基于JY-KPLS的复杂工业过程在线质量预测方法技术

一种基于JY‑KPLS的复杂工业过程在线质量预测方法，利用联合Y变量的核偏最小二乘技术建立运行状态的离线质量预测模型、批次工业过程的在线质量预测，具体是先利用联合Y的核偏最小二乘法技术离线建立预测模型，在线获取决策点所有数据，采用均值填充方式对数据进行补充完整，利用预测模型对产品的质量进行预测。本发明专利技术能够有效克服新的生产过程数据少而无法建立预测模型的问题，能够加快建模速度，可以提高模型预测精度，实现模型自适应，可根据实时获得预测结果，现场操作人员就能及时调整生产策略，实现生产过程的实时优化，提高工厂的综合经济效益。

【技术实现步骤摘要】
基于JY-KPLS的复杂工业过程在线质量预测方法
本专利技术涉及一种基于JY-KPLS的批次过程在线质量预测的方法，属于工业生产过程质量预测领域。
技术介绍
企业产品的质量永远是其在市场竞争中赖以生存的关键。在科学技术飞速发展的今天，能否获得准确的质量预测值比任何时候都更加能引起人们的关注。但是在实际生产过程中，产品最终的实际质量指标往往只能够在生产批次运行结束时离线测量得到，例如生物发酵过程的产品浓度等无法直接在线获得。而离线测量方式通常采样周期较长，几个小时甚至十几小时，测量严重滞后，难以直接用于生产优化。然而这些难以直接测量的参数对于保证产品质量、反映生产过程的运行特征与运行状况以及调整生产策略等都具有极其重要的意义。为了解决这一矛盾，质量预测技术应运而生。目前质量预测方法主要有两大类，一类是基于机理建模的方法；另一类是基于数据驱动的方法，例如回归分析法和人工神经元网络。基于机理建模的方法建立在事先对工业过程有充分了解的基础上，在面对具有强非线性和模型不确定性的工业过程时，往往难以完成机理建模；而基于数据驱动的方法主要依据过程的可测数据，建模过程并不依赖于过程自身的机理。基于回归分析法的质量预测方法通过对工业生产过程中积累的历史数据进行回归分析，离线的建立质量的预测模型，并进行在线质量预测，其中的偏最小二乘方法(PLS)应用最为广泛。基于偏最小二乘的质量预测方法使用成分提取的方法建立质量预测模型。在进行主成分提取时，同时考虑输入数据信息和输出数据信息，保证从输入数据和输出数据中所提取出的主成分之间相关性最大，用提取出的主成分进行回归建模。偏最小二乘算法具有对训练数据量要求较少，运算复杂度较低，解释效果较好等优点。目前，已有相关学者对批次过程质量预测做了一些研究。如赵春晖等，提出了一种基于时段的PLS建模与质量预测方法，适用于解决多段间歇过程的建模与质量预测问题。崔久莉等，提出了一种基于多向核偏最小二乘法的质量预测方法，对当前的一些统计过程监控和质量预测算法进行了改进。曲亚鑫、宋凯等，所提出的方法局限于利用单一过程的数据信息，并且建模过程需要大量的训练数据。董伟威、贾润达、汤健等，所提的建模方法基于核偏最小二乘(KPLS)，能够有效的处理系统中的强非线性问题。张曦等，对核函数方法进行了相关研究，并将核方法运用到了青霉素发酵过程的运行监控中。以上几种方法都是建立在拥有充足数据样本的基础上，对于一个刚投入生产的新批次生产过程，由于生产过程运行的时间较短，通常无法获得充足的过程数据。如果采用类似于上述的建模方法，所建立的预测模型往往预测精度较低无法满足生产需求。而按照传统方法就必须重新设计实验以获取过程数据，这将耗费大量的人力财力，建模效率低下，严重拖慢了新过程实现生产运行优化的速度，不利于企业实时调整生产策略与扩大生产规模。此外，实际生产过程中往往会存在强非线性问题，导致线性的偏最小二乘方法难以适用。实际的生产过程中，操作条件的改变或者新生产线的建立都将使原先建立的预测模型失效，然而由于新旧过程的内在机理的是一致的，它们之间必然存在一定的相似性。如果能够采用某种策略，利用相似过程中有用的数据信息来帮助新过程建模，将能够避免进行大量的重复试验，提高建模效率。
技术实现思路
为了克服现有预测方法因新生产过程数据不足而难以建立准确预测模型的不足，本专利技术提供一种基于JY-KPLS的复杂工业过程在线质量预测方法，利用两个相似过程数据联合建立预测模型，将相似过程中合适的数据迁移应用到新的生产过程中，能够有效克服新的生产过程数据少而无法建立预测模型的问题，能够加快建模速度，可以提高模型预测精度，实现模型更新。本专利技术解决其技术问题采用的技术方案是：一种基于JY-KPLS的复杂工业过程在线质量预测方法，其采用两套完全相同的生产设备，各自的内部参数设置不同，分别进行a过程和b过程两个生产过程，其中，a过程是全新的生产过程且数据少，而b过程的生产时间且长数据丰富；预设过程数据矩阵为X∈RN×J，N为样本数，J为过程变量数；预设输出数据矩阵为Y∈RN，包含输出过程变量；质量预测方法具体步骤如下：步骤一、将a过程、b过程的三维输入数据按照批次方向展开成二维矩阵，分别为Xa、Xb；步骤二、对a过程、b过程输入数据矩阵Xa，Xb的各列进行零均值和单位方差处理；同理，对输出数据矩阵Ya，Yb也进行标准化处理，且输出数据Ya与Yb中质量变量的数目相同；步骤三、将输入数据矩阵Xa、Xb经非线性映射Φ：xi∈RN→Φ(xi)∈F投影到高维特征空间F，并在F空间中计算核矩阵Ka、Kb：Ka＝ΦTΦ，Kb＝ΦTΦ；步骤四、对核矩阵Ka、Kb进行标准化处理；步骤五、对输入核矩阵K和输出矩阵Y运行JY-KPLS算法：此时输入数据矩阵变为Ka、Kb，输出数据矩阵变为Ya，Yb，从输出矩阵Y中提取收敛的ui，令i＝1，KWi＝KW，YWi＝YW；a1、令YWi中的任意一列等于ui；b1、计算Ka的得分向量，t1i＝KWiu1i，t1i←t1i/||t1i||；c1、Kb的得分向量t2i＝KWiu2i，t2i←t2i/||t2i||；d1、计算Y1Wi的得分向量u1i＝Y1*qi，u1i←u1i/||u1i||；f1、计算Y2Wi的得分向量u2i＝Y2*qi，u2i←u2i/||u2i||；e1、判断u1i与u2i是否收敛，若收敛则转入步骤六，否则返回a1；步骤六、计算KWi的负载矩阵：步骤七、提取出全部主元，计算输入数据矩阵KW的得分矩阵T、输入数据矩阵KW的负载矩阵P、输出数据矩阵YW的得分矩阵U以及输出数据矩阵YW的负载矩阵Q，具体如下：a2、令b2、令i＝i+1，重复步骤五、六直到提取出A个主元，主元个数A可由交叉验证法确定；c2、T1＝[t1,...,tA]，T2＝[t1,...,tA]，P＝[p1,...,pA]，U2＝[u1,...,uA]，Q＝[q1,...,qA]；若输出数据矩阵Y为单输出变量，则JY-KPLS模型的表达式如下：y＝K*U2(T2*Knx*U2)-1*Tj'*Yj+F，是a过程输出变量和b过程输出变量的联合，是a过程潜变量和b过程潜变量的联合，即建立质量预测模型所需要得出的最关键变量，可用于运行状态离线质量预测模型的建立；当引入新的样本knew，其得分矩阵将由下式得出：其中，knew是新样本xnew的核函数，可由下式计算得到：knew＝Φ(X)Φ(xnew)＝[k(x1,xnew),...k(xn,xnew)]T，对knew进行均值化可得：其中，1t＝1/n·[11...1]T∈Rn；步骤八、在线获得输入数据数据xnew，无法获得的部分输入数据用均值补齐，利用xnew进行在线质量预测获得预测值并依据预测结果指导生产过程；步骤九、如果该生产批次结束，则获得最新的输出数据ynew，并计算最新批次的预测误差δn，其中否则返回步骤八；步骤十、模型预测精度检验，绘制误差曲线；当过程批次大于2J次时(J为过程输入变量总数)，获取除最新批次外所有的预测误差δn-1；样本δn-1服从正态分布，求出当显著性α＝0.95时的置信区间当最新批次预测误差δn落在置信区间内时，则进入步骤十一；当δn落在置信区间外时，则进入步骤十二；步骤十本文档来自技高网...

【技术保护点】
一种基于JY‑KPLS的复杂工业过程在线质量预测方法，其采用两套完全相同的生产设备，各自的内部参数设置不同，分别进行a过程和b过程两个生产过程，其中，a过程是全新的生产过程且数据少，而b过程的生产时间且长数据丰富；预设过程数据矩阵为X∈R

【技术特征摘要】
1.一种基于JY-KPLS的复杂工业过程在线质量预测方法，其采用两套完全相同的生产设备，各自的内部参数设置不同，分别进行a过程和b过程两个生产过程，其中，a过程是全新的生产过程且数据少，而b过程的生产时间且长数据丰富；预设过程数据矩阵为X∈RN×J，N为样本数，J为过程变量数；预设输出数据矩阵为Y∈RN，包含输出过程变量；质量预测方法具体步骤如下：步骤一、将a过程、b过程的三维输入数据按照批次方向展开成二维矩阵，分别为Xa、Xb；步骤二、对a过程、b过程输入数据矩阵Xa，Xb的各列进行零均值和单位方差处理；同理，对输出数据矩阵Ya，Yb也进行标准化处理，且输出数据Ya与Yb中质量变量的数目相同；步骤三、将输入数据矩阵Xa、Xb经非线性映射Φ：xi∈RN→Φ(xi)∈F投影到高维特征空间F，并在F空间中计算核矩阵Ka、Kb：Ka＝ΦTΦ，Kb＝ΦTΦ；步骤四、对核矩阵Ka、Kb进行标准化处理；步骤五、对输入核矩阵K和输出矩阵Y运行JY-KPLS算法：此时输入数据矩阵变为Ka、Kb，输出数据矩阵变为Ya，Yb，从输出矩阵Y中提取收敛的ui，令i＝1，KWi＝KW，YWi＝YW；a1、令YWi中的任意一列等于ui；b1、计算Ka的得分向量，t1i＝KWiu1i，t1i←t1i/||t1i||；c1、Kb的得分向量t2i＝KWiu2i，t2i←t2i/||t2i||；d1、计算Y1Wi的得分向量u1i＝Y1*qi，u1i←u1i/||u1i||；f1、计算Y2Wi的得分向量u2i＝Y2*qi，u2i←u2i/||u2i||；e1、判断u1i与u2i是否收敛，若收敛则转入步骤六，否则返回a1；步骤六、计算KWi的负载矩阵：步骤七、提取出全部主元，计算输入数据矩阵KW的得分矩阵T、输入数据矩阵KW的负载矩阵P、输出数据矩阵YW的得分矩阵U以及输出数据矩阵YW的负载矩阵Q，具体如下：a2、令b2、令i＝i+1，重复步骤五、六直到提取出A个主元，主元个数A可由交叉验证法确定；c2、T1＝[t1,...,tA]，T2＝[t1,...,tA]，P＝[p1,...,pA]，U2＝[u1...

【专利技术属性】
技术研发人员：褚菲，沈建，程相，马小平，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32