[发明专利]基于带时间差分贝叶斯网络的自适应软测量预测方法

权利要求书

1.一种基于带时间差分贝叶斯网络的自适应软测量预测方法，其特征在于，包括以下步骤：

步骤一：收集工业过程中的历史数据集：将易于测量的过程变量作为输入，即X＝[x₁；x₂；…；x_n]∈R^n×m，其中X的每一列代表一个过程变量，每一行代表一个样本；将不容易实时测量的质量变量作为输出，即Y＝[y₁；y₂；…y_n]∈R^n×1。

步骤二：计算训练数据集中每一样本与它前一样本的时间差分，得到输入输出变化量Δx_i,Δy_i，所述的时间差分Δx_i,Δy_i的计算公式如下：

Δx_i＝x(t)-x(t-i)(1)

Δy_i＝y(t)-y(t-i)(2)

如果此时样本的前一时刻即x(t-i)中存在某一个或几个变量的缺失，则用x(t-i)的前一时刻x(t-2i)中相应变量值代替。

步骤三：用步骤二计算得到的Δx_i,Δy_i建立贝叶斯网络模型，具体如下：

(a)根据专家知识，将所有易于测量的过程变量均作为父节点，需要预测的质量变量作为上述各父节点的子节点；各父节点与子节点间用一条有向边连接，箭头指向子节点，各父节点之间没有边相连，从而形成贝叶斯网络；

(b)当各节点服从高斯分布时，将所有父节点设置为可观测节点，唯一的子节点设置为隐含节点，将步骤二中计算得到的输入输出变化量Δx_i,Δy_i放入(a)中已建立的贝叶斯网络中，如果此时的建模样本中存在数据缺失现象，将缺失值置为空后，直接进行后面的参数学习；所述的参数学习过程采用EM算法，通过不断迭代给出各个节点参数的最大似然估计；当数据中存在缺失现象时，参数学习的过程大致如下：随机给定缺失数据的初值，根据给定初值估计模型参数；根据估计的模型参数重新计算缺失值，如此反复迭代直至待估计参数收敛；

(c)根据上步参数学习的结果，获得步骤(a)中各节点的先验概率分布，包括各节点的均值和方差，此时得到一个完整的贝叶斯网络。

步骤四：当新来一输入样本x_q时，计算它与上一时刻过程变量的输入变化量Δx_q，将Δx_q作为证据添加步骤三得到的完整的贝叶斯网络中，通过联合树推理引擎获得待预测节点的后验概率分布，包括输出变化量Δy_q的均值和方差，根据公式(2)计算出y_q，并计算实际测量真值y与预测值y_q的误差。

2.根据权利要求1所述的基于带时间差分贝叶斯网络的自适应软测量预测方法，所述的预测误差采用均方根误差RMSE来衡量预测结果的准确性，其计算公式如下：

RMSE=Σi=1n(yreal-ypred)2n---(3)]]>

公式中n表示测试样本的个数，y_real代表测量的真实值，y_pred代表由贝叶斯网络得到的预测值。