CN104914723B - 基于协同训练偏最小二乘模型的工业过程软测量建模方法 - Google Patents
基于协同训练偏最小二乘模型的工业过程软测量建模方法 Download PDFInfo
- Publication number
- CN104914723B CN104914723B CN201510266557.4A CN201510266557A CN104914723B CN 104914723 B CN104914723 B CN 104914723B CN 201510266557 A CN201510266557 A CN 201510266557A CN 104914723 B CN104914723 B CN 104914723B
- Authority
- CN
- China
- Prior art keywords
- data
- variable
- new
- collection
- rmse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 title claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims description 22
- 239000004615 ingredient Substances 0.000 claims description 20
- 238000013480 data collection Methods 0.000 claims description 17
- 101000596041 Homo sapiens Plastin-1 Proteins 0.000 claims description 13
- 102100035181 Plastin-1 Human genes 0.000 claims description 13
- 101000596046 Homo sapiens Plastin-2 Proteins 0.000 claims description 11
- 102100035182 Plastin-2 Human genes 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 3
- 101150071716 PCSK1 gene Proteins 0.000 claims description 2
- 239000012141 concentrate Substances 0.000 claims description 2
- 238000010238 partial least squares regression Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 9
- 238000011160 research Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007600 charging Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000001311 chemical methods and process Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003134 recirculating effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种可用的训练样本个数较少的条件下工业生产过程的软测量研究方法,用于在建模数据较少条件下的软测量建模并实现对于产品信息的预测。本发明利用基于协同训练的偏最小二乘学习方法,建立了一个有效的线性预测模型,并克服了工业生产过程采样数据过少的情况下模型精度不高的问题,提高了针对该过程建立的模型预测准确率和性能,从而使得工业生产过程更加可靠,产品质量更加稳定。
Description
技术领域
本发明属于工业过程预测与控制领域,尤其涉及一种协同训练算法与偏最小二乘算法的软测量建模方法。
背景技术
在传统工业过程中存在着许多无法或者难以用传感器直接测量的变量如产品反应速率、产品成分含量等等,而这些参数对于提高产品质量和保证安全生产有重要的作用,是工业生产过程中必须加以严格监视和控制的参数。虽然这些变量可以用在线分析仪表进行检测,但是一方面需要大量的投资,另一方面可能因为有较大的测量滞后而使得调节不够及时,从而使得产品质量难以得到保证。这些对于工业生产过程具有重要作用的变量我们称之为主导变量,其他的一些易于测量的变量我们称之为辅助变量。软测量指的是通过建立工业过程变量之间的数学模型,实现利用辅助变量预测主导变量信息的技术方法。近年来,工业过程的软测量得到了越来越多的重视。
传统的工业过程软测量建模方法除了基于机理模型的方法以外,大多数采用多元统计分析和机器学习的方法,例如主元回归PCR和偏最小二乘PLS等,在机理模型难以获取的情况下,基于数据驱动的多元统计分析方法已经成为半导体过程监测的主流方法。但是,传统的多元统计方法在训练样本数目较少的情况下,所建立起的模型的预测精度往往不能够达到有效的精度;此外,传统多元统计学习方法建模时所用的数据往往都是那些辅助变量有对应主导变量信息的数据,没有对应主导变量仅有辅助变量信息的数据往往被直接忽视了。在工业过程中,基于上面所述的主导变量难以检测等原因,工业过程中存在着大量的不包含有主导变量仅有辅助变量信息的数据,这些数据中包含着大量的有用信息,直接弃之不用造成了浪费。
相比之下,半监督学习方法通过使用有标签数据建立初始模型,然后利用无标签数据对模型进行参数优化与调整,最终达到提高模型精度的效果。本发明主要利用了半监督学习中的协同训练算法,结合偏最小二乘模型,找到了一种在辅助变量个数较多的条件下进行模型学习的方法,并成功利用了无标签数据提升了模型的精度,表明了半监督学习方法应用到软测量研究中具有绝对的可能性与相当的有效性,也为今后软测量建模的研究提供了一个新的方法和思路。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于协同训练算法的偏最小二乘回归软测量建模方法。
本发明的目的是通过以下技术方案来实现的:一种基于协同训练算法的偏最小二乘软测量模型的建立,主要包括以下几个步骤:
(1)利用集散控制系统以及离线检测方法,按生产批次收集工业生产过程的数据组成建模用的训练样本集。对于每个批次的训练样本集,一部分为既包含主导变量数据也包含辅助变量信息的样本集D∈RK×J,其中,D为有标签数据集,K为采样数据点个数,J为变量个数;另一部分为只包含辅助变量数据的样本集X∈RN×2M,其中,X为无标签数据集,N为采样数据点数,2M为变量个数,将这些数据存入历史数据库。
(2)对于每个生产批次的有标签数据,沿着时间点方向对每一个数据矩阵进行排列,得到新的数据矩阵,并对其进行预处理和归一化,即使得各个过程变量的均值为零,方差为1,得到新的数据矩阵集为
(3)基于得到的二维数据矩阵按照主导变量和辅助变量分类标准,选取其中的主导变量作为预测目标因变量集选取其中的辅助变量作为自变量集则该二维数据矩阵可以重新描述为:
(4)对于有标签数据集,对其自变量集进行均分,前一半自变量作为第一自变量视图:后一半自变量作为第二自变量视图:得到两组新的有标签数据集以及并按照同样的变量拆分方法对于无标签数据进行拆分,得到两组新的无标签数据集和
(5)首先,利用建立初始的模型PLS1,利用建立初始的模型PLS2,然后,不断迭代使用无标签数据更新模型训练数据,当达到一定的终止条件时,终止迭代。一般选取的终止条件为迭代达到一定次数抑或是无法继续找到置信度足够高的样本。
(6)将建模数据和各个模型参数存入历史数据库和实时数据库中备用。
(7)收集新的过程数据,并对其进行预处理和归一化。
(8)采用基于协同训练算法的偏最小二乘方法对工业过程的变量进行预测,实现过程监控与控制。
本发明的有益效果是:本发明通过对于工业数据建立起的软测量模型,不但利用了传统软测量方法建模所利用的有标签数据,也利用了传统软测量建模方法所不能利用的无标签数据,在训练样本相同的情况下,能够建立起比传统软测量模型精度更高的预测模型。相比目前的其他软测量建模方法,本发明不仅可以大大提高训练样本数目极少的情况下模型的预测效果,而且在很大程度上改善了监测方法对过程知识的依赖性,增强了过程操作员对过程的理解能力和操作信心,更加有利于工业过程的自动化实施。
附图说明
图1是本发明方法和传统偏最小二乘方法对在不同有标签样本比例下建模预测结果的RMSE对比图;
图2是在有标签样本比例为30%的情况下样本真实值、协同训练偏最小二乘算法预测值和偏最小二乘算法的预测值的曲线对比图;
图3是上述两种方法预测结果与真实值之间的误差对比图。
具体实施方式
本发明是针对工业过程中训练数据较少情况下的软测量建模问题,首先利用集散控制系统收集有标签与无标签数据,利用有标签数据建立初始的具有一定差异性的两个模型,然后在初始模型的基础上,通过不断的迭代循环,逐步的将置信度最高的无标签数据转换为有标签数据并加入到训练集中来,逐渐扩大训练集的样本数目,最终达到提高模型精度的效果。本发明不仅提高了工业过程的软测量模型预测效果,增强了过程操作员对过程状态的掌握,使工业生产更加安全,产品质量更加稳定;而且很大程度上改善了软测量建模方法对过程知识的依赖性,更加有利于工业过程的自动化实施。
下面结合附图和具体实施例对本发明进行详细说明。
本发明一种基于协同训练算法的偏最小二乘软测量建模方法,该方法针对工业过程的软测量建模问题,首先利用集散控制系统以及离线检测方法收集包含主导变量信息与辅助变量信息的有标签数据和仅包含辅助变量的无标签数据,然后利用有标签数据建立两个具有相当差异性的初始模型,然后再初始模型的基础上利用无标签数据对两个模型及其训练集进行迭代更新,当达到一定的迭代次数或是终止条件之后,停止对于模型的更新,并利用最终的训练数据建立新的模型,实现对于工业过程的软测量建模。把模型参数存入数据库中备用。
本发明采用的技术方案的主要步骤如下:
第一步,利用集散控制系统以及离线检测方法,按生产批次收集工业生产过程的数据组成建模用的训练样本集,对于一些无法进行在线检测的主导变量,则在离线进行测量后将测量后的变量信息与其对应的辅助变量信息一起存储到数据集中。在这样的条件下,对于同一个批次的训练样本集,一部分为既包含主导变量数据也包含辅助变量信息的样本集D∈RK×J,其中,D为有标签数据集,K为采样数据点个数,J为变量个数;另一部分为只包含辅助变量数据的样本集X∈RN×2M,其中,X为无标签数据集,N为采样数据点数,2M为变量个数,将这些数据存入历史数据库。
第二步,对于每个生产批次的有标签数据,对采集到的过程数据进行预处理,剔除野值点和明显的粗糙误差数据。得到新的数据矩阵集为D∈RK×J。基于得到的二维数据矩阵D∈RK×J。
第三步,按照主导变量和辅助变量分类标准,选取其中的主导变量作为预测目标因变量集选取其中的辅助变量作为自变量集则该二维数据矩阵可以重新描述为:
第四步,对于有标签数据集中的每个样本(xi,yi),对其自变量集进行均分,前一半作为第一视图,得到一个新样本:(xatt1,i,yi),后一半作为第二视图,也得到一个新样本:(xatt2,i,yi)。对于整个样本集,也使用同样的分配方法进行分割获取 这样可以得到两组新的有标签数据集以及然后按照同样的变量拆分方法对于无标签数据进行拆分,得到两组新的无标签数据集和
第五步,不失一般性,先对建立初始的PLS模型:对X和Y进行中心化,即使各个变量的均值为0,方差为1,得到一组新的数据E0,F0,并记录其均值与方差分别为Mx,Sx,My,Sy。然后,分别提取两变量组的第一对成分,使之相关性最大:
假设从两组变量分别提出第一对成分为t1和u1,其中t1是自变量集X的线性组合,u1是因变量集Y的线性组合,为了回归分析的需要,要求t1和u1尽可能多的提取所在变量组的变异信息以及二者之间的相关程度达到最大。现在由E0,F0,计算第一对成分的得分向量,记为和则有
第一对成分t1和u1的协方差可以用第一对成分的得分向量和的内积来计算,故而有
此时,只需要计算M×M矩阵的最大特征值及其对应的特征向量,且的最大特征值即为θ1的平方,相应的单位特征向量即为所求解的w1,而v1可以由得到。接下来,建立y1,y2…yL对于和x1,x2…xM对于t1的回归:
其中,
记则残差矩阵为如果残差矩阵F1
中元素的绝对值近似为0,则认为用第一个成分建立的回归式精度已经满足要求了,可以停
止抽取成分,否则则用残差矩阵E1,F1代替E0,F0重复进行上述步骤即可。
假设最终共提取了r个成分,则有
此时,得出Y的预测结果为Y=t1β1+…+trβr,将tk=wk1x1+…+wkMxM(k=1,2…r)代入得到L个因变量的偏最小二乘回归方程式:
yj=bj1x1+…+bjmxm,(j=1,2…L)
记回归系数矩阵为此时,记此模型在原有的训练集上的均
方误差为RMSEorig。
对于无标签数据集,对于每个样本点SULa,att1:xatt1,i,(i=1,2…N),利用Mx,Sx对其
进行标准化,即由得到一组新的数据集将此N个样本点逐个添加到PLS1的训练集中去,每次可以训练得到一
个新的PLS1模型,每个新的PLS1模型在原有的训练集上都可以得到一个新的RMSE,分别记
为RMSEi,(i=1,2…N)。分别计算这N个RMSE与RMSEorig的差值:RMSEdif,i=RMSEorig-RMSEi,(i
=1,2…N),若所有RMSEdif均小于0,则认为已经达到终止条件,停止迭代,否则,取使得
RMSEdif最大的新加标签样本作为置信度最高的样本,亦即yj=xj
×BT,将样本xj对应的第二视图信息及其预测值yj作为新的有标签样本(xatt2,j,yj)添加到
PLS2的训练集中去,更新PLS2的训练集,并从无标签数据集中剔除样本点xj。
利用新的PLS2模型对剩下的无标签数据继续添加标签,并将所得的置信度最高的新加标签样本添加到PLS1的训练集中去,再训练出新的PLS1模型选取置信度最高的样本添加到PLS2的训练集中去,如此迭代循环;
当达到循环停止条件后,亦即达到一定的循环次数或无法找到新的满足条件的无标签样本,此时可以获取两组新的有标签数据集,利用这两组有标签数据训练得到最终的PLS1和PLS2,将这两个模型的预测结果进行加权,得到最终的预测结果。
第六步:将建模数据和各个模型参数存入历史数据库和实时数据库中备用。
第七步:收集新的过程数据,并对其进行预处理和归一化。
对于过程中新收集到的数据样本,除了对其进行预处理之外,还有采用建模时的模型参数对该数据点进行归一化,即减去建模均值和除以建模标准差。
第八步:采用基于协同训练算法的偏最小二乘方法对工业过程的变量进行预测,并根据预测结果实行对于工业过程的监控与控制。
以下结合一个具体的工业过程的例子来说明本发明的有效性。该过程的数据来自美国TE(Tennessee Eastman——田纳西-伊斯曼)化工过程实验,原型是Eastman化学公司的一个实际工艺流程。目前,TE过程己经作为典型的化工过程故障检测与诊断对象被广泛研究。整个TE过程包括41个测量变量和12个操作变量(控制变量),其中41个测量变量包括22个连续测量变量和19个成分测量值,其中,22个连续测量变量每3分钟被采样一次,而19个成分变量的采样间隔分6分钟与15分钟两种,所有的过程测量值都包含有高斯噪声。为了实现对于成分变量的预测,我们选取了表1中的16个变量作为输入变量,选取流9中的成分变量E作为模型输出值,接下来结合该具体过程对本发明的实施步骤进行详细阐述:
1.采集表1中的16个辅助变量变量数据以及其对应的主导变量成分E数据,对于没有对应成分E信息的辅助变量数据也一并采集,进行数据预处理:
对于包含主导变量信息的数据以及不包含主导变量信息的数据剔除过程的野值点和粗糙误差点,并对于变量进行拆分,取前八个变量为第一视图,后八个变量为第二视图,得到新的数据集和
2.针对训练数据,根据第一视图和第二视图的数据分别建立偏最小二乘软测量系统模型,然后利用无标签数据来对模型进行更新。
针对数据集建立初始的PLS1模型,并对无标签数据集进行预测,将所得置信度最高的样本的第二视图信息以及其所得预测值信息添加到中去,建立新的PLS2模型;继续利用PLS2模型获取新的置信度最高的样本,并将其第一视图信息添加到中去,继续循环迭代,直到达到终止条件。
3.利用得到的有标签训练集,训练出新的模型,并应用到TE生产过程中来对成分E的信息进行预测,进行生产过程的监测与控制。
利用协同训练的偏最小二乘算法,根据所检测到的辅助变量信息对TE过程的成分E浓度信息进行实时预测,传统偏最小二乘算法与协同训练的偏最小二乘算法的预测结果如图2所示,图3给出了它们预测值与真实值之间的绝对误差。针对预测的结果实现对于生产过程进行调节与控制,维持工况稳定并及时防止故障的发生。
表1:输入变量说明
序号 | 变量 | 序号 | 变量 |
1 | A进料(流1) | 9 | 产品分离器温度 |
2 | D进料(流2) | 10 | 产品分离器压力 |
3 | E进料(流3) | 11 | 产品分离器塔底低流量(流10) |
4 | 总进料(流4) | 12 | 汽提器压力 |
5 | 再循环流量(流8) | 13 | 汽提器温度 |
6 | 反应器进料速度(流6) | 14 | 汽提器流量 |
7 | 反应器温度 | 15 | 压缩机功率 |
8 | 排放速度(流9) | 16 | 分离器冷却水出口温度 |
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。
Claims (1)
1.一种基于协同训练偏最小二乘模型的工业过程软测量建模方法,其特征在于,包括以下步骤:
(1)利用集散控制系统以及离线检测方法,收集工业生产过程的数据组成建模用的训练样本集;对于收集到的训练样本集,一部分为既包含主导变量数据也包含辅助变量信息的样本集D∈RK×J,其中,所述D为有标签数据集,K为采样数据点个数,J为变量个数,R为实数集;另一部分为只包含辅助变量数据的样本集X∈RN×2M,其中,所述X为无标签数据集,N为采样数据点数,2M为辅助变量个数,将这些数据存入历史数据库;
(2)对于每个生产批次的有标签数据,沿着时间点方向对每一个数据矩阵进行排列,得到新的数据矩阵,并对其进行预处理和归一化,即使得各个过程变量的均值为零,方差为1,得到新的数据矩阵集为
(3)基于得到的二维数据矩阵按照主导变量和辅助变量分类标准,选取其中的主导变量作为预测目标因变量集选取其中的辅助变量作为自变量集则该二维数据矩阵可以重新描述为:
(4)对于有标签数据集,对其自变量集进行均分,前一半自变量作为第一自变量视图:后一半自变量作为第二自变量视图:得到两组新的有标签数据集以及并按照同样的变量拆分方法对于无标签数据进行拆分,得到两组新的无标签数据集和
(5)首先,利用建立初始的模型PLS1,利用建立初始的模型PLS2,然后,不断迭代使用无标签数据更新模型训练数据,该步骤具体为:
先对建立初始的模型PLS1:对X和Y进行中心化,即使各个变量的均值为0,方差为1,得到一组新的数据E0,F0,并记录其均值与方差分别为Mx,Sx,My,Sy;然后,分别提取两变量组的第一对成分,使之相关性最大:
假设从两组变量分别提出第一对成分为t1和u1,其中t1是自变量集X的线性组合,u1是因变量集Y的线性组合,由E0,F0计算第一对成分的得分向量,记为和则有:
第一对成分t1和u1的协方差可以用第一对成分的得分向量和的内积来计算,故而有:
此时,只需要计算M×M矩阵的最大特征值及其对应的特征向量,且的最大特征值即为θ1的平方,相应的单位特征向量即为所求解的w1,而v1可以由得到;接下来,建立y1,y2…yL对于和x1,x2…xM对于的回归:
其中,
记则残差矩阵为如果残差矩阵F1中元素的绝对值近似为0,则认为用第一个成分建立的回归式精度已经满足要求了,可以停止抽取成分,否则则用残差矩阵E1,F1代替E0,F0重复进行上述步骤即可;
假设最终共提取了r个成分,则有:
此时,得出Y的预测结果为Y=t1β1+…+trβr,将tk=wk1x1+…+wkMxM,k=1,2…r代入得到L个因变量的偏最小二乘回归方程式:
yj=bj1x1+…+bjMxM,j=1,2…,L
记回归系数矩阵为此时,记此模型在原有的训练集上的均方误差为RMSEorig;
对于无标签数据集,对于每个样本点SULa,att1:xatt1,i,i=1,2…N,利用Mx,Sx对其进行标准化,即由得到一组新的数据集将此N个样本点逐个添加到PLS1的训练集中去,每次可以训练得到一个新的PLS1模型,每个新的PLS1模型在原有的训练集上都可以得到一个新的均方误差RMSE,分别记为RMSEi,i=1,2…N;分别计算这N个均方误差RMSE与RMSEorig的差值:RMSEdif,i=RMSEorig-RMSEi,i=1,2…N,若所有RMSEdif,i均小于0,则认为已经达到终止条件,停止迭代,否则,取使得RMSEdif,i最大的新加标签样本作为置信度最高的样本,亦即yj=xj×BT,将样本xj对应的第二视图信息及其预测值yj作为新的有标签样本(xatt2,j,yj)添加到PLS2的训练集中去,更新PLS2的训练集,并从无标签数据集中剔除样本点xj;
(6)将建模数据和各个模型参数存入历史数据库和实时数据库中备用;
(7)收集新的过程数据,并对其进行预处理和归一化;
(8)采用基于协同训练算法的偏最小二乘方法对工业过程的变量进行预测,实现过程监控与控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510266557.4A CN104914723B (zh) | 2015-05-22 | 2015-05-22 | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510266557.4A CN104914723B (zh) | 2015-05-22 | 2015-05-22 | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104914723A CN104914723A (zh) | 2015-09-16 |
CN104914723B true CN104914723B (zh) | 2018-10-16 |
Family
ID=54083894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510266557.4A Expired - Fee Related CN104914723B (zh) | 2015-05-22 | 2015-05-22 | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104914723B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105425583B (zh) * | 2015-11-05 | 2017-12-12 | 浙江大学 | 基于协同训练lwpls的青霉素生产过程的控制方法 |
CN106599494B (zh) * | 2016-12-07 | 2019-08-16 | 宁波大学 | 基于多重动态plsr模型的产品质量软测量方法 |
CN106897774B (zh) * | 2017-01-25 | 2019-01-18 | 浙江大学 | 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法 |
CN107463994A (zh) * | 2017-07-07 | 2017-12-12 | 浙江大学 | 基于协同训练极限学习机模型的半监督软测量方法 |
CN111448467B (zh) * | 2017-07-24 | 2023-04-14 | 罗伯特·博世有限公司 | 用于对电池容量进行建模和估计的方法及系统 |
CN107451102B (zh) * | 2017-07-28 | 2020-06-30 | 江南大学 | 一种基于改进自训练算法的半监督高斯过程回归软测量建模对脱丁烷塔底丁烷浓度进行预测的方法 |
CN108108843A (zh) * | 2017-12-22 | 2018-06-01 | 冶金自动化研究设计院 | 一种基于标签数据在线迭代计算的工业数据优化系统 |
CN108334943A (zh) * | 2018-01-03 | 2018-07-27 | 浙江大学 | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 |
CN108764295B (zh) * | 2018-04-28 | 2021-05-28 | 江南大学 | 一种基于半监督集成学习的软测量建模对脱丁烷塔底丁烷浓度进行预测的方法 |
CN108734207B (zh) * | 2018-05-14 | 2021-05-28 | 江南大学 | 一种基于双优选半监督回归算法的模型对脱丁烷塔底丁烷浓度进行预测的方法 |
CN109490156B (zh) * | 2018-11-29 | 2021-04-02 | 北京康仁堂药业有限公司 | 定量预测中药配方颗粒混合过程终点时间的方法 |
CN114842000A (zh) * | 2022-07-01 | 2022-08-02 | 杭州同花顺数据开发有限公司 | 一种内窥镜图像质量评估方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389360A (zh) * | 2013-07-15 | 2013-11-13 | 浙江大学 | 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法 |
CN103455635A (zh) * | 2013-09-24 | 2013-12-18 | 华北电力大学 | 基于最小二乘支持向量机集成的热工过程软测量建模方法 |
CN103927412A (zh) * | 2014-04-01 | 2014-07-16 | 浙江大学 | 基于高斯混合模型的即时学习脱丁烷塔软测量建模方法 |
-
2015
- 2015-05-22 CN CN201510266557.4A patent/CN104914723B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389360A (zh) * | 2013-07-15 | 2013-11-13 | 浙江大学 | 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法 |
CN103455635A (zh) * | 2013-09-24 | 2013-12-18 | 华北电力大学 | 基于最小二乘支持向量机集成的热工过程软测量建模方法 |
CN103927412A (zh) * | 2014-04-01 | 2014-07-16 | 浙江大学 | 基于高斯混合模型的即时学习脱丁烷塔软测量建模方法 |
Non-Patent Citations (2)
Title |
---|
偏最小二乘回归理论的研究及软测量应用;李喜;《中国优秀硕士学位论文全文数据库 信息科技辑》;20080515(第05期);第I140-243页 * |
半监督协同训练算法的研究;兰霞;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120515(第05期);第I140-168页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104914723A (zh) | 2015-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104914723B (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
CN108897286B (zh) | 一种基于分散式非线性动态关系模型的故障检测方法 | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN108803520B (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
CN110619360A (zh) | 一种考虑历史样本相似性的超短期风功率预测方法 | |
CN107505837A (zh) | 一种半监督神经网络模型及基于该模型的软测量建模方法 | |
CN105955219A (zh) | 基于互信息的分布式动态过程故障检测方法 | |
CN111352977B (zh) | 基于自注意力双向长短期记忆网络的时序数据监测方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN105425583B (zh) | 基于协同训练lwpls的青霉素生产过程的控制方法 | |
CN107403196B (zh) | 基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法 | |
CN104462850A (zh) | 基于模糊高斯混合模型的多阶段间歇过程软测量方法 | |
CN108445867B (zh) | 一种基于分散式icr模型的非高斯过程监测方法 | |
CN108520111A (zh) | 一种基于正交成分最优选择与最优回归的软测量方法 | |
CN108664009A (zh) | 基于相关分析的阶段划分和故障检测方法 | |
CN111340110A (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
Li et al. | Deep spatio-temporal wind power forecasting | |
CN110009020A (zh) | 一种基于多核主元分析模型的非线性过程监测方法 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN101673096B (zh) | 一种丹参注射液生产浓缩过程密度的软测量方法 | |
Yao et al. | Fault diagnosis based on RseNet-LSTM for industrial process | |
CN109886314B (zh) | 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181016 Termination date: 20190522 |