本發(fā)明涉及一種工業(yè)過程軟測量方法，尤其涉及一種基于多采樣率回歸模型的工業(yè)過程軟測量方法。

背景技術(shù)：

在整個生產(chǎn)自動化系統(tǒng)中，實時監(jiān)測產(chǎn)品質(zhì)量的相關(guān)信息是必不可少的組成部分。與生產(chǎn)過程中容易測量的變量(如溫度、壓力、流量等信息)不同的是，直接測量產(chǎn)品的質(zhì)量信息是比較困難的。以流程工業(yè)為例，涉及產(chǎn)品質(zhì)量的指標通常是產(chǎn)品的成分含量、濃度等信息，而測量成分、濃度的在線分析儀器設(shè)備通常價格高昂且后期維護成本較高。若是采用離線分析手段，對產(chǎn)品質(zhì)量的測量就存在一定的延時，無法起到及時監(jiān)測產(chǎn)品質(zhì)量的目的。在這個背景下，軟測量方法技術(shù)就應(yīng)運而生，它通過利用歷史數(shù)據(jù)建立容易測量變量(輸入)與質(zhì)量指標間(輸出)之間的回歸模型，從而取代在線分析儀或離線分析設(shè)備。在工業(yè)“大數(shù)據(jù)”背景下，海量的數(shù)據(jù)信息為軟測量的廣泛應(yīng)用提供了堅實的數(shù)據(jù)基礎(chǔ)，各種軟測量方法層出不窮。在已有的文獻和專利中，常見的用于軟測量建模的算法主要有神經(jīng)網(wǎng)絡(luò)、支持向量回歸、多變量統(tǒng)計回歸法等。建模的算法不同，可適用的場合也就不同，但是用于軟測量的思路基本是一致的。

縱觀已有的軟測量方法，它們在建立輸入與輸出之間回歸模型的過程中，通常都要求訓(xùn)練數(shù)據(jù)集中輸入數(shù)據(jù)與輸出數(shù)據(jù)是一一對應(yīng)的。換句話說，在每個采樣時刻，都對應(yīng)有容易測量變量數(shù)據(jù)，同時也有產(chǎn)品質(zhì)量的相關(guān)數(shù)據(jù)。一般來講，由于質(zhì)量指標數(shù)據(jù)獲取不方便，相應(yīng)的數(shù)據(jù)采樣率普遍低于溫度、流量、壓力等數(shù)據(jù)。當采樣率不一致時，通常采取的措施是將采樣率低的數(shù)據(jù)進行復(fù)制，從而使輸入輸出數(shù)據(jù)對應(yīng)起來。以科技論文中經(jīng)常使用的田納西-伊斯曼(tennesseeeastman)過程對象為例，能連續(xù)測量的變量包括溫度、壓力、流量等信息，采樣時間間隔為3分鐘。而產(chǎn)品的成分比例信息，采樣率為9～15分鐘不等。因此，訓(xùn)練數(shù)據(jù)集中的產(chǎn)品成分數(shù)據(jù)被復(fù)制，從而使輸入輸出數(shù)據(jù)樣本數(shù)相等，在此基礎(chǔ)上即可應(yīng)用相關(guān)的建模算法建立相應(yīng)的軟測量模型。這種復(fù)制數(shù)據(jù)的預(yù)處理措施雖是一種最簡單的解決樣本多采樣率問題的技術(shù)手段，但是卻不是一種嚴謹對待數(shù)據(jù)多采樣率問題的方法。以多變量統(tǒng)計回歸法中最經(jīng)典的偏最小二乘回歸(partialleastsquareregression，plsr)算法為例，若采用這種復(fù)制的手段解決多采樣率問題，相應(yīng)的軟測量模型精度很難達到滿意的要求。為此，設(shè)計一種基于多采樣率回歸模型的軟測量方法勢在必行。

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：針對輸入輸出數(shù)據(jù)采樣率不一致問題，以偏最小二乘回歸模型為基礎(chǔ)，設(shè)計一種基于多采樣率回歸模型的工業(yè)過程軟測量方法。該發(fā)明方法直接針對輸入輸出數(shù)據(jù)采樣率不一致問題，通過對輸入數(shù)據(jù)進行相應(yīng)的排列組合，并建立輸入數(shù)據(jù)所有可能的排列組合形式與輸出之間的偏最小二乘回歸模型。在線實施軟測量時，先得到多個回歸模型對輸出的估計值，后利用這多個估計值的加權(quán)平均值作為軟測量模型的最終輸出估計值。

本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為：一種基于多采樣率回歸模型的工業(yè)過程軟測量方法，包括以下步驟：

(1)從生產(chǎn)過程的歷史數(shù)據(jù)庫中找出容易測量變量所對應(yīng)的采樣數(shù)據(jù)組成輸入數(shù)據(jù)矩陣x∈r^n×m，在相應(yīng)的采樣時間內(nèi)，產(chǎn)品質(zhì)量指標的相關(guān)信息所對應(yīng)的數(shù)據(jù)組成輸出向量y∈r^n×1。其中，n為輸入數(shù)據(jù)的訓(xùn)練樣本數(shù)，n為輸出數(shù)據(jù)的訓(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。

由于本發(fā)明解決的是輸入輸出數(shù)據(jù)采樣率不一致問題，需要求n＞n，且輸入輸出采樣率之比β＝floor(n/n)為大于1的整數(shù)，其中，floor(n/n)表示取小于或等于n/n的最大整數(shù)。

(2)將向量y與矩陣x中的每一列進行標準化處理，得到均值為0，標準差為1的新輸出向量與新輸入數(shù)據(jù)矩陣記錄向量y的均值μ與標準差δ，上標號t表示矩陣或向量的轉(zhuǎn)置。

(3)針對輸出中的第i樣本yi，在其采樣間隔時間內(nèi)有β個輸入數(shù)據(jù)樣本與之對應(yīng)，對這β個輸入樣本可有種不同的組合形式，每種組合形式即可作為一個對應(yīng)于輸出yi的輸入樣本。其中，表示從β個輸入樣本中任意取k個樣本組成一行向量的所有可能組合形式，其計算公式為上標號k＝1，2，…，β，下標號i＝1，2，…，n。

(4)重復(fù)步驟(3)直至每個輸出樣本都對應(yīng)有b個不同的輸入樣本數(shù)據(jù)，則原輸入數(shù)據(jù)矩陣經(jīng)組合后形成的輸入數(shù)據(jù)矩陣有b個，分別記為x1，x2，…，xb。

(5)利用plsr算法分別建立x1，x2，…，xb與輸出之間的回歸模型保留回歸系數(shù)向量ab以備調(diào)用，其中eb為第b個plsr模型的模型估計誤差，b＝1，2，…，b。

值得注意的是，本發(fā)明方法雖然采用了plsr算法建立回歸模型，但本發(fā)明不限于使用plsr算法。其他的可用于回歸建模的算法，如神經(jīng)網(wǎng)絡(luò)、支持向量回歸等，都可以用來建立輸入與輸出之間的回歸模型。

(6)計算各個模型誤差eb的長度||eb||，那么每個plsr模型在計算最終輸出估計值中所占比重可設(shè)置為wb＝1/||eb||，符號||||表示計算向量的長度。

(7)將建立的b個plsr模型用于在線軟測量，最終輸出估計值則通過加權(quán)平均的形式計算獲取。

與現(xiàn)有方法相比，本發(fā)明方法的優(yōu)勢在于：

首先，本發(fā)明方法通過對輸入數(shù)據(jù)進行多種組合，以應(yīng)對輸入輸出數(shù)據(jù)采樣率不一致問題。由于在輸出采樣時間間隔內(nèi)，每個輸入輸出樣本都與輸出有著一定的內(nèi)在關(guān)系，本發(fā)明方法所涉及的這種數(shù)據(jù)預(yù)處理方案能夠較全面地考慮了多采樣率數(shù)據(jù)建模問題。其次，本發(fā)明方法還利用多個回歸模型實施在線軟測量，相比于單個回歸模型，這能充分發(fā)揮多模型的泛化能力，提升對產(chǎn)品質(zhì)量軟測量的精度。最后，本發(fā)明方法的實施雖然是以plsr算法為基礎(chǔ)的，但其他回歸建模算法是可以直接取代plsr算法的。因此，本發(fā)明方法在解決多采樣率數(shù)據(jù)回歸建模的問題上，是一種更為優(yōu)選的軟測量方法。

附圖說明

圖1為本發(fā)明方法的實施流程圖。

圖2為本發(fā)明方法中處理輸入與輸出采樣率不一致問題所采取的的解決方案。

圖3為plsr算法的實施流程圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明方法進行詳細的說明。

如圖1所示，本發(fā)明提供了一種基于多采樣率回歸模型的工業(yè)過程軟測量方法，該方法的具體實施步驟如下所示：

步驟1：從生產(chǎn)過程的歷史數(shù)據(jù)庫中找出容易測量變量所對應(yīng)的采樣數(shù)據(jù)組成輸入數(shù)據(jù)矩陣x∈r^n×m，在相應(yīng)的采樣時間內(nèi)，產(chǎn)品質(zhì)量指標的相關(guān)信息所對應(yīng)的數(shù)據(jù)組成輸出向量y∈r^n×1。其中，n為輸入數(shù)據(jù)的訓(xùn)練樣本數(shù)，n為輸出數(shù)據(jù)的訓(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。

由于本發(fā)明解決的是輸入輸出數(shù)據(jù)采樣率不一致問題，需要求n＞n，且輸入輸出采樣率之比β＝floor(n/n)為大于1的整數(shù)，其中，floor(n/n)表示取小于或等于n/n的最大整數(shù)。

步驟2：將向量y與矩陣x中的每一列進行標準化處理，得到均值為0，標準差為1的新輸出向量與新輸入數(shù)據(jù)矩陣記錄向量y的均值μ與標準差δ，上標號t表示矩陣或向量的轉(zhuǎn)置。

為應(yīng)對輸入輸出數(shù)據(jù)采樣率不一致問題，本發(fā)明提供一種如圖2所示的解決方案，具體的實施過程主要包括如下所示的步驟3與步驟4。

步驟3：針對輸出中的第i樣本yi，在其采樣間隔時間內(nèi)有β個輸入數(shù)據(jù)樣本與之對應(yīng)，對這β個輸入樣本可有種不同的組合形式，每種組合形式即可作為一個對應(yīng)于輸出yi的輸入樣本。其中，表示從β個輸入樣本中任意取k個樣本組成一行向量的所有可能組合形式，其計算公式為上標號k＝1，2，…，β，下標號i＝1，2，…，n。

步驟4：重復(fù)步驟3直至每個輸出樣本都對應(yīng)有b個不同的輸入樣本數(shù)據(jù)，則原輸入數(shù)據(jù)矩陣經(jīng)組合后形成的輸入數(shù)據(jù)矩陣有b個，分別記為x1，x2，…，xb

步驟5：利用plsr算法分別建立x1，x2，…，xb與輸出之間的回歸模型保留回歸系數(shù)向量ab以備調(diào)用，其中eb為第b個plsr模型的模型估計誤差，b＝1，2，…，b。利用plsr算法建立xb與輸出之間的回歸模型的實施流程如圖3所示，具體的實施過程如下所示：

①初始化h＝1，記輸入矩陣xb中列數(shù)為mb，并設(shè)置向量與向量

②依據(jù)公式ψh＝xb^tv/(v^tv)計算輸入權(quán)值向量ψh，并用公式ψh＝ψh/||ψh||單位化向量ψh；

③依據(jù)公式sh＝xbψh/(ψh^tψh)計算得分向量sh；

④依據(jù)公式gh＝y(tǒng)0^tsh/(sh^tsh)計算輸出權(quán)值gh；

⑤依據(jù)公式v＝y(tǒng)0gh更新向量v；

⑥重復(fù)②～⑤直至v收斂(即向量v中各元素不再變化)；

⑦保留輸入權(quán)值向量ψh與輸出權(quán)值gh，并依據(jù)公式ph＝xb^tsh/(sh^tsh)計算投影向量ph；

⑧依據(jù)公式xb＝xb-shph^t更新輸入矩陣xb；

⑨令h＝h+1后，若h≤3mb/4，重復(fù)②～⑧求解下一個ψh、gh、和ph；若h＞3mb/4，則執(zhí)行⑩；

⑩將得到的所有輸入權(quán)值向量組成矩陣φ＝[ψ1，ψ2，…，ψh]、所有輸出權(quán)值組成行向量g＝[g1，g2，…，gh]、以及所有投影向量組成矩陣p＝[p1，p2，…，ph]，那么plsr模型的回歸系數(shù)向量ab＝φ(p^tφ)^-1g^t，模型誤差

步驟6：計算各個模型誤差eb的長度||eb||，那么每個plsr模型在計算最終輸出估計值中所占比重可設(shè)置為wb＝1/||eb||，符號||||表示計算向量的長度。

步驟7：將建立的b個plsr模型用于在線軟測量，相應(yīng)實施過程如下所示：

①采集新時刻容易測量變量的樣本數(shù)據(jù)，并對其實施與矩陣x相同的標準化處理；

②當樣本數(shù)達到β個時，對這β個新樣本數(shù)據(jù)實施種不同的組合形式，組成b個不同的輸入行向量z1，z2，…，zb；

③根據(jù)公式分別計算各個plsr模型對輸出的估計值

④計算最終輸出估計值那么最終質(zhì)量指標的估計值為

⑤重復(fù)①～④對下一采樣時刻的質(zhì)量指標實施軟測量。