[发明专利]一种基于FF-RVM的多时段间歇过程软测量建模方法

说明书

本发明公开了一种基于FF‑RVM的多时段间歇过程软测量建模方法，该方法首先利用SCFCM聚类方法对间歇过程进行时段划分；然后分别利用KPCA和SSAE对每个时段的原始过程数据进行特征提取，实现基于KPCA的特征降维处理和基于SSAE的特征扩维处理，并采用基于误差最小的特征选择方法筛选出与质量变量具有高相关性的SSAE特征，将筛选出的SSAE特征和提取的KPCA特征进行特征融合；最后利用经过特征融合后的过程数据作为时段训练数据，建立基于RVM的时段软测量模型，实现质量变量的在线预测。本方法有效地扩充了过程数据所包含的信息量，为建立间歇过程软测量模型提供大量有效的训练数据，实现了间歇过程质量变量的在线预测。

技术领域

本发明属于间歇过程软测量技术领域，尤其涉及一种基于融合特征-相关向量机(Fusion Features-Relevant Vector Machine，FF-RVM)的多时段间歇过程软测量建模方法。

背景技术

间歇过程作为现代生产的主要生产方式之一，已被广泛应用于化工、食品、半导体加工和生物制药等领域，为确保其高效可靠安全地运行，迫切需要对质量变量进行在线测量。软测量技术是一种利用过程数据建立辅助变量与质量变量之间的数学模型来实现质量变量在线预测的技术，已被广泛应用于间歇过程的质量变量在线测量。

基于数据驱动的间歇过程软测量建模方法利用采集到的过程数据进行软测量建模，其模型精度很大程度上依赖于过程数据的质量和所包含的信息量。然而，在实际的间歇生产过程中，由于过程存在多时段特性、动态特性、非线性、高度复杂性等原因，采集的批次过程数据较少，难以满足数据驱动的间歇过程软测量建模数据量要求；此外，利用原始的过程数据建立的软测量模型，忽略了过程数据的非线性特征和内在深层特征，导致建立的软测量模型预测性能较差，降低质量变量的在线预测精度。

因此，本发明提出一种基于FF-RVM的多时段间歇过程软测量建模方法，利用不同的特征提取方法对过程数据进行特征提取，并对提取出的特征进行筛选和融合，得到具有非线性特性和深层次过程信息的数据特征，有效地扩充了过程数据所包含的信息量，为软测量建模提供大量有效的训练数据，实现质量变量的在线预测。

发明内容

本发明以提高多时段间歇过程的软测量模型预测精度为目的，提出一种基于FF-RVM的多时段间歇过程软测量建模方法，包括以下步骤：

步骤一：采集间歇过程的多批次过程数据，利用时序模糊C均值(Sequence-Constrained Fuzzy C-Means，SCFCM)聚类算法对其进行时段划分，得到用于建立时段软测量建模的数据集；

步骤二：分别利用核主元分析法(Kernel Principle Component Analysis，KPCA)和栈式稀疏自编码器(Stacked-Sparse Autoencoder，SSAE)对时段过程数据进行特征提取，并采用基于误差最小的特征选择方法筛选出与质量变量具有高相关性的SSAE特征，将筛选出的SSAE特征和提取的KPCA特征进行特征融合；

步骤三：将经过特征融合后的过程数据作为时段训练数据，建立基于RVM的时段软测量模型；

步骤四：利用在线过程数据对所建立的软测量模型进行在线测试，验证所建软测量模型的预测精度。

所述步骤一，具体包括：

假设间歇过程数据为{X(I×J₁×K),Y(I×J₂×K)}，其中I表示间歇过程批次数，J₁表示辅助变量个数，J₂表示质量变量个数，K表示样本数据个数。

将X按采样点方向展开，得到二维数据矩阵X_s(K×IJ₁)，并按列方向将其标准化为零均值和单位方差，得到用于时段划分的数据集