【技术实现步骤摘要】
基于样本协同表示的即时学习的软测量建模方法
[0001]本专利技术属于工业过程检测
,涉及工业过程软测量技术,具体地说,涉及了一种基于样本协同表示的即时学习的软测量建模方法。
技术介绍
[0002]在现代工业生产过程中,许多重要质量变量(例如:油品黏度、组分等)难以实时测量,给化工过程控制与优化带来很大影响。因为化工生产过程存在样品现场取样困难、分析仪器成本高以及分析时间滞后等问题,在实际生产过程中,往往难以使用在线分析仪表和离线化验等方式对质量变量进行实时测量,无法对质量变量形成闭环控制。因此,质量变量如何实时获取成为过程控制首先要解决的问题。由此,软测量进入了过程工业控制领域的研究视线。
[0003]常用的数据驱动软测量建模方法包括主元回归(Principal Component Regression,简称:PCR)、偏最小二乘回归(Partial Least Square Regression,简称:PLSR)以及人工神经网络(简称:ANN)。上述软测量算法建立的模型属于离线模型,模型建立后不会随着生成过程的改变而自适应调整,无法跟踪生产状态的变化,从而导致预测精度逐渐下降。因此,软测量模型的自动维护成为了算法研究与改进的重点。因此,为了适应现代化工生产过程表现出的多模态特性和时变特性,各种在线建模算法已经被广泛应用于生产过程的监控与质量变量预测。
[0004]目前,主流的在线软测量建模算法包括:滑动窗算法、递归算法、时间差分算法以及即时学习算法。其中,前三种都是根据时间相关性更新模型,属 ...
【技术保护点】
【技术特征摘要】
1.一种基于样本协同表示的即时学习的软测量建模方法,其特征在于,其具体步骤为:S1、实时采集与存储工业过程中与质量相关的辅助变量的数据X=[x1,x2,
…
x
n
]
T
,n为样本数量,m为样本的维度;通过实验室化验分析获得的数据,得到各个样本对应的真实质量变量值S2、将已采集到的数据作为初始训练数据集对初始训练数据集按照公式(1)进行标准化处理,使其均值为0、方差为1,得到训练数据集X
L
为数据X标准化处理后得到的数据,为经过标准化处理后得到的变量值,公式(1)表示为:式中,函数mean(
·
)表示计算矩阵各行的均值,函数std(
·
)表示计算矩阵各行的标准差;S3、利用训练数据集建立离线岭回归模型,并且通过模型的回归系数计算得到各输入变量的权重矩阵S4、对于新采集的查询数据按照公式(1)进行标准化处理;S5、根据权重矩阵W
var
计算查询数据x
q
与数据X
L
中所有样本的加权欧式距离;将加权欧式距离融合到协同表示的正则项中;计算数据X
L
与查询数据x
q
的协同表示系数,利用该协同表示系数得出训练数据集中各历史样本的权重矩阵S6、根据训练数据集以及各样本的权重矩阵W
sample
,建立加权岭回归模型,利用加权岭回归模型计算查询数据x
q
的输出值S7、当查询数据x
q
所对应的真实输出值y
q
可以由实验室化验分析得到时,将样本[x
q
,y
q
]加入到训练数据集中,以扩充训练数据集中所包含的工作区间;否则,维持训练数据集中所包含空间不变。2.如权利要求1所述的基于样本协同表示的即时学习的软测量建模方法,其特征在于,步骤S3中,利用训练数据集建立离线岭回归模型,并且通过模型的回归系数计算得到各输入变量的权重的具体步骤为:利用训练数据集建立离线岭回归模型,优化目标为:式中,为离线岭回归模型的岭回归系数,λ0为离线岭回归模型的正则项系数;求解优化目标,得出离线岭回归模型的岭回归系数W0的解析表达式为:W0=(X
L
X
LT
+λ0×
I)
‑1X
L
Y
L
ꢀꢀꢀꢀꢀꢀ
(3)式中,X
LT
为...
【专利技术属性】
技术研发人员:王平,白玮,吴昂山,尹贻超,
申请(专利权)人:中国石油大学华东,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。