[發明專利]基于動態隱變量模型的多采樣率軟測量方法

有效

• 申請號: 201811469726.4
• 申請日: 2018-12-04
• 公開（公告）號: CN109325065B
• 公開（公告）日: 2021-01-01
• 發明（設計）人: 周樂;王堯欣;武曉莉;成忠;單勝道
• 申請（專利權）人: 浙江科技學院
• 主分類號: G06F16/2458
• 分類號: G06F16/2458
• 代理公司: 杭州之江專利事務所(普通合伙) 33216
• 代理人: 黃燕

本發明公開了一種基于動態隱變量模型的多采樣率軟測量方法，以化工過程不同采樣率的大量過程變量、少量關鍵質量變量為建模樣本，在充分考慮數據的自相關性和互相關性的同時，提取能夠包含多采樣率數據特性的動態潛隱變量，而模型參數的估計通過期望最大化算法和卡爾曼濾波算法實現，并在此模型的基礎上建立了相應的軟測量方法，以解決多采樣動態關鍵質量變量的估計難題。該方法在實現多采樣率信息處理的同時，既可以完整利用數據信息，又能利用卡爾曼濾波充分考慮數據的動態特性，并對動態潛隱變量實現精確的估計，使降維后的少數動態潛隱變量實現對難以直接測量的多采樣關鍵質量變量更好的估計與描述，從而在軟測量精度與應用范圍上實現提升。

技術領域

本發明設計一種控制方法，具體是涉及一種基于動態隱變量模型的多采樣率軟測量方法。

背景技術

隨著現代工業的發展，過程安全和產品質量受到廣泛重視。隨著集散控制系統(DCS)在工業領域的廣泛應用，大量過程變量可以被各種高采樣率的傳感器采集并存儲，而與生產安全以及產品質量相關的關鍵質量變量則需以低采樣率方式采集并通過化驗獲取，從而導致了數據的多采樣率特性與重要變量數據的難獲取性，對于實際工業工程的管理是一種挑戰。同時，隨著基于多元統計分析的過程監測(MSPM)和軟測量技術的不斷進步，海量數據變量實現降維、重構及可視化，并在制藥、化工和治污等領域得到廣泛應用。傳統的靜態主成分分析(PCA)和最小二乘估計(PLS)模型可以有效地提取變量的互相關性，但測量高度依賴于時間的情況下則效果不佳?；趧討BPCA(DPCA)的技術能夠提取測量中的自相關增廣矩陣上的特征值分解，更有效地處理數據的動態性，但它無法完整利用多采樣數據。規范變量分析(CVA)和PLS都能夠模擬兩個數據集之間的關系，實現數據的軟測量，但兩者無法有效處理數據的動態性，而且無法處理兩個數據集本身帶有多采樣特性的情況。而基于多采樣概率主成分分析的方法可以完整地利用多采樣率數據信息，并利用期望最大化(EM)算法對模型參數進行有效估計，不過對于動態數據的處理效果不佳。因此，需要提出一種既可以完整利用多采樣率數據信息，又能充分考慮到數據動態特性的軟測量技術。

發明內容

本發明的目的在于針對現有技術的不足，提供一種基于動態隱變量模型的多采樣率工業工程軟測量方法。

一種基于動態隱變量模型的多采樣率軟測量方法，包括：

(1)采集化工過程中正常運行狀態下的不同采樣率的過程變量樣本和關鍵質量變量樣本，組成建模用的訓練樣本集；

(2)對得到的訓練樣本集進行標準化，使得各個標準化后的變量值與潛隱變量間存在線性相關關系；

(3)基于預處理后的訓練樣本集構建多采樣率動態隱變量模型；

(4)在線收集新的化工過程中與訓練樣本集過程變量對應的多采樣率過程樣本數據，得到測試樣本集；

(5)對得到的測試樣本集進行標準化；

(6)采用步驟(3)得到的多采樣率動態隱變量模型得到當前時刻的關鍵質量變量，實現關鍵質量變量的軟測量。

作為優選，步驟(1)中，所述過程變量樣本采用集散控制系統收集；所述關鍵質量變量采用化驗手段收集。

本發明中，所述的化驗手段包括但是不限于化學滴定、試紙檢測、純度檢測(比如借助HPLC、LC-Ms等等進行的檢測)、核磁檢測等等測試方法。

本發明中，過程變量樣本一般指那些可以由現有的傳感器檢測得到的變量，可以方便通過集散控制系統收集，比如可以是溫度、壓力、流量等。所述的關鍵質量變量一般不能、很難或者是不宜采用現有傳感器直接檢測檢測的變量，比如某一中間體或者原料的濃度等。