一种基于集成即时学习的工业混炼胶门尼粘度软测量方法技术

本发明专利技术涉及一种基于集成即时学习的工业混炼胶门尼粘度软测量方法，用于工业混炼胶过程中门尼粘度的在线预测。本发明专利技术以高斯过程回归(GPR)为局部建模技术，结合相似度扰动和输入样本的多模态扰动策略激发即时学习的多样性，然后基于进化多目标优化构建满足多样性和准确性的即时学习基模型，最后，通过引入有限混合机制的自适应集成策略实现即时学习基模型的融合并得到最终门尼粘度预测值。本发明专利技术克服了混炼胶过程中门尼粘度值获取滞后导致成本增加、产品质量难以提高的问题，实现了门尼粘度的高精度在线实时获取。

A Soft Sensing Method for Menny Viscosity of Industrial Mixture Based on Integrated Instant Learning

【技术实现步骤摘要】
一种基于集成即时学习的工业混炼胶门尼粘度软测量方法
本专利技术涉及一种间歇过程软测量建模和应用领域，特别涉及一种基于集成即时学习的工业混炼胶门尼粘度软测量方法。
技术介绍
橡胶和轮胎工业在国民经济中扮演着重要角色，其中的一个关键环节是橡胶混炼。混炼胶是一个典型的间歇工业过程，实现关键参数的在线检测是过程控制及优化的必要条件，也是确保产品质量和生产过程安全运行的关键措施。在橡胶混合中，根据技术配方将各种配合剂加入生料中，并在混合器中进行复杂的化学反应以制备合成橡胶，全过程由PLC控制器完成混炼胶生产过程的控制。为了获得高质量的橡胶产品，门尼粘度是一个关键的质量指标，通常在橡胶混合过程的批次运行中门尼粘度令人不满意，将导致难以获得最佳和均匀的混合橡胶质量，在没有完成完全反应的情况下则会浪费大量原料，造成经济损失。然而，在实际橡胶混合中，门尼粘度参数的获取只能在每批胶料混合结束后通过人工分析来确定，人工分析通常需要在批次反应结束后4-6小时，而批次运行的混合过程仅持续约2-5分钟，这导致门尼粘度参数的获取存在严重滞后，产品质量难以提升。因此，近年来，软测量技术已被广泛应用于门尼粘度的实时估计，以获得高质量的橡胶产品。长期以来，在软测量技术研究领域涌现出了大量的软测量建模方法，按学习方式可以将其划分为全局建模和局部建模。全局建模寻求建立一个单一的预测模型，并且期待在所有过程状态上获得满意的性能。但是，全局建模训练效率低，而且不能有效表征过程的局部特征，导致模型预测性能受限。局部建模技术遵循“分而治之”的思想，无论从计算效率还是对局部特征的描述能力上看，局部建模技术的优点都是毋庸置疑的。因此，局部建模技术在软测量建模领域日益受到重视。即时学习(JIT)作为一种典型的局部建模技术已成为软测量建模领域的一个研究热点。即时学习软测量建模围绕相似度函数的定义、数据库管理、新型局部建模技术的引入、与其它方法混合建模等方向展开大量研究。但是，这些传统的即时学习建模方法始终遵循单一的学习配置，即一个数据库、一种回归算法、一组输入特征、一个相似度函数、一组模型超参数，忽略了建模配置的多样性。受限于过程知识的有限性和专家知识的局限性，实际上无法获得最优的建模配置，难以获得满意的预测结果。
技术实现思路
本专利技术所要解决的主要技术问题是：本专利技术针对现有技术的不足，提供一种基于集成即时学习的工业混炼胶门尼粘度软测量方法(MP-EJITGPR)，以解决混炼胶过程中门尼粘度难以在线检测的问题。本专利技术解决上述技术问题所采用的技术方案为：包括以下步骤：(1)收集工业混炼胶过程中I个批次，K采样时刻，J个输入过程变量，并将其存放在一个三维矩阵中，同时在批次结束时通过离线分析获得与K采样时刻对应的门尼粘度值y作为输出，然后将三维矩阵沿批次方向展开为二维矩阵X作为输入，获得输入输出样本集Z＝{X，y}；(2)基于Z-Score方法对输入输出样本集Z进行归一化处理，得到均值为0、方差为1的新样本集，并将新样本集划分为训练集、验证集和测试集；(3)结合相似度扰动和输入特征扰动的多模态扰动机制激发即时学习的多样性，以GPR为局部建模技术，通过多目标优化方法选择多样性的输入变量集；(4)对于验证集中的查询样本，根据定义的M个相似度指标分别从对应的输入变量中选择Nlocal个相似样本，从而建立M个满足准确性和多样性的JITGPR基模型，分别得到M组局部预测输出；(5)采用有限混合机理对M个JITGPR基模型的局部预测输出进行集成，最终得到门尼粘度预测输出和方差。本专利技术的有益效果：本专利技术通过多模态扰动方式充分激发即时学习基模型的多样性，通过进化多目标优化方法构建满足准确性和多样性的JITGPR基模型，最后通过有限混合机制的自适应集成(FMM)策略得到门尼粘度的最终预测输出和方差。与传统软测量方法相比，本专利技术能显著提升工业混炼胶过程门尼粘度的预测精度。附图说明图1为本专利技术MP-EJITGPR方法的原理图；图2为工业混炼胶过程中MP-EJITGPR方法优化选择输入变量结果图；图3为使用单个相似度和MP-EJITGPR模型对门尼粘度预测性能比较图；图4为基于MP-EJITGPR方法的门尼粘度预测趋势曲线图；具体实施方式为使本专利技术的技术方案和优势更加清楚，下面结合附图和具体实施方式对本专利技术进行详细说明：如图1所示：一种基于集成即时学习的工业混炼胶门尼粘度软测量方法，具体实施步骤如下：(1)收集工业混炼胶过程中I个批次，K采样时刻，J个输入过程变量，并将其存放在一个三维矩阵(I×J×K)中，同时在批次结束时通过离线分析获得与K采样时刻对应的门尼粘度值y作为输出，然后将三维矩阵(I×J×K)沿批次方向展开为二维矩阵X＝[X1(I×J)，X1(I×J)，…，XK(I×J)]作为输入，获得输入输出样本集Z＝{X，y}；(2)基于Z-Score方法对输入输出样本集Z进行归一化处理，得到均值为0、方差为1的新样本集，并将新样本集划分为训练集、验证集和测试集；(3)结合相似度扰动和输入特征扰动的多模态扰动机制激发即时学习的多样性，以GPR为局部建模技术，通过多目标优化方法选择多样性的输入变量集；①相似度扰动：从不同视角分别定义M个相似度函数，第M个相似度函数表示为SM；②输入特征扰动：构建M个子空间，每个子空间包括从训练集中随机选取的D个输入变量，第M个子空间表示为每个子空间对应一个相似度，建立M个多样性的即时学习基模型，即本方法中涉及到多目标优化，其定义为多目标优化的目标函数为两个或两个以上则称为多目标优化，多目标优化问题的数学描述如下：min[f1(x)，f2(x)，...，fT(x)]其中，fi(x)为待优化的目标函数；x为待优化的决策向量；lb和ub分别是变量x的下限和上限约束；Aeq*x＝beq是变量x的线性等式约束；A*x≤b是变量x的线性不等式约束，本方法采用进化多目标优化算法来进行目标优化，也可采用其他合适的多目标优化算法，其中进化多目标优化算法具体过程如下：设置种群个数Npop和迭代数Ngen利用进化多目标优化算法从每个子空间的D个输入变量中进行选择，选择出满足准确性和多样性的输入变量，优化过程涉及到决策变量、目标函数和约束条件：①决策变量：决策变量z即每个即时学习框架下相似度对应子空间输入变量，表示为：第M个即时学习基模型中的第D个输入变量选择表示为：式中，表示选中该变量，表示没有选中该变量；②目标函数：max{facc(z)，fdiv(z)}式中，facc(z)和fdiv(z)分别表示准确性和多样性目标函数；准确性目标函数facc(z)定义如下：式中，表示在验证集上第m个即时学习模型的均方根误差，RMSEavg，val表示在验证集上M个即时学习模型的均方根误差的平均值，其值越小模型精度越高；验证集中第i个样本在第M个即时学习基模型上的预测输出用向量表示，在M个基模型的预测输出则表示为多样性目标函数fdiv(z)定义如下：其中，Nval是验证集中的样本数，σval，i是的标准差，σavg，val为所有标准差的平均值，其值越大基模型间的差异性越大即多样性越大；将max{facc(z)，fdiv(z)}的最大化优化问题转化为最小化优化问题，描述为min{RMS本文档来自技高网...

【技术保护点】
1.一种基于集成即时学习的工业混炼胶门尼粘度软测量方法，其特征在于，包括以下步骤：(1)收集工业混炼胶过程中I个批次，K采样时刻，J个输入过程变量，并将其存放在一个三维矩阵中，同时在批次结束时通过离线分析获得与K采样时刻对应的门尼粘度值y作为输出，然后将三维矩阵沿批次方向展开为二维矩阵X作为输入，获得输入输出样本集Z＝{X，y}；(2)基于Z‑Score方法对输入输出样本集Z进行归一化处理，得到均值为0、方差为1的新样本集，并将新样本集划分为训练集、验证集和测试集；(3)结合相似度扰动和输入特征扰动的多模态扰动机制激发即时学习的多样性，以GPR为局部建模技术，通过多目标优化方法选择多样性的输入变量集；(4)对于验证集中的查询样本，根据定义的M个相似度指标分别从对应的输入变量中选择Nlocal个相似样本，从而建立M个满足准确性和多样性的JITGPR基模型，分别得到M组局部预测输出；(5)采用有限混合机理对M个JITGPR基模型的局部预测输出进行集成，最终得到门尼粘度预测输出和方差。

【技术特征摘要】
1.一种基于集成即时学习的工业混炼胶门尼粘度软测量方法，其特征在于，包括以下步骤：(1)收集工业混炼胶过程中I个批次，K采样时刻，J个输入过程变量，并将其存放在一个三维矩阵中，同时在批次结束时通过离线分析获得与K采样时刻对应的门尼粘度值y作为输出，然后将三维矩阵沿批次方向展开为二维矩阵X作为输入，获得输入输出样本集Z＝{X，y}；(2)基于Z-Score方法对输入输出样本集Z进行归一化处理，得到均值为0、方差为1的新样本集，并将新样本集划分为训练集、验证集和测试集；(3)结合相似度扰动和输入特征扰动的多模态扰动机制激发即时学习的多样性，以GPR为局部建模技术，通过多目标优化方法选择多样性的输入变量集；(4)对于验证集中的查询样本，根据定义的M个相似度指标分别从对应的输入变量中选择Nlocal个相似样本，从而建立M个满足准确性和多样性的JITGPR基模型，分别得到M组局部预测输出；(5)采用有限混合机理对M个JITGPR基模型的局部预测输出进行集成，最终得到门尼粘度预测输出和方差。2.根据权利要求1所述的一种基于集成即时学习的工业混炼胶门尼粘度软测量方法，其特征在于，所述步骤(3)中的多模态扰动机制包括相似度扰动和输入特征扰动，具体为：①相似度扰动：从不同视角分别定义M个相似度函数，第M个相似度函数表示为SM；②输入特征扰动：构建M个子空间，每个子空间包括从训练集中随机选取的D个输入变量，第M个子空间表示为每个子空间对应一个相似度，建立M个多样性的即时学习基模型，即设置种群个数Npop和迭代数Ngen利用进化多目标优化算法从每个子空间的D个输入变量中进行选择，选择出满足准确性和多样性的输入变量，优化过程涉及到决策变量、目标函数和约束条件：①决策变量：决策变量z即每个即时学习框架下相似度对应子空间输入变量，表示为：第M个即时学习基模型中的第D个输入变量选择表示为：式中，表示选中该变量，表示没有选中该变量；②目标函数：max{facc(z)，fdiv(z)}式中，facc(z)和fdiv(z)分别表示准确性和多样性目标函数；准确性目标函数facc(z)...

【专利技术属性】
技术研发人员：金怀平，李建刚，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南,53