[发明专利]结晶过程晶体尺寸分布的及时在线高斯过程回归模型方法

说明书

结晶过程晶体尺寸分布的及时在线高斯过程回归模型方法，属于工业分布式产品预测技术领域。它包括如下步骤：1、对典型的批量结晶过程提取特征，提取特征参数包括时间、温度和种子长度；2、对提取到的特征建立局部在线高斯过程回归模型进行训练并评估，采用GPR与JIT策略集成对数据进行分析预测。本发明从仿真数据中提取的特征及建立局部在线高斯过程回归模型并对训练模型进行评估，在高斯过程回归模型的基础上集成JIT(just‑in‑time)策略，使其结果更加符合实际标签值，最终其结果可以应用到工业结晶过程的晶体尺寸分布预测过程中，予以一定的指导意义。

技术领域

本发明属于工业分布式产品预测技术领域，具体涉及结晶过程晶体尺寸分布的及时在线高斯过程回归模型方法。

背景技术

目前，由于化学工业中竞争激烈的市场，对产品多样化的需求不断增长，需要更短的产品生命周期和更严格的性能规格，此外，在某些化学过程中，感兴趣的输出产品具有分布性质而不是单一值。在结晶过程中，晶体尺寸分布(CSD)在生产高质量产品和确定下游操作(例如过滤和洗涤)的效率方面至关重要。

为了对那些具有分布式输出的化学过程中的产品质量进行建模，许多先前的研究都集中在分布式质量变量的单一集总值上。例如，熔体指数通常被认为是聚合过程中的产品质量，但是，最近的研究表明，通过调整分布式输出可以进一步提高经济收益，因为它可以显著影响产品质量和流程效率。通常，这样的化学过程是非高斯的，并且也可能表现出很强的非线性，在这些情况下，输出要充分表征过程的随机输出的概率行为。相反，控制器设计的目的应该是针对所需的分布形状跟踪分布的输出，所以，在线获取可靠和准确的分布式输出信息(即产品质量)对于进一步开发良好的控制方案至关重要。

但是，结晶过程中的在线CSD测量仍未解决，对于这些具有分布式输出的复杂过程，尽管许多研究人员做出了巨大努力，但通常很难建立一个全面的第一性原理模型。此外，一组用于分布式输出的偏微分方程仅对白噪声输入有效。因此，对于这些复杂过程的分布式输出控制的实现仍然具有挑战性。

目前，当没有在线分析仪时，数据驱动的建模方法已成为在化学过程中及时在线预测产品质量的有用替代方法。B样条和其他神经网络(NN)是当前处理分布式输出近似的流行方法。但是，对于给定的建模任务，网络拓扑的确定和NN的泛化能力仍未解决，且NN方法通常需要大量的训练示例。

目前，高斯过程回归(GPR)和其他核学习(KL)方法已越来越多地用于化学过程建模中。获得的结果表明，GPR是用于非线性过程建模的有希望的替代方法，尤其是在训练数据有限的情况下。与B样条和基于NN的模型相比，GPR的一个主要优点是它可以针对泛化误差得到其不确定度(也就是给出方差解释)。

但由于高斯过程回归模型是对数据进行全局预测，而全局非线性模型很难在整个复杂的分布式过程中很好地发挥作用，尤其是在不同条件下，将没有足够的数据来训练整个输入空间中的模型。因此，代替构造全局分布式模型，局部建模方法可以将过程区域划分为小的多个区域，并在某些操作区域中提供更好的预测性能。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于提供一种提出结晶过程晶体尺寸分布的局部在线高斯过程回归模型与预测方法，从结晶过程晶体尺寸分布过程中提取相关特征，实现对CSD的准确预测。

本发明提供如下技术方案：结晶过程晶体尺寸分布的及时在线高斯过程回归模型方法，其特征在于包括以下具体步骤:

1)、对典型的批量结晶过程提取特征，具体步骤如下：

1.1)、在结晶过程中获得相关参数数据，重复生成N组数据；

1.2)、每组数据中的时间间隔从0-10000s范围内，等间隔取N1个时间点，每组数据中取温度数据N1个，每组数据中的结晶种子长度从0-0.0015m 范围内等间隔取N2个点；