[发明专利]基于动态贝叶斯网络的模糊PLS建模方法

说明书

本发明公开了一种基于动态贝叶斯网络的模糊PLS建模方法，该方法可用于存在较强的非线性、时变性及不确定性的工业过程建模。首先采用模糊偏最小二乘建立潜变量模型，使得模型具备非线性建模能力；其次对潜变量模型中提取的得分矩阵进行增广矩阵扩展，使得模型可以较好地适应数据的动态特征；最后结合贝叶斯网络，使得模型可以较好地描述实际工业过程中存在的不确定性；为验证模型预测的准确性，该方法用于废水处理过程的软测量建模。实验结果表明，模糊偏最小二乘与动态贝叶斯网络应用可明显提高模型预测的准确性，更适用于复杂工业过程的软测量建模。

技术领域

本发明涉及废水处理过程出水指标的软测量方法，具体涉及一种基于动态贝叶斯网络的模糊PLS建模方法。

背景技术

随着现代工业的不断发展，生产过程开始逐步趋向于连续化及大型化，因此对工业过程中质量指标的监测有较高的要求。但所采集的数据样本存在的高度非线性、时变性，以及过程存在的不确定性，对传统的过程监测提出了较大的挑战。目前广泛使用的过程监测技术为在线仪表检测及离线实验室检测，但在线检测仪表成本较高且仪表维护及保养较为困难；而离线实验室检测又存在较大的时间滞后，并且检测试剂也会造成二次污染，难以满足实际生产过程的在线监测需求，因此在工业过程监测中建立软测量模型就十分的必要。

目前常用的软测量模型有多元线性回归、主成分分析、偏最小二乘、支持向量机以及决策树等。然而在实际工业过程中普遍存在非线性及动态特性，使得以上此类基本模型无法较好地描述结构复杂的数据；且传统方法在软测量建模过程中使用的变量较多，不仅造成模型结构过于复杂，且获取辅助变量的成本也相应增大。此外，贝叶斯网络(Bayesiannetworks,BN)作为一种基于概率的网络结构，可以较好的处理过程中存在的不确定性，但在数据维度较高的情况下，使得网络结构较为复杂，易造成模型过拟合现象的产生。

在上述问题中，为解决软测量模型过于复杂的问题，通常采用变量选择的方法，但往往所采集的数据维度远远大于预测模型中所需要的实际维度，这种明显的信息冗余现象给软测量建模带来较大困难。此外，还可以通过建立潜变量模型来克服数据维度较高的问题，通过选择包含信息量较多的潜变量，既保留了数据中大多数原始信息，又降低了数据的维度。在潜变量模型中较为常用的潜变量模型为偏最小二乘法(Partial Least Squares,PLS)，但传统的线性PLS无法充分的解释工业过程中数据普遍具有的非线性特征，这导致PLS方法难以解释过程的非线性。除了数据普遍具有的非线性特征以外，在工业过程中存在的时变性同样给建模过程带来较大的局限性，而目前通常的解决方案是使用简单的时间序列模型。然而在实际工业过程中，数据具有较大的波动性及非周期性，因此简单的时间序列方法难以准确描述样本的动态特征。

发明内容

本发明针对现有技术中存在的问题，提供一种基于动态贝叶斯网络的模糊PLS建模方法(Dynamic-Fuzzy Partial Least Squares-Bayesian networks,D-FPLS-BN)。

本发明采用一种基于动态贝叶斯网络的模糊PLS建模方法，所述方法包括以下步骤：

S1.数据预处理：对输入数据X及输出数据Y进行标准化，通过数据的标准化消除数据的量纲；并划分数据为训练集与测试集。将训练集用于模型的构建及训练，测试集用于对模型的评估。

S2.构建FPLS潜变量模型，来提取非线性特征、降低数据维度：传统的PLS在解决实际工业过程中存在的非线性问题时有着较大的局限性，因此在PLS的基础上引入(Takagi-Sugeno-Kang,TSK)模糊规则及模糊C均值算法(Fuzzy C-means,FCM)构建FPLS模型；同时为了防止数据维度过高造成模型结构过于复杂，通过提取FPLS潜变量模型中所含信息量较多的潜变量，来建立FPLS的潜变量模型。

S3.构建动态模型：对FPLS潜变量模型中提取的潜变量，通过增广矩阵的方式实现动态模型的构建，从而克服过程中存在的时变性，以此更好的描述过程中数据存在的动态特性。