一种基于SAE-KPLS的质量相关过程监测方法技术

本发明专利技术公开了一种基于SAE

【技术实现步骤摘要】
一种基于SAE
‑
KPLS的质量相关过程监测方法


[0001]本专利技术属于工业过程监测
，具体涉及一种基于SAE
‑
KPLS的质量相关过程监测方法。

技术介绍

[0002]随着科技的进步和工业化水平的提高，工业过程数据越来越具有大规模、高复杂、高耦合的特点，一旦在工业过程中发生了某些故障而又得不到及时的处理，不仅仅会造成经济效益的损失，甚至可能会引发严重的安全事故。特别地，由于在大部分工业过程中，过程变量中的某些变化并不会影响质量变量，倘若只关注过程变量的监测，可能会触发不必要的警报，从而导致资源的浪费；而质量相关指标的测量又具有一定的滞后性，倘若仅依赖于传感器对质量变量的采集结果，可能会错过修复故障的最佳时期。因此，质量相关的过程监测技术应时而生，它能够从历史数据中充分挖掘过程变量和质量变量之间存在的内在联系，从而实现对质量相关指标的预测，及时发现工业过程中发生的质量相关故障。其中，基于数据驱动的方法不需要建立目标系统精确的机理模型，只需要大量的历史数据即可实现其目的，因此在具有多回路、多设备、不易于进行机理建模的工业过程中受到长期的青睐。
[0003]核偏最小二乘(Kernel Partial Least Squares,KPLS)是一种在非线性的质量相关过程监测领域被广泛使用的方法，它使用核函数将过程变量映射到高维核特征空间中，然后在该高维核特征空间中与质量变量进行偏最小二乘运算，从而将原始过程变量空间划分为质量相关子空间和质量无关子空间。但是，传统的KPLS方法具有两个缺陷：一是KPLS是一种浅层学习方法，它仅依赖于一个单层的核映射过程来处理非线性关系，对于更复杂的过程变量，它无法有效提取其深度特征；二是KPLS方法缺少一个有效的数据预处理，对于大多数的工业过程而言，其过程变量数据中往往包含噪声等无效信息，而KPLS将这些无效信息一并映射到高维核特征空间，这会影响潜变量提取的效率，同时降低质量相关过程监测准确性。
[0004]稀疏自编码器(Sparse Autoencoder,SAE)是一种经典的无监督学习方法，它通过在标准自编码器的基础上添加一个稀疏约束，从非线性的过程变量数据中提取稀疏分布的有效特征，并过滤掉其中的冗余信息。通常情况下，在工业过程的过程变量中，其有效信息是以稀疏的形式分布的，因此，采用这种稀疏编码的机制所提取的特征往往会更加有效。但是，SAE是一种无监督学习方法，它无法在过程变量的特征提取中关注其与质量变量之间的关系，这会导致：一是其稀疏特征中可能会有质量无关的信息被保留，二是虽然其残差属于对重构过程变量贡献不大的部分，但其中仍可能会残留与质量相关的变化信息。因此，SAE无法直接用于质量相关的过程监测。

技术实现思路

[0005]为了解决现有技术的对于难以挖掘数据的深度特征，无法在过程变量的特征提取过程中关注与质量变量之间的关系，导致质量相关过程监测准确性低的技术问题，本专利技术
提供一种基于SAE
‑
KPLS的质量相关过程监测方法。
[0006]本专利技术提供一种基于SAE
‑
KPLS的质量相关过程监测方法，包括：
[0007]S101：针对过程变量构建SAE模型并对SAE模型进行训练；
[0008]S102：通过SAE模型获得过程变量数据的稀疏特征矩阵和残差矩阵；
[0009]S103：分别针对稀疏特征矩阵和残差矩阵建立KPLS模型，计算稀疏特征矩阵对应的潜变量和残差矩阵对应的质量预测矩阵；
[0010]S104：根据稀疏特征矩阵对应的潜变量和残差矩阵对应的质量预测矩阵，计算统计量；
[0011]S105：使用核密度估计算法KDE计算统计量的阈值；
[0012]S106：获取当前过程变量样本，通过S102至S104计算当前过程变量样本的统计量；
[0013]S107：将当前过程变量样本的统计量分别与其对应的阈值进行比较，获得过程监测结果。
[0014]与现有技术相比，本专利技术至少具有以下有益技术效果：
[0015]在本专利技术中，首先利用SAE从原始过程数据中提取其稀疏表示的低维特征，然后以质量变量作为输出，分别以SAE的稀疏特征和残差作为输入，建立两个KPLS模型，进一步将原始过程变量空间分解为四个子空间，分别为质量相关且过程相关子空间、质量无关但过程相关子空间、质量相关但过程无关子空间、质量无关且过程无关子空间，对前三个子空间构造相应的统计量，使用核密度估计方法确定其阈值，从而实现过程监测。通过SAE弥补了KPLS对深度特征挖掘不充分的缺点，充分挖掘数据的深度特征，并利用KPLS的非线性质量建模能力，既从SAE的稀疏特征中过滤了与质量变量无关的变化，又从SAE的残差中保留了与质量变量直接相关的变化，提升了质量相关过程监测准确性，实现了更加全面的过程监测。
附图说明
[0016]下面将以明确易懂的方式，结合附图说明优选实施方式，对本专利技术的上述特性、技术特征、优点及其实现方式予以进一步说明。
[0017]图1是本专利技术提供的一种基于SAE
‑
KPLS的质量相关过程监测方法的流程示意图。
具体实施方式
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对照附图说明本专利技术的具体实施方式。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0019]为使图面简洁，各图中只示意性地表示出了与专利技术相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
[0020]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0021]在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0022]另外，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0023]实施例一
[0024]参考图1，图1示出了本专利技术提供的一种基于SAE
‑
KPLS的质量相关过程监测方法的流程示意图。
[0025]本专利技术提供的一种基于SAE
‑
KPLS的质量相关过程监测方法，包括：
[0026]S101：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SAE
‑
KPLS的质量相关过程监测方法，其特征在于，包括：S101：针对过程变量构建SAE模型并对所述SAE模型进行训练；S102：通过所述SAE模型获得过程变量数据的稀疏特征矩阵和残差矩阵；S103：分别针对稀疏特征矩阵和残差矩阵建立KPLS模型，计算所述稀疏特征矩阵对应的潜变量和所述残差矩阵对应的质量预测矩阵；S104：根据所述稀疏特征矩阵对应的潜变量和所述残差矩阵对应的质量预测矩阵，计算统计量；S105：使用核密度估计算法KDE计算所述统计量的阈值；S106：获取当前过程变量样本，通过所述S102至S104计算所述当前过程变量样本的统计量；S107：将所述当前过程变量样本的统计量分别与其对应的阈值进行比较，获得过程监测结果。2.根据权利要求1所述的基于SAE
‑
KPLS的质量相关过程监测方法，其特征在于，所述S101具体包括：S1011：采集工业生产过程中在正常工况下的过程变量数据作为训练集，所述训练集包括N个样本数据，每个样本数据包括m维过程变量，所述训练集可记为X＝[x
1 x2ꢀ…ꢀ
x
N
]∈R
m
×
N
；S1012：将所述样本数据x
i
输入至所述SAE模型，通过所述SAE模型的解码器进行解码，并通过所述SAE模型的编码器进行重构，得到重构数据其中，所述SAE模型的解码器和编码器可以分别表示为如下形式：h
i
＝δ1(W1x
i
+b1)其中，x
i
表示第i个样本数据，h
i
表示第i个样本数据的稀疏特征，表示表示W1表示所述编码器的权重矩阵，b1表示所述编码器的偏置向量，δ1表示所述编码器的激活函数，W2表示所述编码器的权重矩阵，b2表示所述编码器的偏置向量，δ2表示所述编码器的激活函数，表示第i个样本数据x
i
经过所述编码器重构后的重构数据；S1013：确定所述SAE模型的损失函数J
SAE
，以最小化所述损失函数为目标训练所述SAE模型：其中，W表示SAE模型的权重矩阵，λ表示正则化项的系数，β表示稀疏正则化项的系数，D表示神经元的个数，p表示SAE隐藏层神经元的期望激活值，表示SAE隐藏层神经元的平均激活值，表示KL散度(Kullback
‑
Leibler divergence)，其定义如下：3.根据权利要求2所述的基于SAE
‑
KPLS的质量相关过程监测方法，其特征在于，所述S102具体包括：
通过所述SAE模型获得过程变量数据的稀疏特征矩阵H和残差矩阵E：H＝[h
1 h2ꢀ…ꢀ
h
N
]其中，表示输入矩阵经过重构后的重构矩阵。4.根据权利要求1所述的基于SAE
‑
KPLS的质量相关过程监测方法，其特征在于，所述S103具体包括：S1031：构造所述稀疏特征矩阵H的Gram矩阵K
H
：其中，k
h,ij
由计算核函数的内积获得，即k
h,ij
＝<φ(h
i
),φ(h
j
)>，选取高斯核函数，则k
h,ij
的表达式如下：其中，c是核函数的宽度；S1032：对所述Gram矩阵进行中心化处理：其中，I表示N维的单位矩阵，1
N
表示N维元素均为1的列向量；S1033：设置质量变量矩阵Y＝[y
1 y2ꢀ…ꢀ
y
N
]∈R
p
×
N
，所述质量变量矩阵包括正常工况下采集的N个数据样本，每个所述数据样本包括p维质量变量；S1034：使用KPLS算法构建针对稀疏特征矩阵H的KPLS模型，计算所述稀疏特征矩阵H的潜变量t
H
。5.根据权利要求4所述的基于SAE
‑
KPLS的质量相关过程监测方法，其特征在于，所述S1034具体包括：初始化参数，令i＝1，K
i
＝K
H
，设定潜变量为l；随机初始化输出得分向量u
i
；计算输入得分向量t
i
＝K
i
u
i
；归一化输入得分向量t<...

【专利技术属性】
技术研发人员：吴平，胡旭光，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：