基于马尔可夫随机场和EM算法的关键性能指标软测量方法技术

本发明专利技术公开了一种基于马尔可夫随机场和EM算法的关键性能指标软测量方法。其中，该方法包括：先根据辅助变量和关键性能指标建立马尔可夫随机场模型，再根据马尔可夫随机场模型建立联合概率分布函数，其中，联合概率分布函数是辅助变量之间的联合概率分布和/或关键性能指标之间的联合概率分布；根据联合概率分布函数建立均方差概率模型，其中，均方差概率模型是给定辅助变量情况下，关键性能指标的期望与目标关键性能指标的关系，目标关键性能指标是当均方差概率模型趋近于零时的关键性能指标；将辅助变量输入均方差概率模型得到目标关键性能指标，进而解决了现有技术存在的无法实时准确测量工业过程中的关键性能指标的技术问题。

【技术实现步骤摘要】
基于马尔可夫随机场和EM算法的关键性能指标软测量方法
本专利技术涉及工业过程的关键性能指标领域，具体而言，涉及一种基于马尔可夫随机场和EM算法的关键性能指标软测量方法。
技术介绍
近些年来，由于科学技术的快速发展，现代工业过程的规模越来越庞大，生产设备与生产工艺日趋复杂，以往常规的，简单的，单一的控制方法不再能够满足环境的需要。为了能够阻止异常工况的频繁发生，保证工业过程的平稳运行，获取最大化的经济效益，各种优化控制和先进控制手段在复杂工业生产领域得到了极大地发展，而应用过程中面临的首要问题就是实现对关键性能指标的实时准确估计。关键性能指标(KPI)是指在工业生产期间与最终产品质量、工厂经济效益等有显著联系的重要指标。由于现代工业系统具有复杂性和非线性，经常发生系统故障和受到外界干扰的情况，关键性能指标通常是不易测量的，或者测量值具有未知不确定的时间延迟。针对这一问题，现有技术通常采用在线分析仪器进行测量，但是在线分析仪器存在价格昂贵、维护保养过程复杂和分析周期较长的问题，难以为后续的控制过程提供实时的反馈信号。而对于这个问题现有技术中采用的软测量方法又经常忽略数据的缺失以及难以解决本文档来自技高网...

【技术保护点】
1.一种基于马尔可夫随机场和EM算法的关键性能指标软测量方法，其特征在于，包括：根据辅助变量和关键性能指标建立马尔可夫随机场模型，其中，所述马尔可夫随机场模型是一种无向图模型，所述无向图中的每个结点表示一个或者一组训练数据变量，所述结点之间的边代表两个训练数据变量之间的依赖关系；根据所述马尔可夫随机场模型建立联合概率分布函数，其中，所述联合概率分布函数是所述辅助变量之间的联合概率分布和/或所述关键性能指标之间的联合概率分布；根据所述联合概率分布函数建立所述均方差概率模型，其中，所述均方差概率模型是给定辅助变量情况下，关键性能指标的期望与目标关键性能指标的关系，所述目标关键性能指标是当所述均方差...

【技术特征摘要】
1.一种基于马尔可夫随机场和EM算法的关键性能指标软测量方法，其特征在于，包括：根据辅助变量和关键性能指标建立马尔可夫随机场模型，其中，所述马尔可夫随机场模型是一种无向图模型，所述无向图中的每个结点表示一个或者一组训练数据变量，所述结点之间的边代表两个训练数据变量之间的依赖关系；根据所述马尔可夫随机场模型建立联合概率分布函数，其中，所述联合概率分布函数是所述辅助变量之间的联合概率分布和/或所述关键性能指标之间的联合概率分布；根据所述联合概率分布函数建立所述均方差概率模型，其中，所述均方差概率模型是给定辅助变量情况下，关键性能指标的期望与目标关键性能指标的关系，所述目标关键性能指标是当所述均方差概率模型趋近于零时的关键性能指标；将所述辅助变量输入所述均方差概率模型得到所述目标关键性能指标。2.根据权利要求1所述的方法，其特征在于，根据所述联合概率分布函数建立所述均方差概率模型包括：将所述联合概率分布函数近似表示为高斯混合模型；根据所述高斯混合模型建立所述均方差概率模型。3.根据权利要求2所述的方法，其特征在于，根据所述高斯混合模型建立所述均方差概率模型包括：使用期望最大化算法估计所述高斯混合模型中的未知参数；根据所述高斯混合模型建立所述均方差概率模型。4.根据权利要求1至3任意一项所述的方法，其特征在于，根据辅助变量和关键性能指标建立并训练马尔可夫随...

【专利技术属性】
技术研发人员：杨旭，张悦，高晶晶，崔家瑞，王璇玥，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京,11