[发明专利]使用三维PARETO-FRONT遗传规划开发的推理传感器

说明书

技术领域

本发明涉及软或者推理传感器，并且更具体地，涉及使用三维Pareto-front遗传规划技术开发的推理传感器。

背景技术

通常通过测量各种过程参数来监视和控制工业过程。这些过程参数依赖于工业过程，可以包括例如温度、压力、流速等等。一些相关的过程参数可以在过程在线时相对容易地测量，例如使用硬件传感器测量。然而，其它过程参数可能难以在正常运行状况下进行测量。已经使用推理传感器或者软传感器，来基于容易测量的过程参数(输入变量)，推理这些难以测量的过程参数(输出变量)。

在开发针对给定过程的推理传感器的典型方案中，针对较宽范围的过程状况，收集历史数据。使用该历史数据，可以使用多种技术来开发经验模型(empirical model)，该模型可以基于可获得的输入变量，来预测所需的输出变量。线性回归是潜在可用的一种技术。然而，在实际应用中，由于工业过程大多数是非线性的，特别是化学工业中，因此线性回归仅具有有限的可应用性。

神经网络模型已用于对非线性工业过程进行建模。然而，神经网络模型通常与多个不同问题相关联。第一，神经网络模型可能经历面对过程改变的高灵敏度。因此，这就需要频繁的模型重开发和重调整。

第二，在用于模型开发的范围之外时，神经网络模型通常展示较差性能。换言之，一旦已经用给定范围的值训练了神经网络模型，则该神经网络模型可能无法在该范围之外进行正确地外推(extrapolate)。不能外推对于特定工业过程来说可能造成灾难性的后果，特别是在化学工业中。

第三，神经网络模型可以看作是“黑匣子”，因为神经网络模型可以在不清楚表示预测机制的情况下进行预测。从而，可能很难解释神经网络模型。

第四，神经网络模型可能难于实施和支持。它们可能要求专用软件和专用训练。

因此，需要其它方法来开发能够基于容易测量的过程参数来推理难以测量的过程参数的推理传感器。

发明内容

在第一主要方面，示例实施例提供了一种开发预测算法的方法，所述预测算法用于基于多个输入变量来预测至少一个输出变量。根据所述方法，获得代表物理、化学或者生物过程的第一数据集合。所述第一数据集合包括所述至少一个输出变量的第一集合测量以及所述输入变量的相应第一集合测量。使用应用至少三个适合度准则的遗传规划技术对多个候选算法进行进化。所述至少三个适合度准则包括：(i)精确性准则，用于评估每一个候选算法基于所述输入变量的所述相应第一集合测量来预测所述至少一个输出变量的所述第一集合测量的能力；(ii)复杂度准则，用于评估每一个候选算法的复杂度；以及(iii)平滑性准则，用于评估每一个候选算法的非线性。选择所述候选算法之一作为所述预测算法。

在第二主要方面，示例实施例提供了一种监视物理、化学或者生物过程的方法。根据所述方法，确定所述物理、化学或者生物过程的多个可测量参数的当前值。向推理传感器提供所述当前值。所述推理传感器被配置为使用至少一个预测算法，所述至少一个预测算法基于所述可测量参数来预测所述物理、化学或者生物过程的附加参数，所述至少一个预测算法是已经在精确性、复杂度、以及平滑性方面经过优化的。所述推理传感器使用所述至少一个预测算法，以基于所述可测量参数的所述当前值来确定所述附加参数的推理值。

在第三主要方面，示例实施例提供一种用于监视物理、化学或者生物过程的系统。所述系统包括：(i)至少一个硬件传感器，用于获得所述物理、化学或者生物过程的多个参数的测量值；以及(ii)推理传感器，用于基于所述测量值来确定所述物理、化学或者生物过程的附加参数的推理值，所述推理传感器被配置为使用至少一个预测算法来确定所述推理值，所述至少一个预测算法是已经使用遗传规划技术在精确性、复杂度以及平滑性方面进行了优化的。

附图说明

图1示出了根据示例实施例的预测算法的节点表示。

图2示出了根据示例实施例的开发预测算法的流程图。

图3示出了根据示例实施例的可以实施预测算法的处理系统的示意图。

图4示出了根据示例实施例，用于使用遗传规划来开发VOC排放预测算法的设置参数的截屏。

图5示出了根据示例实施例，对用于开发图4的预测算法的函数进行选择的截屏。

图6示出了根据示例实施例，图4的预测算法预测的VOC排放与训练数据中的实际VOC排放的比较。

图7示出了根据示例实施例，图4的预测算法预测的VOC排放与测试数据中的实际VOC排放的比较。