一种基于隐变量的贝叶斯网络复杂工业过程软测量方法技术

本发明专利技术公开了一种基于隐变量的贝叶斯网络复杂工业过程软测量方法。该方法充分发挥贝叶斯网络和局部加权学习的优势，通过隐变量计算待预测在线样本与对应训练样本的全局相似度对原始数据加权，将加权后的数据输入贝叶斯网络进行预测，实现复杂非平稳工业过程的自适应软测量。本发明专利技术针对复杂工业过程的时变特性，在有监督地训练贝叶斯网络的基础上，引入基于隐变量的相似度计算和加权，缓解了模型过拟合现象，提高了预测精度，为复杂化工生产过程中与生产安全、生产质量和生产效率密切相关的质量变量的软测量建模提供了方法支持。

【技术实现步骤摘要】
一种基于隐变量的贝叶斯网络复杂工业过程软测量方法
本专利技术属于连续化工过程控制和软测量领域，具体涉及一种基于隐变量的贝叶斯网络复杂工业过程软测量方法。
技术介绍
连续化学工业生产中存在难以在线测量和监测的生产状态，面对此类复杂过程中相关变量的监控往往用软测量方法：先采样容易检测的物理量的样本数据，然后间接估计可以从一定程度上反应生产过程状态和产品质量的变量。目前，各种基于数据驱动的模型已被应用于软测量，而直接基于数据驱动学习方法，难以有效地发现能揭示质量变量与生产系统密切关系的隐变量。贝叶斯网络是目前不确定知识和推理领域有效的理论模型之一，这种通过结合图论和概率论的图模型能够更好的处理较为复杂的、模糊的和不确定性的场景，将其用于软测量模型的构建成为研究热点。在实际复杂工业过程中，由于平台设备的老化、催化剂的失活和过程环境的改变等会引起模型的退化，原来建立的模型不再适用于现有的运行状态，导致模型精度下降。为了正确跟踪过程状态和解决时变问题，有人提出了基于滑动窗和即时学习的贝叶斯网络，但也存在一定的局限性，往往忽视了隐变量对软测量模型的影响。本专利技术针对复杂工业生产中的时变过程，在有监督地训练贝叶斯网络的基础上，引入基于隐变量的相似度计算和加权，缓解了过拟合，并减小了模型误差，提高了对复杂工业过程中质量变量的预测精度。
技术实现思路
为了解决
技术介绍
中存在的技术问题，本专利技术提供了一种基于隐变量的贝叶斯网络复杂工业过程软测量方法，该方法利用贝叶斯网络有监督地计算隐变量，并根据隐变量计算全局相似度对原始数据加权，将加权后的数据输入贝叶斯网络进行预测，实现工业过程的自适应软测量。本专利技术采用的技术方案是：步骤1，通过传感器采集复杂连续工业过程同生产安全和质量密切相关的数据，分为训练样本集[X,Y]和查询样本集[Xquery,Yquery]。训练样本集中，过程变量X＝[x1,x2,...xn]∈Rm×n和质量变量Y＝[y1,y2,...yn]∈Rk×n，将用于软测量建模，其中m是过程变量X的变量个数，k是质量变量Y的变量个数，n是数据集中包含的样本个数。查询样本集中，过程变量Xquery用于软测量预测，Yquery用于验证软测量预测效果；所述复杂工业过程相关的数据具体包括通过安装在复杂工业生产过程的某个化学反应容器的传感器采集到重要变量的数值。过程变量相对容易监测的变量，质量变量为关系该生产质量与安全的重要变量。传感器包括有安装于塔顶、塔板和塔底处的温度传感器，塔顶馏出气体处的压力传感器，回流罐处的速度传感器以及下一级生产入口的速度传感器。步骤2，对于每一个查询样本xq∈Xquery利用滑动窗从训练样本集中选取一定数量的样本Dtrain，根据工业生产过程的相关变量关系和Dtrain的大小构建有监督贝叶斯网络，训练贝叶斯网络，求取Dtrain对应的隐变量T，将xq输入贝叶斯网络求得隐变量tnew；步骤3，利用隐变量T,tnew求出每个滑动窗口的置信度和局部相似度，进而得到xq与Xtrain的全局相似度用于对原始工业过程变量的局部加权；步骤4，将全局相似度作为权重对Xtrain、Ytrain进行加权，得到局部加权后的训练数据Xt、Yt，将Xt、Yt按节点输入贝叶斯网络，求出xq对应的预测值yq，完成对所有查询样本xq对应的工业过程质量变量的预测；步骤5，所有查询样本预测完毕后，衡量软测量模型对复杂工业过程变量的预测效果。采用均方根误差RMSE来衡量预测结果的准确性，用R2衡量预测结果对数据的跟踪能力，计算方法如下：其中yreal即每个查询样本xq对应的yq，为yreal的均值，为ypred为每个查询样本对应的预测值，n为查询样本的个数。所述的步骤2中具体包括：步骤2-1，将步骤1划分出的训练样本集用滑动窗口遍历，每个窗口包含的样本个数为w，窗口个数为s，则遍历的样本数为W＝w×s,即每个查询样本xq∈Xquery对应的训练集为Dtrain＝[Xtrain,Ytrain]∈R(m+k)×W；步骤2-2，选用序α＝<X,t,Y>构建节点数为3的质量相关的贝叶斯网络，该网络相对于传统贝叶斯网络包含了对训练集中质量变量即Ytrain的监督。按照对应网络节点输入Xtrain、Ytrain，即有监督地训练贝叶斯网络，并求出训练数据集Dtrain对应的隐变量T∈RW×i，i表示隐变量的个数；本专利技术所涉及贝叶斯网络的示意图如图1所示，其中节点代表变量，节点间的有向箭头表示变量间的因果依赖关系。该贝叶斯网络共有3个节点，三条有向边，顺序为α＝<X,t,Y>，节点X代表过程变量，节点T代表隐变量，节点Y代表质量变量。节点X为父节点，有两条边出发分别指向子节点T和Y，节点T有一条边出发指向Y。网络节点X对应输入Xtrain，节点Y对应输入Ytrain，训练贝叶斯网络后，从节点T输出隐变量。步骤2-3，将新的过程变量xq输入贝叶斯网络节点X，求出xq对应的隐变量tnew∈R1×i。所述步骤3中，流程如图3，具体过程如下：步骤3-1，应用SVDD来确定xq与每个窗口的置信度，第v个的窗口置信度被定义为：其中av和Rv分别表示根据第v个窗口中计算出的隐变量Tv构造超球面的中心坐标和半径，xv表示tnew在超球面中对应的坐标。步骤3-2，假设第r个训练样本属于第v个移动窗口，tnew与当前训练样本对应隐变量tr的局部相似度Sv计算如下：其中，为取值0-1的调谐参数，σd为dτ对应的标准差。步骤3-3，第v个窗口中第r个训练样本与xq的全局相似度为：Simr＝winv·Svxq与训练样本的全局相似度可以表示为：SIM＝[Sim1,Sim2,···,Simr,···Simw×s]所述步骤4中，具体过程如下：步骤4-1，根据步骤3所述，按下式计算Xt、Yt：步骤4-2，按照对应网络节点输入Xt、Yt，训练贝叶斯网络，求出xq对应的预测值yq；步骤4-3，重复步骤2至步骤4，直到预测完成Xquery中所有查询样本对应的预测值Yq，执行步骤5。本专利技术与现有技术相比具有的有益效果有：1、利用工业生产的过程知识，充分挖掘变量间的因果依赖关系，构建贝叶斯网络，使得变量之间的关系更为直观。2、充分地利用的过程知识和重要的有标签生产数据，有监督地对贝叶斯网络进行参数学习和训练。3、通过计算隐变量挖掘多个变量之间的潜在关系，将隐变量用于原始数据加权，提高原始数据的利用率，有利于模型更新，实现工业过程的自适应软测量本专利技术针对实际生产过程的时变特性，利用贝叶斯网络有监督地计算隐变量，将传统的贝叶斯网络扩展成自适应软测量模型，可以选用较少的训练样本进行预测；相较于其他的传统自适应软测量模型本专利技术的优势主要体现在缓解了过拟合，提高了预测精度，为复杂化工生产过程与生产安全、生产质量本文档来自技高网...

【技术保护点】
1.一种基于隐变量的贝叶斯网络复杂工业过程软测量方法，其特征在于，包括以下步骤：/n步骤1，通过传感器采集复杂连续工业过程同生产安全和质量密切相关的变量，分为训练样本集[X,Y]和查询样本集[X

【技术特征摘要】
1.一种基于隐变量的贝叶斯网络复杂工业过程软测量方法，其特征在于，包括以下步骤：
步骤1，通过传感器采集复杂连续工业过程同生产安全和质量密切相关的变量，分为训练样本集[X,Y]和查询样本集[Xquery,Yquery]。训练样本集中，过程变量X＝[x1,x2,...xn]∈Rm×n和质量变量Y＝[y1,y2,...yn]∈Rk×n，将用于软测量建模，其中m是过程变量X的变量个数，k是质量变量Y的变量个数，n是数据集中包含的样本个数。查询样本集中，过程变量Xquery为待预测在线样本用于软测量预测，Yquery用于验证软测量预测效果；
步骤2，对于每一个查询样本xq∈Xquery利用滑动窗从训练样本集中选取一定数量的样本Dtrain，根据工业生产过程的相关变量关系和Dtrain的大小构建有监督贝叶斯网络，训练贝叶斯网络，求取Dtrain对应的隐变量T，将xq输入贝叶斯网络求得隐变量tnew；
步骤3，利用隐变量T、tnew求出每个滑动窗口的置信度和局部相似度，进而得到xq与Xtrain的全局相似度用于对原始工业过程变量的局部加权；
步骤4，将全局相似度作为权重对Xtrain、Ytrain进行加权，得到局部加权后的训练数据Xt、Yt，将Xt、Yt按节点输入贝叶斯网络，求出xq对应的预测值yq，完成对所有查询样本xq对应的工业过程质量变量的预测；
步骤5，所有查询样本预测完毕后，衡量软测量模型对复杂工业过程变量的预测效果。采用均方根误差RMSE来衡量预测结果的准确性，用R2衡量预测结果对数据的跟踪能力，计算方法如下：



其中yreal即每个查询样本xq对应的yq，为yreal的均值，为ypred为每个查询样本对应的预测值，n为查询样本的个数。


2.如权利要求1所述的一种基于隐变量的贝叶斯网络复杂工业过程软测量方法，其特征在于：所述的步骤2具体包括：
步骤2-1，将步骤1划分出的训练样本集用滑动窗口遍历，每个窗口包含的样本个数为w，窗口个数为s，则遍历的样本数为W＝w×...

【专利技术属性】
技术研发人员：徐玉雪，王云，何雨辰，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：浙江;33