[發明專利]基于多隱層加權動態模型的工業高階動態過程軟測量方法

在審

• 申請號: 201911392799.2
• 申請日: 2019-12-30
• 公開（公告）號: CN111160464A
• 公開（公告）日: 2020-05-15
• 發明（設計）人: 方靖云;王云;何雨辰;張麗芳;嚴天宏
• 申請（專利權）人: 中國計量大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于多隱層加權動態模型的工業高階動態過程軟測量方法，其特征在于，包括以下步驟：

步驟1：采集化工過程中的正常運行數據組成訓練樣本集，并通過離線化驗分析得到不同時刻下訓練樣本的質量變量值。

步驟2：引入滑動窗口，采用步長固定、長度固定的滑動窗掃描訓練樣本集，得到多個滑動窗口，將每個滑動窗口內包含的訓練子集進行歸一化處理。

步驟3：對每一個歸一化后的訓練子集建立多隱層動態模型，并記錄下模型參數。

步驟4：收集化工過程中的在線運行數據組成測試樣本集。

步驟5：對于每一組測試樣本，計算該組測試樣本與訓練樣本集在原始空間中的相似度；結合支持向量數據描述方法(SVDD)計算該組測試樣本與每一個訓練子集在隱空間的相似度；計算出該組測試樣本關于訓練樣本集在原始空間和隱空間的全局權重。

步驟6：根據全局權重建立多隱層加權動態模型，并記錄下模型參數。

步驟7：建立局部加權線性回歸模型，得到該組測試樣本的質量變量值。

2.根據權利要求1所述的基于多隱層加權動態模型的工業高階動態過程軟測量方法，其特征在于：所述步驟1中處理方法具體是：

訓練樣本集通過集散控制系統采集得到。訓練樣本集包含多組訓練樣本，每組訓練樣本包含多個過程變量，由此組成原始訓練樣本集X＝{x₁,x₂,...,x_T}∈R^M×T，其中M為過程變量個數，T為訓練樣本集的長度。每組訓練樣本的質量變量通過離線化驗得到，記為Y＝{y₁,y₂,...,y_T}∈R^1×T。

3.根據權利要求1所述的基于多隱層加權動態模型的工業高階動態過程軟測量方法，其特征在于：所述步驟2中處理方法具體是：

若滑動窗的步長為P，滑動窗的窗口長度為K，則可以計算得到劃分的窗口總個數為即訓練子集個數為個。每個窗口內訓練子集不完全相同，每個訓練子集的歸一化方法相同，均為減去均值，再除以標準差的歸一化操作。

4.根據權利要求1所述的基于多隱層加權動態模型的工業高階動態過程軟測量方法，其特征在于：所述步驟3中處理方法具體是：

步驟3中每個歸一化的訓練子集處理方法相同：對每一個歸一化后的訓練子集建立多隱層動態模型。通過EM算法反復迭代來得到模型參數。在E步中，通過卡爾曼濾波，卡爾曼平滑方法并結合當前模型的參數估計隱變量后驗概率的期望；在M步中，通過極大化似然函數來更新模型參數，并在每一次更新模型參數后對模型參數做一次歸一化處理。總共訓練個模型。

5.根據權利要求1所述的基于多隱層加權動態模型的工業高階動態過程軟測量方法，其特征在于：所述步驟5具體處理方法如下：

測試樣本集包含多組測試樣本，每組測試樣本的處理方法一致，下面以一組測試樣本為例：計算該組測試樣本與訓練樣本集中每一組訓練樣本之間的相似度，并通過計算得到該組測試樣本關于訓練樣本集在原始空間中的全局權重；

通過投影方法計算出該組測試樣本在每個滑動窗口下的隱變量，每個窗口訓練得到的模型參數不同，總共得到組不同的隱變量。對于每一個滑動窗口，計算該窗口下測試樣本的隱變量與該窗口下模型中訓練子集的隱變量之間的相似度；通過支持向量數據描述方法計算測試樣本與每一個滑動窗的窗口置信度。最后結合得到該組測試樣本關于訓練樣本集在隱空間中的全局權重。

6.根據權利要求1所述的基于多隱層加權動態模型的工業高階動態過程軟測量方法，其特征在于：所述步驟6具體處理方法如下：

對訓練樣本集做減去均值，除以標準差的歸一化處理，并根據原始空間全局權重，隱空間全局權重建立多隱層加權動態模型。通過EM算法反復迭代來得到模型參數。在E步中，通過卡爾曼濾波，卡爾曼平滑方法并結合當前模型的參數值估計隱變量后驗概率的期望；在M步中，通過令似然函數導數為零來更新模型參數，并對每一次更新后的模型參數做一次歸一化處理。反復迭代直到似然函數收斂時記錄下模型參數。該步驟總共訓練得到一個模型。

7.根據權利要求1所述的基于多隱層加權動態模型的工業高階動態過程軟測量方法，其特征在于：所述步驟7具體處理方法如下：

根據步驟6中計算得到的模型參數，通過投影的方法計算出測試樣本在隱空間中的變量值；訓練局部加權線性回歸模型，得到模型參數，估計出測試樣本的質量變量值。