面向工业大数据的并行学习软测量建模方法技术

本发明专利技术公开了一种面向工业大数据的并行学习软测量建模方法，包括：S20，将样本数据划分为M块训练集，采用点增量算法与块增量算法相结合的随机配置网络并行学习策略，针对M块训练集同步建立并求取满足监督机制的候选隐层节点池；S30，在候选隐层节点池中基于残差最速下降原则选取最佳候选节点作为隐层增长节点添加到当前网络；S40，若当前网络的模型参数达到停止标准，则根据对应的模型参数确定软测量模型；S50，若当前网络的模型参数未达到停止标准，则根据当前隐层节点数更新下一次迭代中样本数据的分块数M，返回执行步骤S20，直至当前网络的模型参数达到停止标准，根据达到停止标准时的模型参数确定软测量模型。

Parallel learning soft sensor modeling method for industrial big data

【技术实现步骤摘要】
面向工业大数据的并行学习软测量建模方法
本专利技术涉及工业过程测量
，尤其涉及一种面向工业大数据的并行学习软测量建模方法。
技术介绍
随着智能制造技术的发展，工业过程所关心的参数逐渐扩展到反映产品质量的运行指标。然而，这些运行指标的在线检测仪造价昂贵，且往往有较大的滞后而使得调节不够及时，导致产品质量难以得到保证。软测量建模方法通过建立工业过程变量之间的数学模型，是一种以易测的辅助变量预测主导变量的技术方法。近年来，神经网络算法被逐渐应用在工业过程软测量领域。然而，传统的前馈神经网络存在收敛性较差、易于陷入局部最优(如反向传播算法)、对数据特性敏感导致性能差异较大(如径向基函数)和过多的人为干预(如随机向量函数链接网络)等问题，且样本数据规模较大时，不可避免地增加了计算开销、影响了建模效率，难以工业应用。可见在面向工业大数据的软测量过程中，所构建的测量模型存在局限性。
技术实现思路
针对以上问题，本专利技术提出一种面向工业大数据的并行学习软测量建模方法。为实现本专利技术的目的，提供一种面向工业大数据的并行学习软测量建模方法，包括如下步骤：S20，将样本数据划分为M块训练集，采用点增量算法与块增量算法相结合的随机配置网络并行学习策略，针对所述M块训练集同步建立并求取满足监督机制的候选隐层节点池，其中所述监督机制包括点增量监督机制和块增量监督机制，所述候选隐层节点池包括候选隐层单节点池和候选隐层块节点池；S30，在候选隐层节点池中基于残差最速下降原则选取最佳候选节点作为隐层增长节点添加到当前网络；S40，若当前网络的模型参数达到停止标准，则根据对应的模型参数确定软测量模型；S50，若当前网络的模型参数未达到停止标准，则根据当前隐层节点数更新下一次迭代中样本数据的分块数M，返回执行步骤S20，直至当前网络的模型参数达到停止标准，根据达到停止标准时的模型参数确定所述软测量模型。在其中一个实施例中，在所述将样本数据划分为M块训练集，采用点增量算法与块增量算法相结合的随机配置网络并行学习策略，针对所述M块训练集同步建立并求取满足监督机制的候选隐层节点池之前，还包括：设置隐层参数随机生成次数、学习参数、随机参数的分配区间集合、最大迭代次数、给定期望容差、样本数据的初始块数和并行学习策略中块增量算法的宽度。作为一个实施例，所述根据所述当前隐层节点数更新下一次迭代中样本数据的分块数M包括：将所述当前隐层节点数代入分块函数计算下一次迭代中样本数据的分块数M；所述分块函数包括：若则式中，L表示当前隐层节点数，表示第k次迭代时分块数递增区间长度，和分别表示相应递增区间的上下界，则M0表示初始样本数据的分块基数。在其中一个实施例中，所述并行学习策略中采用点增量算法针对M块训练集同步建立并求取满足点增量监督机制的候选隐层单节点池包括：根据所述随机参数的分配区间集合确定点增量分配区间，在所述点增量分配区间内进行Tmax次随机生成点增量隐层参数；Tmax表示隐层参数随机生成次数；依据点增量监督机制，针对全体训练集分别对各次点增量隐层参数进行筛选，获得满足点增量监督机制的多个点增量隐层参数，根据各个点增量隐层参数构建候选隐层单节点池；在所述候选隐层单节点池中确定最佳候选隐层单节点。作为一个实施例，所述点增量监督机制包括：式中，q＝1,2,…,m，m表示各训练集输出的维数，p＝1,2,…,M，M表示训练集的块数，r表示学习参数，μL＝1-r/L+1，L表示当前隐层节点数，eL-1,q表示当前隐层节点数为L-1时各训练集第q个输出对应的残差，符号<·,·>表示向量的内积，gp,L表示当前隐层节点数为L时第p个数据块的隐层输出，ξL,q表示当前隐层节点数为L时各训练集第q个输出对应的监督机制；在所述候选隐层单节点池中确定最佳候选隐层单节点包括：根据点增量监督机制计算全体训练集对应的点增量辅助参数ξL；所述点增量辅助参数的计算公式为：在所述候选隐层单节点池中，将所述点增量辅助参数ξL取得最大值时全体训练集对应的隐层节点确定为最佳候选隐层单节点。在其中一个实施例中，所述并行学习策略中采用块增量算法针对M块训练集同步建立并求取满足块增量监督机制的候选隐层块节点池包括：根据所述随机参数的分配区间集合确定块增量分配区间，在所述块增量分配区间内进行Tmax次随机生成块增量隐层参数；Tmax表示隐层参数随机生成次数；依据块增量监督机制，针对全体训练集分别对各次块增量隐层参数进行筛选，获得满足块增量监督机制的多个块增量隐层参数，根据各块增量隐层参数构建候选隐层块节点池；在所述候选隐层块节点池中确定最佳候选隐层块节点。作为一个实施例，所述块增量监督机制包括：式中，q＝1,2,…,m，m表示各训练集输出的维数，表示在第k次迭代时第p个数据块对应的隐层输出块，gp,L表示当前隐层节点数为L时第p个数据块的隐层输出，p＝1,2,…,M，M表示训练集的块数，表示在第k次迭代时各训练集第q个输出对应的输出权值的中值，上标表示广义逆运算，上标“T”表示转置运算，r表示学习参数，μL＝1-r/L+1，L表示当前隐层节点数，表示当前隐层节点数为L-△k时各训练集第q个输出对应的残差，符号<·,·>表示向量的内积，表示在第k次迭代时各训练集第q个输出对应的监督机制；在所述候选隐层块节点池中确定最佳候选隐层块节点包括：根据块增量监督机制计算全体训练集对应的块增量辅助参数所述块增量辅助参数的计算公式为：在所述候选隐层块节点池中，将所述块增量辅助参数取得最大值时全体训练集对应的隐层节点确定为最佳候选隐层块节点。在其中一个实施例中，在针对M块训练集同步建立并求取满足监督机制的候选隐层节点池之后，还包括：若并行学习策略中点增量算法或块增量算法针对所述M块训练集未求取到满足监督机制的候选隐层节点池，则将其学习参数由r更新为r+τ，τ∈(0,1-r)，同时还可以调整随机参数的分配区间边界值λ，λ∈Υ，Υ为随机参数的分配区间集合；依据更新后的学习参数和分配区间执行所述未求取到满足监督机制的候选隐层节点池对应的点增量算法或块增量算法，针对所述M块训练集同步建立并求取满足监督机制的候选隐层节点池的过程。在其中一个实施例中，所述在候选隐层节点池中基于残差最速下降原则选取最佳候选节点作为隐层增长节点添加到当前网络包括：通过求解全局最优解得到所述最佳候选隐层单节点和最佳候选隐层块节点的输出权值，所述输出权值包括：首先，根据所述最佳候选隐层单节点和最佳候选隐层块节点同步构建基于当前网络隐层输出矩阵的点增量隐层输出矩阵和块增量隐层输出矩阵，所述当前网络隐层输出矩阵包括：式中，M表示训练集的块数，Hp,L表示当前隐层节点数为L时第p块训练集的隐层输出矩阵，Tp表示第p块训练集的输出数据；所述点增量隐层输本文档来自技高网...

【技术保护点】
1.一种面向工业大数据的并行学习软测量建模方法，其特征在于，包括如下步骤：/nS20，将样本数据划分为M块训练集，采用点增量算法与块增量算法相结合的随机配置网络并行学习策略，针对所述M块训练集同步建立并求取满足监督机制的候选隐层节点池，其中所述监督机制包括点增量监督机制和块增量监督机制，所述候选隐层节点池包括候选隐层单节点池和候选隐层块节点池；/nS30，在候选隐层节点池中基于残差最速下降原则选取最佳候选节点作为隐层增长节点添加到当前网络；/nS40，若当前网络的模型参数达到停止标准，则根据对应的模型参数确定软测量模型；/nS50，若当前网络的模型参数未达到停止标准，则根据当前隐层节点数更新下一次迭代中样本数据的分块数M，返回执行步骤S20，直至当前网络的模型参数达到停止标准，根据达到停止标准时的模型参数确定所述软测量模型。/n

【技术特征摘要】
1.一种面向工业大数据的并行学习软测量建模方法，其特征在于，包括如下步骤：
S20，将样本数据划分为M块训练集，采用点增量算法与块增量算法相结合的随机配置网络并行学习策略，针对所述M块训练集同步建立并求取满足监督机制的候选隐层节点池，其中所述监督机制包括点增量监督机制和块增量监督机制，所述候选隐层节点池包括候选隐层单节点池和候选隐层块节点池；
S30，在候选隐层节点池中基于残差最速下降原则选取最佳候选节点作为隐层增长节点添加到当前网络；
S40，若当前网络的模型参数达到停止标准，则根据对应的模型参数确定软测量模型；
S50，若当前网络的模型参数未达到停止标准，则根据当前隐层节点数更新下一次迭代中样本数据的分块数M，返回执行步骤S20，直至当前网络的模型参数达到停止标准，根据达到停止标准时的模型参数确定所述软测量模型。


2.根据权利要求1所述的面向工业大数据的并行学习软测量建模方法，其特征在于，在所述将样本数据划分为M块训练集，采用点增量算法与块增量算法相结合的随机配置网络并行学习策略，针对所述M块训练集同步建立并求取满足监督机制的候选隐层节点池之前，还包括：
设置隐层参数随机生成次数、学习参数、随机参数的分配区间集合、最大迭代次数、给定期望容差、样本数据的初始块数和并行学习策略中块增量算法的宽度。


3.根据权利要求2所述的面向工业大数据的并行学习软测量建模方法，其特征在于，所述根据所述当前隐层节点数更新下一次迭代中样本数据的分块数M包括：
将所述当前隐层节点数代入分块函数计算下一次迭代中样本数据的分块数M；所述分块函数包括：
若则
式中，L表示当前隐层节点数，表示第k次迭代时分块数递增区间长度，和分别表示相应递增区间的上下界，则M0表示初始样本数据的分块基数。


4.根据权利要求2所述的面向工业大数据的并行学习软测量建模方法，其特征在于，所述并行学习策略中采用点增量算法针对M块训练集同步建立并求取满足点增量监督机制的候选隐层单节点池包括：
根据所述随机参数的分配区间集合确定点增量分配区间，在所述点增量分配区间内进行Tmax次随机生成点增量隐层参数；Tmax表示隐层参数随机生成次数；
依据点增量监督机制，针对全体训练集分别对各次点增量隐层参数进行筛选，获得满足点增量监督机制的多个点增量隐层参数，根据各个点增量隐层参数构建候选隐层单节点池；
在所述候选隐层单节点池中确定最佳候选隐层单节点。


5.根据权利要求4所述的面向工业大数据的并行学习软测量建模方法，其特征在于，所述点增量监督机制包括：



式中，q＝1,2,…,m，m表示各训练集输出的维数，p＝1,2,…,M，M表示训练集的块数，r表示学习参数，μL＝1-r/L+1，L表示当前隐层节点数，eL-1,q表示当前隐层节点数为L-1时各训练集第q个输出对应的残差，符号<·,·>表示向量的内积，gp,L表示当前隐层节点数为L时第p个数据块的隐层输出，ξL,q表示当前隐层节点数为L时各训练集第q个输出对应的监督机制；
在所述候选隐层单节点池中确定最佳候选隐层单节点包括：
根据点增量监督机制计算全体训练集对应的点增量辅助参数ξL；所述点增量辅助参数的计算公式为：
在所述候选隐层单节点池中，将所述点增量辅助参数ξL取得最大值时全体训练集对应的隐层节点确定为最佳候选隐层单节点。


6.根据权利要求2所述的面向工业大数据的并行学习软测量建模方法，其特征在于，所述并行学习策略中采用块增量算法针对M块训练集同步建立并求取满足块增量监督机制的候选隐层块节点池包括：
根据所述随机参数的分配区间集合确定块增量分配区间，在所述块增量分配区间内进行Tmax次随机生成块增量隐层参数...

【专利技术属性】
技术研发人员：代伟，李德鹏，马磊，杨春雨，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