基于机器学习的工业系统软测量方法

摘要

众所周知，在工业系统中产品质量指标往往无法进行在线测量；同时，测量过程中常常会由于各种工艺上的原因导致一定的度量滞后，从而影响生产过程的实时控制和优化。不仅如此，精度较高的测量仪器会大大增加产品的生产成本。随着工业制造过程的数据采集和存储技术的迅速发展，利用工业数据进行产品质量的软测量成了学术界和企业界共同关心的问题。 在生产过程中，由于产品、生产环境等不同存在多种工况。在不同的工况中，数据关系不同导致软测量模型不同，必须区别对待。本文提出了一种改进的密度峰值的聚类算法进行生产过程的工况分类。该方法首次将工业数据的时间特性融入聚类算法当中，并在半导体制造过程和田纳西过程中进行了验证，实验结果表明该方法的有效性。 软测量模型建立是整个软测量过程的关键步骤。现存的软测量建模方法存在一些问题，例如建模求最优解时会陷入局部最优、模型结构复杂导致其泛化能力不足、模型的线性化能力不够和对工业过程数据的信息提取能力不足等。本文提出了两种建模方法。第一种为基于熵聚类的核偏最小二乘算法，该算法采用聚类算法优化了核函数的中心节点的选取和和函数宽度值的设置，使得该模型的非线性表达能力得到了较大的提高，同时该方法也在一定程度上简化了模型结构，使得模型的泛化能力得到提高。第二种方法将深度学习与RBF神经网络相结合，该方法使用无标签的数据对深度学习模型进行预训练，提高了对数据集的特征提取能力，其中深度学习模型提高了整个软测量模型的非线性表达能力，而RBF核函数解决了局部最优的问题。采用某化工公司的实际工业过程的数据对上述两种方法进行了验证，结果表明了本文提出的方法建立的软测量模型的有效性。

目录

第一个书签之前

基于机器学习的工业系统软测量方法

A Thesis Submitted in Partial Fulfillment of the R

for the Degree for the Master of Engineering

摘 要

ABSTRACT

1 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 论文的主要研究内容

2 基础理论知识介绍

2.1 熵聚类方法

2.2 偏最小二乘算法推导

2.2.1 模型提取成分个数的确定

2.2.2 数据集特异点的识别

2.3 人工神经网络简介

2.3.1 径向基函数神经网络结构

2.3.2 径向基（Radial Basis Function）神经网络工作原理

2.4 深度学习算法简介

2.4.1 深度学习的模型结构

2.4.2 深度学习模型的原理

2.4.3 深度模型的训练算法

2.5 本章小结

3 基于改进密度峰值聚类的工况划分

3.1 基于密度峰值的聚类算法

3.1.1 聚类中心的选取

3.1.2 聚类算法详解

3.2 基于改进密度峰值聚类的工况划分方法步骤

3.3 实例

3.4 本章小结

4 基于熵聚类的核偏最小二乘优化方法

4.1非线性PLS方法

4.2 熵聚类算法的具体步骤

4.3 基于熵聚类的核偏最小二乘算法

4.4 基于熵聚类的核偏最小二乘算法实验结果

4.5 本章小结

5 基于深度学习与RBF神经网络结合的软测量建模方法

5.1 RBF神经网络的设计

5.2 降噪自编码器的算法原理

5.3.1 模型结构

5.3.2 基于无监督学习的预训练

5.3.3 基于监督学习微调模型参数

5.4 深度学习与RBF神经网络结合的软测量建模步骤

5.5 实例

5.6 本章小结

6 结论和展望

6.1 本文工作总结

6.2 工作展望

致 谢

参考文献

附录（攻读学位期间发表论文目录）