【技术实现步骤摘要】
一种基于核偏最小二乘模型的数据预测方法及装置
[0001]本专利技术涉及数据处理领域，更具体的说，涉及一种基于核偏最小二乘模型的数据预测方法及装置。
技术介绍
[0002]目前，在工业企业的生产过程中需要采集过程数据，很多数据收集之后只是做可视化展示，并未深入挖掘其效能，其中一个很重要的原因是因为工业生产是一个连续性的生产过程，每道工序均有上下衔接的流程，有工艺关联、设备性能关联、工况关联等，存在大量的关联性数据，一般均包含多变量耦合、高度非线性、时变性等特征，并不是简单的服从正态分布，因此在生产过程中采集到的过程数据无法对生产过程的质量进行有效的预测。
技术实现思路
[0003]有鉴于此，本专利技术实施例公开一种基于核偏最小二乘模型的数据预测方法及装置，实现对生产过程的质量进行有效的预测。
[0004]本专利技术实施例提供的技术方案如下：
[0005]本专利技术实施例第一方面提供了一种基于核偏最小二乘模型的数据预测方法，所述核偏最小二乘KPLS模型中的核函数为多维张量积小波核函数，所述方法包...
【技术保护点】
【技术特征摘要】
1.一种基于核偏最小二乘模型的数据预测方法，其特征在于，所述核偏最小二乘KPLS模型中的核函数为多维张量积小波核函数，所述方法包括：利用在线获得的采样数据的均值和方差对所述采样数据进行标准化处理，得到标准化采样数据；利用所述多维张量积小波核函数计算所述标准化采样数据对应的第一核矩阵；对所述第一核矩阵进行中心化处理，得到中心化处理后的第一核矩阵；将所述中心化处理后的第一核矩阵输入所述KPLS模型；利用所述KPLS模型，得到所述采样数据对应的第一质量变量预测值。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：利用所述第一质量变量预测值的均值和方差，计算得到所述采样数据对应的第一质量变量实际值。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：计算所述采样数据对应的霍特林T2统计量和平方预测误差SPE统计量；判断所述采样数据对应的T2统计量是否超出所述KPLS模型的T2统计量控制限；判断所述采样数据对应的SPE统计量是否超出所述KPLS模型的SPE统计量控制限；若所述采样数据对应的T2统计量超出所述T2统计量控制限，和/或所述采样数据对应的SPE统计量超出所述SPE统计量控制限，则确定所述采样数据对应的生产过程存在故障。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：建立所述KPLS模型；所述建立所述KPLS模型，包括：利用训练数据的均值和方差对所述训练数据进行标准化处理，得到标准化训练数据；利用所述多维张量积小波核函数计算所述标准化训练数据对应的第二核矩阵；对所述第二核矩阵进行中心化处理，得到中心化后的第二核矩阵；利用KPLS算法和中心化后的第二核矩阵，计算得到输入变量的第一得分矩阵和输出变量的第二得分矩阵；利用所述第一得分矩阵和所述第二得分矩阵，计算得到回归系数矩阵；利用所述回归系数矩阵计算所述训练数据对应的第二质量变量预测值；利用所述第二质量变量预测值的均值和方差，计算得到所述训练数据对应的第二质量变量实际值；计算所述训练数据对应的T2统计量和SPE统计量；根据所述训练数据对应的T2统计量的分布确定所述KPLS模型的T2统计量控制限；根据所述训练数据对应的SPE统计量的分布确定所述KPLS模型的SPE统计量控制限。5.根据权利要求1所述的方法，其特征在于，所述多维张量积小波核函数为满足拉氏变换的支持向量核函数；其中，所述k表示核函数，所述σ表示伸缩因子，所述K表示核矩阵中的数据点，所述K表示为(x，z)，所述x和所述y表示K(x,z)中的测量值。6.根据权利要求1所述的方法，其特征在于，所述多维张量积小波核函数的任意一维的
输出表达式为：其中，所述ω表示核函数的角速度，所述C表示常数，所述L表示拉普拉斯变换，所述表示回归系数矩阵中第s列的矢量中的第...
【专利技术属性】
技术研发人员：黄振林，刘俊杰，刘金涛，邹波，
申请(专利权)人：北京和利时数字技术有限公司，
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。