專利名稱：一種在線自學(xué)習(xí)的軟測量模型建模方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種具有自學(xué)習(xí)功能的軟測量模型建立方法，特別是關(guān)于一種利用聚 類算法在線捕獲系統(tǒng)的工況變化，用于化工過程，屬于化工自動化技術(shù)領(lǐng)域。
背景技術(shù)：
軟件量模型是一種推理模型，使用軟件技術(shù)來估計生產(chǎn)過程的產(chǎn)品質(zhì)量。推理模 型的建立可以利用不同的數(shù)據(jù)處理方法，例如主元回歸、偏最小二乘法、人工神經(jīng)網(wǎng)絡(luò)、支 持向量機、模糊神經(jīng)系統(tǒng)等等。一般來說，所有的這些推理模型均利用從生產(chǎn)過程中所收集 的數(shù)據(jù)，在離線的情況下建立的。然而，在實際情況下，用于建模的數(shù)據(jù)并不能覆蓋系統(tǒng)所 有的實際工況，當(dāng)有新的工況出現(xiàn)時，就需要重新建立系統(tǒng)的軟測量模型。遞歸主元回歸、 遞推偏最小二乘方法、基于滾動窗口的自適應(yīng)主元回歸、具有權(quán)重因子的偏最小二乘方法， 以及具有時延的主元回歸等算法，雖然可以解決上述部分問題，但是在這些方法的缺陷是 需要記憶當(dāng)前操作的一組數(shù)據(jù)，過去的數(shù)據(jù)與經(jīng)驗隨著過程的進行與模型的不斷更新將會 被遺忘且丟失。美國專利US7, 505，949公開了一種模型誤差修正方法，藉由兩個模型的組合系數(shù) 產(chǎn)生多種預(yù)測值，這種方法的缺點是它需要很多記憶空間來紀(jì)錄生產(chǎn)過程中的數(shù)據(jù)，導(dǎo)致 在線的計算機負(fù)擔(dān)非常巨大。中國專利申請?zhí)枮?00910154625. 2公開了一種自適應(yīng)諧振 神經(jīng)網(wǎng)絡(luò)-支持向量機回歸組合算法建立常壓塔頂石腦油干點模型，該方法首先將系統(tǒng)的 數(shù)據(jù)分類，然后根據(jù)各個類別建立支持向量機模型，采用加權(quán)組合的方法得到系統(tǒng)的最終 輸出，權(quán)系數(shù)通過預(yù)測誤差的反饋在線修正；此方法的缺陷是需要事先確定系統(tǒng)的類別， 且分類的數(shù)據(jù)也需要覆蓋系統(tǒng)的全部工況。綜上所述，上述軟測量模型的建立方法，盡管能夠?qū)崿F(xiàn)在線調(diào)整，但對建模的數(shù)據(jù) 限制較大，有些方法要求建模數(shù)據(jù)能覆蓋生產(chǎn)的全過程，有些需在線保留一段時間的歷史 數(shù)據(jù)，且模型結(jié)構(gòu)的解析度不高(大多數(shù)是非線性模型)；另外盡管實現(xiàn)在線自適應(yīng)，但所建 立的軟測量模型對歷史經(jīng)驗遺忘較大。

發(fā)明內(nèi)容
本發(fā)明的目的是為克服上述現(xiàn)有技術(shù)的不足而提出一種在線自學(xué)習(xí)的軟測量模 型建模方法，無需事先確定系統(tǒng)的類別，無需保留系統(tǒng)的歷史數(shù)據(jù)，減少計算機在線負(fù)擔(dān)， 模型結(jié)構(gòu)為解析度高的多線性模型。本發(fā)明的在線自學(xué)習(xí)的軟測量模型建模方法包括下列步驟1)讀取生產(chǎn)過程的在 線數(shù)據(jù)，對其預(yù)處理和標(biāo)準(zhǔn)化構(gòu)造后構(gòu)造一輸入變量集合的輸入向量和一輸入變量的子集 合的調(diào)度向量；2)用一調(diào)度向量在線將系統(tǒng)數(shù)據(jù)分割為多個局部區(qū)域，各局部區(qū)域用一輸 入向量架構(gòu)一局部線性模型；利用在線減法聚類算法計算一調(diào)度向量的密度函數(shù)的值；3) 將該密度函數(shù)的值與增加聚類規(guī)則作比較，判斷是否需要增加新的一局部區(qū)域；若是，則以 一調(diào)度變量為該局部區(qū)域的聚類中心計算一輸入向量所對應(yīng)的共變異矩陣；若否，則利用一調(diào)度向量更新與調(diào)度向量最相鄰局部區(qū)域的聚類中心，以一輸入向量更新其對應(yīng)的共變 異矩陣；4) 一輸入向量以遞歸最小二乘方法更新一當(dāng)前局部區(qū)域的局部線性推理模型；5) 利用合并局部區(qū)域規(guī)則判別最相鄰的二個局部區(qū)域是否可合并成新的一局部區(qū)域；若是， 則計算合并后一局部區(qū)域的聚類中心與其對應(yīng)的共變異矩陣，并更新合并后一局部區(qū)域所 對應(yīng)的局部線性模型系數(shù)；6)由權(quán)重值組合各個局部線性模型，構(gòu)建一軟測量模型并得出 預(yù)測輸出值。承上所述，本發(fā)明基于局部線性模型網(wǎng)絡(luò)的模型結(jié)構(gòu)，利用在線減法聚類方法，在 線決定局部線性模型的數(shù)目及其有效的局部區(qū)域，各局部線性模型的參數(shù)則由遞歸算法在 線調(diào)整；整個過程無需保留系統(tǒng)的歷史數(shù)據(jù)，僅需要保留聚類中心、各局部區(qū)域的數(shù)據(jù)共 變異矩陣，以及各局部線性模型的系數(shù)，具有一或多個下述優(yōu)點
(1)此建立在線自學(xué)習(xí)軟測量模型可利用遞歸算法，參考之前的工作過程或最近的工 作過程，以更新預(yù)測的軟測量模型，并保留了系統(tǒng)的歷史經(jīng)驗(體現(xiàn)在聚類中心與共變異矩 陣中)，更能加強預(yù)測輸出的準(zhǔn)確度，并降低系統(tǒng)的在線計算量。(2)此在線自學(xué)習(xí)軟測量模型的建模方法不需耗費海量存儲器保留系統(tǒng)運行的歷 史數(shù)據(jù)，可利用增加、更新與合并三個準(zhǔn)則，及時發(fā)現(xiàn)系統(tǒng)的工況變化，提高模型的自適應(yīng) 能力。(3)此在線自學(xué)習(xí)軟測量模型建模方法所提出的增加、更新與合并三個準(zhǔn)則可以 使系統(tǒng)的模型配置保持緊湊性，同時也節(jié)約了計算機的存儲器資源。


圖1為本發(fā)明在線自學(xué)習(xí)的軟測量模型建模方法的流程圖2為在線自學(xué)習(xí)的軟測量模型建模方法的生產(chǎn)過程預(yù)測輸出示意圖； 圖中S10 S19.算法步驟；202.輸入向量；204.調(diào)度向量；206.局部線性模型； 208.密度函數(shù)；210.軟測量模型。
具體實施例方式參照圖1-2，本發(fā)明利用一在線減法聚類算法，用一調(diào)度向量204在線將系統(tǒng)數(shù)據(jù) 分割為多個局部區(qū)域，各局部區(qū)域用一輸入向量202架構(gòu)一局部線性模型206，并用增加、 更新與合并三個準(zhǔn)則來更新已存在的局部區(qū)域、產(chǎn)生新的局部區(qū)域、或者合并最相鄰的局 部區(qū)域，利用一遞歸算法更新各局部區(qū)域所對應(yīng)的局部線性模型206，再由一權(quán)重方法組合 各個局部線性模型，以建立一軟測量模型210，具體包括下列步驟
步驟S10:開始
步驟Sll 讀取生產(chǎn)過程的一在線數(shù)據(jù)，并對其預(yù)處理和標(biāo)準(zhǔn)化構(gòu)造后，構(gòu)造建立軟測 量模型時使用的一輸入向量202和一調(diào)度向量204;其中，輸入向量202為系統(tǒng)的輸入變量 集合，輸入變量集合中所有變量經(jīng)過標(biāo)準(zhǔn)化，調(diào)度向量204為系統(tǒng)輸入變量202的一子集 合，且該子集合中所有變量經(jīng)過標(biāo)準(zhǔn)化；
步驟S12 用一調(diào)度向量204在線將系統(tǒng)數(shù)據(jù)分割為多個局部區(qū)域，各局部區(qū)域用一輸 入向量202架構(gòu)一局部線性模型206 ；利用在線減法聚類算法，計算一調(diào)度向量204的密度 函數(shù)208的值；步驟S13 將該密度函數(shù)208的值與增加聚類規(guī)則作比較，判斷是否需要增加新的一局 部區(qū)域；
步驟S14 若不需要增加新的一局部區(qū)域，則利用一調(diào)度向量204更新與調(diào)度向量204 最相鄰局部區(qū)域的聚類中心，以一輸入向量202更新其對應(yīng)的共變異矩陣；
步驟S15 若需要增加新的一局部區(qū)域，則以一調(diào)度變量204為該局部區(qū)域的聚類中 心，并計算一輸入向量202所對應(yīng)的共變異矩陣；
步驟S16 利用一遞歸最小二乘方法，一輸入向量202以遞歸最小二乘方法更新一當(dāng)前 局部區(qū)域的局部線性推理模型206 ；局部線性模型206為線性模型形式，局部線性模型206 中保留了聚類中心、共變異矩陣，以及局部線性模型的系數(shù)；
步驟S17 利用合并局部區(qū)域規(guī)則，判別最相鄰的二個局部區(qū)域是否可以合并成新的 一局部區(qū)域；
步驟S18 若需要合并，則計算合并后一局部區(qū)域的聚類中心與其對應(yīng)的共變異矩陣， 并更新合并后一局部區(qū)域所對應(yīng)的局部線性模型系數(shù)；
步驟S19 由權(quán)重值的方法分析組合局部線性模型206，構(gòu)建一軟測量模型210，并得出 系統(tǒng)的預(yù)測輸出值，達到軟測量的目的。 參照圖2，一輸入向量202以Z表示，一調(diào)度向量204中以f表示，一調(diào)度向量204是
一輸入向量202的子集合，在線減法聚類首先利用下式計算當(dāng)前一調(diào)度向量204的一密度函 數(shù)208的值
k 為
權(quán)利要求
1.一種在線自學(xué)習(xí)的軟測量模型建模方法，其特征是包括下列步驟1)讀取生產(chǎn)過程的在線數(shù)據(jù)，對其預(yù)處理和標(biāo)準(zhǔn)化構(gòu)造后構(gòu)造一輸入變量集合的輸入 向量(202)和一輸入變量(202)的子集合的調(diào)度向量(204)；2)用一調(diào)度向量(204)在線將系統(tǒng)數(shù)據(jù)分割為多個局部區(qū)域，各局部區(qū)域用一輸入向 量(202)架構(gòu)一局部線性模型(206);利用在線減法聚類算法計算一調(diào)度向量(204)的密度 函數(shù)(208)的值；3)將該密度函數(shù)(208)的值與增加聚類規(guī)則作比較，判斷是否需要增加新的一局部區(qū) 域；若是，則以一調(diào)度變量(204)為該局部區(qū)域的聚類中心計算一輸入向量(202)所對應(yīng)的 共變異矩陣；若否，則利用一調(diào)度向量(204)更新與調(diào)度向量(204)最相鄰局部區(qū)域的聚類 中心，以一輸入向量(202)更新其對應(yīng)的共變異矩陣；4)一輸入向量(202)以遞歸最小二乘方法更新一當(dāng)前局部區(qū)域的局部線性推理模型 (206)；5)利用合并局部區(qū)域規(guī)則判別最相鄰的二個局部區(qū)域是否可合并成新的一局部區(qū)域； 若是，則計算合并后一局部區(qū)域的聚類中心與其對應(yīng)的共變異矩陣，并更新合并后一局部 區(qū)域所對應(yīng)的局部線性模型系數(shù)；6)由權(quán)重值組合各個局部線性模型(206)，構(gòu)建一軟測量模型(210)并得出預(yù)測輸出值。
2.根據(jù)權(quán)利要求1所述的一種在線自學(xué)習(xí)的軟測量模型建模方法，其特征是步驟2) 所述的密度函數(shù)208的值是
3.根據(jù)權(quán)利要求1所述的一種在線自學(xué)習(xí)的軟測量模型建模方法，其特征是步驟3) 所述的增加聚類規(guī)則是若當(dāng)前的調(diào)度向量(204)與已存在的局部區(qū)域的聚類中心距離足夠 遠(yuǎn)，且當(dāng)前調(diào)度向量(204)的密度函數(shù)(208)的值高于已存在的局部區(qū)域的密度函數(shù)值時， 則視為有新的局部區(qū)域出現(xiàn)。
4.根據(jù)權(quán)利要求1所述的一種在線自學(xué)習(xí)的軟測量模型建模方法，其特征是步驟5) 所述的合并局部區(qū)域規(guī)則是若兩局部區(qū)域的聚類中心距離夠接近到小于合并臨界值，則 兩局部區(qū)域?qū)⒈缓喜ⅰ?br> 5.根據(jù)權(quán)利要求1所述的一種在線自學(xué)習(xí)的軟測量模型建模方法，其特征是步驟5) 所述的局部線性模型(206)定義公式是
6.根據(jù)權(quán)利要求1所述的一種在線自學(xué)習(xí)的軟測量模型建模方法，其特征是步驟6)
全文摘要
本發(fā)明公開一種在線自學(xué)習(xí)的軟測量模型建模方法，先讀取生產(chǎn)過程的在線數(shù)據(jù)，對其預(yù)處理和標(biāo)準(zhǔn)化構(gòu)造后構(gòu)造一輸入變量集合的輸入向量和一輸入變量的子集合的調(diào)度向量；再用一調(diào)度向量在線將系統(tǒng)數(shù)據(jù)分割為多個局部區(qū)域，各局部區(qū)域用一輸入向量架構(gòu)一局部線性模型；利用在線減法聚類算法計算一調(diào)度向量的密度函數(shù)的值；利用增加、更新與合并三個準(zhǔn)則來更新已存在的局部區(qū)域、產(chǎn)生新的局部區(qū)域、或合并最相鄰的局部區(qū)域，最后由權(quán)重值組合各個局部線性模型構(gòu)建一軟測量模型并得出預(yù)測輸出值。整個過程無需保留系統(tǒng)歷史數(shù)據(jù)，加強了預(yù)測輸出的準(zhǔn)確度并降低系統(tǒng)的在線計算量，能在線捕獲系統(tǒng)工況變化，提高模型的自適應(yīng)能力。
文檔編號G06F9/44GK102096585SQ201010586539
公開日2011年6月15日 申請日期2010年12月14日 優(yōu)先權(quán)日2010年12月14日
發(fā)明者李正明, 潘天紅 申請人:江蘇大學(xué)