[发明专利]一种基于输出约束AP-XGBOOST模型的工业过程软测量方法

说明书

本发明公开一种基于输出约束AP‑XGBOOST模型的工业过程软测量方法，该方法首先通过偏最小二乘算法，将原始变量空间投影到隐变量空间进行相似度度量，然后采用仿射传播聚类算法对多工况过程分类，最后在得到的数据集上建立不同的极限梯度增强树模型用于多工况复杂过程的软测量建模。相比于结合传统仿射传播聚类算法的软测量模型，基于输出约束的仿射传播聚类—极限梯度增强树AP‑XGBOOST模型能够有效提高对多工况过程聚类的准确性，并且能够准确映射复杂生产过程中的变量关系，不受数据分布假设、数据集的大小限制，同时具备良好的可解释性和鲁棒性。

技术领域

本发明属于工业过程控制领域，具体涉及一种基于输出约束AP-XGBOOST模型的工业过程软测量方法。

背景技术

随着工业过程复杂度的增加，多模态、多工况等特征的出现通常会使得软测量模型预测能力退化。针对这一问题，多模型建模方法被提出：通过聚类算法、高斯混合模型等方法对多工况数据样本进行分类，然后采用统计方法、支持向量回归、神经网络等机器学习方法针对不同工况下的样本集分别建立软测量子模型。然而此类方法存在几处不足：1、聚类结果难以准确反映过程的多工况类别。2、传统聚类方法如K均值聚类方法需要事先人为确定类别数目，难以依据不同工况准确划分数据集；仿射传播聚类虽具有一定的优势，但是由于不同辅助变量对于目标变量的影响程度不同，样本的选择仍然具有一定的局限性。3、软测量子模型难以准确表征复杂过程，LI Xiu-liang等提出采用支持向量回归作为子模型，Jie Yu等提出Gauss-Markov动态融合子模型方法，传统的统计、概率模型及常用机器学习模型在多模型建模过程中难以平衡模型准确性和复杂度的矛盾，模型的泛化能力难以得到保证。

发明内容

本发明的目的在于解决由于复杂生产过程通常处于不同的操作工况从而导致软测量模型退化等问题，采用一种基于输出约束仿射传播聚类算法的极限梯度增强树(AP-XGBOOST)模型的工业过程软测量方法，相较于传统的聚类算法，基于输出约束的放射传播算法能够更加准确地区分过程的不同操作阶段，并且通过建立XGBOOST子模型有效地提升了对复杂非线性非高斯过程的预测效果。

本发明的目的是通过以下技术方案来实现的：

一种基于输出约束AP-XGBOOST模型的工业过程软测量方法，其特征在于，包括以下步骤：

(1)给定历史样本集的输入辅助变量矩阵为X∈R^L×N，目标变量矩阵Y∈R^L；其中L和N分别代表样本数和输入变量维度，通过偏最小二乘法对辅助变量矩阵X和目标变量矩阵Y进行有监督降维：X＝TP^T+E,Y＝TR^T+F；其中，矩阵T为历史样本矩阵通过偏最小二乘法投影得到的新的样本矩阵，P为历史样本矩阵的载荷矩阵，R为目标变量矩阵Y的载荷矩阵，E和F分别为运用偏最小二乘法拟合X和Y时对应的残差矩阵；

(2)通过样本矩阵T计算历史样本集中的数据点之间的相似度矩阵S：s(i,j)＝-||t_i-t_j||²，其中，s(i,j)为矩阵S中的元素，代表样本矩阵T中的元素t_i和t_j之间的相似度大小；依据相似度矩阵S来迭代更新证据可信度矩阵和证据可用度矩阵

其中，r(i,k)、r(k,k)、r(j,k)均为证据可信度矩阵的元素，a(i,k)、a(j,i)分别为证据可用度矩阵的元素；

(3)当证据可信度矩阵和证据可用度矩阵收敛于固定值或者迭代次数达到最大值时，计算各个聚类中心点i＝1,...,θ，并确定聚类中心个数θ和对应的子数据集(m＝1...θ)；