[发明专利]基于偏最小二乘的高斯过程回归废水出水指标预测方法

说明书

本发明公开了一种基于偏最小二乘的高斯过程回归废水出水指标预测方法，该方法可用于存在较强的时变性、耦合性、非线性、滞后性以及其他复杂特性的工业过程。首先，基于偏最小二乘的方法对多元输入数据进行降维，并选取合适的得分向量作为高斯过程回归模型的输入；之后，通过对协方差函数的选取与组合，构建不同种类的高斯过程回归软测量模型对输出数据进行预测；最后，使用测试集数据对模型的预测能力进行评价。造纸废水处理过程数据的建模结果表明，基于偏最小二乘对被测变量的降维技术可以提高高斯过程回归模型的预测能力；由不同协方差函数构建的高斯过程回归模型为出水指标的预测提供了多种选择，更加适合复杂多变的造纸废水处理环境。

技术领域

本发明涉及造纸废水处理过程中出水指标的软测量方法，具体涉及一种基于偏最小二乘的高斯过程回归废水出水指标预测方法。

背景技术

在造纸废水处理过程中，存在着大量难以测量或无法在线测量的参数，同时这类参数密切影响着出水指标的控制，例如化学需氧量(Chemical Oxygen Demand,COD)和悬浮固形物(Suspended Solids,SS)，这类参数被称作主导变量。及时、准确地对主导变量做出检测并控制显得尤为重要，然而，过高的硬件成本成为参数在线测量的主要限制。软测量方法可根据被测变量的选取与测量完成对主导变量的预测，因此使用软测量方法对出水指标进行预测与控制是当前研究的热点问题之一。

被测变量的选取没有通用性的指导准则。一般被测变量的选取与主导变量有密切的关系，通常构造某种数学模型来完成对主导变量的在线预测。若被测变量选取过多会使模型过于复杂，选取过少会丢失部分信息而降低模型精度，因此被测变量的选取十分关键。可考虑引入数据降维方法对被测变量进行选取，数据降维可确保在数据信息损失最少的原则下，对高维变量空间进行综合和简化，以此提高预测模型对数据信息的分析能力。常用的数据降维方法有主成分分析(Principal Component Analysis,PCA)和偏最小二乘(Partial Least Squares,PLS)。相比于PCA，PLS在概括自变量系统信息的同时，注重要求所提取的得分向量对因变量的解释能力，因此更具备质量相关特性。

在造纸废水处理领域，软测量模型的种类可以划分为：机理模型、回归分析模型与人工智能模型。机理模型的构建是根据有关工艺机理列出平衡方程，建立被测变量与主导变量间的数学关系。回归分析模型中常用的方法为多元线性回归，适用于多种因素关联的变化结果，其分析的技术核心是最小二乘法，属于线性方法。人工智能模型中人工神经网络(Artificial Neural Network,ANN)和支持向量机(Support Vector Machine,SVM)应用较为广泛，属于非线性处理方法。

高斯过程回归(Gaussian Process Regression,GPR)用来描述函数的分布问题，该方法的理论提出可以追溯到20世纪40年代，在1996年被Williams和Rasmussen应用于机器学习。相比于ANN与SVM而言，GPR具有容易实现、协方差函数可调、灵活的非参数推广以及超参数自适应调节等优点，可以对预测输出做出概率解释。

现在，在造纸废水处理领域通过对测量仪表的升级可获取影响出水指标的主导变量，但是此类硬件仪表要么成本过高不宜推广，要么精度有限影响测量结果；一般来说，被测变量的选取往往先根据工艺知识，初选出与主导变量关系最为密切的变量，然后通过相关分析与工艺专家知识相结合，最后筛选出数量上比较合适的被测变量，但是该方法没有从数据的内在角度对被测变量与主导变量间的相关性进行分析，较难获取合适的被测变量与精确的预测效果。

发明内容

本发明针对上述现有技术中存在的问题，提供一种基于偏最小二乘的高斯回归软测量建模方法，对于造纸废水处理过程中的复杂特性，提供了方法冗余，降低了硬件成本，提高了对出水指标的预测精度。

本发明是通过以下技术方案实现的：