[发明专利]一种提升过程分布式输出预测的动态数据校正方法

权利要求书

1.一种提升过程分布式输出预测的动态数据校正方法，其特征在于，包括以下步骤：

(1)建立软测量预测模型：

构建预测模型，采集决定过程运行状况的可测量变量作为软测量模型的输入，模型的预测输出是未测量的分布式产品输出变量；将离线测得的由输出变量及输入变量所构成的数据划分为训练集及测试集；

(2)分布式产品输出的预测：

对建立的预测模型进行训练，训练完成后，输入可测量变量对产品输出的分布形状进行在线预测，将模型预测结果与离线测量的真实输出进行比较并分析模型的可靠性；

(3)利用测量信息对模型预测误差进行迭代计算：

当测量环境变化导致测量不准确时，对模型预测误差进行迭代计算，多次迭代后，当预测误差收敛时，选取稳定后的模型预测误差值用于最终的预测输出校正；

(4)根据测量信息及预测信息在线校正预测结果：

对测量信息及模型预测信息使用贝叶斯公式，得到基于测量信息及预测信息的实际输出后验分布；根据最大后验概率估计MAP思想求解后验分布表达式可得到产品真实输出的估计值；将真实输出估计值作为动态数据校正DDR对分布式产品预测输出的校正结果。

2.如权力要求1所述的一种提升过程分布式输出预测的动态数据校正方法，其特征在于，所述步骤(1)中采用最小二乘支持向量回归方法构建基于即时核学习JKL的预测模型，具体过程如下：

步骤1.1，建立基于训练集得到的第i个采样点的M个候选JKL预测模型，表示公式如下：

其中，u_q和y_i分别表示决定过程运行状况的可测量变量和离线测得的输出变量，即预测模型的测试集；x_q,i和S_qi分别为查询样本及数据库中与x_q,i相似的数据集；[C_m,σ_m]为M对候选参数；

步骤1.2：应用FLOO准则评估每个候选模型的可行性，对于x_q,i，每个候选模型的FLOO误差表示为：

式中，l_qi表示根据累积相似因子定义的最相似样本数目，表示基于FLOO准则计算的第j个样本的预测误差；

步骤1.3：采用集成策略组合每个JKL模型，基于集成策略定义的模型权重为：

由上式可知，单个模型的FLOO误差越大，该模型的权重越小；最后，在有N_q个采样点的情况下，给出了最终的分布形状预测EJKL模型：

3.如权力要求1所述的一种提升过程分布式输出预测的动态数据校正方法，其特征在于，所述步骤(3)的过程为：

考虑测量噪声的影响，在测量不准确的情况下，采用迭代法修正模型预测误差；

步骤3.1、将包含测量噪声的实际测量输出y_mea(t)与步骤(2)中预测输出y_ejkl(t)的差值作为模型预测误差初始值，将其协方差设为Σ_δ0；

步骤3.2、第一次迭代，迭代过程为：

y_ddr1(t)＝y_ejkl(t)+(Σ_ρ^-1+Σ_δ0^-1)^-1Σ_ρ^-1(y_mea(t)-y_ejkl(t))

式中，Σ_ρ表示测量噪声的协方差；取y_ddr1(t)与y_ejkl(t)的差值作为模型预测误差的第一次迭代结果，将其协方差设为Σ_δ1；

步骤3.3：设经过n次迭代后，模型预测误差开始收敛，设模型预测误差收敛值的协方差为Σ_δn，将Σ_δn用于最终的预测输出校正的计算。

4.如权力要求1所述的一种提升过程分布式输出预测的动态数据校正方法，其特征在于，所述步骤(4)的过程为：

步骤4.1、对测量输出y_mea(t)及模型预测输出y_ejkl(t)使用贝叶斯公式得到基于y_ejkl(t)、y_mea(t)的真实输出后验分布：

其中，N表示向量维数，y(t)表示真实输出，Σ_ρ和Σ_δ分别为测量噪声和模型预测误差的协方差。

步骤4.2：根据最大后验概率估计MAP，后验分布表达式取最大值时的y(t)即为实际输出的估计值y_ddr(t)；对步骤4.1中后验分布的表达式求极值，得到y(t)估计值的表达式为：

y_ddr(t)＝y_ejkl(t)+(Σ_ρ^-1+Σ_δ^-1)^-1Σ_ρ^-1(y_mea(t)-y_ejkl(t))；

步骤4.3：设估计值y_ddr(t)与实际值y(t)的误差为ξ(t)，通过数学推导可证明：

tr{[cov[ξ(t)]]}＜min{tr[Σ_ρ,Σ_δ]}

上式表明，估计值误差的方差小于测量噪声方差和模型预测误差方差的最小值，即动态数据校正DDR可以实现对模型预测输出的校正。