可解释集成学习的间歇过程质量在线预测方法

    公开(公告)号:CN113807606A

    公开(公告)日:2021-12-17

    申请号:CN202111176711.0

    申请日:2021-10-09

    Abstract: 一种可解释集成学习的间歇过程质量在线预测方法,通过传感器采集的间歇过程历史数据集建立最终产品质量模型,经数据预处理得到候选输入变量;分时段计算候选输入变量与最终产品质量之间的Copula熵并进行排序,选取Copula熵最大的前M个候选输入变量作为关键变量;根据最终产品质量模型设计堆叠集成随机森林算法,训练该堆叠集成随机森林算法后,利用训练得到的堆叠集成随机森林算法对间歇过程的最终产品质量进行在线预测。本发明显著提升了质量预测的可解释性,可以帮助现场工程师准确地把握生产运行状态和产品质量信息,进而为间歇过程的控制决策提供有用参考。

    可解释集成学习的间歇过程质量在线预测方法

    公开(公告)号:CN113807606B

    公开(公告)日:2022-07-22

    申请号:CN202111176711.0

    申请日:2021-10-09

    Abstract: 一种可解释集成学习的间歇过程质量在线预测方法,通过传感器采集的间歇过程历史数据集建立最终产品质量模型,经数据预处理得到候选输入变量;分时段计算候选输入变量与最终产品质量之间的Copula熵并进行排序,选取Copula熵最大的前M个候选输入变量作为关键变量;根据最终产品质量模型设计堆叠集成随机森林算法,训练该堆叠集成随机森林算法后,利用训练得到的堆叠集成随机森林算法对间歇过程的最终产品质量进行在线预测。本发明显著提升了质量预测的可解释性,可以帮助现场工程师准确地把握生产运行状态和产品质量信息,进而为间歇过程的控制决策提供有用参考。

    工业软测量中考虑因果效应的辅助变量选择方法

    公开(公告)号:CN113821982A

    公开(公告)日:2021-12-21

    申请号:CN202111176741.1

    申请日:2021-10-09

    Abstract: 一种工业软测量中考虑因果效应的辅助变量选择方法,基于软测量建模对象的历史数据集,经过预处理得到离散化的候选变量集和主导变量数据样本;通过每一个候选变量与主导变量的互信息确定每一个候选变量与主导变量的因果效应;采用基于因果效应的变量筛选算法,保留所有因果效应不为零的候选变量作为辅助变量集。本发明通过考虑候选辅助变量与主导变量之间的因果效应,不依赖于任何模型,不需要设置停止阈值,自动地选择因果效应不为零的候选变量组合作为辅助变量集,为工业软测量建模提供有用参考。

Patent Agency Ranking