[发明专利]一种基于模型池的流程工业质量数据预测算法

说明书

本发明涉及一种基于模型池的流程工业质量数据预测算法，包括以下步骤：S1：数据采集；S2：数据预处理；S3：特征选择；S4：模型训练和评估；S5：模型池建立；S6：在线预测；S7：模型池维护；本发明使得流程工业质量数据预测准确度得到极大提高，且预测结果能够跟随生产工况变化及时调整，更重要的是，本发明能够提前预测流程工业质量变化趋势，有效解决流程工业质量控制延时大、预测难的问题；将本发明引入到质量控制系统中，能明显抑制生产数据波动，显著提升产品品质和产量，并有效降低能耗。

技术领域

本发明涉及一种基于模型池的流程工业质量数据预测算法。

背景技术

在流程工业中，质量检测工作在整个产品周期中起着至关重要的作用，目前大部分流程工业都采用人工化验方式实现质量检测，且采样周期较长；如作为典型流程工业的水泥行业，其包含的原料磨、煤磨、烧成系统、水泥磨等每一环节都有对应的质量指标要求，采样间隔通常在1小时、2小时甚至更长，导致产品质量自动控制过程难以实现。

随着统计学、机器学习等技术的发展，一些软测量算法也取得了相应的进步，目前已有线性回归、支持向量机、随机森林、梯度提升、神经网络等方法应用到流程工业质量化验数据的软测量中；一方面，这些方法通常采用固定的模型进行预测，而现场工况存在明显的非线性、时滞性和大惯性现象，当工况发生漂移时，预测结果与实际值之间常出现偏差，即使有一些改进的方法加入了校正功能，但随之带来的是预测结果滞后，无法应用到实际质量控制中；另一方面，在不同工况下，同一特征变量对质量数据的影响也不尽相同，这也是固定模型在部署运行一段时间后预测准确性下降的原因之一；再者，质量化验数据样本少，且准确度较差也给预测带来了一定的难度；因此，亟需等待解决。

发明内容

针对上述现有技术的现状，本发明所要解决的技术问题在于提供一种进一步提高了质量数据的预测精度以使质量控制系统能提前感知到质量数据的变化趋势，进而有效实施控制策略以解决质量控制系统不稳定、滞后、产量低、能耗高等问题的基于模型池的流程工业质量数据预测算法。

本发明解决上述技术问题所采用的技术方案为：一种基于模型池的流程工业质量数据预测算法，其特征在于，包括以下步骤：

S1：数据采集；

包括流程工业运行过程中质量化验数据的采集，以及与质量数据相关的其余特征变量的采集；

S2：数据预处理；

包括删除停机数据，按照工艺过程对齐各特征变量以及目标变量，异常数据删除，数据平滑等操作；

S3：特征选择；

按照各特征变量与目标变量之间的相关关系进行特征筛选，在建立模型时进一步通过逐步增加或者减少特征变量的方法筛选重要特征；

S4：模型训练和评估；

选取某一时间段数据，训练和评估模型。模型训练采用不同的机器学习方法，模型评估采用交叉验证实现，同时在训练模型时，可以进一步筛选合适的特征变量。

S5：模型池建立；

选取若干段数据源，按照上一步中模型训练和评估模块创建若干个效果优异的模型，将这些模型存放在一起形成模型池；

S6：在线预测；

根据历史数据判断当前运行工况，从模型池中选择与当前工况匹配的若干模型，预测质量数据；

S7：模型池维护；

持续在线采集数据，当数据量达到可训练样本量时，则训练新的模型，满足预测要求的新模型添加到模型池中；同时弃用模型池中长时间未使用的模型。