【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 ...
【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<...
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。