基于集成型独立元回归模型的工业过程软测量方法

摘要

本发明涉及一种基于集成型独立元回归模型的工业过程软测量方法，应用于非高斯性工业过程数据。传统的非高斯性软测量回归建模方法需要选择一个的非二次函数，以度量非高斯性大小。然而，不同的工业过程数据或对象会造成实际应用中难以获取足够多的经验知识去指导非二次函数的选择。为此，本发明所涉及的方法通过全面而充分地利用不同的非二次函数来训练得到不同的软测量模型，有效的避免了非二次函数的选择问题。然后，通过加权系数累加得到最终的预测结果，使相应软测量模型的预测精度不再受到非二次函数选择的影响。这大大的提高了软测量模型的预测效果，从而能够对过程中的关键指标或质量指标进行更加精确而可靠的预测。

主权项

一种基于集成型独立元回归模型的工业过程软测量方法，其特征在于，该方法主要包括以下几个步骤：(1)利用集散控制系统收集工业生产过程中容易测量的数据组成软测量模型的输入训练数据矩阵X∈R^n×m，并对其进行标准化处理使各个过程变量的均值为0，标准差为1，得到新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，R^n×m表示n×m维的实数矩阵；(2)采用离线分析手段获取与输入训练数据X相对应的产品成分或质量数据组成输出训练数据Y∈R^n×1，并对其进行标准化处理使各个过程变量的均值为0，标准差为1，得到新数据矩阵(3)按照如下所示步骤对数据矩阵进行白化处理得到数据矩阵Z∈R^n×M，其中，M≤m表示矩阵Z中变量个数：①计算的协方差矩阵其中Φ∈R^m×m，上标号T表示矩阵转置；②计算矩阵Φ的所有特征值和特征向量，并剔除小于0.0001的特征值及其对应的特征向量，得到特征向量矩阵P＝[p₁，p₂，…，p_M]∈R^m×M以及特征值对角矩阵D＝diag(λ₁，λ₂，…，λ_M)∈R^M×M；③对进行白化处理，得到(4)设置保留的独立元个数d，利用白化后的输入Z与输出选择不同的非二次函数建立起相应的MICR软测量模型，并保存各个模型参数Θ_k＝{W_k，B_k}以备用，其中，k＝1，2，3分别为三种非二次函数的标号，W_k∈R^d×m与B_k∈R^d×1分别为第k个MICR模型的分离矩阵和回归系数矩阵；(5)利用各个MICR模型对输入训练数据进行预测得到相应的预测值其中，$Z_k=\bar{X}{W_k}^T{B}_k;$(6)采用最小二乘回归方法得到各个MICR模型预测值的权重比使平方预测误差最小化；(7)收集新的过程容易测量的数据x∈R^m×1，并对其进行标准化处理得到(8)利用各个MICR模型参数分别对进行预测得到相应的预测值其中，为第k个MICR软测量模型预测值；(9)计算对应于当前输入数据的预测输出值