(19)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 202111662376.5 (22)申请日 2021.12.31 (71)申请人 昆明理工大 学 地址 650093 云南省昆明市五华区学府路 253号 (72)发明人 金怀平　王月晨　杨彪　刘海鹏　 张志坤　 (74)专利代理 机构 昆明人从众知识产权代理有 限公司 5 3204 专利代理师 陈波 (51)Int.Cl. G06F 30/20(2020.01) G06F 16/2455(2019.01) G06F 16/28(2019.01) G06K 9/62(2022.01) (54)发明名称 基于数据流在线聚类分析的工业过程软测 量建模方法、 系统 (57)摘要 本发明公开了一种基于数据流在线聚类分 析的工业过程软测量建模方法、 系统， 本发明借 鉴了局部 学习思想， 通过在 线聚类分析对过程状 态进行动态识别， 并为其在 线构建局部化高斯过 程回归软测量模 型。 首先将到达的部分初始流数 据进行了在线聚类， 形成部分初始微簇， 使得同 一类之间的数据特征相似度尽可能高， 不同类 之 间的数据特征相似度尽可能低， 最大程度地利用 了数据的空间分布特征； 然后对新到达的样本进 行聚类， 对聚类成功的样本使用对应类的所有历 史样本点建立GPR训练模型， 对在线测试样本点 进行预测， 对聚类不成功的样 本点利用即时学习 思想从历史样本点中挑选与在线测试样本点最 相似的部分样本点建立GPR训练模型， 对在线测 试样本点进行 预测。 权利要求书2页 说明书8页 附图3页 CN 115017671 A 2022.09.06 CN 115017671 A 1.一种基于数据流在线聚类分析的工业过程软测量建模方法， 其特 征在于： 包括： 划分步骤， 收集实时工业过程标记数据形成样本集， 将样本集划分为初始训练集XYtrn 以及测试集Xtest； 获得步骤， 对以流的形式依次到达的初始训练集XYtrn中的n维辅助变量构建的每个样 本点使用在线聚类方法进行聚类， 获得m个初始微簇； 预测步骤， 在初始微簇的基础上， 对以流的形式依次到达的在线测试样本点xnew采用在 线聚类方法进行聚类， 并根据聚类结果的不同采用不同的训练模型进行 预测。 2.根据权利要求1所述的基于数据流在线聚类分析的工业过程软测量建模方法， 其特 征在于： 所述初始训练集XYtrn和测试集xtest中的每个样本均包括真实主导变量和n维辅助 变量。 3.根据权利要求1所述的基于数据流在线聚类分析的工业过程软测量建模方法， 其特 征在于： 所述在线聚类方法， 包括： S2.1、 设置聚类参数； 其中， 聚类参数包括： 聚类半径R和最小密度阈值M； S2.2、 对于每一个到 达的样本点X， 进行聚类， 聚类分为 三种情况： 归类、 新类、 离群值。 4.根据权利要求3所述的基于数据流在线聚类分析的工业过程软测量建模方法， 其特 征在于： 所述聚类分类过程如下： 如果历史样本点形成了已有聚类， 则计算样本点X与已有聚类的每一个聚类中心之间 的欧氏距离： 如果存在一个聚类中心与X的欧氏距离小于等于聚类 半径R， 则将样本点X归类 至符合判断条件的聚类中心所代表的微簇； 如果存在多个聚类中心与样本点X 的欧氏距离 小于等于聚类半径R， 则将X归类至 符合判断条件的所有聚类中心所代表的微簇， 完成归类； 否则， 计算样本点X与所有历史离群值之间的欧氏距离： 如果欧氏距离小于等于聚类半径R 且达到最小密度阈值M， 则将满足条件的历史离群值与样 本点X形成一个新的微簇并计算微 簇的聚类中心， 完成新类动作， 其它不符合判断条件的， 则不做处理， 仍为离群值； 否则， 将 到达的样本点作为离群值； 其中， 聚类中心为 微簇中所有样本点的平均值。 5.根据权利要求4所述的基于数据流在线聚类分析的工业过程软测量建模方法， 其特 征在于： 所述欧氏距离d： 其中， xi表示样本点的第i维辅助变量， yi表示聚类中心/ 离群值的第i维辅助变量。 6.根据权利要求1所述的基于数据流在线聚类分析的工业过程软测量建模方法， 其特 征在于： 所述预测步骤， 具体为： 在初始微簇的基础上， 对逐个到达的在线测试样本点xnew的中的n维辅助变量采用在线 聚类方法进行聚类， 如果聚类的结果为归类或者新类， 则采用对应类中所有历史样本点的 真实主导变量和n维辅助变量训练GPR模型， 采用训练好的GPR模型， 对在线测试样本点xnew 进行预测， 获得预测主导变量； 如果聚类的结果为离群值， 则采用基于即时学习思想， 从带 有真实主导变量的历史样本点中挑选与在线测试样 本点xnew最相似的部 分样本点用于训练 GPR模型， 采用训练好的GPR模型， 对在线测试样本点xnew进行预测， 获得预测主导变量。 7.根据权利要求1所述的基于数据流在线聚类分析的工业过程软测量建模方法， 其特 征在于： 所述在线测试样本点xnew采用测试集Xtest构建； 或者采用实时采集的工业过程非标权　利　要　求　书 1/2 页 2 CN 115017671 A 2记数据构建。 8.根据权利要求6所述的基于数据流在线聚类分析的工业过程软测量建模方法， 其特 征在于： 采用欧氏距离相似度、 马氏距离相似度、 协方差加权距离相似度、 曼哈顿距离相似 度或皮尔逊系数相似度作为相似度准则进行最相似的部分的选取。 9.一种基于数据流在线聚类分析的工业过程软测量建模系统， 其特 征在于： 包括： 划分单元， 用于收集实时工业过程标记数据形成样本集， 将样本集划分为初始训练集 XYtrn以及测试集Xtest； 获得单元， 用于对以流的形式依次到达的初始训练集XYtrn中的n维辅助变量构建的每 个样本点使用在线聚类方法进行聚类， 获得m个初始微簇； 预测单元， 用于在初始微簇的基础上， 对以流的形式依次到达的在线测试样本点xnew采 用在线聚类方法进行聚类， 并根据聚类结果的不同采用不同的训练模型进行 预测。 10.一种金霉素基质浓度预测方法， 其特征在于： 采用权利要求1 ‑8中任一项所述的基 于数据流在线聚类分析的工业过程软测量建模方法进行。权　利　要　求　书 2/2 页 3 CN 115017671 A 3