本發(fā)明涉及軟測量儀表技術領域，尤其是一種基于互信息和最小二乘支持向量機相結合的軟測量方法。

背景技術：

近年來，隨著我國經濟的飛速發(fā)展，各類生產過程，如水泥、鋼鐵、電力、冶金和石油等發(fā)生了顯著的變化，以前簡單、常規(guī)的控制方法已經不能滿足現代生產工藝的要求。為了保證生產過程的平穩(wěn)運行，以及產品的優(yōu)質高產，先進控制和優(yōu)化控制紛紛被應用于現代生產過程中，但是在應用過程中首先遇到的一個難題就是許多重要的參量難以實時測量。通常，對于工業(yè)生產過程中的參量，測量方法主要有在線測量和離線測量兩種。在線測量指使用儀器直接對參量進行測量，但設備價格昂貴，維護困難，且測量結果的準確性易受到現場工況的影響。離線測量指應用離線檢驗的方法對參量進行測量，但離線檢驗往往需要幾個小時，導致離線獲得的測量結果對生產過程的指導存在較大延時性。因此，如何實時估計難測參量成為過程控制首先要解決的關鍵問題。

技術實現要素：

本發(fā)明目的在于提供一種采用互信息的方法表征變量間的關聯程度、應用最小二乘支持向量機建立軟測量模型的基于互信息和最小二乘支持向量機相結合的軟測量方法。

為實現上述目的，采用了以下技術方案：本發(fā)明所述方法包括以下步驟：

步驟1，確定候選輔助變量；

通過對工業(yè)工藝流程的分析，初步選取與難測參量相關的易測變量作為軟測量模型的候選輔助變量；

步驟2，數據采集及預處理；

通過查詢工業(yè)行業(yè)的dcs系統(tǒng)或操作員的記錄表等方法，采集候選輔助變量與難測參量的現場數據；考慮到現場數據會存在異常值和量綱不統(tǒng)一的問題，采用hempel準則對數據的異常值進行剔除，并且在訓練前對數據進行歸一化處理；

步驟3，確定時延參數；

對候選輔助變量進行相空間重構，將歷史數據加入候選輔助變量中，采用互信息的方法表征候選輔助變量與難測參量間的關聯程度，根據互信息值的大小，確定候選輔助變量相對于難測參量的時延參數；

步驟4，確定輸入變量；

在確定時延參數的基礎上，應用分步式搜索的方法對候選輔助變量進行篩選，確定軟測量模型的輸入變量；

步驟5，建立軟測量模型；

引入最小二乘支持向量機的方法對確定的輸入變量進行訓練，建立工業(yè)生產過程中難測參量的軟測量模型，實現難測參量的實時估計。

進一步的，步驟2中，所述的hempel準則如式(1)所示：

式中，xi是輸入變量中的第i個變量，x0.5為變量中值。

進一步的，步驟3中，所述的應用互信息的方法表征變量間的關聯程度如式(2)(3)所示：

設空間z＝(x,y)內共有n個可用樣本點zi＝(xi,yi),i＝1,…,n，則變量x、y之間的互信息可以表示為：

mi(x,y)＝ψ(k)-〈ψ(nx+1)+ψ(ny+1)〉+ψ(n)(2)

應用于高維變量時，(x1,x2,…,xm-1,y)之間的互信息為：

mi(x1,x2,…,xm-1,y)＝ψ(k)-〈ψ(nx1)+…+

ψ(nxm-1)+ψ(ny)〉+(m-1)ψ(n)(3)

其中：k表示將樣本點zi與其它點的距離進行排序，最近的k個點的個數；nx(i)表示與點xi的距離嚴格小于εi/2的樣本點數目，nxm-1表示與點xm-1的距離嚴格小于εi/2的樣本點數目，ny(i)表示與點yi的距離嚴格小于εi/2的樣本點數目，εi/2表示點與第k個最鄰近的距離，〈…〉表示對其中的所有變量i＝1,…,n取平均，ψ(x)為digamma函數。

進一步的，步驟3中，所述的應用互信息的方法確定時延參數，具體描述如下：

定義候選輔助變量集為x＝[x1(t),x2(t),…,xn(t)]，難測參量為y＝y(tǒng)(t)，其中n表示候選輔助變量中變量的個數，t表示取值的時間；

對每個變量xi(t)，i∈[1,n]進行相空間重構，嵌入時間延遲τ＝(η1,η2,…,ηd)，得到該變量嵌入時延后的向量為：

ti＝[xi(t-η1),xi(t-η2),…,xi(t-ηd)](4)

根據公式(2)計算不同時刻各候選輔助變量對參量的貢獻程度，當其值取最大時，對應的τ值即為該候選輔助變量的時延參數。

進一步的，步驟4的具體內容為：

分步式搜索分為兩步對輸入變量進行選取，第一步為序列前向搜索，選擇難測參量的相關變量，第二步為序列后向搜索，刪除掉相關變量中的冗余變量；將經過時序匹配的候選輔助變量定義為d＝(d1,d2,…,dn)，難測參量定義為y，設空集為h；

4-1，序列前向搜索：從候選輔助變量集d中每次選擇一個變量di,i∈[1,n]加入空集h中，使其滿足下式：

mi(h+di,y)>δ1(5)

其中，δ1為相關性閾值，得到難測參量的相關變量并定義為h＝(h1,h2,…,ha),a∈[1,n]；

4-2，序列后向搜索：每次從相關變量h中剔除一個變量hj,j∈[1,a]，使其滿足下式：

mi(h-hj,y)<δ2(6)

其中，δ2為冗余性閾值，得到軟測量模型的輸入變量。

進一步的，步驟5的具體內容為：

定義所得輸入變量為：u＝(u1,u2,…,us)，輸出變量為：y；將輸入變量帶入最小二乘支持向量機，得到非線性回歸表達式為：

式中，n為訓練樣本個數，b為偏置變量，ak為拉格朗日算子，k(u,uk)為核函數，可根據具體情況進行選取。

與現有技術相比，本發(fā)明具有如下優(yōu)點：

1、將工業(yè)生產工藝與互信息方法相結合對輸入變量進行選取，對時延參數進行確定，較好的解決了由于工業(yè)過程中普遍存在多變量、強非線性、耦合性和時滯等特點，導致軟測量模型難以建立的問題。

2、建立的工業(yè)過程難測參量軟測量模型具有良好的泛化能力，不僅可以為操作員提供指導，也為后續(xù)工業(yè)生產的智能控制提供了先決條件。

3、無須復雜的硬件設備，且價格低廉，具有更好的適用性和推廣性。

附圖說明

圖1為本發(fā)明方法的流程圖；

圖2為本發(fā)明實施例中用于水泥生料細度預測軟測量模型基于互信息方法的時延估計圖。

圖3為本發(fā)明一個實施例中用于水泥生料細度預測的軟測量模型基于互信息分步式搜索的輸入變量選擇，

圖4為本發(fā)明一個實施例中用于水泥生料細度預測的軟測量模型訓練及預測結果圖。

具體實施方式

下面結合附圖和實施例對本發(fā)明做進一步說明：

實施例1：本發(fā)明基于互信息和最小二乘支持向量機相結合的軟測量方法，應用于某水泥廠實際生產中，對水泥生料細度進行實時預測，實施方案流程如圖1所示。首先依據水泥生料粉磨工藝流程的機理分析，確定候選輔助變量；然后對候選輔助變量進行相空間重構，應用互信息的方法表征變量間的關聯程度，確定候選輔助變量與生料細度間的時延參數，在此基礎之上，采用分步式搜索的方法對候選輸入變量進行篩選，得到模型的輸入變量；最后應用lssvm的方法進行軟測量建模，實現水泥生料細度的的實時估計。

具體步驟如下：

步驟1：確定候選輔助變量

通過對水泥生料粉磨工藝流程的分析，確定影響水泥生料細度的主要因素為磨機喂料量、磨機電流、磨機入口溫度、磨機出口溫度、磨機壓差、循環(huán)提升機電流、選粉機轉速、循環(huán)風機電流，并定義為模型的候選輔助變量。

步驟2：數據采集及預處理。

從某水泥廠生產線dcs系統(tǒng)和化驗室歷史記錄中采集樣本數據124組，通過hempel準則去除其中的異常值，得到共112組，并進行歸一化處理。

步驟3：確定時延參數

設定候選輔助變量相對于生料細度的最大時延η為40min。對候選輔助變量進行相空間重構，加入40min的歷史數據，計算各時刻候選變量與生料細度的互信息值，結果如圖2所示。圖2中，最大互信息值對應的時間即為該候選輔助變量的時延參數，其中圖2(a),(b),...,(h)分別對應各個候選輔助變量：磨機喂料量、磨機電流、磨機入口溫度、磨機出口溫度、磨機壓差、循環(huán)提升機電流、選粉機轉速、循環(huán)風機電流。

選擇最大互信息值對應的η即為該候選輔助變量的時延參數，得到各個候選輔助變量的時延參數如表1所示。

表1各個候選輔助變量和時延

步驟4：確定輸入變量

應用互信息的方法表征候選輔助變量與生料細度間的關聯程度，然后應用分步式搜索的方法對候選輔助變量進行篩選，得到軟測量模型的輸入變量。第一步，序列前向搜索：如圖3所示，其中，圖3(a)表示序列前向搜索的結果，圖3(b)表示序列后向搜索的結果。如圖3(a)所示，橫坐標表示依次加入的候選輸入變量，縱坐標表示與生料細度的互信息值，設定相關性閾值δ1＝0.4，選擇出符合標準的變量，去除掉的候選輔助變量為mill_temin(磨機入口溫度)、mill_curr(磨機電機電流)。第二步，序列后向搜索：如圖3(b)所示，橫坐標表示從第一步選擇得到的變量集中，依次去除的候選輔助變量，縱坐標為對應的互信息值，設定冗余性閾值δ2＝0.44，剔除掉的冗余變量為mill_temout(磨機出口溫度)、mill_press(磨機壓差)。得到輸入變量為：磨機物料流量、循環(huán)提升機電流、選粉機轉速、循環(huán)風機電流。

步驟5：建立軟測量模型

應用最小二乘支持向量機進行軟測量建模，其中，核函數采用徑向基核函數。將輸入變量與生料細度帶入軟測量模型進行訓練，隨機選擇112組樣本的82組數據作為訓練樣本，剩余的40組數據作為預測樣本。參數選?。簯土P參數γ＝4，核函數參數ζ＝0.0039，得到生料細度的預測結果如圖4(a)所示，預測結果如圖4(b)所示。從圖4可以看出，本發(fā)明提出的基于互信息和最小二乘支持向量機相結合的軟測量方法，應用于水泥生料細度預測實例中表現出良好的性能，并且擬合程度高，可以很好的反應出水泥生料細度的變化趨勢。

以上所述的實施例僅僅是對本發(fā)明的優(yōu)選實施方式進行描述，并非對本發(fā)明的范圍進行限定，在不脫離本發(fā)明設計精神的前提下，本領域普通技術人員對本發(fā)明的技術方案做出的各種變形和改進，均應落入本發(fā)明權利要求書確定的保護范圍內。