[发明专利]基于集成变量选择型偏最小二乘回归的软测量方法

说明书

本发明公开一种基于集成变量选择型偏最小二乘回归的软测量方法，该方法同时建立了三个不同的变量选择型PLSR软测量模型，并通过加权的方式集成得到输出估计值。在线实施软测量时不拘泥于单个的变量加权型PLSR模型，而是采用多个软测量模型集成的方式，巧妙地避免了确定哪种变量选择型PLSR方法最适合为当前数据建立软测量模型这一难题。此外，本发明通过PLSR算法计算出来的回归系数向量来对各模型输出估计值进行适当加权，不仅不需要反复验证某个变量选择方法的适用性，而且还可以进一步地提高软测量模型的精度。可以说，本发明方法是在已有工作的基础上，利用集成建模思路有效地提升变量选择型PLSR方法用于软测量建模的适用性。

技术领域

本发明涉及一种工业过程软测量方法，尤其是涉及一种基于集成变量选择型偏最小二乘回归的软测量方法。

背景技术

在现代流程工业过程中，实时测量与监控产品的质量指标或其他某些能间接反映产品质量的指标是保证产品质量稳定性的最直接最简单的途径。相比于温度、流量、压力等容易测量的数据信息而言，这些能直接或间接反映产品质量信息的关键变量通常不是那么容易获取的。以液体产品的浓度为例，获取浓度信息可通过在线分析仪实时测量，也可通过人工采集液体样本进行离线分析，两种手段各有优劣。在线分析仪虽能保证实时测量到的质量信息，但设备价格高昂，而且后期维护成本较高。离线分析手段所需设备价格低廉，但会造成严重的滞后，无法及时反映当前质量状况。在这种背景下，软测量技术应运而生，其基本思想在于：先利用生产过程历史数据建立回归模型，后在线利用与之相关的其他容易测量的变量(如温度、压力、流量等)，估计出该难以测量变量的数值以便实时监控产品的质量信息。

查阅已有的文献与专利，可以发现实施软测量的方法主要有：统计回归法、神经网络、支持向量回归等。通常来讲，在数据量非常充分以及非线性特性很强的条件下，利用神经网络或支持向量回归建立相应的软测量模型，通常能取得较好的软测量效果，但是这类方法在模型更新时会受限于训练耗时大的问题。相比之下，统计回归法所需的数据量较小，而且训练时间很短，可较好的适应于模型更新，已越来越多地被应用在软测量建模领域。偏最小二乘回归(Partial Least Square Regression，PLSR)是最常用的统计回归算法，各种改进举措层出不穷。PLSR算法旨在最大化输入数据与输出数据间的协方差，这里的输入数据通常是历史数据库中容易测量的数据(如温度、压力、流量等)，而输出数据一般是直接或间接反映产品质量信息的测量数据(如浓度、成分比等)。然而，若是输入数据中包含了很多与输出不怎么相关的干扰变量的测量数据，PLSR模型的回归拟合精度会受到很大影响。由于软测量方法通常针对的都是数据，直接通过数据剔除与输出不相关的测量变量是非常困难的。若是依赖生产机理或操作人员经验，那么相应的PLSR模型建立方法不具备通用性，而且对机理知识或经验的正确性要求也非常高。

为此，科研文献中出现了很多关于输入数据变量选择的方法以改进PLSR模型的回归精度，较常见的有回归系数PLSR法(β-PLSR)、变量重要性PLSR法(VIP-PLSR)、无益变量剔除PLSR法(UVE-PLSR)等。不同的选择方法揭示训练数据不同的潜在特征，但直至目前为止，还没有文献或专利直接证明哪种变量选择方法无论针对何种工业对象的采样数据始终是最佳的。针对某一个工业过程对象，确定哪种方法最合适实际上只有通过数据验证才能知晓。考虑到现代流程工业的时变特性，环境以及设备状态在不断变化，相应采样数据的特征同样是在变化的。可能某一段时间类采样数据适合于某种变量选择法，而另一时间段的采样数据却适合于使用另外一种变量选择方法。因此，工业过程的时变特性给变量选择型PLSR方法的适用性提出了新的挑战。因此，丞待设计出一种能应对这种数据变化特性的变量选择型PLSR软测量方法。

发明内容