[发明专利]半监督RSDAE的非线性PLS间歇过程监测方法

说明书

本发明涉及一种半监督鲁棒稀疏深度自编码网络(robust sparse deep auto‑encoder,RSDAE)的非线性偏最小二乘（partial least square,PLS）间歇过程监测方法，该方法包括以下步骤：建立半监督鲁棒稀疏深度自编码网络RSDAE从高维、含噪、稀疏数据集抽取低维数据特征；基于低维特征数据集建立PLS模型；根据建立的非线性PLS模型对间歇过程进行故障监测。本发明充分利用标记和未标记样本信息并考虑了样本的稀疏性，更好地获取数据中隐藏的有用信息，降低深度自编码网络隐藏节点数量选取难度，有效地消除了数据中不确定性、冗余信息，提高了模型的鲁棒性。

技术领域

本发明属于工业过程监测技术领域，具体涉及一种半监督RSDAE(robust sparsedeep auto-encoder,鲁棒稀疏深度自编码)的非线性PLS(partial least square,偏最小二乘)间歇过程监测方法。

背景技术

间歇过程作为一种重要的工业生产方式，在生物制药、食品饮料和精细化工等小批量、高附加值产品生产中得到广泛应用。随着生产规模扩大、产品品种增多以及复杂性增加,间歇过程具有强非线性、多模态特性、产品质量测量代价高和不及时等特征。因此，采用合适的质量软测量工具进行故障检测与诊断方法，保障复杂工业过程安全运行及产品质量平稳，已经逐渐成为过程控制领域研究的重要问题[参考文献1-5]。

针对间歇过程监测与质量预测，很多学者提出回归模型，比如偏最小二乘(partial least squares,PLS)、规范变量分析(canonical variate analysis,CVA)、多线性回归(Multiple linear regression，MLR)、主成分回归(principal componentregression,PCR)等质量相关的过程监测技术[参考文献6-11]。这些方法通过易于测量的过程变量监测质量变量的波动，更有助于对产品质量指标的波动进行实时、在线监控和预测。PLS从高维数据中抽取少量隐藏变量解释与质量相关的问题，能够消除过程数据和质量数据中的噪声，提高过程监测的准确性。PLS可以实现多种数据分析方法的综合应用,可以集MLR、CVA与PCA的基本功能于一体，基于PLS及其相关扩展模型的质量相关故障检测与诊断技术成为化工、冶金、食品等领域中最常用的方法[参考文献3,5,6,8,12,13]。为解决质量预测的非线性问题，参考文献[3]提出了一种自适应KPLS(Kernel PLS，KPLS),通过引入核函数使得输入数据线性可分，提高了与质量相关故障的监控效果；参考文献[8]提出带有改进贡献率的核PLS的炼铁高炉质量预测；为降低冗余特征对质量预测的影响，参考文献[13]提出一种特征选取KMPLS，提高了预测精度。虽然PLS以及扩展算法在处理数据隐藏特征抽取、非线性数据建模以及数据不确定数据描述方面取得一些进展，成为化工、冶金等多领域故障监测、软测量建模的有力工具，然而PLS及其扩展方法仍然存在如下问题：(1)工业过程复杂的过程变量具有强耦合性、非线性和稀疏性，存在大量质量无关的冗余过程变量，现有的KPLS本质上是一种单隐层非稀疏数据特征抽取方法，限制了KPLS性能的提高；(2)核函数类型和参数选取影响KPLS模型性能，核函数参数选取仍然依赖先验知识，难以保证KPLS性能；(3)数据离群点极大地影响PLS以及KPLS模型性能，亟需提高模型的鲁棒性；(4)目前工业过程质量数据获取代价较大导致标记数据样本数量远小于过程数据样本，而大多数PLS以及扩展算法难以利用未标记样本信息。据我们所知，目前还没有完全考虑上述问题的改进非线性PLS算法，PLS扩展算法往往只考虑其中一个或者两个问题。比如在概率框架下的鲁棒PPLS、半监督PPLS均为线性模型[参考文献14,15]，使用混合建模思想的混合PPLS解决非线性问题。非概率框架下的PLS以及扩展算法在上述方面研究还比较薄弱。