基于动态隐变量模型的多采样率软测量方法技术

本发明专利技术公开了一种基于动态隐变量模型的多采样率软测量方法，以化工过程不同采样率的大量过程变量、少量关键质量变量为建模样本，在充分考虑数据的自相关性和互相关性的同时，提取能够包含多采样率数据特性的动态潜隐变量，而模型参数的估计通过期望最大化算法和卡尔曼滤波算法实现，并在此模型的基础上建立了相应的软测量方法，以解决多采样动态关键质量变量的估计难题。该方法在实现多采样率信息处理的同时，既可以完整利用数据信息，又能利用卡尔曼滤波充分考虑数据的动态特性，并对动态潜隐变量实现精确的估计，使降维后的少数动态潜隐变量实现对难以直接测量的多采样关键质量变量更好的估计与描述，从而在软测量精度与应用范围上实现提升。

【技术实现步骤摘要】
基于动态隐变量模型的多采样率软测量方法
本专利技术设计一种控制方法，具体是涉及一种基于动态隐变量模型的多采样率软测量方法。
技术介绍
随着现代工业的发展，过程安全和产品质量受到广泛重视。随着集散控制系统(DCS)在工业领域的广泛应用，大量过程变量可以被各种高采样率的传感器采集并存储，而与生产安全以及产品质量相关的关键质量变量则需以低采样率方式采集并通过化验获取，从而导致了数据的多采样率特性与重要变量数据的难获取性，对于实际工业工程的管理是一种挑战。同时，随着基于多元统计分析的过程监测(MSPM)和软测量技术的不断进步，海量数据变量实现降维、重构及可视化，并在制药、化工和治污等领域得到广泛应用。传统的静态主成分分析(PCA)和最小二乘估计(PLS)模型可以有效地提取变量的互相关性，但测量高度依赖于时间的情况下则效果不佳。基于动态PCA(DPCA)的技术能够提取测量中的自相关增广矩阵上的特征值分解，更有效地处理数据的动态性，但它无法完整利用多采样数据。规范变量分析(CVA)和PLS都能够模拟两个数据集之间的关系，实现数据的软测量，但两者无法有效处理数据的动态性，而且无法处理两个数据集本身带有多采样特性的情况。而基于多采样概率主成分分析的方法可以完整地利用多采样率数据信息，并利用期望最大化(EM)算法对模型参数进行有效估计，不过对于动态数据的处理效果不佳。因此，需要提出一种既可以完整利用多采样率数据信息，又能充分考虑到数据动态特性的软测量技术。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提供一种基于动态隐变量模型的多采样率工业工程软测量方法。一种基于动态隐变量模型的多采样率软测量方法，包括：(1)采集化工过程中正常运行状态下的不同采样率的过程变量样本和关键质量变量样本，组成建模用的训练样本集；(2)对得到的训练样本集进行标准化，使得各个标准化后的变量值与潜隐变量间存在线性相关关系；(3)基于预处理后的训练样本集构建多采样率动态隐变量模型；(4)在线收集新的化工过程中与训练样本集过程变量对应的多采样率过程样本数据，得到测试样本集；(5)对得到的测试样本集进行标准化；(6)采用步骤(3)得到的多采样率动态隐变量模型得到当前时刻的关键质量变量，实现关键质量变量的软测量。作为优选，步骤(1)中，所述过程变量样本采用集散控制系统收集；所述关键质量变量采用化验手段收集。本专利技术中，所述的化验手段包括但是不限于化学滴定、试纸检测、纯度检测(比如借助HPLC、LC-Ms等等进行的检测)、核磁检测等等测试方法。本专利技术中，过程变量样本一般指那些可以由现有的传感器检测得到的变量，可以方便通过集散控制系统收集，比如可以是温度、压力、流量等。所述的关键质量变量一般不能、很难或者是不宜采用现有传感器直接检测检测的变量，比如某一中间体或者原料的浓度等。通过步骤(1)，假设采集到了M种不同采样率的正常过程变量样本集X，X＝{X1；X2；...；Xm；...；XM}；其中，第m种采样率的过程变量样本为Xm，一般为一个向量；M种不同采样率的正常过程变量样本的样本数量分别为K1,K2,...,KM，而通过化验得到N种不同采样率的正常关键质量变量样本集Y，Y＝{Y1；Y2；...；Yn；...；YN}；第n种采样率的关键质量变量样本集为Yn；N种不同采样率的正常关键质量变量样本的样本数量分别为H1,H2,...,HN；有：其中，R表示实数集；在m种易测的多采样率过程变量数据中，Gm为采用第m种采样率的过程变量的变量数，Km为第m种采样率下的每个过程变量的样本数；xm(i)为第m种采样率下过程变量对应的第i个样本；在n种难测的多采样率的关键质量变量数据中，Jn为采用第n种采样率的关键质量变量的变量数，Hm为第n种采样率下的每个过程变量的样本数；yn(j)为第n种采样率下关键质量变量对应的第j个样本。将这些数据存入历史数据库，组成建模用的训练样本集；作为优选，步骤(2)中，所述标准化方法为：在某一采样率下，针对该采样率下的每个过程变量或者每个关键质量变量，先使得其中的每个元素减去其对应的过程变量或者每个关键质量变量的平均值，然后再除以样本集的整体标准差。经过所述标准化，使得每个过程变量或者每个关键质量变量中的每个元素值围绕0上下波动；大于0表明高于平均水平，小于0表明低于平均水平，且与潜隐变量间存在线性相关关系。步骤(3)中，首先构建静态多采样率模型；然后将所构建的静态多采样率模型，转换为与当前时刻相关的动态多采样率模型；最后基于得到的动态多采样率模型，利用预处理后的训练样本集构建多采样率动态隐变量模型。具体讲，由于经过标准化后的训练数据集与潜隐变量间存在线性相关关系，可得到如下的静态模型：其中，xm取上述的xm(i)；yn取上述的yn(j)；Am和Bn分别为采用第m种采样率的过程变量的输入型负载矩阵和采用第n种采样率的关键质量变量的输出型负载矩阵，wm和un分别为采用第m种采样率的正常过程变量的输入噪声矩阵和采用第n种采样率的关键质量变量的输出噪声矩阵，均服从如下的高斯分布：其中，Φm和Ωn分别为采用第m种采样率的过程变量的输入噪声矩阵的方差和采用第n种采样率的关键质量变量的输出噪声矩阵的方差。同时，基于以上所构建的静态多采样率模型，通过形式转换，可以得到如下动态多采样率模型：其中，t∈RD为该模型的动态潜隐变量，t(k)表示该模型在k时刻对应的潜隐变量，D是潜隐变量的维度；z(k-1)＝[t(k-1)t(k-2)...t(k-L+2)]∈RDL×1包含了过去L个值，L为滞后时间；C为模型的动态矩阵；Aξ(k)和Bξ(k)为模型的负载矩阵：其中，E和F分别表示了在k时刻数据集X和Y所含数据对应的采样率总数；Ak1、Bk1分别为第一个被采集到的过程变量数据或关键质量变量对应的采样率下的模型参数，以此类推；同理，Bξ(k)的值都源自{B1,B2,...,BN}并由其对应的样本是否被采集决定。同样的道理xξ(k)的值源于{x1,x2,...,xM}，yξ(k)的值源于{y1,y2,...,yN}。v(k)表示k时刻的动态噪声，其方差为Γ，具体分布为v(k)～N(0,Γ)；wξ(k)和uξ(k)分别为k时刻的过程变量的测量噪声和关键质量变量的测量噪声，Φξ(k)和Ωξ(k)分别为它们的方差，具体分布如下：同理，此处的Φξ(k)源于Φm，而Ωξ(k)源于Ωn。步骤(3)中，利用期望最大化算法来更新模型参数。利用期望最大化算法来更新模型参数时，在E步利用卡尔曼滤波算法结合当前模型参数估计潜隐变量的后验概率；在M步中，则通过极大化似然函数的方式更新模型参数；最后，反复迭代E步和M步直至达到模型收敛条件，最终得到多采样率动态隐变量模型。步骤(5)中，在线收集新的造纸废水处理过程中与训练样本集过程变量对应的多采样率过程样本数据，采样时间间隔由采样率最高的过程变量的采样率确定(可以等于或者大于最高的采样率，当然也可以小于)，得到测试样本集，并进行标准化，所述步骤(5)中的标准化方法与步骤(2)中的标准化方法相同。步骤(6)中，在线收集新的化工过程中与训练样本集过程变量对应的多采样率过程样本数据；首先，采用得到的多采样率动态隐变量模型以及模型训练得到的模型参本文档来自技高网...

【技术保护点】
1.一种基于动态隐变量模型的多采样率软测量方法，其特征在于，包括：(1)采集化工过程中正常运行状态下的不同采样率的过程变量样本和关键质量变量样本，组成建模用的训练样本集；(2)对得到的训练样本集进行标准化，使得各个标准化后的变量值与潜隐变量间存在线性相关关系；(3)基于预处理后的训练样本集构建多采样率动态隐变量模型；(4)在线收集新的化工过程中与训练样本集过程变量对应的多采样率过程样本数据，得到测试样本集；(5)对得到的测试样本集进行标准化；(6)采用步骤(3)得到的多采样率动态隐变量模型得到当前时刻的关键质量变量，实现关键质量变量的软测量。

【技术特征摘要】
1.一种基于动态隐变量模型的多采样率软测量方法，其特征在于，包括：(1)采集化工过程中正常运行状态下的不同采样率的过程变量样本和关键质量变量样本，组成建模用的训练样本集；(2)对得到的训练样本集进行标准化，使得各个标准化后的变量值与潜隐变量间存在线性相关关系；(3)基于预处理后的训练样本集构建多采样率动态隐变量模型；(4)在线收集新的化工过程中与训练样本集过程变量对应的多采样率过程样本数据，得到测试样本集；(5)对得到的测试样本集进行标准化；(6)采用步骤(3)得到的多采样率动态隐变量模型得到当前时刻的关键质量变量，实现关键质量变量的软测量。2.根据权利要求1所述的基于动态隐变量模型的多采样率软测量方法，其特征在于，步骤(1)中，所述过程变量样本采用集散控制系统收集；所述关键质量变量采用化验手段收集。3.根据权利要求1所述的基于动态隐变量模型的多采样率软测量方法，其特征在于，步骤(2)中，经过所述标准化，使得每个过程变量或者每个关键质量变量中的每个元素值围绕0上下波动。4.根据权利要求3所述的基于动态隐变量模型的多采样率软测量方法，其特征在于，步骤(2)中，所述标准化方法为：在某一采样率下，针对该采样率下的每个过程变量或者每个关键质量变量，先使得其中的每个元素减去其对应的过程变量或者每个关键质量变量的平均值，然后再除以样本集的整体标准差。5.根据权利...

【专利技术属性】
技术研发人员：周乐，王尧欣，武晓莉，成忠，单胜道，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：浙江,33