本發(fā)明屬于工業(yè)過程預(yù)測和控制領(lǐng)域，尤其涉及一種時間維度拓展局部加權(quán)極限學(xué)習(xí)機的軟測量建模方法。

背景技術(shù)：

在傳統(tǒng)工業(yè)過程中，存在許多對于提高產(chǎn)品質(zhì)量和保證安全有著至關(guān)重要作用過的參數(shù)如反應(yīng)速率、產(chǎn)品成分含量等，但是很多往往難以或者無法直接用傳感器加以測量。采用需要大量投資的在線分析儀表進行檢測，往往有較大的滯后而使得調(diào)節(jié)不夠及時，從而使產(chǎn)品質(zhì)量難以得到保證。我們稱這些對于工業(yè)過程具有重要作用的變量為主導(dǎo)變量，其他的一些已與測量的變量我們稱之為輔助變量。軟測量實質(zhì)事通過建立工業(yè)過程變量之間的數(shù)學(xué)模型，實現(xiàn)通過輔助變量預(yù)測主導(dǎo)變量的技術(shù)方法。在近年來，軟測量在工業(yè)過程中應(yīng)用了許多神經(jīng)網(wǎng)絡(luò)算法，但是由于神經(jīng)網(wǎng)絡(luò)算法仍存在收斂速度較慢，容易陷入局部最優(yōu)解和泛化性能較差等缺點。

為了克服神經(jīng)網(wǎng)絡(luò)算法存在的上述問題，極限學(xué)習(xí)機作為一種單隱層隨機神經(jīng)網(wǎng)絡(luò)，能夠克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法反迭代產(chǎn)生的收斂速度慢，陷入局部最優(yōu)解問題。但是由于其模型的隨機性和隱層節(jié)點數(shù)目往往大于其他神經(jīng)網(wǎng)絡(luò)犧牲了泛化性能。為解決這一問題，提出了局部加權(quán)極限學(xué)習(xí)機模型，利用即時學(xué)習(xí)的思想，通過時間維度拓展局部加權(quán)的方法，改善了極限學(xué)習(xí)機模型作為一種非線性方法應(yīng)用于工業(yè)過程極限學(xué)習(xí)機泛化能力較差的缺點，針對工業(yè)過程數(shù)據(jù)動態(tài)性的問題，改善了模型建立和預(yù)測的性能。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供了一種時間維度拓展局部加權(quán)極限學(xué)習(xí)機的軟測量建模方法。

本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：一種基于局部加權(quán)極限學(xué)習(xí)機的軟測量模型的建立，主要包括以下幾個步驟：

(1)利用集散控制下系統(tǒng)以及離線監(jiān)測方法，工業(yè)生產(chǎn)過程的數(shù)據(jù)按時間排列的訓(xùn)練樣本集X_tr∈R^N×n和Y_train∈R^N×m和測試樣本集X_te∈R^K×n和Y_test∈R^N×m。其中N為訓(xùn)練樣本長度，n為訓(xùn)練樣本維度，K為測試樣本集長度。測試樣本集為將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫。并且對訓(xùn)練樣本集和測試樣本按照訓(xùn)練樣本集進行前處理和歸一化使訓(xùn)練樣本集其均值為0且方差為1。

(2)按時間差對原訓(xùn)練樣本和測試樣本采樣，即將X_tr和X_t分別進行時間維度拓展，拓展參數(shù)為T形成新的測試集X_train∈R^(2T+1)N×n和訓(xùn)練集矩陣X_test∈R^(2T+1)K×n。

(3)將測試樣本X_test依次取行作為查詢樣本q_i(i＝1,2,…,K)，及對應(yīng)測試樣本真實值y_i(i＝1,2,…,K)。之后按每個查詢樣本分別進行局部加權(quán)極限學(xué)習(xí)機建模。

(4)對查詢樣本和訓(xùn)練集進行去查詢樣本均值。這部分去均值的值要在建模并得到建模結(jié)果后再在最終結(jié)果上還原去查詢均值的數(shù)據(jù)偏差。

(5)依據(jù)查詢樣本和歷史樣本(訓(xùn)練集樣本)的距離d確定權(quán)重參數(shù)w，對歷史樣本加權(quán)，得到新的訓(xùn)練樣本X_w的到局部加權(quán)化的樣本空間。

(6)對時間維度拓展并局部加權(quán)化的樣本空間進行極限學(xué)習(xí)機建模，得到軟測量結(jié)果。

(7)重復(fù)進行所有的查詢樣本向量的建模和軟測量結(jié)果后得到了整個測試樣本的軟測量結(jié)果。

(8)采用以上得到的基于時間維度拓展局部加權(quán)極限學(xué)習(xí)機方法對工業(yè)過程的數(shù)據(jù)進行建模，實現(xiàn)過程的軟測量。

本發(fā)明的有益效果是：本發(fā)明采用即時學(xué)習(xí)思想，時間維度上進行時間維度拓展以提取模型的動態(tài)性能，空間上采用局部加權(quán)方法，以針對工業(yè)過程中數(shù)據(jù)的動態(tài)性問題，結(jié)合極限學(xué)習(xí)機作為一種成熟的高速度高精度非線性方法針對工業(yè)過程中數(shù)據(jù)非線性的問題。在結(jié)合過程中，時間維度拓展產(chǎn)生的大量相關(guān)性大的動態(tài)矩陣解決了極限學(xué)習(xí)機最大的問題即泛化性能不足，需要數(shù)據(jù)樣本大而無視樣本相關(guān)性的問題，局部加權(quán)方法在提取系統(tǒng)動態(tài)性的過程中也能在一定程度上解決極限學(xué)習(xí)機沒有降噪過程的問題，而且可以降低及極限學(xué)習(xí)機在實際過程中的不穩(wěn)定性。得到了高速度高精度針對工業(yè)過程非線性和動態(tài)性的軟測量器。

附圖說明

圖1是極限學(xué)習(xí)機脫丁烷塔軟測量誤差圖；

圖2是局部加權(quán)極限學(xué)習(xí)機脫丁烷塔軟測量誤差圖；

圖3是時間維度拓展極限學(xué)習(xí)機脫丁烷塔軟測量誤差圖；

圖4是時間維度拓展局部加權(quán)極限學(xué)習(xí)機脫丁烷塔軟測量誤差圖。

具體實施方式

本發(fā)明是針對工業(yè)過程非線性，動態(tài)性問題，使用即時學(xué)習(xí)思想通過時間維度拓展方法和空間上的局部加權(quán)方法解決動態(tài)性的問題，結(jié)合極限學(xué)習(xí)機算法作為一種非線性算法解決過程非線性問題。其中，尤其是時間維度拓展方法可以大大增加過程數(shù)據(jù)量的方法，能過在很大程度上解決極限學(xué)習(xí)機在工業(yè)過程樣本普遍不夠大的情況下的泛化問題較差的問題，而樣本相關(guān)性大的問題也不會對極限學(xué)習(xí)機的精度和速度造成很大負(fù)擔(dān)。局部加權(quán)方法在一定程度上可以降低噪聲該繞和降低極限學(xué)習(xí)機不穩(wěn)定性。本方法既能夠?qū)崿F(xiàn)時間維度拓展方法和局部加權(quán)方法對工業(yè)過程動態(tài)性的提取和建模，也能體現(xiàn)出極限學(xué)習(xí)機作為一種非線性回歸算法精度高、速度快的優(yōu)勢。

下面結(jié)合附圖和具體實例對本發(fā)明進行詳細(xì)說明

本發(fā)明采用的技術(shù)方案主要步驟如下：

第一步 利用集散控制下系統(tǒng)以及離線監(jiān)測方法，工業(yè)生產(chǎn)過程的數(shù)據(jù)組成建模用的訓(xùn)練樣本集和測試樣本集。其中，訓(xùn)練樣本集包括X_tr∈R^N×n和Y_train∈R^N×m，其中，N為訓(xùn)練樣本長度，n為訓(xùn)練樣本維度。測試樣本集為X_te∈R^K×n和Y_test∈R^N×m將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫，其中，K為測試樣本長度，n為訓(xùn)練樣本維度。并且對訓(xùn)練樣本集和測試樣本按照訓(xùn)練樣本集進行前處理和歸一化使訓(xùn)練樣本集其均值為0且方差為1。

第二步 將X_tr和X_te進行時間維度拓展形成新的測試集和訓(xùn)練集矩陣，設(shè)定時間維度拓展參數(shù)為T，則將X_tr和X_te進行時間點不同的采樣形成新的矩陣X_train＝[X_tr(t＝0)X_tr(t＝1)X_tr(t＝-1)…X_tr(t＝T)X_tr(t＝-T)],X_test＝[X_te(t＝0)X_te(t＝1)X_te(t＝-1)…X_te(t＝T)X_te(t＝-T)],其中，X_train∈R^(2T+1)N×n，X_test∈R^(2T+1)K×n

第三步 將測試樣本X_test依次取行作為查詢樣本，即為(q₁,q₂,…q_i…q_K),其中q_i為查詢樣本，n維行向量。分別對應(yīng)測試樣本真實值y_i(i＝1,2,…,K)。從第一行(i＝1)到最后一行分別進行局部加權(quán)極限學(xué)習(xí)機建模。

第四步 當(dāng)查詢樣本為q_i(i＝1,2,…,K)時，對查詢樣本和訓(xùn)練集進行去查詢樣本均值。這部分去均值的值要在建模并得到建模結(jié)果后再在最終結(jié)果上還原去查詢均值的數(shù)據(jù)偏差。

第五步 將訓(xùn)練樣本集中X_train分解為行量形式，將中各個x_j作為歷史樣本(j＝1,2,…,N)，即可對各個歷史樣本和查詢樣本q_i的相似度或點的距離進行度量然后可以對相似樣本制定權(quán)重其中為設(shè)定的局部加權(quán)參數(shù)。得到所有權(quán)重W＝[w₁，w₂,…w_N]。將輸入神經(jīng)網(wǎng)絡(luò)的輸入值更換為之后使用極限學(xué)習(xí)機進行建模。

第六步 極限學(xué)習(xí)機是一種單隱層隨機神經(jīng)元網(wǎng)絡(luò)，隨機生成C個隱神經(jīng)元節(jié)點g(ai，bi)的所有參數(shù)(a₁,b₁)(a₂,b₂)…(a_C,b_C)生成好后，依照單層神經(jīng)網(wǎng)絡(luò)的輸出公式此公式也可寫成：

Hβ＝T，其中β為神經(jīng)元輸出權(quán)重矩陣，T為神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，

為追求使得誤差|T-Y|²最小，可得到權(quán)重矩陣計算公式β＝H⁺T。得到的神經(jīng)網(wǎng)絡(luò)的權(quán)重β加上之前隨機生成的節(jié)點參數(shù)a_i，b_i就是整個極限學(xué)習(xí)機的神經(jīng)網(wǎng)絡(luò)參數(shù)。

第七步 重復(fù)以上步驟，每次得到一個查詢樣本局部加權(quán)極限學(xué)習(xí)的預(yù)測值，重復(fù)進行所有的查詢樣本向量的建模和軟測量結(jié)果后得到了整個測試樣本的軟測量結(jié)果。

第八步 采用以上得到的基于時間維度拓展局部加權(quán)極限學(xué)習(xí)機方法對工業(yè)過程的數(shù)據(jù)進行建模，實現(xiàn)過程的軟測量。

以下結(jié)合一個具體的脫丁烷塔例子來說明本發(fā)明的有效性。針對該過程，一共采集了2394個數(shù)據(jù)，其中1197個數(shù)據(jù)用來建模，并對其對應(yīng)的丁烷含量值進行離線分析和標(biāo)記。另外采集的1197個數(shù)據(jù)樣本用來驗證軟測量模型的有效性。在該過程中，一共選取了7個過程變量對該過程的丁烷含量進行軟測量建模，這7個過程變量分別為塔頂溫度、塔頂壓力、回流流量、下一級流量、靈敏板溫度、塔底溫度和塔底壓力。接下來結(jié)合該具體過程對本發(fā)明的實施步驟進行詳細(xì)地闡述：

1.數(shù)據(jù)前處理，對2394個建模樣本中的過程變量和丁烷含量進行預(yù)處理和歸一化，使得各個過程變量和關(guān)鍵變量的均值為零，方差為1，得到新的建模數(shù)據(jù)矩陣。

2.基于時間維度拓展局部加權(quán)極限學(xué)習(xí)機的軟測量建模

將選取的過程過程變量組成的數(shù)據(jù)矩陣作為軟測量模型的輸入，丁烷含量數(shù)據(jù)矩陣作為軟測量模型的輸出，按照實施步驟中給出的詳細(xì)方法，對每個測試樣本點建立相關(guān)的時間維度拓展局部加權(quán)極限學(xué)習(xí)機的軟測量模型。

3.對全部樣本集的數(shù)據(jù)進行建模和預(yù)測

為了測試新方法的有效性，我們對2394個測試樣本均進行局部建模和軟測量預(yù)測，得到軟測量結(jié)果后進行比對和研究。

4.丁烷含量的軟測量建模預(yù)測比較

對2394個驗證樣本進行在線軟測量，獲得相應(yīng)的在線估計值。應(yīng)用極限學(xué)習(xí)機方法針對2394個驗證樣本的在線軟測量，誤差為0.130686。僅進行局部加權(quán)而沒有進行時間維度拓展的極限學(xué)習(xí)機軟測量模型對相同樣本進行軟測量，結(jié)果和真實值進行比對，誤差為0.0880488。僅進行時間維度拓展而沒有進行局部加權(quán)的極限學(xué)習(xí)機軟測量模型對相同樣本進行軟測量，結(jié)果和真實值進行比對，誤差為0.0549991。應(yīng)用本發(fā)明時間維度拓展極限學(xué)習(xí)機軟測量對該樣本進行的軟測量的結(jié)果和真實值的比對，誤差為0.0480588?？梢钥闯鰰r間維度拓展極限學(xué)習(xí)機和局部加權(quán)極限學(xué)習(xí)機都降低了預(yù)測的誤差，提升了軟側(cè)臉模型的精度，而時間維度拓展局部加權(quán)極限學(xué)習(xí)機更進一步降低了預(yù)測的誤差，提升了軟測量模型的精度。

上述實施例又來解釋說明本發(fā)明，而不是對本發(fā)明進行限制，在本發(fā)明的精神和權(quán)利要求的保護范圍內(nèi)，對本發(fā)明最初的人和修改和改變，都落入本發(fā)明的保護范圍。