[发明专利]基于潜变量过程迁移模型的修正自适应批次过程优化方法

权利要求书

1.一种基于潜变量过程迁移模型的修正自适应批次过程优化方法，其特征在于，包括以下步骤：

获取旧批次过程的输入数据和输出数据，并获取新批次过程的输入数据和输出数据；

根据所述旧批次过程的输入数据和输出数据、所述新批次过程的输入数据和输出数据建立潜变量过程迁移模型；

在以所述新批次过程进行生产时，根据所述潜变量过程迁移模型和当前批次的最优输入数据获取当前批次的预测输出数据，并根据所述潜变量过程迁移模型和当前批次的输入数据获取下一批次的最优输入数据；

根据所述当前批次的最优输入数据和实际输出数据对所述潜变量过程迁移模型进行更新；

根据所述新批次过程中多个批次的预测输出数据和实际输出数据判断所述新批次过程的稳定性是否满足要求；

如果所述新批次过程的稳定性满足要求，则对所述旧批次过程的输入数据和输出数据进行部分数据的剔除，

根据所述旧批次过程的输入数据和输出数据、所述新批次过程的输入数据和输出数据建立潜变量过程迁移模型，具体包括：

获取所述旧批次过程的输入数据、所述新批次过程的输入数据按照批次方向展开得到的输入数据矩阵X_a、X_b，并获取对应的所述旧批次过程、所述新批次过程的输出数据矩阵Y_a、Y_b，其中，X_a、X_b中的元素为操作变量，Y_a、Y_b中的元素为产品质量变量，X_a∈R^M×i、X_b∈R^N×j、Y_a∈R^M×m、Y_b∈R^N×m，其中，M、N分别为旧批次过程和新批次过程的样本数，i、j分别为旧批次过程和新批次过程的操作变量个数，m为质量变量个数；

对所述输入数据矩阵X_a、X_b和所述输出数据矩阵Y_a、Y_b进行标准化处理以建立所述潜变量过程迁移模型，

对所述输入数据矩阵X_a、X_b和所述输出数据矩阵Y_a、Y_b进行标准化处理以建立所述潜变量过程迁移模型，包括：

a)分别将Y_a、Y_b的第一列赋值给u_a、u_b，其中u_a、u_b分别为所述旧批次过程的输出数据矩阵的得分向量、所述新批次过程的输出数据矩阵的得分向量；

b)将X_a、X_b回归到u_a、u_b以计算回归系数w_a、w_b，即：

w_a＝X_a^Tu_a(u_a^Tu_a)^-1,w_b＝X_b^Tu_b(u_b^Tu_b)^-1；

c)标准化所述回归系数w_a、w_b，即：

d)将联合输出矩阵回归到联合得分向量t_J以得到Y_J的联合负载向量q_J，即：

q_J＝Y_J^Tt_J(t_J^Tt_J)^-1；

e)将Y_a、Y_b回归到q_J以重新计算u_a、u_b，并通过与u_a、u_b的初始值做比较以判断u_a、u_b的收敛性，如果不收敛，则使用重新计算得到的u_a、u_b的值并返回步骤b；

f)如果收敛，则计算X_a、X_b的负载向量p_a、p_b：

p_a＝X_a^Tt_a(t_a^Tt_a)^-1、p_b＝X_b^Tt_b(t_b^Tt_b)^-1，

其中，t_a、t_b分别为当前所述旧批次过程、所述新批次过程的输出数据矩阵X_a、X_b的得分向量；

g)根据X_a＝X_a-t_ap_a^T、X_b＝X_b-t_bp_b^T对X_a、X_b进行更新，然后返回步骤a提取下一个主成分，重复步骤直至提取到预设数量的主成分；

h)获得所述新批次过程的输入数据矩阵X_b对应的负载矩阵P_b＝[p_b1，…，p_bA]、回归系数矩阵W_b＝[w_b1,...,w_bA]以及联合输出矩阵Y_J对应的负载矩阵Q_J＝[q_J1,...,q_JA]；

i)得到所述潜变量过程迁移模型：

其中，为预测输出数据，x_new为新的输入数据，

根据所述潜变量过程迁移模型和当前批次的输入数据获取下一批次的最优输入数据，具体包括：

根据公式和公式计算当前批次的预测输出数据与当前批次的实际输出数据的梯度，其中，σ_y为质量变量的标准差，σ_u为输入变量的标准差，为回归系数矩阵，Δ为增量符号，x_(k)为当前批次的最优输入数据，x_(k-1)为上一批次的最优输入数据；

求解基于修正的潜变量过程迁移模型预测值的最优化问题，得到下式，并求得下一批次的最优输入数据x_(k+1)，

其中，为标准化的当前批次的输入数据，T为联合得分矩阵，c_pf为输入数据的阈值，是一个根据历史数据计算得到的常数，为经过线性修正的当前批次的预测输出数据，为对象性能指标，为包含输入变量和输出变量的约束条件，为第k个批次预测值的回归系数向量；

判断当前批次的输入数据与求得的下一批次的最优输入数据之差的范数是否小于预设阈值；

如果小于所述预设阈值，则将当前批次的输入数据作为下一批次的最优输入数据；

如果不小于所述预设阈值，则根据公式x_(k+1)＝(I-K)x_(k)+Kx_(k+1)+g·ρ_(k+1)产生新的下一批次的最优输入数据x_(k+1)，并将该新的下一批次的最优输入数据作为所述下一批次的最优输入数据，其中，I为N阶单位矩阵为对角线增益矩阵，ρ_(k+1)为激励信号，g为根据输入数据矩阵元素的幅值大小选取的振幅，

根据所述当前批次的最优输入数据和实际输出数据对所述潜变量过程迁移模型进行更新，具体包括：

根据所述当前批次的最优输入数据和实际输出数据x_(k)、y_(k)更新所述新批次过程的输入数据矩阵和输出数据矩阵X_b、Y_b：

根据更新后的数据X_b(k)、Y_b(k)建立新的潜变量过程迁移模型。