[发明专利]一种面向复杂工业过程难测参数的软测量方法在审
申请号: | 201910397985.9 | 申请日: | 2019-05-14 |
公开(公告)号: | CN110162857A | 公开(公告)日: | 2019-08-23 |
发明(设计)人: | 汤健;余刚;赵建军;王猛 | 申请(专利权)人: | 北京工业大学 |
主分类号: | G06F17/50 | 分类号: | G06F17/50 |
代理公司: | 北京思海天达知识产权代理有限公司 11203 | 代理人: | 刘萍 |
地址: | 100124 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 非线性特征 线性特征 子模型 子集 高维 复杂工业过程 非线性模型 软测量模型 系数集合 线性模型 原始特征 软测量 预设定 构建 球磨机 优化选择算法 非线性选择 选择性集成 泛化性能 仿真验证 互信息法 机械振动 加权算法 磨机负荷 磨矿过程 频谱数据 系数法 合并 | ||
1.一种面向复杂工业过程难测参数的软测量方法,其特征在于:将软测量模型的输入数据X采用下式改写,
其中,N和P分别代表建模样本的数量和维数,即P为输入数据高维特征的数量,xp表示第pth个输入特征;相应的,软测量模型的输出,即难测参数,表示为
执行由基于相关系数的线性特征选择、基于互信息的非线性特征选择、候选子模型构建和集成子模型选择与合并4个模块组成的建模策略;
先进行以下定义,表示输入特征的相关系数,表示第pth个特征的相关系数;表示线性特征选择系数的集合,表示第jlinth个线性特征选择系数,Jlin表示线性特征选择系数、线性特征线性子模型、线性特征非线性子模型的数量;表示基于第jlinth个线性特征选择系数确定的线性特征选择阈值,表示全部线性特征选择阈值的集合;表示基于第jlinth个线性特征选择阈值选择的线性特征子集,表示全部线性特征子集的集合;表示全部原始特征的互信息值,表示第pth个特征的互信息值;表示非线性特征选择系数的集合,表示第jnonlinth个非线性特征选择系数,Jnonlin表示非线性特征选择系数、线性特征线性子模型、线性特征非线性子模型的数量;表示基于第jnonlinth个非线性特征选择系数确定的非线性特征选择阈值,表示全部非线性特征选择阈值的集合;表示基于第jnonlinth个非线性特征选择阈值选择的非线性特征子集,表示全部非线性特征子集的集合;和表示线性特征线性子模型子集及其预测输出,和表示第jlinth个线性特征线性子模型及其预测输出;和表示线性特征非线性子模型子集及其预测输出,和表示第jlinth个线性特征非线性子模型及其预测输出;和表示非线性特征线性子模型子集及其预测输出,和表示第jnonlinth个非线性特征线性子模型及其预测输出;和表示非线性特征非线性子模型子集及其预测输出,和表示第jnonlinth个非线性特征非线性子模型及其预测输出;表示全部候选子模型的输出,表示jnonlinth个候选子模型的输出,J表示全部候选子模型的数量;表示集成子模型的输出,表示jselth个集成子模型的输出,Jsel表示全部集成子模型的数量;表示难测参数的预测值;
1)基于相关系数的线性特征选择
首先,以第pth个变量为例计算输入数据高维特征相关系数的绝对值,如下所示,
其中,分别表示第pth个输入特征和难测参数的N个建模样本的平均值,|·|表示取绝对值;为表述方便,后文称为第pth个输入特征的相关系数值
重复上述过程,获得全部输入特征的相关系数并记为记为第jlinth个线性特征选择系数,采用如下公式获得第jlinth个线性特征子集的选择阈值
结合输入数据特点,采用如下公式自适应确定Jlin个特征选择系数的取值,
其中,和表示的最大值和最小值,按如下公式计算,
其中,min(·)和max(·)分别表示取最小值和最大值;取为1时,表示阈值为均值;
其中表示用于计算Jlin个特征选择系数的步长,采用如下公式获得,
依据阈值以第pth个输入特征为例,按如下规则进行选择,
选择其中的变量作为基于阈值选择的线性特征,对全部输入特征执行上述过程,并将获得的线性特征子集标记为表示为
其中,a表示所选择的线性特征子集a中的第ea个特征,表示线性特征子集中全部特征的数量;
将全部Jlin个线性特征子集标记为
2)基于互信息的非线性特征选择
首先,以第pth个变量为例,计算互信息值,如下所示,
其中,表示联合概率密度,和prob(yn)表示边际概率密度;
重复上述过程,获得全部输入特征的互信息值并记为记为第jnonlinth个非线性特征选择系数,采用如下公式获得第jnonlinth个非线性特征子集的选择阈值
结合输入数据的特点,采用如下公式自适应确定Jnonlin个非线性特征选择系数的取值,
其中,和表示的最大值和最小值按如下公式计算,
其中,为1时,表示阈值为均值;
其中表示用于计算Jnonlin个特征选择系数的步长,采用如下公式获得,
依据阈值以第pth个输入特征为例,按如下规则进行选择,
选择其中的变量作为基于阈值选择的非线性特征;对全部的输入特征执行上述过程,将获得的非线性特征子集标记为进一步可表示为
其中,a表示所选择的线性特征子集中的第个特征,表示线性特征子集中全部特征的数量;
进一步,将全部Jnonlin个非线性特征子集标记为
3)候选子模型构建
以基于第jlinth个线性特征子集采用线性建模算法构建线性特征线性子模型为例,其输入输出如下,
对全部线性特征子集执行上述过程,全部线性特征构建的线性特征线性子模型的子集及其预测输出分别为和
以基于第jlinth个线性特征子集采用非线性建模算法构建线性特征非线性子模型为例,其输入输出如下,
对全部线性特征子集执行上述过程,全部线性特征构建的线性特征非线性子模型的子集及其预测输出分别为和
上述两类子模型子集的特点是:采用相同线性特征作为输入,采用不同建模算法得到不同预测输出;
以基于第jnonlinth个非线性特征子集采用线性建模算法构建非线性特征线性子模型为例,其输入输出如下,
对全部非线性特征子集执行上述过程,全部非线性特征构建非线性特征线性子模型的子集及其预测输出分别为和
以基于第jnonlinth个非线性特征子集,采用非线性建模算法构建的非线性特征非线性子模型为例,其输入输出如下,
对全部非线性特征子集执行上述过程,全部非线性特征构建的非线性特征非线性子模型的子集及其预测输出分别为和
上述两类模型子集的特点是:采用相同非线性特征作为输入,采用不同建模算法得到不同预测输出;
4)集成子模型选择与合并模块
将上述4类子模型的预测输出按如下方式进行合并,
其中,J=2Jlin+2Jnonlin,即全部4类子模型的数量,也是候选子模型的数量;
此处,需要采用优化算法从J个候选子模型的预测输出中选择Jsel个集成子模型的预测输出,进行组合得到最终SEN预测模型的输出,即存在如下关系,
其中,fSEN(·)表示对Jsel个集成子模型的预测输出进行合并的算法;Jsel也是选择性集成模型的集成尺寸;
首先选定用于合并集成子模型预测输出的算法,然后以最小化SEN模型的均方根误差RMSE为准则,采用优化算法寻优Jsel个集成子模型,然后再对这些集成子模型进行合并,得到集成尺寸为Jsel的SEN预测模型;
用于对Jsel个集成子模型的预测输出进行合并的算法fSEN(·)包括但不限定于以下2类:
第1类计算集成子模型的加权系数,即采用如下公式获得SEN输出,
其中,表示第jselth个集成子模型的加权系数,满足条件
第2类是采用线性、非线性回归建模方法构建集成子模型与SEN模型间的映射关系。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京工业大学,未经北京工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910397985.9/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种基于dynamo的梁箍筋智能化生成方法
- 下一篇:压气机稳定性预测方法