【技术实现步骤摘要】
基于深度演化模糊规则系统的工业过程软测量方法
[0001]本专利技术涉及一种基于深度演化模糊规则系统的工业过程软测量方法，属于工业过程控制领域。
技术介绍
[0002]随着信息技术的发展和客户需求的增加，工业过程变得越来越复杂，大量关键变量需要准确地测量。同时为了对工艺性能进行监控，以达到绿色生产、节能和利润最大化的目标，必须尽可能快速地获取关键质量指标。然而恶劣的测量环境，价格高昂的分析仪，和大的测量延迟等等原因导致了大部分这些变量难以在线测量。因此，软测量技术为此通过建立数学模型估计难以测量的质量变量，从而为过程监控、优化和控制提供实时信息。
[0003]近年来，数据驱动的软测量模型已发展成为一种主流的建模方法。传统的数据驱动软测量建模方法包括统计推理技术和主成分回归等机器学习技术，如主成分回归，偏最小二乘，支持向量回归等，尽管这些方法在许多工业过程中已有相当成熟的应用，但这些方法在处理复杂非线性问题上表现并不出色。在过去二十年中，深度学习技术由于善于处理工业过程的非线性以及其他更复杂的数据模式，受到了广大学者和...
【技术保护点】
【技术特征摘要】
1.一种基于深度演化模糊规则系统的工业过程软测量方法，其特征在于，包括：收集历史工业过程数据，构造预训练样本集D
pretrn
；其中预训练样本集D
pretrn
包括预训练特征集X
pretrn
＝{x1,x2,
…
,x
k
,
…
,x
N
}、真实标签集y
pretrn
＝{y1,y2,...,y
k
,...,y
N
}，x
k
表示第k个预训练特征，每个预训练特征由多个辅助变量构成，y
k
表示第k个真实标签，N表示预训练样本总数；利用预训练特征集X
pretrn
预训练表示学习网络，获得预训练后的表示学习网络；将预训练特征集X
pretrn
重新输入到预训练后的表示学习网络，获得初始特征样本集D
init
；依据初始特征样本集D
init
、真实标签y
pretrn
预训练预测学习网络，获得深度演化模糊规则系统；依据预训练后的表示学习网络、深度演化模糊规则系统对待预测样本进行在线预测，待待测样本标签到来时更新深度演化模糊系统。2.根据权利要求1所述的基于深度演化模糊规则系统的工业过程软测量方法，其特征在于，所述表示学习网络采用堆叠自编码器SAE，堆叠自编码器SAE由L个自编码器AE训练得到。3.根据权利要求1所述的基于深度演化模糊规则系统的工业过程软测量方法，其特征在于，所述依据初始特征样本集D
init
、真实标签y
pretrn
预训练预测学习网络，获得深度演化模糊规则系统，包括：利用初始特征样本集D
init
中第一个特征样本h1初始化深度演化模糊规则系统；并利用剩余特征样本D
remain
＝{h2,h3,
…
,h
N
}用于更新深度演化模糊规则系统前件，真实标签y
pretrn
用于更新深度演化模糊规则系统后件，逐个样本进行演化过程，重复进行m次，得到深度演化模糊规则系统。4.根据权利要求3所述的基于深度演化模糊规则系统的工业过程软测量方法，其特征在于，所述深度演化模糊规则系统由一系列模糊规则构成，每条规则对应一个线性模型：其中，R
i
表示第i条模糊规则，p
i
为第i条模糊规则前件，a
i
为第i条模糊规则后件最小二乘参数，h
k
为表示学习网络提取的第k个预训隐特征，h
k
＝[h1,h2,..,h
w
],w为隐特征的维度，],w为隐特征的维度，～为接近于/相似于，于是，整个深度演化模糊规则系统的预测输出为：其中，λ
i
为第i条模糊规则的激活强度，为第i条模糊规则的预测输出值。5.根据权利要求4所述的基于深度演化模糊规则系统的工业过程软测量方法，其特征在于，所述模糊规则的激活强度计算公式如下：在于，所述模糊规则的激活强度计算公式如下：
其中，D
i
(h
k
)表示h
k
与第i条模糊规则之间的局部密度，和为临时变量，S
i
为由p
i
形成的簇C
i
的基数，H
i
为第i条模糊规则局部范数。6.根据权利要求3所述的基于深度演化模糊规则系统的工业过程软测量方法，其特征在于，所述预训练预测学习网络包括：S4.1、利用预训练后的表示学习网络提取x
k
为h
k
,k＝1时h
k
为初始特征样本集D
init
中第一个特征样本h1，然后初始化全局的元参数：μ
←
h1；χ
←
||h1||2其中，μ为全局均值，χ为其二范数的平方，代表全局范数；
←
表示更新赋值操作，箭头左边参数为新的更新参数值，右边参数为当前参数值；S4.2、初始化第一条模糊规则前件参数和后件参数，r＝k＝1：P
r
←
h
...
【专利技术属性】
技术研发人员：金怀平，高誉，陶海波，王彬，杨彪，钱斌，
申请(专利权)人：昆明理工大学，
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。