[发明专利]提高软测量仪表模型预测精度的方法

权利要求书

1.一种提高软测量仪表模型预测精度的方法，包括：

数据制备步骤，用于基于从设备的分布式控制系统(DCS)获取的有关关键指标和设备运行的先前数据，来制备用于建立软测量仪表模型的基础数据；

模型制备步骤，用于基于所述基础数据，使用机器学习方法来制备所述软测量仪表模型；

模型部署步骤，用于部署所述软测量仪表模型以向实时优化系统和先进控制系统提供有关关键指标和设备运行的当前数据；以及

模型更新步骤，用于按照预定周期来循环执行所述数据制备步骤、所述模型制备步骤和所述模型部署步骤。

2.根据权利要求1所述的方法，其中，所述数据制备步骤包括：

数据收集步骤，用于使用OPC和ADO.NET数据访问技术，将从所述设备的分布式控制系统获取的所述有关关键指标和设备运行的先前数据收集到关系数据库中；以及

数据预处理步骤，用于对所述先前数据进行预处理以制备所述用于建立软测量仪表模型的基础数据。

3.根据权利要求2所述的方法，其中，所述数据预处理步骤包括：

数据清洗步骤，用于删除所述关系数据库中的无关数据、零值数据、重复数据和异常数据，并且处理缺失值；

数据集成步骤，用于将分布在不同数据源的所述先前数据合并并且存储到所述关系数据库中；以及

数据变换步骤，用于将所述先前数据标准化或归一化。

4.根据权利要求3所述的方法，其中，所述模型制备步骤包括：

模型建立步骤，用于基于所述基础数据，使用支持向量回归方法(SVR)和近邻回归方法(NNR)来建立所述软测量仪表模型；以及

模型验证步骤，用于验证所述软测量仪表模型的预测精度是否达到执行所述模型部署步骤的条件，并将验证合格的软测量仪表模型作为制备的软测量仪表模型。

5.根据权利要求4所述的方法，其中，所述模型建立步骤包括：

选择合适的机器学习算法模型，并将所述基础数据提供给所述机器学习算法模型进行训练。

6.根据权利要求5所述的方法，其中，选择合适的机器学习算法模型还包括所述支持向量回归方法的核函数(kernel)选取径向基函数(Radial Basis Function)，以及所述近邻回归方法的近邻数(n_neighbors)选取5。

7.根据权利要求6所述的方法，其中，所述支持向量回归方法和所述近邻回归方法还利用多进程并行计算技术(multiprocessing：Pool)以提高所述机器学习算法模型的计算速度。

8.根据权利要求4所述的方法，其中，所述模型验证步骤包括使用所述软测量仪表模型对于所述关键指标的预测值与实际测量值的皮尔逊相关系数来验证所述软测量仪表模型的预测精度是否达到执行所述模型部署步骤的条件；如果否，则返回执行所述数据预处理步骤。

9.一种存储介质，其中存储有计算机可执行的程序，所述程序在被执行时适于实施用于提高软测量仪表模型预测精度的方法，所述方法包括：

数据制备步骤，用于基于从设备的分布式控制系统(DCS)获取的有关关键指标和设备运行的先前数据，来制备用于建立软测量仪表模型的基础数据；

模型制备步骤，用于基于所述基础数据，使用机器学习方法来制备所述软测量仪表模型；

模型部署步骤，用于部署所述软测量仪表模型以向实时优化系统和先进控制系统提供有关关键指标和设备运行的当前数据；以及

模型更新步骤，用于按照预定周期来循环执行所述数据制备步骤、所述模型制备步骤和所述模型部署步骤。