[发明专利]基于JY-KPLS的复杂工业过程在线质量预测方法

摘要

一种基于JY‑KPLS的复杂工业过程在线质量预测方法，利用联合Y变量的核偏最小二乘技术建立运行状态的离线质量预测模型、批次工业过程的在线质量预测，具体是先利用联合Y的核偏最小二乘法技术离线建立预测模型，在线获取决策点所有数据，采用均值填充方式对数据进行补充完整，利用预测模型对产品的质量进行预测。本发明能够有效克服新的生产过程数据少而无法建立预测模型的问题，能够加快建模速度，可以提高模型预测精度，实现模型自适应，可根据实时获得预测结果，现场操作人员就能及时调整生产策略，实现生产过程的实时优化，提高工厂的综合经济效益。

主权项

1.一种基于JY‑KPLS的复杂工业过程在线质量预测方法，其采用两套完全相同的生产设备，各自的内部参数设置不同，分别进行a过程和b过程两个生产过程，其中，a过程是全新的生产过程且数据少，而b过程的生产时间且长数据丰富；假设过程数据矩阵为X∈RN×J，N为样本数，J为过程变量数；假设输出数据矩阵为Y∈RN，包含输出过程变量；质量预测方法具体步骤如下：步骤一、将a过程、b过程的三维输入数据按照批次方向展开成二维矩阵，分别为Xa、Xb；步骤二、对a过程、b过程输入数据矩阵Xa，Xb的各列进行零均值和单位方差处理；同理，对输出数据矩阵Ya，Yb也进行标准化处理，且输出数据矩阵Ya与Yb中质量变量的数目相同；步骤三、将输入数据矩阵Xa、Xb经非线性映射Φ：xi∈RN→Φ(xi)∈F投影到高维特征空间F，并在F空间中计算核矩阵Ka、Kb：Ka＝ΦTΦ，Kb＝ΦTΦ；步骤四、对核矩阵Ka、Kb进行标准化处理；步骤五、对输入核矩阵K和输出数据矩阵Y运行JY‑KPLS算法：此时输入数据矩阵变为Ka、Kb，输出数据矩阵变为Ya，Yb，从输出数据矩阵Y中提取收敛的ui，当i＝1，KWi＝KW，YWi＝YW；a1、令YWi中的任意一列等于ui；b1、计算Ka的得分向量，t1i＝KWiu1i，t1i←t1i/||t1i||；c1、Kb的得分向量t2i＝KWiu2i，t2i←t2i/||t2i||；qi＝YjT[t1；t2]；d1、计算Y1Wi的得分向量u1i＝Y1Wiqi，u1i←u1i/||u1i||；f1、计算Y2Wi的得分向量u2i＝Y2Wiqi，u2i←u2i/||u2i||；e1、判断u1i与u2i是否收敛，若收敛则转入步骤六，否则返回a1；步骤六、计算K_Wi的负载矩阵：步骤七、提取出全部主元，计算输入数据矩阵KW的得分矩阵T、输入数据矩阵KW的负载矩阵P、输出数据矩阵YW的得分矩阵U以及输出数据矩阵YW的负载矩阵Q，具体如下：a2、令b2、令i＝i+1，重复步骤五、六直到提取出A个主元，主元个数A可由交叉验证法确定；c2、T1＝[t1，...，tA]，T2＝[t1，...，tA]，P＝[p1，...，pA]，U2＝[u1，...，uA]，Q＝[q1...，qA]；若输出数据矩阵Y为单输出变量，则JY‑KPLS模型的表达式如下：y＝K*U2(T2*Knx*U2)‑1*T′j*Yj+F，是a过程输出变量和b过程输出变量的联合，是a过程潜变量和b过程潜变量的联合，即建立质量预测模型所需要得出的最关键变量，可用于运行状态离线质量预测模型的建立；当引入新的样本knew，其得分矩阵将由下式得出：其中，knew是新样本xnew的核函数，可由下式计算得到：knew＝Φ(X)Φ(xnew)＝[k(x1，xnew)，...k(xn，xnew)]T，对k_new进行均值化可得：其中，1t＝1/n·[11...1]T∈Rn；步骤八、在线获得输入数据数据x_new，无法获得的部分输入数据用均值补齐，利用x_new进行在线质量预测获得预测值并依据预测结果指导生产过程；步骤九、在当前生产批次结束时，获得最新的输出数据y_new，并计算最新批次的预测误差δ_n，其中否则返回步骤八；步骤十、模型预测精度检验，绘制误差曲线；当过程批次大于2J次时，J为过程输入变量总数，获取除最新批次外所有的预测误差δ_n‑1；样本δ_n‑1服从正态分布，求出当显著性α＝0.95时的置信区间当最新批次预测误差δ_n落在置信区间内时，则进入步骤十一；当δ_n落在置信区间外时，则进入步骤十二；步骤十一、剔除b过程中与a过程相似程度最小的数据旧过程与新过程的相似程度用相似性s(xi)表示，用公式(10)与(11)可求得s(xi)，公式如下：其中，||||为欧式距离，为新过程数据的均值，s(x_i)的取值范围为0到1；步骤十二、将新测得数据添加到a过程原始数据中组成新的Xa，Ya，并返回步骤一，公式如下：