[发明专利]一种用于特殊精馏过程组分在线检测软测量方法

权利要求书

1.一种用于特殊精馏过程组分在线检测软测量方法，其特征在于包括以下步骤：

步骤一、采集历史数据并将其归一化后通过主元分析提取主元变量，将主元变量作为输入建立随机森林模型得到变量重要性指标，并选择随机森林重要性指标大的变量值作为输入变量导入软测量模型；

步骤二、将广义鲁棒损失函数引入到极限梯度算法，采用贝叶斯优化并将步骤一选择的随机森林重要性指标带入，对广义鲁棒损失函数的超参数进行优化得到自适应更新的鲁棒损失函数；

步骤三、将步骤一选择的随机森林重要性指标带入自适应更新的鲁棒损失函数进行离线训练得到训练好的ARXGBoost模型，并完成预测；

步骤四、利用训练后的ARXGBoost模型，将获取的实时数据作为输入导入模型中进行在线检测。

2.根据权利要求1所述的一种用于特殊精馏过程组分在线检测软测量方法，其特征在于：所述步骤一中主元分析随机森林重要性指标变量选择方法中，在随机森林变量选择之前引入主成分分析，经过主成分分析输出的主元将当前特征转化为相关性低、变异大的新空间，并过滤一部分无关噪声。

3.根据权利要求1所述的一种用于特殊精馏过程组分在线检测软测量方法，其特征在于：所述步骤一中将得到的主元变量进行特征值分解，特征值分解方法是随机选择特征值进行分裂生成树，并统计每一棵树中分支节点的Gini指数下降程度之和得到特征的重要性，且随机森林采用的是并行的装袋法。

4.根据权利要求3所述的一种用于特殊精馏过程组分在线检测软测量方法，其特征在于：所述特征值分解后进行负荷矩阵、主元成分、残差负荷矩阵以及残差矩阵的计算，再将分解后的特征值作为输入建立随机森林模型，得到变量重要性指标，并将变量重要性指标对应的变量作为软测量模型的输入变量。

5.根据权利要求1所述的一种用于特殊精馏过程组分在线检测软测量方法，其特征在于：所述步骤二中的优化包含以下三个方面

S1、采用一阶导数和二阶导数替代损失，在目标函数中引入正则化项，并采用贝叶斯优化来对广义鲁棒损失函数的超参数进行优化，实现损失函数的自适应更新；

S2、利用基于加权分位数图的最优分裂点搜索算法，将连续的特征值按分部划分到对应的块中，并对每个块中的样本进行累加，在建树前按特征进行分块并排序，在块里面保存排序后的特征值及对应样本的索引；

S3、根据实际工程中会出现输入值稀疏的情况，让模型自动学习缺失数据的默认切分方向，并在每次的分切中令缺失值分别被切分到左节点以及右节点，再通过计算的分值来得到更优的切分方法。

6.根据权利要求1所述的一种用于特殊精馏过程组分在线检测软测量方法，其特征在于：所述步骤二中鲁棒损失函数的自适应更新采用贝叶斯优化器来优化引入的广义鲁棒损失函数的超参数，并考虑前一时刻的参数信息对当前参数进行调节，完成鲁棒损失函数的自适应更新。

7.根据权利要求1所述的一种用于特殊精馏过程组分在线检测软测量方法，其特征在于：所述步骤三中完成预测的具体方法是通过计算得到预测值，其计算方法是将目标函数定义为损失函数与正则化项的和，损失函数衡量预测值和实际值之间的差异，并通过最小化目标函数得到迭代预测值。