[发明专利]一种基于钴酸锂配料系统的生产状态预测方法

摘要

一种基于钴酸锂配料系统的生产状态预测方法，先建立钴酸锂配料系统健康状态评价指标，再用基于双重加权的核主成分回归最小二乘支持向量机算法对配料系统健康指数进行预测：首先，提取输入变量的非线性特征，根据贡献率由大到小选取主成分；其次，对数据集进行处理，并确定输入向量与输出向量之间的相关关系；最后进行建模预测，并分别为训练样本及输入样本进行局部加权，对模型参数寻优。本发明采用是定义的健康指数，建模过程通过输入、输出样本间相关关系及输入样本与查询样本间距离分别建立一次及二次加权矩阵，在样本输入模型前进行一次加权，在建模过程对模型估计误差采用二次加权，减少了生产数据错误或遗漏给预测算法带来的影响。

主权项

1.一种基于钴酸锂配料系统的生产状态预测方法，其特征在于包括如下两个步骤：步骤1：钴酸锂配料系统健康状态评价配料系统为一个从上至下的顺序生产过程，依次为开袋站、计量站、制粒站和装钵站，根据配料系统的工艺流程及各个环节之间的关系建立层次结构模型，其中，第一层是配料系统，第二层是系统中拥有不同功能的五个环节，第三层是每个环节下监测数据的不同种报警分类，为表示配料系统五个环节的设备运行状况，提出各环节健康指数的定义：绝对误差与最大允许误差的比值，当其值大于1时则进行归一化处理，环节健康指数的大小能够体现出实际重量与目标重量之间的关系，数值越小则相差越小，数值越大则相差越远；当比值达到1时，说明其已经超过了最大允许的误差范围，此时会产生设备三级警报，各环节健康指数的表达式如式(1)所示：其中，mi为实际称得的重量，m0为额定重量，mmax为报警阈值，Ik(T)为时间T所对应的第k个环节的健康指数，分别为开袋站健康指数，碳酸锂计量站健康指数，四氧化三钴计量站健康指数，制粒站健康指数和装钵站健康指数，各个环节的健康指数分别代表各自生产工序的生产健康状态；在各个环节健康指数的基础上对系统健康指数进行定义，如式(2)所示：I＝a1×I1(T)+a2×I2(T)+a3×I3(T)+a4×I4(T)+a5×I5(T)  (2)其中a_k为配料系统第k个环节的权值且权值的选择依据实际生产经验，权值的取值范围为：开袋站健康指数[0,0.1]，计量站四氧化三钴称重健康指数[0.3,0.4]，计量站碳酸锂称重健康指数[0.3,0.4]，制粒站钴主含量健康指数[0.2,0.3]，装钵站健康指数[0.1,0.2]；选取各个环节的权值之后，由公式(2)可以计算得到整个配料系统的总的健康指数，其取值范围为[0,1]。健康指数越大则表示系统运行状况越不健康，为了方便监控人员判断，根据健康指数范围，定义不同的系统运行状态，I<0.2系统运行状态为良好，I为0.2‑0.5时系统运行状态为一般，I为0.5‑0.7时，系统运行状态为较差，I>0.7时，系统运行状态为预警；步骤2：钴酸锂配料系统健康指数预测用基于双重加权的核主成分回归最小二乘支持向量机算法对配料系统健康指数进行预测：首先，通过核主成分分析法提取输入变量的非线性特征，根据贡献率由大到小选取主成分；其次，对数据集进行处理，分为训练集和检验集两个部分，并确定输入向量与输出向量之间的相关关系；最后，通过最小二乘向量机进行建模预测，并分别为训练样本及输入样本进行局部加权，使用粒子群算法对模型参数寻优，具体步骤2如下：步骤2.1：确定系统输入输出选取系统中五个环节的称重值、性能指标和当前健康状态作为系统健康指数预测的输入变量，即将当前时刻开袋站健康指数xi1、四氧化三钴健康指数xi2、碳酸锂称重健康指数xi3、制粒站钴健康指数xi4、装钵站健康指数xi5和当前健康指数xi6共6维数据作为系统输入，下一时刻系统健康指数值yi作为系统输出，确定输入样本后，由于数据量纲有所不同，因此需要对输入样本X＝[x1,x2,...,xn]归一化，其中xi＝[xi1,xi2,xi3,xi4,xi5,xi6]T,i＝1,2,...,n，n为数据数量，量纲归一化如式(3)所示：其中μ为数据均值，σ为数据方差；步骤2.2：使用核主成分分析法提取输入变量非线性主元采用高斯核函数Kij，其中θ1为待辨识核参数；通过非线性函数将原始输入样本X＝[x₁,x₂,...,x_n]映射到高维特征空间F中，输入样本通过步骤2.1已进行中心化处理，在特征空间中的协方差矩阵可表示为：其中N＝6，式(5)对应的特征方程为：λv＝Cv  (6)其中：λ是矩阵C的特征值，v是与λ对应的特征向量。将式(5)两边左乘非线性函数得到：式(6)中特征向量v可表示为：其中将式(5)和式(8)代入式(7)，得到：引入n×n核函数K如式(4)所示,令α＝[α1,α2,...,αn]，根据式(9)有：Nλα＝Kα  (10)令得到：其中，为K的特征值，α为矩阵K的特征向量，α＝[α₁,α₂,...,α_n]，将α标准化有：则数据xi，在vi方向的投影为：矩阵si即为输入样本经过非线性特征提取后的矩阵；步骤2.3：训练集和检验集将输入si分为两部分：训练集和检验集，假设共取得有效输入变量n组，选定l组作为训练集，(n‑l)组作为检验集；步骤2.4：建立加权矩阵基于输入样本与输出样本间具有一定关联性，使用pearson相关系数计算两者间的相关关系r，如下所示：其中s_i为系统健康指数输入样本，y_i为系统健康指数输出样本，为系统健康指数输入样本均值，为系统健康指数输出样本均值，由此得到一次加权权重矩阵w_v＝[w_v1,w_v2,...,w_vl]为：通过样本间的距离比较或相似度度量来选择样本，采用常见的欧氏距离来计算计算历史样本与查询样本间的距离di：为输入样本建立二次加权权重矩阵ws＝[ws1,ws2,...,wsl]，如式(17)所示，其中距离参数θ2为待辨识参数；步骤2.5：双重局部加权最小二乘支持向量机模型在建模前需要对输入向量和训练样本分别进行加权，构成双重局部加权最小二乘向量机；已知的输入样本与输出样本共同构成输入数据集s_k为m维输入向量，y_k∈R是1维输出向量，SVM的回归模型为：y(s)＝wTφw(s)+b  (18)其中，w为权重向量，φ(s)为非线性映射函数，对输入变量进行一次加权得到φw(s)，b为偏差值，上述问题的最优化目标为：式(19)中，ξk为估计误差，θ3为系统中待辨识的参数：惩罚系数，约束条件为：若对每个样本同等对待，即使用相同的惩罚系数，会使预测结果受到异常变量的影响，产生较大误差，因此在此引用输入变量的重要程度作为权值，代入式(17)的加权矩阵ws，则式(19)目标函数变为：结合约束条件建立拉格朗日函数L，将约束问题化为无约束优化问题，可得：式(22)中，βk为Lagrange乘子，,k＝1,2,...,l，其最优解应满足如下关系：根据Mercer条件将上式转化为求解线性方程，即：其中，y＝[y1,y2,...,yl]T，E＝[1,1,...,1]T，w＝[w1,w2,...,wl]T，βk＝[β1,β2,...,βl]T，Ωijw＝Kw(i,j)＝φw(si)Tφw(sj)，Kw(i,j)为采用了输入变量加权的核函数，采用高斯核函数如式(4)所示，因此Kw(i,j)可表示为Kw＝Kw(i,j)＝φw(si)Tφw(sj)＝wsiK(i,j)wsj  (25)通过式(24)解得w，β，b，代入式(18)，得到系统健康指数输出预测模型为：模型对配料系统下一次配料状态进行预测后对系统健康指数对其进行评价，若将处于“预警”状态，则提早对设备进行检修，若处于“较差”状态并已持续多次且接近“预警”，则提前调整生产计划空余一定时间对设备提前维修。