[发明专利]一种时间维度拓展极限学习机模型的工业过程软测量建模方法

说明书

技术领域

本发明属于工业过程预测和控制领域，尤其涉及一种时间维度拓展极限学习机的软测量建模方法。

背景技术

在传统工业过程中，存在许多对于提高产品质量和保证安全有着至关重要作用过的参数如反应速率、产品成分含量等，但是很多往往难以或者无法直接用传感器加以测量。采用需要大量投资的在线分析仪表进行检测，往往有较大的滞后而使得调节不够及时，从而使产品质量难以得到保证。我们称这些对于工业过程具有重要作用的变量为主导变量，其他的一些已与测量的变量我们称之为辅助变量。软测量实质事通过建立工业过程变量之间的数学模型，实现通过辅助变量预测主导变量的技术方法。在近年来，软测量在工业过程中应用了许多神经网络算法，但是由于神经网络算法仍存在收敛速度较慢，容易陷入局部最优解和泛化性能较差等缺点。

为了克服神经网络算法存在的上述问题，极限学习机作为一种单隐层随机神经网络，能够克服传统神经网络算法反迭代产生的收敛速度慢，陷入局部最优解问题。但是由于其模型的随机性和隐层节点数目往往大于其他神经网络牺牲了泛化性能。为解决这一问题，参考了动态主元分析法使用的在时间维度上拓展动态矩阵的方法提出了时间维度拓展极限学习机模型，通过时间维度拓展的方法，改善了极限学习机模型作为一种非线性方法应用于工业过程极限学习机泛化能力较差的缺点，同时提取了工业过程数据动态性信息，改善了模型建立和预测的性能。

发明内容

本发明的目的在于针对现有技术的不足，提出一种时间维度拓展极限学习机的软测量建模方法。

本发明的目的是通过以下技术方案来实现的：一种基于时间维度拓展极限学习机的软测量模型的建立，主要包括以下几个步骤：

(1)利用集散控制下系统以及离线监测方法，工业生产过程的数据按时间排列的训练样本集X_tr∈R^N×n和Y_train∈R^N×m和测试样本集X_te∈R^K×n和Y_test∈R^N×m。其中N为训练样本长度，n为训练样本维度，K为测试样本集长度。测试样本集为将这些数据存入历史数据库。并且对训练样本集和测试样本按照训练样本集进行前处理和归一化使训练样本集其均值为0且方差为1。

(2)将X_tr和X_te进行时间维度变换，记X_tr(t＝0)为原矩阵，X_tr(t＝k)和X_tr(t＝-k)为顺着时间方向和逆时间方向移动k个时间点的新矩阵，同理的到训练集的X_te的时间维度变换后的矩阵。

(3)按时间差对原训练样本和测试样本采样，即将X_tr和X_t分别进行时间维度拓展，拓展参数为T形成新的测试集X_train∈R^(2T+1)N×n和训练集矩阵X_test∈R^(2T+1)K×n。

(4)对时间维度拓展的样本空间进行极限学习机建模，得到软测量结果。

(5)采用以上得到的基于时间维度拓展极限学习机方法对工业过程的数据进行建模，实现过程的软测量。

本发明的有益效果是：本发明在样本时间维度上进行时间维度拓展动态矩阵的方式提取模型的动态性能，结合极限学习机算法已针对过程的非线性问题，得到了针对工业过程动态性和非线性的软测量算法。在结合过程中，时间维度拓展产生的大量相关性大的动态矩阵，而极限学习机方法可以克服样本相关性大的问题，拓展后的动态矩阵增加的样本量解决了极限学习机即泛化性能不足的问题，最终得到了高速度高精度针对工业过程非线性和动态性的软测量器。

附图说明

图1是极限学习机脱丁烷塔软测量误差图；

图2是时间维度拓展极限学习机脱丁烷塔软测量误差图。

具体实施方式