基于贝叶斯网络和极限学习机的区间型指标预报方法技术

基于贝叶斯网络和极限学习机的区间型指标预报方法，属于自动控制、信息技术和先进制造领域，具体涉及非对称高斯分布贝叶斯ELM模型参数的学习及非对称权重的自适应调整。其特征在于包括以下步骤：针对复杂生产过程不确定性特点，采用区间数来描述生产指标，将非对称高斯分布作为ELM模型中的输出分布，获得带权重贝叶斯ELM模型，并利用复杂生产过程中的实际运行数据，在经验贝叶斯框架下对上述贝叶斯ELM模型的参数进行学习。在此基础上，采用自适应调整方法学习一对互为倒数的权重，最终获得区间型指标的预报值。上述区间型指标预报方法可对实际生产过程中的生产指标进行预报，并用于指导生产过程的操作优化与动态调度。

【技术实现步骤摘要】
基于贝叶斯网络和极限学习机的区间型指标预报方法
本专利技术属于自动控制、信息技术和先进制造领域，具体涉及针对难以建立机理模型且已有大量历史生产数据的复杂工业生产过程的一种基于贝叶斯网络和极限学习机(ELM)的区间型指标预报方法。
技术介绍
生产指标预报是生产过程操作优化和动态调度中所涉及的关键技术之一，但在钢铁、微电子等行业实际复杂生产过程中，生产数据往往含有各种不确定性，基于神经网络、支撑向量机等常规预测模型给出的指标预报值与指标的实际测量值往往存在较大偏差，从而影响了操作优化和动态调度效果，采用区间型指标预报方法是解决上述指标预报难题的有效途径之一。
技术实现思路
本专利技术针对难以建立机理模型且已有大量历史生产数据的复杂生产过程，提出一种基于贝叶斯网络和极限学习机(ELM)的区间型指标预报方法。本专利技术针对复杂生产过程不确定性特点，采用区间数来描述生产指标，利用复杂生产过程中的实际运行数据，采用非对称高斯分布贝叶斯和ELM方法对区间型指标进行建模，并通过对一对互为倒数的权值进行自适应调整获得上边界模型和下边界模型，作为生产指标的预报区间。上述区间型指标预报方法可对实际生产过程中的生产指标进行预报，并用于指导生产过程的操作优化与动态调度。一种基于贝叶斯网络和极限学习机(ELM)的区间型指标预报方法，其特征在于，所述方法是依次按如下步骤实现的：步骤(1)：数据采集与预处理利用数据采集系统从实际工业生产过程进行数据采集，并将上述数据处理成如下训练数据：xi＝(xi，1，...，xi，n)其中，xi和ti分别为第i个训练样本的输入和输出，N为训练数据样本的个数，n为输入变量的维数；步骤(2)：构造基于非对称高斯分布贝叶斯的双ELM模型步骤(2.1)：将ELM模型可表示成如下形式：t＝h(x)β+ε其中，h(x)为ELM的隐层节点函数，β为输出层权重，ε为模型误差；步骤(2.2)：ELM模型的输出可假设为如下非对称高斯分布：其中，b为非对称高斯分布的方差参数，w为非对称高斯分布的权重；步骤(2.3)：训练数据的似然函数可写成：其中，H1和t1分别为满足t＜hβ的样本集的隐层输出矩阵和输出向量，H2和t2分别为满足t≥hβ的样本集的隐层输出矩阵和输出向量；步骤(2.4)：对输出权值β使用高斯先验分布，即其中，M是隐层节点数，a和βk是高斯分布的参数；步骤(2.5)：使用一对互为倒数权值(w，1/w)，记为(w1，w2)，并对其进行适当的调整，能得到两个带权重贝叶斯ELM模型(即基于非对称高斯分布贝叶斯的双ELM)：p(t|a1，b1)＝∫p(t|β1，b1，w1)p(β1|a1)dβ1p(t|a2，b2)＝∫p(t|β2，b2，w2)p(β2|a2)dβ2步骤(3)：基于非对称高斯分布贝叶斯的双ELM模型的初始化步骤(3.1)：ELM模型的初始化选定输入层神经节点个数与训练样本维数n相同，输出神经节点个数为1，单隐层极限学习机的隐层节点数M：隐层节点的激励函数h(x，ol，rl)可采用高斯函数/Sigmoid函数/正弦函数/三角基函数/HardLimit函数；根据最初的N个样本训练极限学习机，随机确定每个隐层节点的中心ol和宽度rl(隐层节点的激励函数h(x，ol，rl)采用高斯函数时)或随机确定每个隐层节点的权值ol和偏置rl(隐层节点的激励函数h(x，ol，rl)采用Sigmoid函数/正弦函数/三角基函数/HardLimit函数时)，l＝1，2，LM，运用普通的极限学习机计算初始的隐层输出矩阵H和输出层连接矩阵的初始值其中，步骤(3.2)：权重(w1，w2)的自适应调整算法的初始化初始化权重w＝w1＝w2＝1，设定预测区间CItrained＝0，设定权重调整单位值为δw＝0.05，设定权重的最小值wmin＝0.001，设定权重的学习率为rw＝1，设定权重的停止准则εw＝0.00001；步骤(4)：权重w1的贝叶斯ELM模型的参数学习：步骤(4.1)：使用贝叶斯公式，后验分布p(β1|t)能用如下表示：令有其中，H1，1和t1，1分别为ε＜0的训练样本对应的隐层输出矩阵和输出值，H1，2和t1，2分别为ε＞0的训练样本对应的隐层输出矩阵和输出值，H1＝[H1，1；H1，2]，t＝[t1，1；t1，2]；步骤(4.2)：使用贝叶斯公式，边缘似然函数p(t|a1，b1)可表示如下：其中，则，步骤(4.3)：令解得，其中，步骤(4.4)：类似的，令解得，步骤(4.5)：重复步骤(4.1)、步骤(4.2)和步骤(4.3)，直到a1和b1收敛；步骤(5)：权重w2的贝叶斯ELM模型的参数学习：本步骤与步骤(4)类似，这里直接给出结论；步骤(5.1)：使用如下公式计算ELM模型的输出权值，其中，H2，1和t2，1分别为ε＜0的训练样本对应的隐层输出矩阵和输出值，H2，2和t2，2分别为ε＞0的训练样本对应的隐层输出矩阵和输出值，H2＝[H2，1；H2，2]，t＝[t2，1；t2，2]；步骤(5.2)：分别使用如下公式计算a2和b2其中，步骤(5.3)：重复步骤(5.1)和步骤(5.2)，直到a2和b2收敛；步骤(6)：权重(w1，w2)的自适应调整步骤(6.1)：计算上界模型和下界模型的预测区间平均值：步骤(6.2)：计算预测区间平均值与区间目标值的差：CIerr＝CIexpected-CItrained步骤(6.3)：根据区间模型的预测区间平均值与区间目标值的差，使用如下方式进行权重调整wnew＝w-CIerr×(w-wmin)×δww1＝wnew，w2＝1/wnew步骤(7)：重复步骤(4)、步骤(5)和步骤(6)，直到CIerr满足停止条件；步骤(8)：在上述模型参数学习完成的基础上，使用如下方式进行区间型指标预测，假设输入变量为x，其中，t1和t2分别为区间型指标预测值的下界和上界；附图说明图1：基于贝叶斯网络和极限学习机的区间型指标预报方法的算法结构框图。图2：本专利技术针对LF生产过程钢水温度的预测问题实施的模型输出与实际输出对比的曲线图。其中横坐标为样本编号，纵坐标蓝色小圆点为实际的钢水温度值，绿色曲线和红色曲线分别为预测模型的预测上界值和预测下界值。图3：本专利技术针对LF生产过程钢水温度的预测问题实施的权重自适应调整过程及其对应的预测区间变化图。其中横坐标为模型学习的迭代次数，纵坐标中的蓝色曲线和红色曲线分别为上界模型和下界模型的权重的自适应调整过程，绿色曲线为其调整过程中相应的预测区间值。具体实施方式为验证上述基于区间数的区间极限学习机建模方法在处理区间数建模问题上的应用效果，本专利技术做了大量仿真实验，由于篇幅有限，这里仅给出上述方法在某钢厂LF生产过程钢水温度的预测问题上和某微电子厂化学机械研磨工序出片厚度预测问题上的具体实施详细步骤：(一)精炼炉钢水温度预报第一步：精炼炉生产数据采集采集每两次钢水测量之间的生产数据，将前一次钢水温度测量值、钢包状况、加热档位、加热时间、处理间隔时间、吹氩流量、包壁温度、烟气温度、烟气流量和环境温度等作为输入，后一次钢水温度测量值作为输出，共获得训练数据579个。第二步：进行AB-TELM模型训练根据说明书中步骤(3)给定的初始化方法，对AB-TELM模型中权重w1的贝本文档来自技高网...

【技术保护点】
基于贝叶斯网络和极限学习机的区间型指标建模方法，其特征在于，所述方法是依次按如下步骤实现的：步骤(1)：数据采集与预处理利用数据采集系统从实际工业生产过程进行数据采集，并将上述数据处理成如下训练数据：xi＝(xi，1，...，xi，n)其中，xi和ti分别为第i个训练样本的输入和输出，N为训练数据样本的个数，n为输入变量的维数；步骤(2)：构造基于非对称高斯分布贝叶斯的双ELM模型步骤(2.1)：将ELM模型可表示成如下形式：t＝h(x)β+ε其中，h(x)为ELM的隐层节点函数，β为输出层权重，ε为模型误差；步骤(2.2)：ELM模型的输出可假设为如下非对称高斯分布：其中，b为非对称高斯分布的方差参数，w为非对称高斯分布的权重；步骤(2.3)：训练数据的似然函数可写成：其中，H1和t1分别为满足t＜hβ的样本集的隐层输出矩阵和输出向量，H2和t2分别为满足t≥hβ的样本集的隐层输出矩阵和输出向量；步骤(2.4)：对输出权值β使用高斯先验分布，即其中，M是隐层节点数，a和βk是高斯分布的参数；步骤(2.5)：使用一对互为倒数权值(w，1/w)，记为(w1，w2)，并对其进行适当的调整，能得到基于非对称高斯分布贝叶斯的双ELM：p(t|a1，b1)＝∫p(t|β1，b1，w1)p(β1|a1)dβ1p(t|a2，b2)＝∫p(t|β2，b2，w2)p(β2|a2)dβ2步骤(3)：基于非对称高斯分布贝叶斯的双ELM模型的初始化步骤(3.1)：ELM模型的初始化选定输入层神经节点个数与训练样本维数n相同，输出神经节点个数为1，单隐层极限学习机的隐层节点数M；隐层节点的激励函数h(x，ol，rl)可采用高斯函数/Sigmoid函数/正弦函数/三角基函数/Hard Limit函数；根据最初的N个样本训练极限学习机，随机确定每个隐层节点激励函数的参数ol和rl，l＝1，2，L M，运用普通的极限学习机计算初始的隐层输出矩阵H和输出层连接矩阵的初始值其中，步骤(3.2)：权重(w1，w2)的自适应调整算法的初始化初始化权重w＝w1＝w2＝1，设定预测区间CItrained＝0，设定权重调整单位值为δw＝0.05，设定权重的最小值wmin＝0.001，设定权重的学习率为rw＝1，设定权重的停止准则εw＝0.00001；步骤(4)：权重w1的贝叶斯ELM模型的参数学习：步骤(4.1)：使用贝叶斯公式，后验分布p(β1|t)能用如下表示：令有其中，H1，1和t1，1分别为ε＜0的训练样本对应的隐层输出矩阵和输出值，H1，2和t1，2分别为ε＞0的训练样本对应的隐层输出矩阵和输出值，H1＝[H1，1；H1，2]，t＝[t1，1；t1，2]；步骤(4.2)：使用贝叶斯公式，边缘似然函数p(t|a1，b1)可表示如下：其中，则，步骤(4.3)：令解得，其中，步骤(4.4)：类似的，令解得，步骤(4.5)：重复步骤(4.1)、步骤(4.2)和步骤(4.3)，直到a1和b1收敛；步骤(5)：权重w2的贝叶斯ELM模型的参数学习：本步骤与步骤(4)类似，这里直接给出结论；步骤(5.1)：使用如下公式计算ELM模型的输出权值，其中，H2，1和t2，1分别为ε＜0的训练样本对应的隐层输出矩阵和输出值，H2，2和t2，2分别为ε＞0的训练样本对应的隐层输出矩阵和输出值，H2＝[H2，1；H2，2]，t＝[t2，1；t2，2]；步骤(5.2)：分别使用如下公式计算a2和b2其中，步骤(5.3)：重复步骤(5.1)和步骤(5.2)，直到a2和b2收敛；步骤(6)：权重(w1，w2)的自适应调整步骤(6.1)：计算上界模型和下界模型的预测区间平均值：步骤(6.2)：计算预测区间平均值与区间目标值的差：CIerr＝CIexpected‑CItrained步骤(6.3)：根据区间模型的预测区间平均值与区间目标值的差，使用如下方式进行权重调整wnew＝w‑CIerr×(w‑wmin)×δww1＝wnew，w2＝1/wnew步骤(7)：重复步骤(4)、步骤(5)和步骤(6)，直到CIerr满足停止条件；步骤(8)：在上述模型参数学习完成的基础上，使用如下方式进行区间型指标预测，假设输入变量为x，其中，t1和t2分别为区间型指标预测值的下界和上界。...

【技术特征摘要】
1.基于贝叶斯网络和极限学习机的精炼炉钢水温度预报方法，其特征在于，所述方法是依次按如下步骤实现的：步骤(1)：数据采集与预处理利用数据采集系统从实际精炼炉生产过程进行数据采集，其中包括每炉钢水每两次温度测量之间的数据；在每组数据中，将前一次钢水测量温度、钢包状况、加热档位、加热时间、处理间隔时间、吹氩流量、包壁温度、烟气温度、烟气流量和环境温度作为模型输入训练数据，将后一次钢水测量温度作为模型输出数据；将上述数据处理成如下训练数据：xi＝(xi，1，...，xi，n)其中，xi和ti分别为第i个训练样本的输入和输出，N为训练数据样本的个数，n为输入变量的维数；步骤(2)：选定输入层神经节点个数，输出神经节点个数，单隐层极限学习机的隐层节点数，隐层节点的激励函数，非对称权重，区间目标值；通过下述基于非对称高斯分布贝叶斯的双ELM模型建立精炼炉钢水温度预报模型：步骤(2.1)：将ELM模型可表示成如下形式：t＝h(x)β+ε其中，h(x)为ELM的隐层节点函数，β为输出层权重，ε为模型误差；步骤(2.2)：ELM模型的输出可假设为如下非对称高斯分布：其中，b为非对称高斯分布的方差参数，w为非对称高斯分布的权重，h为h(x)的简略表达；步骤(2.3)：训练数据的似然函数可写成：其中，H1和t1分别为满足t＜hβ的样本集的隐层输出矩阵和输出向量，H2和t2分别为满足t≥hβ的样本集的隐层输出矩阵和输出向量；步骤(2.4)：对输出权值β使用高斯先验分布，即其中，M是隐层节点数，a和βk是高斯分布的参数；步骤(2.5)：使用一对互为倒数权值(w，1/w)，记为(w1，w2)，并对其进行适当的调整，能得到基于非对称高斯分布贝叶斯的双ELM：p(t|a1，b1)＝∫p(t|β1，b1，w1)p(β1|a1)dβ1p(t|a2，b2)＝∫p(t|β2，b2，w2)p(β2|a2)dβ2步骤(3)：基于非对称高斯分布贝叶斯的双ELM模型的初始化步骤(3.1)：ELM模型的初始化选定输入层神经节点个数与训练样本维数n相同，输出神经节点个数为1，单隐层极限学习机的隐层节点数M；隐层节点的激励函数h(x，ol，rl)可采用高斯函数/Sigmoid函数/正弦函数/三角基函数/HardLimit函数；根据最初的N个样本训练极限学习机，随机确定每个隐层节点激励函数的参数ol和rl，l＝1，2，…M，运用普通...

【专利技术属性】
技术研发人员：刘民，宁克锋，董明宇，吴澄，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11