[发明专利]基于核慢特征分析和时滞估计的高斯过程回归建模对脱丁烷塔底部的丁烷浓度进行预测的方法

说明书

本发明公开了一种基于核慢特征分析和时滞估计的高斯过程回归建模对脱丁烷塔底部的丁烷浓度进行预测的方法。用于具有时延和非线性的化工过程。该方法首先通过模糊曲线分析充分挖掘工业数据中的时延信息，求出数据中的最优时滞，并进行建模数据的重构；进一步通过核慢特征分析方法对重构数据进行非线性的特征提取；最后，基于提取后的特征建立高斯过程回归模型，实现对关键变量的精确预测，从而提高产品质量，降低生产成本。

技术领域

本发明涉及核慢特征分析和时滞估计的高斯过程回归建模，属于复杂工业过程建模和软测量领域。

背景技术

在实际工业过程中，一些关键变量的测量对于生产高质量的产品至关重要。但是在现有技术条件和经济代价等问题的约束下，使得直接获取关键变量变得十分困难。

基于这样的背景下，软测量技术应运而生。它通过构建过程易测变量和关键变量的函数关系，来推断和估计难测的关键变量，因此得到了广泛应用。常见的软测量建模方法如偏最小二乘、神经网络、最小二乘支持向量机等都可以得到良好的预测效果。高斯过程回归(Gaussian process regression，GPR)由于其具有预测精度高，超参数容易确定，输出具有概率意义等优点，近几年被广泛应用于软测量建模。因此选取高斯过程回归作为建模方法。

实际工业过程建模中，一般都会对过程数据预先进行特征提取。现有的线性特征提取方法，如主成分分析和独立主元分析，以及非线性特征提取方法核主元分析，都是从变量的角度构造新的成分，并未分析样本之间的变化情况。慢特征分析(slow featureanalysis，SFA)作为一种新的特征提取方法，能够从样本的角度出发，提取出一部分最缓慢的特征代表过程的本质特征，基于本质特征建立精度更高模型。近年来，SFA得到了各个研究领域的关注，并且取得了广泛的应用，例如盲信号分离、软测量建模、行为识别、故障诊断以及遥感。然而现有的慢特征分析方法往往是基于二阶多项式扩展，其处理非线性的能力较弱。当数据的维度较大时，二阶多项式扩展会引起维数灾难，也有可能会造成数据的过拟合。针对工业过程中的强非线性和高维特征，通过引入核函数扩展的核慢特征分析(kernelslow feature analysis，KSFA)代替二阶多项式扩展的慢特征分析，加强了对非线性数据的特征提取能力。

实际的生产过程中输入输出数据会存在显著的时间滞后，如物料流动引起的传输时延、信号传输带来的纯时延等。若对这些时滞置之不理，会导致输入和输出变量之间的因果关系发生变化，从而导致建模精度的下降。因此，如何准确估计输入和输出之间的时延变得尤为重要。因此，如何准确估计输入和输出之间的时延变得尤为重要。由于实际工业过程工艺复杂，通过过程工艺估计时延变得不太可能。Zhang和Komulaine通过构建输入变量和输出变量的相关系数来估计时延，但是由于该方法只考虑了变量之间的线性关系，对于非线性情况可能会得到错误的结论。阮宏镁等通过差分估计(difference estimation，DE)算法优化过程变量间的联合互信息来确定时延，但是智能优化算法容易陷入局部最优，且联合互信息分析相关性时计算复杂度较高，运行时间较长。模糊曲线分析(fuzzy curveanalysis，FCA)方法最早用于确定对输出变量重要的输入变量，这种方法的优点在于计算复杂度较低，能够直观有效的确定出输入变量对输出变量的重要性程度。因此本文将采用该方法确定最优时滞。通过引入不同的时滞信息扩展输入变量，构造输入变量和输出变量之间的模糊逻辑，从而确定对输出变量最重要的输入变量所对应的时滞值，此时的时滞值则为该输入变量的最优时滞。

一种基于核慢特征分析和时滞估计的高斯过程回归建模方法(简称FCA-KSFA-GPR)能够很好的处理时延和非线性，提高软测量模型的性能。通过FCA挖掘出各辅助变量的最优时滞，能够确定输入变量对输出变量的重要性程度，因此使输入变量和输出变量的因果性更强，能够更好的解决时延问题。相对与传统的特征提取方法，SFA从样本的角度出发，更能挖掘出本质特征，建立精度更高模型。通过KSFA对重构数据进行特征提取，更能加强对非线性数据的特征提取能力。

发明内容