[發明專利]一種基于GA-LS方法的軟測量建模輔助變量選擇方法

在審

• 申請號: 201910123233.3
• 申請日: 2019-02-18
• 公開（公告）號: CN109858705A
• 公開（公告）日: 2019-06-07
• 發明（設計）人: 陳偉鋒;郭明;應時彥;張貴軍;余世明
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06N3/00;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

本發明公開了一種基于GA?LS方法的軟測量建模輔助變量選擇方法。該方法對基于混合整數非線性規劃的輔助變量選擇方法的改進，該方法將MINLP分成內外兩層結構，外層采用遺傳算法GA對二元整數變量進行尋優，內層在整數變量固定之后退化成了較易于求解的非線性規劃問題NLP，在此基礎上經過進一步分析提出了基于GA和最小二乘LS的輔助變量選擇方法GA?LS。與傳統的基于MINLP的方法進行比較，本發明能極大降低輔助變量選擇的時間，以及尋找更好的輔助變量子集，提高模型的預測性能，降低模型的復雜度。

技術領域

本發明涉及工業建模領域，尤其涉及工業過程中難以在線測量的關鍵過程變量的預測模型建立。

背景技術

近年來，在現代生產過程中，對產品質量的要求越來越高，必須對與產品質量密切相關的關鍵變量進行實時檢測。但是，在線分析儀表價格昂貴、維護保養復雜；而通過離線實驗室分析結果存在滯后大等原因，將導致控制質量的性能下降，難以滿足生產要求。為了解決這個問題，以推斷控制為基礎的軟測量建模方法及其應用技術取得了廣泛的關注。

軟測量建模的基本思想就是根據某種最優準則，選擇一組與主導變量相關的且易測量的輔助變量，并構造關于輔助變量和主導變量的數學模型，實現對主導變量的在線估計。對于著名國際過程控制專家McaVoy將軟測量建模列為未來控制領域需要研究的幾大方向之一，具有廣闊的應用前景。

而輔助變量選擇正是軟測量建模中關鍵的一步，近年來，國內外對輔助變量選擇進行了大量的研究。2006年，Emet提出直接優化AIC準則，將變量選擇描述成一個混合整數非線性規劃問題(Mixed Integer Nonlinear Programming,MINLP)，并且通過分支界定法對其進行求解[Emet S.A model identification approach using MINLP techniques[J].WSEAS TRANSACTIONS ON MATHE-MATICS,2006,5(7):347-350]；2017年，Jian等人在MINLP優化問題的基礎上，進一步簡化，提出了一種嵌套式MIQP的變量選擇方法，并且通過分枝切割法對其進行求解[Jian W,Zhu L,Xu Z,Chen X.A variable selection methodfor soft sensor development through mixed integer quadraticprogramming.Chemometrics and Intelligent Laboratory Systems,2017,167:85–95]。上述兩種方法都能夠找到較優的輔助變量子集，從而建立預測性能良好的預測模型，不過當處理候選變量數量過大的數據集時，兩種方法都需要大量的求解時間，前者甚至將難以找到最優解。

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GA-LS方法的軟測量建模輔助變量選擇方法。

本發明的目的是通過以下技術方案來實現的：一種基于GA-LS方法的軟測量建模輔助變量選擇方法，包括以下步驟：

步驟一：數據預處理，對數據集進行歸一化處理；

步驟二：隨機生成種群，即等概率0、1編碼的標準化矩陣，矩陣中行向量代表候選變量個數m，列向量代表遺傳算法種群大小N。

步驟三：對于一組給定的有m個候選輔助變量的訓練集，通過遺傳算法種群個體固定了一個有p個輔助變量的子集時，將MINLP優化問題進一步簡化為一個NLP問題。由于p已知，故該NLP問題實質為均方誤差最小化問題，即最小二乘法求解；

步驟四：通過最小二乘求解建立子集模型，計算個體適應度值fval；

步驟五：計算出種群中所有個體的適應度，并保留適應度最優個體，共R個；其余個體進行交叉和變異操作；