[发明专利]一种基于不完整数据的贝叶斯半监督鲁棒PPLS软测量方法

说明书

本发明公开了一种基于不完整数据的贝叶斯半监督鲁棒PPLS软测量方法，本发明不完整数据的贝叶斯半监督鲁棒概率PLS（Bayesian semisupervised robust PPLS,BSRPPLS）故障监测方法，不同现有基于多元学生分布PPLS建模,该方法使用独立学生分布对每个数据向量噪声进行建模，从利用分布中包含一个可调鲁棒自由度参数，提高了建模的灵活性；使用贝叶斯变分推理方法求解估计后验分布参数；本模型能够使用无污染数据元素重建原始数据，降低被污染元素对重构数据的影响，解决了数据丢失和在野点影响模型精度问题，具有良好的鲁棒性，有利于提高工业过程监测性能和过程运行理解认知水平。

技术领域

本发明属于PPLS软测量技术领域，尤其涉及一种基于不完整数据的贝叶斯半监督鲁棒PPLS软测量方法。

背景技术

着工业4.0时代的到来,现代工业自动化系统不断朝着复杂化、信息化和智能化的趋势发展。过程监测作为保证产品质量稳定性、过程生产设备安全平稳运行的关键,已经成为现代复杂工业系统不可或缺的重要组成部分。在实际过程中,由于外在环境变化、原材料品质波动性、测量设备自身的精度以及设备复杂性，难以直接建立的过程数学监测模型。因此，基于数据动的过程监测理论和技术能够帮助操作人员和工程师进一步了解生产过程相关知识，受到人们的普遍关注，并在实际应用中取得较好的效果[1-5]。典型的过程监测方法主要有主元分析(principal component analysis,PCA)及其改进型，偏最小二乘(partial least squares,PLS),高斯混合模型(Gaussian mixture model，GMM)等统计学习方法[5-8]。考虑到过程模态数据的局部性以及过程本质特征往往位于数据低维空间，流形学习具有描述数据几何结构的强大能力，在非线性维数约简和描述数据局部特性的出色表现。充分利用流形学习描述数据结构优点与经典统计分析方法，是提高故障诊断的准确性和可理解性的可行方法。比如用于故障诊断的常见流形学习方法主要有最大方差展开(maximum variance unfolding，MVU)，统计局部保持投影(locality preservingprojections，LPP),近邻保持嵌入(neighborhood preserving embedding，NPE)及其扩展形式[9-13]。