[发明专利]一种分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法

说明书

本发明公开了一种分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法，用于复杂多变的多阶段性的化工过程。该方法是一种在线的多模型策略。用高斯混合模型对过程的不同阶段进行辨识，对各阶段的数据进行主成分分析，依据各辅助变量在主元空间上的贡献度，将各模态数据分别划分成若干子空间，建立相应的高斯过程回归软测量模型。当新的数据到来时，采用子空间PCA进行变量选择，根据离线建立的软测量模型，可得到各模型的预测输出。对子空间模型输出进行均值融合，可得到第一层集成输出，即各模态下的局部预测输出，最终根据计算得到的新的数据隶属于每个不同阶段的后验概率，用后验概率对各模态局部预测进行融合，得到第二层集成输出。能够对关键变量进行精确预测，从而提高产品质量，降低生产成本。

技术领域

本发明涉及一种分层集成的高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法，属于复杂工业过程建模和软测量领域。

背景技术

化工、冶金和发酵等工业过程中的一些重要质量变量，往往无法或难以通过在线仪表测量。基于数据驱动的软测量建模方法，无需深入了解过程的机理知识，在工业过程建模中得到了广泛应用。常用的线性建模方法如主成分回归(Principal componentregression,PCR)、偏最小二乘(Partial least squares,PLS)等可以很好的处理过程数据间的线性关系并进行建模。

然而，化工过程常呈现显著的非线性特征，因此非线性建模方法如人工神经网络(Artificial neural networks,ANN)、支持向量机(Support vector machine,SVM)和高斯过程回归(Gaussian process regression,GPR)等得到广泛应用。针对化工过程中的多阶段特征，各种聚类算法如K均值(K-means)、模糊C均值(Fuzzy C means，FCM)和高斯混合模型(Gaussian mixture model,GMM)等被广泛用于过程数据的阶段划分，从而提取多阶段特征。

集成学习思想的本质是将一系列有差异的模型进行组合，以提高模型的泛化能力与预测精度。集成学习的首要任务是划分子数据集，常用的划分方法有Bagging、Boosting、聚类和子空间方法等。Chen等采用Bagging算法提升高斯过程回归模型的泛化能力与预测精度，通过聚丙烯聚合过程验证了所提方法的有效性；Cao等采用Boosting算法产生若干有差异的样本子集，并将所提方法应用于心脏病数据的分类和近红外光谱数据的回归预测，可以有效的增强模型的分类性能和预测精度；Li等采用聚类算法将原始数据集划分为不同的子样本集，通过对子模型的融合得到最终的预测输出，结合不同数据集的仿真对所提方法的有效性进行了验证；Ge等采用子空间PLS方法将原始数据集划分为不同的子样本集，并建立相应的PLS回归模型，采用均值融合方式到最终的预测输出，实现了对近红外光谱蛋白质含量的预测。

Bagging、Boosting和聚类三种方法在样本维度上划分子数据集，子空间方法在变量维度构建子数据集。常规的集成学习仅从单一的样本或变量维度建立软测量模型，没有充分利用样本所包含的两个维度信息，因此Wang等提出了一种分层集成的软测量模型结构，采用GMM进行样本划分，利用随机重采样策略和偏互信息准则进行变量的划分与选择，达到增强模型的多样性，最后采用PLS剪枝技术去除冗余模型，所提方法的有效性在田纳西化工过程与工业橡胶混合过程得到了验证。虽然采用随机重采样策略可以增强模型的泛化能力，但是模型结构存在一定的不确定性。