[发明专利]一种基于在线选择性集成的自适应软测量建模方法

说明书

本发明公开了一种基于在线选择性集成的自适应软测量建模方法，属于工业过程软测量建模领域。本发明针对过程数据呈现时变性、非线性、多模式、多时段等特性导致常规软测量建模方法不佳的问题，引入局部建模方法构建多样性的子模型，实现对复杂过程特征的精准描述，采用选择性集成思想对子模型进行自适应融合，从而实现对关键性能指标的准确估计。首先，结合K‑means和KNN的优势构建多样性的局部区域，同时建立相应的局部模型，随后采用概率分析剔除冗余区域和对应的局部模型。此外，在在线预测阶段，采用最近获得的历史样本作为验证集选择最佳候选局部模型，并确定模型集成权重，然后实现局部预测结果的自适应融合。

技术领域

本发明涉及工业过程控制领域，尤其涉及一种基于在线选择性集成的自适应软测量建模方法。

背景技术

工业过程的实时在线监测与控制已经成为提高企业生产效率和保障生产安全的重要手段，这很大程度取决于过程关键产品质量指标的测定。在许多情况下,由于恶劣的测量环境、昂贵的测量仪器及测量滞后性等因素,不能及时对关键产品质量参数进行在线检测。为此,软测量技术通过建立难测主导变量与易测辅助变量之间的数学模型,来实现对主导变量的预测估计。

对于现代工业生产中涉及复杂的操作条件，传统的单一软测量模型不再适用，多模式建模成了必然选择。对于具有单个全局模型的非线性建模，一种众所周知的替代方法是采用多个局部模型，它们也能够捕获过程状态的非线性。多个局部建模的本质是将模型输入空间划分为多个区域，每个区域都由一个局部模型覆盖。通过足够精细的分区，可以使用简单的线性模型准确地对每个局部区域中的过程特征进行建模。其中一种典型的在线局部区域建模是即时学习，它通过在线选择查询点的相似样本构建局部模型，完成预测后抛弃模型，然后等待下一次预测的到来。另外一种局部区域的构建是在离线阶段完成所有局部模型的构建，然后在线预测时根据具体需求选择一个、多个或全部局部模型参与预测，最后将预测值融合预测输出。后者的离线局部学习建模方法也可称为集成学习，这种方法在工业过程的软感建模中被广泛使用，也可以进一步提高模型的非线性处理能力。

由上述背景可知集成学习对于处理过程数据十分重要，其首要任务是划分多个局部区域。但是在工业过程中，不同时段操作模式之间通常难以确定明确的界限，传统的划分方法难以处理过程的过渡特征，所以本发明结合K-means和KNN的优势构建多样性的局部区域。随后，局部模型的融合也十分重要。较为常见的集成方法是简单平均，但研究发现加权平均更为有效。加权集成又可分为非自适应集成和自适应集成。非自适集成方法中，可使用线性回归确定权值，或者使用非线性回归模型来描述局部输出值与集成输出值之间的关系。非自适应集成方法倾向于赋予训练性能高的模型更大的权重，这可能导致过拟合，从而降低泛化性能。而且由于过程的时变特性，非自适应加权方法也变得不合时宜。

此外，选择合理的基模型集成方法也是至关重要的。在产生大量的基模型之后，难免会存在部分基模型相关性强、性能不佳的现象。如果将所有基模型用于集成，会造成集成建模复杂度提升，甚至恶化预测性能。所以本发明在线预测阶段，采用最近获得的历史样本作为验证集选择最佳候选局部模型，并确定模型集成权重，来实现局部预测结果的自适应融合。

发明内容

本发明为了解决软测量建模在工业过程应用中由于过程特征变化造成的模型性能逐步退化等问题，提出一种基于在线选择性集成的自适应软测量建模方法，该方法融合了JIT学习、移动窗口、选择性集成学习和自适应更新机理，有效处理过程的时变特征，遏制模型性能的恶化，实现工业过程中关键参数的在线估计。

本发明针对过程数据呈现时变性、非线性、多模式、多时段等特性导致常规软测量建模方法不佳的问题，引入局部建模方法构建多样性的子模型，实现对复杂过程特征的精准描述，采用选择性集成思想对子模型进行自适应融合，从而实现对关键性能指标的准确估计。首先，结合K-means和KNN的优势构建多样性的局部区域，同时建立相应的局部模型，随后采用概率分析剔除冗余区域和对应的局部模型。此外，在在线预测阶段，采用最近获得的历史样本作为验证集选择最佳候选局部模型，并确定模型集成权重，然后实现局部预测结果的自适应融合。