一种面向流程对象的工业过程建模预测方法
【技术领域】
[0001] 本发明涉及工业流程生产领域，尤其涉及一种面向流程对象的工业过程建模预测 方法。
【背景技术】
[0002] 随着生产技术的发展，流程环节的控制越来越严格，因此生产参数间的影响关系 变得也越来越重要；而随着生产数据规模的扩大和长时间的积累，导致海量的生产数据的 产生，而这势必进一步增加过程参数的复杂性以及参数之间的关联性，也给流程对象的模 型建立带来了更大的困难。选择正确有效的参数是有效进行过程建模的前提，而目前流程 对象过程参数的选择在很大程度上依赖于工人长期积累的经验，缺乏理论依据和科学性。
【发明内容】
[0003] 为了克服现有技术中存在的不足，本发明提供一种面向流程对象的工业过程建模 预测方法，基于柔性神经树获取流程对象各测点数据的变化趋势公式，对工业生产过程进 行模拟，基于当前生产状态的相关参数预测未来一段时间的生产状态，从而辅助指导企业 调整生产流程参数，在微观上引导生产趋利避害。
[0004] 为实现上述目的，本发明采取如下技术方案：
[0005] -种面向流程对象的工业过程建模预测方法，包括如下步骤：
[0006] (1)柔性神经树（flexible neural tree)FNT模型建立，从流程对象已经生成的数 据仓库中抽取工业流程对象原始数据集S，创建FNT模型的初始种群，种群个体数目根据需 要定制，每个个体表示一个FNT模型；
[0007] (2)利用PIPE算法优化FNT模型结构，适应值函数采用均方误差或均方根误差； [0008] (3)利用微粒群（PSO)算法优化FNT模型参数；
[0009] (4)利用FNT模型对流程对象生产过程进行建模预测。
[0010] 更进一步的，所述步骤（1)工业流程对象原始数据集S中，每个属性或字段表示 工业流程对象中的某个节点的状态，其值会随着时间的变化以及其他节点状态的变化而变 化，FNT模型处理的数据需要在[0，1]间，所以需要对原始数据集S进行归一化处理，归一 化方法如公式（1)，其中X是待处理原始数据，MAX和MIN分别是X所属的数据属性在原始 数据集S中的最大和最小值；
[0011] Y = (X-MIN) / (MAX-MIN) (1)
[0012] 然后把归一化以后的原始数据集S载入数据库，形成可以直接用于数据挖掘的数 据仓库。
[0013] 更进一步的，所述FNT模型用到的函数集F和终止信息集T描述如下：
[0014] S = FUT= {+2, +3, · · · , +N} U {x1； . . . , xj (2)
[0015] 其中，+i表示非叶子节点信息，i = 2, 3,…，N，i表示函数+ i对应的输入变量的个 数；X1, X2，…Xn为叶子节点信息；把一个非叶子节点的输出看作一个柔性神经元进行计算， 即+i是具有i个输入的柔性神经元；在神经树的创建过程中，如果一个非终止信息+ i被选 择，i的实际值是随机产生的，它表示\这个节点和他的孩子接点之间的连接权值；柔性激 励函数的两个可调参数％和b i也是随机产生的；FNT的激励函数；表示为： _6]
【主权项】
1. 一种面向流程对象的工业过程建模预测方法，其特征在于包括如下步骤： (1) FNT模型建立，从流程对象已经生成的数据仓库中抽取工业流程对象原始数据集 S，创建FNT模型的初始种群，种群个体数目根据需要定制，每个个体表示一个FNT模型； (2) 利用PIPE算法优化FNT模型结构，适应值函数采用均方误差或均方根误差； (3) 利用微粒群（PSO)算法优化FNT模型参数； (4) 利用FNT模型对流程对象生产过程进行建模预测。
2. 根据权利要求1所述的一种面向流程对象的工业过程建模预测方法，其特征在于： 所述步骤（1)工业流程对象原始数据集S中，每个属性或字段表示工业流程对象中的某个 节点的状态，其值会随着时间的变化以及其他节点状态的变化而变化，FNT模型处理的数据 需要在[〇, 1]间，所以需要对原始数据集S进行归一化处理，归一化方法如公式（1)，其中X 是待处理原始数据，MAX和MIN分别是X所属的数据属性在原始数据集S中的最大和最小 值； Y = (X-MIN)/(MAX-MIN) (1) 然后把归一化以后的原始数据集S载入数据库，形成可以直接用于数据挖掘的数据仓 库。
3. 根据权利要求1或2所述的一种面向流程对象的工业过程建模预测方法，其特征在 于：所述FNT模型用到的函数集F和终止信息集T描述如下： S = FUT= {+2, +3, · · · , +N} U {x1； . . . , xn} (2) 其中，+i表示非叶子节点信息，i = 2, 3,…，N，i表示函数+ i对应的输入变量的个数； X1, X2，…Xn为叶子节点信息；把一个非叶子节点的输出看作一个柔性神经元进行计算，即+ i 是具有i个输入的柔性神经元；在神经树的创建过程中，如果一个非终止信息+1被选择，i 的实际值是随机产生的，它表示\这个节点和他的孩子接点之间的连接权值；柔性激励函 数的两个可调参数％和b i也是随机产生的；FNT的激励函数；表示为： f = ^ ⑶ 柔性神经元+n的输入的计算如下，节点+ n的激励和为： η Iietn=Hw^xj (4) H I Xj表示+η节点的输入，j = 1，2,…η。
4. 根据权利要求1所述的一种面向流程对象的工业过程建模预测方法，其特征在于： 所述步骤（2)ΡΙΡΕ算法的搜索空间是根据预先设定的原始数据集S产生的树形种群，个体 产生于覆盖所有可能个体的概率向量空间；个体用概率原型树产生，表示是一棵η维的树 结构，η表示函数集里的信息能够产生的最大分支数，树的非叶子节点产生于函数集F，叶 子节点产生于终止信息集Τ，每个节点的子树的个数决定于每个节点的函数信息可产生的 分支数，每个分支的输入都有对应子树计算得到，树的解析方式是深度优先从左到右。
5. 根据权利要求1或4所述的一种面向流程对象的工业过程建模预测方法，其特征在 于：所述步骤（2) PIPE算法流程包括： (21)个体的产生，用概率原型树产生个体，PROGj表示一个个体，其中0〈j〈 = PS，PS表 示每代个体的规模； (22) 个体评价，每一个种群个体Pr〇&都要在给定问题上进行评价，并根据预先定义 的适应值函数公式，如公式（5)和（6)所示，计算适应当前种群的最好个体 (适应值最小的个体）被标记为PRCX}b，程序执行到现在为止，最好的个体被保存在Pgjcj 中，Fit (i)表示第i个个体的适应值，p表示样本个数，和y ^分别表示第j个样本的实 际序列值和第j个样本经过第i个个体计算的最终输出值，
(23) 个体学习，为了使当前最好个体的概率之增加，需要修改原型树的概率值，这个 过程被叫做原型树进化，实现过程：首先当前最好个体的概率P(P 1^uh)值和产生这个最好 个体的所有节点％都有关，计算公式如下：
Ij(PMx3b)表示在第j个结点处个体PRQCb的信息，个体PR〇 Cb的目标概率计算如下：
Ir是一个常数，表示学习率；ε在是一个用户定义的正的常数，根据Ptamet，所有单结 点的概率I5U1 (Pu.))都将反复增加， Cllr是一个常数，影响循环的次数。Cllr越小，个体概率越接近目标概率 Ptaket，循环的次数越多。实践表明当Cllr= 〇. 1时，可以在精确度和速度之间取得很好的平 衡。所有的适应向量+^被重新规范化； (24) 原型树的变异，在结点Nj处所有和产生当前最好个体pRC^有关的向量维Pj(I) 都以概率PMp&生变异：
Pm是用定义的一个参数，表示整体变异概率，η表示信息集S中信息的个数，|PROCb I表 示个体1\〇&,的节点数。被选择的概率向量都按照下面的公式变异： Pj(I) = Pj (I)+mr · (I-Pj(I)) (10) mr是用户定义的另一个常数，表示变异率； (25) 原型树剪枝，在每一代的循环结束之后，原型树都被剪枝，子树的节点的概率向 量至少有一个概率值大于剪枝阈值Tp才会被剪掉，Tp通常是一个较大的小数； (26) 结束条件，循环直到达到一个程序评价的固定值或则一种找到满意的解向量。
6. 根据权利要求1所述的一种面向流程对象的工业过程建模预测方法，其特征 在于：所述步骤（3)微粒群算法的数学描述如下：设微粒群体规模为N，其中每个微 粒在D维空间中的坐标位置向量表示为名= (χη，χ?2,速度向量表示 为g 2，…，vw，…，微粒个体最优位置，即该微粒经历过的最优位置，记为 ? = 0?,/?，…，/?，…，以），群体最优位置，即该微粒群中任意个体经历过的最优位置，记 、, 一￥ 个体最优位置的迭代公式为：
群体最优位置为个体最优位置中最好的位置，速度和位置迭代公式分别为： vIj I ν? +ci * rand* (p'^ -^) +C2 ^ Rand* -xfj ( 12) xi,t+i = xi,t + v；,i+i (13 J
7. 根据权利要求6所述的一种面向流程对象的工业过程建模预测方法，其特征在于： 所述步骤⑶参数优化之后，FNT中节点+"的输出计算如下： J net^-a^ / Y OUtn= 1?,,，netj = e k /vj (14) 而整个FNT优化的结果输出可以根据深度优先的原则从左到右递归计算，如公式（15) 所示：
其中，XpX2，…，Xn表示FNT模型对应的树结构中子节点的输入，…，Wn为边对 应的权重，为FNT建模过程中优化的，被PSO算法优化；y为公式（14)输出。
8. 根据权利要求1所述的一种面向流程对象的工业过程建模预测方法，其特征在于： 所述步骤（4)将流程对象关键流程和对应的生产输入参数和输出参数输入到步骤（2)和步 骤（3)修正后的FNT模型中，得到形如公式16的输出函数，其中AjP B n是两组PSO优化后 的参数，！^、是PIPE优化后的树形结构；该函数就是生产流程参数的变化规律，用于对未 来生产的变化进行精细预测：
【专利摘要】本发明公开了一种面向流程对象的工业过程建模预测方法，包括如下步骤：FNT模型建立，从流程对象已经生成的数据仓库中抽取工业流程对象原始数据集S，创建FNT模型的初始种群，种群个体数目根据需要定制，每个个体表示一个FNT模型；利用PIPE算法优化FNT模型结构，适应值函数采用均方误差或均方根误差；利用微粒群(PSO)算法优化FNT模型参数；利用FNT模型对流程对象生产过程进行建模预测。本发明基于柔性神经树获取流程对象各测点数据的变化趋势公式，对工业生产过程进行模拟，基于当前生产状态的相关参数预测未来一段时间的生产状态，从而辅助指导企业调整生产流程参数，在微观上引导生产趋利避害。
【IPC分类】G06F19-00
【公开号】CN104732067
【申请号】CN201510088090
【发明人】王凯, 张坤, 杜韬, 郭庆北, 曲守宁, 张勇, 程新功, 朱连江, 王钦
【申请人】济南大学
【公开日】2015年6月24日
【申请日】2015年2月26日