[發(fā)明專利]一種基于異構(gòu)相似度的選擇性集成即時學(xué)習(xí)軟測量建模方法

有效

• 申請?zhí)枺?/td>: 201910150216.9
• 申請日: 2019-02-28
• 公開（公告）號: CN110046377B
• 公開（公告）日: 2022-06-14
• 發(fā)明（設(shè)計）人: 金懷平;李建剛
• 申請（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及一種基于異構(gòu)相似度的選擇性集成即時學(xué)習(xí)軟測量方法，屬于過程工業(yè)軟測量建模和應(yīng)用領(lǐng)域。本發(fā)明以局部加權(quán)偏最小二乘(LWPLS)算法為基學(xué)習(xí)器，通過定義多個相似度函數(shù)建立相似度函數(shù)庫，然后基于進(jìn)化多目標(biāo)優(yōu)化算法選擇相似度函數(shù)，根據(jù)選出的相似度函數(shù)構(gòu)建滿足準(zhǔn)確性和多樣性指標(biāo)的基模型，最后采用Stacking集成學(xué)習(xí)策略實現(xiàn)即時學(xué)習(xí)基模型的融合。本發(fā)明通過進(jìn)化多目標(biāo)優(yōu)化算法從相似度庫中選擇合適的相似度以適應(yīng)復(fù)雜的工業(yè)過程，通過集成策略有效地提升了預(yù)測精度。

技術(shù)領(lǐng)域

本發(fā)明涉及一種過程工業(yè)軟測量建模和應(yīng)用領(lǐng)域，特別涉及一種基于異構(gòu)相似度的選擇性集成即時學(xué)習(xí)軟測量建模方法。

背景技術(shù)

在現(xiàn)代工業(yè)過程中，實現(xiàn)被控參數(shù)的在線檢測是過程控制及優(yōu)化的必要條件，也是確保產(chǎn)品質(zhì)量和生產(chǎn)過程安全運(yùn)行的關(guān)鍵措施。然而，在復(fù)雜的工業(yè)現(xiàn)場環(huán)境中，相比于溫度、壓力、流量等易測得的數(shù)據(jù)信息來說，這些能直接或是間接反映質(zhì)量信息的關(guān)鍵變量通常獲取比較困難。以液體產(chǎn)品濃度為例，獲取產(chǎn)品濃度信息可以通過在線分析儀獲得，也可以通過采樣后離線實驗室分析獲得，這兩種方法各有優(yōu)劣。通過在線分析儀獲得實時濃度參數(shù)，但往往這些在線檢測儀器價格都非常昂貴，后期維護(hù)困難。而通過采樣離線實驗室分析獲得濃度信息，往往耗時大，有嚴(yán)重的滯后，不能及時的反應(yīng)當(dāng)前的產(chǎn)品質(zhì)量狀況。軟測量技術(shù)正是為了解決這些難測參數(shù)的實時估計和控制發(fā)展起來的。軟測量技術(shù)核心思想為：根據(jù)某種優(yōu)化準(zhǔn)則，選擇一組與難測主導(dǎo)變量密切相關(guān)的輔助變量，構(gòu)造某種數(shù)學(xué)關(guān)系，利用計算機(jī)等硬件平臺實現(xiàn)主導(dǎo)變量的實時估計。

查閱已有的專利和文獻(xiàn)，可以發(fā)現(xiàn)軟測量方法的實施主要有兩大類：全局建模和局部建模。但是，全局建模訓(xùn)練效率低，而且不能有效表征過程變量信息，這將導(dǎo)致模型預(yù)測性能嚴(yán)重受限。相比于全局建模，局部建模技術(shù)能有效處理這類問題，通過表征局部特征來實現(xiàn)難測參數(shù)的預(yù)估。即時學(xué)習(xí)作為一種典型的局部學(xué)習(xí)方法，受到廣泛關(guān)注，即時學(xué)習(xí)有三個主要特征：接到查詢請求時開始建模；根據(jù)相似度準(zhǔn)則，計算查詢樣本與歷史樣本之間的相似度，再通過挑選樣本或是加權(quán)的方式建立局部模型；完成預(yù)測輸出后拋棄模型?？梢钥闯觯磿r學(xué)習(xí)模型的預(yù)測性能嚴(yán)重依賴相似度函數(shù)的定義，不同的相似度定義揭示了訓(xùn)練數(shù)據(jù)不同的潛在特征。但遺憾的是，到目前為止并沒有統(tǒng)一的相似度度量方法。

為此，科研文獻(xiàn)中許多相似度函數(shù)被定義并加以改進(jìn)得到應(yīng)用，形成了豐碩的成果，如使用平均距離、歐氏距離、馬氏距離和角度相似度等相似度函數(shù)，并結(jié)合優(yōu)化策略優(yōu)化相似度參數(shù)。但是仍有不足之處，這些建模方法均使用單一的相似度函數(shù)，針對的是僅是特定的或相近的工業(yè)過程特征，一旦過程特征改變可能導(dǎo)致模型預(yù)測效果不佳，嚴(yán)重將導(dǎo)致模型失效。為了得到一般意義上更適用于對不同工業(yè)過程對象進(jìn)行預(yù)測和分析的軟測量方法，構(gòu)建相似度函數(shù)庫以適應(yīng)不同工業(yè)過程特征是有必要的，并且，如何選擇相似度函數(shù)以適應(yīng)當(dāng)前工業(yè)過程也面臨著挑戰(zhàn)。因此，迫切需要一種基于異構(gòu)相似度函數(shù)的選擇性集成軟測量建模方法。

發(fā)明內(nèi)容

本發(fā)明所要解決的主要技術(shù)問題是：本發(fā)明提供一種基于異構(gòu)相似度的選擇性集成軟測量建模方法(EMO-ELWPLS)，以解決在實際應(yīng)用中，單一的相似度準(zhǔn)則很難確定選擇哪些變量適用于當(dāng)前數(shù)據(jù)集來建立軟測量模型的問題。

本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為：包括以下步驟：

(1)利用集散控制系統(tǒng)收集工業(yè)過程中的輔助變量作為軟測量建模的輸入變量X，通過離線實驗分析獲取與輸入變量X對應(yīng)的變量作為輸出變量Y，并形成樣本集[X，Y]，其中N為樣本數(shù)，M為輸入變量維度，L為輸出變量維度；

(2)將樣本集[X，Y]分別劃分為訓(xùn)練集和驗證集，并且對樣本集[X，Y]標(biāo)準(zhǔn)化處理得到均值為0，方差為1的新的樣本集

(3)分別定義多個不同的相似度函數(shù)，構(gòu)建多樣性的相似度函數(shù)庫Γ＝[d₁，d₂，…d_n，…d_K]；