合奏基于即时学习软传感器在工业橡胶门尼粘度预测混合过程

文摘

缺乏在线传感器的门尼粘度测量提出了重大挑战,有效的监测、控制和优化的工业橡胶混合的过程。获得实时、准确估计门尼粘度的一种新的软测量方法,称为基于多通道微扰——(MP)合奏即时学习高斯过程回归(MP-EJITGPR),提出了利用合奏JIT学习。该方法采用扰动对相似性度量和输入变量生成JIT学习者的多样性。此外,一套准确、多样的JIT学习者构建通过平衡进化多目标优化的准确性和多样性目标明确。此外,所有基地JIT学习者结合自适应地使用有限的混合机制。该方法应用于一个工业橡胶门尼粘度预测混合过程,实验结果证明其有效性和优势传统的软测量方法。

1。介绍

橡胶混合是橡胶和轮胎行业的一个至关重要的一步。橡胶制品的质量高度依赖的混合原料和添加剂。门尼粘度,这表示分子量弹性体和粘弹性行为,已经被认为是一个重要的质量指标生产nonvulcanized橡胶材料(1,2]。然而在大多数橡胶和轮胎工厂,门尼粘度只能通过人工分析,确定通常需要4∼6 h后一批已经出院,而混合批处理运行过程的持续时间只有2∼5分钟。因此,近年来,软测量方法已经广泛应用于提供实时估计的门尼粘度,以获得最佳的和统一的橡胶产品质量3- - - - - -12]。

一般来说,耗时的,甚至是不可能构建精确的传感器采用基于软门尼粘度由于缺少深入的化学和物理的知识橡胶混合的过程。另外,数据驱动的软传感器已经备受关注,因为大量数据的可用性和先进的数据挖掘和分析工具13- - - - - -18]。早期的尝试数据驱动的软传感器质量评估主要关注全球建模技术,如多变量统计技术(19,20.),人工神经网络(3,21),支持向量回归(22),和高斯过程回归4,5]。最近,学习方法也被引入软测量应用程序(23]。

然而,全球软测量方法不能总是运行良好,因为他们可能不能有效地处理本地工艺特点和执行模型有效地适应。因此,在实际应用中,当地上优于软测量方法提供准确的预测更有吸引力。全球建模相比,当地学习展览两个突出的优点。首先,全球软传感器通常是基于一个常数的基本假设操作阶段和条件在整个生产过程的持续时间,而工业过程往往具有强烈的非线性,和多个操作阶段或模式。因此,从流程工业的角度来看,当地学习更适合处理复杂的工艺特点。其次,由于当地学习是完全本地化,当地的模型可以建立和更新是彼此独立的,这极大地简化了增量适应、包容、或删除本地模型和接受字段。

一般来说,有两类当地学习方法:整体方法(24- - - - - -27)和准时制(JIT)学习方法(6,7,9,12]。这些方法采用分治法哲学模型的输入和输出之间的关系通过构建一套局部有效的模型。特别是,JIT学习,称为代表当地学习范式,获得了越来越多的关注在软测量应用中对于门尼粘度估算由于其强大的非线性处理能力,时变行为、多相、多模工艺特点等。9,11,12]。然而,传统JIT软传感器试图建立一个全局最优当地建模技术的封装,相似性度量,输入变量,模型hyper-parameters,等等,而JIT的多样性学习将被忽略。为了解决这个问题,各种合奏JIT学习(EJIT)软传感器已经发展6,8,25,28- - - - - -31日]。

EJIT建模的基本思想是建立多个组件JIT学习者,然后把他们的预测。例如,刘et al。(2012) (28]采用异构预测模型构建基础JIT平均模型,然后通过一个简单的组合规则。刘和高(2015)6)开发了一个EJIT软传感器通过使用不同数据集相似,都是通过分配不同的hyperparameters支持向量聚类的异常检测。金子和Funatsu (2016) [25)开发了一个合奏局部加权偏最小二乘(LWPLS)软传感器,不同的子集在哪里第一次使用移动窗口法,然后构建多个最相关的查询选择国家建立不同LWPLS模型,最后通过贝叶斯定理整合。刘et al。(2015) (29日)建立了一个EJIT内核学习框架通过微扰hyperparameters当地的学习方法。元et al。(2018) (30.)开发了一个EJIT软传感器通过使用不同的相似性措施。此外,我们提出了一个EJIT软传感器通过扰动输入特性构建多样化的输入子空间(8]。最近,我们开发了一个EJIT软传感器采用多个基于加权欧氏距离,(结婚)的相似性措施,以一个情绪的方法优化(31日]。这些研究表明,它是可行的和有效的提高预测精度的JIT软传感器通过引入整体学习。

然而,它仍然是具有挑战性的构建高性能EJIT软传感器由于以下问题。首先,目前很多EJIT软测量方法只考虑单一扰动,扰动等训练数据(25[],相似性度量方法30.,31日),扰动输入变量(8),扰乱当地建模技术(28),或微扰模型参数29日]。在实践中,JIT的多样性学习往往是源于多种因素。其次,大多数当前的EJIT方法构建基础JIT学习者启发式的方式。在这种情况下,JIT的准确性和多样性目标学习者很难达到一个很好的权衡。最后,大多数方法采用非适应的组合权重基础JIT学习者,这将限制的预测性能EJIT软传感器。

为了解决上述问题,小说EJIT软测量的方法,称为多通道perturbation-based EJITGPR (MP-EJITGPR),提出了使门尼粘度的准确的预测。这种方法是通过集成微扰相似性度量和扰动输入变量联系在一起。与多通道扰动机制,一套准确、多样的JIT学习者是由平衡的准确性和多样性目标明确通过进化多目标优化(情绪)的方法。然后,基于有限混合机制——(FMM)加权做作的使用来实现的一种自适应组合基础的学习者。总之,本研究的主要贡献如下:(1)提出了一种多通道扰动机制利用异构相似措施和建立多样化的输入子空间,可以提高基地JIT学习者有效的多样性(2)准确的生成和多样化的JIT学习者制定为一个多目标优化问题,然后通过一个情绪的方法解决(3)基地JIT的结合学习者是通过有限混合机制,使自适应权重的分配(4)小说EJIT软测量建模框架是由集成多通道扰动机理的多样性创造,JIT学习者EMO-based一代的基地,基地JIT的FMM-based适应性结合学习者

剩下的纸收益如下。部分2简要介绍了JIT学习和高斯过程回归。部分3提议的细节MP-EJITGPR软测量方法及其实现过程。MP-EJITGPR的应用在一个工业橡胶门尼粘度预测混合过程报告部分4。最后,结论部分5。

2。预赛

2.1。及时学习

JIT学习(32),也称为懒惰学习(33)和局部加权学习(34),指的是一个家庭的算法中所有历史数据存储在一个数据库和本地模型由检索动态构建的最相似的数据查询状态。与传统的全局建模方法相比,JIT学习具有以下特点:(1)所有可用的建模数据存储在数据库中。只和那些样品最接近每个运行的查询点用于建模的预测。(2)只有当一个估计是必需的,当地的模型是动态构建基于样本相似性查询点高。(3)所构造的局部模型估算后被丢弃。

2.2。高斯过程回归

高斯过程是一个随机变量的集合,任何有限数量的遵循联合高斯分布(35]。考虑一个数据集 ,回归模型可以作为制定 在哪里代表了一个未知的回归函数表示零均值和方差的高斯噪声 。

高斯过程完全由其均值函数指定和协方差函数 :

由于建模数据通常是零均值归一化,输出观测遵循一个高斯分布 在哪里是一个协方差矩阵 代表ijth元素。在这项研究中,一个Matern与噪声项采用协方差函数: 在哪里 hyperparameters,l是输入规模,噪声方差,是输出规模、 。的hyperparameters是由贝叶斯推理决定的。

给定一个查询数据 ,训练输出和测试输出遵循一个联合高斯分布如下: 在哪里 。然后,预测的输出和方差可以计算为

3所示。提出MP-EJITGPR软传感器

在本节中,一个多通道perturbation-based合奏即时学习高斯过程回归(MP-EJITGPR)。首先,数据预处理的三方数据矩阵上进行工业橡胶混合的过程。然后,定义异构相似措施。此外,通过引入多通道扰动机制,一套准确、多样的JIT的学习者,这是配备异构相似措施和不同的子空间,通过生成一个情绪的方法。其次,采用了有限混合机制来实现的一种自适应组合基础JIT的学习者。最后,MP-EJITGPR的实现过程。

3.1。数据预处理

通常,这些容易衡量的在线数据变量的工业橡胶混合过程可以安排在一个三方矩阵 组成的流程变量测量点批次。与此同时,质量变量(即。,米ooney viscosity), which is only available at the end of the batch, i.e., time point ,可以表示为 。在软测量建模之前,需要执行必要的处理。第一,首先预处理过程数据使用一个简单的3规则异常值检测。然后,三方数据矩阵 展开成一个双向矩阵,它允许使用标准的回归技术建立预测模型在线测量变量和最终用途之间质量变量。一般来说,可以在六个不同方面展开36),其中采用分批展开在这项研究中,如图1。在实践中,这种方式的演变实际上已被公认的最有意义的一个批处理过程的分析和监控。这种方式展开,所有可能的输入变量在不同的时间瞬间可以预测最终获得质量变量。此外,由于各种过程变量的维度和大小明显不同,另一个关键的一步保证软传感器的可靠性和准确性,数据标准化,这是通过扩展的数据矩阵为零均值和单位方差在这项研究中。

3.2。异构相似性度量的定义

相似度测量在JIT建模中起着核心作用。相比传统的建模方法利用所有可用的数据,JIT方法是基于一个小数据集构建一个本地模型相似性高的查询数据。因此,建筑高度精确的关键JIT软传感器是定义合适的相似性度量。尽管各种相似性措施的可用性,这是绝望的寻求相似性评价标准,这是一直比其他指标在不同的应用场景。因此,它是一种常见的做法,选择最好的相似性措施对于一个给定的任务,这通常是费时的,甚至是不可能的。在实践中,不同的相似性度量可以提供不同的见解数据点之间的相似性评价。在这个工作,因此,异构的相似性措施将JIT学习相结合,包括欧几里得距离——(ED)相似,余弦相似度(cos),协方差加权距离——(鹿)相似性为基础,和相关系数(CC)相似。

ED相似性测量是最常用的度量JIT学习由于其简单性和效率。定义基于欧氏距离的点之间的空间;也就是说, 在哪里的标准偏差 和是一个本地化参数。

ED相似性的一个缺点是忽略输入变量之间的差异。为了解决这个问题,各种加权提出了基于距离的相似性度量,其中定义的相似度度量是慢性消耗性疾病考虑输入变量之间的关系,在输入和输出变量。(37慢性消耗病),使用加权距离度量相似度定义为: 在哪里代表一个权重矩阵,和分别输入和输出矩阵。

另外,利用空间中的两个向量的夹角,余弦相似性度量可以被定义为 在哪里表示两个向量的夹角的余弦值。

除了标准的距离和角度,两个向量之间的相关性也可以用来评估样本之间的相似性。为了简单起见,不失一般性,常用的相关系数(CC)标准是用来定义相似性测量如下: 在哪里和分别用于计算协方差和方差。

值得注意的是上述相似性度量的定义从不同的观点,因此在不同的应用中有不同的行为。所以,一个很有前景的解决方案对进一步改善预测性能的JIT学习软传感器是使用异构的相似性措施一起,还没有被很好地研究,将在下一节中讨论。

3.3。代基JIT学习者通过进化多目标优化

当考虑JIT学习为基础对集成学习的学习者,EJIT建模本质上是一个整体的方法。事实证明理论上和经验,准确性和多样性基础学习者都保证高整体性能的关键(38]。根据著名的偏见方差分解(39)和error-ambiguity分解(40)理论,更准确和更多样的基础学习,更好的合奏。因此,发展高性能EJIT软传感器的成功在于生成准确和JIT学习者多样化的基础。

整体学习在各种软传感器、微扰训练数据仍然是主导创造多样性,如聚类(41),移动窗口(24,27),引导抽样(42,43),和序贯抽样44]。然而,这样的数据操作策略并不总是函数EJIT建模因为JIT的学习只依赖一小部分相关样品每次运行的预测和敏感随机性注入到数据库。此外,输入变量的扰动发展中整体软传感器往往被忽视。此外,许多现有的基础学习者生成方法是基于启发式机制没有测量或确保明确基础学习者之间的差异。

因此,在这项研究中,多样性的一代是通过多通道扰动机制,即。一起,扰乱相似性测量和输入变量。然后,准确的生成和多样化的基础JIT学习者制定为一个多目标优化问题(拖)。最后,拖把的问题是解决了通过使用一个情绪的方法,从而导致准确性和多样性的目标之间的权衡。在接下来的决策变量,优化目标,采用情绪方法详细。

假设JIT的学习者,每个特征是一个相似性度量和一个输入子空间,需要构建一个EJIT模型。自异构的相似性措施提前定义,决策变量只包括选择变量,标明是否选择一个输入变量,以形成一个子空间。也就是说,决策向量可以表示如下: 在哪里和表示的数量基础JIT学习者构建子空间的潜在的输入变量,分别。是一个二进制变量,这表明包含和排除输入变量的使用“1”和“0”,分别。

此外,准确性和多样性定义目标。在这项研究中,整体精度给出的平均个人的精度。给定的训练数据集 和一个独立的验证集 ,客观的估计精度 在哪里表示的均方根误差(RMSE)验证集米JIT的学习者。

与精度目标相比,测量整体多样性却并非易事。到目前为止,没有公认的正式制定和措施合奏的多样性。因此,在这项研究中,个人预测输出的标准偏差是用来评估整体的多样性。通过应用JIT的学习者, ,个人的预测输出JIT学习者可以给出 在哪里是一个列向量表示预测的输出向量在验证数据使用吗米JIT的学习者。

让斜体R是一个行向量表示预测输出各基地JIT的学习者我查询数据验证集。然后,合奏多样性可以定义如下: 在哪里验证样本的数量,的标准偏差 。

建立准确、JIT学习者多样化的基地,小和大是可取的。因此,JIT生成精确的和多样化的学习者可以制定biobjective优化问题:

在方程(解决拖把的问题15),最著名的情绪摇滚算法,即。,NSGA-II(nondominated sorting genetic algorithm II), is employed. Details about the NSGA-II algorithm can be found in [45]。首先,决策向量编码为二进制字符串,并创建一个初始种群。然后,帕累托最优的解决方案可以通过执行下列程序:(我)第一步:生成一个初始种群个人。(2)第二步:评估每个种群中通过计算的准确性和多样性目标,也就是说,和 。(3)第三步:重复以下步骤,直到达到停止条件。(一)分配一个号码前面所有解决方案通过使用nondominated排序和拥挤距离计算。(b)生成一个后代人口使用二进制锦标赛选择、重组和变异操作。(c)评估每个解决方案在步骤(2)。(d)合并当前和后代群体,精英主义是保证。(e)排序合并人口的解决方案根据nondominated排序方法。(f)选择第一个解决方案从合并后的人口和增加代计数器。(iv)第四步:找到帕累托最优解决方案的结合上一代人口通过应用nondominated排序方法。

这个步骤的结果是一组帕累托最优解决方案,其中之一就是选择MP-EJITGPR建模的整体建设。

3.4。自适应组合基础JIT学习者的有限混合机制

利用多通道微扰和EMO优化,一组准确、多样的JIT的学习者可以,在哪里摘要探地雷达方法建造的。当一个请求查询数据预测,每个基本JIT学习者使输出变量的预测。得到最终的预测,这些个人预测需要的总和。

一般来说,有两类方法:结合非适应和自适应权重。在前,权重分配基础学习者保持不变一旦部署到实际操作,而在后者权重分配自适应适应查询流程状态。最简单的非适应平均加权法是简单的规则,提供个人预测的平均值作为最终的预测。另一个流行的非适应权重是根据他们的预测能力来确定权重训练集和验证集。例如,可以确定权重通过使用线性回归方法,如PCR和请。此外,学习者可以通过学习基础的结合,即。叠加,这通常会导致一个非适应的组合模型。然而,非适应组合方法的缺陷是,他们倾向于更大的权重分配给展览优秀的预测的模型训练集和验证集,这可能会导致高估或低估的权重,从而恶化整体模型的泛化能力。因此,自适应组合策略非常有吸引力。

在这项研究中,提出了一种有限混合系统,自适应加权法实现的组合基础的学习者。一个新的查询数据 ,的预测分布米th输出目标变量的估计米th JITGPR模型和遵循一个高斯分布如下: 在哪里分别预测均值和方差。

假设当地的预测是独立实现的整体输出变量 。也就是说,来自一个有限混合分布 。因此,通过应用有限混合机制(26,46)的均值和方差的预测分布目标变量可以通过结合所有本地估计预测: 在哪里和代表方差预测输出和使用米th JITGPR模型,分别;和表示混合重量满足以下约束条件:

因为预测的不确定性可以有效地指示输出预测的置信水平,我们假设混合权重从个人JITGPR模型预测方差成反比。因此,可以估计如下: 在哪里是一个可调参数。

提出FMM-based组合策略允许将从个人JITGPR模型预测结合自适应预测的每次运行。

3.5。实施程序

的循序渐进的过程,提出了MP-EJITGPR门尼粘度软测量方法预测总结如下,此方法的示意图如图2。

3.5.1。离线优化阶段

(一)收集过程数据批处理过程的模型训练和验证(b)执行数据处理,包括异常检测、数据展开,mean-centering和扩展(c)制定准确的生成和多样化JITGPR模型为一个多目标优化问题(拖)(d)解决拖把问题使用情绪的方法,即。,NSGA-II(e)表现最好的帕累托最优解决方案,通过使用一个一组JITGPR模型异构的特征相似性措施和不同输入子空间构造

3.5.2。在线预测阶段

(一)对于任何查询数据,米相关子集获得通过使用异构的相似性措施和不同输入子空间。(b)米JITGPR构造模型,进一步提供预测输出和目标变量的方差。(c)最后预测输出和方差就是用该FMM-based JITGPR模型构建的组合方法,然后丢弃。新的查询数据时,则跳转到步骤(a)。

值得注意的是,提出的计算负载MP-EJITGPR方法主要集中在离线优化阶段,尤其是NSGA-II-based EMO优化。然而,一旦学习配置生成多样化的JIT模式取得了,在线预测新的测试样本可以快速进行。这是因为,一方面,如果适当定义的相似性措施,只有少量的样本选择的本地在线建模,使多样化的快速训练JIT为每个查询数据模型。另一方面,有限的混合系统,自适应组合是非常有效的,因为只有简单的计算。因此,该方法可以应用提供实时估计一个工业橡胶门尼粘度的混合过程。

4所示。应用程序一个工业橡胶混合的过程

的有效性和优越性,提出了门尼粘度预测MP-EJITGPR软传感器通过工业橡胶混合过程演示了在中国。用于比较的方法如下:(1)请(偏最小二乘回归):全球请模型(2)探地雷达(高斯过程回归):全球GPR模型(3)GMMGPR:高斯混合模型(GMM)基于合奏GPR模型(4)JITGPR (ED相似):JIT学习探地雷达使用相似性度量(5)JITGPR(余弦相似性):JIT学习探地雷达使用余弦相似性度量(6)JITGPR(慢性消耗病相似):JIT学习探地雷达使用相似性测量慢性消耗性疾病(7)JITGPR (CC相似):JIT学习探地雷达使用CC相似的措施(8)SP-EJITGPR (SAR):相似性perturbation-based EJITGPR用简单平均规则(SAR)的组合(9)SP-EJITGPR(请叠加):相似性perturbation-based EJITGPR请叠加组合(10)SP-EJITGPR (GPR叠加):相似性perturbation-based EJITGPR与探地雷达叠加组合(11)SP-EJITGPR (FMM):相似性perturbation-based EJITGPR有限混合机制的组合(12)MP-EJITGPR (SAR):多通道perturbation-based EJITGPR平均用一个简单的规则组合(13)MP-EJITGPR(请叠加):多通道perturbation-based EJITGPR请叠加组合(14)MP-EJITGPR (GPR叠加):多通道perturbation-based EJITGPR与探地雷达叠加组合(15)MP-EJITGPR (FMM)(该方法):多通道perturbation-based EJITGPR有限混合机制的组合

总共15个软测量方法,以及他们的特征比较表1。这些方法大致可以分为五类:(1)全局方法,即。,请和探地雷达;(2)整体通过训练数据扰动方法,即。GMMGPR;(3)JITGPR使用单一的相似性度量方法;(4)EJITGPR使用相似的方法摄动和整体学习,即。SP-EJITGPR;(5)EJITGPR使用多通道微扰的方法和整体学习,即。,MP-EJITGPR。对于那些EJIT方法,研究了四种类型的组合方法,即。,simple averaging rule (SAR), PLS stacking, GPR stacking, and finite mixture mechanism (FMM).

建模数据分成三个部分:建模学习训练集,验证集参数调优和EMO优化,评估和测试集模型。此外,一些重要的参数应该是预先确定的。在细节,主成分的数量请选择基于验证集上的预测精度。当地的建模的大小和可调参数在方程(19)是由试验和错误决定的。此外,优化设置NSGA-II给出如下:人口规模 ,大小和最大的代 。

评估的预测性能软传感器、三个指标,即均方根误差(RMSE),相对RMSE(推定),确定系数( ),使用: 在哪里和分别表示实际和预测输出;代表了平均值;和是测试样品的数量。

电脑配置实验如下。操作系统:Windows 10(64位);CPU:英特尔(R)(TM)核心i7 - 6700 (3.4 GHz×2);内存:8 g字节;和仿真软件MATLAB R2016a。MATLAB代码运行GPR回归可以从该网站下载:http://www.gaussianprocess.org/gpml/code/matlab/doc/。

4.1。过程描述

橡胶混合是橡胶和轮胎行业的一个至关重要的一步。(7,8工业橡胶混合过程在这项研究是在中国轮胎公司。工业生产现场如图3。橡胶混合过程持续2分钟,在此期间各种原材料被送入原料橡胶生产合成橡胶技术公式,然后根据各种复杂化学反应发生在一个内部的混合器。一般来说,门尼粘度是一个关键指标监控产品质量的橡胶混合的过程。然而,在实际生产过程中,门尼粘度仅通过测量粘度计的大延迟4∼6 h后一批已经出院。因此,它就变成了挑战,以确保最佳的和统一的混合橡胶的质量。幸运的是,软测量技术提供实时估计门尼粘度的可能性。因此,我们试图建立一个高性能的软传感器门尼粘度预测研究中。用于软测量建模的流程变量包括混合室温度,电机功率,冲压力,电机速度和能量。

4.2。门尼粘度的预测结果

建模数据收集从DCS系统和实验室分析,然后预处理通过使用一个简单的3规则异常值检测、分批展开零意味着定心,和一个方差比例。的采样间隔2 s, 1172批次选择从三个内部搅拌机和进一步分为三组:822批次作为训练集,175批次作为验证集,和175批次测试集。通过考虑时间瞬间0年代,14年代,18岁,22岁的年代,…,118年代,140推迟和nondelayed变量得到潜在的输入变量和门尼粘度选择作为输出变量。

门尼粘度的预测结果展示在表从不同的软测量方法2。容易观察到,请导致这些方法中最贫穷的预测性能RMSE,推定R²。这主要是因为请不能有效处理非线性橡胶混合的过程。相比之下,其他非线性软测量方法实现比请更好的预测精度。尽管探地雷达得到显著地提高精度,它仍然会产生高预测错误由于其失败在处理当地的工艺特点。而不是依赖全球模型、GMMGPR和各种JITGPR方法采用当地学习哲学,从而获得更好的性能比全球探地雷达。尽管GMMGPR表现良好在这个案例研究中,JITGPR方法更有吸引力来提供更好的预测性能。

然而,JITGPR方法的预测精度是高度相关的相似性度量定义。我们可以看到在桌子上2相似,不同的预测性能是通过使用不同的措施。在真实的应用程序中,很难确定哪些相似性度量执行提前最好。因此,一个有前途的想法是充分利用多个相似措施JIT的优点学习通过使用集合的方法。正如所料,通过引入整体学习,SP-EJITGPR可以提供更好的预测结果比单一相似的控制JITGPR方法。然而,值得注意的是,不恰当的组合方法会导致性能下降,而不是改进。在组合方法相比,提出的FMM-based组合成功获得显著的性能提高,而简单的平均规则,请堆积,和探地雷达堆积导致性能下降。这些结果表明,集成异构相似的措施和FMM-based自适应组合方法显著允许改善JIT的预测精度学习软传感器。

除了相似度测量,输入变量选择保证JIT的性能也是至关重要的学习。因此,有趣的是探索EJITGPR模型只使用相似性扰动是否可以进一步改善或不同时对相似性度量和输入变量进行扰动。正如我们所预期,FMM-based自适应组合使用时,使用多通道微扰EJITGPR模型,即比SP-EJITGPR MP-EJITGPR (FMM),执行方法。再次,简单平均规则,请叠加,探地雷达叠加函数不是很好在这项研究中,因为它们无法适应。以上的观察表明,该MP-EJITGPR (FMM)软测量方法相比,方法是最好的。此外,如图4MP-EJITGPR的优越的预测性能(FMM)进一步验证了一个好的协议门尼粘度的预测和实际趋势图。

进一步调查的估计性能MP-EJITGPR (FMM)软测量预测JITGPR RMSE值,SP-EJITGPR, MP-EJITGPR在不同地方建模尺寸对比图5。它可以发现,当地的建模样本的增加会导致预测精度降低所有方法相比在大多数情况下。特别是,对于这个案例研究中,JITGPR方法的预测精度和SP-EJITGPR使用小地方建模尺寸明显比使用大局部建模大小。相比之下,该MP-EJITGPR (FMM)是不太敏感的地方比其他方法建模的大小。因此,该方法比其他传统JIT更可取的方法在提供准确和可靠的预测。

相比传统JIT学习软传感器,MP-EJITGPR的突出预测性能(FMM)主要是由于多通道微扰的有效合作,EMO优化和自适应组合整体建设。一方面,利用异构相似的措施,即。,ED, cosine, CWD, and CC similarity metrics, and input variable selection for constructing subspaces shown in Figure6,可以帮助生成JITGPR模型准确、多样的基地。另一方面,基地的准确性和多样性目标JITGPR模型可以通过使用一个平衡情绪的方法。此外,FMM-based自适应组合方案允许提出MP-EJITGPR方法适应查询流程状态的动态分配的权重基础JITGPR模型,如图7。

此外,实时性能的MP-EJITGPR (FMM)在线预测进行了分析。每次运行的平均CPU时间的预测在不同地方建模尺寸如图8。显然,在线计算负载过大增加当地的建模样本。然而,只有一个小地方建模所需的相关子集,和预测不到1 s在实际应用是完全可以接受的。

获得应用程序的结果证实该MP-EJITGPR (FMM)软测量方法优于其他传统JIT软传感器,这意味着它更适合提供准确的预测一个工业橡胶门尼粘度的混合过程。

5。结论

本文提出了一种新的软测量方法MP-EJITGPR促进准确估计一个工业橡胶门尼粘度的混合过程。这种方法使加强基地的多样性JIT学习者通过多通道扰动机制,即。、微扰相似性度量和输入变量。此外,一组准确和JIT学习者多样化的基础是由雇佣一个情绪的方法实现的准确性和多样性之间的权衡目标明确。此外,利用有限混合机制来实现的一种自适应组合基础JIT的学习者。通过集成多通道perturbation-based多样性,JIT学习者情绪摇滚文中针对一代的基地,和FMM-based基础学习者EJIT建模的自适应组合,提出MP-EJITGPR方法允许提供显著改善预测性能对其传统的非线性过程建模。演示了该方法的优越性和有效性通过一个工业橡胶的门尼粘度预测混合过程。

除了案例研究,该方法有可能解决流程工业中其他非线性建模问题。在未来的研究中,更多的努力鼓励扩展图书馆的异构相似措施和改善多样性产生机制构建高性能JIT软传感器。此外,尽管本文主要集中在操纵输入变量构建多样化的输入空间基于演化多目标优化方法,利用特征提取通过深度学习和利用未标记数据semisupervised学习改善预测性能软传感器也有趣的(47]。这将是未来的研究。

命名法

答:	相关系数
慢性消耗病:	协方差加权距离
艾德:	欧氏距离
EJIT:	合奏即时学习
EJITGPR:	合奏即时学习高斯过程回归
情绪:	进化多目标优化
FMM:	有限混合机制
探地雷达:	高斯过程回归
JIT:	及时学习
JITGPR:	即时学习高斯过程回归
拖把:	多目标优化问题
MP-EJITGPR:	多通道perturbation-based合奏即时学习高斯过程回归
NSGA-II:	Nondominated排序遗传算法
特别行政区:	简单的平均规则
SP-EJITGPR:	相似性perturbation-based合奏即时学习高斯过程回归。

数据可用性

橡胶混合过程的工业数据集在目前的研究是不允许公开商业机密的原因。

的利益冲突

作者声明没有经济利益的冲突。

确认

这项工作是支持部分由中国国家自然科学基金(国家自然科学基金委)(61763020,61763020,61563025),云南省应用基础研究项目(2018 fd040),云南教育部门和科研基金项目(2017 zzx149)。

引用

1. e . Ehabe f . Bonfils c . Aymard a . k . Akinlabi和j·爱Beuve,“造型天然橡胶的门尼粘度放松。”聚合物测试,24卷,不。5,620 - 627年,2005页。视图:出版商的网站|谷歌学术搜索
2. j·e·马克,b·厄尔曼和m·罗兰橡胶的科学和技术。橡胶的科学和技术美国IA,学术出版社,罗兰,2013。
3. 诉Vijayabaskar, r·古普塔,p . p . Chakrabarti和a . k . Bhowmick”预测橡胶用人工神经网络的性质,“应用聚合物科学杂志》上,卷100,不。3、2227 - 2237年,2006页。视图:出版商的网站|谷歌学术搜索
4. >,k歌,陈宗柏。通,f . Wu”一种新的非线性自适应门尼粘度模型基于DRPLS-GP橡胶混合算法过程中,“化学计量学和智能实验室系统卷。112年,17-23,2012页。视图:出版商的网站|谷歌学术搜索
5. k歌,f . Wu陈宗柏。通,X.-J。王”,一个实时混合橡胶的门尼粘度预测模型基于独立分量regression-Gaussian过程算法,”化学计量学杂志》,26卷,不。11 - 12,557 - 564年,2012页。视图:出版商的网站|谷歌学术搜索
6. 刘y和z高,“实时属性预测一个工业橡胶混合过程与概率合奏高斯过程回归模型,”应用聚合物科学杂志》上,132卷,2015年。视图:出版商的网站|谷歌学术搜索
7. y, y粉丝,l .周f·金和z高,“合奏correntropy-based工业橡胶门尼粘度预测模型的混合过程中,“化学工程与技术,39卷,不。10日,1804 - 1812年,2016页。视图:出版商的网站|谷歌学术搜索
8. k, h, x, j .戴l . Wang和d·张,“软传感器开发的在线质量预测工业批量使用合奏橡胶混合过程实时高斯过程回归模型,”化学计量学和智能实验室系统卷,155年,第182 - 170页,2016年。视图:出版商的网站|谷歌学术搜索
9. w·金、刘y和z高,“快属性预测工业橡胶混合过程中与当地榆树模型,”应用聚合物科学杂志》上,卷134,不。41岁,45391年,页2017。视图:出版商的网站|谷歌学术搜索
10. l·w·郑高x, y . Liu, j .杨和z高,“工业门尼粘度预测使用快速semi-supervised实证模型,”化学计量学和智能实验室系统卷,171年,第92 - 86页,2017年。视图:出版商的网站|谷歌学术搜索
11. w .郑,刘y, z高,j .杨“即时semi-supervised质量软测量预测工业橡胶混炼机,”化学计量学和智能实验室系统卷。180年,36-41,2018页。视图:出版商的网站|谷歌学术搜索
12. 锅,h·金王l . et al .,“基于即时学习软传感器与变量选择和权重优化进化优化质量预测的非线性过程,”化学工程的研究和设计卷,144年,第299 - 285页,2019年。视图:出版商的网站|谷歌学术搜索
13. l .命运,Graziani, a·里索和m . g . Xibilia软传感器用于监视和控制工业过程施普林格科学与商业媒体,海德堡,德国,2007年。
14. m·卡诺和y中川”,基于数据的过程监控、过程控制和质量改进:最近在钢铁行业的发展和应用,“计算机与化学工程,32卷,不。1 - 2日,12 - 24,2008页。视图:出版商的网站|谷歌学术搜索
15. p . Kadlec b Gabrys, s . Strandt“数据驱动的软传感器在流程行业,”计算机与化学工程,33卷,不。4、795 - 814年,2009页。视图:出版商的网站|谷歌学术搜索
16. 李x, y沈,h·高,o . Kaynak“基于数据的技术专注于现代工业:概述,“IEEE工业电子产品,卷62,不。1,第667 - 657页,2015。视图:出版商的网站|谷歌学术搜索
17. z通用电气,z的歌,s . x叮和黄,“流程工业数据挖掘和分析:机器学习的角色,”IEEE访问5卷,第20616 - 20590页,2017年。视图:出版商的网站|谷歌学术搜索
18. 江y和s .阴,“最近的进步关键绩效指标的预后和诊断matlab工具箱:Db-kit,”IEEE工业信息,15卷,不。5,2849 - 2858年,2018页。视图:出版商的网站|谷歌学术搜索
19. 金子h . m .荒川,k . Funatsu”发展的一种新的软测量方法使用独立分量分析和偏最小二乘回归,”AIChE杂志,55卷,不。1,第98 - 87页,2010。视图:谷歌学术搜索
20. l .周y, z .通用电气,z的歌,“多重速率的因素分析模型的故障检测多重速率的过程,”IEEE工业信息,15卷,不。7,4076 - 4085年,2019页。视图:谷歌学术搜索
21. g . Padmavathi s . p . Mitra m·g·曼丹和k·k·乔杜里,”神经聚丁二烯橡胶的门尼粘度,造型”计算机与化学工程卷,29号7,1677 - 1685年,2005页。视图:出版商的网站|谷歌学术搜索
22. k .德赛y Badhe, s . s . Tambe和b . d . Kulkarni“土木工程发展馈料式生物反应器利用支持向量回归,”生化工程杂志,27卷,不。3、225 - 239年,2006页。视图:出版商的网站|谷歌学术搜索
23. x元,l·李,王y”非线性动态软测量建模与监督长短期记忆网络,”IEEE工业信息,16卷,不。5,3168 - 3176年,2020页。视图:出版商的网站|谷歌学术搜索
24. p . Kadlec和b . Gabrys”,当地上优于自适应软传感器催化剂活化预测,“AIChE杂志卷,57号5,1288 - 1301年,2011页。视图:出版商的网站|谷歌学术搜索
25. h .金子和k . Funatsu合奏局部加权偏最小二乘建模方法在检测时间,“AIChE杂志,卷62,不。3、717 - 725年,2016页。视图:出版商的网站|谷歌学术搜索
26. w·h·金x Chen Li y Kai,和w·雷,“自适应软传感器开发基于网络整体高斯过程回归的非线性时变的批处理过程,”工业化学与工程化学研究,54卷,不。30日,第7345 - 7320页,2015年。视图:出版商的网站|谷歌学术搜索
27. j·h·金x Chen Yang张h . l . Wang和l .吴”多模型自适应软测量建模方法利用当地学习和在线支持向量回归非线性时变的批处理过程,”化学工程科学卷,131年,第303 - 282页,2015年。视图:出版商的网站|谷歌学术搜索
28. y刘、黄d和y,“发展区间软传感器使用增强的实时预测学习和归纳的信心,“工业化学与工程化学研究,51卷,不。8,3356 - 3367年,2012页。视图:出版商的网站|谷歌学术搜索
29. 张y, z, j·陈,“合奏本地内核学习在线预测的分布式产品输出在化学过程中,“化学工程科学卷,137年,第151 - 140页,2015年。视图:出版商的网站|谷歌学术搜索
30. 周x元(j . y . Wang和c·杨,“多人相似性测量驱动合奏就量量时间学习工业过程的软测量,”化学计量学杂志》,32卷,不。9 p . e3040 2018。视图:出版商的网站|谷歌学术搜索
31. h·金,b .潘、陈x和钱,“合奏即时学习框架通过进化多目标优化非线性工业过程软测量发展的,”化学计量学和智能实验室系统卷,184年,第166 - 153页,2019年。视图:出版商的网站|谷歌学术搜索
32. g . Cybenko“即时学习和评估,”识别、适应、学习:学习模型的科学数据、美国Bittanti和g . Picci Eds。,卷。153of Nato ASI Series F Computer and Systems Sciences, pp. 423–434, Springer-Verlag, Berlin, Germany, 1996.视图:出版商的网站|谷歌学术搜索
33. d . w .啊,懒惰的学习施普林格科学与商业媒体,柏林,德国,2013年。
34. a·w·c·g·艾特克森称,摩尔,s . Schaal“局部加权学习”人工智能审查施普林格,页11 - 73年,柏林,德国,1997年。视图:出版商的网站|谷歌学术搜索
35. c·k·威廉姆斯和c·e·拉斯穆森高斯过程机器学习美国剑桥,麻省理工学院出版社、剑桥、马,2006年。
36. j . a . Westerhuis t . Kourti和j·f·麦格雷戈,“比较选择批处理数据的多元统计分析方法,”化学计量学杂志》,13卷,不。3 - 4、397 - 413年,1999页。视图:出版商的网站|谷歌学术搜索
37. k . Hazama和m .卡诺”Covariance-based高性能自适应的局部加权偏最小二乘建模、”化学计量学和智能实验室系统卷。146年,55 - 62、2015页。视图:出版商的网站|谷歌学术搜索
38. Z.-H。周,整体方法:基础和算法查普曼和大厅/ CRC, 2012年美国佛罗里达州博卡拉顿的。
39. 美国德国造,大肠Bienenstock称,r . Doursat“神经网络和偏差/方差困境”神经计算,4卷,不。1,1-58,1992页。视图:出版商的网站|谷歌学术搜索
40. 答:克罗和j . Vedelsby”神经网络乐团,交叉验证和主动学习,”先进的神经信息处理系统5卷,第238 - 231页,1995年。视图:谷歌学术搜索
41. j . Yu”在线质量预测的非线性和非高斯化学过程动态变化使用基于有限混合模型的高斯过程回归的方法,”化学工程科学卷。82年,比如22 - 30,2012页。视图:出版商的网站|谷歌学术搜索
42. t·陈和j .任“装袋高斯过程回归。”Neurocomputing,卷72,不。7号到9号,第1610 - 1605页,2009年。视图:出版商的网站|谷歌学术搜索
43. z通用电气和z的歌,“合奏独立分量回归模型和软传感应用,”化学计量学和智能实验室系统卷,130年,第122 - 115页,2014年。视图:出版商的网站|谷歌学术搜索
44. H.-X。田,Y.-D。刘,R.-R k . Li。杨,孟,“一个新的演算法。红外软测量方法,健壮的操作优化钢包炉精炼,“ISIJ国际卷,57号5,841 - 850年,2017页。视图:谷歌学术搜索
45. k . Deb, A .普拉塔普,美国阿加瓦尔和t . Meyarivan”一个快速和精英多目标遗传算法:nsga-II,”IEEE进化计算》第六卷,没有。2、182 - 197年,2002页。视图:出版商的网站|谷歌学术搜索
46. s . Fruhwirth-Schnatter有限的混合物和马尔可夫转换模型施普林格科学与商业媒体,柏林,德国,2006年。
47. 郑,k . Liu y, h·陈,x,, y,“健壮的软测量与深层内核学习质量预测在橡胶混合过程中,“传感器,20卷,不。3,p。695年,2020年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Huaiping金等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。