CN116523388B - 一种基于工业互联网平台的数据驱动的质量建模方法 - Google Patents
一种基于工业互联网平台的数据驱动的质量建模方法 Download PDFInfo
- Publication number
- CN116523388B CN116523388B CN202310408969.1A CN202310408969A CN116523388B CN 116523388 B CN116523388 B CN 116523388B CN 202310408969 A CN202310408969 A CN 202310408969A CN 116523388 B CN116523388 B CN 116523388B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- model
- representing
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012937 correction Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims 1
- 239000000126 substance Substances 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 7
- 239000002994 raw material Substances 0.000 abstract description 4
- 238000004134 energy conservation Methods 0.000 abstract description 3
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 33
- 230000004913 activation Effects 0.000 description 7
- 230000001419 dependent effect Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000035772 mutation Effects 0.000 description 6
- 210000000349 chromosome Anatomy 0.000 description 5
- 238000012886 linear function Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012843 least square support vector machine Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 229920002994 synthetic fiber Polymers 0.000 description 1
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
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于工业互联网平台的数据驱动的质量建模方法，该方法包括以下步骤：基于工业互联网平台采集不同的系统数据，并对数据进行统一汇总；对采集的数据进行数据预处理；根据工艺原理和过程特性选取辅助变量，并对辅助变量采用主成分分析法进行降维；基于数据驱动建模策略构建关键产品质量预测模型；对建立的预测模型进行偏差校正和模型参数校正。本发明提供的方法可以大大降低工厂对测量设备的要求，对提高产品质量、促进节能降耗、加快企业数字化转型具有重要意义；本发明提供的方法可以实时预测化工原料及产物的关键指标，避免了某些指标测量耗时长、难以检测或根本无法检测等问题，节省了大量的时间和资源。
Description
技术领域
本发明涉及工业互联网领域，具体来说，涉及一种基于工业互联网平台的数据驱动的质量建模方法。
背景技术
在石油化工过程中，系统的仿真、控制与优化往往依赖于高性能的模型。近年来随着市场竞争的日益加剧和环保要求的不断提高迫切要求企业从有效的资源中尽可能的提高经济效益这就对过程控制和优化提出了新的要求同时也增加了建模的难度尤其是那些强非线性、时变对象如基于连续搅拌反应釜下化工过程中物理和化学参数的建模发酵过程中生物参数的建模等等。例如连续搅拌反应釜(CSTR)是聚合化学反应中广泛使用的一种反应器它不仅在化工生产的核心设备中占有相当重要的地位而且在染料、医药试剂、食品及合成材料工业中被普遍使用。然而相反的是在其内的反应过程的自动控制却发展缓慢究其原因主要是由于其内的反应过程往往涉及到很多的物理和化学过他们的相互作用和影响使得反应过程呈现出高度的非线性这就使得对其过程建模变得非常困难。
在化工实际生产操作中，由于技术手段及硬件设备的匮乏，核心生产系统不能实时反馈全部所需过程参数，如果要想对反应过程进行更好的控制，就须要获得反应过程中的数据信息。相比温度、压力、液位、体积等相对容易实时测得的变量，反应物浓度等参数缺乏可靠的传感器对它们进行在线检测，且成本较高。许多工业生产系统无法依靠故障诊断和状态检测来提高系统运行的安全性。这对产品质量也带来了很大的困扰。在生产过程中还会受到其他因素的影响，如反应器内原料的温度、浓度等，这都会使所建模型存在不确定的偏差。
大数据和工业互联网时代的到来，使得以数学挖掘、机器学习技术为代表的算法研究为化工领域智能化开辟了一种新方法，指明了一种新方向。基于工业互联网平台的数据驱动的质量建模方法具有较高的灵活性和现实相关性，利用其强大的学习和表征能力，可以充分挖掘历史数据中的重要信息，对关键原料及产品质量指标建立准确的预测模型。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种基于工业互联网平台的数据驱动的质量建模方法，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
一种基于工业互联网平台的数据驱动的质量建模方法，该方法包括以下步骤：
S1、基于工业互联网平台采集不同的系统数据，并对数据进行统一汇总；
S2、对采集的数据进行数据预处理；
S3、根据工艺原理和过程特性选取辅助变量，并对辅助变量采用主成分分析法进行降维；
S4、基于数据驱动建模策略构建关键产品质量预测模型；
S5、对建立的预测模型进行偏差校正和模型参数校正。
进一步的，所述对采集的数据进行数据预处理包括以下步骤：
S201、对采集的数据进行融合并存储，得到样本数据；
S202、对所述样本数据进行异常数据剔除和滤波处理，并将数据进行归一化。
进一步的，所述对采集的数据进行融合的计算公式如下：
其中，h1q表示业务系统在t1q时刻采集的数据；
h2q表示生产系统在t2q时刻采集的数据；
εh1表示采集数据h1q的均方根误差；
εt1表示时刻t1q的均方根误差；
εh2表示采集数据h2q的均方根误差；
εt2表示时刻t2q的均方根误差；
hq表示业务系统和生产系统在tq时刻采集数据融合的结果。
进一步的，所述样本数据进行异常数据剔除的采用3σ判定原则进行筛选处理，具体步骤如下；
假设样本数据中共有n个辅助变量为x，x的序列为x1,x2,…,xi,(i＝1,2,3…n)，并计算其平均值x和标准差σ：
若样本中辅助变量x满足以下公式：
则将其作为异常样本剔除掉，依次对样本中的其它辅助变量进行3σ判定处理，将经过筛选的样本选入建模样本集；
进一步的，所述样本数据进行滤波处理通过以下公式对样本
进行平均滤波：
X(t)＝(X(t-T/2)+X(t-T/2+Tc)+…+X(t))
…+X(t-T/2+Tc)+X(t+T/2)/(T/Tc)
其中，t表示采样时间；
T表示滤波时间常数；
Tc表示采样周期。
进一步的，所述将数据进行归一化通过以下公式将样本数据归一化到[ymin,ymax]：
y＝[ymin,ymax]*(x-xmin)/(xmax-xmin)+ymin
其中，ymin,ymax表示归一化目标的上下界；
xmax,xmin表示当前变量值得上下界。
进一步的，所述主成分分析法的计算步骤如下：
1)对原始样本数据进行标准化，并构成标准化矩阵：
设m维随机向量X＝(X1，X2，…，Xn)T为n个样本Xi＝(Xi1，Xi2，…，Xim)T,(i＝1,2,3…m)，T为矩阵转置的上标，构成样本矩阵，并对样本矩阵进行标准化，样本的平均值：
样本方差：
标准化后的数据为：
其中，(i＝1,2,3…m；k＝1,2,3…n)，
构成标准化矩阵X(xik)；
2)对标准价矩阵求样本相关系数矩阵：
其中，rij表示矩阵R第i行，第j列的元素，(i，j＝1,2,3…m)；
3)确定主成分：
求解样本相关矩阵R的特征方程|R-λIm|＝0得到m个特征根，其中λ表示特征值，I表示单位矩阵，由于R为对称矩阵，通过雅可比方法求出特征值，根据确定p的值，使信息的利用率达85％以上，得到p个主成分，对于每个λj(j＝1,2,3…p)解方程组Rb＝λjb得单位特征向量/>b表示特征向量集合；
4)将标准化后的指标变量转换为主成分：
其中，U1称为第一主成分，U2称为第二主成分，Um称为第m主成分；
5)对m个主成分进行综合评价，对m个主成分进行加权求和，即得最终评价值，权数为每个主成分的方差贡献率。
进一步的，所述基于数据驱动建模策略构建关键产品质量预测模型采用工业互联网平台内置的机器学习算法库中的算法，并结合预处理后的数据进行建模。
进一步的，所述预测模型进行偏差校正包括：模型运行过程中采用新数据对模型进行修正，根据模型预测误差采用偏差校正法对模型进行校正，所述偏差校正法计算公式为：
其中，表示当前时刻模型校正后的输出值；
表示当前时刻模型输出的预测值；
K表示校正系数；
Y(t-1)和表示前一个时刻真实值和模型输出的预测值；
t表示采样时间；
其中，校正系数为当前时段模型误差和前一时段的模型误差相除求得：
其中，Y(ti)表示当前时段内数据；
表示当前时段内预测值的平均值；
Y(ti-t)表示前一时段内数据；
Ym(ti-t)表示前一时段内预测值的中值；
K＝median(Ki)，将Ki取平均值即可得到修正系数。
进一步的，所述预测模型进行模型参数校正包括：以模型输出值和实际值之间的偏差为优化目标，基于历史数据采用遗传算法进行模型关键参数优化，优化目标如下：
本发明的有益效果为：
1、基于工业互联网平台采集工业数据，可以解决化工企业存在的数据孤岛问题，充分挖掘不同系统数据价值。
2、基于工业互联网平台数据驱动建模方法，内置机器学习算法库包括几十种主流算法，能够使得模型更好地适应工况的频繁变化。
3、本发明提供的方法可以大大降低工厂对测量设备的要求，对提高产品质量、促进节能降耗、加快企业数字化转型具有重要意义。
4、本发明提供的方法可以实时预测化工原料及产物的关键指标，避免了某些指标测量耗时长、难以检测或根本无法检测等问题，节省了大量的时间和资源。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于工业互联网平台的数据驱动的质量建模方法的流程图；
图2是根据本发明实施例的一种基于工业互联网平台的数据驱动的质量建模方法中数据驱动的建模业务流程图；
图3是根据本发明实施例的一种基于工业互联网平台的数据驱动的质量建模方法中工业互联网平台技术架构图；
图4是根据本发明实施例的一种基于工业互联网平台的数据驱动的质量建模方法中工业互联网平台组态图。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种基于工业互联网平台的数据驱动的质量建模方法。
现结合附图和具体实施方式对本发明进一步说明，如图1-4所示，根据本发明实施例的基于工业互联网平台的数据驱动的质量建模方法，该方法包括以下步骤：
S1、基于工业互联网平台采集不同的系统数据，并对数据进行统一汇总；
具体的，采集的数据包括质量业务系统的质量指标数据和生产系统的实时生产数据；
S2、对采集的数据进行数据预处理；
S3、根据工艺原理和过程特性选取辅助变量，并对辅助变量采用主成分分析法进行降维；
具体的，主成分分析法是应用非常广泛的一种降维方法，是在尽可能多地保留数据信息的基础上，通过少数互不相关的综合因子代替数量众多的随机变量，实质上是一组变量的数个线性组合来解释这组变量的方差—协方差结构。各个主成分的权重由其本身的贡献率决定，是由数据的信息客观确定的，克服了主观赋权法人为确定权重的缺陷；
S4、基于数据驱动建模策略构建关键产品质量预测模型；
具体的，数据驱动模型是基于大量过程数据以及机器学习算法的过程模型，得益于化工企业集散控制系统和实验室信息管理系统带来的海量实时过程数据和实验分析数据，使得通过机器学习算法深度挖掘数据建立过程模型变得可行。数据驱动模型在训练阶段需要较少的过程机理，在使用阶段具有计算量小、求解速度快、在模型建立的数据范围内准确度高等优点，在各类过程建模任务中取得了良好的效果，获得学者的广泛关注；
S5、对建立的预测模型进行偏差校正和模型参数校正。
在一个实施例中，所述对采集的数据进行数据预处理包括以下步骤：
S201、对采集的数据进行融合并存储，得到样本数据；
S202、对所述样本数据进行异常数据剔除和滤波处理，并将数据进行归一化。
在一个实施例中，所述对采集的数据进行融合的计算公式如下：
其中，h1q表示业务系统在t1q时刻采集的数据；
h2q表示生产系统在t2q时刻采集的数据；
εh1表示采集数据h1q的均方根误差；
εt1表示时刻t1q的均方根误差；
εh2表示采集数据h2q的均方根误差；
εt2表示时刻t2q的均方根误差；
hq表示业务系统和生产系统在tq时刻采集数据融合的结果。
在一个实施例中，所述样本数据进行异常数据剔除的采用3σ判定原则进行筛选处理，具体步骤如下；
假设样本数据中共有n个辅助变量为x，x的序列为x1,x2,…,xi,(i＝1,2,3…n)，并计算其平均值x和标准差σ：
若样本中辅助变量x满足以下公式：
则将其作为异常样本剔除掉，依次对样本中的其它辅助变量进行3σ判定处理，将经过筛选的样本选入建模样本集；
在一个实施例中，所述样本数据进行滤波处理通过以下公式对样本进行平均滤波：
X(t)＝(X(t-T/2)+X(t-T/2+Tc)+…+X(t))
…+X(t-T/2+Tc)+X(t+T/2)/(T/Tc)
其中，t表示采样时间；
T表示滤波时间常数；
Tc表示采样周期。
在一个实施例中，所述将数据进行归一化通过以下公式将样本数据归一化到[ymin,ymax]：
y＝[ymin,ymax]*(x-xmin)/(xmax-xmin)+ymin
其中，ymin,ymax表示归一化目标的上下界；
xmax,xmin表示当前变量值得上下界。
在一个实施例中，所述主成分分析法的计算步骤如下：
1)对原始样本数据进行标准化，并构成标准化矩阵：
设m维随机向量X＝(X1，X2，…，Xn)T为n个样本Xi＝(Xi1，Xi2，…，Xim)T,(i＝1,2,3…m)，T为矩阵转置的上标，构成样本矩阵，并对样本矩阵进行标准化，样本的平均值：
样本方差：
标准化后的数据为：
其中，(i＝1,2,3…m；k＝1,2,3…n)，
构成标准化矩阵X(xik)；
2)对标准价矩阵求样本相关系数矩阵：
其中，rij表示矩阵R第i行，第j列的元素，(i，j＝1,2,3…m)；
3)确定主成分：
求解样本相关矩阵R的特征方程|R-λIm|＝0得到m个特征根，其中λ表示特征值，I表示单位矩阵，由于R为对称矩阵，通过雅可比方法求出特征值，根据确定p的值，使信息的利用率达85％以上，得到p个主成分，对于每个λj(j＝1,2,3…p)解方程组Rb＝λjb得单位特征向量/>b表示特征向量集合；
4)将标准化后的指标变量转换为主成分：
其中，U1称为第一主成分，U2称为第二主成分，Um称为第m主成分；
5)对m个主成分进行综合评价，对m个主成分进行加权求和，即得最终评价值，权数为每个主成分的方差贡献率。
在一个实施例中，所述基于数据驱动建模策略构建关键产品质量预测模型采用工业互联网平台内置的机器学习算法库中的算法，并结合预处理后的数据进行建模
具体的，数据驱动模型采用机器学习算法库中几十种主流算法，如人工神经网络、最小二乘支持向量机等；
其中，人工神经网络是通过模仿生物神经网络的行为特征，进行分布式并行信息处理的数学模型。这种网络依靠系统的复杂度，通过调整内部大量节点之间相互连接的关系，从而达到信息处理的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入输出数据，分析两者的内在关系和规律，最终通过这些规律形成一个复杂的非线性系统函数。神经元的每一个输入连接都有突触连接强度，用一个连接权值来表示，即将产生的信号通过连接强度放大，每一个输入量都对应有一个相关联的权重。处理单元将经过权重的输入量化，然后相加求得加权值之和，计算出输出量。
在人工神经网络中，网络解决问题的能力与效率除了与网络结构有关外，在很大程度上取决于网络所采用的激活函数。激活函数的选择对网络的收敛速度有较大的影响，针对不同的实际问题，激活函数的选择也应不同。常用的激活函数有以下几种形式：
阈值函数：
其中，p表示阈值函数的因变量；
x表示阈值函数的因变量；
该函数通常也称为阶跃函数。当激活函数采用阶跃函数时，此时神经元的输出取1或0，反应了神经元的兴奋或抑制；
线性函数：y＝kx+b
其中，y表示线性函数的因变量；
x表示线性函数的因变量；
k表示线性函数的斜率；
b表示线性函数的截距；
该函数可以在输出结果为任意值时作为输出神经元的激活函数；
对数S形函数：
其中，x表示数S形函数的因变量；
对数S形函数的输出介于0～1之间，常被要求为输出在0～1范围的信号选用，它是神经元中使用最为广泛的激活函数；
双曲正切S形函数：
其中，x表示双曲正切S形函数的因变量；
双曲正切S形函数类似于被平滑的阶跃函数，形状与对数S形函数相同，以原点对称，其输出介于-1～1之间，常常被要求为输出在-1～1范围的信号选用。
其中，最小二乘支持向量机算法将传统的支持向量机中不等式约束改为等式约束，并将误差的平方和作为训练的损失函数，从而将支持向量机中求解二次规划问题转化为求解线性方程组问题，加快了求解速度；
LSSVM最优化问题可以用以下方程组描述：
其中，L表示损失函数；
ω表示权向量；
γ表示可调函数；
e i表示误差向量；
xi表示输入数据；
yi表示输出数据；
表示映射函数；
b表示偏差向量；
T表示转置；
i表示数据的位置(i＝1～n)；
n表示训练数据总数；
s.t表示约束条件缩写；
采用拉格朗日法求解上述优化问题：
最小二乘支持向量机表达形式为本发明采用核函数为径向基核函数，/>其中k(xi,yi)为核函数，ai表示拉格朗日乘子。ei表示误差向量；n表示训练数据总数；i表示数据的位置(i＝1～n)；
在一个实施例中，所述预测模型进行偏差校正包括：模型运行过程中采用新数据对模型进行修正，根据模型预测误差采用偏差校正法对模型进行校正，所述偏差校正法计算公式为：
其中，表示当前时刻模型校正后的输出值；
表示当前时刻模型输出的预测值；
K表示校正系数；
Y(t-1)和表示前一个时刻真实值和模型输出的预测值；
t表示采样时间；
其中，校正系数为当前时段模型误差和前一时段的模型误差相除求得：
其中，Y(ti)表示当前时段内数据；
表示当前时段内预测值的平均值；
Y(ti-t)表示前一时段内数据；
Ym(ti-t)表示前一时段内预测值的中值；
K＝median(Ki)，将Ki取平均值即可得到修正系数。
在一个实施例中，所述预测模型进行模型参数校正包括：以模型输出值和实际值之间的偏差为优化目标，基于历史数据采用遗传算法进行模型关键参数优化，优化目标如下：
遗传算法从一组随机产生的初始解，称为群体，开始搜索过程。群体中的每个个体是问题的一个解，称为染色体。这些染色体在后续迭代中不断进化，称为遗传。遗传算法主要通过交叉，变异，选择运算实现。交叉或变异运算生成下一代染色体，称为后代。染色体的好坏用适应度来衡量。根据适应度的大小从上一代和后代中选择一定数量的个体，作为下一代群体，再继续进化，这样经过若干代之后，算法收敛于最好的染色体，它很可能就是问题的最优解或次优解。遗传算法中使用适应度这个概念来度量群体中的各个个体的悠忽计算中有可能达到最优解的优良程度。度量个体适应度的函数称为适应度函数。适应度函数的定义一般与具体求解问题有关。
使用三种遗传算子(选择算子、交叉算子和变异算子)的遗传算法的主要运算过程如下所述：
a、初始化：设置进化代数计数器v＝0；设置最大进化代数V；随机生成H个个体作为初始群体Q(0)；
b、个体评价：计算群体Q(V)中个体的适应度；
c、选择运算：将选择算子作用于群体；
d、交叉算子：作用于群体；
e、变异运算：将变异算子作用于群体，群体Q(v)经过选择、交叉、变异运算之后得到下一代群体Q(v+1)；
f、终止条件判断：若v≤V，则：v＝v+1，转到步骤b；若v>V，则以进化过程中得到的具有最大适应度的个体作为最优解输出，终止计算。
综上所述，借助于本发明的上述技术方案，基于工业互联网平台采集工业数据，可以解决化工企业存在的数据孤岛问题，充分挖掘不同系统数据价值；基于工业互联网平台数据驱动建模方法，内置机器学习算法库包括几十种主流算法，能够使得模型更好地适应工况的频繁变化；本发明提供的方法可以大大降低工厂对测量设备的要求，对提高产品质量、促进节能降耗、加快企业数字化转型具有重要意义；本发明提供的方法可以实时预测化工原料及产物的关键指标，避免了某些指标测量耗时长、难以检测或根本无法检测等问题，节省了大量的时间和资源。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于工业互联网平台的数据驱动的质量建模方法，其特征在于，该方法包括以下步骤：
S1、基于工业互联网平台采集不同的系统数据，并对数据进行统一汇总；
S2、对采集的数据进行数据预处理；
S3、根据工艺原理和过程特性选取辅助变量，并对辅助变量采用主成分分析法进行降维；
S4、基于数据驱动建模策略构建关键产品质量预测模型；
S5、对建立的预测模型进行偏差校正和模型参数校正；
所述对采集的数据进行数据预处理包括以下步骤：
S201、对采集的数据进行融合并存储，得到样本数据；
S202、对所述样本数据进行异常数据剔除和滤波处理，并将数据进行归一化；
所述对采集的数据进行融合的计算公式如下：
；
其中，表示业务系统在/>时刻采集的数据；
表示生产系统在/>时刻采集的数据；
表示采集数据/>的均方根误差；
表示时刻/>的均方根误差；
表示采集数据/>的均方根误差；
表示时刻/>的均方根误差；
表示业务系统和生产系统在/>时刻采集数据融合的结果。
2.根据权利要求1所述的一种基于工业互联网平台的数据驱动的质量建模方法，其特征在于，所述样本数据进行异常数据剔除的采用3σ判定原则进行筛选处理，具体步骤如下；
假设样本数据中共有n个辅助变量为x，x的序列为，并计算其平均值/>和标准差σ：
；
；
若样本中辅助变量x满足以下公式：
；
则将其作为异常样本剔除掉，依次对样本中的其它辅助变量进行3σ判定处理，将经过筛选的样本选入建模样本集。
3.根据权利要求1所述的一种基于工业互联网平台的数据驱动的质量建模方法，其特征在于，所述样本数据进行滤波处理通过以下公式对样本进行平均滤波：
；
其中，t表示采样时间；
T表示滤波时间常数；
表示采样周期。
4.根据权利要求1所述的一种基于工业互联网平台的数据驱动的质量建模方法，其特征在于，所述将数据进行归一化通过以下公式将样本数据归一化到：
；
其中，表示归一化目标的上下界；
表示当前变量值得上下界。
5.根据权利要求1所述的一种基于工业互联网平台的数据驱动的质量建模方法，其特征在于，所述主成分分析法的计算步骤如下：
1）对原始样本数据进行标准化，并构成标准化矩阵：
设m维随机向量为n个样本，T为矩阵转置的上标，构成样本矩阵，并对样本矩阵进行标准化，样本的平均值：
；
样本方差：
；
标准化后的数据为：
；
其中，；
构成标准化矩阵；
2）对标准价矩阵求样本相关系数矩阵：
；
其中，表示矩阵R第i行，第j列的元素，/>；
3）确定主成分：
求解样本相关矩阵R的特征方程得到/>个特征根，其中/>表示特征值，表示单位矩阵，由于/>为对称矩阵，通过雅可比方法求出特征值，根据确定p的值，使信息的利用率达85%以上，得到p个主成分，对于每个解方程组/>得单位特征向量/>，b表示特征向量集合；
4）将标准化后的指标变量转换为主成分：
；
其中，U1称为第一主成分，U2称为第二主成分，Um称为第m主成分；
5）对m个主成分进行综合评价，对m个主成分进行加权求和，即得最终评价值，权数为每个主成分的方差贡献率。
6.根据权利要求1所述的一种基于工业互联网平台的数据驱动的质量建模方法，其特征在于，所述基于数据驱动建模策略构建关键产品质量预测模型采用工业互联网平台内置的机器学习算法库中的算法，并结合预处理后的数据进行建模。
7.根据权利要求1所述的一种基于工业互联网平台的数据驱动的质量建模方法，其特征在于，所述预测模型进行偏差校正包括：模型运行过程中采用新数据对模型进行修正，根据模型预测误差采用偏差校正法对模型进行校正，所述偏差校正法计算公式为：
；
其中，表示当前时刻模型校正后的输出值；
表示当前时刻模型输出的预测值；
K表示校正系数；
和/>表示前一个时刻真实值和模型输出的预测值；
t表示采样时间；
其中，校正系数为当前时段模型误差和前一时段的模型误差相除求得：
；
其中，表示当前时段内数据；
表示当前时段内预测值的平均值；
表示前一时段内数据；
表示前一时段内预测值的中值；
，将/>取平均值即可得到修正系数。
8.根据权利要求1所述的一种基于工业互联网平台的数据驱动的质量建模方法，其特征在于，所述预测模型进行模型参数校正包括：以模型输出值和实际值之间的偏差为优化目标，基于历史数据采用遗传算法进行模型关键参数优化，优化目标如下：
。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310408969.1A CN116523388B (zh) | 2023-04-17 | 2023-04-17 | 一种基于工业互联网平台的数据驱动的质量建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310408969.1A CN116523388B (zh) | 2023-04-17 | 2023-04-17 | 一种基于工业互联网平台的数据驱动的质量建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116523388A CN116523388A (zh) | 2023-08-01 |
| CN116523388B true CN116523388B (zh) | 2023-11-10 |
Family
ID=87391371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310408969.1A Active CN116523388B (zh) | 2023-04-17 | 2023-04-17 | 一种基于工业互联网平台的数据驱动的质量建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523388B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012027683A (ja) * | 2010-07-23 | 2012-02-09 | Nippon Steel Corp | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 |
| CN108647481A (zh) * | 2018-08-14 | 2018-10-12 | 华东理工大学 | 一种回转窑烧成带温度软测量方法 |
| CN109657411A (zh) * | 2019-01-18 | 2019-04-19 | 华东理工大学 | 一种基于数据驱动的溶剂脱沥青装置建模及优化方法 |
| CN110210687A (zh) * | 2019-06-13 | 2019-09-06 | 中南大学 | 一种基于局部加权慢特征回归的非线性动态生产过程产品质量预测方法 |
| CN110405343A (zh) * | 2019-08-15 | 2019-11-05 | 山东大学 | 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法 |
| CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
| CN111428201A (zh) * | 2020-03-27 | 2020-07-17 | 陕西师范大学 | 基于经验模态分解和前馈神经网络对时序数据的预测方法 |
| WO2021063136A1 (zh) * | 2019-09-30 | 2021-04-08 | 江苏大学 | 一种数据驱动的高精度组合导航数据融合方法 |
| CN113569993A (zh) * | 2021-08-27 | 2021-10-29 | 浙江工业大学 | 一种聚合反应过程质量预测模型构建方法 |
| CN114997486A (zh) * | 2022-05-26 | 2022-09-02 | 南京工业大学 | 一种基于宽度学习网络的自来水厂的出水余氯预测方法 |
| CN115545321A (zh) * | 2022-10-14 | 2022-12-30 | 云南中烟工业有限责任公司 | 一种制丝车间工艺质量在线预测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105205224B (zh) * | 2015-08-28 | 2018-10-30 | 江南大学 | 基于模糊曲线分析的时间差高斯过程回归软测量建模方法 |
| EP3471027A1 (en) * | 2017-10-13 | 2019-04-17 | Siemens Aktiengesellschaft | A method for computer-implemented determination of a data-driven prediction model |
| CN109960873B (zh) * | 2019-03-24 | 2021-09-10 | 北京工业大学 | 一种城市固废焚烧过程二噁英排放浓度软测量方法 |
| US20220147672A1 (en) * | 2019-05-17 | 2022-05-12 | Tata Consultancy Services Limited | Method and system for adaptive learning of models for manufacturing systems |
| CN112625758B (zh) * | 2019-09-24 | 2023-01-13 | 中国石油化工股份有限公司 | 智能气化配料系统及方法 |
| CN113128793A (zh) * | 2021-05-19 | 2021-07-16 | 中国南方电网有限责任公司 | 一种基于多源数据融合的光伏功率组合预测方法及系统 |
-
2023
- 2023-04-17 CN CN202310408969.1A patent/CN116523388B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012027683A (ja) * | 2010-07-23 | 2012-02-09 | Nippon Steel Corp | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 |
| CN108647481A (zh) * | 2018-08-14 | 2018-10-12 | 华东理工大学 | 一种回转窑烧成带温度软测量方法 |
| CN109657411A (zh) * | 2019-01-18 | 2019-04-19 | 华东理工大学 | 一种基于数据驱动的溶剂脱沥青装置建模及优化方法 |
| CN110210687A (zh) * | 2019-06-13 | 2019-09-06 | 中南大学 | 一种基于局部加权慢特征回归的非线性动态生产过程产品质量预测方法 |
| CN110405343A (zh) * | 2019-08-15 | 2019-11-05 | 山东大学 | 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法 |
| WO2021063136A1 (zh) * | 2019-09-30 | 2021-04-08 | 江苏大学 | 一种数据驱动的高精度组合导航数据融合方法 |
| CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
| CN111428201A (zh) * | 2020-03-27 | 2020-07-17 | 陕西师范大学 | 基于经验模态分解和前馈神经网络对时序数据的预测方法 |
| CN113569993A (zh) * | 2021-08-27 | 2021-10-29 | 浙江工业大学 | 一种聚合反应过程质量预测模型构建方法 |
| CN114997486A (zh) * | 2022-05-26 | 2022-09-02 | 南京工业大学 | 一种基于宽度学习网络的自来水厂的出水余氯预测方法 |
| CN115545321A (zh) * | 2022-10-14 | 2022-12-30 | 云南中烟工业有限责任公司 | 一种制丝车间工艺质量在线预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 数据驱动技术在石化工业运行中的应用;冯大春;鲁红;;石油化工自动化(06);全文 * |
| 数据驱动的复杂产品质量预测与质量规则挖掘方法研究;信息科技;《信息科技》;全文 * |
| 集成即时学习软测量建模方法研究;李建刚;《工程科技Ⅰ辑》(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116523388A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
| CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| CN111126575A (zh) | 基于机器学习的气体传感器阵列混合气体检测方法及装置 | |
| CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
| CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
| CN111723523B (zh) | 一种基于级联神经网络的河口余水位预测方法 | |
| CN103675011B (zh) | 最优支持向量机的工业熔融指数软测量仪表和方法 | |
| Monroy et al. | Fault diagnosis of a benchmark fermentation process: a comparative study of feature extraction and classification techniques | |
| CN114764682B (zh) | 一种基于多机器学习算法融合的大米安全风险评估方法 | |
| CN103675006B (zh) | 最小二乘的工业熔融指数软测量仪表和方法 | |
| CN116109039A (zh) | 一种数据驱动异常检测与预警系统 | |
| CN111832703A (zh) | 一种基于采样间隔感知长短期记忆网络的流程制造工业不规则采样动态序列建模方法 | |
| CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
| US20140297573A1 (en) | Method for quantifying amplitude of a response of a biological network | |
| CN108490782A (zh) | 一种基于选择性双层集成学习适用于复杂工业过程产品质量指标缺失数据补全的方法及系统 | |
| CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
| CN116523388B (zh) | 一种基于工业互联网平台的数据驱动的质量建模方法 | |
| CN103675012B (zh) | Bp粒子群优化的工业熔融指数软测量仪表和方法 | |
| CN103675009B (zh) | 模糊方程的工业熔融指数软测量仪表及方法 | |
| CN117436029A (zh) | 一种多个大模型串行协作融合的方法和系统 | |
| CN114330089B (zh) | 一种稀土元素含量变化预测方法及系统 | |
| CN115275977A (zh) | 一种用电负荷预测方法及装置 | |
| CN115481715A (zh) | 一种基于am-gru-bpnn的产品质量指标预测方法、系统 | |
| Lajoie et al. | A data-driven framework to deal with intrinsic variability of industrial processes: An application in the textile industry | |
| CN112184037A (zh) | 一种基于加权svdd的多模态过程故障检测方法 |
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 |