型與動態技術結合應用的案例較少，數據的動態特性有待進行更充分地研究。

發明內容

本發明針對上述現有技術中存在的問題，提供一種基于動態非線性PLS軟測量方法的廢水出水指標預測方法，以充分把握工業過程數據中的非線性與時變性，提高對重要過程變量的預測精度。

本發明是通過以下技術方案實現的：

本發明提供的基于高斯過程回歸的動態非線性偏最小二乘軟測量(Dynamic-Gaussian Process Regression-Partial Least Squares，D-GPR-PLS)建模方法，采用增廣矩陣捕捉數據的動態特性，在此基礎上使用GPR構建PLS建模過程中輸入、輸出得分向量間的非線性關系，使模型具備動態、非線性的建模能力，實現模型預測能力的提升。