基于协同训练LWPLS的青霉素生产过程的控制方法

摘要

本发明公开了基于协同训练LWPLS的青霉素生产过程的控制方法，用于在建模数据较少条件下的软测量建模并实现对于青霉素生产过程产品信息的预测。本发明利用基于协同训练的局部加权偏最小二乘学方法，建立了一个有效的非线性预测模型，并克服了青霉素生产过程采样数据过少的情况下模型精度不高的问题，提高了针对该过程建立的模型预测准确率和性能，从而使得青霉素生产过程更加可靠，产品质量更加稳定。

主权项

一种基于协同训练LWPLS的青霉素生产过程的控制方法，其特征在于，包括以下步骤：(1)利用集散控制系统以及离线检测方法，收集工业生产过程的数据，所述数据包括主导变量数据和辅助变量数据,所述主导变量数据为青霉素浓度,组成建模用的训练样本集。对于收集到的训练样本集，一部分为既包含主导变量数据也包含辅助变量数据的有标签样本,组成有标签样本集D∈R^K×J，其中，K为有标签样本集中采样数据点的个数，J为有标签样本集中的变量个数，R为实数集；另一部分为只包含辅助变量数据的无标签样本,组成无标签样本集U∈R^N×M，其中，N为无标签样本集中采样数据点的个数，M为无标签样本集中的变量个数，将这些数据存入历史数据库。(2)将有标签样本集D按照生产批次进行分类,针对同一个生产批次中的有标签样本，沿着时间点方向对每一个样本进行排列，得到新的数据矩阵，并对其进行预处理和归一化，即使得各个过程变量的均值为零，方差为1，得到新的二维数据矩阵(3)将步骤2得到的二维数据矩阵分割为自变量矩阵与因变量矩阵其中组成因变量矩阵的因变量数据为主导变量数据,即青霉素浓度；由此,该二维数据矩阵可以重新描述为：$\underset{i=1}{\overset{K}{\Sigma }}{S}_i:(X_i^M,Y_i);$(4)利用步骤3得到的自变量矩阵与因变量矩阵并采用不同的距离度量方式来构造两个不同的初始模型。假设样本之间的距离为d，则相似度ω＝fun(d)分别表示为：ω¹＝e^‑d/10     (1)ω²＝3^‑d/10     (2)由此我们可以获得两个不同的初始局部加权偏最小二乘模型LWPLS1和LWPLS2。(5)首先，利用初始的模型LWPLS1(ω₁＝e^‑d/10)对所有无标签样本进行预测，从无标签样本中选取一个置信度最高的样本，与其预测值一起组成一个新的有标签数据，将其加入到LWPLS2(ω₂＝3^‑d/10)的训练集中，再训练出新的模型LWPLS2，再利用LWPLS2选取置信度最高的无标签样本，与其预测值一起组成一个新的有标签数据，添加到LWPLS1的训练集中更新LWPLS1，如此不断迭代使用无标签数据更新模型训练数据，当达到终止条件时，终止迭代。(6)将建模数据和各个模型参数存入历史数据库和实时数据库中备用。(7)收集新的过程数据，并对其进行预处理和归一化。(8)采用基于协同训练算法的局部加权偏最小二乘方法对工业过程的变量进行预测，根据得到的预测值，对工业过程中的辅助变量数据进行调节，实现工业过程的控制。