[發明專利]半監督RSDAE的非線性PLS間歇過程監測方法

在審

• 申請號: 202110702352.1
• 申請日: 2021-06-24
• 公開（公告）號: CN113420815A
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 任世錦;開紅梅;任珈儀;鞏固;劉小洋
• 申請（專利權）人: 江蘇師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇科專利代理有限責任公司 32102
• 代理人: 杜春秋

本發明涉及一種半監督魯棒稀疏深度自編碼網絡(robust sparse deep auto?encoder,RSDAE)的非線性偏最小二乘（partial least square,PLS）間歇過程監測方法，該方法包括以下步驟：建立半監督魯棒稀疏深度自編碼網絡RSDAE從高維、含噪、稀疏數據集抽取低維數據特征；基于低維特征數據集建立PLS模型；根據建立的非線性PLS模型對間歇過程進行故障監測。本發明充分利用標記和未標記樣本信息并考慮了樣本的稀疏性，更好地獲取數據中隱藏的有用信息，降低深度自編碼網絡隱藏節點數量選取難度，有效地消除了數據中不確定性、冗余信息，提高了模型的魯棒性。

技術領域

本發明屬于工業過程監測技術領域，具體涉及一種半監督RSDAE(robust sparsedeep auto-encoder,魯棒稀疏深度自編碼)的非線性PLS(partial least square,偏最小二乘)間歇過程監測方法。

背景技術

間歇過程作為一種重要的工業生產方式，在生物制藥、食品飲料和精細化工等小批量、高附加值產品生產中得到廣泛應用。隨著生產規模擴大、產品品種增多以及復雜性增加,間歇過程具有強非線性、多模態特性、產品質量測量代價高和不及時等特征。因此，采用合適的質量軟測量工具進行故障檢測與診斷方法，保障復雜工業過程安全運行及產品質量平穩，已經逐漸成為過程控制領域研究的重要問題[參考文獻1-5]。

針對間歇過程監測與質量預測，很多學者提出回歸模型，比如偏最小二乘(partial least squares,PLS)、規范變量分析(canonical variate analysis,CVA)、多線性回歸(Multiple linear regression，MLR)、主成分回歸(principal componentregression,PCR)等質量相關的過程監測技術[參考文獻6-11]。這些方法通過易于測量的過程變量監測質量變量的波動，更有助于對產品質量指標的波動進行實時、在線監控和預測。PLS從高維數據中抽取少量隱藏變量解釋與質量相關的問題，能夠消除過程數據和質量數據中的噪聲，提高過程監測的準確性。PLS可以實現多種數據分析方法的綜合應用,可以集MLR、CVA與PCA的基本功能于一體，基于PLS及其相關擴展模型的質量相關故障檢測與診斷技術成為化工、冶金、食品等領域中最常用的方法[參考文獻3,5,6,8,12,13]。為解決質量預測的非線性問題，參考文獻[3]提出了一種自適應KPLS(Kernel PLS，KPLS),通過引入核函數使得輸入數據線性可分，提高了與質量相關故障的監控效果；參考文獻[8]提出帶有改進貢獻率的核PLS的煉鐵高爐質量預測；為降低冗余特征對質量預測的影響，參考文獻[13]提出一種特征選取KMPLS，提高了預測精度。雖然PLS以及擴展算法在處理數據隱藏特征抽取、非線性數據建模以及數據不確定數據描述方面取得一些進展，成為化工、冶金等多領域故障監測、軟測量建模的有力工具，然而PLS及其擴展方法仍然存在如下問題：(1)工業過程復雜的過程變量具有強耦合性、非線性和稀疏性，存在大量質量無關的冗余過程變量，現有的KPLS本質上是一種單隱層非稀疏數據特征抽取方法，限制了KPLS性能的提高；(2)核函數類型和參數選取影響KPLS模型性能，核函數參數選取仍然依賴先驗知識，難以保證KPLS性能；(3)數據離群點極大地影響PLS以及KPLS模型性能，亟需提高模型的魯棒性；(4)目前工業過程質量數據獲取代價較大導致標記數據樣本數量遠小于過程數據樣本，而大多數PLS以及擴展算法難以利用未標記樣本信息。據我們所知，目前還沒有完全考慮上述問題的改進非線性PLS算法，PLS擴展算法往往只考慮其中一個或者兩個問題。比如在概率框架下的魯棒PPLS、半監督PPLS均為線性模型[參考文獻14,15]，使用混合建模思想的混合PPLS解決非線性問題。非概率框架下的PLS以及擴展算法在上述方面研究還比較薄弱。