基于模糊高斯混合模型的多階段間歇過(guò)程軟測(cè)量方法
【專利摘要】本發(fā)明公開了一種基于模糊高斯混合模型的多階段間歇過(guò)程軟測(cè)量方法，該方法首先將三維的過(guò)程測(cè)量數(shù)據(jù)按變量方向展開成二維矩陣；其次定義新的不相似度函數(shù)，建立模糊高斯混合模型，刻畫間歇過(guò)程的多階段特性，將過(guò)程與質(zhì)量變量劃分到對(duì)應(yīng)不同階段的多個(gè)高斯成分區(qū)域；然后計(jì)算待預(yù)測(cè)樣本屬于各高斯成分的模糊隸屬度，識(shí)別出相應(yīng)的高斯成分；再次計(jì)算出測(cè)量數(shù)據(jù)在相鄰兩個(gè)階段的后驗(yàn)概率作為自適應(yīng)權(quán)重，用于過(guò)渡區(qū)域的質(zhì)量預(yù)測(cè)；最后根據(jù)識(shí)別出的局部高斯成分進(jìn)行質(zhì)量預(yù)測(cè)。本發(fā)明不僅能有效地提取間歇過(guò)程的多階段特性，而且較好地抓取了相鄰階段之間過(guò)渡區(qū)域的動(dòng)態(tài)變化，建立較為合理、準(zhǔn)確的模型，從而提高了模型的預(yù)測(cè)精度。
【專利說(shuō)明】基于模糊高斯混合模型的多階段間歇過(guò)程軟測(cè)量方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于生化過(guò)程軟測(cè)量領(lǐng)域，尤其涉及一種基于模糊高斯混合模型的多階段 間歇過(guò)程軟測(cè)量方法。

【背景技術(shù)】
[0002] 間歇過(guò)程已經(jīng)廣泛應(yīng)用于精細(xì)化工、材料、生物技術(shù)、聚合物反應(yīng)等領(lǐng)域。產(chǎn)品關(guān) 鍵變量的測(cè)量對(duì)工廠的先進(jìn)過(guò)程控制和優(yōu)化、過(guò)程效率的提高及產(chǎn)品質(zhì)量的改善具有十分 重要的作用。由于工藝和條件的限制，關(guān)鍵變量常難以進(jìn)行精確和實(shí)時(shí)測(cè)量，使得間歇操作 過(guò)程面臨巨大挑戰(zhàn)。相比于硬件儀器測(cè)量或離線實(shí)驗(yàn)分析，目前軟測(cè)量技術(shù)引起了廣泛關(guān) 注?；谲洔y(cè)量的預(yù)測(cè)模型具有強(qiáng)大的推理能力，對(duì)產(chǎn)品關(guān)鍵變量提供了可靠的實(shí)時(shí)預(yù)測(cè)。 軟測(cè)量技術(shù)主要通過(guò)對(duì)容易測(cè)量的過(guò)程變量進(jìn)行建模，以便預(yù)測(cè)出難以測(cè)量的關(guān)鍵變量。 常用的軟測(cè)量方法有主元回歸（PCR)、偏最小二乘回歸（PLS)、人工神經(jīng)網(wǎng)絡(luò)（ANN)等。
[0003] 這些用于間歇過(guò)程中關(guān)鍵變量預(yù)測(cè)的軟測(cè)量技術(shù)，通常是基于間歇過(guò)程處于同一 操作階段和同一模態(tài)假說(shuō)的單一回歸模型。在實(shí)際應(yīng)用中，間歇過(guò)程隨反應(yīng)進(jìn)程或操作條 件的變化呈現(xiàn)多階段特性，不同階段的數(shù)據(jù)會(huì)動(dòng)態(tài)變化，導(dǎo)致質(zhì)量變量預(yù)測(cè)的準(zhǔn)確性和可 靠性由于過(guò)程階段的迀移而發(fā)生退化。研宄者設(shè)計(jì)出了一些模型更新策略或多模態(tài)方法用 于操作階段的迀移，這些方法在不同階段的數(shù)據(jù)分布處于明顯不同的區(qū)域時(shí)，可獲得較高 的預(yù)測(cè)精度。然而，階段之間的數(shù)據(jù)常出現(xiàn)交叉重疊分布，難以進(jìn)行清晰劃分。"硬"劃分方 法難以分割處于不同階段之間過(guò)渡區(qū)域的數(shù)據(jù)，從而影響預(yù)測(cè)精度。


【發(fā)明內(nèi)容】

[0004] 鑒于現(xiàn)有方法存在的不足，提供了一種基于模糊高斯混合模型的多階段間歇過(guò)程 軟測(cè)量方法。
[0005] 本發(fā)明通過(guò)以下技術(shù)方案實(shí)現(xiàn)：一種基于模糊高斯混合模型的多階段間歇過(guò)程軟 測(cè)量方法，包括以下步驟：
[0006] S1、數(shù)據(jù)預(yù)處理：選擇間歇過(guò)程多階段運(yùn)行的數(shù)據(jù)I (其中I是批次數(shù)，J 是測(cè)量變量數(shù)，K是采樣點(diǎn)數(shù)），組成訓(xùn)練樣本集。將三維矩陣f按照變量方向展開成二維 矩陣X可表示為：^=[卻=1>碎=2>…七LiO Γ，對(duì)應(yīng)的輸出質(zhì)量變量以同樣的方式 表示成：y=[ 拉=2>…U T。
[0007] S2、建立高斯混合模型：利用訓(xùn)練樣本訓(xùn)練高斯混合模型，通過(guò)期望最大化算法迭 代計(jì)算模型參數(shù)? = (α，μ, Σ)，其中α為混合系數(shù)，μ、Σ為高斯成分的均值及協(xié)方 差。
[0008] S3、建立模糊高斯混合模型：定義新的不相似度函數(shù)，最小化模糊C均值算法的目 標(biāo)函數(shù)，得到新的聚類中心及樣本的模糊隸屬度，不斷更新模型，并決策出最佳的聚類數(shù)目 對(duì)應(yīng)不同的操作階段。
[0009] S4、鑒別出過(guò)渡區(qū)域：預(yù)設(shè)統(tǒng)計(jì)顯著性水平作為閾值，如果測(cè)量樣本的最大模糊隸 屬度大于閾值，說(shuō)明該樣本可劃分到獨(dú)立的操作階段；如果測(cè)量樣本的最大模糊隸屬度小 于閾值，表明其位于兩個(gè)相鄰階段之間的過(guò)渡區(qū)域；進(jìn)一步判斷出連接過(guò)渡區(qū)域的兩個(gè)相 鄰階段；
[0010] S5、建立多個(gè)局部預(yù)測(cè)模型：利用劃分到多個(gè)局部階段的測(cè)量子集建立多個(gè)局部 偏最小二乘回歸模型，同時(shí)，將連接過(guò)渡區(qū)域的兩個(gè)相鄰階段的后驗(yàn)概率作為自適應(yīng)權(quán)重， 進(jìn)一步預(yù)測(cè)過(guò)渡區(qū)域的樣本。
[0011] 本發(fā)明的有益效果是：本發(fā)明引入新的不相似度函數(shù)，建立模糊高斯混合模型，用 多個(gè)模糊高斯成分近似刻畫間歇過(guò)程的多階段特性，獲得間歇過(guò)程的各個(gè)模糊高斯成分參 數(shù)，形成多個(gè)高斯成分區(qū)域。然后，計(jì)算待預(yù)測(cè)樣本屬于各高斯成分的模糊隸屬度，識(shí)別出 相應(yīng)的高斯成分；同時(shí)，統(tǒng)計(jì)出測(cè)量數(shù)據(jù)在相鄰兩個(gè)階段的后驗(yàn)概率，作為自適應(yīng)權(quán)重，用 于過(guò)渡區(qū)域的質(zhì)量預(yù)測(cè)。根據(jù)識(shí)別出的高斯成分建立局部偏最小二乘回歸模型。與傳統(tǒng)硬 劃分的模型相比，本發(fā)明不僅有效的提取間歇過(guò)程的多階段特性，而且較好地抓取了相鄰 階段過(guò)渡區(qū)域的動(dòng)態(tài)變化，建立較為合理、準(zhǔn)確的模型，提高了模型的預(yù)測(cè)精度。

【專利附圖】

【附圖說(shuō)明】
[0012] 圖1是青霉素發(fā)酵過(guò)程示意圖；
[0013] 圖2是本發(fā)明方法的算法流程圖；
[0014] 圖3是傳統(tǒng)基于k均值聚類的偏最小二乘回歸方法對(duì)青霉素濃度輸出預(yù)測(cè)效果 圖；
[0015] 圖4是本發(fā)明方法對(duì)青霉素濃度輸出預(yù)測(cè)效果圖。

【具體實(shí)施方式】
[0016] 下面結(jié)合附圖和實(shí)施案例對(duì)本發(fā)明作進(jìn)一步的說(shuō)明。本發(fā)明引入新的不相似度函 數(shù)，建立模糊高斯混合模型，用多個(gè)模糊高斯成分近似刻畫間歇過(guò)程的多階段特性，獲得間 歇過(guò)程的各個(gè)模糊高斯成分參數(shù)，形成多個(gè)高斯成分區(qū)域。然后，計(jì)算待預(yù)測(cè)樣本屬于各高 斯成分的模糊隸屬度，識(shí)別出相應(yīng)的高斯成分；同時(shí)，統(tǒng)計(jì)出測(cè)量數(shù)據(jù)在相鄰兩個(gè)階段的后 驗(yàn)概率，作為自適應(yīng)權(quán)重，用于過(guò)渡區(qū)域的質(zhì)量預(yù)測(cè)。根據(jù)識(shí)別出的高斯成分建立局部PLS 模型。本發(fā)明不僅有效的處理間歇過(guò)程的多階段特性，而且較好地抓取了相鄰階段過(guò)渡區(qū) 域的動(dòng)態(tài)性，提高了模型的預(yù)測(cè)精度。
[0017] 本發(fā)明解決技術(shù)問(wèn)題所采取的技術(shù)方案是：
[0018] 參考圖2, 一種基于模糊高斯混合模型的多階段間歇過(guò)程軟測(cè)量方法，包括以下步 驟：
[0019] S1、數(shù)據(jù)預(yù)處理：選擇間歇過(guò)程多階段運(yùn)行的數(shù)據(jù)1 (其中I是批次數(shù)，J 是測(cè)量變量數(shù)，K是采樣點(diǎn)數(shù)），組成訓(xùn)練樣本集。將三維矩陣尤按照變量方向展開成二維 矩陣Zegihx75X可表不為：Ι=[χ?=υ ... AU7。對(duì)應(yīng)的輸出質(zhì)量變量以同樣的方式表 示成：
[0020] S2、建立高斯混合模型：利用訓(xùn)練樣本訓(xùn)練高斯混合模型，通過(guò)EM算法迭代計(jì)算 模型參數(shù)? = (α，μ, Σ)，其中α為混合系數(shù)，μ、Σ為高斯成分的均值及協(xié)方差；
[0021] S3、建立模糊高斯混合模型：定義新的不相似度函數(shù)，最小化模糊C均值算法 (FCM)的目標(biāo)函數(shù)，得到新的聚類中心及樣本的模糊隸屬度，不斷更新模型，決策出最佳的 聚類數(shù)目對(duì)應(yīng)不同的操作階段；
[0022] S4、鑒別出過(guò)渡區(qū)域：預(yù)設(shè)統(tǒng)計(jì)顯著性水平作為閾值，如果測(cè)量樣本的最大模糊隸 屬度大于閾值，說(shuō)明該樣本可劃分到獨(dú)立的操作階段；如果測(cè)量樣本的最大模糊隸屬度小 于閾值，表明其位于兩個(gè)相鄰階段之間的過(guò)渡區(qū)域；進(jìn)一步判斷出連接過(guò)渡區(qū)域的兩個(gè)相 鄰階段；
[0023] S5、建立多個(gè)局部預(yù)測(cè)模型：利用劃分到多個(gè)局部階段的測(cè)量子集建立多個(gè)局部 PLS模型，同時(shí)，將連接過(guò)渡區(qū)域的兩個(gè)相鄰階段的后驗(yàn)概率作為自適應(yīng)權(quán)重，進(jìn)一步預(yù)測(cè) 過(guò)渡區(qū)域的樣本。
[0024] 步驟S2中，"建立高斯混合模型"的具體步驟如下：
[0025] S21 :假設(shè)間歇過(guò)程具有Q個(gè)不同的階段，每個(gè)階段表示為Cq(q=l，2,…，Q)，Nq代 表每個(gè)階段內(nèi)的樣本數(shù)給定展開的訓(xùn)練集，第i批次第k個(gè)樣本X (i，k)的后驗(yàn)概率為：

【權(quán)利要求】
1. 一種基于模糊高斯混合模型的多階段間歇過(guò)程軟測(cè)量方法，其特征在于，包括以下 步驟： 51、 數(shù)據(jù)預(yù)處理：選擇間歇過(guò)程多階段運(yùn)行的數(shù)據(jù)^組成訓(xùn)練樣本集，其中I是批次數(shù)，J是測(cè)量變量數(shù)，K是采樣點(diǎn)數(shù)；將三維矩陣f按照變量方向展開成二維矩陣 作X可表示為：^=[4=υXfU...f;對(duì)應(yīng)的輸出質(zhì)量變量也按照變量方向展 開成：r=[y(【=i)Γ(Ι=2)…7(!=幻]Γ; 52、 建立高斯混合模型：利用訓(xùn)練樣本訓(xùn)練高斯混合模型，通過(guò)期望最大化算法迭代計(jì) 算模型參數(shù)Θ= (α，μ,Σ)，其中α為混合系數(shù)，μ、Σ為高斯成分的均值及協(xié)方差； 53、 建立模糊高斯混合模型：引入新的不相似度函數(shù)，最小化模糊C均值算法的目標(biāo)函 數(shù)，多次迭代更新模型參數(shù)，得到新的聚類中心及樣本的模糊隸屬度，決策出最佳的聚類數(shù) 目對(duì)應(yīng)不同的操作階段； 54、 鑒別出過(guò)渡區(qū)域：預(yù)設(shè)統(tǒng)計(jì)顯著性水平作為閾值，如果測(cè)量樣本的最大模糊隸屬度 大于閾值，表明該樣本可劃分到獨(dú)立的操作階段；如果測(cè)量樣本的最大模糊隸屬度小于閾 值，表明該樣本位于兩個(gè)相鄰階段之間的過(guò)渡區(qū)域；進(jìn)一步判斷出連接過(guò)渡區(qū)域的兩個(gè)相 鄰階段； 55、 建立多個(gè)局部預(yù)測(cè)模型：利用劃分到多個(gè)局部階段的測(cè)量子集建立多個(gè)局部PLS 模型，同時(shí)，將連接過(guò)渡區(qū)域的兩個(gè)相鄰階段的后驗(yàn)概率作為自適應(yīng)權(quán)重，進(jìn)一步預(yù)測(cè)過(guò)渡 區(qū)域的樣本。
2. 根據(jù)權(quán)利要求1所述基于模糊高斯混合模型的多階段間歇過(guò)程軟測(cè)量方法，其特征 在于，所述步驟S2具體為： 521 :假設(shè)間歇過(guò)程具有Q個(gè)不同的階段，每個(gè)階段表示為Cq(q= 1，2,…，Q)，Nq代表 每個(gè)階段內(nèi)的樣本數(shù)給定展開的訓(xùn)練集，第i批次第k個(gè)樣本X(i，k)的后驗(yàn)概率為：
式中，q為高斯成分對(duì)應(yīng)第q階段，為模型的混合系數(shù)，Θq=(μq，Σ(?)為模型參 數(shù)包括均值和協(xié)方差，P(X(i，k)IΘ。）
為第q高斯成分的概率密度函數(shù)，表示為： 522 :高斯混合模型的目標(biāo)函數(shù)定義為log似然函數(shù)：
523 :最大化似然函數(shù)，利用期望最大化算法估計(jì)參數(shù)，當(dāng)前參數(shù)為Θω，更新模型參數(shù) 0 (t+ι):
3.根據(jù)權(quán)利要求1所述基于模糊高斯混合模型的多階段間歇過(guò)程軟測(cè)量方法，其特征 在于，所述步驟S3具體為： 531 :新的不相似度函數(shù)定義為：
532 :基于上式的不相似度函數(shù)，構(gòu)造模糊C均值模型的目標(biāo)函數(shù)為：
式中，m為權(quán)里指數(shù)，U= {u^aiOhu^ak)是測(cè)量值x(i，k)對(duì)第q個(gè)聚類的模糊隸 屬度，且 0 彡uq(i,k)彡 1，ΣΙ?,Ο= 1; 533 :最小化FCM的目標(biāo)函數(shù)，隸屬度和聚類中心更新為：
更新后的模型混合系數(shù)及協(xié)方差分別表示為：
執(zhí)行EM算法，不斷迭代直至獲得模型的最優(yōu)解，識(shí)別出不同的過(guò)程操作階段，輸入、輸 出數(shù)據(jù)分別產(chǎn)生Q個(gè)子集為：

S34 :根據(jù)模糊隸屬度，識(shí)別測(cè)試樣本所屬的局部操作階段，根據(jù)其最大隸屬度，劃分到 第qt個(gè)操作階段： Cjt = argmaxUj(IJi)〇 1華β'
4. 根據(jù)權(quán)利要求1所述基于模糊高斯混合模型的多階段間歇過(guò)程軟測(cè)量方法，其特征 在于，所述步驟S4具體為： S41:預(yù)設(shè)統(tǒng)計(jì)顯著度水平δ，假如隸屬度滿足Uq(i，k)多δ，則將該樣本劃分到獨(dú)立 的單個(gè)階段中；假如uq(i，k)〈δ，則將該樣本劃分相鄰兩個(gè)階段的過(guò)渡區(qū)域qt:
式中，qt {1}、qt⑵連接過(guò)渡區(qū)域的第1和第2個(gè)階段，分別對(duì)應(yīng)：
5. 根據(jù)權(quán)利要求1所述基于模糊高斯混合模型的多階段間歇過(guò)程軟測(cè)量方法，其特征 在于，所述步驟S5具體為： 551 :根據(jù)輸入輸出數(shù)據(jù)集{X，Y}，建立偏最小二乘回歸模型： X=ATR+E Y=ATB+F 式中，A為得分矩陣，R、B為負(fù)載矩陣，E、F分別為輸入、輸出殘差； 552 :對(duì)于預(yù)處理后的待預(yù)測(cè)的數(shù)據(jù)Xm，假如劃分到第q個(gè)局部階段，則輸出為：
式中，W為權(quán)值矩陣； 553 :假如該測(cè)試樣本劃分到過(guò)渡區(qū)域，對(duì)應(yīng)為相鄰兩個(gè)階段C1Q= 1或2)之間，預(yù)測(cè) 值的局部后驗(yàn)概率表示為：
式中，戶(仏|?)為高斯密度概率，p(C1)為局部模型C1的系數(shù)，正則化后的后驗(yàn)概率為 作為局部模型的自適應(yīng)權(quán)重； 554 :過(guò)渡區(qū)域的樣本對(duì)應(yīng)的預(yù)測(cè)估計(jì)表示為：
【文檔編號(hào)】G06F19/00GK104462850SQ201410822983
【公開日】2015年3月25日 申請(qǐng)日期:2014年12月25日 優(yōu)先權(quán)日:2014年12月25日
【發(fā)明者】盧春紅, 顧曉峰 申請(qǐng)人:江南大學(xué)