[发明专利]基于JY-MKPLS的间歇工业过程在线质量预测方法

说明书

一种基于JY‑MKPLS的间歇工业过程在线质量预测方法，通过a过程、b过程的三维输入数据得到二维输入矩阵X_a、X_b，二维输出矩阵Y_a、Y_b；进行标准化处理；从低维原始空间投影到高维特征空间F，并在高维特征空间中计算核矩阵K_a、K_b；标准化核矩阵K_a、K_b；运行JY‑MKPLS算法；计算K_ai、K_bi的负载矩阵；重复上述步骤直至提取出A个主元；计算输入数据矩阵K的得分矩阵T、负载矩阵P、输出数据矩阵Y的得分矩阵U、负载矩阵Q；进行批次过程质量预测；在线获得最新的输出数据y_new，并计算该批次的预测误差β_n；模型预测误差的检验；用新产生的a过程数据对其进行替换；进行模型更新。该方法能快速建立精度较高的新过程预测模型，可提高建模的效率和预测精度，有效控制企业的操作成本。

技术领域

本发明属于工业生产间歇过程的质量预测领域，具体涉及一种基于JY-MKPLS的间歇工业过程在线质量预测方法。

背景技术

间歇过程一般用来生产小批量、多种类、高附加值的产品，以应对当前市场品种多、规格高的产品需求，因而在现代工业生产中具有十分重要的地位。在一个工业过程中，产品质量一直是人们关注的重点，因为产品质量不仅影响着一个企业的经济效益，也影响着其口碑信誉。然而，在实际的间歇工业过程生产中，往往只有在一个批次生产结束后才可以通过离线测量得到产品质量，并且离线测量方式的采样周期一般较长，即滞后时间长，导致对产品的质量把控不及时，也不利于生产的优化控制。如今，随着工业自动化不断发展，在线实时预测产品质量的技术应运而生。目前质量预测方法主要有两大类，一类是基于机理建模的方法；另一类是基于数据驱动的方法。机理建模法是指根据生产对象、生产过程的内部机制或者相关生产过程的物理化学原理等建立起来的精确数学模型。但是对于实际情况中某些比较复杂的生产过程，人们通常难以直接写出它的数学表达式，或者根本无法确定表达式中的某些系数，使得机理建模的方法不能被广泛使用，几乎无法适应现代各种复杂的工业过程的建模要求。而基于数据建模的方法，一般只需要采集过程中的数据，运用数据分析处理的方法，对其进行回归分析，建立与实际相符的模型。基于数据建模的方法不需要精确写出整个生产过程的数学表达式，仅依靠工业生产过程的数据就可以建立起较为准确的模型，建模速度快，精度高。

对于数据进行回归分析的方法有很多，其中偏最小二乘法PLS(Partial leastsquares)，具有对训练数据量要求较少，运算复杂度较低，解释效果较好等优点，具有较好的鲁棒性和预测稳定性，被广泛地用于过程建模和过程监控领域。此外，还有不少利用数据建模进行批次过程质量预测的等研究。利用上述建模方法结合足够的过程数据即可建立一个很好的反映过程特性的模型,并且这些方法已经被理论验证且经过了广泛的应用。但如果这个批次过程是一个还未投入使用或者使用不久的新过程，其过程数据稀缺，按照常规的基于数据建模的方法仅仅用少量的新过程数据建模不能保证预测的精度需要，此时就需要设计生产实验来获取足够多的新过程数据。但是这样不仅会加大投入成本，带来较长的滞后时间，而且建模效率低下，使得质量预测失去其意义，不利于企业实时调整生产策略与扩大生产规模，严重拖慢了生产运行优化的速度。此外，实际工业生产过程往往是非线性的，而且由于扰动以及其他因素的存在,使得数据分布会呈现出不均匀、不平坦的现象。如何快速建立精度较高的新过程预测模型以及处理非线性、数据分布不均匀、不平坦的问题具有十分重要的意义。在实际的生产过程中，由于新旧过程的内在机理的是一致的，它们之间必然存在一定的相似性。如果能够采用某种策略，利用相似过程中有用的旧过程数据来辅助新过程建模，就能够提高建模效率，有效控制企业的操作成本；利用多尺度核的方法在解决非线性问题的同时，能够改善数据分布不均匀、不平坦的问题，从而提高模型预测效率。

发明内容