[發(fā)明專利]基于多隱層加權(quán)動態(tài)模型的工業(yè)高階動態(tài)過程軟測量方法

在審

• 申請?zhí)枺?/td>: 201911392799.2
• 申請日: 2019-12-30
• 公開（公告）號: CN111160464A
• 公開（公告）日: 2020-05-15
• 發(fā)明（設(shè)計）人: 方靖云;王云;何雨辰;張麗芳;嚴(yán)天宏
• 申請（專利權(quán)）人: 中國計量大學(xué)
• 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

本發(fā)明公開了一種基于多隱層加權(quán)動態(tài)模型的工業(yè)高階動態(tài)過程軟測量方法。本方法引入滑動窗口，針對每一組在線樣本，在每一個滑動窗口中建立多隱層動態(tài)模型，即充分考慮了數(shù)據(jù)在隱空間中的局部自相關(guān)性和隱變量在時序上的高階動態(tài)關(guān)系，對于數(shù)據(jù)的描述能夠更加精準(zhǔn)；結(jié)合支持向量數(shù)據(jù)描述方法計算得到在線樣本的全局權(quán)重，并建立多隱層加權(quán)動態(tài)模型。在得到模型的參數(shù)后，建立局部加權(quán)線性回歸模型，從而得到在線樣本的質(zhì)量變量估計值。

技術(shù)領(lǐng)域

本發(fā)明屬于工業(yè)非平穩(wěn)過程軟測量建模和應(yīng)用領(lǐng)域，特別涉及一種基于多隱層加權(quán)動態(tài)模型的工業(yè)高階動態(tài)過程軟測量建模和在線估計方法。

背景技術(shù)

工業(yè)生產(chǎn)過程十分復(fù)雜，難以做到實(shí)時測量得到整個生產(chǎn)過程中的實(shí)時數(shù)據(jù)，軟測量是指通過建立質(zhì)量變量與易于測量得到的過程變量之間的數(shù)學(xué)模型來估計質(zhì)量變量的值。

而目前普遍的軟測量模型有：偏最小二乘回歸，決策樹，神經(jīng)網(wǎng)絡(luò)等，但是模型較為簡單，對于數(shù)據(jù)存在噪聲，數(shù)據(jù)分布非高斯，缺少質(zhì)量變量，過程具有動態(tài)性等特點(diǎn)難以解決，需要進(jìn)一步建立更為復(fù)雜的數(shù)學(xué)模型。

在上述的問題中，過程具有動態(tài)特性通常難以處理，常見的動態(tài)模型如線性動態(tài)系統(tǒng)，能夠建立觀測得到的數(shù)據(jù)在時間上隱藏的動態(tài)特性，但是對于時間上隱藏的動態(tài)特性描述較為簡單，沒有很好的描述數(shù)據(jù)在時間上的高階動態(tài)特性，當(dāng)數(shù)據(jù)的隱藏動態(tài)特性與前好幾個時刻的數(shù)據(jù)有關(guān)時，模型往往難以很好描述。因此，本發(fā)明在原有線性動態(tài)系統(tǒng)的基礎(chǔ)上，將模型擴(kuò)展為多隱層的高階動態(tài)模型，該模型能夠很好的描述數(shù)據(jù)的高階動態(tài)關(guān)系，并通過加權(quán)方法建立隱變量與質(zhì)量變量之間的數(shù)學(xué)模型來估計質(zhì)量變量的值。該模型很好的描述了數(shù)據(jù)的高階動態(tài)特性，提高了模型的預(yù)測精度。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對脫丁烷塔中丁烷含量實(shí)時檢測的難點(diǎn)，提出一種基于多隱層加權(quán)動態(tài)模型的工業(yè)高階動態(tài)過程軟測量建模和在線估計方法。

一種基于多隱層加權(quán)動態(tài)模型的工業(yè)高階動態(tài)過程軟測量建模方法，其特征包括一下步驟：

步驟1：通過集散控制系統(tǒng)采集化工過程中的正常運(yùn)行數(shù)據(jù)組成訓(xùn)練樣本集X＝{x₁,x₂,...,x_T}∈R^M×T，其中M為過程變量個數(shù)，T為訓(xùn)練樣本集的長度。并通過離線化驗(yàn)分析得到不同時刻下的訓(xùn)練樣本的質(zhì)量變量值Y＝{y₁,y₂,...,y_T}∈R^1×T。

步驟2：引入滑動窗口，將訓(xùn)練樣本集劃分為多個訓(xùn)練子集。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(shù)為即訓(xùn)練子集個數(shù)為個。每個滑動窗口處于訓(xùn)練樣本集中的不同位置，每個滑動窗所覆蓋的訓(xùn)練樣本為一個訓(xùn)練子集，每一個訓(xùn)練子集內(nèi)所包含的訓(xùn)練樣本的組數(shù)相同，但是各個訓(xùn)練子集內(nèi)的訓(xùn)練樣本的組成不完全相同，存在單組訓(xùn)練樣本存在于多個窗口中，即存在單組訓(xùn)練樣本被包含于多個訓(xùn)練子集的情況。

每個訓(xùn)練子集的歸一化方法相同，均為減去均值，再除以標(biāo)準(zhǔn)差的歸一化操作，具體如下：

其中，X_η為第η個窗口中的訓(xùn)練子集，η為訓(xùn)練子集的序號數(shù)，X′_η為第η個窗口中歸一化后的訓(xùn)練子集；μ_η為X_η中過程變量的均值；σ_η為X_η中過程變量的標(biāo)準(zhǔn)差。

步驟3：對每一個X′_η建立多隱層動態(tài)模型，具體模型如下：