[發(fā)明專利]一種用于特殊精餾過(guò)程組分在線檢測(cè)軟測(cè)量方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111414908.3
• 申請(qǐng)日: 2021-11-25
• 公開(kāi)（公告）號(hào): CN114139446A
• 公開(kāi)（公告）日: 2022-03-04
• 發(fā)明（設(shè)計(jì)）人: 單寶明;郭魯鈺;杜康;張方坤;徐啟蕾;朱兆友
• 申請(qǐng)（專利權(quán)）人: 青島科技大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06K9/62;G06Q10/04;B01D3/14
• 代理公司: 北京東方盛凡知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11562
• 代理人: 李瑞雨

1.一種用于特殊精餾過(guò)程組分在線檢測(cè)軟測(cè)量方法，其特征在于包括以下步驟：

步驟一、采集歷史數(shù)據(jù)并將其歸一化后通過(guò)主元分析提取主元變量，將主元變量作為輸入建立隨機(jī)森林模型得到變量重要性指標(biāo)，并選擇隨機(jī)森林重要性指標(biāo)大的變量值作為輸入變量導(dǎo)入軟測(cè)量模型；

步驟二、將廣義魯棒損失函數(shù)引入到極限梯度算法，采用貝葉斯優(yōu)化并將步驟一選擇的隨機(jī)森林重要性指標(biāo)帶入，對(duì)廣義魯棒損失函數(shù)的超參數(shù)進(jìn)行優(yōu)化得到自適應(yīng)更新的魯棒損失函數(shù)；

步驟三、將步驟一選擇的隨機(jī)森林重要性指標(biāo)帶入自適應(yīng)更新的魯棒損失函數(shù)進(jìn)行離線訓(xùn)練得到訓(xùn)練好的ARXGBoost模型，并完成預(yù)測(cè)；

步驟四、利用訓(xùn)練后的ARXGBoost模型，將獲取的實(shí)時(shí)數(shù)據(jù)作為輸入導(dǎo)入模型中進(jìn)行在線檢測(cè)。

2.根據(jù)權(quán)利要求1所述的一種用于特殊精餾過(guò)程組分在線檢測(cè)軟測(cè)量方法，其特征在于：所述步驟一中主元分析隨機(jī)森林重要性指標(biāo)變量選擇方法中，在隨機(jī)森林變量選擇之前引入主成分分析，經(jīng)過(guò)主成分分析輸出的主元將當(dāng)前特征轉(zhuǎn)化為相關(guān)性低、變異大的新空間，并過(guò)濾一部分無(wú)關(guān)噪聲。

3.根據(jù)權(quán)利要求1所述的一種用于特殊精餾過(guò)程組分在線檢測(cè)軟測(cè)量方法，其特征在于：所述步驟一中將得到的主元變量進(jìn)行特征值分解，特征值分解方法是隨機(jī)選擇特征值進(jìn)行分裂生成樹(shù)，并統(tǒng)計(jì)每一棵樹(shù)中分支節(jié)點(diǎn)的Gini指數(shù)下降程度之和得到特征的重要性，且隨機(jī)森林采用的是并行的裝袋法。

4.根據(jù)權(quán)利要求3所述的一種用于特殊精餾過(guò)程組分在線檢測(cè)軟測(cè)量方法，其特征在于：所述特征值分解后進(jìn)行負(fù)荷矩陣、主元成分、殘差負(fù)荷矩陣以及殘差矩陣的計(jì)算，再將分解后的特征值作為輸入建立隨機(jī)森林模型，得到變量重要性指標(biāo)，并將變量重要性指標(biāo)對(duì)應(yīng)的變量作為軟測(cè)量模型的輸入變量。

5.根據(jù)權(quán)利要求1所述的一種用于特殊精餾過(guò)程組分在線檢測(cè)軟測(cè)量方法，其特征在于：所述步驟二中的優(yōu)化包含以下三個(gè)方面

S1、采用一階導(dǎo)數(shù)和二階導(dǎo)數(shù)替代損失，在目標(biāo)函數(shù)中引入正則化項(xiàng)，并采用貝葉斯優(yōu)化來(lái)對(duì)廣義魯棒損失函數(shù)的超參數(shù)進(jìn)行優(yōu)化，實(shí)現(xiàn)損失函數(shù)的自適應(yīng)更新；

S2、利用基于加權(quán)分位數(shù)圖的最優(yōu)分裂點(diǎn)搜索算法，將連續(xù)的特征值按分部劃分到對(duì)應(yīng)的塊中，并對(duì)每個(gè)塊中的樣本進(jìn)行累加，在建樹(shù)前按特征進(jìn)行分塊并排序，在塊里面保存排序后的特征值及對(duì)應(yīng)樣本的索引；

S3、根據(jù)實(shí)際工程中會(huì)出現(xiàn)輸入值稀疏的情況，讓模型自動(dòng)學(xué)習(xí)缺失數(shù)據(jù)的默認(rèn)切分方向，并在每次的分切中令缺失值分別被切分到左節(jié)點(diǎn)以及右節(jié)點(diǎn)，再通過(guò)計(jì)算的分值來(lái)得到更優(yōu)的切分方法。

6.根據(jù)權(quán)利要求1所述的一種用于特殊精餾過(guò)程組分在線檢測(cè)軟測(cè)量方法，其特征在于：所述步驟二中魯棒損失函數(shù)的自適應(yīng)更新采用貝葉斯優(yōu)化器來(lái)優(yōu)化引入的廣義魯棒損失函數(shù)的超參數(shù)，并考慮前一時(shí)刻的參數(shù)信息對(duì)當(dāng)前參數(shù)進(jìn)行調(diào)節(jié)，完成魯棒損失函數(shù)的自適應(yīng)更新。

7.根據(jù)權(quán)利要求1所述的一種用于特殊精餾過(guò)程組分在線檢測(cè)軟測(cè)量方法，其特征在于：所述步驟三中完成預(yù)測(cè)的具體方法是通過(guò)計(jì)算得到預(yù)測(cè)值，其計(jì)算方法是將目標(biāo)函數(shù)定義為損失函數(shù)與正則化項(xiàng)的和，損失函數(shù)衡量預(yù)測(cè)值和實(shí)際值之間的差異，并通過(guò)最小化目標(biāo)函數(shù)得到迭代預(yù)測(cè)值。