[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

说明书

本发明公开了一种动态数据校正方法，该方法主要用于提升化工过程分布式产品输出预测的准确性，具体包括以下步骤：(1)建立软测量预测模型；(2)分布式产品输出的预测；(3)利用测量信息对模型预测误差进行迭代计算；(4)根据测量信息及预测信息在线校正预测结果。在测量不准确的情况下，本发明方法综合测量信息及模型预测信息对分布式产品输出预测结果进行校正，提高了分布式产品模型预测输出的准确性，从而实现产品过程的高效监测与评估。

技术领域

本发明属于具有分布式产品的化工过程质量建模与预测领域，具体涉及一种提升分布式产品模型预测输出准确性的动态数据校正方法。

背景技术

随着产品多样化需求的增加，部分化工过程的产品输出呈现分布的特征，如结晶过程的晶体尺寸分布、粉末工业中的粒径分布、聚合过程的分子量分布(Molecular WeightDistribution，MWD)等生产过程，这些具有分布式特性的输出变量直接关系到产品的质量特性，如强度特性、硬度特性、应力-应变特性等。目前，化工过程的分布式产品输出的在线测量是一个挑战性问题。因此，为实现产品输出的高效预测，数据驱动建模方法被逐渐应用于具有分布式输出特性的化工生产过程。

近年来，由于智能控制技术的快速发展，神经网络(Neural Network，NN)在分布式输出的过程模型学习方面也取得了不错的效果。然而，庞大的训练集和给定建模任务下NN的泛化能力仍是NN所面临的主要难题。与NN相比，基于支持向量回归/最小二乘支持向量回归(Least Squares Support Vector Regression，LSSVR)的核学习(Kernel Learning，KL)可以使用有限的训练集来提高回归模型的泛化能力，是非线性化工过程建模的一种有效解决方案。在KL模型的基础上，即时核学习(Just-in-time Kernel Learning，JKL)的提出解决了KL单一全局模型在操作条件、生产批次等工况变化时模型预测性能下降的问题。此外，集成学习的思想也被用于JKL建模过程。基于模型误差定义单个候选模型的权重，EJKL(Ensemble JKL)建模方法在集成候选模型的过程中可以根据各模型的精确性来调节模型权重，这种集成化的综合模型相比单一回归模型具有更准确的预测性能。

在基于EJKL思想的分布式产品输出的预测过程中，即使EJKL模型已经相当精确，但预测误差的存在同样不可避免。为了对预测结果作进一步校正，需要在离线条件下采集输出测量信息。然而，考虑到环境的复杂性，当测量条件发生变化时，测量输出可能会引入一种测量噪声。测量噪声的存在会影响系统的过程监控，对系统的控制过程也会产生干扰。一些经典的滤波技术，如卡尔曼滤波(Kalman Filter，KF)，对测量噪声影响下预测输出的校正也有一定的效果，但KF仅适用于状态空间模型。传统的数字滤波技术更是局限于测量噪声的抑制，而对模型预测输出不具备校正效果。

综合以上分析，本发明针对测量噪声影响下分布式产品预测输出的模型预测误差，提出了一种动态数据校正(Dynamic Data Reconciliation，DDR)方法来改善EJKL模型的分布式产品输出预测性能。DDR可以利用不准确的测量信息及预测信息来提高预测输出的准确性，还能降低测量噪声对测量输出的干扰。DDR不局限于具体的模型，可以综合测量信息及模型预测信息根据最大后验概率估计(Maximuma Posteriori Estimation，MAP)思想来获取过程输出的最优估计值，从而实现分布式产品预测输出准确性的提升。

发明内容

本发明的目的是在测量信息不准确的情况下，针对基于EJKL的分布式产品输出预测软测量模型存在的预测误差，提出了一种用于提升产品输出预测性能的动态数据校正方法。

本发明的目的是通过以下技术方案来实现：

一种提升过程分布式输出预测的动态数据校正方法，包括以下步骤：

(1)建立软测量预测模型：