本發明設計涉及工藝指標感知，尤其涉及一種基于貝葉斯隨機增量學習的工藝指標輕量化感知方法。

背景技術：

1、工業過程的運行機理及其動態特性通常十分復雜，導致難以構建精確的過程模型。同時，由于經濟和技術水平的限制，以及在檢測裝置損壞時不能及時進行維護，使得工藝指標的在線檢測難以實現。因此，不得不利用基于數據驅動的軟測量技術建立易于測量的過程輔助變量與工藝指標之間的智能感知模型。

2、由于存儲和計算能力的限制，工業過程的分布式dcs控制系統在面對復雜結構的數據驅動模型和數據分析任務時，往往難以有效應對。因此，建立高效、輕量化的數據驅動模型對工藝指標進行感知，成為工業領域迫切需要解決的問題。近年，基于隨機學習的增量模型，即隨機增量模型，憑其構建效率高、模型輕量等優點，已經成為工業過程輕量化建模的首選工具。為提高模型的緊致性，隨機增量模型通過構建約束機制來添加隱含層節點以匹配建模任務需求。然而，現有的約束機制主要依賴當前網絡殘差，未考慮新增節點對現有模型的影響，導致不能對新增節點進行有效約束，造成模型不輕量。另外，由于測量環境的復雜性，獲取完全干凈的測量數據幾乎不可能，這些數據往往充滿了不確定性，從而給模型的精準估計帶來了極大的挑戰。

技術實現思路

1、針對現有技術中的不足，本發明提供了一種基于貝葉斯隨機增量學習的工藝指標輕量化感知方法，以解決現有技術中無法準確處理工藝過程中的不確定性問題，模型預測精度低的技術問題。

2、本發明提供了一種基于貝葉斯隨機增量學習的工藝指標輕量化感知方法，包括如下步驟：

3、步驟1：獲取工業過程的歷史數據，并對數據進行預處理；

4、步驟2：通過greville迭代法構建全局約束機制，并基于全局約束機制對生成的隱含層節點進行篩選形成候選節點池；

5、步驟3：從候選節點池中選擇對隨機增量模型精確度貢獻最大的節點參數，并計算該節點的輸出輸出矩陣，重構隱含層的輸出矩陣；

6、步驟4：通過貝葉斯統計方法優化隱含層的輸出權值；

7、步驟5：通過點增的構造方式添加隱含層節點，重復步驟2-4直至隨機增量模型構建完成；

8、步驟6：用構建的隨機增量模型對工藝指標進行感知。

9、進一步地，所述步驟2中，構建的全局約束的表達式為：ξl≥0，

10、其中，

11、式中，ebefore為隨機增量模型的殘差；

12、

13、為hl-1(x)的moore-penrose廣義逆；

14、

15、tq為t的第q個工藝指標輸出數據；s＝1,2,...,tmax。

16、進一步地，所述步驟2中，通過全局約束機制對生成的隱含層節點進行篩選過程中，還包括：

17、當生成的隱含層節點中沒有節點滿足全局約束條件時，對隱含層節點選取區間進行調整，選取區間的調整方法具體為：

18、通過在原有選取區間基礎上增加動態變化值，調整后的選取區間為：

19、[-λmin+jδλ?λmin+jδλ]d以及[-λmin+jδλ?λmin+jδλ]

20、其中，[-λmin?λmin]d以及[-λmin?λmin]為原有選取區間；jδλ為動態變化值，j∈(1,m)，m為變化的次數，δλ為選取區間變化的間隔值。

21、進一步地，所述步驟2中，還包括對全局約束機制中的學習參數進行縮放，使學習參數趨近于1。

22、進一步地，所述步驟3中，重構的隱含層的輸出矩陣為：

23、

24、式中，為對隨機增量模型精確度貢獻最大的節點的輸出矩陣，

25、

26、hl-1(x)為l-1個節點的隱含層輸出矩陣。

27、進一步地，所述步驟4的具體過程為：

28、步驟41：設定4個極小超參數；

29、步驟42：更新后驗均值和協方差，更新公式為：

30、

31、式中，γ為超參數；σ2為方差；

32、步驟43：更新超參數和方差，更新公式為：

33、

34、步驟44：重復步驟42-43直至收斂，并將獲得的后驗均值作為隱含層的輸出權值，完成優化過程。

35、本發明的有益效果：

36、本發明通過貝葉斯推理來更新隨機增量模型的輸出權值，有效地抑制了過程中的不確定性，并設計考慮新增節點對隨機增量模型影響的全局約束機制，提升了隨機參數學習的可靠性和穩定性，從而提高了模型的結構緊致性與預測精度，能夠較好的滿足工業過程輕量化軟測量建模的要求。

技術特征：

1.一種基于貝葉斯隨機增量學習的工藝指標輕量化感知方法，其特征在于，包括如下步驟：

2.如權利要求1所述的基于貝葉斯隨機增量學習的工藝指標輕量化感知方法，其特征在于，所述步驟2中，構建的全局約束的表達式為：l≥0，

3.如權利要求1或2所述的基于貝葉斯隨機增量學習的工藝指標輕量化感知方法，其特征在于，所述步驟2中，通過全局約束機制對生成的隱含層節點進行篩選過程中，還包括：

4.如權利要求1或2所述的基于貝葉斯隨機增量學習的工藝指標輕量化感知方法，其特征在于，所述步驟2中，還包括對全局約束機制中的學習參數進行縮放，使學習參數趨近于1。

5.如權利要求1所述的基于貝葉斯隨機增量學習的工藝指標輕量化感知方法，其特征在于，所述步驟3中，重構的隱含層的輸出矩陣為：

6.如權利要求1所述的基于貝葉斯隨機增量學習的工藝指標輕量化感知方法，其特征在于，所述步驟4的具體過程為：

技術總結
本發明公開了一種基于貝葉斯隨機增量學習的工藝指標輕量化感知方法，包括如下步驟：步驟1：獲取工業過程的歷史數據，并對數據進行預處理；步驟2：通過Greville迭代法構建全局約束機制，并基于全局約束機制對生成的隱含層節點進行篩選形成候選節點池；步驟3：從候選節點池中選擇對隨機增量模型精確度貢獻最大的節點參數，并計算該節點的輸出輸出矩陣，重構隱含層的輸出矩陣；步驟4：通過貝葉斯統計方法優化隱含層的輸出權值；步驟5：通過點增的構造方式添加隱含層節點，重復步驟2?4直至隨機增量模型構建完成；步驟6：用構建的隨機增量模型對工藝指標進行感知。本發明提高了模型結構緊致性與預測精度，能夠滿足工業過程輕量化軟測量建模的要求。

技術研發人員：王前進,張杭緣,楊曉冬,戴楠楠,趙泓惠,徐悅,輔小榮
受保護的技術使用者：鹽城工學院
技術研發日：
技術公布日：2025/4/24