[发明专利]基于混合MPLS的多阶段过程质量预报方法

摘要

本发明涉及一种基于混合MPLS的多阶段过程质量预报方法。首先，利用GMM模型对每批次采集数据进行阶段识别。针对多批次同一子阶段长度不等问题，应用动态时间归整(Dynamic time warping，DTW)算法依据相似度最小和最长反应持续时间同步为等长轨迹。并在同步后的数据集中按变量展开方式建立单MPLS模型。其次，根据Fisher判据分析(Fisher DiscriminantAnalysis，FDA)方法寻找各数据集之间最佳的投影向量，最小化子阶段数据样本间的相关性，并引入核密度方法估计各子阶段数据在最佳投影向量上的概率密度分布，来在线监测阶段切换。最后，利用贝叶斯原则融合各子阶段MPLS模型进行质量预报。

主权项

一种基于混合MPLS的多阶段过程质量预报方法，其特征是：本方法基于在偏最小二乘，记作PLS，PLS是多元统计分析中一个重要的方法，研究多维矩阵X和Y之间的关系，寻找最优的低维特征解释方向，多向偏最小二乘方法，记作MPLS，是PLS的一种推广形式，其通过将多批次的历史过程数据矩阵X(I×J×K)和质量数据矩阵Y(I×M×K)以变量方式展开为二维矩阵X(IK×J)和Y(IK×M)，并提取低维的潜在特征；MPLS形式如下：X(IK×J)＝TPT+EY(IK×M)＝QUT+F式中，T(IK×A)，P(J×A)为矩阵X的得分和负载矩阵，同一子阶段内数据分布相似，不同阶段间的分布差异很大，为了保证子阶段内相似数据分布的预报性能，分别建立各子阶段MPLS模型，并结合Fisher判据分析和核密度估计方法优点提出一种FDA_Kernel状态监测方法，显著子阶段内以及阶段间的状态切换，实现多阶段状态监测，根据贝叶斯原则在FDA_Kernel状态监测中融合质量变量信息得到混合MPLS模型，具体步骤为：第一步，进行离线建模1)对I批历史过程数据xi(K×J)和质量数据yi(K×M)进行标准化。并根据GMM模型对过程和质量数据组成的高维分布进行阶段识别，得到每批次p个子阶段数据子集，其中i为对应历史过程批次，J为测量变量个数，M为质量变量个数，K为批次反应时间；2)根据相似度最小和同一子阶段最大持续时间原则，应用动态时间规整技术(DTW)同步多批次同一子阶段为等长轨迹；3)同步后的子阶段数据按变量展开方式得到子阶段过程数据Xi(Ki×J)和质量数据Yi(Ki×M)，其中，Ki，n为第n批历史批次第i个阶段的数据样本数，i＝1，2，..，p，并在各子阶段中建立MPLS模型；第二步，在线质量预报1)当新的测量数据xnew∈R1×J到来时，对新数据标准化，计算xnew∈R1×J在最佳分离向量的投影值x∈R，计算x属于各子阶段的先验概率，2)计算xnew∈R1×J在各子阶段MPLS模型的质量预报输出。