[发明专利]基于带时间差分贝叶斯网络的自适应软测量预测方法

摘要

本发明公开了一种基于带时间差分贝叶斯网络的自适应软测量预测方法，该方法充分发挥时间差分的优势，通过利用输入、输出变化量来建立贝叶斯网络模型，减弱工业过程漂移对模型的影响。相比于其他现存方法，本发明的最大优势在于不需定期更新模型来适应不断变化的工业过程，并且能有效解决输入或者输出发生漂移情况下模型失配的问题。当数据集存在缺失时，本发明也能给出较准确的预测结果。

主权项

一种基于带时间差分贝叶斯网络的自适应软测量预测方法，其特征在于，包括以下步骤：步骤一：收集工业过程中的历史数据集：将易于测量的过程变量作为输入，即X＝[x1；x2；…；xn]∈Rn×m，其中X的每一列代表一个过程变量，每一行代表一个样本；将不容易实时测量的质量变量作为输出，即Y＝[y1；y2；…yn]∈Rn×1。步骤二：计算训练数据集中每一样本与它前一样本的时间差分，得到输入输出变化量Δxi,Δyi，所述的时间差分Δxi,Δyi的计算公式如下：Δxi＝x(t)‑x(t‑i)  (1)Δyi＝y(t)‑y(t‑i)  (2)如果此时样本的前一时刻即x(t‑i)中存在某一个或几个变量的缺失，则用x(t‑i)的前一时刻x(t‑2i)中相应变量值代替。步骤三：用步骤二计算得到的Δxi,Δyi建立贝叶斯网络模型，具体如下：(a)根据专家知识，将所有易于测量的过程变量均作为父节点，需要预测的质量变量作为上述各父节点的子节点；各父节点与子节点间用一条有向边连接，箭头指向子节点，各父节点之间没有边相连，从而形成贝叶斯网络；(b)当各节点服从高斯分布时，将所有父节点设置为可观测节点，唯一的子节点设置为隐含节点，将步骤二中计算得到的输入输出变化量Δxi,Δyi放入(a)中已建立的贝叶斯网络中，如果此时的建模样本中存在数据缺失现象，将缺失值置为空后，直接进行后面的参数学习；所述的参数学习过程采用EM算法，通过不断迭代给出各个节点参数的最大似然估计；当数据中存在缺失现象时，参数学习的过程大致如下：随机给定缺失数据的初值，根据给定初值估计模型参数；根据估计的模型参数重新计算缺失值，如此反复迭代直至待估计参数收敛；(c)根据上步参数学习的结果，获得步骤(a)中各节点的先验概率分布，包括各节点的均值和方差，此时得到一个完整的贝叶斯网络。步骤四：当新来一输入样本xq时，计算它与上一时刻过程变量的输入变化量Δxq，将Δxq作为证据添加步骤三得到的完整的贝叶斯网络中，通过联合树推理引擎获得待预测节点的后验概率分布，包括输出变化量Δyq的均值和方差，根据公式(2)计算出yq，并计算实际测量真值y与预测值yq的误差。