[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

摘要

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。

主权项

1.一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，其特征在于，包括以下步骤：(1)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；(3)采用进化多目标优化方法对训练集D_train中的输入变量和极限学习机模型隐藏层节点数进行优化，剔除冗余或与输出变量弱相关的输入变量，根据优化获得S个Pareto最优解，根据Pareto最优解依次更新训练集D_train中的输入变量，从而获得S个新的训练集并作为新的建模样本数据库；(4)根据S个新的建模样本数据库更新测试集D_test的输入变量对应获得S个测试样本集，对每个测试样本集中的样本依次取做查询样本，根据欧氏距离相似度从对应的新的建模样本数据库中选择P个相似样本构建局部极限学习机模型，即得到S个局部极限学习机模型，获得测试样本集的预测输出(5)根据S个新的建模样本数据库更新验证集D_validate的输入变量对应获得S个验证样本集，对每个验证样本集中的样本依次取做查询样本，根据欧氏距离相似度从对应的新的建模样本数据库中选择P个相似样本构建局部极限学习机模型，即得到S个局部极限学习机模型，并对S个局部极限学习机模型进行集成；(6)对步骤(5)中所得的S个局部极限学习机模型进行修剪，选择预测精度较高的子模型对步骤(4)中的测试样本集构建最终的集成模型。