[发明专利]基于多样性变量加权PLSR模型的工业过程软测量方法

说明书

本发明公开一种基于多样性变量加权PLSR模型的工业过程软测量方法，旨在改善传统PLSR模型用于工业过程软测量的效果。该发明方法主要针对传统PLSR模型用于软测量时两个方面的不足(即：未曾考虑各输入变量重要性差异以及如何建立多样化的PLSR软测量模型)，通过利用输入数据各测量变量间相关性大小的差异为不同变量赋予不同的权值，这不仅将各输入变量间相关性差异考虑进回归模型中，而且还实现了多样化数据特征的目的。之后，原始数据通过这种多样性变量加权后重新作为PLSR模型的输入数据，即可建立多样化的回归模型。最后，这些多样化回归模型对输出的估计值又再次作为PLSR模型的输入数据，从而进一步提升软测量模型的精度。总的来讲，该发明方法充分考虑了各输入测量变量相关性的差异对输出变量的影响，并利用多样化PLSR回归模型有效地提高软测量精度。

技术领域

本发明涉及一种工业过程软测量方法，尤其是涉及一种基于多样性变量加权PLSR模型的工业过程软测量方法。

背景技术

实时监测产品质量信息是保证产品质量稳定与提高企业盈利能力的基本手段，在整个生产自动化系统中占有着重要的地位。随着计算机技术以及先进仪表技术的飞速发展，工业过程可以很容易地测量到流量、液位、压力、温度等信息，直接或间接反应产品质量的信息也能通过仪器仪表测量得到实时数据。然而，相对于流量或温度等仪表，在线实时分析产品质量信息的设备通常价格高昂。若是采用离线分析手段，产品质量数据的获取就存在一定的延时，操作人员因此无法及时而准确的知晓产品质量数据。近十几年来，随着数据驱动方法的广泛应用，软测量技术应运而生。它通过建立生产过程中容易测量的数据与产品质量数据之间的回归模型，实现了对质量数据的实时估计。近年来，针对软测量方法技术的研究已受到了工业界与学术界越来越多的关注。

软测量技术的核心在于建立输入数据(通常是工业过程中易测量的信息，如压力、温度、流量等)与输出数据(通常为能直接或间接反映质量信息的测量指标，如浓度)之间的回归模型。而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，通常能达到较满意的软测量效果。相比较而言，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工业过程软测量领域。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、多重PLSR等回归模型。然而，作为一种最基本的回归建模方法，PLSR在迭代训练模型之前，默认需将输入输出数据进行标准化处理，以消除各测量变量的量纲影响。从某种程度上看，标准化处理后的数据变量其赋予的权值都相等。也就是说，输入数据中各测量变量在建立PLSR模型时是同等重要的。在无法确切知晓每个输入变量如何影响输出变量的前提下，这么预处理数据是可行的。可想而知，这种预处理方法对所有变量一视同仁，不能区分各个测量变量的差异。因此，基于PLSR的软测量模型预测精度还有很大程度的提升空间。

此外，理论和实践都已经证明了通过构建多重模型来建立软测量模型可以使所建立的模型更好地匹配过程数据变化的多样性，进而有效地提高模型的预测精度。这种利用多重回归模型实施软测量的技术手段关键在于如何多样化输入输出数据的特征，并在此基础上建立多样化的回归模型。若是生产过程有足够的经验知识可供参考，根据过程的变化特征多样化输入输出数据就不是什么难题。然而，实际操作中通常是缺乏这些可用来多样化数据的先验知识。因此，在过程经验知识缺乏的前提下，如何描述过程数据变化的多样性并建立多样化的回归模型仍是一个有待解决的问题。

发明内容