本發(fā)明屬于工業(yè)過程軟測量，涉及一種基于深度隨機(jī)偏最小二乘(deeprandom?partial?least?squares，簡稱：derpls)的復(fù)雜工業(yè)過程軟測量建模方法。

背景技術(shù)：

1、在現(xiàn)代化工廠中，許多變量都是通過傳感器進(jìn)行在線測量，以保障工業(yè)裝置的閉環(huán)控制和穩(wěn)定運(yùn)行。但是，由于儀器開發(fā)技術(shù)限制或者測量環(huán)境惡劣，其中一些關(guān)鍵質(zhì)量變量目前仍然很難進(jìn)行在線測量。為了解決這些問題，軟測量技術(shù)應(yīng)運(yùn)而生，能夠有效提高關(guān)鍵質(zhì)量變量檢測的實(shí)時(shí)性和有效性。軟測量技術(shù)通過建立易測變量與難測變量之間的數(shù)學(xué)模型，實(shí)現(xiàn)對難測變量的在線實(shí)時(shí)預(yù)測，具有成本低、易維護(hù)、配置靈活等的優(yōu)點(diǎn)。近年來，隨著科學(xué)技術(shù)的發(fā)展和大數(shù)據(jù)時(shí)代的到來，軟測量技術(shù)在工業(yè)過程監(jiān)控、質(zhì)量控制和優(yōu)化管理等領(lǐng)域發(fā)揮著越來越重要的作用。

2、偏最小二乘(pls)是一種處理多元回歸分析的統(tǒng)計(jì)方法。因其數(shù)學(xué)原理簡單、處理多重共線性能力強(qiáng)、計(jì)算復(fù)雜度低等優(yōu)點(diǎn)，已成功應(yīng)用于軟測量建模領(lǐng)域。然而，pls算法是線性淺層的模型，不足以充分挖掘過程數(shù)據(jù)中足夠豐富的抽象特征，此外傳統(tǒng)的內(nèi)核非線性pls方法計(jì)算復(fù)雜度高，不能滿足工業(yè)實(shí)時(shí)建模的要求。針對以上問題，提出一種基于深度隨機(jī)偏最小二乘的復(fù)雜工業(yè)過程軟測量建模方法，利用隨機(jī)傅里葉非線性映射技術(shù)代替?zhèn)鹘y(tǒng)內(nèi)核方法，大大降低計(jì)算復(fù)雜度。借鑒深度學(xué)習(xí)結(jié)構(gòu)的優(yōu)勢，將隨機(jī)pls模型搭建為深度結(jié)構(gòu)，以充分提取豐富非線性特征，提高軟傳感器預(yù)測性能，并且可以通過驗(yàn)證誤差最小化自適應(yīng)確定模型結(jié)構(gòu)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對傳統(tǒng)內(nèi)核非線性pls計(jì)算復(fù)雜度高，同時(shí)不能充分提取足夠復(fù)雜的非線性特征的問題，提供一種基于深度隨機(jī)偏最小二乘的復(fù)雜工業(yè)過程軟測量建模方法。該方法使用隨機(jī)傅里葉映射非線性方法代替?zhèn)鹘y(tǒng)內(nèi)核方法，大大降低計(jì)算復(fù)雜度。將隨機(jī)pls搭建為深度結(jié)構(gòu)，以充分提取更豐富的非線性特征，提高軟傳感器的預(yù)測性能，并且可以通過驗(yàn)證誤差最小化自適應(yīng)確定模型結(jié)構(gòu)。

2、為了達(dá)到上述目的，本發(fā)明提供了一種基于深度隨機(jī)偏最小二乘的復(fù)雜工業(yè)過程軟測量建模方法，含有以下步驟：

3、(一)采集工業(yè)過程中的樣本數(shù)據(jù)集d＝{x,y}，將數(shù)據(jù)集分為訓(xùn)練數(shù)據(jù)集ds＝{xs,ys}和驗(yàn)證數(shù)據(jù)集dv＝{xv,yv}；訓(xùn)練集用于建立軟測量模型，驗(yàn)證集用于確定模型結(jié)構(gòu)；其中xs表示訓(xùn)練數(shù)據(jù)集的軟測量模型輸入變量，ys表示訓(xùn)練數(shù)據(jù)集的軟測量模型輸出變量；其中xv表示驗(yàn)證數(shù)據(jù)集的軟測量模型輸入變量，yv表示驗(yàn)證數(shù)據(jù)集的軟測量模型輸出變量；對訓(xùn)練數(shù)據(jù)集ds和驗(yàn)證數(shù)據(jù)集dv進(jìn)行預(yù)處理，獲取預(yù)處理后的訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集

4、(二)通過隨機(jī)傅里葉映射函數(shù)將訓(xùn)練數(shù)據(jù)集中的每個(gè)樣本進(jìn)行非線性映射獲得隨機(jī)傅里葉特征矩陣h(1)，對隨機(jī)傅里葉特征矩陣h(1)執(zhí)行偏最小二乘(pls)算法獲得非線性潛特征矩陣t(1)及第一層隨機(jī)pls模型參數(shù){w(1),p(1),c(1)}，其中w(1)為權(quán)重矩陣，p(1)為加載矩陣，c(1)為系數(shù)矩陣；計(jì)算驗(yàn)證數(shù)據(jù)集在當(dāng)前隨機(jī)pls模型上的驗(yàn)證誤差指標(biāo)e(1)；

5、(三)通過隨機(jī)傅里葉映射函數(shù)將非線性潛特征矩陣t(1)進(jìn)行非線性映射獲得隨機(jī)傅里葉特征矩陣h(2)，對隨機(jī)傅里葉特征矩陣h(2)執(zhí)行pls算法獲得非線性潛特征矩陣t(2)及第二層隨機(jī)pls模型參數(shù){w(2),p(2),c(2)}，計(jì)算驗(yàn)證數(shù)據(jù)集在第二層隨機(jī)pls模型上的驗(yàn)證誤差指標(biāo)e(2)；用非線性潛特征矩陣t(2)代替t(1)，重復(fù)執(zhí)行隨機(jī)傅里葉非線性映射及pls算法，直到第l+1層驗(yàn)證誤差指標(biāo)e(l+1)大于第l層驗(yàn)證誤差指標(biāo)e(l)，即可確定深度隨機(jī)pls模型結(jié)構(gòu)深度為l層，對應(yīng)第l層隨機(jī)pls模型參數(shù){w(l),p(l),c(l)}；

6、(四)采集新樣本測試集xt，對其進(jìn)行預(yù)處理，得到預(yù)處理后的新樣本測試集并將其作為軟測量模型的輸入數(shù)據(jù)，計(jì)算得到相應(yīng)的輸出預(yù)測，分析深度隨機(jī)pls模型的預(yù)測效果。

7、進(jìn)一步的，所述步驟(一)中，通過公式(1)-公式(4)分別對訓(xùn)練數(shù)據(jù)集ds和驗(yàn)證數(shù)據(jù)集dv進(jìn)行預(yù)處理，公式(1)-公式(4)的表達(dá)式為：

8、

9、式中，ms為訓(xùn)練數(shù)據(jù)集軟測量模型輸入變量xs的均值，as為訓(xùn)練數(shù)據(jù)集軟測量模型輸入變量xs的標(biāo)準(zhǔn)差；us為訓(xùn)練數(shù)據(jù)集軟測量模型輸出變量ys的均值，zs為訓(xùn)練數(shù)據(jù)集軟測量模型輸出變量ys的標(biāo)準(zhǔn)差。

10、進(jìn)一步的，所述步驟(二)中，通過公式(5)將訓(xùn)練數(shù)據(jù)集中的每個(gè)樣本進(jìn)行非線性映射獲得隨機(jī)傅里葉特征矩陣h(1)，表達(dá)式為：

11、

12、式中，φ表示隨機(jī)傅里葉映射函數(shù)，函數(shù)表達(dá)式為：

13、

14、其中d是將數(shù)據(jù)映射至非線性傅里葉特征的維度，ωi為服從正態(tài)分布的高斯隨機(jī)向量，σ為人為設(shè)置的內(nèi)核超參數(shù)，bi為服從均勻分布u(0,2π)的隨機(jī)向量；

15、驗(yàn)證誤差指標(biāo)e(1)為第一層隨機(jī)pls模型在驗(yàn)證集上的均方根誤差，其計(jì)算公式為：

16、

17、式中，y為驗(yàn)證集的軟測量模型輸出變量，為驗(yàn)證集的第一層隨機(jī)pls模型輸出變量預(yù)測值，n為驗(yàn)證集的樣本數(shù)量。

18、進(jìn)一步的，所述步驟(三)中，驗(yàn)證誤差指標(biāo)e(l)為第l(2≤l≤l+1)層隨機(jī)pls模型在驗(yàn)證集上的均方根誤差，其計(jì)算公式為：

19、

20、式中，y為驗(yàn)證集的軟測量模型輸出變量，為驗(yàn)證集的第l層隨機(jī)pls模型輸出變量預(yù)測值，n為驗(yàn)證集的樣本數(shù)量；

21、構(gòu)建好深度隨機(jī)pls模型后，訓(xùn)練數(shù)據(jù)的預(yù)測表達(dá)式為：

22、

23、進(jìn)一步的，所述步驟(四)中，通過公式(10)對新樣本測試集xt進(jìn)行預(yù)處理，公式(10)表達(dá)式為：

24、

25、對于預(yù)處理后的新測試樣本集由公式(11)獲得新測試樣本集的潛特征矩陣公式(11)的表達(dá)式為：

26、

27、式中表示第l層隨機(jī)傅里葉特征矩陣，由公式(12)計(jì)算獲得：

28、

29、隨后新樣本測試集xt的預(yù)測輸出由公式(13)計(jì)算獲得：：

30、

31、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

32、本發(fā)明提供的基于深度隨機(jī)偏最小二乘的復(fù)雜工業(yè)過程軟測量建模方法，利用隨機(jī)傅里葉映射非線性方法代替?zhèn)鹘y(tǒng)的內(nèi)核方法，大大降低了計(jì)算復(fù)雜度。將隨機(jī)pls構(gòu)建為深度結(jié)構(gòu)，可以提取到更加復(fù)雜豐富的非線性特征，提高軟傳感器預(yù)測性能，并且可以通過驗(yàn)證誤差最小化自適應(yīng)確定模型結(jié)構(gòu)。

技術(shù)特征：

1.一種基于深度隨機(jī)偏最小二乘的復(fù)雜工業(yè)過程軟測量建模方法，其特征在于，含有以下步驟：

2.如權(quán)利要求1所述的一種基于深度隨機(jī)偏最小二乘的復(fù)雜工業(yè)過程軟測量建模方法，其特征在于，所述步驟(一)中，通過公式(1)-公式(4)分別對訓(xùn)練數(shù)據(jù)集ds和驗(yàn)證數(shù)據(jù)集dv進(jìn)行預(yù)處理，公式(1)-公式(4)的表達(dá)式為：

3.如權(quán)利要求1所述的一種基于深度隨機(jī)偏最小二乘的復(fù)雜工業(yè)過程軟測量建模方法，其特征在于，所述步驟(二)中，通過公式(5)將訓(xùn)練數(shù)據(jù)集中的每個(gè)樣本進(jìn)行非線性映射獲得隨機(jī)傅里葉特征矩陣h(1)，表達(dá)式為：

4.如權(quán)利要求1所述的一種基于深度隨機(jī)偏最小二乘的復(fù)雜工業(yè)過程軟測量建模方法，其特征在于，所述步驟(三)中，驗(yàn)證誤差指標(biāo)e(l)為第l(2≤l≤l+1)層隨機(jī)pls模型在驗(yàn)證集上的均方根誤差，其計(jì)算公式為：

5.如權(quán)利要求1所述的一種基于深度隨機(jī)偏最小二乘的復(fù)雜工業(yè)過程軟測量建模方法，其特征在于，所述步驟(四)中，通過公式(10)對新樣本測試集xt進(jìn)行預(yù)處理，公式(10)表達(dá)式為：

技術(shù)總結(jié)
本發(fā)明涉及一種基于深度隨機(jī)偏最小二乘的復(fù)雜工業(yè)過程軟測量建模方法，其步驟為：本發(fā)明上述軟測量方法，采集工業(yè)過程數(shù)據(jù)并預(yù)處理后，獲取訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集；通過隨機(jī)傅里葉映射函數(shù)將訓(xùn)練數(shù)據(jù)集中的每個(gè)樣本進(jìn)行非線性映射獲得隨機(jī)傅里葉特征矩陣H<supgt;(1)</supgt;，對隨機(jī)傅里葉特征矩陣執(zhí)行偏最小二乘(PLS)算法獲得非線性潛特征矩陣T<supgt;(1)</supgt;及第一層隨機(jī)PLS模型參數(shù)，計(jì)算驗(yàn)證數(shù)據(jù)集在當(dāng)前隨機(jī)PLS模型上的驗(yàn)證誤差指標(biāo)e<supgt;(1)</supgt;；用非線性潛特征矩陣T<supgt;(1)</supgt;代替H<supgt;(1)</supgt;，重復(fù)執(zhí)行隨機(jī)傅里葉非線性映射及PLS算法，直到第L+1層驗(yàn)證誤差指標(biāo)大于第L層驗(yàn)證誤差指標(biāo)，即可確定深度隨機(jī)PLS模型結(jié)構(gòu)深度為L層并獲得第L層模型參數(shù)；將采集到的新測試樣本數(shù)據(jù)作為軟測量模型的輸入數(shù)據(jù)，計(jì)算得到相應(yīng)的輸出預(yù)測，分析深度隨機(jī)偏最小二乘軟測量模型的預(yù)測效果。本發(fā)明上述軟測量方法利用隨機(jī)傅里葉映射技術(shù)降低計(jì)算復(fù)雜度，隨機(jī)PLS模型搭建為深度結(jié)構(gòu)可以提取更復(fù)雜的非線性特征，提高了軟傳感器預(yù)測性能，并可以通過驗(yàn)證誤差最小化自適應(yīng)確定模型結(jié)構(gòu)。

技術(shù)研發(fā)人員：鄧曉剛,王自恒,張靜
受保護(hù)的技術(shù)使用者：中國石油大學(xué)（華東）
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/10