本發(fā)明涉及一種工業(yè)過程軟測量方法，尤其是涉及一種基于集成變量選擇型偏最小二乘回歸的軟測量方法。

背景技術(shù)：

在現(xiàn)代流程工業(yè)過程中，實時測量與監(jiān)控產(chǎn)品的質(zhì)量指標(biāo)或其他某些能間接反映產(chǎn)品質(zhì)量的指標(biāo)是保證產(chǎn)品質(zhì)量穩(wěn)定性的最直接最簡單的途徑。相比于溫度、流量、壓力等容易測量的數(shù)據(jù)信息而言，這些能直接或間接反映產(chǎn)品質(zhì)量信息的關(guān)鍵變量通常不是那么容易獲取的。以液體產(chǎn)品的濃度為例，獲取濃度信息可通過在線分析儀實時測量，也可通過人工采集液體樣本進(jìn)行離線分析，兩種手段各有優(yōu)劣。在線分析儀雖能保證實時測量到的質(zhì)量信息，但設(shè)備價格高昂，而且后期維護(hù)成本較高。離線分析手段所需設(shè)備價格低廉，但會造成嚴(yán)重的滯后，無法及時反映當(dāng)前質(zhì)量狀況。在這種背景下，軟測量技術(shù)應(yīng)運而生，其基本思想在于：先利用生產(chǎn)過程歷史數(shù)據(jù)建立回歸模型，后在線利用與之相關(guān)的其他容易測量的變量(如溫度、壓力、流量等)，估計出該難以測量變量的數(shù)值以便實時監(jiān)控產(chǎn)品的質(zhì)量信息。

查閱已有的文獻(xiàn)與專利，可以發(fā)現(xiàn)實施軟測量的方法主要有：統(tǒng)計回歸法、神經(jīng)網(wǎng)絡(luò)、支持向量回歸等。通常來講，在數(shù)據(jù)量非常充分以及非線性特性很強的條件下，利用神經(jīng)網(wǎng)絡(luò)或支持向量回歸建立相應(yīng)的軟測量模型，通常能取得較好的軟測量效果，但是這類方法在模型更新時會受限于訓(xùn)練耗時大的問題。相比之下，統(tǒng)計回歸法所需的數(shù)據(jù)量較小，而且訓(xùn)練時間很短，可較好的適應(yīng)于模型更新，已越來越多地被應(yīng)用在軟測量建模領(lǐng)域。偏最小二乘回歸(partialleastsquareregression，plsr)是最常用的統(tǒng)計回歸算法，各種改進(jìn)舉措層出不窮。plsr算法旨在最大化輸入數(shù)據(jù)與輸出數(shù)據(jù)間的協(xié)方差，這里的輸入數(shù)據(jù)通常是歷史數(shù)據(jù)庫中容易測量的數(shù)據(jù)(如溫度、壓力、流量等)，而輸出數(shù)據(jù)一般是直接或間接反映產(chǎn)品質(zhì)量信息的測量數(shù)據(jù)(如濃度、成分比等)。然而，若是輸入數(shù)據(jù)中包含了很多與輸出不怎么相關(guān)的干擾變量的測量數(shù)據(jù)，plsr模型的回歸擬合精度會受到很大影響。由于軟測量方法通常針對的都是數(shù)據(jù)，直接通過數(shù)據(jù)剔除與輸出不相關(guān)的測量變量是非常困難的。若是依賴生產(chǎn)機理或操作人員經(jīng)驗，那么相應(yīng)的plsr模型建立方法不具備通用性，而且對機理知識或經(jīng)驗的正確性要求也非常高。

為此，科研文獻(xiàn)中出現(xiàn)了很多關(guān)于輸入數(shù)據(jù)變量選擇的方法以改進(jìn)plsr模型的回歸精度，較常見的有回歸系數(shù)plsr法(β-plsr)、變量重要性plsr法(vip-plsr)、無益變量剔除plsr法(uve-plsr)等。不同的選擇方法揭示訓(xùn)練數(shù)據(jù)不同的潛在特征，但直至目前為止，還沒有文獻(xiàn)或?qū)＠苯幼C明哪種變量選擇方法無論針對何種工業(yè)對象的采樣數(shù)據(jù)始終是最佳的。針對某一個工業(yè)過程對象，確定哪種方法最合適實際上只有通過數(shù)據(jù)驗證才能知曉?？紤]到現(xiàn)代流程工業(yè)的時變特性，環(huán)境以及設(shè)備狀態(tài)在不斷變化，相應(yīng)采樣數(shù)據(jù)的特征同樣是在變化的。可能某一段時間類采樣數(shù)據(jù)適合于某種變量選擇法，而另一時間段的采樣數(shù)據(jù)卻適合于使用另外一種變量選擇方法。因此，工業(yè)過程的時變特性給變量選擇型plsr方法的適用性提出了新的挑戰(zhàn)。因此，丞待設(shè)計出一種能應(yīng)對這種數(shù)據(jù)變化特性的變量選擇型plsr軟測量方法。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的主要技術(shù)問題是：在實際應(yīng)用中，很難確定哪種變量選擇型plsr方法最適合于為當(dāng)前數(shù)據(jù)建立軟測量模型。為此，本發(fā)明提供一種基于集成變量選擇型偏最小二乘回歸的軟測量方法。該方法首先同時使用多種變量選擇方法建立一個集成變量選擇型plsr模型。其次，在線實施軟測量時，利用該集成變量選擇型plsr模型計算得到多個輸出估計值。最后，通過加權(quán)計算得到最終的輸出估計值。

本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為：一種基于集成變量選擇型偏最小二乘回歸的軟測量方法，包括以下步驟：

(1)利用集散控制系統(tǒng)收集工業(yè)生產(chǎn)過程中容易測量的數(shù)據(jù)組成軟測量模型的輸入訓(xùn)練數(shù)據(jù)矩陣x∈r^n×m，并對其進(jìn)行標(biāo)準(zhǔn)化處理使各個過程變量的均值為0，標(biāo)準(zhǔn)差為1，得到新數(shù)據(jù)矩陣其中，n為訓(xùn)練樣本數(shù)，m為過程測量變量數(shù)，r為實數(shù)集，r^n×m表示n×m維的實數(shù)矩陣。

(2)采用離線分析手段獲取與輸入訓(xùn)練數(shù)據(jù)x相對應(yīng)的產(chǎn)品質(zhì)量數(shù)據(jù)組成輸出訓(xùn)練數(shù)據(jù)y∈r^n×1，計算向量y的均值μ與標(biāo)準(zhǔn)差ε，并對其進(jìn)行標(biāo)準(zhǔn)化處理得到新數(shù)據(jù)向量

(3)利用plsr算法建立輸入數(shù)據(jù)與輸出之間的回歸模型。

(4)分別實施β-plsr、vip-plsr、和uve-plsr方法，建立相應(yīng)的軟測量模型。

(5)利用β-plsr、vip-plsr、和uve-plsr模型計算對應(yīng)于輸出的估計值y1，y2，y3，并將其組成新的輸入矩陣z＝[y1，y2，y3]∈r^n×3。

(6)再次利用plsr算法建立新輸入z與輸出之間的回歸模型其中，b＝[b1，b2，b3]∈r^3×1為回歸系數(shù)向量，元素b1，b2，b3分別為β-plsr、vip-plsr、和uve-plsr模型的權(quán)值。

(7)收集新的容易測量的數(shù)據(jù)xt∈r^m×l，并對其進(jìn)行與x相同的標(biāo)準(zhǔn)化處理得到下標(biāo)號t表示當(dāng)前最新采樣時刻。

(8)分別利用β-plsr、vip-plsr、和uve-plsr模型計算得到t時刻的輸出估計值

(9)通過加權(quán)法計算t時刻的輸出估計值那么t采樣時刻的質(zhì)量指標(biāo)的最終估計值為

與現(xiàn)有技術(shù)方法相比，本發(fā)明方法的主要優(yōu)勢在于：同時建立了三個不同的變量加權(quán)型plsr軟測量模型，并通過加權(quán)的方式集成得到最終的輸出估計值，在線實施軟測量值時不再拘泥于單個的變量加權(quán)型plsr模型，而是采用多個軟測量模型集成的方式，巧妙地避免了確定哪種變量選擇型plsr方法最適合于為當(dāng)前數(shù)據(jù)建立軟測量模型這一難題。此外，本發(fā)明方法通過plsr算法計算出來的回歸系數(shù)向量來對各模型輸出估計值進(jìn)行適當(dāng)加權(quán)，不僅不需要反復(fù)驗證某個變量選擇方法的適用性，而且還可以進(jìn)一步地提高軟測量模型的精度。可以說，本發(fā)明方法是在已有工作的基礎(chǔ)上，利用集成建模思路有效地提升變量選擇型plsr方法用于軟測量建模的適用性。

附圖說明

圖1為本發(fā)明方法的實施流程圖。

圖2為plsr算法迭代求取回歸模型的流程示意圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明方法進(jìn)行詳細(xì)的說明。

如圖1所示，本發(fā)明涉及了一種基于集成變量選擇型偏最小二乘回歸的軟測量方法，該方法的具體實施步驟如下所示：

步驟1：利用集散控制系統(tǒng)收集工業(yè)生產(chǎn)過程中容易測量的數(shù)據(jù)組成軟測量模型的輸入訓(xùn)練數(shù)據(jù)矩陣x∈r^n×m，并對其進(jìn)行標(biāo)準(zhǔn)化處理使各個過程變量的均值為0，標(biāo)準(zhǔn)差為1，得到新數(shù)據(jù)矩陣其中，n為訓(xùn)練樣本數(shù)，m為過程測量變量數(shù)，r為實數(shù)集，r^n×m表示n×m維的實數(shù)矩陣。

步驟2：采用離線分析手段獲取與輸入訓(xùn)練數(shù)據(jù)x相對應(yīng)的產(chǎn)品質(zhì)量數(shù)據(jù)組成輸出訓(xùn)練數(shù)據(jù)y∈r^n×l，計算向量y的均值μ與標(biāo)準(zhǔn)差ε，并對其進(jìn)行標(biāo)準(zhǔn)化處理得到新向量

步驟3：利用plsr算法建立輸入數(shù)據(jù)與輸出之間的回歸模型，如下所示：

其中，為plsr模型中d個得分向量組成的矩陣，p∈r^m×d與g∈r^l×d分別為輸入與輸出數(shù)據(jù)的載荷矩陣，r∈r^n×m與f∈r^n×l分別為輸入與輸出數(shù)據(jù)的模型誤差，u∈r^m×d為投影變換矩陣，β＝ug^t為回歸系數(shù)向量，上標(biāo)號t表示矩陣或向量的轉(zhuǎn)置。plsr算法的實施流程如圖2所示，具體操作步驟如下所示：

①初始化d＝1，并設(shè)置向量向量和矩陣

②依據(jù)公式wd＝x0^tu/(u^tu)計算輸入權(quán)值向量wd，并用公式wd＝wd/||wd||單位化向量wd；

③依據(jù)公式sd＝x0wd/(wd^twd)計算得分向量sd；

④依據(jù)公式gd＝y(tǒng)0^tsd/(sd^tsd)計算輸出權(quán)值gd；

⑤依據(jù)公式u＝y(tǒng)0gd更新向量u；

⑥重復(fù)②～⑤直至sd收斂(即向量sd中各元素不再變化)；

⑦保留輸入權(quán)值向量wd與輸出權(quán)值gd，并依據(jù)公式pd＝x0^tsd/(sd^tsd)計算投影向量ph；

⑧依據(jù)如下兩式更新輸入矩陣x0與輸出向量y0：

x0＝x0-sdpd^t(2)

y0＝y(tǒng)0-sdgd(3)

⑨令d＝d+1后，若d≤3m/4，重復(fù)②～⑧求解下一個wd、gd、和pd；若d＞3m/4，則執(zhí)行⑩；

⑩將得到的所有輸入權(quán)值向量組成矩陣w＝[w1，w2，…，wd]、所有輸出權(quán)值向量組成行向量g＝[g1，g2，…，gd]、以及所有投影向量組成矩陣p＝[p1，p2，…，pd]，那么plsr模型中的投影變換矩陣為u＝w(p^tw)^-1，d個得分向量組成的矩陣為回歸系數(shù)向量為β＝ug^t＝w(p^tw)^-1g^t。

步驟4：分別實施β-plsr、vip-plsr、和uve-plsr方法，建立相應(yīng)的軟測量模型，具體的操作步驟如下所示：

實施β-plsr方法的具體步驟為：

①對回歸系數(shù)向量β中各元素求取絕對值得到新向量b，并計算向量b的均值，記為α；

②找出向量b中大于α的元素，并將相應(yīng)的位置標(biāo)號存放于位置標(biāo)號集θ1中；

③根據(jù)記錄的位置標(biāo)號θ1，從輸入數(shù)據(jù)矩陣中選取相應(yīng)的列組成新的輸入數(shù)據(jù)矩陣x1；

④利用plsr算法建立輸入x1與輸出之間的回歸模型，并記錄相應(yīng)的回歸系數(shù)向量β1；

實施vip-plsr方法的具體步驟為：

①初始化h＝1；

②根據(jù)如下所示公式計算輸入數(shù)據(jù)矩陣中第h個變量的重要性，即：

其中，wj，h表示向量wj中的第h個元素，符號||||表示計算向量的長度。

③判斷h＜m？若是，置h＝h+1后，若返回②計算下一個變量的重要性；若否，執(zhí)行下一步驟④；

④找出向量v＝[v1，v2，…，vm]中大于1的元素，并將相應(yīng)的位置標(biāo)號存放于位置標(biāo)號集θ2中；

⑤根據(jù)記錄的位置標(biāo)號θ2，從輸入數(shù)據(jù)矩陣中選取相應(yīng)的列組成新的輸入數(shù)據(jù)矩陣x2；

⑥利用plsr算法建立輸入x2與輸出之間的回歸模型，并記錄相應(yīng)的回歸系數(shù)向量β2；

實施uve-plsr方法的具體步驟為：

①隨機產(chǎn)生一個n×m的數(shù)據(jù)矩陣n，矩陣n中各元素都是在區(qū)間[0，1]上均勻分布的隨機數(shù)；

②對矩陣n中各列進(jìn)行標(biāo)準(zhǔn)化處理得到并將數(shù)據(jù)矩陣與組成新的輸入數(shù)據(jù)矩陣

③利用plsr算法建立輸入與輸出之間的回歸模型，并記錄相應(yīng)的回歸系數(shù)向量

④將向量中前1至m個元素組成向量b1，第m+1至第2m個元素組成向量b2，并記錄向量b2中元素絕對值最大的數(shù)為δ；

⑤找出向量b1中絕對值大于δ的元素，并將相應(yīng)的位置標(biāo)號存放于位置標(biāo)號集θ3中；

⑥根據(jù)記錄的位置標(biāo)號θ3，從輸入數(shù)據(jù)矩陣中選取相應(yīng)的列組成新的輸入數(shù)據(jù)矩陣x3；

⑦利用plsr算法建立輸入x3與輸出之間的回歸模型，并記錄相應(yīng)的回歸系數(shù)向量β3；

步驟5：按照如下所示公式，分別利用β-plsr、vip-plsr、和uve-plsr模型中的回歸系數(shù)向量β1，β2，β3計算對應(yīng)于輸出的估計值，分別記做y1，y2，y3，即：

yk＝xkβk(5)

上式中，下標(biāo)號k＝1，2，3。并將其組成新的輸入矩陣z＝[y1，y2，y3]∈r^n×3。

步驟6：再次利用plsr算法建立新輸入z與輸出之間的回歸模型其中，b＝[b1，b2，b3]∈r^3×1為回歸系數(shù)向量，元素b1，b2，b3分別為β-plsr、vip-plsr、和uve-plsr模型的權(quán)值。值得指出的是，利用plsr算法建立z與之間的回歸模型的具體實施過程與步驟3相似，這里不再贅述。

步驟7：收集新的容易測量的數(shù)據(jù)xt∈r^m×l，并對其進(jìn)行與x相同的標(biāo)準(zhǔn)化處理得到下標(biāo)號t表示當(dāng)前最新采樣時刻。

步驟8：依據(jù)位置標(biāo)號集θ1，θ2，θ3分別從向量中選取相應(yīng)的元素，對應(yīng)組成新輸入向量x1，x2，x3；

步驟9：根據(jù)如下所示公式，利用β-plsr、vip-plsr、和uve-plsr模型中的回歸系數(shù)向量分別計算得到t時刻的輸出估計值即：

步驟10：通過加權(quán)法計算t時刻的輸出估計值那么t采樣時刻的質(zhì)量指標(biāo)的最終估計值為

上述實施例只用來解釋本發(fā)明，而不是對本發(fā)明進(jìn)行限制，在本發(fā)明的精神和權(quán)利要求的保護(hù)范圍內(nèi)，對本發(fā)明做出的任何修改和改變，都落入本發(fā)明的保護(hù)范圍內(nèi)。