[发明专利]一种基于多目标优化的集成即时学习工业过程软测量建模方法

说明书

本发明公开了一种基于多目标优化的集成即时学习工业过程软测量建模方法，属于工业过程软测量建模领域。本发明针对工业数据普遍存在的冗余性及过程的非线性问题，采用进化多目标优化的方法对历史样本数据库中的输入变量与模型结构进行优化，剔除与质量变量不相关或弱相关的变量，提高数据库样本质量，同时有效地平衡模型复杂度与预测精度之间的关系。此外，从优化所得的历史样本库中选择与查询样本相似的部分样本构建局部极限学习机模型，并采用选择性集成策略将多目标优化所得的Pareto最优解进行集成，能够有效处理工业过程的非线性问题。本发明通过优化建模数据结构与极限学习机模型结构，提升了工业过程软测量建模的预测精度和计算效率。

技术领域

本发明属于工业过程软测量建模领域，尤其涉及一种基于多目标优化的集成即时学习软测量建模方法。

背景技术

在现代工业生产过程中，为了保证产品质量符合日益严苛的生产指标，需要对一些关键的过程变量或质量变量进行实时在线检测，从而实现生产过程的实时控制。然而，实际的工业生产过程有时处于高温、高压、强腐蚀性等恶劣的环境中，因此对传感器性能的要求极为严苛，而高性能的传感器往往存在成本较高、难以维护等问题，此外，离线分析时间长是制约生产过程实时控制的另一重要因素。软测量的出现为这类难测参数的在线监测提供了一种有效途径。

软测量技术的核心是通过某种最优准则，构建辅助变量(易测变量)与主导变量(难测变量)之间的函数关系式，并通过计算机软件，实现主导变量的在线估计。得益于集散控制系统、数据库等技术的发展，数据驱动软测量建模技术受到了广泛的关注。在数据驱动建模中，以即时学习为代表的局部模型由于采用“分而治之”的思想，具有能够精准地描述局部过程特征，显著降低模型的计算复杂度，有效处理过程的非线性和时变性等特性，在软测量建模领域备受关注。

然而，即时学习技术往往依赖于数据库中的样本，数据库中样本的质量对模型预测精度起着至关重要的作用。而实际的生产过程常常由于传感器冗余、采样频率不一致等因素，使得数据库中的输入变量存在冗余性、输入变量与输出变量之间的弱相关性等缺陷，从而导致模型计算复杂度增加，同时也易发生过拟合等问题。因此，合理改善历史样本数据库的质量对于提高软测量模型的计算效率及预测精确度是至关重要的。此外，由于模型的预测精度与模型复杂度之间往往存在正相关的关系，因此，如何在保证模型预测精度一定的情况下尽可能的降低模型复杂度是本发明拟解决的另一问题。同时，考虑到工业过程往往呈现复杂的过程特性，例如强非线性、时变性等，采用即时学习软测量建模技术仅能获得一系列的次优模型，这些次优模型难以充分考虑过程的不同特性，我们希望通过采用集成学习的策略，将不同的局部模型进行融合，从而获得高性能的软测量模型。

发明内容

本发明所要解决的技术问题是，如何提高软测量建模技术中历史样本数据库的质量以及如何在提高模型预测精度的同时降低模型复杂度的问题。为此目的，本发明提出了一种基于多目标优化的集成即时学习工业过程软测量建模方法，包括以下步骤：

(1)通过集散控制系统或离线检测的方法，收集工业过程数据D，构建用于软测量建模的数据库，通过对工业过程的机理分析，确定与预测变量y相关的辅助变量X，辅助变量X即输入变量，X＝{x₁,x₂,...,x_M}；

(2)对数据库中的所有样本进行归一化处理，并将其分为训练集D_train，验证集D_validate和测试集D_test，其中训练集D_train用于模型的训练，验证集D_validate用于模型参数的优化，测试集D_test用于模型性能的评估；