[发明专利]基于鲁棒区间极限学习机的区间型指标预报方法

摘要

基于鲁棒区间极限学习机的区间型指标预报方法，属于自动控制、信息技术和先进制造领域，具体涉及针对不确定环境下的生产过程，数据包含异常点且指标可采用区间数描述的生产指标预报问题，提出一种区间型指标预报方法。其特征在于包括以下步骤采用区间极限学习机构建区间上界模型和下界模型，并构建了一个优化问题对上述两个模型的参数进行优化，该优化问题的目标函数中同时考虑了模型复杂度、模型中心误差、模型区间误差。为减少异常点对指标预报性能的影响，采用鲁棒统计学中最小中位数平方法对初始训练数据集中的异常点进行处理以确定子训练数据集。本发明方法可用于数据中含异常点的区间型生产指标预报。

主权项

基于鲁棒区间极限学习机的区间型指标预报方法，其特征在于，所述方法是依次按如下步骤实现的：步骤(1)：数据采集与预处理利用数据采集系统从实际生产过程进行数据采集，并将上述数据处理成如下训练数据：xi＝(xi，1，...，xi，n)其中，xi和ti分别为第i个训练样本的输入和输出，N为训练数据样本的个数，n为输入变量的维数，训练样本中含由系统采集、测量错误引入的异常数据；步骤(2)：构造区间极限学习机模型将区间极限学习机模型表示成如下形式：f1(xi)‑f2(xi)＝ò+ξi i＝1，...，N其中，f1(x)＝h1(x)β1f2(x)＝h2(x)β2分别为区间极限学习机的上界模型和下界模型，h1(x)和h2(x)分别为上界模型和下界模型的隐层节点函数，β1和β2分别为上界模型和下界模型的输出层权重，ηi是第i个样本与模型中心的误差，ò是模型输出区间的期望值，ξi是第i个样本与模型输出区间的误差，C1和C2分别为模型中心误差和模型区间误差的惩罚系数；步骤(3)：区间极限学习机模型的初始化选定输入层神经节点个数与训练样本维数n相同，输出神经节点个数为1，单隐层极限学习机的隐层节点数M；隐层节点的激励函数h1(x)和h2(x)可采用高斯函数/Sigmoid函数/正弦函数/三角基函数/Hard Limit函数，并随机确定上述函数的参数；步骤(4)：区间极限学习机模型的学习步骤(4.1)：区间极限学习机模型的拉格朗日函数为其中，αi和λi是拉格朗日因子；令β＝[β1；β2]h+(xi)＝[h1(xi)，h2(xi)]h‑(xi)＝[h1(xi)，‑h2(xi)]上式可写成上述拉格 朗日函数对各参数求导数，有求解后，得到令对函数f1(x)和f2(x)的预测需要分两种情景，为了简单起见，这里仅列出结果；情景1)基于随机隐层节点：或从而得到区间极限学习机的预测模型为：或情景2)基于核函数：其中步骤(5)：确定训练数据子集步骤(5.1)：估计残差的尺度参数，用于判定训练数据步骤(5.2)：使用下式对训练数据集中的每一个数据进行计算其中，1表示放入训练数据子集中，0表示不放入训练数据子集中，δ为人工确定的参数；步骤(6)：重复步骤(5)和步骤(6)，直到满足停止条件；步骤(7)：在上述模型参数学习完成的基础上，使用如下方式进行区间型运行指标预测，假设输入变量为x，其中，t1和t2分别为区间型运行指标预测值的下界和上界；步骤(8)：针对精炼炉钢水温度预报实际问题的特点，将实际精炼炉钢水温度在每两次温度测量之间的前一次钢水测量温度、钢包状况、加热档位、加热时间、处理间隔时间、吹氩流量、包壁温度、烟气温度、烟气流量和环境温度作为模型输入训练数据，将后一次测量温度值作为模型输出训练数据，并对上述基于鲁棒区间极限学习机的区间型指标预报模型进行训练，所得模型即可用于钢水温度的预报；所述方法是在计算机上依次按以下步骤实现：步骤(8.1)：采集每炉钢水每两次温度测量之间的数据，在每组数据中，将前一次钢水测量温度、钢包状况、加热档位、加热时间、处理间隔时间、吹氩流量、包壁温度、烟气温度、烟气流量和环境温度作为模型输入训练数据，将后一次钢水测量温度作为模型输出数据，训练样本中含由系统采集、测量错误引入的异常数据；步骤(8.2)：选定输入层神经节点个数，输出神经节点个数，单隐层极限学习机的隐层节点数，隐层节点的激励函数，区间目标值，模型中心误差和模型区间误差的惩罚系数；步骤(8.3)：采用上述基于鲁棒区间极限学习机的区间型指标预报方法，即步骤(2)到步骤(7)，用步骤(8.1)采集的数据进行训练，从而得到精炼炉钢水温度的区间预报模型；步骤(9)：针对微电子化学机械研磨工序晶圆片研磨厚度预报实际问题的特点，将实际微电子化学机械研磨工序对每个晶圆片的研磨时间以及研磨设备检验标准值为模型输入训练数据，将晶圆片研磨厚度作为模型输出训练数据，并对上述基于鲁棒区间极限学习机的区间型指标预报模型进行训练，所获得的模型即可用于研磨厚度的区间预报；所述方法是在计算机上依次按以下步骤实现：步骤(9.1)：采集每个晶圆片的研磨时间、研磨厚度、所属产品品种，以及研磨设备检验标准值信息，并按所属产品品种信息将数据进行分组，在每组数据中，将研磨时间、研磨设备检验标准值作为模型输入数据，将研磨厚度作为模型输出数据，训练样本中含由系统采集、测量错误引入的异常数据；步骤(9.2)：选定输入层神经节点个数，输出神经节点个数，单隐层极限学习机的隐层节点数，隐层节点的激励函数，区间目标值，模型中心误差和模型区间误差的惩罚系数；步骤(9.3)：采用上述基于鲁棒区间极限学习机的区间型指标预报方法，即步骤(2)到步骤(7)，用步骤(9.1)采集的数据进行训练，从而得到微电子化学机械研磨厚度的区间预报模型。