CN110263488A - 一种基于集成即时学习的工业混炼胶门尼粘度软测量方法 - Google Patents

Abstract

本发明涉及一种基于集成即时学习的工业混炼胶门尼粘度软测量方法，用于工业混炼胶过程中门尼粘度的在线预测。本发明以高斯过程回归(GPR)为局部建模技术，结合相似度扰动和输入样本的多模态扰动策略激发即时学习的多样性，然后基于进化多目标优化构建满足多样性和准确性的即时学习基模型，最后，通过引入有限混合机制的自适应集成策略实现即时学习基模型的融合并得到最终门尼粘度预测值。本发明克服了混炼胶过程中门尼粘度值获取滞后导致成本增加、产品质量难以提高的问题，实现了门尼粘度的高精度在线实时获取。

Description

一种基于集成即时学习的工业混炼胶门尼粘度软测量方法

技术领域

本发明涉及一种间歇过程软测量建模和应用领域，特别涉及一种基于集成即时学习的工业混炼胶门尼粘度软测量方法。

背景技术

橡胶和轮胎工业在国民经济中扮演着重要角色，其中的一个关键环节是橡胶混炼。混炼胶是一个典型的间歇工业过程，实现关键参数的在线检测是过程控制及优化的必要条件，也是确保产品质量和生产过程安全运行的关键措施。在橡胶混合中，根据技术配方将各种配合剂加入生料中，并在混合器中进行复杂的化学反应以制备合成橡胶，全过程由PLC控制器完成混炼胶生产过程的控制。为了获得高质量的橡胶产品，门尼粘度是一个关键的质量指标，通常在橡胶混合过程的批次运行中门尼粘度令人不满意，将导致难以获得最佳和均匀的混合橡胶质量，在没有完成完全反应的情况下则会浪费大量原料，造成经济损失。然而，在实际橡胶混合中，门尼粘度参数的获取只能在每批胶料混合结束后通过人工分析来确定，人工分析通常需要在批次反应结束后4-6小时，而批次运行的混合过程仅持续约2-5分钟，这导致门尼粘度参数的获取存在严重滞后，产品质量难以提升。因此，近年来，软测量技术已被广泛应用于门尼粘度的实时估计，以获得高质量的橡胶产品。

长期以来，在软测量技术研究领域涌现出了大量的软测量建模方法，按学习方式可以将其划分为全局建模和局部建模。全局建模寻求建立一个单一的预测模型，并且期待在所有过程状态上获得满意的性能。但是，全局建模训练效率低，而且不能有效表征过程的局部特征，导致模型预测性能受限。局部建模技术遵循“分而治之”的思想，无论从计算效率还是对局部特征的描述能力上看，局部建模技术的优点都是毋庸置疑的。因此，局部建模技术在软测量建模领域日益受到重视。即时学习(JIT)作为一种典型的局部建模技术已成为软测量建模领域的一个研究热点。即时学习软测量建模围绕相似度函数的定义、数据库管理、新型局部建模技术的引入、与其它方法混合建模等方向展开大量研究。但是，这些传统的即时学习建模方法始终遵循单一的学习配置，即一个数据库、一种回归算法、一组输入特征、一个相似度函数、一组模型超参数，忽略了建模配置的多样性。受限于过程知识的有限性和专家知识的局限性，实际上无法获得最优的建模配置，难以获得满意的预测结果。

发明内容

本发明所要解决的主要技术问题是：本发明针对现有技术的不足，提供一种基于集成即时学习的工业混炼胶门尼粘度软测量方法(MP-EJITGPR)，以解决混炼胶过程中门尼粘度难以在线检测的问题。

本发明解决上述技术问题所采用的技术方案为：包括以下步骤：

(1)收集工业混炼胶过程中I个批次，K采样时刻，J个输入过程变量，并将其存放在一个三维矩阵中，同时在批次结束时通过离线分析获得与K采样时刻对应的门尼粘度值y作为输出，然后将三维矩阵沿批次方向展开为二维矩阵X作为输入，获得输入输出样本集Z＝{X，y}；

(2)基于Z-Score方法对输入输出样本集Z进行归一化处理，得到均值为0、方差为1的新样本集，并将新样本集划分为训练集、验证集和测试集；

(3)结合相似度扰动和输入特征扰动的多模态扰动机制激发即时学习的多样性，以GPR为局部建模技术，通过多目标优化方法选择多样性的输入变量集；

(4)对于验证集中的查询样本，根据定义的M个相似度指标分别从对应的输入变量中选择N_local个相似样本，从而建立M个满足准确性和多样性的JITGPR基模型，分别得到M组局部预测输出；

(5)采用有限混合机理对M个JITGPR基模型的局部预测输出进行集成，最终得到门尼粘度预测输出和方差。

本发明的有益效果：本发明通过多模态扰动方式充分激发即时学习基模型的多样性，通过进化多目标优化方法构建满足准确性和多样性的JITGPR基模型，最后通过有限混合机制的自适应集成(FMM)策略得到门尼粘度的最终预测输出和方差。与传统软测量方法相比，本发明能显著提升工业混炼胶过程门尼粘度的预测精度。

附图说明

图1为本发明MP-EJITGPR方法的原理图；

图2为工业混炼胶过程中MP-EJITGPR方法优化选择输入变量结果图；

图3为使用单个相似度和MP-EJITGPR模型对门尼粘度预测性能比较图；

图4为基于MP-EJITGPR方法的门尼粘度预测趋势曲线图；

具体实施方式

为使本发明的技术方案和优势更加清楚，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：一种基于集成即时学习的工业混炼胶门尼粘度软测量方法，具体实施步骤如下：

(1)收集工业混炼胶过程中I个批次，K采样时刻，J个输入过程变量，并将其存放在一个三维矩阵(I×J×K)中，同时在批次结束时通过离线分析获得与K采样时刻对应的门尼粘度值y作为输出，然后将三维矩阵(I×J×K)沿批次方向展开为二维矩阵X＝[X₁(I×J)，X₁(I×J)，…，X_K(I×J)]作为输入，获得输入输出样本集Z＝{X，y}；

(2)基于Z-Score方法对输入输出样本集Z进行归一化处理，得到均值为0、方差为1的新样本集，并将新样本集划分为训练集、验证集和测试集；

(3)结合相似度扰动和输入特征扰动的多模态扰动机制激发即时学习的多样性，以GPR为局部建模技术，通过多目标优化方法选择多样性的输入变量集；

①相似度扰动：从不同视角分别定义M个相似度函数，第M个相似度函数表示为S_M；

②输入特征扰动：构建M个子空间，每个子空间包括从训练集中随机选取的D个输入变量，第M个子空间表示为

每个子空间对应一个相似度，建立M个多样性的即时学习基模型，即

本方法中涉及到多目标优化，其定义为多目标优化的目标函数为两个或两个以上则称为多目标优化，多目标优化问题的数学描述如下：

min[f₁(x)，f₂(x)，...，f_T(x)]

其中，f_i(x)为待优化的目标函数；x为待优化的决策向量；lb和ub分别是变量x的下限和上限约束；Aeq*x＝beq是变量x的线性等式约束；A*x≤b是变量x的线性不等式约束，本方法采用进化多目标优化算法来进行目标优化，也可采用其他合适的多目标优化算法，其中进化多目标优化算法具体过程如下：

设置种群个数N_pop和迭代数N_gen利用进化多目标优化算法从每个子空间的D个输入变量中进行选择，选择出满足准确性和多样性的输入变量，优化过程涉及到决策变量、目标函数和约束条件：

①决策变量：决策变量z即每个即时学习框架下相似度对应子空间输入变量，表示为：

第M个即时学习基模型中的第D个输入变量选择表示为：

式中，表示选中该变量，表示没有选中该变量；

②目标函数：

max{f_acc(z)，f_div(z)}

式中，f_acc(z)和f_div(z)分别表示准确性和多样性目标函数；

准确性目标函数f_acc(z)定义如下：

式中，表示在验证集上第m个即时学习模型的均方根误差，RMSE_avg，val表示在验证集上M个即时学习模型的均方根误差的平均值，其值越小模型精度越高；

验证集中第i个样本在第M个即时学习基模型上的预测输出用向量表示，在M个基模型的预测输出则表示为多样性目标函数f_div(z)定义如下：

其中，N_val是验证集中的样本数，σ_val，i是的标准差，σ_avg，val为所有标准差的平均值，其值越大基模型间的差异性越大即多样性越大；

将max{f_acc(z)，f_div(z)}的最大化优化问题转化为最小化优化问题，描述为min{RMSE_avg，val，1/σ_avg，val}；

③约束条件：无约束条件。

(4)对于验证集中的查询样本，根据定义的M个相似度指标分别从对应的输入变量中选择N_local个相似样本，从而建立M个满足准确性和多样性的JITGPR基模型，分别得到M组局部预测输出；

S1、根据M个相似度函数，计算测试集中任意的查询样本x_new和步骤(3)中选择出的输入变量间的相似度ω_i；本实施例中选择如下的相似度，实际应用中可以根据需要选择不同的相似度函数。

欧氏距离相似度：

d_i＝||x_i-x_new||

式中，σ是d_i的标准差(i＝1，，2，...，n)，是一个局部化参数。

Cosine角度相似度：

式中，cos_i表示两个向量夹角的余弦值。

加权欧氏距离相似度：

式中，H为权值矩阵，X和y分别表示输入输出矩阵。

相关系数：

式中，Cov(·，·)和Var(·)分别计算协方差和方差。

S2、根据相似度ω_i从大到小排列，从输入变量中选择位于前N_loca1个的相似样本，基于GPR算法建立JITGPR基模型，第m个JITGPR基模型表示为JITGPR_m，其局部预测输出和方差计算如下：

其中，和Var(y_m，new)分别表示y_m，new的均值和方差算子，y_m，new表示x_new在JITGPR_m上的预测输出，k_m，new＝[C(x_new，x₁)，…，C(x_new，x_n)]^T为x_new与步骤(3)中选择出的输入变量(x₁，...，x_n)之间的n×1阶协方差矩阵，n为输入变量的数量，y_m为输入变量对应的输出，为n×n的对称正定协方差矩阵的逆矩阵；C(x_new，x_new)为查询点x_new自身的协方差。

(5)采用有限混合机理对M个JITGPR基模型的局部预测输出进行集成，最终得到门尼粘度预测输出和方差。根据查询样本x_new从中得到的局部预测输出和方差通过自适应集成所有局部预测输出来估计目标变量的最终预测输出和方差计算如下：

式中，ω_m，new表示满足下面约束条件的混合权重：

假定混合权重与每个JITGPR模型预测方差成反比，则ω_m，new估算如下：

其中，p表示调节参数。

实施例2：以下结合华东一家轮胎生产企业的具体工业混炼胶过程实例来说明MP-EJITGPR方法对门尼粘度预测的有效性和准确性。工业混炼胶生产过程是一个典型的多时段、非线性间歇过程，根据技术配方将各种配合剂加入生料中，并在混合器中进行复杂的化学反应以制备合成橡胶，全过程由PLC控制器完成混炼胶生产过程的控制。在反应过程中，门尼粘度是一个十分重要的关键指标，为了控制产品质量和生产效率，通过构建软测量模型对门尼粘度进行在线预测。

如表1所示给出了针对关键质量变量门尼粘度选择的5个辅助变量，并且将时刻0s，14s，18s，...，118s对应的过程变量作为输入变量，共计获得140个输入变量。

表1输入变量表

输入变量	变量描述
		x<sub>1</sub>	混合室温度
x<sub>2</sub>	电机功率
		x<sub>3</sub>	冲击压力
x<sub>4</sub>	电机转速
		x<sub>5</sub>	能量

分别从三个橡胶混合器中收集建模数据，共计1172批次。其中，822批作为训练集，175批作为验证集，175批作为测试集。在使用单个相似度方法JITGPR和基于多模态扰动的集成即时学习高斯过程回归(MP-EJITGPR)建模方法中，局部建模样本数N_local＝50，局部化参数调节参数p＝10，使用NSGA-II算法优化，设置种群数N_pop＝100，迭代数N_gen＝100。

表2为不同建模方法对门尼粘度的预测结果比较，即使用单个相似度建立的即时学习高斯过程回归软测量建模方法JITGPR，与本发明的基于多模态扰动的集成即时学习软测量建模方法MP-EJITGPR相比较，使用均方根误差RMSE、相对均方根误差RRMSE和决定系数R²作为模型性能评价指标：

其中，N_test为测试样本数目，y_i和分别为输出的估计值、实际值及实际值的均值。RMSE和RRMSE越小，R²越大表示模型对门尼粘度的预测性能越好。

表2可以看出，使用不同相似度建立的即时学习高斯过程回归模型JITGPR，其预测结果之间存在差异，而本发明基于多模态扰动的集成即时学习软测量建模方法(MP-EJITGPR)性能显著优于JITGPR。

表2不同建模方法对门尼粘度的预测结果比较

方法	RMSE	RRMSE(％)	R<sup>2</sup>
				JITGPR(欧式距离相似度)	3.1561	4.2700	0.9630
JITGPR(Cosine角度相似度)	3.2053	4.3494	0.9618
				JITGPR(加权欧式距离相似度)	3.6552	5.2370	0.9503
JITGPR(相关系数)	3.2029	4.3313	0.9618
				MP-EJITGPR	2.9202	3.9085	0.9683

从图2可以看到不同相似度使用NSGA-II算法优化选择的输入样本大不相同。图3为使用单个相似度和MP-EJITGPR模型对门尼粘度预测性能比较图，可以看出随着建模样本的增加，使用不同相似度所建模型间性能有所差异，而MP-EJITGPR方法却始终优于单个相似度建立的即时学习模型。图4为基于MP-EJITGPR方法的门尼粘度预测趋势曲线图，可以清楚看出门尼粘度的预测值与实际值之间高度吻合，这主要得益于多模态扰动策略激发即时学习模型的多样性；进化多目标优化获得满足准确性和多样性的即时学习基模型；自适应集成方法的引入。相比于传统的使用单一相似度建模方法，本发明能有效提升即工业混炼胶过程中门尼粘度的预测精度。

以上说述，仅是本发明具体的一个实施方式，但本发明的保护范围并不仅限于此，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出同等替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于集成即时学习的工业混炼胶门尼粘度软测量方法，其特征在于，包括以下步骤：

(1)收集工业混炼胶过程中I个批次，K采样时刻，J个输入过程变量，并将其存放在一个三维矩阵中，同时在批次结束时通过离线分析获得与K采样时刻对应的门尼粘度值y作为输出，然后将三维矩阵沿批次方向展开为二维矩阵X作为输入，获得输入输出样本集Z＝{X，y}；

(2)基于Z-Score方法对输入输出样本集Z进行归一化处理，得到均值为0、方差为1的新样本集，并将新样本集划分为训练集、验证集和测试集；

(3)结合相似度扰动和输入特征扰动的多模态扰动机制激发即时学习的多样性，以GPR为局部建模技术，通过多目标优化方法选择多样性的输入变量集；

(4)对于验证集中的查询样本，根据定义的M个相似度指标分别从对应的输入变量中选择N_local个相似样本，从而建立M个满足准确性和多样性的JITGPR基模型，分别得到M组局部预测输出；

(5)采用有限混合机理对M个JITGPR基模型的局部预测输出进行集成，最终得到门尼粘度预测输出和方差。

2.根据权利要求1所述的一种基于集成即时学习的工业混炼胶门尼粘度软测量方法，其特征在于，所述步骤(3)中的多模态扰动机制包括相似度扰动和输入特征扰动，具体为：

①相似度扰动：从不同视角分别定义M个相似度函数，第M个相似度函数表示为S_M；

②输入特征扰动：构建M个子空间，每个子空间包括从训练集中随机选取的D个输入变量，第M个子空间表示为

每个子空间对应一个相似度，建立M个多样性的即时学习基模型，即

设置种群个数N_pop和迭代数N_gen利用进化多目标优化算法从每个子空间的D个输入变量中进行选择，选择出满足准确性和多样性的输入变量，优化过程涉及到决策变量、目标函数和约束条件：

①决策变量：决策变量z即每个即时学习框架下相似度对应子空间输入变量，表示为：

第M个即时学习基模型中的第D个输入变量选择表示为：

式中，表示选中该变量，表示没有选中该变量；

②目标函数：

max{f_acc(z)，f_div(z)}

式中，f_acc(z)和f_div(z)分别表示准确性和多样性目标函数；

准确性目标函数f_acc(z)定义如下：

式中，表示在验证集上第m个即时学习模型的均方根误差，RMSE_avg，val表示在验证集上M个即时学习模型的均方根误差的平均值，其值越小模型精度越高；

验证集中第i个样本在第M个即时学习基模型上的预测输出用向量表示，在M个基模型的预测输出则表示为多样性目标函数f_div(z)定义如下：

其中，N_val是验证集中的样本数，σ_val，i是的标准差，σ_avg，val为所有标准差的平均值，其值越大基模型间的差异性越大即多样性越大；

将max{f_acc(z)，f_div(z)}的最大化优化问题转化为最小化优化问题，描述为min{RMSE_avg，val，1/σ_avg，val}；

③约束条件：无约束条件。

3.根据权利要求1所述的一种基于集成即时学习的工业混炼胶门尼粘度软测量方法，其特征在于，所述步骤(4)的具体过程为：

S1、根据M个相似度函数，计算测试集中任意的查询样本x_new和步骤(3)中选择出的输入变量间的相似度ω_i；

S2、根据相似度ω_i从大到小排列，从输入变量中选择位于前N_local个的相似样本，基于GPR算法建立JITGPR基模型，第m个JITGPR基模型表示为JITGPR_m，其局部预测输出和方差计算如下：

JITGPR_m：

其中，和Var(y_m，new)分别表示y_m，new的均值和方差算子，y_m，new表示x_new在JITGPR_m上的预测输出，k_m，new＝[C(x_new，x₁)，…，C(x_new，x_n)]^T为x_new与步骤(3)中选择出的输入变量(x₁，...，x_n)之间的n×1阶协方差矩阵，n为输入变量的数量，y_m为输入变量对应的输出，为n×n的对称正定协方差矩阵的逆矩阵；C(x_new，x_new)为查询点x_new自身的协方差。

4.根据权利要求1所述的一种基于集成即时学习的工业混炼胶门尼粘度软测量方法，其特征在于，步骤(5)中的具体过程如下：

通过自适应集成所有局部预测输出来估计目标变量的最终预测输出和方差计算如下：

式中，ω_m，new表示满足下面约束条件的混合权重：

假定混合权重与每个JITGPR模型预测方差成反比，则ω_m，new估算如下：

其中，p表示调节参数。