[發明專利]一種用于特殊精餾過程組分在線檢測軟測量方法

在審

• 申請號: 202111414908.3
• 申請日: 2021-11-25
• 公開（公告）號: CN114139446A
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 單寶明;郭魯鈺;杜康;張方坤;徐啟蕾;朱兆友
• 申請（專利權）人: 青島科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06Q10/04;B01D3/14
• 代理公司: 北京東方盛凡知識產權代理事務所(普通合伙) 11562
• 代理人: 李瑞雨

本發明公開一種用于特殊精餾過程組分在線檢測軟測量方法，包括步驟一、采用主元分析隨機森林組合變量選擇軟測量模型輸入變量，步驟二、將廣義魯棒損失函數引入到極限梯度算法并采用貝葉斯法對損失函數超參數進行優化，步驟三、通過軟測量模型輸入變量結合極限梯度算法訓練得到訓練后的ARXGBoost模型，步驟四、將實時數據代入ARXGBoost模型中進行在線檢測；本發明的自適應更新的魯棒極限梯度提升算法具有極佳的預測性能，實現了軟測量的自動更新，增強了算法的自適應能力，提高預測的可靠性，對組分進行在線測量和預測，實現組分的直接控制，采用了自適應調整的魯棒參數，動態階段的預測效果良好。

技術領域

本發明涉及精餾過程控制技術領域，尤其涉及一種用于特殊精餾過程組分在線檢測軟測量方法。

背景技術

特殊精餾過程由于被控量多、組分間相互作用復雜，導致在很多控制策略中都必須用到組分控制器才能達到產品質量控制要求，然而，實際工業過程中產品組分在線檢測依然存在很多問題，現有測量方法多存在精度不高、測量滯后、可靠性差、成本高等諸多問題，測量結果難以用于組分控制，而軟測量技術利用易于獲取的其它測量信息，通過計算來實現對被測變量的估計，實現組分信息的間接測量，有效地解決特殊精餾存在的組分實時在線測量問題，軟測量近年來發展迅速，己經成為當前工業過程先進控制技術發展的主導方向之一；

傳統的軟測量算法預測效果差，模型不易調參，易受異常值的影響，難以應用于控制系統中，無法實現直接控制，對異常值的影響大，無法用于工業中，因此，本發明提出一種用于特殊精餾過程組分在線檢測軟測量方法以特殊精餾過程由于被控量多、組分間相互作用復雜，導致在很多控制策略中都必須用到組分控制器才能達到產品質量控制要求。然而。

發明內容

針對上述問題，本發明的目的在于提出一種用于特殊精餾過程組分在線檢測軟測量方法，該用于特殊精餾過程組分在線檢測軟測量方法的自適應更新的魯棒極限梯度提升算法具有極佳的預測性能，實現了軟測量模型的自動更新，增強了算法的自適應能力，提高預測的可靠性，對組分進行在線預測，實現組分的直接控制，損失函數自適應更新，動態階段的預測效果良好。

為實現本發明的目的，本發明通過以下技術方案實現：一種用于特殊精餾過程組分在線檢測軟測量方法，包括以下步驟：

步驟一、采集歷史數據并將其歸一化后通過主元分析提取主元變量，將主元變量作為輸入建立隨機森林模型得到變量重要性指標，并選擇隨機森林重要性指標大的變量值作為輸入變量導入軟測量模型；

步驟二、將廣義魯棒損失函數引入到極限梯度算法，采用貝葉斯優化并將步驟一選擇的隨機森林重要性指標帶入，對廣義魯棒損失函數的超參數進行優化得到自適應更新的魯棒損失函數；

步驟三、將步驟一選擇的隨機森林重要性指標帶入自適應更新的魯棒損失函數進行離線訓練得到訓練好的ARXGBoost模型，并完成預測；

步驟四、利用訓練后的ARXGBoost模型，將獲取的實時數據作為輸入導入模型中進行在線檢測；

進一步改進在于：所述步驟一中主元分析隨機森林重要性指標變量選擇方法中，在隨機森林變量選擇之前引入主成分分析，經過主成分分析輸出的主元將當前特征轉化為相關性低、變異大的新空間，并過濾一部分無關噪聲。

進一步改進在于：所述步驟一中將得到的主元變量進行特征值分解，特征值分解方法是隨機選擇特征值進行分裂生成樹，并統計每一棵樹中分支節點的Gini指數下降程度之和得到特征的重要性，且隨機森林采用的是并行的裝袋法。

進一步改進在于：所述特征值分解后進行負荷矩陣、主元成分、殘差負荷矩陣以及殘差矩陣的計算，再將分解后的特征值作為輸入建立隨機森林模型，得到變量重要性指標，并將變量重要性指標對應的變量作為軟測量模型的輸入變量。

進一步改進在于：所述步驟二中的優化包含以下三個方面