[发明专利]基于KEPLS的生产过程质量预测与控制方法

说明书

本发明公开了一种基于KEPLS的生产过程质量预测与控制方法，具体包括以下步骤：根据现场数据建立KEPLS模型，利用IFS进行特征采样，构建基于IFS‑KEPLS新算法进行生产过程在线监测及质量预测；当IFS‑KEPLS进行质量预测后，而预测值严重偏离标准预测曲线时，构建第二个模型，即：采用SV‑KCD与KEPLS组合算法进行生产过程质量控制。本发明提高了模型的监测、预测性能，从而抓捕到微小、缓慢变化的故障，很好的提高了流程行业间歇性生产过程中的质量控制标准。

技术领域

本发明涉及生产过程控制技术领域，特别是一种对工业生产过程中的质量预测与控制方法。

背景技术

现代流程工业涉及到的生产环节越来越多，复杂程度越来越高，而且中间歇性生产工艺占比较大，例如，医药中间体生产、钢铁冶炼、玻璃烧制等，涉及到化工、钢铁、冶金、医药等行业，主要是针对间歇性生产过程中的工艺改进，通过利用数据挖掘、数据分析、质量预测等手段，来提高产品的品质与合格率。

对于间歇性生产过程的质量预测，在生产中具有很高的附加值和重要性。目前生产设备上大多都安装有传感器，可以在生产阶段测量到有用的信息并记录下来，通过机器学习、深度学习等数据挖掘手段探索更多的有用信息，然后利用这些信息来对生产进行改进指导，以提高产品质量。但是，此类数据驱动算法对流程行业生产过程中在线应用的实时性有一定的要求，特别是对于快速变化的过程或者比较敏感时段中的关键性数据与产品质量具有很强关联性的时候，效果收效甚微，若是参与在线预测，甚至可能直接影响到产品的品质与合格率，此类算法在此类场景下的适用性还有待商讨；其次，流程行业的数据一般具有高维度、非线性、强相关性等特点，也限制了此类算法的具体应用；再次，此类数据挖掘方法在处理流程行业的质量数据时往往具有一定的滞后性，并不能及时有效的反映生产状况，而质量数据的滞后一旦运用到生产中，极有可能导致产品质量的下滑、产品不合格，甚至造成生产故障而导致事故的发生；最后，在实际生产中，若是现场出现缓慢的不易察觉的故障时，现有的算法只能提取到二阶统计量信息，其灵敏度很难达到要求，会导致由于微小故障信息淹没在噪声中，导致高阶统计量中的样本变量无法显示出相应的高阶信息量。

发明内容

本发明需要解决的技术问题是提供一种基于KEPLS的生产过程质量预测与控制方法，可以提高模型的监测和预测性能，从而抓捕到微小、缓慢变化的故障，为后续生产过程进行准确科学的指导，进而提高产品质量。

为解决上述技术问题，本发明所采取的技术方案如下。

基于KEPLS的生产过程质量预测与控制方法，具体包括以下步骤：

A.建立KEPLS模型，

B.基于IFS-KEPLS新算法进行生产过程在线监测及质量预测；

C.当步骤B进行质量预测的过程中，预测值严重偏离标准预测曲线时，采用SV-KCD与KEPLS组合算法进行生产过程质量控制。

上述基于KEPLS的生产过程质量预测与控制方法，步骤A具体包括以下内容：

A1.计算过程变量X在高维空间的得分向量t_i，单位化t_i；

A2.计算质量变量的负载矩阵，q_i＝Y^Tt_i；

A3.计算质量变量的得分矩阵为u_i＝Yq_i，单位化u_i；

A4.迭代计算A2～A4，直到得分矩阵u_i收敛；

A5.根据下式计算核矩阵的特征Φ(x)与PLS中广义特征Y的残差信息