[發(fā)明專利]一種基于FF-RVM的多時段間歇過程軟測量建模方法

在審

• 申請?zhí)枺?/td>: 201911397790.0
• 申請日: 2019-12-30
• 公開（公告）號: CN111144017A
• 公開（公告）日: 2020-05-12
• 發(fā)明（設(shè)計）人: 王建林;潘佳;邱科鵬;周新杰
• 申請（專利權(quán)）人: 北京化工大學(xué)
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06K9/62
• 代理公司: 北京思海天達知識產(chǎn)權(quán)代理有限公司 11203
• 代理人: 沈波

本發(fā)明公開了一種基于FF?RVM的多時段間歇過程軟測量建模方法，該方法首先利用SCFCM聚類方法對間歇過程進行時段劃分；然后分別利用KPCA和SSAE對每個時段的原始過程數(shù)據(jù)進行特征提取，實現(xiàn)基于KPCA的特征降維處理和基于SSAE的特征擴維處理，并采用基于誤差最小的特征選擇方法篩選出與質(zhì)量變量具有高相關(guān)性的SSAE特征，將篩選出的SSAE特征和提取的KPCA特征進行特征融合；最后利用經(jīng)過特征融合后的過程數(shù)據(jù)作為時段訓(xùn)練數(shù)據(jù)，建立基于RVM的時段軟測量模型，實現(xiàn)質(zhì)量變量的在線預(yù)測。本方法有效地擴充了過程數(shù)據(jù)所包含的信息量，為建立間歇過程軟測量模型提供大量有效的訓(xùn)練數(shù)據(jù)，實現(xiàn)了間歇過程質(zhì)量變量的在線預(yù)測。

技術(shù)領(lǐng)域

本發(fā)明屬于間歇過程軟測量技術(shù)領(lǐng)域，尤其涉及一種基于融合特征-相關(guān)向量機(Fusion Features-Relevant Vector Machine，F(xiàn)F-RVM)的多時段間歇過程軟測量建模方法。

背景技術(shù)

間歇過程作為現(xiàn)代生產(chǎn)的主要生產(chǎn)方式之一，已被廣泛應(yīng)用于化工、食品、半導(dǎo)體加工和生物制藥等領(lǐng)域，為確保其高效可靠安全地運行，迫切需要對質(zhì)量變量進行在線測量。軟測量技術(shù)是一種利用過程數(shù)據(jù)建立輔助變量與質(zhì)量變量之間的數(shù)學(xué)模型來實現(xiàn)質(zhì)量變量在線預(yù)測的技術(shù)，已被廣泛應(yīng)用于間歇過程的質(zhì)量變量在線測量。

基于數(shù)據(jù)驅(qū)動的間歇過程軟測量建模方法利用采集到的過程數(shù)據(jù)進行軟測量建模，其模型精度很大程度上依賴于過程數(shù)據(jù)的質(zhì)量和所包含的信息量。然而，在實際的間歇生產(chǎn)過程中，由于過程存在多時段特性、動態(tài)特性、非線性、高度復(fù)雜性等原因，采集的批次過程數(shù)據(jù)較少，難以滿足數(shù)據(jù)驅(qū)動的間歇過程軟測量建模數(shù)據(jù)量要求；此外，利用原始的過程數(shù)據(jù)建立的軟測量模型，忽略了過程數(shù)據(jù)的非線性特征和內(nèi)在深層特征，導(dǎo)致建立的軟測量模型預(yù)測性能較差，降低質(zhì)量變量的在線預(yù)測精度。

因此，本發(fā)明提出一種基于FF-RVM的多時段間歇過程軟測量建模方法，利用不同的特征提取方法對過程數(shù)據(jù)進行特征提取，并對提取出的特征進行篩選和融合，得到具有非線性特性和深層次過程信息的數(shù)據(jù)特征，有效地擴充了過程數(shù)據(jù)所包含的信息量，為軟測量建模提供大量有效的訓(xùn)練數(shù)據(jù)，實現(xiàn)質(zhì)量變量的在線預(yù)測。

發(fā)明內(nèi)容

本發(fā)明以提高多時段間歇過程的軟測量模型預(yù)測精度為目的，提出一種基于FF-RVM的多時段間歇過程軟測量建模方法，包括以下步驟：

步驟一：采集間歇過程的多批次過程數(shù)據(jù)，利用時序模糊C均值(Sequence-Constrained Fuzzy C-Means，SCFCM)聚類算法對其進行時段劃分，得到用于建立時段軟測量建模的數(shù)據(jù)集；

步驟二：分別利用核主元分析法(Kernel Principle Component Analysis，KPCA)和棧式稀疏自編碼器(Stacked-Sparse Autoencoder，SSAE)對時段過程數(shù)據(jù)進行特征提取，并采用基于誤差最小的特征選擇方法篩選出與質(zhì)量變量具有高相關(guān)性的SSAE特征，將篩選出的SSAE特征和提取的KPCA特征進行特征融合；

步驟三：將經(jīng)過特征融合后的過程數(shù)據(jù)作為時段訓(xùn)練數(shù)據(jù)，建立基于RVM的時段軟測量模型；

步驟四：利用在線過程數(shù)據(jù)對所建立的軟測量模型進行在線測試，驗證所建軟測量模型的預(yù)測精度。

所述步驟一，具體包括：

假設(shè)間歇過程數(shù)據(jù)為{X(I×J₁×K),Y(I×J₂×K)}，其中I表示間歇過程批次數(shù)，J₁表示輔助變量個數(shù)，J₂表示質(zhì)量變量個數(shù)，K表示樣本數(shù)據(jù)個數(shù)。

將X按采樣點方向展開，得到二維數(shù)據(jù)矩陣X_s(K×IJ₁)，并按列方向?qū)⑵錁?biāo)準(zhǔn)化為零均值和單位方差，得到用于時段劃分的數(shù)據(jù)集