[发明专利]一种基于CSJITL-RVM的多时段间歇过程软测量建模方法

说明书

本发明公开了一种基于CSJITL‑RVM的多时段间歇过程软测量建模方法，首先利用SCFCM聚类方法对多时段间歇过程进行时段划分；然后引入基于CSJITL的标签预测方法，采用一种综合过程数据空间相似性、时段相似性和时序相似性的相似度因子，计算标签数据和无标签数据间的相似度，通过筛选相似度值得到标签预测模型的训练数据集，建立标签预测模型，实现无标签数据的标签预测；最后融合标签数据和预测的无标签数据，建立RVM的时段软测量模型，实现间歇过程质量变量的预测。本方法在利用标签数据预测无标签数据的标签值时，考虑了过程数据的空间、时段和时序相似性，提高标签预测值的准确性，为建立间歇过程软测量模型提供准确有效的训练数据，提高质量变量的预测精度。

技术领域

本发明属于间歇过程软测量技术领域，尤其涉及一种基于综合相似度即时学习-相关向量机(Comprehensive Similarity Just-in-time Learning-Relevant VectorMachine，CSJITL-RVM)的多时段间歇过程软测量建模方法。

背景技术

间歇过程作为现代生产的主要生产方式之一，已被广泛应用于化工、食品、医药、半导体加工等领域，为确保其高效可靠安全地运行，需要对质量变量进行在线测量。软测量技术是一种不可测变量和难测量变量的在线估计技术，通过建立辅助变量与质量变量之间的数学模型来实现质量变量的在线预测，已被广泛应用于间歇过程的质量变量在线测量。

在间歇生产过程中，由于成本高、耗时长等原因只能获取少量的标签数据和大量的无标签数据。JITL是一种局部建模方法，通过定义相似度因子，搜索数据集中与当前查询数据相似的样本，建立查询样本的输出预测模型，最后得到查询样本的输出预测值，已广泛应用于间歇过程无标签数据的标签预测。基于JITL-RVM的软测量方法通过JITL实现无标签数据的标签预测，利用RVM建立间歇过程质量变量的软测量模型，实现质量变量的在线预测。然而，由于间歇过程具有多时段、非线性等特性，且过程数据具有时序约束特性，基于JITL-RVM的软测量方法在预测无标签数据的标签值时仅考虑了过程数据的代数空间相似性，忽略了过程数据的多时段特性和时序特性，导致无标签数据的相似标签数据选择结果准确性较低，直接影响无标签数据的标签预测结果，降低了软测量模型中质量变量的在线预测精度。因此，发明一种基于CSJITL-RVM的多时段间歇过程软测量建模方法，采用一种综合考虑过程数据空间相似性、时段相似性和时序相似性的相似度因子对无标签数据进行标签预测，提高标签预测值的准确性，为软测量建模提供准确的训练数据，进而提高软测量模型中质量变量的在线预测精度。

发明内容

本发明以提高间歇过程质量变量软测量在线预测精度为目的，提出一种基于CSJITL-RVM的多时段间歇过程软测量建模方法，包括以下步骤：

步骤一：采集间歇过程的多批次过程数据，利用时序模糊C均值(Sequence-ConstrainedFuzzyC-Means，SCFCM)聚类算法对其进行时段划分，获取用于建立时段软测量建模的数据集；

步骤二：采用CSJITL方法对无标签数据进行标签预测，首先提出一种综合过程数据空间相似性、时段相似性和时序相似性的相似度因子，用于计算标签数据与无标签数据之间的相似度；然后通过筛选相似度值得到标签预测模型的训练数据集，建立标签预测模型，实现无标签数据的标签预测；最后将标签数据和经过标签预测后的无标签数据相融合；

步骤三：利用融合后的训练数据集，建立基于RVM的时段软测量模型；

步骤四：利用所建立的软测量模型对在线数据进行预测，获取在线数据的预测值。

所述步骤一，具体包括：