一种基于偏最小二乘的工业过程工艺优化方法技术

本发明专利技术公开了一种基于偏最小二乘的工业过程工艺优化方法，该方法借鉴了偏最小二乘的优点，面对自变量存在高度自相关性或者样本点少的工业过程，通过确定主元个数，对样本进行主元提取，以主元为媒介，分析关键变量关于主元的变化情况，建立产品产量、质量、能耗指标等关键变量关于原始变量的回归模型，定性定量地解析复杂过程变量之间的关系，从数据中发现规律，解决问题，优化生产过程，从各关键操作变量和过程变量实现对生产进行控制，提高产质量。

【技术实现步骤摘要】
一种基于偏最小二乘的工业过程工艺优化方法
本专利技术属于工业领域，涉及一种工业过程工艺优化方法，具体涉及一种基于偏最小二乘的工业过程工艺优化方法。
技术介绍
日趋复杂的现代工业过程中，为了对其进行优化，包括提高产品产量、质量或者降低能耗指标等，需要对工业过程进行回归建模。但是，影响产品的产量，质量，能耗的因素多而复杂。因此，准确合理地分析众多工艺参数与产品产量、质量、能耗指标之间的关系，具有重要的理论意义和工程应用价值。鉴于各个工厂实际情况不一样，专业课本没有也不能给出明确的公式，而实践经验往往也很模糊。从统计学角度来讲，专家系统和神经网络预测的精度是最高的，但是这两种方法只能依据经验或采取随机试探的方法，具有一定的随意性，且对所描述对象的输入输出变量之间的关系往往缺乏很好的解释性。传统的最小二乘回归能给出一个清晰的关系式，但由于变量之间存在多重相关性，使得模型精度不高，甚至出现与常识相悖的情况。针对工业过程中自变量之间的多重相关性和样本点容量过少的问题，新型多元统计分析方法—偏最小二乘回归(PLS)被提出，其集多元线性回归分析、主成分分析、典型相关分析的基本功能为一体，已被广泛应用于多个领域。但是，其更多的是被用于回归预测，而用于工业过程优化的则以主元分析方法居多，在变量内部具有高度线性相关性以及样本点数量过少的情况下，无法给出合理的优化指导。
技术实现思路
本专利技术的目的是提供了一种基于偏最小二乘的工业过程工艺优化方法，该方法针对工业过程中变量内部具有高度线性相关性以及样本点少的情况，将偏最小二乘应用于工业过程的工艺优化，在指定的工艺约束条件及工艺参数设定条件下，寻找最优的工艺控制策略和方法，以指导生产操作。为了实现上述目的，本专利技术的技术方案为：提供一种基于偏最小二乘的工业过程工艺优化方法，包括以下步骤：步骤一：数据标准化处理标准化的目的是使样本点的集合重心与坐标原点重合；式中F0，E0分别为y，X的标准化矩阵；E(y)，E(x)(i同上)分别为y，X的均值；Sy，分别为y，X的均方差；n为样本容量；步骤二：确定主成分个数记yi为原始数据，是使用全部样本点并取h个成分回归建模后，第i个样本的拟合值；是在建模时删去第i个样本点，取h个成分回归建模后，再用此模型计算的yi拟合值，记：当预测误差平方和PRESSh达到最小时，对应的h即为确定的主成分数目；步骤三：各主成分的提取(a)第一成分t1的提取已知F0，E0，可从E0中提取第一个成分t1，t1＝E0W1式中W1为E0的第一个轴，为组合系数，满足||W1||＝1；则t1是标准化变量的线性组合，为原信息的调整；从F0中提取第一个成分u1，u1＝F0C1式中C1为F0的第一个轴，||C1||＝1；为了使t1和u1的协方差最大，得到以下最优化问题：式中θ1为优化问题的目标函数；W1为的特征向量，为对应的特征值；C1为对应于矩阵最大特征值的单位特征向量；求得轴W1后，可得成分t1；分别求E0，F0对t1的回归方程为式中为回归系数，向量；为回归系数，标量；E1，F1分别为回归方程的残差矩阵，E1＝[E11,E12,L,E1m]，F1＝F0-t1r1；(b)第二成分t2的提取以E1取代E0，F1取代F0，用步骤二的方法求第二个轴W2和第二个成分t2；并进行E1，F1对t2的回归，有式中(c)第h成分th提取同理，可推求第成分th；h可用预测误差平方和PRESS最小原则进行识别，h小于X的秩；步骤四：推求偏最小二乘回归模型F0关于t1,t2,…,th的最小二乘回归方程为：由于t1,t2,…,th均是E0的线性组合，有偏最小二乘回归的性质有：式中将上式代入回归方程中得：记则上式可还原成标准化变量的回归方程：上式还可以进一步写成原始变量的偏最小二乘回归方程：步骤五：根据回归方程提出工艺过程优化操作。得到的偏最小二乘回归方程反映了自变量与因变量间的关系，借此可以看出哪些参数对产品产量、质量、能耗指标是重要因素或者次要因素，哪些是正相关，哪些是负相关等等。据此可以得出优化工艺过程需要采取哪些控制手段和操作。本专利技术基于偏最小二乘的工业过程工艺优化方法借鉴了偏最小二乘的优点，面对自变量存在高度自相关性或者样本点少的工业过程，通过确定主元个数，对样本进行主元提取，以主元为媒介，分析关键变量关于主元的变化情况，建立产品产量、质量、能耗指标等关键变量关于原始变量的回归模型，定性定量地解析复杂过程变量之间的关系，从数据中发现规律，解决问题，优化生产过程，从各关键操作变量和过程变量实现对生产进行控制，提高产质量。附图说明图1为本专利技术合成氨过程高低变单元的工艺流程图；图2为本专利技术确定主元个数的校正误差图；图3为本专利技术过程变量主元关于质量变量的散点图；图4为本专利技术原始变量对质量变量的贡献因子图。具体实施方式下面结合具体实施方式对本专利技术基于偏最小二乘的工业过程工艺优化方法作进一步的详述。本专利技术基于偏最小二乘的工业过程工艺优化方法，包括以下步骤：步骤一：数据标准化处理标准化的目的是使样本点的集合重心与坐标原点重合；式中F0，E0分别为y，X的标准化矩阵；E(y)，E(x)(i同上)分别为y，X的均值；Sy，分别为y，X的均方差；n为样本容量；步骤二：确定主成分个数记yi为原始数据，是使用全部样本点并取h个成分回归建模后，第i个样本的拟合值；是在建模时删去第i个样本点，取h个成分回归建模后，再用此模型计算的yi拟合值；记：当预测误差平方和PRESSh达到最小时，对应的h即为确定的主成分数目；步骤三：各主成分的提取(a)第一成分t1的提取已知F0，E0，可从E0中提取第一个成分t1，t1＝E0W1式中W1为E0的第一个轴，为组合系数，满足||W1||＝1；则t1是标准化变量的线性组合，为原信息的调整；从F0中提取第一个成分u1，u1＝F0C1式中C1为F0的第一个轴，||C1||＝1；为了使t1和u1的协方差最大，得到以下最优化问题：式中θ1为优化问题的目标函数；W1为的特征向量，为对应的特征值；C1为对应于矩阵最大特征值的单位特征向量；求得轴W1后，可得成分t1；分别求E0，F0对t1的回归方程为式中为回归系数，向量；为回归系数，标量；E1，F1分别为回归方程的残差矩阵，E1＝[E11,E12,L,E1m]，F1＝F0-t1r1；(b)第二成分t2的提取以E1取代E0，F1取代F0，用本文档来自技高网...

【技术保护点】
1.一种基于偏最小二乘的工业过程工艺优化方法，其特征在于包括以下步骤：/n步骤一：数据标准化处理/n标准化的目的是使样本点的集合重心与坐标原点重合；/n

【技术特征摘要】
1.一种基于偏最小二乘的工业过程工艺优化方法，其特征在于包括以下步骤：
步骤一：数据标准化处理
标准化的目的是使样本点的集合重心与坐标原点重合；






式中F0，E0分别为y，X的标准化矩阵；E(y)，E(x)(i同上)分别为y，X的均值；Sy，分别为y，X的均方差；n为样本容量；
步骤二：确定主成分个数
记yi为原始数据，是使用全部样本点并取h个成分回归建模后，第i个样本的拟合值；是在建模时删去第i个样本点，取h个成分回归建模后，再用此模型计算的yi拟合值，记：



当预测误差平方和PRESSh达到最小时，对应的h即为确定的主成分数目；
步骤三：各主成分的提取
(a)第一成分t1的提取
已知F0，E0，可从E0中提取第一个成分t1，
t1＝E0W1
式中W1为E0的第一个轴，为组合系数，满足||W1||＝1；则t1是标准化变量L,的线性组合，为原信息的调整；
从F0中提取第一个成分u1，
u1＝F0C1
式中C1为F0的第一个轴，||C1||＝1；
为了使t1和u1的协方差最大，得到以下最优化问题：



式中θ1为优化问题的目标函数；W1为的特征向量，为对应的特征值；C1为对应于矩阵...

【专利技术属性】
技术研发人员：伊向良，江居传，郭伟，
申请(专利权)人：中海石油化学股份有限公司，海洋石油富岛有限公司，
类型：发明
国别省市：海南;46