[发明专利]可解释集成学习的间歇过程质量在线预测方法

权利要求书

1.一种可解释集成学习的间歇过程质量在线预测方法，其特征在于，通过传感器采集的间歇过程历史数据集建立最终产品质量模型，经数据预处理得到候选输入变量；分时段计算候选输入变量与最终产品质量之间的Copula熵并进行排序，选取Copula熵最大的前M个候选输入变量作为关键变量；根据最终产品质量模型设计堆叠集成随机森林算法，训练该堆叠集成随机森林算法后，利用训练得到的堆叠集成随机森林算法对间歇过程的最终产品质量进行在线预测；

所述的间歇过程历史数据集包括：时段无关变量V_u，时段相关变量V_r,k，最终产品质量指标Y；

所述的最终产品质量模型，即时段无关变量V_u以及时段相关变量V_r在每个时间点产生影响的加权叠加：其中：Y为某一批次的最终产品质量，Q₀、Q_k分别表示V_u和V_r对最终产品质量的局部影响，ω₀、ω_k分别表示局部影响的权值；考虑间歇过程的多时段特性，在每个时段提取时段相关变量的时序特征，从时段无关变量和每个时段的时序特征中选择最终产品质量的关键变量集S_u,S_r,p，其中p＝1,2,…,P表示P个时段，k＝1,2,…,K表示K个时间间隔；

所述的时段无关变量产生的影响记为时段0，则最终产品质量模型公式化为

所述的堆叠集成随机森林算法，首先采用随机森林算法学习不同时段对最终产品质量的局部影响Q_p，然后采用线性回归算法学习不同时段局部影响的权重ω_p，通过最终产品质量模型输出质量预测值；

所述的间歇过程质量在线预测方法，具体包括：

步骤A：获取传感器采集的间歇过程历史数据集：分析数据集中3种类型的原始数据，构建最终产品质量模型，其中时段无关变量数目为86个，时段相关变量数目为22个，最终产品质量指标为3维产品尺寸Size 1、Size 2和Size 3；

步骤B：数据预处理：针对22个时段相关变量，在注塑成型过程的11个关键生产时段：合模、注射、保压、熔胶、后松退、冷却、开模、顶进、顶退、中子进和中子退，分别提取22个时段相关变量的6个时序特征，即每个生产时段衍生出132个候选输入变量；

步骤C：Copula熵关键变量选择：针对86个时段无关变量，依次计算每个变量与最终产品质量指标的Copula熵，并按照大小进行排序，选择Copula熵最大的前30个变量定义为生产时段p＝0的关键变量集S_u；针对每个生产时段，计算每个候选输入变量与最终产品质量指标的Copula熵，并按照大小进行排序，选择Copula熵最大的前30个变量定义为生产时段p＝1,2,…P的关键变量集S_r,p，采用K近邻方法估计Copula熵时，k_N的取值为3；

步骤D：训练堆叠集成随机森林算法，获得不同时段对最终产品质量的局部影响以及不同时段局部影响的权重；随机森林算法的树的数量n_tree取值为100，和每次分裂随机特征的数量m_try的取值为2，以数据集中的9960个样本作为训练集，其余样本作为测试集，采用均方根误差和决定系数R²作为性能评价指标，具体为：其中：N_T为测试集中的样本数，y_i为第i个样本的真实值，为质量预测方法的估计值，为所有估计值的平均值；

步骤E：输入在线数据或测试集样本，进行间歇过程最终产品质量的在线预测：采用测试集数据模拟质量在线预测的过程，并选择线性回归、K近邻回归作为基准方法进行了对比实验。

2.根据权利要求1所述的可解释集成学习的间歇过程质量在线预测方法，其特征是，所述的数据预处理是指在每个时段提取时段相关变量的6个时序特征，包括：均值方差极差max(x_j)-min(x_j)，中位数median(x_j)，偏度和峰度其中：表示变量x_j的第k个样本点，N表示样本点的数目，表示N个样本点的均值。