CN107464017A - 基于带时间差分贝叶斯网络的自适应软测量预测方法 - Google Patents

Abstract

本发明公开了一种基于带时间差分贝叶斯网络的自适应软测量预测方法，该方法充分发挥时间差分的优势，通过利用输入、输出变化量来建立贝叶斯网络模型，减弱工业过程漂移对模型的影响。相比于其他现存方法，本发明的最大优势在于不需定期更新模型来适应不断变化的工业过程，并且能有效解决输入或者输出发生漂移情况下模型失配的问题。当数据集存在缺失时，本发明也能给出较准确的预测结果。

Description

基于带时间差分贝叶斯网络的自适应软测量预测方法

技术领域

本发明属于工业过程控制领域，尤其涉及一种基于带时间差分贝叶斯网络的自适应软测量预测方法。

背景技术

软测量的目标是建立适当的模型，使用易于测量的过程变量预测难以测量或者测量存在大时延的质量变量。实时准确的预测出质量变量有利于控制产品质量，提高生产效率。

软测量模型一般分为机理模型和数据驱动的模型。随着计算机技术的发展，数据驱动的建模方法受到了越来越多的关注。常见的数据驱动建模方法有很多，目前使用最广泛的是主成分分析和偏最小二乘方法，这两种都是线性模型；考虑到过程的多模态特征，高斯混合模型在处理多阶段方面有很大的优势；近几年发展起来的神经网络方法用于软测量预测也取得了较好的效果。

但在实际工业过程中，由于过程的漂移、催化剂的失效等会引起模型的退化，简单地说就是原来建立的模型不再适用于现有的运行状态。

发明内容

针对现有技术中的不足，本发明提出一种带时间差分贝叶斯网络的自适应软测量预测方法，将时间差分引入贝叶斯网络，可用于消除工业过程中的漂移，且不用时刻更新模型，也能对变化的工业过程作出较准确的预测。即使在数据集存在缺失的情况下，也能获得较高的预测精度。具体技术方案如下：

一种基于带时间差分贝叶斯网络的自适应软测量预测方法，其特征在于，包括以下步骤：

步骤一：收集工业过程中的历史数据集：将易于测量的过程变量作为输入，即X＝[x₁；x₂；…；x_n]∈R^n×m，其中X的每一列代表一个过程变量，每一行代表一个样本；将不容易实时测量的质量变量作为输出，即Y＝[y₁；y₂；…y_n]∈R^n×1；

步骤二：计算训练数据集中每一样本与它前一样本的时间差分，得到输入输出变化量Δx_i,Δy_i，所述的时间差分Δx_i,Δy_i的计算公式如下：

Δx_i＝x(t)-x(t-i) (3)

Δy_i＝y(t)-y(t-i) (4)

如果此时样本的前一时刻即x(t-i)中存在某一个或几个变量的缺失，则用x(t-i)的前一时刻x(t-2i)中相应变量值代替；

步骤三：用步骤二计算得到的Δx_i,Δy_i建立贝叶斯网络模型，具体如下：

(a)根据专家知识，将所有易于测量的过程变量均作为父节点，需要预测得到的质量变量作为上述各父节点的子节点；各父节点与子节点间用一条有向边连接，箭头指向子节点，各父节点之间没有边相连，从而形成贝叶斯网络；

(b)当各节点服从高斯分布时，将所有父节点设置为可观测节点，唯一的子节点设置为隐含节点，将步骤二中计算得到的输入输出变化量Δx_i,Δy_i放入(a)中已建立的贝叶斯网络中，如果此时的建模样本中存在数据缺失现象，将缺失值置为空后，直接进行后面的参数学习；所述的参数学习过程采用EM算法，通过不断迭代给出各个节点参数的最大似然估计；当数据中存在缺失现象时，参数学习的过程大致如下：随机给定缺失数据的初值，根据给定初值估计模型参数；根据估计的模型参数重新计算缺失值，如此反复迭代直至待估计参数收敛；

(c)根据上步参数学习的结果，获得步骤(a)中各节点的先验概率分布，包括各节点的均值和方差，此时得到一个完整的贝叶斯网络；

步骤四：当新来一输入样本x_q时，计算它与上一时刻过程变量的输入变化量Δx_q，将Δx_q作为证据添加进步骤三得到的完整的贝叶斯网络中，通过联合树推理引擎获得待预测节点的后验概率分布，包括输出变化量Δy_q的均值和方差，根据公式(2)计算出y_q，并计算实际测量真值y与预测值y_q的误差。

进一步地，所述的预测误差采用均方根误差RMSE来衡量预测结果的准确性，其计算公式如下：

公式中n表示测试样本的个数，y_real代表测量的真实值，y_pred代表由贝叶斯网络得到的预测值。

本发明的有益效果是：本发明将时间差分引入贝叶斯网络，可用于消除工业过程中的漂移，且不用时刻更新模型，也能对变化的工业过程作出较准确的预测。即使在数据集存在缺失的情况下，也能获得较高的预测精度。

附图说明

图1为脱丁烷塔过程的工艺流程图；

图2为本发明方法预测丁烷含量的结果示意图；

图3为带时间差分的偏最小二乘方法预测丁烷含量的结果示意图。

具体实施方式

本发明针对工业过程中的软测量问题，首先计算训练样本中各时刻相比于前一时刻的输入输出变化量，根据变化量，建立贝叶斯网络模型。并将待预测样本的输入变化量作为证据添加进网络中，经联合树推理得到预测值和相应方差。当测量得到该时刻的真值后，计算预测误差。下面结合具体实施例对本发明的技术方案做进一步的阐述。

一种基于带时间差分贝叶斯网络的自适应软测量预测方法，其特征在于，包括以下步骤：

步骤一：收集工业过程中的历史数据集：将易于测量的过程变量作为输入，即X＝[x₁；x₂；…；x_n]∈R^n×m，其中X的每一列代表一个过程变量，每一行代表一个样本；将不容易实时测量的质量变量作为输出，即Y＝[y₁；y₂；…y_n]∈R^n×1；软测量的目的是建立适当的模型，实现每来一个新样本x_q能准确及时地预测出其对应的y_q。

步骤二：计算训练数据集中每一样本与它前一样本的时间差分，得到输入输出变化量Δx_i,Δy_i，所述的时间差分Δx_i,Δy_i的计算公式如下：

Δx_i＝x(t)-x(t-i) (5)

Δy_i＝y(t)-y(t-i) (6)

如果此时样本的前一时刻即x(t-i)中存在某一个或几个变量的缺失，则用x(t-i)的前一时刻x(t-2i)中相应变量值代替；

步骤三：用步骤二计算得到的Δx_i,Δy_i建立贝叶斯网络模型，具体如下：

(a)根据专家知识，将所有易于测量的过程变量均作为父节点，需要预测得到的质量变量作为上述各父节点的子节点；各父节点与子节点间用一条有向边连接，箭头指向子节点，各父节点之间没有边相连，从而形成贝叶斯网络；

(b)当各节点服从高斯分布时，将所有父节点设置为可观测节点，唯一的子节点设置为隐含节点，将步骤二中计算得到的输入输出变化量Δx_i,Δy_i放入(a)中已建立的贝叶斯网络中，如果此时的建模样本中存在数据缺失现象，将缺失值置为空后，直接进行后面的参数学习；所述的参数学习过程采用EM算法，通过不断迭代给出各个节点参数的最大似然估计；当数据中存在缺失现象时，参数学习的过程大致如下：随机给定缺失数据的初值，根据给定初值估计模型参数；根据估计的模型参数重新计算缺失值，如此反复迭代直至待估计参数收敛；

(c)根据上步参数学习的结果，获得步骤(a)中各节点的先验概率分布，包括各节点的均值和方差，此时得到一个完整的贝叶斯网络；

步骤四：当新来一输入样本x_q时，计算它与上一时刻过程变量的输入变化量Δx_q，将Δx_q作为证据添加步骤三得到的完整的贝叶斯网络中，通过联合树推理引擎获得待预测节点的后验概率分布，包括输出变化量Δy_q的均值和方差，根据公式(2)计算出y_q，并计算实际测量真值y与预测值y_q的误差。

所述的方差采用均方根误差RMSE衡量预测结果的准确性，其计算公式如下：

公式中n表示测试样本的个数，y_real代表测量的真实值，y_pred代表由贝叶斯网络得到的预测值。显然，均方根误差RMSE越小，表示贝叶斯网络预测的精度越高。用该指标可以定量比较各种模型的预测能力。

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。脱丁烷塔过程是一个常用的软测量建模算法验证的标准工业过程平台，它是工业炼油过程中去除石脑油气体中丙烷和丁烷的过程。图1给出了脱丁烷塔过程的工艺流程图。表1对预测质量变量丁烷含量所选的7个辅助变量。针对该过程，连续等时间间隔地采集了1480个样本，其中前1000个样本作为训练数据建模，后480个样本用作测试样本以检验模型的预测效果。用表1中的7个辅助变量作父节点、丁烷含量作子节点建立贝叶斯网络，即用前7个辅助变量预测丁烷含量。接下来结合该具体过程对本发明的实施步骤进行详细地阐述：

表1脱丁烷塔辅助变量

输入变量	变量描述
		X1	塔顶温度
X2	塔顶压力
		X3	回流量
X4	下一级流量
		X5	第6块塔板温度
X6	塔底温度
		X7	塔底压力

1.采集脱丁烷塔正常运行过程中的数据，计算1000个训练样本中各样本相比前一时刻的输入输出变化量，用各变量的变化量建立贝叶斯网络。在该贝叶斯网络中，共有8个节点，前7个为可观测的父节点，第8个节点为隐含的子节点，共有7条有向边，均为从父节点出发指向同一个子节点。当这8个节点均服从高斯分布时，用这1000个样本进行参数学习，获得这8个节点的先验概率分布。

2.新来一个输入样本x_q，计算x_q相比于前一时刻各变量的时间差分Δx_q，将变化量Δx_q作为证据添加进上步已建好的贝叶斯网络中，由联合树推理引擎求得子节点变化量的后验概率分布，由输出变化量并结合公式(2)计算得到预测值y_q。当测量得到实际真值y后，计算真值与预测值y_q的误差。

采用本发明方法预测丁烷含量的结果如图2所示，带时间差分的偏最小二乘方法预测丁烷含量的结果如图3所示，两种方法的预测精度对比如表2所示，从表2可以看出，本发明方法相比带滑动窗口的偏最小二乘方法，预测精度略高。

表2本发明方法和带时间差分的偏最小二乘方法的预测精度对比表

建模方法	预测均方根误差	预测最大误差的绝对值
			带滑动窗口的贝叶斯网络方法	0.01579	0.09783
带滑动窗口的偏最小二乘方法	0.01585	0.09946

表3给出了本发明方法在不同数据缺失率下的预测结果，可以看出即使训练样本和测试样本均存在一定程度的数据缺失，本发明方法仍然具有较高的预测精度。

表3本发明方法在不同数据缺失率下的预测结果

数据缺失率	预测均方根误差	预测最大误差的绝对值
			0.97％	0.01581	0.09865
4.59％	0.01592	0.1005
			9.98％	0.01595	0.1009
19.54％	0.01598	0.1016

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 (2)

1.一种基于带时间差分贝叶斯网络的自适应软测量预测方法，其特征在于，包括以下步骤：

步骤一：收集工业过程中的历史数据集：将易于测量的过程变量作为输入，即X＝[x₁；x₂；…；x_n]∈R^n×m，其中X的每一列代表一个过程变量，每一行代表一个样本；将不容易实时测量的质量变量作为输出，即Y＝[y₁；y₂；…y_n]∈R^n×1。

步骤二：计算训练数据集中每一样本与它前一样本的时间差分，得到输入输出变化量Δx_i,Δy_i，所述的时间差分Δx_i,Δy_i的计算公式如下：

Δx_i＝x(t)-x(t-i) (1)

Δy_i＝y(t)-y(t-i) (2)

如果此时样本的前一时刻即x(t-i)中存在某一个或几个变量的缺失，则用x(t-i)的前一时刻x(t-2i)中相应变量值代替。

步骤三：用步骤二计算得到的Δx_i,Δy_i建立贝叶斯网络模型，具体如下：

(a)根据专家知识，将所有易于测量的过程变量均作为父节点，需要预测的质量变量作为上述各父节点的子节点；各父节点与子节点间用一条有向边连接，箭头指向子节点，各父节点之间没有边相连，从而形成贝叶斯网络；

(b)当各节点服从高斯分布时，将所有父节点设置为可观测节点，唯一的子节点设置为隐含节点，将步骤二中计算得到的输入输出变化量Δx_i,Δy_i放入(a)中已建立的贝叶斯网络中，如果此时的建模样本中存在数据缺失现象，将缺失值置为空后，直接进行后面的参数学习；所述的参数学习过程采用EM算法，通过不断迭代给出各个节点参数的最大似然估计；当数据中存在缺失现象时，参数学习的过程大致如下：随机给定缺失数据的初值，根据给定初值估计模型参数；根据估计的模型参数重新计算缺失值，如此反复迭代直至待估计参数收敛；

(c)根据上步参数学习的结果，获得步骤(a)中各节点的先验概率分布，包括各节点的均值和方差，此时得到一个完整的贝叶斯网络。

步骤四：当新来一输入样本x_q时，计算它与上一时刻过程变量的输入变化量Δx_q，将Δx_q作为证据添加步骤三得到的完整的贝叶斯网络中，通过联合树推理引擎获得待预测节点的后验概率分布，包括输出变化量Δy_q的均值和方差，根据公式(2)计算出y_q，并计算实际测量真值y与预测值y_q的误差。

2.根据权利要求1所述的基于带时间差分贝叶斯网络的自适应软测量预测方法，所述的预测误差采用均方根误差RMSE来衡量预测结果的准确性，其计算公式如下：

<mrow> <mi>R</mi> <mi>M</mi> <mi>S</mi> <mi>E</mi> <mo>=</mo> <msqrt> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mrow> <mi>r</mi> <mi>e</mi> <mi>a</mi> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>y</mi> <mrow> <mi>p</mi> <mi>r</mi> <mi>e</mi> <mi>d</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> <mi>n</mi> </mfrac> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>

公式中n表示测试样本的个数，y_real代表测量的真实值，y_pred代表由贝叶斯网络得到的预测值。