[发明专利]一种基于时间差分的增量学习XGBOOST模型的自适应软测量建模方法

说明书

本发明公开一种基于时间差分的增量学习XGBOOST模型的自适应软测量建模方法，该方法首先通过时间差分方法，计算过程输入输出采样的时间差分量，然后在输入和输出时间差分量上建立增量学习XGBOOST模型。基于时间差分的增量学习XGBOOST模型能够自适应地捕捉时变过程的变化，不断调整模型参数得到最准确的模型结构，相比于传统的自适应软测量模型，基于时间差分的增量学习XGBOOST模型能够有效提高对于时变过程建模的准确性，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，具体涉及一种基于时间差分的增量学习XGBOOST模型的自适应软测量建模方法。

背景技术

实际的工业过程中往往伴随着环境的变化、平台仪器设备的老化、原材料进料变化以及催化剂活性退化等现象，过程的物理化学特性往往处在不断的变化当中。过程时变性是一种缓慢变化过程，容易导致软测量模型精度的不断下降。为了正确跟踪过程状态，需要对软测量模型进行自适应更新和矫正。常用的模型自适应更新方法包括滑动窗方法、时间差分方法、递归方法和即时学习方法。实际应用中滑动窗模型通常难以达到比较高的预测精度，当选择的窗口长度较小，工作点的信息不够完整，模型不够准确；窗口长度较长，对于新状态的跟踪不够灵敏；即时学习方法要求历史数据信息足够充足才能较准确地反应当前过程特性；时间差分方法对于变量漂移问题的解决效果较好，但是难以解决过程特性变化导致的变量间关系改变的问题。传统的自适应建模方法难以同时平衡模型的鲁棒性和准确性，在实际的应用过程中具有一定的局限性。

发明内容

本发明的目的在于解决复杂生产过程由于过程时变特性导致的软测量模型退化等问题，提出一种基于时间差分的增量学习XGBOOST模型的自适应软测量建模方法，相较于传统的自适应建模方法，基于时间差分的增量学习XGBOOST模型能够更加准确地捕捉过程时变特性，并且通过时间差分方法有效地解决了变量漂移对于预测效果的负面影响。

本发明的目的是通过以下技术方案来实现的：

一种基于时间差分的增量学习XGBOOST模型的自适应软测量建模方法，其特征在于，包括以下步骤：

S1：假设工业生产过程在历史t时刻的输入输出采样值分别为x(t)和y(t)，首先分别计算过程输入变量和目标变量的时间差分量，即：Δx(t)＝x(t)-x(t-1)，Δy(t)＝y(t)-y(t-1)，得到历史差分数据集ΔX(t)和ΔY(t),其中，ΔX(t)∈R^L×N，ΔY(t)∈R^L，L和N分别代表样本数和输入变量维度；

S2：调用XGBOOST建模算法在历史差分数据集ΔX(t)和ΔY(t)上建立XGBOOST模型，调整模型参数得到均方差最小的XGBOOST模型结构，得到历史输入差分变量和历史目标差分变量间的回归模型ΔY(t)＝f(ΔX(t))；

S3：当新的数据样本到来时，调用基于XGBOOST的增量学习算法更新S2中得到的回归模型，得到自适应回归模型ΔY(t)＝f_adapt(ΔX(t))，该更新方法在保留历史数据信息的前提下，依据新样本间的变量关系更新回归模型的叶子结点权值，进而实现对回归模型进行自适应更新；