基于高斯混合模型的即时学习脱丁烷塔软测量建模方法
【专利摘要】本发明公开了一种基于高斯混合模型（GMM）的即时学习脱丁烷塔软测量建摸方法，该方法首先训练过程高斯混合模型，获取各高斯成分参数，建立相应的子模型；然后通过贝叶斯方法计算待预测样本属于各高斯成分的后验概率，以及各高斯成分下局部马氏距离，从而得到加权的样本相似度定义指标；最后采用新的相似度指标合理选择相似样本用于局部建模。本发明不仅能够很好的处理过程非高斯性和非线性，而且充分提取待预测样本特性，更为合理的选择相似样本用于即时学习建摸，有利于提高模型预测精度。
【专利说明】基于高斯混合模型的即时学习脱丁烷塔软测量建模方法
【技术领域】
[0001]本发明属于工业过程软测量建模领域，尤其涉及一种基于高斯混合模型的即时学习脱丁烷塔软测量建模方法。
【背景技术】
[0002]随着现代工业过程对质量控制、可靠性等要求的不断提高，质量相关的过程变量进行实时监测和控制变得更加重要。然而在复杂的工业生产过程中，由于工艺和条件的限制，存在许多难以直接测量的变量。这些变量虽然可以用在线分析仪进行测量，但是由于在线分析仪成本高、维护困难，且存在较大的测量滞后，不能满足实时控制的需要。为了解决上述问题，软测量技术作为具有广阔发展前景的新兴技术应运而生。软测量技术的核心是对于一些难以测量的重要变量(主导变量)，选择另外一些容易测量的变量(辅助变量)通过构建数学模型，以实现对主导变量的最佳估计。目前常用的软测量建模方法有主元回归(PCR)、偏最小二乘回归(PLS)、支持向量回归(SVR)、人工神经网络(ANN)等。
[0003]在实际过程中，软测量模型投入运行后，由于催化剂老化、设备老化、原料变化、产品质量要求改变等过程时变特性以及建模样本的不完备性，随着时间的推移，离线建立的软测量模型预测精度会下降，出现“模型老化”现象，导致模型的输出估计值出现较大的偏差，不再适应当前的工况特性。因此需要对软测量模型进行自适应更新，根据在线样本数据不断修正模型参数以适应过程时变特性。
[0004]目前常用的对模型进行更新的方法有滑动窗方法和递归方法，能够有效处理慢时变过程，对于过程突变或者变化相对频繁的过程，这类方法效果并不理想。为了解决这个问题，国外学者Cheng(2005)提出基于即时学习(JITL)的局部建模方法用于非线性过程的建模。该方法对于待预测的样本，在历史数据中找出与其最相似的若干个样本建立局部模型，通过局部模型进行在线预测输出。JITL方法既能解决过程时变问题，又能解决过程非线性问题，主要特征有以下几个方面:(I)局部建模针对当前样本建立；(2)采用对应的局部模型计算当前样本的输出预测值；(3)局部模型随着当前样本进行实时更新。
[0005]相似度准则的选取是JITL建模的核心部分，对于局部模型的预测精度至关重要。目前基于欧式距离(ED)和基于马氏距离(MD)的方法为常用的相似度准则。传统的相似度准则为一种全局相似度指标，仅仅考虑了样本之间的距离信息，并未充分考虑新增样本的特性，同时传统的相似度准则适用于高斯过程，事实上复杂多变的实际工业过程往往会呈现非高斯的特性。这些缺陷将会影响相似样本的选择，进而导致模型预测精度降低。
【发明内容】
[0006]本发明的目的在于针对现有技术的不足，提供一种基于高斯混合模型的即时学习脱丁烷塔软测量建模方法。
[0007]本发明的目的是通过以下技术方案来实现的:一种基于高斯混合模型的即时学习脱丁烷塔软测量建模方法，包括以下步骤:[0008]( I)通过集散控制系统和实时数据库系统收集脱丁烷工业生产过程关键变量在正常工况下的数据:X={xi e RmI i=i,2,...,n°其中，η为样本个数，m为关键变量个数，R为实数集。分别将这些数据存入数据库。
[0009](2)通过离线实验室分析获取历史数据中用于建模的样本所对应的脱丁烷塔塔底丁烷浓度，作为软测量模型的输出I e Rn。
[0010](3)分别对关键变量和输出变量进行预处理和归一化，使得各个过程变量和塔底丁烷浓度的均值为零，方差为1，得到新的数据集。
[0011](4)给定高斯混合模型的高斯成分个数K，采用K-means方法对数据进行聚类，将数据聚类为K类，计算初始值Ω ω:
[0012]
【权利要求】
1.一种基于高斯混合模型的即时学习脱丁烷塔软测量建模方法，其特征在于，包括以下步骤: (1)通过集散控制系统和实时数据库系统收集脱丁烷工业生产过程关键变量在正常工况下的数据:X={xi ∈ Rm}?=1，2，...，η。其中，η为样本个数，m为关键变量个数，R为实数集。分别将这些数据存入数据库； (2)通过离线实验室分析获取历史数据中用于建模的样本所对应的脱丁烷塔塔底丁烷浓度，作为软测量模型的输出y e Rn; (3)分别对关键变量和输出变量进行预处理和归一化，使得各个过程变量和塔底丁烷浓度的均值为零，方差为1，得到新的数据集； (4)给定高斯混合模型的高斯成分个数K，采用K-means方法对数据进行聚类，将数据聚类为K类，计算初始值Ωω: 其中，πκ(°)，μκ(°)，Σκ(°)分别为样本属于第K个高斯成分的先验概率初始值、第K个高斯成分的均值初始值以及协方差的初始值； (5)利用初始值Ω(°)和训练样本X=Ixie线训练高斯混合模型，通过EM算法迭代计算模型参数Ω:
2.根据权利要求1所述基于高斯混合模型的即时学习脱丁烷塔软测量建模方法，其特征在于，所述步骤4具体为: Ca)从数据集中任意选择K个对象作为初始聚类中心； (b)根据每个聚类中所有数据的均值，计算样本集中每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分； (c)重新计算变化后每个聚类的均值； (d)重复b步和c步，直到每个聚类不再发生变化为止，计算聚类后K个数据类参数
3.根据权利要求1所述基于高斯混合模型的即时学习软测量建模方法，其特征在于，所述步骤5具体为: 给定训练样本X=Ix1, χ2，...，χη}以及初始化参数
4.根据权利要求1所述基于高斯混合模型的即时学习脱丁烷塔软测量建模方法，其特征在于，所述步骤8具体为:(a)对待预测样本Xq，采用贝叶斯公式计算其属于每个高斯成分的概率p(Xqe Cjxq):
5.根据权利要求1所述基于高斯混合模型的即时学习脱丁烷塔软测量建模方法，其特征在于，所述步骤9具体为: 局部建模输入输出数据集为{Xu yL}，PLS将输入输出分解成得分矩阵?Υ，负载矩阵和％，权值矩阵I，如下所示:
xl=tltpl+el
yL=TLqL+fL 其中，L为局部建模的样本个数，E和f分别为输入和输出残差； 对于待预测数据&输出yq为:
【文档编号】G06F17/50GK103927412SQ201410129014
【公开日】2014年7月16日 申请日期:2014年4月1日 优先权日:2014年4月1日
【发明者】范苗, 葛志强, 宋执环 申请人:浙江大学