买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：淮阴工学院

摘要：本发明公开了一种工业过程关键性指标软测量的建模方法，采集关键性的指标变量；使用t‑SNE提取数据特征；构建多层软测量集成模型，第一层建立基于误差校正的基模型，使用GRU，LightGBM，KNN分别预测，并使用TOCSA算法优化的XGBoost对初步预测结果进行校正。第二层建立基于误差加权的融合模型，将第一层各模型的软测量预测结果进行加权融合，利用LSSVM模型对这一融合结果进行进一步预测，得到了两组预测结果。第三层建立二次误差加权的集成模型，将第二层得到的两组结果再次基于误差加权得到最终结果。使用建立好的模型对工业中难以检测的关键指标进行软测量预测。本发明能够提高建模精度、增强模型的鲁棒性，能够适应复杂工业过程，并提高实时性和响应速度。

主权项：1.一种工业过程关键性指标软测量建模方法，其特征在于，包括以下步骤：S1.采集工业过程中需要测量的关键指标数据作为建立软测量模型的基础；S2.使用t分布随机邻近嵌入t-SNE方法对采集到的变量进行特征提取，以降低原始数据的输入维度，最终得到软测量模型最终的输入变量；S3.构建多层软测量集成模型，第一层建立基于误差校正的基模型，将S2中处理好的数据分别输入到循环神经网络GRU，轻量梯度提升LightGBM，K邻近算法KNN进行训练，并且使用极限梯度提升XGBoost进行误差校正；XGBoost模型误差校正步骤如下：S7.1训练初始模型：首先，使用原始数据训练一个初始的XGBoost模型；S7.2计算残差：使用GRU,LightGBM和KNN模型分别对训练数据进行预测，得到预测结果，然后，分别计算每个样本的残差，即真实值与预测值之间的差异；S7.3构建新模型：以残差作为目标变量，继续训练一个新的XGBoost模型，这个新模型的目标是通过拟合残差来减少误差；S7.4得到预测结果：使用GRU,LightGBM和KNN模型的预测结果分别加上XGBoost模型的预测结果，得到更新后的预测结果；S4.采用改进的变色龙算法TOCSA对XGBoost模型参数进行优化，所述改进的变色龙算法为采用混沌反向初始化改进变色龙算法，使用优化后的XGBoost模型对基模型结果进行校正；所述改进的变色龙算法的步骤如下：S8.1设置算法种群数量N，上下界lb、ub，维度Dim和最大迭代次数T；S8.2使用混沌反向策略代替原始算法的随机初始化，公式如下： 其中，和表示边界下限和上限；表示Tent映射生成的种群；表示反向学习生成的种群，是Tent映射生成的混沌序列，公式如下： 其中，r∈0,1；S8.3合并两个种群，计算每个个体的适应度值，选取前N个作为最终种群；S8.4搜索猎物，对于每个个体，根据其邻居个体的信息，更新自身位置，公式如下： 其中，是第i只变色龙在第j维空间第t次迭代的位置；p1，p2是控制系数；r1，r2是[0,1]内的随机数；表示第i只变色龙在第j维空间的最佳位置；Bestj为变色龙全局最优的位置；pro是变色龙感知概率；sgnrand-0.5表示变色龙的旋转方向；η是控制搜索能力的参数，表达式如下： 其中，α为敏感参数；S8.5发现猎物，其数学模型描述如下： 其中，表示第i只变色龙第j次迭代的中心位置；B是旋转矩阵，表达式如下： 其中，表示z1和z2两个向量相互正交后的向量；r∈0,1；S8.6捕捉猎物，其数学模型描述如下： 其中，表示第t次迭代的速度；表示上一次迭代的速度；a表示加速度，公式如下：a＝2590×1-e-logt19S5.第二层建立基于误差加权的融合模型，根据S3中基模型软测量预测结果的误差，为GRU，LightGBM，KNN每个模型分配不同的权值，将第一层各模型的软测量预测结果进行加权融合，得到基于误差加权的计算结果；利用最小二乘支持向量机LSSVM模型对这一融合结果进行进一步预测，得到了两组预测结果：基于误差加权的计算结果和基于LSSVM模型误差融合的预测结果；第二层建立基于误差加权的融合模型，其步骤如下：S9.1将S3中三个模型的最终预测结果分别表示为y1，y2和y3，那么基于误差的融合策略可以表示为：Y＝w1y1+w2y2+w3y320其中，w1，w2和w3表示误差权重系数，其计算公式如下： eall＝e1+e2+e322其中，e1，e2和e3分别表示GRU,LightGBM和KNN使用XGBoost误差校正后的预测误差；S9.2将融合后的结果Y送入到LSSVM模型中进行预测，得到基于误差权重的计算结果，记为Y′；S6.第三层建立二次误差加权的集成模型，将S5中得到的两组结果再次基于误差加权得到最终软测量预测结果；第三层建立二次误差加权的集成模型是将基于误差融合的预测结果Y和基于误差权重的计算结果Y′再次根据误差分配权重得到最终的软测量预测结果，公式如下：Yfinal＝w4Y+w5Y′23 e＝e4+e525其中，e4和e5分别表示Y和Y′的预测误差；S7.采用建立好的模型对工业中难以测量的变量进行预测。

全文数据：

权利要求：

百度查询： 淮阴工学院 一种工业过程关键性指标软测量建模方法