[发明专利]一种基于半监督极限学习机的铝电解过热度识别方法

说明书

本发明公开了一种基于半监督极限学习机的铝电解过热度识别方法，所述方法包括：收集铝电解实时生产数据，对收集到的数据进行归一化处理和标准化处理；构造Hessian正则化算子；计算极限学习机ELM模型的隐层输出；构造所述ELM模型的损失函数，求解输出权值矩阵。本发明能够充分发掘无标签数据中隐含的信息，克服传统Laplacian正则化的推断力弱的问题，且训练速度较传统方法快，能实现对工业系统的过热度状态的进行准确实时监测。

技术领域

本发明涉及工业控制领域，具体涉及一种基于半监督极限学习机的铝电解 过热度识别方法。

背景技术

现代工业中，如何保证生产安全，提高产品质量具有重要的研究价值，过 程监测技术正是在这一背景下产生的。对于流程工业而言，精确的数学机理模 型和完备的专家知识往往很难得到，造成了在线检测困难，成本高等局面。

基于数学模型和基于知识的过程监测方法通常难以实际应用的局面，随着 集散控制系统(DCS)和各种智能化仪表在流程工业中的广泛使用，大量的过 程数据被采集并存储起来，因此基于数据驱动的过程监测方法在过去的十几年 中得到了长足的发展，该方法的主要思想是对过程的输入输出数据进行信息处 理和特征提取，从而监控过程的状态变化，该方法回避了过程建模的问题，有 效的减轻了对过程知识的依赖性，适用于大型工业监控，已经成为近年来的研 究热点。其主要方法包括ELM方法。

大多数ELM方法主要应用在监督学习领域，监督学习需要获取大量的有 标签数据进行训练，然而在铝电解生产过程中，大量的数据是无标签的，人工 给数据打标签是一种繁琐，沉重而又昂贵的工作，并且随着有经验的工人日益 缺乏及流失，人工判断过热度存在很大的局限性。

SS-ELM方法是一种半监督的机器学习方法，与传统的数据挖掘方法相 比，由于其优秀的泛化能力及训练速度，在工业系统故障检测中取得了一定的 成果，但由于工业系统的多工况数据和标签的收集是十分困难和昂贵的，某些 模式(特别是故障模式)在工业系统中式罕见的和多样的，因此对于工业过程 的软测量识别方法是存在困难的。

利用SS-ELM方法进行铝电解工业过程过热度在线检测需要解决的主要 问题：人工标签困难问题和传统正则化问题。

1.人工观测火眼不足

人工观测火眼来辨识槽况有以下不足：1)工人观察火眼的水平参差不齐， 导致不同工人在同一时刻对同一个电解槽的观测结果不一样；2)浪费大量的 人力资源；3)人工观测火眼的经验知识很难得到传承；4)长期依赖人工观察 火眼操作会造成的生产过程不稳定、产品质量一致性差、能源消耗大；5)人 工观察不能实现连续观测，难以实现槽况变化的敏感决策。可见，当前铝电解 企业依赖人工经验辨识槽况，无法满足我国铝电解行业的节能降耗减排和进一 步提高生产效益的需求。

2.传统正则化问题

传统的Laplacian正则化沿着数据分布流形的图Laplacian在一定范围外是 一个常数函数，这意味着超出样本点范围之外的解都是常数函数，因此模型的 推断能力受到限制，且随着有标签样本数的减少，Laplacian正则化模型的学 习性能会急剧的下降。

发明内容

本发明的目的在于克服现有技术中存在的缺陷，提供一种基于半监督极限 学习机的铝电解过热度识别方法，该方法能够充分发掘无标签数据中隐含的信 息，克服传统Laplacian正则化的推断力弱的问题，且训练速度较传统方法快， 能实现对工业系统的过热度状态的进行准确实时监测。

本发明采用以下技术方案：

一种基于半监督极限学习机的铝电解过热度识别方法，其特征在于，所 述方法包括：

S1、收集铝电解实时生产数据，对收集到的数据进行归一化处理和标准 化处理；

S2、构造Hessian正则化算子；