[发明专利]一种基于联邦增量随机配置网络的工业过程软测量方法

说明书

本发明提供了一种基于联邦增量随机配置网络的工业过程软测量方法，包括：获取历史的工业过程辅助数据和其对应的产品质量数据；找出最佳隐层参数；中央服务器处理得到全局参数，下传至每个工厂作为本地模型的隐层参数。每个工厂的本地模型计算新增隐层输出并构建隐层输出矩阵；通过优化算法得到当前网络的输出权值，并将输出权值上传至服务器进行加权聚合；在当前网络隐层节点数超过给定最大隐层节点数或当前迭代中的残差满足期望容差时，不再增加新节点，建模完成，得到全局联邦增量随机配置网络。本发明不仅能有效提高模型的预测性能，而且可以有效地保护数据隐私，能够很好地满足工业过程软测量的需求。

技术领域

本发明涉及工业过程产品质量指标的软测量技术领域，特别涉及一种基于联邦增量随机配置网络的工业过程软测量方法。

背景技术

为了降低生产成本，提高生产效率和质量，能够实时准确预报生产产品质量指标的软测量技术，是当今复杂工业过程控制领域的一个重要研究方向，具有深远的意义和实用应用价值。由于复杂工业这个领域面临着数据不足的问题，如果多方企业不进行数据交换和整合，则通过人工智能模型训练和预测得到的效果指标不理想，难以落地应用；随着大数据的进一步发展，重视数据隐私和安全已经成为了世界性的趋势。因此各国都在加强对数据安全和隐私的保护，欧盟最近引入的新法案《通用数据保护条例》(General DataProtection Regulation,GDPR)表明，对用户数据隐私和安全管理的日趋严格将是世界趋势。这给人工智能领域带来了前所未有的挑战。联邦学习作为一个机器学习框架可在保护数据隐私的前提下实现由多个参与者的本地数据训练出统一的机器学习模型，因此在隐私敏感的场景中(包括金融业、工业和许多其他数据感知场景)联邦学习展现出了极好的应用前景。目前联邦学习主要与深度学习相结合，但深度算法本身存在一些难以解决的瓶颈问题，如易陷入局部极小点、对初始参数的设定依赖性较强、梯度消失及梯度爆炸等问题，难以充分发挥神经网络强大的学习能力。随机配置网络作为近年来出现的一种先进的具有无限逼近特性的单隐层随机权值网络，大量的回归和分类试验都证实它在紧凑性、快速学习和泛化性能等方面具有明显的优势。

发明内容

发明目的：本发明针对现有工业过程产品数据量少，难以集中各方数据训练，本发明提出一种基于联邦增量随机配置网络的工业过程软测量方法，包括以下步骤：

步骤1，各个工厂获取历史的工业过程辅助数据和对应的产品质量数据，并初始化本地增量随机配置网络模型学习所需要的参数，每个工厂都是一个客户端，每个客户端将满足本地数据约束的隐层节点放入候选池，从候选池中选择最佳候选节点上传至中央服务器；

步骤2，中央服务器对上传的最佳候选节点进行加权聚合或者贪婪选择得到全局参数，并将全局参数下传至每个客户端作为本地增量随机配置网络模型的隐层参数；

步骤3，每个客户端得到全局参数后计算新增隐层输出，并将输出权值上传至中央服务器进行加权聚合，继续开始下一轮训练；

步骤4，在当前网络隐层节点数超过给定最大隐层节点数或当前迭代中的残差满足期望容差时，不再增加新节点，停止联邦训练，得到训练好的全局模型；

步骤5，服务器将训练好的全局模型分发给各个本地工厂作为软测量模型。

步骤1中，设定共有K个工厂参与联邦训练，对于第k个工厂，获取n_k组历史的工业过程辅助数据X^k和对应的产品质量数据T^k，记为{X^k,T^k}；第k个工厂第i组历史的工业过程辅助数据包含d个辅助过程变量，对应的产品质量数据t_i包含m个产品质量数据，i取值为1～n_k，则输入样本矩阵第i组z个辅助过程变量集合记为表示第k个工厂第i组第z个辅助过程变量。

步骤1中，所述的K个工厂都执行相同的工业过程；相同的工业过程大多采用相同的工艺流程和过程设备，具有特征相似性。