本技术公开了一种基于多源域域适应的化工过程软测量建模方法。具体的建模流程如下,基于宽度学习网络,建立历史主工况和辅助工况的域适应模型,快速留一交叉验证方法用于参数选择。然后将模型参数共享至当前工况,计算最终输出。本发明提出的模型旨在利用多源域的互补信息,扩大预测领域,模型性能在多相流的案例中得到了验证。
背景技术
基于数据驱动的软测量方法由于低成本和低延迟的特性,已在化工过程产品质量预测、监控中广泛使用。深度学习作为数据驱动的热门研究方法,具有较好的特征拟合能力。但深度学习模型通常需要训练复杂的网络参数,当训练样本量较小时模型容易过拟合。不同于深度学习模型,提出了宽度学习网络(Broad learning system,BLS),BLS既保留了深度学习的学习能力,又具备快速建模的能力,已逐渐应用于化工过程建模。
现有软测量模型的建立通常基于训练和测试数据来自相同分布的假设。而为了满足多样化的生产和市场需求,经常改变操作条件或原料配比,生产各种规格的产品,呈现多工况过程特性。由于工况之间的非线性差异,特定工况建立的模型在跨工况建模中性能会趋于下降。因此,在新的工况下,需要重新收集标签数据训练模型。而收集标签数据费时费力,通常无法建立可靠的软测量模型。
不同于传统方法,基于迁移学习的建模思路可以放宽数据分布和标签数据的限制,利用相关工况的领域知识来扩大预测领域。通常历史工况记为源域,待预测的工况记为目标域。现有大多研究常集中在单源域迁移的场景,而单个源域的知识可能无法为目标域提供足够的信息,导致预测结果不理想。实际上,可以从不同的源域中收集具有不同分布数据,以弥补单个源域的知识不足。
实现思路