[發明專利]一種半監督動態軟測量網絡的軟測量建模方法

在審

• 申請號: 202010690011.2
• 申請日: 2020-07-17
• 公開（公告）號: CN112001115A
• 公開（公告）日: 2020-11-27
• 發明（設計）人: 劉涵;郭潤元
• 申請（專利權）人: 西安理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06K9/00;G06F17/18
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 楊洲

本發明公開了一種半監督動態軟測量網絡的軟測量建模方法，具體按照以下步驟實施：對訓練集數據基于CEEMD與Isomap方法進行去噪與去冗余處理；對訓練集數據進行序列化與歸一化處理；基于訓練集數據完成半監督動態軟測量網絡的軟測量模型建立。本發明建模方法使用CEEMD和Isomap相結合的方法去除數據的噪聲和冗余，CEEMD具有完備性且其結果無明顯模態混疊現象，Isomap具有很強的非線性特征變換能力，綜合兩者的優點從而對原始數據內部的噪聲和冗余進行有效去除并最大程度的減少信息損失，且對數據進行序列化處理從而引入歷史數據進行動態建模，相比于傳統軟測量方法，使用本發明模型對變量進行預測會更加準確。

技術領域

本發明屬于智能信號處理和工業人工智能技術領域，具體涉及一種半監督動態軟測量網絡的軟測量建模方法。

背景技術

在復雜工業過程中，由于生產環境惡劣、工況復雜、檢測技術有限或成本等原因，過程中的關鍵質量變量往往無法實現可靠、實時的測量。為了克服這一難題，軟測量技術應運而生，它將過程中易于測量的輔助變量作為輸入，想要測量的主導變量作為輸出，建立一個可以對主導變量預測的模型，從而實現對關鍵質量變量的準確估計。

隨著信息技術的發展和分布式控制系統在復雜工業過程中的廣泛應用，海量的工業過程大數據得以采集并用來建立軟測量模型，但外部環境擾動因素以及過程本身的波動包括原料成分變化、數據傳輸和存儲過程中的隨機干擾等因素，導致工業數據往往帶有大量的數據噪聲，同時，海量的工業生產數據不可避免的引入數據冗余問題，即生產過程中反復出現的相同生產狀況以及不同輔助變量間的共線性，數據所含的噪聲和冗余會嚴重影響數據驅動軟測量模型的準確性，需要在預處理階段對其進行去除。另外，工業過程數據常為連續性的時間序列，若對其進行靜態軟測量建模則無法捕捉數據的前后關系，往往導致在實際應用時模型估計精度低，魯棒性差。因此，要想建立準確的數據驅動軟測量模型，需對其進行動態建模。

發明內容

本發明的目的是提供一種半監督動態軟測量網絡的軟測量建模方法，在去除變量數據噪聲和冗余的同時捕捉數據間的動態特性，從而建立精確的動態軟測量預測模型。

為了解決上述技術問題，本發明公開了一種半監督動態軟測量網絡的軟測量建模方法，具體按照以下步驟實施：

步驟1，對訓練集數據基于補充集成經驗模態分解(Complementary EnsembleEmpirical Mode Decomposition，CEEMD)與Isomap方法進行去噪與去冗余處理；

步驟2，對步驟1處理過的訓練集數據進行序列化與歸一化處理；

步驟3，基于步驟2處理的訓練集數據完成半監督動態軟測量網絡(SSDGRU-MLR)的軟測量模型建立。

進一步地，步驟1，對訓練集數據基于CEEMD與Isomap方法進行去噪與去冗余處理，具體步驟為：

步驟1.1，將原始輔助變量訓練數據集X應用CEEMD算法得到各階IMF；

步驟1.2，計算各階IMF與原變量信號的相關系數指標，基于設定的閾值常量對IMF是否為噪聲進行判別，對判別為噪聲的IMF予以剔除，相關系數的計算公式如式下：

式(1)中ρ(X_v(t),c_vi(t))表示原輔助變量X_v(t)和其第i個IMFc_vi(t),i＝1,...,N之間的協方差，和分別為X_v(t)和第i個IMF的標準差，|ρ|取值范圍在0～1之間，越接近1說明相似程度越高；

步驟1.3，對剩余的IMF經Isomap算法進行非線性特征變換，然后使用降維后得到的新模態函數和原余項進行數據重構，最終得到去噪去冗余之后的輔助變量X′。