[发明专利]一种基于多变量互信息优选的质量预测与监测方法

说明书

本发明公开一种基于多变量互信息优选的质量预测与监测方法，旨在解决如何基于多变量互信息，从整体层面最优选择与质量指标相关的过程测量变量，并基于此建立相应的质量指标预测与监测模型。本发明方法通过穷举输入变量所有的可能组合形式，绝对能保证选择出了最优的与输出相关的输入变量，能避免变量优选陷入局部最优的问题。此外，本发明方法利用优选后的输入变量建立软测量模型，能剔除与质量指标不相关测量数据的干扰影响。由于本发明方法不仅实施了对质量指标的软测量，而且还能依据软测量值实施对质量指标的实时监测，并将故障区分为与质量相关以及与质量不相关。因此，本发明方法能较好地解决与质量相关的软测量与监测问题。

技术领域

本发明涉及一种质量预测与监测方法，特别涉及一种基于多变量互信息优选的质量预测与监测方法。

背景技术

在整个综合自动化系统的设计中，产品的质量是首要考虑的因素，实时监测产品质量的系统占有着很重要的地位。随着科学技术的飞速发展，虽然诸如温度、压力、流量等信息的测量仪表在现代工业过程中得到了广泛的应用，但是直接测量产品质量指标的在线分析仪价格依旧高昂，而且后期维护成本很高。以浓度这个质量指标为例，测量浓度成分的在线分析仪价格就是普通测量温度、压力等仪表的十几倍，而且后期还需人工定期维护。若因成本原因不采用在线分析仪实时获取质量数据，可通过离线采样分析的手段获取产品质量数据。但是，离线测量的产品质量数据存在较大延时，不能为实时监测质量信息提供时间上的保障。

在这个背景下，软测量技术就应运而生，通过建立过程测量数据与产品质量数据之间的输入-输出关系模型，从而可实现对产品质量的软测量。建立软测量模型的方法有很多种，如偏最小二乘回归、神经网络、支持向量回归等等。这其中，偏最小二乘回归及其相应的衍生算法是最基本也是最常用的软测量实施技术手段。然而，过程测量数据中并非所有测量变量对预测产品质量是有作用的，有效地挖掘出与质量指标相关的测量变量，对于后续建立软测量模型是由重要的积极作用的。在目前的科研文献与专利中，存在一些变量挑选的技术方案。以偏最小二乘回归算法为例，有通过相关性确定与质量相关联的输入变量，也有通过遗传算法优选出最佳的输入特征变量用于构建回归模型。

考虑到现代生产过程测量变量之间的非线性关系，若是利用相关性选取与质量相关联的过程测量变量，需要考虑变量间的非线性特征。在定义非线性相关性上，互信息是一种很好的度量方式，但是标准的互信息只能度量单变量与单变量之间相关性。另外，过程测量变量的优选最好的方式是从整体层面出发，而不是单个变量的两两匹配相关性。虽然使用遗传算法等智能优化算法可以从整体层面出发选择出与质量相关的输入变量，但是智能优化算法容易陷入局部最优是一个被人所熟知的问题。因此，如何实施基于多变量互信息的变量优选是需要迫切解决的一个问题，这对于开发设计产品质量预测与监测系统具有重要的意义。

发明内容

本发明所要解决的主要技术问题是：如何基于多变量互信息，从整体层面最优选择与质量相关的过程测量变量，并基于此建立相应的质量指标预测与监测模型。

本发明方法解决上述问题所采用的技术方案为：一种基于多变量互信息优选的质量预测与监测方法，包括以下步骤：

(1)：从生产过程对象的历史数据库中找出能反映产品质量的指标所对应的数据组成输出矩阵Y∈R^n×k，与输出Y相对应的采样数据组成输入矩阵X∈R^n×m，其中，n为训练样本数，m为过程测量变量数，k为质量指标数，R为实数集，R^n×m表示n×m维的实数矩阵。