[发明专利]一种基于JIT-RVM的多模态间歇过程建模方法

说明书

本发明公开了一种基于JIT‑RVM的多模态间歇过程建模方法，属于间歇过程监测技术领域。首先将三维间歇过程历史数据沿时间方向展开并进行标准化；然后利用SCFCM算法对标准化后的数据进行模态划分，得到多个模态数据子集，在RVM中引入即时学习，并引入能够同时从模态归属和结构距离上评价数据相似性的数据融合相似度计算因子，计算实时数据与历史数据之间的数据融合相似度；最后以数据融合相似度最大化为寻优目标，建立即时学习最优训练数据集，进而利用RVM算法建立多模态间歇过程模型。本方法充分考虑了间歇过程数据的动态特性，采用即时学习和数据融合相似度建立了即时学习最优训练数据集，提高了建模精度。

技术领域

本发明涉及一种多模态间歇过程建模方法，属于间歇过程监测技术领域，尤其涉及一种基于即时学习相关向量机(Just-in-time Learning Relevance Vector Machine，JIT-RVM)的多模态间歇过程建模方法。

背景技术

间歇生产过程是精细化工、生物化学、制药以及食品等工业生产领域的一种重要生产方式。建立高质量的间歇过程模型，能够准确描述间歇过程的动态变化，为间歇过程监测与优化控制提供基础。

传统的基于主元回归、偏最小二乘回归、人工神经网络、支持向量回归等数据驱动建模方法缺乏对于模型不确定性的表达，所建模型不具备统计解释性，建模精度较低。基于相关向量机(Relevance Vector Machine，RVM)的建模方法能够将模型参数视为随机变量并赋予先验分布，通过观测数据对分布参数进行修正，并通过贝叶斯推理给出模型的不确定性，使模型具备统计解释性，已应用于间歇过程建模，具有较高的模型精度。然而，实际间歇过程中存在多个生产模态，不同模态具有不同的过程特性，且含有复杂的动态特性，而现有的基于RVM的多模态间歇过程建模方法利用同一模态的过程数据训练模型，使得训练数据集中包含了部分与当前过程特性不相似的无效训练数据，制约了模型精度的提高。

因此，需要在建模前对历史数据进行筛选，提取与当前过程数据最为相似的历史数据建立有效训练数据集。本发明充分考虑间歇过程数据的动态特性，在RVM中引入即时学习和数据融合相似度计算因子，建立了即时学习最优训练数据集，提高了模型的精度。

发明内容

本发明以提高多模态间歇过程建模精度为目的，先将三维间歇过程历史数据沿时间方向展开并进行标准化；然后利用时序约束的模糊C均值聚类(Sequence-ConstrainedFuzzy C-Means，SCFCM)对标准化后的数据进行模态划分，得到多个模态数据子集，在RVM中引入即时学习，并引入能够同时从模态归属和结构距离上评价数据相似性的数据融合相似度计算因子，利用数据融合相似度计算因子计算实时数据与历史数据之间的数据融合相似度；最后，以数据融合相似度最大化为寻优目标，获得即时学习最优训练数据集，进而利用RVM算法建立多模态间歇过程模型。

本发明采用的技术方案为一种基于JIT-RVM的多模态间歇过程建模方法，该方法具体包括以下步骤：

步骤一：将间歇过程状态变量及测量变量三维历史数据沿变量方向展开为二维数据，再将三维历史数据中状态变量数据按时间方向展开为二维数据并标准化数据，由此得到预处理后的间歇过程数据；

步骤二：利用SCFCM算法对步骤一得到的预处理后的间歇过程数据进行模态划分，得到多模态划分结果；

步骤三：利用间歇过程状态变量的机理模型进行状态估计，得到状态变量实时估计数据，根据步骤二所得多模态划分结果，判断间歇过程数据所属模态及其编号；

步骤四：引入数据融合相似度计算因子，计算状态变量实时估计数据与历史数据之间的相似度，提取所有相似历史数据的输入部分及其对应输出值部分，构建即时学习最优相似训练集，建立JIT-RVM模型，最终得到多模态间歇过程模型。

具体而言，步骤一包括如下步骤：