[发明专利]基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法

说明书

本发明提供基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法，为使软测量模型在即时学习时能够进行更有效的相似样本选择，借助聚类分析构建新的相似度测度，提出了基于谱聚类分析的即时学习软测量建模方法。为获得可靠的过程阶段划分，采用了聚类稳定性和鲁棒性都较强的谱聚类，并在基于传统欧式距离相似度测度的基础上，结合聚类分析得出查询样本属于各类的后验概率，定义出一个更合适描述过程复杂特性的相似度测度，从而根据查询样本选择相似样本构建局部模型进行在线质量预报。

本发明涉及基于谱聚类分析的即时学习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

目前，化工过程的复杂性正在日益增加，对产品质量的要求也在不断提高，现代工业往往需要装备一些先进的监控系统。然而由于某些关键质量变量的传感器价格昂贵、可靠性差或者具有很大的测量滞后性等缺点，导致一些重要的过程变量不能实时有效地测量。

软测量技术根据某种最优准则构造数学模型，建立易测辅助变量与难测主导变量之间的映射关系，可以有效解决此类问题。软测量模型大体可以分为基于机理、基于数据驱动和两者相结合的三大类。由于现代工业的日益复杂，基于机理的精确模型往往难以获得，发展了大量基于数据驱动的软测量模型，例如：主元回归(Principle ComponentRegression，PCR)、偏最小二乘回归(Partial Least Square Regression，PLSR)和支持向量回归(Support Vector Regression，SVR)等。

一般为了保证软测量模型的性能，要求建模数据必须能够覆盖工业过程中所有工况以适应工况变化。然而对于某一特定的查询样本，其工况特性虽未知却是唯一的，如果采用全部样本建模会将与查询样本特性无关甚至相差较大的样本也用于建模，会导致参数求解不够精确、模型精度低。同时软测量模型在实际应用中，受到外界环境和反应器内部变动的影响，如催化剂活性降低、原料属性变化、设备老化等，其特性难免漂移出之前建立模型的工作点，出现“模型老化”的现象。在这种情况下如果继续采用旧模型进行在线预测，输出预测值与真实值会产生较大的偏差，得不到理想的预测效果，因此模型在线校正能力对实际工业具有重要意义。

即时学习(Just In Time Learning,JITL)是一种常见的模型自适应校正策略。该方法对于查询样本，在历史数据中找出与其最相似的若干样本建立局部模型进行在线质量预报。当新的查询样本到来后，丢弃旧的模型并再次以上述程序为其建立局部模型。相似度测度的构造是JITL建模的核心，对建立局部模型起关键作用。

发明内容

本专利定义了一种基于聚类结果的相似度测度用于即时学习相似样本选择。离线建模时，采用聚类效果较可靠的谱聚类对过程阶段进行划分。在线更新时，将查询样本属于各类的后验概率结合欧氏距离，得到更合理的相似度从而建立更精确的局部模型。该方法不仅能够使模型具备自适应能力以处理时变过程，而且考虑到过程的多阶段特性，充分提取查询样本的特性，更为合理地选择样本建立局部模型，以提升模型在线预测性能。

本发明的目的是通过以下技术方案实现的：

离线建模时，采用聚类效果较可靠的谱聚类对过程阶段进行划分。

在线更新时，将查询样本属于各类的后验概率结合欧氏距离，得到更合理的相似度从而建立更精确的局部模型。

根据相似度选择样本建立软测量模型，在下个查询样本来时，在对其重新计算相似度，选择样本构建局部模型。

附图说明

图1是基于谱聚类分析的即时学习建模流程图；

图2不同相似样本下的RMSE；

具体实施方式

下面结合图1所示，对本发明做进一步详述：