[发明专利]基于模糊曲线分析的时间差高斯过程回归软测量建模方法

说明书

本发明公开了一种基于模糊曲线分析的时间差高斯过程回归软测量建模方法，适合应用于具有时滞特性的化工过程。本方法能够从过程历史数据库中提取稳定的时滞信息，引入与主导变量序列更加相关的建模数据。首先，基于模糊曲线分析(FCA)的方法直观判断输入序列对于主导序列的重要性，估计过程时滞参数，用离线条件的时滞参数集对建模数据重构；对于新输入数据，基于一定时刻之前的历史变量值，采用时间差‑高斯过程回归(TDGPR)模型对当前时刻主导变量值在线预测，该方法不存在模型更新的问题，可以很好地追踪输入输出漂移。本发明方法相比于稳态建模方法能够对关键变量进行更精准的预测，从而提高产品质量，降低生产成本。

技术领域

本发明涉及基于模糊曲线分析的时间差高斯过程回归(FCA-TDGPR)的软测量建模方法，属于复杂工业过程建模和软测量领域。

背景技术

在实际工业生产过程控制中，需要对一些关键变量进行严格的把关，以满足一系列质量控制要求，在现有的技术条件以及经济代价等问题的制约下直接获取关键变量十分困难。因此，软测量技术应运而生.它通过构造过程易测变量与难测变量之间的数学关系来推断和估计待测主导变量，用软件的方式进行“测量”。

传统的软测量建模方法大多考虑零时延特性，即考虑输入输出具有同样的采样间隔，且在数据库中按时刻一一对应。然而，通过各个传感器采集的输入数据以及通过实验室分析或者在线仪表获得的输出数据间往往存在着显著的时间滞后，如果继续采用稳态情况下的建模方法，建立的模型已经不能完全解释过程的特性，不符合实际过程的因果关系。为了确保软测量模型能够在较长时间内实现关键变量的精确预测，有必要采取措施引入过程的时滞动态信息。

本质上来说，现有的时滞估计方法大多数都在寻找与主导变量最密切相关的辅助变量用于建模，当投入实际应用中时，需要在算法复杂度与算法精度上取得折衷。针对过程时滞信息的估计问题，目前已有的方法包括互信息(Mutual Information，MI)方法、相关系数的方法等。本发明采用模糊曲线分析(Fuzzy Curve Analysis，FCA)的方法将变量时滞信息引入到软测量模型中，这种方法的特点是计算复杂度较低同时易于理解，能够直观有效地确定输入变量的重要性程度。

为了对过程动态实时有效地进行跟踪和控制，软测量模型性能可以通过周期性地重建来维护，主要方法包括滑动窗(Moving Window，MW)方法、迭代方法和实时学习(Just-in-time Learning，JITL)方法，但是这些方法往往需要频繁地对所建模型进行更新，而时间差(Time Difference，TD)模型不但能够处理随时间推移造成的模型性能下降，能取得更新模型般的追踪过程动态的效果，而且能够使得重建模型的可能性最小化。

近年来，基于数据驱动的软测量建模方法得到了越来越多的关注。一些常用的软方法如偏最小二乘(partial least squares，PLS)、主成分分析(principalcomponentanalysis，PCA)等能够很好地处理输入变量和输出变量之间的线性关系，人工神经网络(artificial neural networks，ANN)、支持向量机(support vectormachine，SVM)、最小二乘支持向量机(least support vector squares support vector machine，LS-SVM)能够有效地处理过程的非线性关系。近年来，高斯过程回归(Gaussian processregression，GPR)作为一种非参数概率模型，不仅可以给出预测值，还可以得到预测值的不确定程度。故本发明选择GPR模型作为基本的软测量建模模型，结合TD思想来有效地处理过程输入输出的漂移。

综上所述，建立一种考虑时滞问题的在线软测量模型，对于过程关键变量的严格控制有着重要的意义。

发明内容