基于MIC的支持向量回归及其在化工过程中的应用

doi:10.11949/0438-1157.20201674

摘要/Abstract

摘要：

在化工生产中，软测量方法可以有效解决某些关键变量由于仪表故障而无法实时获取数据的问题。在建立软测量模型时，变量及回归方法的选取会直接影响模型的准确率。特别是在现代化工中，过程变量众多且变量间存在着冗余且复杂的非线性关系。对此，本文提出了一种基于最大信息系数的支持向量回归算法，利用最大信息系数在非线性相关性度量的优势，选择合适的辅助变量，避免了全部变量作为输入所造成的数据冗余。在此基础上，利用支持向量回归方法建立软测量模型，实现对软测量目标的预测。该方法被应用于存在仪表故障的某催化重整装置进料换热器热端压降的软测量中，结果表明该方法可以有效地实现对压降的软测量，实现了对仪表故障时的数据校正。

关键词: 算法, 预测, 过程系统, 数据校正, 最大信息系数, 变量筛选

Abstract:

In chemical production, soft-sensing methods can effectively solve the problem that some key variables cannot be obtained in real time due to instrument failure. When building a soft-sensing measurement model, the accuracy of the model will be directly affected by the selection of variables and regression methods, especially in modern chemical industry, there are a large number of process variables with complex nonlinear relationships among them. Therefore, it is important to select proper variables and regression methods. In this paper, a support vector regression (SVR) algorithm based on maximum information coefficient (MIC) is proposed for soft-sensing measurement. Benefiting from the advantages of MIC in nonlinear correlation measurement between the process variables and target variable, the data redundancy can be avoided by selecting the appropriate modeling variables. On this basis, the SVR method is further applied to extract the relationship between the modeling variables and the target variable, by which a soft sensing model is established to predict the target variable. This method is applied to the soft-sensing measurement of the hot end pressure drop of a heat exchanger in a catalytic reforming unit. The results show that this method can effectively realize the soft measurement of pressure drop and the data correction when the sensor failure occurs.

Key words: algorithm, prediction, process systems, data correction, MIC, variable selection

中图分类号:

顾俊发, 许明阳, 马方圆, 林治宇, 纪成, 王璟德, 孙巍. 基于MIC的支持向量回归及其在化工过程中的应用[J]. 化工学报, 2021, 72(3): 1480-1486.

GU Junfa, XU Mingyang, MA Fangyuan, LIN Zhiyu, JI Cheng, WANG Jingde, SUN Wei. Support vector regression based on maximal information coefficient and its application in chemical industrial processes[J]. CIESC Journal, 2021, 72(3): 1480-1486.

图/表 8

参考文献 30

1	曹鹏飞, 罗雄麟. 化工过程软测量建模方法研究进展[J]. 化工学报, 2013, 64(3): 788-800.
	Cao P F, Luo X L. Modeling of soft sensor for chemical process[J]. CIESC Journal, 2013, 64(3): 788-800.
2	罗明英, 王帆, 谭帅, 等.基于关键变量的OPLS预测方法[J].华东理工大学学报(自然科学版), 2016, 42(4): 529-536.
	Luo M Y, Wang F, Tan S, et al. OPLS prediction method based on critical variables[J]. Journal of East China University of Science and Technology(Natural Science Edition), 2016, 42(4): 529-536.
3	郭明, 陈伟锋.基于混合准则的软测量建模辅助变量选择方法[J]. 计算机测量与控制, 2019, 27(8): 49-53+58.
	Guo M, Chen W F. Mixed criterion based secondary variables selection for soft sensor[J]. Computer Measurement and Control, 2019, 27(8): 49-53+58.
4	王孝红, 刘文光, 于宏亮.工业过程软测量研究[J].济南大学学报(自然科学版), 2009, 23(1): 80-86.
	Wang X H, Liu W G, Yu H L. Research on industrial process soft-sensor[J]. Journal of University of Jinan(Science and Technology), 2009, 23(1): 80-86.
5	王惠文, 孟洁. 多元线性回归的预测建模方法[J]. 北京航空航天大学学报, 2007, 33(4): 500-504.
	Wang H W, Meng J. Predictive modeling on multivariate linear regression[J]. Journal of Beijing University of Aeronautics and Astronautics, 2007, 33(4): 500-504.
6	陈龙, 刘全利, 王霖青, 等. 基于数据的流程工业生产过程指标预测方法综述[J]. 自动化学报, 2017, 43(6): 944-954.
	Chen L, Liu Q L, Wang L Q, et al. Data-driven prediction on performance indicators in process industry: a survey[J]. Acta Automatica Sinica, 2017, 43(6): 944-954.
7	Clarke S M, Griebsch J H, Simpson T W. Analysis of support vector regression for approximation of complex engineering analyses[J]. Journal of Mechanical Design, 2005, 127(6): 1077-1087.
8	Reshef D N, Reshef Y A, Finucane H K, et al. Detecting novel associations in large data sets [J]. Science, 2011, 334(6062): 1518-1524.
9	Kinney J B, Atwal G S. Equitability, mutual information, and the maximal information coefficient[J]. Proceedings of the National Academy of Sciences of the United States of America, 2014, 111(9): 3354-3359.
10	Destrero A, Mosci S, Mol C, et al. Feature selection for high-dimensional data[J]. Computational Management Science, 2009, 6(1): 25-40.
11	Reshef D, Reshef Y, Mitzenmacher M, et al. Equitability analysis of the maximal information coefficient, with comparisons[J]. arXiv preprint arXiv: 1301.6314, 2013..
12	Lu Z, Sun J. Non-Mercer hybrid kernel for linear programming support vector regression in nonlinear systems identification[J]. Applied Soft Computing, 2009, 9(1): 94-99.
13	薛美盛, 冀若阳, 王旭. 基于多元线性回归与滚动窗的NO_x排放量软测量[J]. 化工自动化及仪表, 2017, 44(8): 721-724.
	Xue M S, Ji R Y, Wang X. Soft sensor for NO_xemissions based on multiple linear regression and sliding window[J]. Control and Instruments in Chemical Industry, 2017, 44(8): 721-724.
14	Kaneko H, Arakawa M, Funatsu K. Development of a new soft sensor method using independent component analysis and partial least squares[J]. AIChE Journal, 2009, 55(1): 87-98.
15	高世伟, 王忠民, 洪梓榕. 动态偏最小二乘在软测量建模方法中的应用[J]. 自动化仪表, 2018, 39(9): 52-55.
	Gao S W, Wang Z M, Hong Z R. Application of dynamic partial least squares in soft sensing modeling[J]. Process Automation Instrumentation, 2018, 39(9): 52-55.
16	保罗, 郭旭琦, 乔铁柱, 等. 改进LSTM神经网络在磨机负荷参数软测量中的应用[J]. 中国矿山工程, 2017, 46(3): 66-69+74.
	Bao L, Guo X Q, Qiao T Z, et al. Application of improved LSTM neural network in soft sensing of mill load parameters[J]. China Mine Engineering, 2017, 46(3): 66-69+74.
17	Xibilia M G, Gemelli N, Consolo G. Input variables selection criteria for data-driven soft sensors design[C]//2017 IEEE 14th International Conference on Networking, Sensing and Control (ICNSC). Calabria, Italy, 2017: 362-367.
18	邱禹, 刘乙奇, 吴菁, 等. 基于深层神经网络的多输出自适应软测量建模[J]. 化工学报, 2018, 69(7): 3101-3113.
	Qiu Y, Liu Y Q, Wu J, et al. A self-adaptive multi-output soft sensor modeling based on deep neural network[J]. CIESC Journal, 2018, 69(7): 3101-3113.
19	朱宝, 乔俊飞. 基于自编码神经网络特征提取的回声状态网络研究及过程建模应用[J]. 化工学报, 2019, 70(12): 4770-4776.
	Zhu B, Qiao J F. Features extracted from auto-encoder based echo state network and its applications to process modeling[J]. CIESC Journal, 2019, 70(12): 4770-4776.
20	王定成, 方廷健, 高理富, 等. 支持向量机回归在线建模及应用[J]. 控制与决策, 2003, 18(1): 89-91.
	Wang D C, Fang T J, Gao L F, et al. Support vector machines regression on-line modelling and its application[J]. Control and Decision, 2003, 18(1): 89-91.
21	高世伟, 赵力. 一种基于支持向量机的软测量建模方法[J]. 自动化仪表, 2017, 38(7): 42-45.
	Gao S W, Zhao L. A soft measurement modeling method based on support vector machine[J]. Process Automation Instrumentation, 2017, 38(7): 42-45.
22	Cheng Y, Hu J. Nonlinear system identification based on SVR with quasi-linear kernel[C]//The 2012 International Joint Conference on Neural Networks (IJCNN). Brisbane, QLD, Australia, 2012: 1-8.
23	Lau K W, Wu Q H. Local prediction of non-linear time series using support vector regression[J]. Pattern Recognition, 2008, 41(5): 1539-1547.
24	王俊凯, 乔非, 祝军, 等. 基于支持向量机的烧结能耗及性能指标预测模型[J]. 同济大学学报(自然科学版), 2014, 42(8): 1256-1260.
	Wang J K, Qiao F, Zhu J, et al. SVR-based predictive models of energy consumption and performance criteria for sintering[J]. Journal of Tongji University(Natural Science), 2014, 42(8): 1256-1260.
25	吴雪梅, 刘志强, 张天龙, 等. 双模型结合进一步降低预测均方根误差和均方根相对误差的方法[J]. 分析化学, 2015, 43(5): 754-758.
	Wu X M, Liu Z Q, Zhang T L, et al. A method based on double models combination to further reduce root-mean-square error and relative error of prediction[J]. Chinese Journal of Analytical Chemistry, 2015, 43(5): 754-758.
26	朱哲熹, 李颖, 毛凯田, 等. 基于支持向量回归方法的石脑油裂解产物关键组分相对含量预测[J]. 计算机与应用化学, 2018, 35(9): 740-745.
	Zhu Z X, Li Y, Mao K T, et al. Support vector regression (SVR) method for the relative content prediction of key components in naphtha cracking product[J]. Computers and Applied Chemistry, 2018, 35(9): 740-745.
27	代敏, 雷兵, 夏峰. 连续催化重整装置结垢问题及解决措施[J]. 石油炼制与化工, 2019, 50(8): 13-16.
	Dai M, Lei B, Xia F. Sacaling problems in continuous catalytic reforming unit and solutions [J]. Petroleum Processing and Petrochemicals, 2019, 50(8): 13-16.
28	杨帆. 连续重整装置焊板式换热器化学清洗[J]. 广州化工, 2019, 47(13): 165-168.
	Yang F. Chemical cleaning for welded plate heat exchanger of continuous reforming unit[J]. Guangzhou Chemical Industry, 2019, 47(13): 165-168.
29	肖建, 于龙, 白裔峰. 支持向量回归中核函数和超参数选择方法综述[J]. 西南交通大学学报, 2008, 43(3): 297-303.
	Xiao J, Yu L, Bai Y F. Survey of the selection of kernels and hyper-parameters in support vector regression[J]. Journal of Southwest Jiaotong University, 2008, 43(3): 297-303.
30	Üstün B, Melssen W J, Oudenhuijzen M, et al. Determination of optimal support vector regression parameters by genetic algorithms and simplex optimization[J]. Analytica Chimica Acta, 2005, 544(1/2): 292-305.

算法	适用范围	是否标准化	复杂度	鲁棒性
Person	线性数据	是	低	低
Spearman	线性,单调非线性	是	低	中等
Kendall	线性,单调非线性	是	低	中等
阈值相关	线性,非线性	是	高	高
最大相位系数	线性,非线性	是	高	中等
相位同步相关	时变序列	是	中等	中等
距离相关	线性,非线性	是	中等	高
核密度估计	线性,非线性	否	高	高
最近邻算法	线性,非线性	否	高	高
MIC	线性,非线性	是	低	高

算法	适用范围	是否标准化	复杂度	鲁棒性
Person	线性数据	是	低	低
Spearman	线性,单调非线性	是	低	中等
Kendall	线性,单调非线性	是	低	中等
阈值相关	线性,非线性	是	高	高
最大相位系数	线性,非线性	是	高	中等
相位同步相关	时变序列	是	中等	中等
距离相关	线性,非线性	是	中等	高
核密度估计	线性,非线性	否	高	高
最近邻算法	线性,非线性	否	高	高
MIC	线性,非线性	是	低	高

方法	类型	优缺点
偏最小二乘法	线性	计算简单且可解释性强，对稳态过程具有较强的适用性
岭回归	线性	适用于特征数量比样本量多的问题，容易发生过拟合
神经元网络	非线性	能够发挥大数据优势，黑箱模型，可解释性差，泛化能力差
支持向量回归	非线性	有良好的推广能力，有较强的泛化能力，适用于非稳态过程

方法	类型	优缺点
偏最小二乘法	线性	计算简单且可解释性强，对稳态过程具有较强的适用性
岭回归	线性	适用于特征数量比样本量多的问题，容易发生过拟合
神经元网络	非线性	能够发挥大数据优势，黑箱模型，可解释性差，泛化能力差
支持向量回归	非线性	有良好的推广能力，有较强的泛化能力，适用于非稳态过程

变量名称	MIC	变量名称	MIC
冷端出口温度	0.1354	R204压差	0.5632
热端入口温度	0.0739	F201温度	0.0518
冷端入口温度	0.6314	R201温度	0.2371
热端出口温度	0.6437	F202温度	0.0540
冷端入口流量	0.5068	R202温度	0.3592
氢气端流量A	0.4182	F203温度	0.0544
冷端入口压差	0.1889	R203温度	0.0751
冷端入口压力	0.6029	F204温度	0.0621
循环氢压力	0.5825	F201温差	0.0879
热端出口压力	0.1642	F202温差	0.3065
冷端差压	0.1928	F203温差	0.1414
R203压差	0.6065	F204温差	0.0838
R201压差	0.5179	R204压力	0.4207
R202压差	0.4768