[发明专利]基于集成变量选择型偏最小二乘回归的软测量方法

摘要

本发明公开一种基于集成变量选择型偏最小二乘回归的软测量方法，该方法同时建立了三个不同的变量选择型PLSR软测量模型，并通过加权的方式集成得到输出估计值。在线实施软测量时不拘泥于单个的变量加权型PLSR模型，而是采用多个软测量模型集成的方式，巧妙地避免了确定哪种变量选择型PLSR方法最适合为当前数据建立软测量模型这一难题。此外，本发明通过PLSR算法计算出来的回归系数向量来对各模型输出估计值进行适当加权，不仅不需要反复验证某个变量选择方法的适用性，而且还可以进一步地提高软测量模型的精度。可以说，本发明方法是在已有工作的基础上，利用集成建模思路有效地提升变量选择型PLSR方法用于软测量建模的适用性。

主权项

一种基于集成变量选择型偏最小二乘回归的软测量方法，其特征在于，包括以下步骤：(1)：利用集散控制系统收集工业生产过程中容易测量的数据组成软测量模型的输入训练数据矩阵X∈Rn×m，并对其进行标准化处理使各个过程变量的均值为0，标准差为1，得到新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，Rn×m表示n×m维的实数矩阵；(2)：采用离线分析手段获取与输入训练数据X相对应的产品质量数据组成输出训练数据Y∈Rn×1，计算向量Y的均值μ与标准差ε，并对其进行标准化处理得到新输出数据(3)：利用偏最小二乘回归(PLSR)算法建立输入数据与输出之间的回归模型，如下所示：X‾=TPT+EY‾=TGT+F=X‾UGT+F=X‾β+F---(1)]]>其中，为PLSR模型中d个得分向量组成的矩阵，P∈Rm×d与G∈R1×d分别为输入与输出数据的载荷矩阵，E∈Rn×m与F∈Rn×1分别为输入与输出数据的模型误差，U∈Rm×d为投影变换矩阵，β＝UGT为回归系数向量，上标号T表示矩阵或向量的转置；(4)：分别利用回归系数PLSR(β‑PLSR)法、变量重要性PLSR(VIP‑PLSR)法、和无益变量剔除PLSR(UVE‑PLSR)法建立相应的软测量模型，并保留各自的回归系数向量β1，β2，β3，以及各自用于变量选择的位置标号集θ1，θ2，θ3以备调用；(5)：按照如下所示公式，分别利用β‑PLSR、VIP‑PLSR、和UVE‑PLSR模型中的回归系数向量β1，β2，β3计算对应于输出的估计值，分别记做y1，y2，y3，即：yk＝Xkβk          (2)上式中，Xk为依据位置标号θk从矩阵中选取相应的列组成的数据矩阵，下标号k＝1，2，3，并将y1，y2，y3组成新的输入矩阵Z＝[y1，y2，y3]∈Rn×3；(6)：再次利用PLSR算法建立新输入Z与输出之间的回归模型其中，b＝[b1，b2，b3]∈R3×1为回归系数向量，元素b1，b2，b3分别为β‑PLSR、VIP‑PLSR、和UVE‑PLSR模型的权值，值得指出的是，利用PLSR算法建立Z与之间的回归模型的具体实施过程与步骤(3)相似，这里不再赘述；(7)：收集新的容易测量的数据xt∈Rm×1，并对其进行与X相同的标准化处理得到下标号t表示当前最新采样时刻；(8)：依据位置标号θ1，θ2，θ3分别从向量中选取相应的元素，对应组成新输入向量x1，x2，x3；(9)：根据如下所示公式，利用β‑PLSR、VIP‑PLSR、和UVE‑PLSR模型中的回归系数向量分别计算得到t时刻的输出估计值即：y^k=xkβk---(3)]]>(10)：通过加权法计算t时刻的输出估计值那么t采样时刻的质量指标的最终估计值为