[发明专利]基于混合MPLS的多阶段过程质量预报方法

说明书

技术领域

本发明属于自动化控制技术领域，具有涉及一种基于混合MPLS的多阶段 过程质量预报方法。

背景技术

在工业过程中，由于工艺和检测技术的限制，产品的质量指标难以在线直接测量，需要离线分析得到， 导致产品质量信息具有一定的时间滞后性，使得产品质量很难得到在线反馈和控制。但是工业过程中许多 易于测量的过程变量蕴含着最终的质量信息，可以通过分析过程变量和产品质量测量值之间的关系，进而 对产品生产过程建模，实现对产品质量的在线预测。

传统的基于解析模型的生产过程质量预测需要准确的数学和生产经验，从而限制了其实际应用。多向 主元分析(Multi-way Principle Component Analysis，MPCA)和多向偏最小二乘(Multi-way partial Least Squares，MPLS)是经常采用的统计过程控制方法(Multiple Statistical Process Control，MSPC)。MPLS是采 用多元统计分析方法，将过程数据和质量数据从高维数据空间投影到低维特征子空间，所得到的特征变量 保留了原始数据的特征信息，是一种高维数据处理的有效工具。但是传统的MPLS使用整个处理过程数据 作为输入，提取和质量变量最相关的特征过程变量，所建立的预报模型需要全局的处理数据之间高度的相 关性，忽略了局部的反应过程对最终质量的影响。事实上，工业生产过程存在多阶段、局部性等固有特征。 因此更多潜在的局部信息可以通过将数据分为更有意义的数据块进行分析，多阶段方法广泛地应用在在线 和离线的质量预报。Duchesne等提出轨迹Multi-block PLS方法，利用中间过程质量信息提取多阶段和质 量变量相关的特征，但是工业过程中中间质量信息很少，限制了该方法的应用。于涛等应用MPCA方法对 按批次展开的时间块进行PCA计算，通过第一主元的变化和阶段内负载矩阵的变化作为依据进行阶段划 分，再在相关阶段建立PLS模型，取得一定质量预报效果。但是对测量变量的PCA分析未能有效地解释 质量相关的变化，而且各阶段模型相互独立，未能反应局部过程对最终质量的影响。

发明内容

为了克服现有技术的不足，提出了一种基于混合MPLS的多阶段过程质量预报方法。首先， 利用GMM模型对每批次采集数据进行阶段识别。针对多批次同一子阶段长度不等问题，应 用动态时间归整(Dynamic time warping，DTW)算法依据相似度最小和最长反应持续时间同 步为等长轨迹。并在同步后的数据集中按变量展开方式建立单MPLS模型。其次，根据Fisher 判据分析(Fisher Discriminant Analysis，FDA)方法寻找各数据集之间最佳的投影向量，最小化 子阶段数据样本间的相关性，并引入核密度方法估计各子阶段数据在最佳投影向量上的概率 密度分布，来在线监测阶段切换。最后，利用贝叶斯原则融合各子阶段MPLS模型进行质量 预报。

发明的技术方案为：一种基于混合MPLS的多阶段过程质量预报方法，本方法基于在偏 最小二乘，记作PLS，PLS是多元统计分析中一个重要的方法，研究多维矩阵X和Y之间的 关系，寻找最优的低维特征解释方向，多向偏最小二乘方法，记作MPLS，是PLS的一种推 广形式，其通过将多批次的历史过程数据矩阵X(I×J×K)和质量数据矩阵Y(I×M×K)以变量方 式展开为二维矩阵X(IK×J)和Y(IK×M)，并提取低维的潜在特征；

MPLS形式如下：

X(IK×J)＝TP^T+E

Y(IK×M)＝QU^T+F

式中，T(IK×A)，P(J×A)为矩阵X的得分和负载矩阵，同一子阶段内数据分布相似，不同阶段间的分布差 异很大，为了保证子阶段内相似数据分布的预报性能，分别建立各子阶段MPLS模型，并结合Fisher判据 分析和核密度估计方法优点提出一种FDA_Kernel状态监测方法，显著子阶段内以及阶段间的状态切换， 实现多阶段状态监测，根据贝叶斯原则在FDA_Kernel状态监测中融合质量变量信息得到混合MPLS模型，

具体步骤为：

第一步，进行离线建模

1)对I批历史过程数据x_i(K×J)和质量数据y_i(K×M)进行标准化。并根据GMM模型对过程和质量数据组 成的高维分布进行阶段识别，得到每批次p个子阶段数据子集，其中i为对应历史过程批次，J为测量变 量个数，M为质量变量个数，K为批次反应时间；