[发明专利]基于局部时滞重构的滑动窗时间差-高斯过程回归建模方法

摘要

本发明涉及一种基于局部时滞重构的滑动窗时间差‑高斯过程回归建模方法，适合应用于具有时滞、非线性、时变特性的化工过程。本发明所述方法能够通过滑动窗口策略逐步跟踪最新的过程时变动态，同时，在滑动窗口中采用模糊曲线分析方法对过程阶段性时滞特征进行参数提取，并用于局部模型训练样本和测试样本的时滞重构；然后采用时间差高斯过程回归(TDGPR)模型来描述局部重构滑动窗口上的变量漂移特征。本发明为工业过程提供了一种有效的实时预测和控制的技术支持手段，有利于提高产品质量，控制生产成本，规避安全隐患。

主权项

一种基于局部时滞重构的滑动窗时间差‑高斯过程回归建模方法，其特征在于，包括：S1估计过程主导变量y与辅助变量集X＝[x₁,x₂,...,x_m]之间存在的最大时延参数T_max；S2获取过程连续均匀采样输入输出样本集，建立包含L组连续时间样本的初始滑动窗口W_ini,W_ini＝[X(t),y(t)]_t＝1,...,L；其中，X(t)＝[x₁(t),x₂(t),...,x_m(t)]_t＝1,...,L,m为辅助变量的个数，L为初始滑动窗口长度，为正整数；S3对初始滑动窗口内m个辅助变量分别进行扩展，得到m(T_max+1)维的时滞扩展变量集，扩展方式为：采用模糊曲线分析方法对时滞扩展变量集的各扩展变量进行分析，得到模糊覆盖范围最大的m个时滞变量，将各自的最优时滞参数记为d₁,d₂,...,d_m；S4利用最优时滞参数对初始滑动窗口内L组实时对应的输入输出样本进行时滞校正，重构后的窗口数据个数变为L‑T_max，重构窗口记为W_rec，其中$W_{\mathrm{rec}}=[x_1(t-d_1),x_2(t-d_2),...,x_m(t-d_m),y\left(t\right){]}_{t=T_{\max }+1,...,L};$S5当t_new采样时刻到来，无需采样辅助变量x(t_new)的情况，采用滑动窗口内的估计好的时滞参数对将到来的实时输入变量重构到d_i时刻之前作为查询样本进行建模，对x(t_new)进行时滞重构后得到的查询样本记为x_d(t_new)，这里的x_d(t_new)＝[x₁(t_new‑d₁),x₂(t_new‑d₂),...,x_m(t_new‑d_m)]；S6对重构窗口中重构的训练输入输出样本集及重构查询数据求取j次时间差分，然后对时间差分输入输出训练样本建立GPR模型，即建立了TDGPR模型结构，通过该模型结构得到主导变量的动态漂移预测值Δy_j,pred(t_new),在历史主导变量实时测量值基础上求出x_d(t_new)对应的实时输出y_j,pred(t_new)预测完成后，丢弃当前时滞重构的MWTDGPR模型，参见下式：$\left\{\begin{array}{c}{\mathrm{\Δx}}_{d,j}\left(t_{new}\right)=x_d\left(t_{new}\right)-x_d(t_{new}-j)\\ {\mathrm{\Δy}}_{j,pred}\left(t_{new}\right)=f_{GPR}\left({\mathrm{\Δx}}_{d,j}\right(t_{new}\left)\right)\\ y_{j,pred}\left(t_{new}\right)=y_j(t_{new}-j)+{\mathrm{\Δy}}_{j,pred}\left(t_{new}\right)\end{array}\right.;$S7将最新的样本更新至初始滑动窗口，剔除初始滑动窗口中最旧的样本，即窗口向前滑动一步，然后，重复上述步骤S1至S6。