基于相似度多源域迁移学习策略的间歇过程质量预测方法.pdf

《基于相似度多源域迁移学习策略的间歇过程质量预测方法.pdf》由会员分享，可在线阅读，更多相关《基于相似度多源域迁移学习策略的间歇过程质量预测方法.pdf（16页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010523586.5 (22)申请日 2020.06.10 (71)申请人 中国矿业大学 地址 221000 江苏省徐州市大学路1号 (72)发明人 褚菲彭闯王嘉琛陆宁云 王福利高富荣马小平 (74)专利代理机构 北京淮海知识产权代理事务 所(普通合伙) 32205 代理人 周淑淑 (51)Int.Cl. G05B 19/418(2006.01) (54)发明名称 基于相似度多源域迁移学习策略的间歇过 程质量预测方法 (57)摘要 一种基于相似度多源域迁移学习策略的间 歇。

2、过程质量预测方法， 通过采集目标域和源域过 程的输入输出数据， 将多个源域旧过程和目标域 新过程的三维输入数据按批次方向展开为二维 数据矩阵， 对所有过程的输入输出数据进行标准 化； 通过数据之间的欧式距离计算每个源域旧过 程与目标域新过程的相似度， 同时计算每个源域 旧过程的样本数量， 确定影响迁移效果的两个主 要因素， 基于这两个主要影响因素给出三个具体 的选择和标准： 拒绝迁移、 择优单迁、 多源集成迁 移， 在尽可能避免 “负迁移” 的同时， 利用多个相 似源域中旧流程的数据信息， 减少数据资源的浪 费， 提高迁移学习的效率和灵活性， 更好地协助 并加速目标域中新过程的建模， 从而提高。

3、质量预 测的准确性。 权利要求书2页 说明书10页 附图3页 CN 111610768 A 2020.09.01 CN 111610768 A 1.一种基于相似度多源域迁移学习策略的间歇过程质量预测方法， 其特征在于， 对于 目标域新过程T而言， 存在多个与其相似的源域旧过程Si(i1,2,.,M)， 它们的生产设备 完全一样， 但是内部参数的设置存在差异， 目标域新过程T由于刚投入运行， 生产数据很稀 少； 而多个源域旧过程由于投入生产时间早而拥有充足的数据， 设间歇生产过程的三维输 入数据矩阵和输出矩阵分别为XRIJK、 YRIK， 其中， I表示过程批次数， K表示采样时间， J表示过程。

4、变量数， 具体方法包括以下步骤： 步骤1、 数据采集： 对于给定的目标域新过程T， 基于过程相似度和先验知识找到与之相 似的多个源域旧过程Si(i1,2,.,M)， 采集目标域和源域各个过程的输入和输出数据； 步骤2、 数据预处理： 将多个源域旧过程Si(i1,2,.,M)和目标域新过程T的三维输入 数据按批次方向展开为二维数据矩阵， 然后对所有过程的输入和输出数据进行标准化； 步骤3、 相似度评估、 计算以及源域样本量的统计： 通过数据之间的欧式距离计算每个 源域旧过程与目标域新过程的相似度， 记录为 1, 2,., M， 且 (0,1)， 同时计算每个源 域旧过程的样本数量， 并记录为:N。

5、1,N2,.,NM； 如公式(1)所示， 式中： Si为第i个源域旧过程； T为目标域新过程； 和为目标域新过程的数据中心； 和为源域旧过程的数据中心； d(Si,T)表示源域内的每个旧过程与目标域内的新进程之间的欧氏距离； i表示相似度； 步骤4、 根据判别式决定是否执行迁移， 其中， (0,1)为预设经验值常数， 如果 i 成立， 则筛选出满足条件 i 的源域； 否则， 拒绝迁移， 并终止整个迁移过程， 进入步 骤6的建模过程； 步骤5、 选择迁移方法： 根据判别式决定具体的迁移方法， 其中， (0,1- )为预设经验值常数， 代表容纳源域的能力， 与 max和N max皆成反比； max。

6、表示源域旧过程中 与目标域新过程的最大相似度； N max表示具有最大相似度的源域旧过程的样本数量； 如果选择满足条件的多个源域并保留， 执行多个源域的集 成迁移； 否则， 直接选择相似度最高的源域旧过程 max进行择优单迁； 步骤6、 根据步骤5所选择的迁移方法， 对目标域新过程建立合适的多源迁移学习模型， 开始一个新的批次并获得输入数据xnew， 进而对新间歇过程的产品质量进行预测； 步骤7、 新的批次运行结束后， 获得实际质量指标ynew， 并计算其和原始目标域数据之间 的相似度 new； 步骤8、 根据判别式 new ， 其中， 为预设常数， 用来判断产生的新数据与原来的数据的 偏差程。

7、度， 初步确定是否需要同时更新目标域和迁移策略， 如果 new ， 则转到步骤9， 否则 执行步骤1； 权利要求书 1/2 页 2 CN 111610768 A 2 步骤9、 根据累计新生产的批次总数n是否满足判别式nm， 其中m为预设常数， 再次确定 目标域和迁移策略是否需要同时更新， 如果nm成立， 则同时更新目标域和迁移策略， 目标 域更新公式如公式(2)所示， 然后执行步骤1， 否则转到步骤10； 式中： xnew和ynew代表新产生的新过程数据； XT,old和YT,old代表目标域新过程已有的建模数据； 步骤10、 首先， 计算当前的最新质量预测误差 new， 最新质量预测误差其中。

8、， y 是实际质量值， 是模型预测质量值， 并判断最新质量预测误差是否连续k次稳定在一定区 间， k为预设常数， 即根据前后批次间质量预测误差的差值是否连续k次小于阈值其中， 阈值是预先设定的一个很小的接近0的正常数， 并根据结果确定是否需要进行数据剔除； 如果成立， 计算数据相似度， 并从迁移的源域数据集中剔除相似度最低的几组数据， 然后再 填充新批次数据以更新建模数据集， 数据之间的相似度计算公式如公式(3)所示， 否则， 直 接填充新批次数据以更新目标域中的建模数据集而不更新迁移策略； 式中： (xSi,ySi)代表源域旧过程数据； 代表目标域新过程的数据中心； 代表新旧过程数据之间的欧。

9、式距离； (xSi,ySi)代表新旧过程数据之间的相似度； 步骤11、 模型更新后， 对下一个新批次进行预测， 然后转到步骤7， 直到所有批次都被预 测完毕， 迁移结束。 权利要求书 2/2 页 3 CN 111610768 A 3 基于相似度多源域迁移学习策略的间歇过程质量预测方法 技术领域 0001 本发明涉及一种质量预测方法， 具体是一种基于相似度多源域迁移学习策略的间 歇过程质量预测方法， 属于工业生产过程质量预测技术领域。 背景技术 0002 随着经济的迅猛发展以及国际产品市场竞争的日趋激烈， 产品质量的标准与要求 也变得越来越高， 特别是在间歇生产过程中， 产品质量的稳定不仅直接关。

10、乎于企业的经济 效益， 而且也是实现间歇过程生产优化的前提。 0003 精确的质量预测则是确保间歇过程安全运行、 获得高质量产品的必要条件； 随着 数据技术的迅速发展， 数据驱动方法因其建模速度快、 模型精度高、 成本效益好等优点正成 为过程建模的主流， 被广泛地应用于间歇过程的产品质量预测。 数据驱动建模的前提是要 拥有充足的过程数据， 只有从大量的过程数据中最大限度地提取出间歇过程的潜在信息来 实现过程的建模才会使得预测结果更加准确。 在实际间歇生产过程中， 不同的产品规格应 采用特定的操作条件甚至设备进行生产， 操作状态需要频繁更新， 数据驱动模型的性能会 降低， 此时则需要重新构建新过。

11、程； 但是， 新过程由于运行时间相对较短而无法获得丰富的 过程数据， 难以建立准确可靠的数据驱动模型。 0004 在大数据时代背景下， 注意到在现代间歇工业过程中， 有很多使用相同或相似的 工艺原理生产相同或相似规格产品的相似过程， 这些过程中存在着大量相似的历史数据没 有得到充分利用， 造成了资源的浪费， 针对上述问题， 一些学者提出了迁移学习的概念， 迁 移学习方法因其可以利用相似源域的知识来帮助完成目标域的学习任务而越来越受到重 视。 而数据迁移作为迁移学习技术的一种形式， 能够充分利用旧过程的数据和模型， 并将有 用的数据信息迁移到新过程中以辅助其建模和控制。 Jaeckle and 。

12、MacGregor提出了一种 用于数据迁移的EPCR(Extended principal component regression)方法(出自Jaeckle C M,Macgregor JF.Product transfer between plants using historical process data J.Aiche Journal,2000,46(10)， 该方法通过结合两个相似过程的输出数据矩阵来建立 EPCR模型， 能够有效利用两个相似过程的数据信息对产品质量进行预测， 然而， EPCR仅使用 相似过程中的输出数据进行迁移， 而忽略了对建模非常重要的输入数据中所包含的过程信。

13、 息； 随后， Salvador等人提出了一种新的用于数据迁移的JYPLS(Joint-Y partial least squares)方法(出自Salvador G M,Macgregor J F,Kourti T.Product transfer between sites using Joint-Y PLSJ.Chemometrics&Intelligent Laboratory Systems,2005, 79(1-2):101-114)， 该方法通过构建联合质量指标空间， 利用所有相似过程的数据矩阵进 行建模， 而且JYPLS模型只要求相似过程具有相同的质量指标构成， 对于输入变量矩。

14、阵没有 任何限制； 此外， 针对JYPLS方法不适用于非线性较强的间歇过程， 在该模型上引入核函数， 提出了一种改进的过程迁移的JYKPLS(Joint-Y kernel partial least squares)方法(出 自Chu F,Cheng X,Jia R,et al.Final quality prediction method for new batch processes based on improved JYKPLS process transfer modelJ.Chemometrics and 说明书 1/10 页 4 CN 111610768 A 4 Intellig。

15、ent Laboratory Systems,2018,183:1-10)， 并成功地应用于非线性新间歇过程 的产品质量预测。 最近， Luo等人提出了一种新的多过程数据分析的非参数方法(出自Luo L,Yao Y,Gao F,et al.Mixed-effects Gaussian process modeling approach with application in injection molding processesJ.Journal of Process Control, 2018,62:37-43)， 其中每个过程被建模为固定效应和随机效应高斯过程(GP)回归模型的组 合， 即。

16、混合效应高斯过程(ME-GP)模型， 该方法提供了一种灵活的方法来组合所有流程的公 共方面， 并描述不同流程之间的异构性， 通过迁移建模的概率密度分布可以实现对多个过 程的预测。 0005 根据以上分析， 使用迁移学习的数据驱动建模可以利用大量获得的知识和经验来 解决当前的新问题， 可以大大降低学习新任务的难度， 具有广阔的应用前景； 但是， 上述基 于迁移学习的数据驱动建模方法仅限于在默认情况下直接确定单个源域或多个源域进行 迁移， 没有明确分析影响迁移效果的具体因素， 这在实际应用中也没有讨论迁移建模中不 可避免的两个关键问题， 即 “何时迁移” 和 “如何迁移” ， 不恰当的迁移时间和迁。

17、移方法不仅 不能促进学习任务的完成， 还会带来 “负迁移” 的问题。 0006 因此， 目前的迁移学习方法存在着在数据驱动建模中效率低、 多个源域可用数据 资源浪费、 数据和知识从源域到目标域迁移的效率低以及 “负迁移” 的问题。 发明内容 0007 本发明的目的是提供一种基于相似度多源域迁移学习策略的间歇过程质量预测 方法， 在尽可能避免 “负迁移” 的同时， 充分利用多个相似源域中旧流程的数据信息， 减少数 据资源的浪费， 提高迁移学习的效率和灵活性， 更好地协助并加速目标域中新过程的建模， 从而提高质量预测的准确性； 现场操作人员依据质量预测的结果， 可以及时调整生产操作， 实时优化间歇。

18、工业生产过程， 保证产品的质量， 提高企业的生产效率和综合经济效益。 0008 为了实现上述目的， 本发明提供一种基于相似度多源域迁移学习策略的间歇过程 质量预测方法， 对于目标域新过程T而言， 存在多个与其相似的源域旧过程Si(i1,2,., M)， 它们的生产设备完全一样， 但是内部参数的设置存在差异， 目标域新过程T由于刚投入 运行， 生产数据很稀少； 而多个源域旧过程由于投入生产时间早而拥有充足的数据， 设间歇 生产过程的三维输入数据矩阵和输出矩阵分别为XRIJK、 YRIK， 其中， I表示过程批次 数， K表示采样时间， J表示过程变量数， 具体方法包括以下步骤： 0009 步骤1。

19、、 数据采集： 对于给定的目标域新过程T， 基于过程相似度和先验知识找到与 之相似的多个源域旧过程Si(i1,2,.,M)， 采集目标域和源域各个过程的输入和输出数 据； 0010 步骤2、 数据预处理： 将多个源域旧过程Si(i1,2,.,M)和目标域新过程T的三 维输入数据按批次方向展开为二维数据矩阵， 然后对所有过程的输入和输出数据进行标准 化； 0011 步骤3、 相似度评估、 计算以及源域样本量的统计： 通过数据之间的欧式距离计算 每个源域旧过程与目标域新过程的相似度， 记录为 1, 2,., M， 且 (0,1)， 同时计算每 个源域旧过程的样本数量， 并记录为:N1,N2,.,N。

20、M； 如公式(1)所示， 说明书 2/10 页 5 CN 111610768 A 5 0012 0013 式中： Si为第i个源域旧过程； 0014 T为目标域新过程； 0015和为目标域新过程的数据中心； 0016和为源域旧过程的数据中心； 0017 d(Si,T)表示源域内的每个旧过程与目标域内的新进程之间的欧氏距离； 0018 i表示相似度； 0019步骤4、 根据判别式决定是否执行迁移， 其中， (0,1)为预设经验值常数， 如果 i 成立， 则筛选出满足条件 i 的源域； 否则， 拒绝迁移， 并终止整个迁移过程， 进 入步骤6的建模过程； 0020步骤5、 选择迁移方法： 根据判别式。

21、决定具体的迁移方法， 其中， (0,1- )为预设经验值常数， 代表容纳源域的能力， 与 max和N max皆成反比； max表示源域旧 过程中与目标域新过程的最大相似度； N max表示具有最大相似度的源域旧过程的样本数 量； 0021如果选择满足条件的多个源域并保留， 执行多个源域 的集成迁移； 否则， 直接选择相似度最高的源域旧过程 max进行择优单迁； 0022 步骤6、 根据步骤5所选择的迁移方法， 对目标域新过程建立合适的多源迁移学习 模型， 开始一个新的批次并获得输入数据xnew， 进而对新间歇过程的产品质量进行预测； 0023 步骤7、 新的批次运行结束后， 获得实际质量指标y。

22、new， 并计算其和原始目标域数据 之间的相似度 new； 0024 步骤8、 根据判别式 new ， 其中， 为预设常数， 用来判断产生的新数据与原来的 数据的偏差程度， 初步确定是否需要同时更新目标域和迁移策略， 如果 new 成立， 则转到 步骤9， 否则执行步骤1； 0025 步骤9、 根据累计新生产的批次总数n是否满足判别式nm， 其中m为预设常数， 再 次确定目标域和迁移策略是否需要同时更新， 如果nm成立， 则同时更新目标域和迁移策 略， 目标域更新公式如公式(2)所示， 然后执行步骤1， 否则转到步骤10； 0026 0027 式中： xnew和ynew代表新产生的新过程数据；。

23、 0028 XT,old和YT,old代表目标域新过程已有的建模数据； 0029步骤10、 首先， 计算当前的最新质量预测误差 new， 最新质量预测误差 其中， y是实际质量值， 是模型预测质量值， 并判断最新质量预测误差是否连续k次稳定在 一定区间， k为预设常数， 即根据前后批次间质量预测误差的差值是否连续k次小于阈值 其中， 阈值 是预先设定的一个很小的接近0的正常数， 并根据结果确定是否需要进行数据 说明书 3/10 页 6 CN 111610768 A 6 剔除； 如果成立， 计算数据相似度， 并从迁移的源域数据集中剔除相似度最低的几组数据， 然后再填充新批次数据以更新建模数据集，。

24、 数据之间的相似度计算公式如公式(3)所示， 否 则， 直接填充新批次数据以更新目标域中的建模数据集而不更新迁移策略； 0030 0031 式中： (xSi,ySi)代表源域旧过程数据； 0032代表目标域新过程的数据中心； 0033代表新旧过程数据之间的欧式距离； 0034 (xSi,ySi)代表新旧过程数据之间的相似度； 0035 步骤11、 模型更新后， 对下一个新批次进行预测， 然后转到步骤7， 直到所有批次都 被预测完毕， 迁移结束。 0036 与现有技术相比， 本发明通过采集目标域和源域各个过程的输入和输出数据， 将 多个源域旧过程和目标域新过程T的三维输入数据按批次方向展开为二维。

25、数据矩阵， 然后 对所有过程的输入和输出数据进行标准化； 并通过数据之间的欧式距离计算每个源域旧过 程与目标域新过程的相似度， 同时计算每个源域旧过程的样本数量， 即确定了影响迁移效 果的两个主要因素， 然后， 基于这两个主要影响因素给出了三个具体的选择和标准： 拒绝迁 移、 择优单迁、 多源集成迁移， 在尽可能避免 “负迁移” 的同时， 充分利用多个相似源域中旧 流程的数据信息， 减少数据资源的浪费， 提高迁移学习的效率和灵活性， 更好地协助并加速 目标域中新过程的建模， 从而提高质量预测的准确性； 此外， 对于多源集成迁移， 提出了多 源域迁移建模容纳性的概念， 可以合理灵活地选择源域的数。

26、量进行迁移， 进一步提高了数 据的利用率； 同时， 本发明还提出利用在线数据更新预测模型和基于工作条件变化及时更 新迁移策略以保证迁移学习策略的及时性和可靠性， 由现场操作人员依据质量预测的结 果， 可以及时调整生产操作， 实时优化间歇工业生产过程， 保证产品的质量， 提高企业的生 产效率和综合经济效益。 附图说明 0037 图1是本发明的方法流程图； 0038 图2是本发明实施例中草酸钴的合成工艺示意图； 0039 图3是新过程非迁移模型的预测结果与实际值的比较； 0040 图4是单源域迁移模型的同一相似度下不同批次数量的预测结果与实际值的比 较； 0041 图5是多个源域迁移模型和单个源域。

27、迁移模型的预测值与实际值的比较。 具体实施方式 0042 下面结合附图对本发明作进一步说明。 0043 如图1所示， 一种基于相似度多源域迁移学习策略的间歇过程质量预测方法， 对于 说明书 4/10 页 7 CN 111610768 A 7 目标域新过程T而言， 存在多个与其相似的源域旧过程Si(i1,2,.,M)， 它们的生产设备 完全一样， 但是内部参数的设置存在差异， 目标域新过程T由于刚投入运行， 生产数据很稀 少； 而多个源域旧过程由于投入生产时间早而拥有充足的数据， 设间歇生产过程的三维输 入数据矩阵和输出矩阵分别为XRIJK、 YRIK， 其中， I表示过程批次数， K表示采样时。

28、间， J表示过程变量数， 具体方法包括以下步骤： 0044 步骤1、 数据采集： 对于给定的目标域新过程T， 基于过程相似度和先验知识找到与 之相似的多个源域旧过程Si(i1,2,.,M)， 采集目标域和源域各个过程的输入和输出数 据； 0045 步骤2、 数据预处理： 将多个源域旧过程Si(i1,2,.,M)和目标域新过程T的三 维输入数据按批次方向展开为二维数据矩阵， 然后对所有过程的输入和输出数据进行标准 化； 0046 步骤3、 相似度评估、 计算以及源域样本量的统计： 通过数据之间的欧式距离计算 每个源域旧过程与目标域新过程的相似度， 记录为 1, 2,., M， 且 (0,1)， 。

29、同时计算每 个源域旧过程的样本数量， 并记录为:N1,N2,.,NM； 如公式(1)所示， 0047 0048 式中： Si为第i个源域旧过程； 0049 T为目标域新过程； 0050和为目标域新过程的数据中心； 0051和为源域旧过程的数据中心； 0052 d(Si,T)表示源域内的每个旧过程与目标域内的新进程之间的欧氏距离； 0053 i表示相似度； 0054步骤4、 根据判别式决定是否执行迁移， 其中， (0,1)为预设经验值常数， 如果 i 成立， 则筛选出满足条件 i 的源域； 否则， 拒绝迁移， 并终止整个迁移过程， 进 入步骤6的建模过程； 0055步骤5、 选择迁移方法： 根据。

30、判别式决定具体的迁移方法， 其中， (0,1- )为预设经验值常数， 代表容纳源域的能力， 与 max和N max皆成反比； max表示源域旧 过程中与目标域新过程的最大相似度； N max表示具有最大相似度的源域旧过程的样本数 量； 0056如果选择满足条件的多个源域并保留， 执行多个源域 的集成迁移； 否则， 直接选择相似度最高的源域旧过程 max进行择优单迁； 0057 步骤6、 根据步骤5所选择的迁移方法， 对目标域新过程建立合适的多源迁移学习 模型， 开始一个新的批次并获得输入数据xnew， 进而对新间歇过程的产品质量进行预测； 0058 步骤7、 新的批次运行结束后， 获得实际质量。

31、指标ynew， 并计算其和原始目标域数据 之间的相似度 new； 0059 步骤8、 根据判别式 new ， 其中， 为预设常数， 用来判断产生的新数据与原来的 说明书 5/10 页 8 CN 111610768 A 8 数据的偏差程度， 初步确定是否需要同时更新目标域和迁移策略， 如果 new 成立， 则转到 步骤9， 否则执行步骤1； 0060 步骤9、 根据累计新生产的批次总数n是否满足判别式nm， 其中m为预设常数， 再 次确定目标域和迁移策略是否需要同时更新， 如果nm成立， 则同时更新目标域和迁移策 略， 目标域更新公式如公式(2)所示， 然后执行步骤1， 否则转到步骤10； 00。

32、61 0062 式中： xnew和ynew代表新产生的新过程数据； 0063 XT,old和YT,old代表目标域新过程已有的建模数据； 0064步骤10、 首先， 计算当前的最新质量预测误差 new， 最新质量预测误差 其中， y是实际质量值， 是模型预测质量值， 并判断最新质量预测误差是否连续k次稳定在 一定区间， k为预设常数， 即根据前后批次间质量预测误差的差值是否连续k次小于阈值 其中， 阈值 是预先设定的一个很小的接近0的正常数， 并根据结果确定是否需要进行数据 剔除； 如果成立， 计算数据相似度， 并从迁移的源域数据集中剔除相似度最低的几组数据， 然后再填充新批次数据以更新建模数。

33、据集， 数据之间的相似度计算公式如公式(3)所示， 否 则， 直接填充新批次数据以更新目标域中的建模数据集而不更新迁移策略； 0065 0066 式中： (xSi,ySi)代表源域旧过程数据； 0067代表目标域新过程的数据中心； 0068代表新旧过程数据之间的欧式距离； 0069 (xSi,ySi)代表新旧过程数据之间的相似度； 0070 步骤11、 模型更新后， 对下一个新批次进行预测， 然后转到步骤7， 直到所有批次都 被预测完毕， 迁移结束。 0071 建立多源迁移学习模型具体为： 0072 假设有M个相似过程， 其中某个m过程的数据都可以如下表示， 0073 0074 式中： Nm代。

34、表第m个过程的数据样本； 0075代表总样本数； 0076 第m个过程的响应由如下的混合效应高斯过程模型给出： 0077 0078 说明书 6/10 页 9 CN 111610768 A 9 0079 0080 N(0, 2) 0081响应由固定效应和随机效应两部分加上随机噪声 组成， 固定效应和 随机效应被认为是完全独立的， 假设均值函数为零， 即 与高斯过程一样， 这里选择平方指数协方差函数 和它们对应的超参数分别是和通常是通过最大似然估计联合学 习得到， 基于上述假设， 对于任何过程m,n1,.,M,i1,.,Nm， j1,.,Nn,我 们可以得到任意两个相似过程m和n之间的协方差并可以。

35、表示为 0082 0083式中：是所有数据的混合效应协方差； 0084 mn是克罗内克函数， 如果mn， 则 mn1， 否则 mn0； 0085 所有类似过程的数据都可以用集合的形式如下表示: 0086 0087 0088式中：所有已知输入的集合； 0089是所有响应点的集合； 0090 混合效应高斯过程(ME-GP)模型可以实现对任意过程新测试点的预测， 给出一个q 过程的新的测试点我们的目标是预测它的响应且q1,.,M。 0091 训练数据包括其他相似过程的所有数据和q过程的数据， 对于过程q， 在高斯分布 的假设下， 由输出值组成的联合高斯分布和如下所示： 0092 0093式中：为训练。

36、样本与测试样本输入数据之间的协方差矩 阵； 0094为测试样本的自协方差矩阵； 0095输出值的后验概率分布由如下贝叶斯原理得到: 0096 0097 0098 0099 通过利用来自所有过程的信息， 可提高预测性能； 说明书 7/10 页 10 CN 111610768 A 10 0100式中：包含含有M个相似过程所有公共信息的固定效应协方差结构和含有q过 程所特有信息的随机效应协方差结构两部分， 由和噪声协方差 2所参数化， 且令 其值对模型的预测效果有很大影响， 负对数似然函数通常用来作为超参数 的优化目标函数， 根据训练数据D可计算负对数似然函数如下： 0101 0102首先， 求负对。

37、数似然函数参数的偏导数然后用共轭梯度迭代法 求得最优超参数， 在得到最优超参数后， 可得到与测试样本相对应的预测输出和预测方 差 0103 Nq表示第q个过程数据的样本量， 如果q是一个新过程， 一般包含一个特别小的样 本量， 难以精准建模。 这样， 通过迁移学习， 我们可以使用更少的新过程数据来提高预测性 能。 这再次证明了混合效应高斯过程模型(ME-GP)方法的优越性， 它不仅高效， 而且具有成 本效益。 0104 实施例 0105 以下为草酸钴合成工艺的具体实施例： 0106 草酸钴的合成工艺也是典型的间歇生产工艺， 为了能够及时掌握产品的质量， 以 本发明的方法对草酸钴的合成工艺进行质。

38、量预测； 利用草酸钴合成过程的机理模型来代替 实际生产过程， 为数据模型提供合理的建模数据， 并在仿真过程中利用机理模型来代替实 际生产过程， 因此， 有必要对草酸钴的生产过程进行机理分析， 在其合成过程中， 为了获得 所需的草酸钴晶体， 草酸铵与氯化钴在溶液中的化学反应是最重要的步骤， 其液相反应方 程为: 0107 CoCl2+(NH4)2C2O4CoC2O4 +2NH4Cl 0108 一般来说， 由于草酸钴的结晶过程比较复杂， 使用纯粹的批次处理操作容易导致 反应失控， 所以一般采用补料分批处理方法； 如图2所示， 草酸钴生产的合成过程主要包括 草酸铵的溶解、 草酸钴的干燥以及结晶两个过。

39、程； 首先， 将纯水放入草酸铵溶解釜中， 然后 在其中加入一定量的固体草酸， 并加热至固体草酸完全溶解， 然后将氨气加入到含有草酸 溶液的溶解釜中， 再加热到一定温度形成草酸铵溶液； 下一步， 将固定浓度和体积的氯化钴 溶液放入草酸钴结晶反应器中， 并用蒸汽加热到合适的反应温度， 以一定的速率通过草酸 铵溶液， 然后继续经过一段时间， 直到反应结束， 得到草酸铵悬浮液， 悬浮液进入压滤机进 行三次加压过滤， 三次洗涤， 最后烘干得到成品草酸钴； 在操作过程中， PI控制器使反应温 度保持恒定， 反应釜的搅拌速率一般保持恒定。 0109 本发明利用草酸钴结晶过程的机理模型， 生成源域过程和目标域。

40、过程的数据， 即 用相同的动力学方程和相似但不同的参数模拟草酸钴合成的多个过程， 从而构建多个相似 的生产流程； 从这些多个过程中， 选择过程T作为目标域新过程， 其余的相似过程S表示为多 个源域旧过程； 为了实现这一目标， 通过改变与工作环境、 工艺水平相对应的仿真参数来实 现； 通过对草酸钴生产过程的深入分析并考虑现场的实际生产过程， 可选取6个过程变量来 用于草酸钴的质量预测； 这6个过程变量分别是： 反应温度、 搅拌速率、 草酸铵浓度、 氯化钴 说明书 8/10 页 11 CN 111610768 A 11 浓度、 氯化钴的初始体积、 1个输出变量是草酸钴粒度大小； 各参数与变量如表1。

41、所示： 0110 表1生产过程参数变量 0111 0112 1)模拟过程数据的获取 0113 利用MATLAB软件对不同操作条件下草酸钴生产过程的反应温度、 搅拌速率、 草酸 铵流速、 草酸铵浓度、 氯化钴浓度以及氯化钴的初始体积等进行仿真， 建立机理模型以产生 各个过程的数据， 根据仿真参数设置， 在目标域中随机生成4个批次的过程数据作为新过程 T的建模数据集， 生成40个批次的过程数据作为新过程T的测试数据集； 在多个源域S中， 每 个过程随机生成100个批次的旧过程数据作为旧过程数据集； 对于源域的每个旧过程， 将通 过机理模型获得的数据进行划分。 首先， 随机选择10个批次的数据， 然。

42、后从其余数据中随机 选择20个批次数据进行累积， 最后， 构建了具有不同批次数据量的五个数据集， 包括10个批 次， 30个批次， 50个批次， 70个批次和90个批次， 通过将每个源域中的旧过程的五种数据集 和目标域中新过程生成的4个批次数据作为训练集， 来建立混合效应高斯过程模型， 将之前 目标域生成的40个批次的新过程数据作为测试集， 进行预测性能的比较； 首先， 在一定相似 度的条件下， 优先验证迁移数据量对预测效果的影响， 然后， 验证源域旧过程和目标域新过 程之间的相似度在迁移数据量一定的情况下对预测效果的影响。 0114 2)单源域迁移建模与质量预测结果 0115 为了验证多源域。

43、迁移学习策略的有效性， 我们先进行了针对单源域迁移学习的预 测， 探究了源域过程数据量以及源域旧过程与目标域新过程的相似度大小对迁移效果的影 响。 0116 为了研究源域内迁移数据量对预测效果的影响， 将某个源域固定， 以相似度为 0.82的S2源域的旧过程数据为例进行迁移建模， 以10批和90批的预测值和实测值的比较结 果为代表， 具体如图4所示， 从图3和图4的对比中可以看出， 采用从相似的旧过程中迁移数 据进行建模的方法， 可以有效辅助和加快新过程的建模。 从图4可以看出， 在一定的相似度 下， 迁移的数据量对预测效果有较大的影响， 迁移90个批次的预测结果明显优于迁移10个 批次的预测。

44、结果。 同理， 也验证了相似度对预测效果的影响， 在迁移数据量一定的情况下， 相似度对预测效果的影响较大， 迁移相似度高的旧过程的预测结果明显优于迁移相似度低 的旧过程的结果。 为了更好地研究单源域迁移模型的预测效果与多个待迁移源域中旧过程 的数据量和相似性之间的关系， 对每个源域中不同批次旧过程的数据进行了迁移建模， 并 说明书 9/10 页 12 CN 111610768 A 12 给出了相应的预测结果并得到均方根误差， 结果显示， 待迁移源域的批次数和相似度与预 测精度呈正相关， 但随着数据量的不断增加， 建模数据趋于饱和， 当数据量达到一定阈值 时， 预测精度的提高往往不显著。 此外，。

45、 当源域的旧过程数据与目标域的新过程数据之间的 相似性低于一定阈值时， 转移建模的预测精度将低于非转移建模的预测精度， 这将导致 “负 转移” 。 0117 3)多源域迁移建模与质量预测结果 0118 基于两大影响因素对预测效果的影响， 本发明进一步验证了在一定条件下多源域 迁移的可行性和有效性， 即当与目标域相似度最高的源域中的旧过程数据量不足， 且存在 与目标域相似度较高的源域过程数据时， 考虑是否迁移多个源域以及如何迁移。 0119 如图5所示， 本发明选取源域内与目标域新过程相似度为0.91和0.82的10个批次 的旧过程数据作为多源域迁移建模做质量预测的代表， 单源迁移模型预测值和多。

46、源迁移模 型预测值与实际值的比较如图1所示， 多源域转移建模方法可以提高模型预测的准确性， 为 了进一步研究多源域迁移建模的适用性， 又选取与目标域新过程相似度分别为0.91、 0.82、 0.68的三个旧过程， 进行多源域转移与单源域转移的对比实验。 对不同源域的不同批次数 据量进行迁移建模， 结果验证了所提策略的有效性， 即综合考虑两大影响因素进行适当的 多源迁移建模将能够进一步提高质量预测的精度。 0120 4)模型更新和旧过程数据的剔除 0121 随着生产过程不断进行， 新过程数据不断累积， 需要进行模型更新和迁移策略的 更新， 此外， 由于新旧过程的差异， 使用的旧过程的建模数据可能。

47、影响预测效果。 由于相似 过程之间必然存在差异性， 随着新过程数据增加到一定程度， 需要逐渐剔除与新过程差异 较大的源域旧过程数据以保证预测精度的进一步提高。 0122 通过仿真结果可以看出， 本发明策略可以更加高效地对实际新生产过程中难以实 时测量的产品质量指标进行在线预测， 能够在尽量避免 “负迁移” 的前提下合理有效地利用 多个源域的旧过程数据信息辅助新过程的建模， 既解决了数据资源利用率低和迁移效率低 的问题， 又很好地解决了草酸钴生产过程初期数据量较少、 难以精准建模的问题。 利用该方 法进行草酸钴产品质量的预测， 大大加快了离线建模的速度， 而且随着新生产批次数目的 不断增加， 又会利用新产生的过程数据进行模型更新， 同时逐渐剔除掉旧过程数据中相似 度最小的干扰数据， 从而不断提高预测模型的精度， 实现更好地预测效果； 依据产品质量预 测值， 操作人员可以及时调整生产规划， 优化生产过程， 提高生产效率， 因此该策略具有重 要的实际意义。 说明书 10/10 页 13 CN 111610768 A 13 图1 说明书附图 1/3 页 14 CN 111610768 A 14 图2 图3 说明书附图 2/3 页 15 CN 111610768 A 15 图4 图5 说明书附图 3/3 页 16 CN 111610768 A 16 。