一种工业过程软测量建模方法与流程

文档序号:11134280阅读:2278来源:国知局
一种工业过程软测量建模方法与制造工艺

本发明实施例涉及一种人工智能技术,尤其涉及一种工业过程软测量建模方法。



背景技术:

近年来软测量技术的快速发展,基于人工智能技术的各种软测量方法在工业生产中得到了广泛的应用,但是许多工业生产过程包含了各种复杂的物理化学反应过程,或是在高温高压等恶劣环境下进行的,因此各个影响因素与被测量之间存在着复杂的非线性关系,如何使软测量技术既能提高测量精度,又能简化实际操作,是将软测量技术应用于工业生产的瓶颈。

集成学习的主要思想是将多个子学习机进行融合以提高整个学习系统的性能,从而克服单一智能算法在软测量技术中泛化能力差、模型精度较低等缺点,以获得软测量建模中输出变量的最佳预估值。目前,集成学习在分类问题上研究较多,针对回归问题的研究较少。且已有的AdaBoost算法大都需要设定较多的参数,参数的选取决定了算法的性能,但是这些参数的选取没有工业机理作为指导,具有盲目性,需要反复实验才能得出恰当的参数,这些复杂的参数设定在使用中增加了实际操作难度,为软测量在工业中的应用带来了很大的困难。



技术实现要素:

有鉴于此,本发明实施例提供一种工业过程软测量建模方法,解决了软测量在工业应用中操作难度大,预测效果差的问题。

本发明实施例提供一种工业过程软测量建模方法,包括:

S101、获取用于所述工业过程软测量建模方法的M个建模数据作为待处理数据;

S102、设定所述工业过程软测量建模方法的松弛变量;

S103、对所述建模数据分配权重;

S104、设定最大迭代次数T并初始化迭代次数t=1;

S105、依据所述建模数据权重的大小抽取m个所述待处理数据作为训练数据,其中,m≤M;

S106、选择一个单一的智能方法训练所述训练数据得到一个软测量子模型;

S107、计算所述训练数据的绝对误差、相对误差和均方根误差;

S108、更新所述待处理数据权重并且所述迭代次数t+1;

S109、如果所述迭代次数t小于等于所述最大迭代次数T,则返回步骤S105;

S110、根据T个所述软测量子模型得到所述工业过程软测量建模方法的模型。

在上述方法中,优选的是,所述待处理数据还包括:

用于测试软测量模型的测试数据。

在上述方法中,优选的是,所述松弛变量等于所述工业过程允许的最大绝对误差。

在上述方法中,优选的是,单一的智能方法可以为BP神经网络方法。

附图说明

图1是本发明实施例一提供的一种工业过程软测量建模方法流 程示意图

附图说明

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。可以理解的是,此处所描述的具体实施例仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。

具体实施例一

图1是本发明实施例一提供的一种工业过程软测量建模方法流程示意图。如图1所示,工业过程软测量建模方法包括:

S101、获取用于工业过程软测量建模方法的M个建模数据作为待处理数据。

具体地,待处理数据是从一种工业生产过程中采集得到的生产数据,例如可以是,LF炉钢包精炼生产过程的生产数据,确定建立软测量模型得到的输出变量,例如可以是,LF炉钢包精炼生产过程钢水终点温度,分析影响所述LF炉钢包精炼生产过程钢水终点温度的因素,例如可以是,钢水进站的初始温度、钢包状态、电能的消耗、精炼周期、钢水的总质量、合金及渣料的吸热和放热、平均底吹氩流量和出钢时钢包衬温度。根据上述参数采集M个LF炉钢包精炼生产过程的生产数据作为建立软测量模型的建模数据data_train=[(x1,y1),(x2,y2),...(xM,yM)]和K个所述LF炉钢包精炼生产过程的生产数据作为测试软测量模型的测试数据data_test=[(x1,y1),(x2,y2),...(xK,yK)],其中x为输出变量的影响因素,可以成为输入变量,y为输出变量。采集建模数据个数例如可以是,M=200、测试数据个数,例如可以是,K=50。

S102、设定所述工业过程软测量建模方法的松弛变量;

具体地,所述松弛变量ε等于所述工业过程允许的最大绝对误差,LF炉钢包精炼生产过程钢水重点温度最大绝对误差为10℃,松弛变量可以设定为10℃,即ε=10。

S103、对所述建模数据分配权重。

具体地,对采集到的建模数据data_train分配初始权重:D1(i)=1/M。

其中D1(i)为第i个样本的初始权重,M为建模数据个数。

S104、设定最大迭代次数T并初始化迭代次数t=1。

具体地,根据迭代需要确定最大迭代次数T,例如可以是T=20,同时初始化迭代次数t=1。

S105、依据所述待处理数据权重的大小抽取m个所述建模数据作为训练数据,其中,m≤M。

具体地,选择一种抽样方法抽取从M个建模数据data_train中抽取m个建模数据,例如可以是,利用分层抽样方法从200个建模数据data_train中抽取150个数据作为训练数据,权重大被抽到的机会增加,权重小被抽到的机会降低,权重相等则进行随机抽取。

S106、选择一个单一的智能方法训练所述训练数据得到一个软测量子模型。

具体地,选择一个单一的智能方法,例如可以是,BP神经网络,利用MATLAB仿真建立BP神经网络模型,其中BP神经网络参数为:输入层节点数为8,输出层节点数为1,隐藏层节点数为15,建立后的软测量子模型为:ft(x)→y。

S107、计算所述训练数据的绝对误差、相对误差和均方根误差。

具体地,计算每个训练数据通过当前迭代建立的软测量子模型的绝对误差式、相对误差和均方根误差;

绝对误差为:errort(i)=|ft(xi)-yi|;

相对误差为:

均方根误差为:

其中,ft(xi)为第t次迭代时第i个训练数据通过软测量子模型计算得出的输出变量,yi为第i个训练数据的输出变量,errort(i)为第t次迭代时第i个训练数据的绝对误差,AREt(i)为第t次迭代时第i个训练数据的相对误差,RMSEt为第t次迭代时通过软测量子模得出的输出变量的与对应工业采集到数据的均方根误差。

S108、更新所述待处理数据权重并且所述迭代次数t+1;

具体地,如果训练数据的绝对误差小于松弛变量ε,根据式(1)对应的权重减小,如果绝对误差大于松弛变量ε,根据式(1)对应的权重增加,未被选中的建模数据对应的权重不变;

其中Dt+1(i)为下一次迭代时第i个建模数据对应的权重,errort(i)为第t次迭代时第i个建模数据的绝对误差,AREt(i)为第t次迭代时第i个建模数据的相对误差;

更新完建模数据对应的权重,迭代次数t+1。

S109、如果所述迭代次数t小于等于所述最大迭代次数T,则返 回步骤S105。

具体地,如果迭代次数t≤T返回步骤S105,如果迭代次数t>T执行步骤S110。

S110、根据T个所述软测量子模型得到所述工业过程软测量建模方法的模型。

具体地,根据式(2)集成工业过程软测量方法的软测量模型。

其中,F(x)为本实施例建立的工业软测量模型,ft(x)为第t次迭代建立的软测量子模型,例如可以是通过BP神经网络建立的软测量子模型,RMSEt为第t次迭代时通过软测量子模得出的输出变量的与对应工业采集到数据的均方根误差。

注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1