[发明专利]基于多重动态PLSR模型的产品质量软测量方法

说明书

本发明公开一种基于多重动态PLSR模型的产品质量软测量方法，该发明方法首先为每个测量变量实施动态性选择，剔除与该变量不相关的测量值。其次，利用剔除后的数据作为输入建立PLSR模型。然后，再次利用PLSR算法以这多重PLSR模型的估计值作为输入建立其与质量指标间的回归模型。最后，利用这多重动态PLSR模型来实施在线产品质量软测量。该发明方法由于实施了动态性选择，不仅能区分各个测量变量间的动态性差异，而且还能剔除不相关测量值的干扰影响，从而使相应的PLSR模型具备更好地回归拟合能力。相比于采用单个PLSR模型而言，本发明方法所采用的多重动态PLSR模型能大幅度地改进传统动态PLSR模型的预测精度。

技术领域

本发明涉及一种工业过程软测量方法，尤其涉及一种基于多重动态PLSR模型的产品质量软测量方法。

背景技术

日趋激烈的市场竞争对企业产品的质量提出了越来越高的要求，实时监控产品质量指标或其他某些关键变量是保证生产质量稳定性的根本途径。这些直接或间接能反应产品质量的关键变量通常使用在线分析手段或者离线化验分析方法来获取。然而，在线分析仪器价格高昂、维护成本较高；而离线化验分析需要较长时间测得相应数据，造成严重的滞后，无法及时反映当前质量状况。为了能以低成本实时获取产品质量信息，软测量技术应运而生。其基本思想在于：针对无法测量或难以测量的关键过程变量，利用与之相关的其他容易测量的过程变量，估计出该关键变量的测量值以便实时监控产品的质量信息。从软测量方法的基本思想可以看出，软测量技术的实施关键在于如何选择易测量的变量，以及如何确定回归模型。

在当前已有的文献与专利资料中，建立回归模型常采用的方法有：统计回归法、神经网络、支持向量机等。在数据量充分以及非线性特性很强的条件下，利用神经网络与支持向量机所建立的回归模型精度高，通常能取得较好的软测量效果。相比之下，统计回归法所需的数据量较小，而且训练时间很短，已越来越多地被应用在软测量建模领域。在众多的统计回归方法中，偏最小二乘回归(Partial Least Square Regression，PLSR)是最基本也是最常用的算法。近年来，对PLSR的改进举措也层出不穷，衍生出了诸如核PLSR、动态PLSR等回归模型。其中，动态PLSR模型将采样数据的自相关性考虑进来，能较好地应对工业过程数据的动态特性。相比于原始的PLSR模型，动态PLSR较大地改善了回归模型的软测量精度。

然而，动态PLSR模型通常是利用系统中所有易测量的变量及其延时测量值作为输入建立模型。可以想象的是，利用所有测量变量及其延时测量值作为输入容易给回归模型引入干扰。也就是说，某些与质量指标不相关的变量有可能会降低模型拟合精度。因此，动态PLSR模型在实际应用中还存在一定的局限性。此外，考虑到现代工业过程的复杂特性，采样数据间的动态性(主要体现在不同采样时刻上的自相关性与交叉相关性)也会因不同变量而存在差异。直接为每个测量变量引入相同延时测量值不仅会引入干扰，而且各个变量的动态特性未能得到很好的区分。为此，需要设计出一个更加实用的动态PLSR回归模型以改进传统动态PLSR模型回归拟合的精度。

发明内容

本发明所要解决的主要技术问题是：为每个测量变量区分出其各自的动态特性，从而改进传统基于动态PLSR模型的产品质量软测量方法的性能。为此，本发明提供一种基于多重动态PLSR模型的产品质量软测量方法。该发明方法首先为生产过程中容易测量的变量引入多个延时测量值。其次，针对每个测量变量，计算其与其它变量及不同延时测量值之间的相关性，并根据相关性数值的大小剔除与该变量不相关的测量值。紧接着，利用剔除后的数据作为模型输入，建立其与质量指标间的PLSR模型。然后，再次利用PLSR算法以这多重PLSR模型的预测数据作为输入建立其与质量指标间的回归模型。最后，利用多重模型的回归系数向量来实施在线产品质量软测量。

本发明解决上述技术问题所采用的技术方案为：一种基于多重动态PLSR模型的产品质量软测量方法，包括以下步骤：