【技术实现步骤摘要】
本申请涉及基于数据驱动的软测量，特别是涉及一种基于预测残差分布特征约束的软测量建模方法及系统。
技术介绍
1、在现代工业过程中，受到经济或技术的限制，一些关键变量很难被实时测量。为了解决这一问题，软测量方法被提出，通过利用在线容易测量的变量实现对一些关键变量的实时估计。通常，软测量方法可以分为两类：基于模型的软测量方法和数据驱动的软测量方法。其中，基于模型的软测量方法建立于可以描述过程物理和化学特性的机理模型。然而，这些模型通常是为理想情况下的过程设计而开发的，这使得基于模型的软测量方法很难应用于具有大量随机干扰的复杂大型工业过程。
2、随着集散控制系统(distributed control system，dcs)的广泛使用，使得大量的过程数据被采集并储存，这为数据驱动的软测量的发展奠定了基础。常见的数据驱动的软测量方法有普通最小二乘法(ordinary least squares，ols)，主成分回归法(principlecomponent regression，pcr)、偏最小二乘法(partial least squares，pls)、支持向量回归(support vector regression，svr)，人工神经网络(artificial neural networks，ann)等。ols是最简单的一种数据驱动的软测量方法，它假设目标变量是输入变量的线性组合。然而，工业过程变量间存在着多重共线性，故pcr和pls被提出用于解决这一问题。随着近年来ann的快速发展，一些基于ann的软测量方法被提出用于提取
3、尽管以上所介绍的软测量方法不同，但研究其建模过程可知，其本质均是利用给定的一组数据点，通过寻找最优的模型参数，使得测量值与模型预测值之间的误差最小化。均方误差(mean squared error,mse)是一种常用的最小化目标函数，被广泛应用于数据驱动的软测量模型训练过程。然而，均方误差是多个数据点误差平方的求和，将多个数据点的误差信息压缩成一个数字。当训练数据中存在少数波动的数据点时，模型训练时更倾向于所获得模型对绝大多数数据点具有较好的预测，因而忽略了对波动数据点的预测准确性。而在实际工业过程中，通常关键变量的波动活异常变化意味着过程偏离了原有的运行工况，故较于平稳数据点，工程师对关键变量的波动更加关注。因此，实现对关键变量波动的准确预测更具有实际应用价值，可提高生产效率与工作效率。
技术实现思路
1、本申请提供了一种基于预测残差分布特征约束的软测量建模方法及系统，通过在软测量模型原有目标函数的基础上，增加对残差分布特征的约束，使得软测量模型对每一个数据点均具有准确的估计，有效地提高对波动数据点的预测效果，提高生产效率与工作效率。
2、第一方面，本申请提供了一种基于预测残差分布特征约束的软测量建模方法，该方法包括：采集装置运行过程中的历史生产数据，并将所述历史生产数据分为训练数据集和验证数据集；其中，所述训练数据集和验证数据集均包含有波动数据样本点；对所述训练数据集进行数据预处理，得到离线输入数据；基于所述离线输入数据构建具有预测残差分布特征约束的软测量模型；所述在线监测包括以下步骤：在线采集装置运行过程中的实时生产数据；对所述实时生产数据进行数据预处理，得到在线输入数据；基于所述在线输入数据根据所述软测量模型，得到在线实时预测值。
3、可选的是，所述对所述训练数据集进行数据预处理，得到离线输入数据之前，还包括：对所述训练数据集进行归一化处理，通过公式(1)进行描述：
4、
5、可选的是，所述基于所述离线输入数据构建具有预测残差分布特征约束的软测量模型，包括：根据所述离线输入数据构建软测量模型的原有目标函数，并在原有目标函数的基础上加入对预测残差分布特征的约束以得到新的目标函数；基于得到的所述新的目标函数构建具有预测残差分布特征约束的软测量模型。
6、可选的是，所述在原有目标函数的基础上加入对预测残差分布特征的约束以得到新的目标函数中，所述预测残差分布特征的约束具体包括：基于预测残差计算所述预测残差的均值及方差，通过公式(2)和公式(3)分别描述：
7、
8、
9、基于得到的所述预测残差的均值和方差计算偏度和峰度，所述偏度与所述峰度是指两个评价数据分布特征的统计度量，用来描述数据分布与正态分布的偏离程度，通过公式(4)、(5)描述：
10、
11、
12、其中，所述偏度用来衡量分布的不对称程度，当残差符合正态分布时，其偏度为0，所述峰度是用来衡量数据分布陡峭或是平滑的情况，当残差符合正态分布时，其峰度应为3；
13、将得到的所述预测残差的均值、方差以及所述偏度和所述峰度相加，得到所述预测残差分布特征的约束，通过公式(6)描述：
14、
15、可选的是，所述根据所述离线输入数据构建软测量模型的原有目标函数，并在原有目标函数的基础上加入对预测残差分布特征的约束以得到新的目标函数，包括：根据所述离线输入数据基于最小二乘法训练软测量模型，并得到预测值，通过公式(7)描述：
16、f(x)＝a1x1+a2x2+...+amxm (7)
17、根据得到的所述预测值与实测值计算两者的预测残差，通过公式(8)描述：
18、εi＝f(x)i-yi (8)
19、其中，ai为所述初始软测量模型的参数，f(x)i表示预测值，yi表示实测值，εi表示预测残差；
20、根据所述预测残差计算所述预测残差的平方和，得到均方误差，如公式(9)所示。
21、
22、其中，mse表示均方误差；
23、将得到的所述均方误差mse作为软测量模型的原有目标函数；
24、在原有目标函数的基础上加入对预测残差分布特征的约束，以得到具有预测残差分布特征约束的新的目标函数，通过公式(10)描述：
25、
26、可选的是，所述基于得到的所述新的目标函数构建具有预测残差分布特征约束的软测量模型，包括：基于得到的所述新的目标函数采用模拟退火方法获取软测量模型的最优参数；基于得到的所述最优参数构建得到具有预测残差分布特征约束的软测量模型。
27、可选的是，所述根据所述离线输入数据构建软测量模型的原有目标函数，并在原有目标函数的基础上加入对预测残差分布特征的约束以得到新的目标函数，包括：根据所述离线输入数据基于卷积神经网络训练软测量模型，并得到预测值；根据得到的所述预测值和测量值计算得到两者的预测残差；根据所述预测残差计本文档来自技高网...
【技术保护点】
1.一种基于预测残差分布特征约束的软测量建模方法，其特征在于，包括：离线建模和在线监测；其中，
2.根据权利要求1所述的基于预测残差分布特征约束的软测量建模方法，其特征在于，对所述训练数据集进行数据预处理，得到离线输入数据之前还包括：
3.根据权利要求1或2所述的基于预测残差分布特征约束的软测量建模方法，其特征在于，所述基于所述离线输入数据构建具有预测残差分布特征约束的软测量模型，包括：
4.根据权利要求3所述的基于预测残差分布特征约束的软测量建模方法，其特征在于，所述在原有目标函数的基础上加入对预测残差分布特征的约束以得到新的目标函数中，所述预测残差分布特征的约束具体包括：基于预测残差计算所述预测残差的均值及方差，通过公式(2)和公式(3)分别描述：
5.根据权利要求4所述的基于预测残差分布特征约束的软测量建模方法，其特征在于，所述根据所述离线输入数据构建软测量模型的原有目标函数，并在原有目标函数的基础上加入对预测残差分布特征的约束以得到新的目标函数，包括：
6.根据权利要求5所述的基于预测残差分布特征约束的软测量建模
7.根据权利要求4所述的基于预测残差分布特征约束的软测量建模方法，其特征在于，所述根据所述离线输入数据构建软测量模型的原有目标函数，并在原有目标函数的基础上加入对预测残差分布特征的约束以得到新的目标函数，包括：
8.根据权利要求7所述的基于预测残差分布特征约束的软测量建模方法，其特征在于，所述基于得到的所述新的目标函数构建具有预测残差分布特征约束的软测量模型，包括：
9.根据权利要求1-8中任意一项所述的基于预测残差分布特征约束的软测量建模方法，其特征在于，还包括：
10.一种基于预测残差分布特征约束的软测量建模系统，该系统包括：训练模块和预测模块；其中，
...【技术特征摘要】
1.一种基于预测残差分布特征约束的软测量建模方法，其特征在于，包括：离线建模和在线监测；其中，
2.根据权利要求1所述的基于预测残差分布特征约束的软测量建模方法，其特征在于，对所述训练数据集进行数据预处理，得到离线输入数据之前还包括：
3.根据权利要求1或2所述的基于预测残差分布特征约束的软测量建模方法，其特征在于，所述基于所述离线输入数据构建具有预测残差分布特征约束的软测量模型，包括：
4.根据权利要求3所述的基于预测残差分布特征约束的软测量建模方法，其特征在于，所述在原有目标函数的基础上加入对预测残差分布特征的约束以得到新的目标函数中，所述预测残差分布特征的约束具体包括：基于预测残差计算所述预测残差的均值及方差，通过公式(2)和公式(3)分别描述：
5.根据权利要求4所述的基于预测残差分布特征约束的软测量建模方法，其特征在于，所述根据所述离线输入数据构建软测量模型的原有目标函数，并在原有目...
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。