基于KEPLS的生产过程质量预测与控制方法

摘要

本发明公开了一种基于KEPLS的生产过程质量预测与控制方法，具体包括以下步骤：根据现场数据建立KEPLS模型，利用IFS进行特征采样，构建基于IFS‑KEPLS新算法进行生产过程在线监测及质量预测；当IFS‑KEPLS进行质量预测后，而预测值严重偏离标准预测曲线时，构建第二个模型，即：采用SV‑KCD与KEPLS组合算法进行生产过程质量控制。本发明提高了模型的监测、预测性能，从而抓捕到微小、缓慢变化的故障，很好的提高了流程行业间歇性生产过程中的质量控制标准。

说明书

技术领域

本发明涉及生产过程控制技术领域，特别是一种对工业生产过程中的质量预测与控制方法。

背景技术

现代流程工业涉及到的生产环节越来越多，复杂程度越来越高，而且中间歇性生产工艺占比较大，例如，医药中间体生产、钢铁冶炼、玻璃烧制等，涉及到化工、钢铁、冶金、医药等行业，主要是针对间歇性生产过程中的工艺改进，通过利用数据挖掘、数据分析、质量预测等手段，来提高产品的品质与合格率。

对于间歇性生产过程的质量预测，在生产中具有很高的附加值和重要性。目前生产设备上大多都安装有传感器，可以在生产阶段测量到有用的信息并记录下来，通过机器学习、深度学习等数据挖掘手段探索更多的有用信息，然后利用这些信息来对生产进行改进指导，以提高产品质量。但是，此类数据驱动算法对流程行业生产过程中在线应用的实时性有一定的要求，特别是对于快速变化的过程或者比较敏感时段中的关键性数据与产品质量具有很强关联性的时候，效果收效甚微，若是参与在线预测，甚至可能直接影响到产品的品质与合格率，此类算法在此类场景下的适用性还有待商讨；其次，流程行业的数据一般具有高维度、非线性、强相关性等特点，也限制了此类算法的具体应用；再次，此类数据挖掘方法在处理流程行业的质量数据时往往具有一定的滞后性，并不能及时有效的反映生产状况，而质量数据的滞后一旦运用到生产中，极有可能导致产品质量的下滑、产品不合格，甚至造成生产故障而导致事故的发生；最后，在实际生产中，若是现场出现缓慢的不易察觉的故障时，现有的算法只能提取到二阶统计量信息，其灵敏度很难达到要求，会导致由于微小故障信息淹没在噪声中，导致高阶统计量中的样本变量无法显示出相应的高阶信息量。

发明内容

本发明需要解决的技术问题是提供一种基于KEPLS的生产过程质量预测与控制方法，可以提高模型的监测和预测性能，从而抓捕到微小、缓慢变化的故障，为后续生产过程进行准确科学的指导，进而提高产品质量。

为解决上述技术问题，本发明所采取的技术方案如下。

基于KEPLS的生产过程质量预测与控制方法，具体包括以下步骤：

A.建立KEPLS模型，

B.基于IFS-KEPLS新算法进行生产过程在线监测及质量预测；

C.当步骤B进行质量预测的过程中，预测值严重偏离标准预测曲线时，采用SV-KCD与KEPLS组合算法进行生产过程质量控制。

上述基于KEPLS的生产过程质量预测与控制方法，步骤A具体包括以下内容：

A1.计算过程变量X在高维空间的得分向量t

A2.计算质量变量的负载矩阵，q

A3.计算质量变量的得分矩阵为u

A4.迭代计算A2～A4，直到得分矩阵u

A5.根据下式计算核矩阵的特征Φ(x)与PLS中广义特征Y的残差信息

其中，K为N*N的核矩阵，表示特征Φ(x)的残差信息。

上述基于KEPLS的生产过程质量预测与控制方法，所述KEPLS模型的计算方法为：

首先，通过核映射将数据从低维输入空间投影到高维特征空间，将数据的非线性转化为线性，然后在高维特征空间内根据熵的大小选取特征，进行数据的降维；

其次，以信息熵作为衡量系统不确定性量度，采用Renyi熵作为成分分析的方法，定义：H(p)＝-lg∫p

其中，p(x)为数据D的概率密度函数，

上述函数为单调函数，将函数表示为如下表达式：

V(p)＝∫p

采用Parzen窗密度对其进行估计，

将

选用高斯函数作为核函数，则，

其中，I为N×1的全1向量；K为N×N的核矩阵；

然后，对核矩阵K进行特征分解，

K＝Φ

其中，D＝diag(λ

E＝(e

则，

最后，根据PLS算法中广义特征向量X

XX

X的得分向量t的计算公式如下：

t＝Xω

在特征空间中ω和t核化处理公式为：

XX

ω为权值向量，

分解后的，

KYY

XX

再通过

上述基于KEPLS的生产过程质量预测与控制方法，步骤B利用IFS提取数据的特征，并结合KEPLS构建新的模型，具体包括以下内容：

B1.离线建模；

B11.采集生产过程的历史数据，对数据进行预处理得到X(I×J×K)；

B12.用IFS进行特征采样，得到特征基向量集S；

B13.利用特征基向量集S计算数据的核矩阵K＝K(S,S)；

B14.在高维特征空间中对核矩阵进行中心化处理，

其中，N为核矩阵的阶数，E为数学期望；

B15.采用核偏最小二乘法计算回归系数矩阵，

B＝Φ

得到IFS-KEPLS模型；其中，φ为核举证的内积算子，T、U为得分矩阵；

B16.确定过程过程变量的趋势，进行T

B2.在线监测与质量预测；

B21.在新批次的k时刻，对所获的在线变量数据x

B22.对所得标准化处理后的数据，计算新数据X

B23.在高维特征空间中对新数据核矩阵

其中，N为核矩阵的阶数，E为数学期望；

B24.计算质量变量的估计值，

其中，φ为核举证的内积算子，T、U为得分矩阵；

B25.恢复质量预测数据，

其中，

Y

S

B26.监控新时刻的过程数据变量的趋势，进行T

B27.重复步骤B21～B26，直到当前工艺过程结束。

上述基于KEPLS的生产过程质量预测与控制方法，步骤C中，当过程数据在质量预测中严重偏离标准预测曲线即步骤B判断出故障时，采取依次替换正常样本，并采用样本替换前后数值差的大小找出引起质量偏差的过程变量；具体包括以下内容：

C1.对沿批次展开标准化后的数据X(I×K×J)，求取每一列的均值向量得M(1×KJ)，将其沿变量方向展开为M(1×K×J)；

C2.用M(1×K×J)对质量变量进行预测，得到质量变量的标准预测值Y

C3.在线监测k时刻数据test(1×J)，若与标准预测线偏离，则初步判断是过程变量引起；

C4.将M(1×K×J)中k时刻的各个变量值取出，记做norm(1×J)；将norm(1×J)的第J个变量的数值依次用test(1×J)的J个变量替换后，记为new_test(1×J)；

C5.用new_test(1×J)重新对质量变量进行预测，结果得出后，减去k时刻标准预测值，结果记录在result(1×J)中第j个变量的位置；

C6.当j＜J，将j＝j+1，转到步骤C4；

C7.对result(1×J)绘制直方图，根据对应变量直方图的正负判断过程变量对质量变量的贡献量。

由于采用了以上技术方案，本发明所取得技术进步如下。

本发明通过分析生产工艺流程找出各个变量之间的逻辑关系，再分析历史数据，找到其质量控制的相关性，构建运行模型，得出实时预测数据，将信息量熵作为衡量信息的标准，同时对高阶信息熵和特征向量的方向进行监控，通过构建KEPLS算法来提高模型的监测、预测性能，从而抓捕到微小、缓慢变化的故障，很好的提高了流程行业间歇性生产过程中的质量控制标准；并且能够再故障找出后，采用SV-KPLS算法来对工艺过程的质量进行控制，可有效的辨识出引起其发生偏离的过程变量，从而方便根据故障数据进行产品质量的控制，对于指导生产以及故障诊断起到了重要的意义。

附图说明

图1为本发明的流程图；

图2为本发明所述步骤B的流程图；

图3为本发明所述步骤C的流程图；

图4为应用本发明进行实际运行中，故障1数据预测的菌体浓度随时间变化示意图；

图5为应用本发明进行实际运行时，不同变量引起的菌体浓度误差示意图。

具体实施方式

下面将结合附图和具体实施方式对本发明进行进一步详细说明。

一种基于KEPLS的生产过程质量预测与控制方法，该方法通过分析大量现有的实际生产数据后，提出用核熵PLS即KEPLS的过程监测新方法，将信息熵作为衡量信息的标准，兼顾数据的高阶信息熵和特征向量的方向，可大大提高模型的监测和预测性能，对微小的缓慢变化的故障更加敏感；从而为控制产品质量提供准确参考。本发明基于此，还提出了在出现故障时，通过采用SV-KCD 与KEPLS结合的算法来有效的辨识出引起其发生偏离的过程变量，从而对产品质量进行有效控制。

本发明的具体流程如图1所示，包括以下步骤。

A.建立KEPLS模型。

KEPLS模型即核熵PLS模型，其建立方法如下。

A1.计算过程变量X在高维空间的得分向量t

A2.计算质量变量的负载矩阵，q

A3.计算质量变量的得分矩阵为u

本发明所述KEPLS模型的计算方法如下。

首先，通过核映射将数据从低维输入空间投影到高维特征空间，将数据的非线性转化为线性，然后在高维特征空间内根据熵的大小选取特征，进行数据的降维。

其次，以信息熵作为衡量系统不确定性量度，采用Renyi熵作为成分分析的方法，定义：H(p)＝-lg∫p

其中，p(x)为数据D的概率密度函数。

上述函数为单调函数，将函数表示为如下表达式：

V(p)＝∫p

采用Parzen窗密度对其进行估计，

将

选用高斯函数作为核函数，则，

其中，I为N×1的全1向量；K为N×N的核矩阵。

然后，对核矩阵K进行特征分解，

K＝Φ

其中，D＝diag(λ

E＝(e

则，

最后，根据PLS算法中广义特征向量X

XX

X的得分向量t的计算公式如下：

t＝Xω

在特征空间中ω和t核化处理公式为：

XX

ω为权值向量，

分解后的，

KYY

XX

再通过

A4.迭代计算A2～A4，直到得分矩阵u

A5.根据下式计算核矩阵的特征Φ(x)与PLS中广义特征Y的残差信息；

其中，K为N*N的核矩阵，表示特征Φ(x)的残差信息。

B.基于IFS-KEPLS新算法进行生产过程在线监测及质量预测。

实验中KEPLS算法在运行时，当数据量过大时，会面临维数灾难的问题，所以设计IFS与KEPLS组合的新算法，基于IFS-KEPLS的过程监测及质量预测的流程如图2所示，实现步骤如下。

B1.离线建模。

B11.采集生产过程的历史数据，对数据进行预处理得到X(I×J×K)。

B12.用IFS进行特征采样，得到特征基向量集S。

B13.利用特征基向量集S计算数据的核矩阵K＝K(S,S)。

B14.在高维特征空间中对核矩阵进行中心化处理，

其中，N为核矩阵的阶数，E为数学期望。

B15.采用MPLS计算回归系数矩阵，

B＝Φ

得到IFS-KEPLS模型；其中，φ为核举证的内积算子，T、U为得分矩阵。

B16.确定过程变量的趋势，进行T

B2.在线监测与质量预测。

B21.在新批次的k时刻，对所获的在线变量数据x

B22.对所得标准化处理后的数据，计算新数据X

B23.在高维特征空间中对新数据核矩阵

其中，N为核矩阵的阶数，E为数学期望。

B24.计算质量变量的估计值，

其中，φ为核举证的内积算子，T、U为得分矩阵。

B25.恢复质量预测数据，

其中，

Y

S

B26.监控新时刻的过程数据变量的趋势，进行T

B27.重复步骤B21～B26，直到当前工艺过程结束。

C.当步骤B进行质量预测的过程中，预测值严重偏离标准预测曲线即步骤B 判断出故障时，采用SV-KCD与KEPLS的组合算法，采取依次替换正常样本、并采用样本替换前后数值差的大小来找出引起质量偏差的过程变量；然后进行生产过程质量控制。具体流程如图3所示，包括以下内容：

C1.对沿批次展开标准化后的数据X(I×K×J)，求取每一列的均值向量得 M(1×KJ)，将其沿变量方向展开为M(1×K×J)。

C2.用M(1×K×J)对质量变量进行预测，得到质量变量的标准预测值Y

C3.在线监测k时刻数据test(1×J)，若与标准预测线偏离，则初步判断是过程变量引起。

C4.将M(1×K×J)中k时刻的各个变量值取出，记做norm(1×J)；将norm(1×J)的第J个变量的数值依次用test(1×J)的J个变量替换后，记为new_test(1×J)。

C5.用new_test(1×J)重新对质量变量进行预测，结果得出后，减去k时刻标准预测值，结果记录在result(1×J)中第j个变量的位置。

C6.当j＜J，将j＝j+1，转到步骤C4。

C7.对result(1×J)绘制直方图，根据对应变量直方图的正负判断过程变量对质量变量的贡献量。

本实施例是将本发明的方法应用到了发酵工艺过程中，进行产品质量的监测、预测与控制；实际运行后得到的故障1数据预测的菌体浓度如图4所示，由于不同变量引起的菌体浓度与标准预测值之间的误差如图5所示。

从图4中可以看出，24小时后菌体浓度超出标准预测线99％的置信区间，这种情况下pH值的降低可能会破坏菌体的生长环境，不能确保菌体的正常代谢，因此此种状态持续太久必将会导致生产不稳定，因此根据该图数据便可以将发酵时间控制在24小时之内，从而保证产品的质量。从图5可以看出，该过程变量引起了质量变量的偏离。

通过该实验可以证明，当质量变化出现偏离标准预测线的趋势时， SV-KEPLS算法可以有效的辨识出引起其发生偏离的过程变量，对于指导生产以及故障诊断有重要的意义。