CN109389314B - 一种基于最优近邻成分分析的质量软测量与监测方法 - Google Patents
一种基于最优近邻成分分析的质量软测量与监测方法 Download PDFInfo
- Publication number
- CN109389314B CN109389314B CN201811220917.7A CN201811220917A CN109389314B CN 109389314 B CN109389314 B CN 109389314B CN 201811220917 A CN201811220917 A CN 201811220917A CN 109389314 B CN109389314 B CN 109389314B
- Authority
- CN
- China
- Prior art keywords
- vector
- matrix
- gamma
- quality
- soft measurement
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于最优近邻成分分析的质量软测量与监测方法,旨在解决如何从保证全局最优的角度优选出与各个质量指标相关的输入特征变量,并基于此建立相应的质量指标软测量与监测模型。本发明方法考虑了各个质量指标会对应不同的输入特征变量的问题,通过穷举输入变量所有的可能组合形式,再根据近邻成分分析算法的目标函数值来确定各个质量指标所对应的最优输入特征变量。本发明方法利用优选后的输入变量为各个质量指标建立软测量模型,并利用软测量模型的估计值实时监测产品质量的状况,本发明方法可以说能较好地解决与产品质量相关的软测量与监测问题。
Description
技术领域
本发明涉及一种软测量与监测方法,特别涉及一种基于最优近邻成分分析的质量软测量与监测方法。
背景技术
在整个综合自动化系统中,实时监测产品质量的系统占有着很重要的地位,产品的质量是过程运行时主要考虑的因素。随着科学技术的飞速发展,虽然诸如温度、压力、流量等信息的测量仪表在现代工业过程中得到了广泛的应用,但是直接测量产品质量指标的在线分析仪价格依旧高昂,而且后期维护成本很高。以产品的浓度这个质量指标为例,测量浓度成分的在线分析仪价格就是普通测量温度、压力等仪表的十几倍,而且后期还需人工定期维护。若因成本原因不采用在线分析仪实时获取质量数据,可通过离线采样分析的手段获取产品质量数据。但是,离线测量的产品质量数据存在较大延时,不能为实时监测质量信息提供时间上的保障。
在这个背景下,软测量技术就应运而生,通过建立过程测量数据与产品质量数据之间的输入-输出关系模型,从而可实现对产品质量的软测量。建立软测量模型的方法有很多种,如偏最小二乘回归、神经网络、支持向量回归等等。这其中,偏最小二乘回归及其相应的衍生算法是最基本也是最常用的软测量实施技术手段。然而,过程测量数据中并非所有测量变量对预测产品质量是有作用的,而且某些测量变量的异常变化不会对质量造成影响。因此,有效地挖掘出与质量指标相关的测量变量,对于后续建立软测量与监测模型是有积极作用的。在目前的科研文献与专利中,存在一些变量选择或特征选择的方法。以偏最小二乘回归算法为例,有通过相关性确定与质量相关联的输入变量,也有通过遗传算法优选出最佳的输入特征变量用于构建回归模型。通过相关性虽能找出与输出质量指标相关的输入变量,但是无法从提升回归模型预测精度的角度选择输入变量。利用遗传算法优选出输入变量虽能提升回归模型的精度,但是遗传算法有个总所周知的问题,即容易陷入局部最优。可以说,质量软测量与质量相关的监测问题还值得进一步的研究。
近年来,有学者提出近邻成分分析(Neighborhood Component Analysis,NCA)算法,可适用于分类问题与回归问题的输入变量选择。NCA算法的求解过程实际为一个优化过程,经典NCA的优化过程是通过牛顿法来实施的,是否会陷入局部极小跟初始值的选取有很大关系。此外,虽然现有专利文献中有使用粒子群算法或差分进化算法来优化求解NCA算法,但是这些智能优化算法无可避免地同样会陷入局部极小问题。可以说,利用NCA算法为输入找出的特征变量不是最优的,可能会出现遗漏或者多选的情况发生。这对于建立软测量模型以及与质量相关的故障监测模型是很不利的。此外,不同的质量指标会与不同的输入变量相关联,在实施输入变量特征选择时需要考虑到各质量变量之间的差异性,而不能直接为所有的质量指标优选出相同的输入特征变量。
发明内容
本发明所要解决的主要技术问题是:如何从保证全局最优的角度最优地选择出与各个质量指标相关的输入特征变量,并基于此建立相应的质量指标软测量与故障监测模型。
本发明方法解决上述问题所采用的技术方案为:一种基于最优近邻成分分析的质量软测量与监测方法,包括以下步骤:
(1):从生产过程对象的历史数据库中找出能反映产品质量的指标所对应的数据组成输出矩阵Y∈Rn×k,与输出Y相对应的采样数据组成输入矩阵X∈Rn×m,其中,n为训练样本数,m为过程测量变量数,k为质量指标数,R为实数集,Rn×m表示n×m维的实数矩阵。
(2):计算输出矩阵Y中各列向量的均值μ1,μ2,…,μk与标准差δ1,δ2,…,δk后,按照公式对Y中各行向量实施标准化处理得到输出矩阵其中行向量y与分别表示矩阵Y与中的各个行向量,输出均值向量μ=[μ1,μ2,…,μk]、输出标准差对角矩阵中对角线上的元素为δ1,δ2,…,δk。
Dw(xi,xj)=||(xi-xj)diag(wc)|| (2)
上式中,i=1,2,…,n,j=1,2,…,n,diag(wc)表示将向量wc转变为一个对角矩阵,符号|| ||表示计算向量的长度。
(6):根据如下所示公式计算向量xi与向量xj相近的概率pij:
(7):根据如下所示公式计算向量xi将向量xj所对应的输出值zγ,j作为估计输出的概率误差pi:
上式中,zγ,i与zγ,j分别为向量zγ中的第i个元素与第j个元素。
(8):根据公式Jc=p1+p2+…+pn计算在当前向量wc条件下的近邻成分分析目标函数值Jc后,判断是否满足条件:c<C?其中C=2m-1+2m-2+…+20,若是,则置c=c+1与b=b+1后返回步骤(4);若否,则得到输入变量所有组合形式所对应的近邻成分分析目标函数值J1,J2,…,JC。
(9):找出J1,J2,…,JC中的最小值,并确定出该最小值所对应的向量wc,那么与第γ个输出质量指标相关的最优输入变量即为该向量wc中元素1所对应的变量,并将其记录为输入特征变量集合Θγ。
本发明方法的离线建模阶段包括上述步骤(1)至步骤(13),当过程对象测量到新的样本数据时,即开始实施如下所示的在线软测量与监测。
(18):根据如下所示公式计算与质量指标的监测统计量D:
D=φΞ-1φT (5)
(19):若D≤Dlim,则当前采样时刻质量指标未出现异常,返回步骤(14)继续实施对下一个采样时刻的质量指标软测量与监测;若D>Dlim,则过程对象运行出现了与质量相关的故障。
与现有软测量与监测方法相比,本发明方法的优点在于:
首先,本发明方法考虑到了各个质量指标的差异性,为各个质量指标单独的优选出输入特征变量。其次,本发明方法通过穷举输入变量所有的可能组合形式,再根据近邻成分分析算法的目标函数值来确定最优的输入特征变量,绝对能保证与质量指标相关的输入变量的全局最优性,避免了局部最优的问题。再者,本发明方法利用优选后的输入变量为各个质量指标建立软测量模型,能剔除与质量指标不相关测量数据的干扰影响。由于本发明方法不仅实施了对质量指标的软测量,而且还能依据软测量值实施对质量指标的实时监测,本发明方法可以说能较好地解决与产品质量相关的软测量与监测问题。
附图说明
图1为本发明方法的实施流程示意图。
图2为本发明方法中最优近邻成分分析算法的实施流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示,本发明公开了一种基于最优近邻成分分析的质量软测量与监测方法,该方法的具体实施方式如下所示。
首先,离线建模阶段包括如下所示步骤(1)至步骤(13)。
步骤(1):从生产过程对象的历史数据库中找出能反映产品质量的指标所对应的数据组成输出矩阵Y∈Rn×k,与输出Y相对应的采样数据组成输入矩阵X∈Rn×m。
步骤(2):计算输出矩阵Y中各列向量的均值μ1,μ2,…,μk与标准差δ1,δ2,…,δk后,按照公式对Y中各行向量实施标准化处理得到输出矩阵其中行向量y与分别表示矩阵Y与中的各个行向量,输出均值向量μ=[μ1,μ2,…,μk]、输出标准差对角矩阵中对角线上的元素为δ1,δ2,…,δk;
接下来需要利用最优近邻成分分析算法优选出与各个质量指标相关的输入特征变量,相应的实施流程如图2所示,包括如下所示步骤(4)至步骤(9)。
Dw(xi,xj)=||(xi-xj)diag(wc)|| (7)
步骤(6):根据如下所示公式计算向量xi与向量xj相近的概率pij:
步骤(7):根据如下所示公式计算向量xi将向量xj所对应的输出值zγ,j作为估计输出的概率误差pi:
上式中,zγ,i与zγ,j分别为向量zγ中的第i个元素与第j个元素。
步骤(8):根据公式Jc=p1+p2+…+pn计算在当前向量wc条件下的近邻成分分析目标函数值Jc后,判断是否满足条件:c<C?其中C=2m-1+2m-2+…+20,若是,则置c=c+1与b=b+1后返回步骤(4);若否,则得到输入变量所有组合形式所对应的近邻成分分析目标函数值J1,J2,…,JC。
步骤(9):找出J1,J2,…,JC中的最小值,并确定出该最小值所对应的向量wc,那么与第γ个输出质量指标相关的最优输入变量即为该向量wc中元素1所对应的变量,并将其记录为输入特征变量集合Θγ。
其次,离线建模阶段完成后,当过程对象测量到新的样本数据时,即开始实施如下所示的在线质量指标预测与监测,包括如下所示步骤(14)至步骤(19)。
其次,离线建模阶段完成后,实施如下所示步骤(14)至步骤(19)的在线质量指标的软测量与监测。
步骤(18):根据如下所示公式计算与质量指标的监测统计量D:
D=φΞ-1φT (5)
步骤(19):若D≤Dlim,则当前采样时刻质量指标未出现异常,返回步骤(14)继续实施对下一个采样时刻的质量指标软测量与监测;若D>Dlim,则过程对象运行出现了与质量相关的故障。
Claims (1)
1.一种基于最优近邻成分分析的质量软测量与监测方法,其特征在于,包括以下步骤:
首先,离线建模阶段包括如下所示步骤(1)至步骤(13);
步骤(1):从生产过程对象的历史数据库中找出能反映产品质量的指标所对应的数据组成输出矩阵Y∈Rn×k,与输出Y相对应的采样数据组成输入矩阵X∈Rn×m,其中,n为训练样本数,m为过程测量变量数,k为质量指标数,R为实数集,Rn×m表示n×m维的实数矩阵;
步骤(2):计算输出矩阵Y中各列向量的均值μ1,μ2,…,μk与标准差δ1,δ2,…,δk后,按照公式对Y中各行向量实施标准化处理得到输出矩阵其中行向量y与分别表示矩阵Y与中的各个行向量,输出均值向量μ=[μ1,μ2,…,μk]、输出标准差对角矩阵中对角线上的元素为δ1,δ2,…,δk;
Dw(xi,xj)=||(xi-xj)diag(wc)|| (2)
上式中,i=1,2,…,n,j=1,2,…,n,diag(wc)表示将向量wc转变为一个对角矩阵,符号|| ||表示计算向量的长度;
步骤(6):根据如下所示公式计算向量xi与向量xj相近的概率pij:
步骤(7):根据如下所示公式计算向量xi将向量xj所对应的输出值zγ,j作为估计输出的概率误差pi:
上式中,zγ,i与zγ,j分别为向量zγ中的第i个元素与第j个元素;
步骤(8):根据公式Jc=p1+p2+…+pn计算在当前向量wc条件下的近邻成分分析目标函数值Jc后,判断c是否小于C;其中C=2m-1+2m-2+…+20,若是,则置c=c+1与b=b+1后返回步骤(5);若否,则得到输入变量所有组合形式所对应的近邻成分分析目标函数值J1,J2,…,JC;
步骤(9):找出J1,J2,…,JC中的最小值,并确定出该最小值所对应的向量wc,那么与第γ个输出质量指标相关的最优输入变量即为该向量wc中元素1所对应的变量,并将其记录为输入特征变量集合Θγ;
步骤(11):建立输入相关矩阵与第γ个质量指标zγ之间的软测量模型:其中fγ( )表示软测量模型拟合出的函数关系,Eγ为预测误差,根据应用对象的不同,可用算法有偏最小二乘回归、神经网络、支持向量回归;
其次,离线建模阶段完成后,实施如下所示步骤(14)至步骤(19)的在线质量指标的软测量与监测;
步骤(18):根据如下所示公式计算与质量指标的监测统计量D:
D=φΞ-1φT (5)
步骤(19):若D≤Dlim,则当前采样时刻质量指标未出现异常,返回步骤(14)继续实施对下一个采样时刻的质量指标软测量与监测;若D>Dlim,则过程对象运行出现了与质量相关的故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811220917.7A CN109389314B (zh) | 2018-10-09 | 2018-10-09 | 一种基于最优近邻成分分析的质量软测量与监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811220917.7A CN109389314B (zh) | 2018-10-09 | 2018-10-09 | 一种基于最优近邻成分分析的质量软测量与监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389314A CN109389314A (zh) | 2019-02-26 |
CN109389314B true CN109389314B (zh) | 2021-09-10 |
Family
ID=65427561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811220917.7A Active CN109389314B (zh) | 2018-10-09 | 2018-10-09 | 一种基于最优近邻成分分析的质量软测量与监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389314B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110442991B (zh) * | 2019-08-12 | 2021-05-04 | 江南大学 | 一种基于参数化fir模型的动态硫回收软测量建模方法 |
CN110689961B (zh) * | 2019-09-03 | 2022-12-09 | 重庆大学 | 一种基于大数据分析技术的胃癌疾病风险检测装置 |
CN110751988A (zh) * | 2019-10-17 | 2020-02-04 | 北京化工大学 | 一种石脑油裂解制乙烯的在线监测系统 |
CN110991247B (zh) * | 2019-10-31 | 2023-08-11 | 厦门思泰克智能科技股份有限公司 | 一种基于深度学习与nca融合的电子元器件识别方法 |
CN110929809B (zh) * | 2019-12-14 | 2023-05-02 | 北京工业大学 | 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 |
CN113191616B (zh) * | 2021-04-18 | 2023-01-24 | 宁波大学科学技术学院 | 一种基于双层相关特征分析的聚丙烯产品质量异常检测方法 |
CN116028757B (zh) * | 2023-03-29 | 2023-07-21 | 中国测试技术研究院 | 一种基于多源信息融合的最优软测量模型生成方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7590581B1 (en) * | 2003-06-16 | 2009-09-15 | Genesis Financial Products, Inc. | Computer based system for pricing an index-offset deposit product |
KR20120094896A (ko) * | 2009-07-06 | 2012-08-27 | 몰리코프 미네랄스, 엘엘씨 | 상처 드레싱에서 항균 장벽 및 살균제로 이용되는 세리아 |
CN108520111B (zh) * | 2018-03-06 | 2021-11-30 | 宁波大学 | 一种基于正交成分最优选择与最优回归的软测量方法 |
CN108345284B (zh) * | 2018-03-06 | 2020-06-16 | 宁波大学 | 一种基于两变量块的质量相关故障检测方法 |
CN108469805B (zh) * | 2018-03-06 | 2020-10-23 | 宁波大学 | 一种基于动态性最优选择的分散式动态过程监测方法 |
-
2018
- 2018-10-09 CN CN201811220917.7A patent/CN109389314B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109389314A (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389314B (zh) | 一种基于最优近邻成分分析的质量软测量与监测方法 | |
CN110303380B (zh) | 一种数控机床刀具剩余寿命预测方法 | |
CN109884892B (zh) | 基于交叉相关时滞灰色关联分析的流程工业系统预测模型 | |
CN109992921B (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
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 | |
CN106644162B (zh) | 基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法 | |
CN101863088B (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
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 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN108345284B (zh) | 一种基于两变量块的质量相关故障检测方法 | |
JP4911055B2 (ja) | バッチプロセスデータの解析装置およびそれを用いた異常検出/品質推定装置 | |
CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN109947076B (zh) | 一种基于贝叶斯信息准则的工业过程故障诊断方法 | |
CN110569566B (zh) | 一种板带力学性能预测方法 | |
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 | |
CN108508865A (zh) | 一种基于分散式osc-pls回归模型的故障检测方法 | |
CN114528764B (zh) | 基于整体优化的即时学习的软测量建模方法及装置 | |
CN113012766A (zh) | 一种基于在线选择性集成的自适应软测量建模方法 | |
CN107168063A (zh) | 基于集成变量选择型偏最小二乘回归的软测量方法 | |
CN113094893A (zh) | 晶圆品质虚拟测量方法、装置、计算机设备和存储介质 | |
CN114004044A (zh) | 基于温度敏感点的机床主轴热误差快速辨识方法 | |
CN114626304B (zh) | 一种矿浆铜品位在线预测软测量建模方法 | |
CN110033175B (zh) | 一种基于集成多核偏最小二乘回归模型的软测量方法 | |
CN108827905B (zh) | 一种基于局部加权Lasso的近红外模型在线更新方法 | |
CN116821695A (zh) | 一种半监督神经网络软测量建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |