一种基于相关变量分散式建模的化工过程监测方法技术

本发明专利技术公开一种基于相关变量分散式建模的化工过程监测方法，旨在解决如何选择并基于相关性变量进行分散式建模，从而在此基础上实施化工过程监测的问题。具体来讲，本发明专利技术方法首先将遗传算法与近邻成分分析算法相结合，从而为各个测量变量优选出相关的测量变量；其次，本发明专利技术方法实施基于相关变量的分散式软测量建模，采用的是经典的PLS算法；最后，利用分散式软测量模型的估计误差实施化工过程监测。与传统方法相比，本发明专利技术方法利用相关变量集建立的软测量模型可以剔除不相关变量的干扰影响，也能更精确地描述测量变量之间的输入‑输出关系。

【技术实现步骤摘要】
一种基于相关变量分散式建模的化工过程监测方法
本专利技术涉及一种化工过程监测方法，特别涉及一种基于相关变量分散式建模的化工过程监测方法。
技术介绍
在以智能制造为主导的发展大潮流下，利用采样数据来监测化工过程的运行状态已成为化工“大数据”建设与应用的重要组成部分。数据驱动的化工过程监测经过多年的研究发展，出现了大批以主成分分析(PrincipalComponentAnalysis，缩写：PCA)与偏最小二乘(PartialLeastSquares，缩写：PLS)算法为主的过程监测方法。然而，这些主流的过程监测方法较多的关注于数据潜在特征挖掘。换句话说，所建立的数据驱动模型都是旨在提取数据隐形特征，未能探讨测量变量之间的外在的显性特征关系。从物理意义上讲，提取数据的潜在特征无法对化工过程对象的机理进行揭示，只能反映出数据的统计特征。由此可见，探讨化工过程测量变量之间的显性特征关系，对化工过程运行状态的监测有着重要的意义。研究化工过程对象的运行机理莫过于使用微分方程或差分方程，但是现代化工过程对象的复杂多变性严重影响了机理模型的精度，这也是为什么基于机理模型实施过程监测发展于近年来遇到了瓶颈的主要原因。由于微分方程或差分方程解释了输入到输出之间的变化本质，描述的就是化工过程对象某些测量变量之间的关系。而数据驱动模型从数据的角度出发同样也能描述不同测量变量之间的输入-输出关系(或称软测量关系)。从这个角度出发，为测量变量建立相应的软测量模型，也能起到微分方程或差分方程对过程运行机理的解释作用。幸运的是，在现有科研文献与专利材料中，已有少许为各个测量变量建立软测量模型的过程监测实施方案。然而，一个不得不提的问题是，不是所有的测量变量都可以用来建立软测量模型的。也就是说，为各个测量变量建立分散式的软测量模型时不需要同时考虑所有的测量变量。这从微分方程或差分方程中也可以看出，某个微分方程描述的只是其中几个测量变量之间的关系。因此，选择相关性的变量建立软测量模型对于这类过程监测方法具有积极性意义。然而，由于现代化工过程中机理知识的缺失或不确定性程度较高，如何选择存在较大相关性的变量只能从数据驱动的角度出发。
技术实现思路
本专利技术所要解决的主要技术问题是：如何选择并基于相关性变量进行分散式建模，从而在此基础上实施化工过程监测。具体来讲，本专利技术方法首先将遗传算法(GeneticAlgorithm，英文缩写：GA)与近邻成分分析(NeighborhoodComponentAnalysis，英文缩写：NCA)算法相结合，从而为各个测量变量优选出相关的测量变量；其次，本专利技术方法实施基于相关变量的分散式软测量建模，将采用经典的PLS算法；最后，利用分散式软测量模型的估计误差实施化工过程监测。本专利技术方法解决上述问题所采用的技术方案为：一种基于相关变量分散式建模的化工过程监测方法，包括以下步骤：步骤(1)：采集化工过程对象在正常运行状态下的n个训练样本数据x1，x2，…，xn组成训练数据矩阵X＝[x1，x2，…，xn]∈Rm×n，并计算均值向量μ＝(x1+x2+…+xn)/n以及标准差向量δ∈Rm×1：其中，⊙表示向量(xi-μ)与(xi-μ)中的对应元素相乘、xi∈Rm×1表示第i个样本数据、m为测量变量的总个数、i＝1，2，…，n、R为实数集，Rm×n表示m×n维的实数矩阵。值得注意的是，化工过程的各个样本数据一般都是由温度、压力、流量、液位等测量仪表测量得到的数据。步骤(1)中测量变量的个数为m，则表示有m个测量仪表对化工过程对象进行实时采样。此外，由于各个测量变量的变化范围不可能一致，也就导致各个测量变量之间存在量纲的差异影响。因此，需要使用标准化处理的方式，将各个测量变量的采样数据皆变换成均值为0，标准差为1的数据步骤(2)：根据公式对样本数据x1，x2，…，xn分别实施标准化处理，从而得到矩阵其中，表示向量(xi-μ)与标准差向量δ中的对应元素相除，为标准化后的数据向量。步骤(3)：根据如下所示步骤(3.1)至步骤(3.13)依次为m个测量变量优选出各自的相关变量集ψ1，ψ2，…，ψm。步骤(3.1)：初始化k＝1。步骤(3.2)：将矩阵中第k行的行向量yk∈R1×n记做软测量模型的输出向量，并将矩阵中除第k行向量以外的行向量组成软测量模型的输入矩阵Xk∈R(m-1)×n。步骤(3.3)：设置遗传算法的最大迭代次数Im、种群个数N(需设置N为偶数)、交叉概率c1∈[0.6，0.9]、变异概率c2∈[0.02，0.15]，并初始化一个N×(m-1)的维二进制数据矩阵W，以及设置γ＝1与iter＝1，其中二进制数据矩阵W中的各个行向量即为遗传算法的各个种群。步骤(3.4)：根据如下所示公式①计算矩阵Xk中第i列向量与第j列向量之间的加权距离上式中，i＝1，2，…，n、j＝1，2，…，n、向量wγ为二进制数据矩阵W中第γ行的行向量、diag(wγ)表示将向量wγ转变为一个对角矩阵，符号||||表示计算向量的长度。步骤(3.5)：根据如下所示公式②计算向量与向量相近的概率pij：步骤(3.6)：根据如下所示公式③计算向量的概率误差pi：上式中，yk，i与yk，j分别为向量yk中的第i个元素与第j个元素。步骤(3.7)：根据公式Jγ＝-(p1+p2+…+pn)计算第γ个种群对应的近邻成分分析目标函数值Jγ后，判断是否满足条件：γ＜N；若是，则置γ＝γ+1后返回步骤(3.4)；若否，将J1，J2，…，JN中最大值所对应的种群记为w0后执行步骤(3.8)。步骤(3.8)：根据公式qγ＝(J1+J2+…+Jγ)/(J1+J2+…+JN)计算各个种群的选择概率q1，q2，…，qN。步骤(3.9)：在区间(0，1]上随机生成一个数φ后，从q1，q2，…，qN中找出满足条件qγ≥φ的最小值，并将该最小值对应的种群保留，重复本步骤N次后将保留的N个种群组成新二进制数据矩阵步骤(3.10)：在区间(0，1]上随机生成一个数后，从新二进制数据矩阵中随机选择两个行向量实施交叉操作，即判断是否满足条件：若是，则将这两个行向量后一半元素进行交换；若否，则保持这两个行向量不变；重复本步骤N/2次且保证每次挑选的两个行向量都不重复。步骤(3.11)：在区间(0，1]上随机生成一个数后，从新二进制数据矩阵中随机选择一个行向量实施变异操作，即判断是否满足条件：若是，则将这个向量中任意一个元素减去1后再取绝对值；若否，则保持该向量不变；重复本步骤N次且保证每次从由选择的行向量不重复。步骤(3.12)：将新二进制数据矩阵中的最后一行的行向量变成w0后，判断是否满足条件：iter＜Im；若是，则置iter＝iter+1与后返回步骤(3.4)；若否，则根据w0中元素1所在的位置确定出第k个测量变量的相关变量集ψk后，执行步骤(3.13)。步骤(3.13)：判断是否满足条件：k＜m本文档来自技高网...

【技术保护点】
1.一种基于相关变量分散式建模的化工过程监测方法，其特征在于，包括以下步骤：/n首先，离线建模阶段包括如下所示步骤(1)至步骤(5)；/n步骤(1)：采集化工过程对象在正常运行状态下的n个训练样本数据x

【技术特征摘要】
1.一种基于相关变量分散式建模的化工过程监测方法，其特征在于，包括以下步骤：
首先，离线建模阶段包括如下所示步骤(1)至步骤(5)；
步骤(1)：采集化工过程对象在正常运行状态下的n个训练样本数据x1，x2，…，xn组成训练数据矩阵X＝[x1，x2，…，xn]∈Rm×n，并计算均值向量μ＝(x1+x2+…+xn)/n以及标准差向量δ∈Rm×1：



其中，⊙表示向量(xi-μ)与(xi-μ)中的对应元素相乘、xi∈Rm×1表示第i个样本数据、m为测量变量的总个数、i＝1，2，…，n、R为实数集，Rm×n表示m×n维的实数矩阵；
步骤(2)：根据公式对样本数据x1，x2，…，xn分别实施标准化处理，从而得到矩阵其中，表示向量(xi-μ)与标准差向量δ中的对应元素相除，为标准化后的数据向量；
步骤(3)：根据如下所示步骤(3.1)至步骤(3.13)依次为m个测量变量优选出各自的相关变量集ψ1，ψ2，…，ψm；
步骤(3.1)：初始化k＝1；
步骤(3.2)：将矩阵中第k行的行向量yk∈R1×n记做软测量模型的输出向量，并将矩阵中除第k行向量以外的行向量组成软测量模型的输入矩阵Xk∈R(m-1)×n；
步骤(3.3)：设置遗传算法的最大迭代次数Im、种群个数N(需设置N为偶数)、交叉概率c1、变异概率c2，并初始化一个N×(m-1)的维二进制数据矩阵W，以及设置γ＝1与iter＝1，其中二进制数据矩阵W中的各个行向量即为遗传算法的各个种群；
步骤(3.4)：根据如下所示公式①计算矩阵Xk中第i列向量与第j列向量之间的加权距离
上式中，i＝1，2，…，n、j＝1，2，…，n、向量wγ为二进制数据矩阵W中第γ行的行向量、diag(wγ)表示将向量wγ转变为一个对角矩阵，符号||||表示计算向量的长度；
步骤(3.5)：根据如下所示公式②计算向量与向量相近的概率pij：



步骤(3.6)：根据如下所示公式③计算向量的概率误差pi：



上式中，yk，i与yk，j分别为向量yk中的第i个元素与第j个元素；
步骤(3.7)：根据公式Jγ＝-(p1+p2+…+pn)计算第γ个种群对应的近邻成分分析目标函数值Jγ后，判断是否满足条件：γ＜N？若是，则置γ＝γ+1后返回步骤(3.4)；若否，将J1，J2，…，JN中最大值所对应的种群记为w0后执行步骤(3.8)；
步骤(3.8)：根据公式qγ＝(J1+J2+…+Jγ)/(J1+J2+…+JN)计算各个种群的选择概率q1，q2，…，qN；
步骤(3.9)：在区间(0，1]上随机生成一个数φ后，从q1，q2，…，qN中找出...

【专利技术属性】
技术研发人员：唐俊苗，童楚东，其他发明人请求不公开姓名，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33