[发明专利]一种带时延估计的加权高斯模型软测量建模方法

说明书

本发明公开了一种带时延估计的加权高斯模型软测量建模方法，属于复杂工业过程建模和软测量领域。所述方法包括采用滑动灰关联度算法估计过程时延参数，提取过程时延信息；当新样本到来时，基于离线阶段估计的时延参数对建模样本进行重构；并通过相对于训练样本的权重，建立加权高斯模型，构建输入和输出变量的联合概率密度函数；最后，通过条件分布函数实时估计输出变量值对关键变量进行精确预测，通过一种直观有效的方式，同时计算复杂低，从过程历史数据库中提取变量的时滞信息用于软测量建模数据重构，校正了输入输出间实际的因果对应关系，有效的解决了过程随机噪声的干扰，得到更加精确的预测结果，从而提高产品质量，降低生产成本。

技术领域

本发明涉及一种带时延估计的加权高斯模型软测量建模方法，属于复杂工业过程建模和软测量领域。

背景技术

在实际工业过程中，一些关键变量的测量对于生产高质量的产品至关重要，但是在现有技术条件和经济代价等问题的约束下，使得直接获取关键变量变得十分困难；基于这样的背景下，软测量技术应运而生；它通过构建过程易测变量和关键变量的函数关系，来推断和估计难测的关键变量，因此得到了广泛应用。

然而实际工业过程数据通常会因为测量变化和传输干扰等因素被随机噪声污染，从而表现出一定的不确定性。传统的建模方法如主成分回归((principle componentregression，PCR)、偏最小二乘回归(Partial Least Squares Regression，PLSR)、人工神经网络(Artificial Neural Network，ANN)和支持向量机(Support Vector Machine，SVM)等都是确定性建模方法，往往会受到数据的随机噪声影响导致模型精度下降。为了更准确地对过程数据进行建模，基于数据密度分布的概率方法，如概率主成分回归(probabilistic principal component analysis，PPCR)和因子分析((Factor analysis，FA)表现出一定的优势。考虑到大多数过程数据近似服从高斯分布，而简单的高斯模型不足以准确地捕捉数据结构。为了解决这一问题，基于高斯混合模型(Gaussian Mixed Model，GMM)的非线性建模方法得到应用。然而，在应用中仍然受到局限。比如，高斯成分个数不易确定，计算负荷和模型复杂性会随高斯成分个数成倍增加等。

一些实际工业过程中存在着时延特性，如系统储蓄单元引起的容积时延，信号传输途中出现的纯时延，物料运输带来的滞后等。这些情况下，若采用不考虑时延特性的软测量建模方法，可能导致辅助变量与主导变量的因果关系发生改变，从而建立的模型精度较差。因此，为了更好地解释过程的因果性，建立精确的软测量模型，建模过程中考虑时延显得尤为重要。

针对时延问题，已有许多学者展开了研究。Fortuna L等利用过程装置工艺设计参数估计时延的大概范围，由于只是粗略地估计时延，因此模型预测精度较差；Komulainen T和Zhang J通过计算输入输出变量间的相关系数来估计时延，只考虑了变量间线性关系，对于非线性过程可能得不到理想的效果；李妍君等采用模糊曲线分析估计时延参数，但是对样本个数却有一定的要求；阮宏镁等运用DE算法优化脱丁烷塔过程变量间的联合互信息来确定过程时延参数，但是智能优化算法容易陷入局部最优，计算复杂度较高。

发明内容

为了解决目前存在的问题，本发明提供了一种带时延估计的加权高斯模型软测量建模方法。

滑动灰关联度分析作为一种异步比较变量间相关程度的方法，对样本的大小没有过高的要求，不需要满足典型的分布规律，而且可以对系统发展态势提供量化的度量，非常适合对工业过程进行时延估计。因此本发明采用该方法确定最优时延。通过引入不同的时延信息扩展输入变量，构造输入变量和输出变量之间的模糊逻辑，从而确定对输出变量最重要的输入变量所对应的时滞值，此时的时延参数则为该输入变量的最优时延。