过程工艺曲线综合相似模型及应用comprehensivesimilaritymodel.docVIP

过程工艺曲线综合相似模型及应用( Comprehensive Similarity Model of Process Curves and Application 李 俊, 石艳，周 敏,王维慧 LI Jun, SHI Yan, ZHOU Min, WANG Wei-hui （四川理工学院机械工程学院，四川 自贡，643000） 摘要：针对复杂过程工艺控制性能在线预测，提出进行过程工艺曲线的相似性模型研究，以离散数据序列的差分为基础表征曲线的形态变化，综合考虑复杂生产过程多个工艺参数的不同影响以及工艺历程各阶段影响程度不同的特点，以信息熵来表征曲线间相似性的分布特点，建立过程工艺曲线综合相似性模型，并在磁瓦烧结工艺温度曲线相似性分析中进行应用。 关键词：工艺曲线；相似性；磁瓦烧结 中图分类号：TP391 文献标识码：A 1 引言 由于经济或技术的限制（如工艺技术限制、缺乏适当的传感器），工业过程中一些重要的质量指标通常不便通过传感器在线实时测量。随着应用数学和计算机的发展，基于推断控制思想[1]，软测量（Soft sensor）技术应运而生，即根据易测过程辅助变量（即二次测量变量（Secondary Measurements）），对某些不可测主要变量（如质量指标）进行估计。20世纪90年代软测量被列为过程控制的几个主要发展方向之一[2]。目前，软测量的研究内容已从线性发展到非线性、从静态发展到动态、从无校正功能发展到有校正功能，成果瞩目[3]。模型是软测量技术的核心。然而，过程工业通常具有较复杂的机理和流程，产品质量受多个工艺参数和各种现场不确定性因素的复杂影响，无论是数据驱动建模还是机理建模，模型的泛化能力成为大多数软测量技术的主要障碍。在此情况下，控制好相关工艺参数并通过定期进行产品抽检和离线分析，以此来保证产品质量，这种方式不便于工艺改进和生产管理，而且耗时。 通常，产品质量是通过严格制定生产工艺并以此为依据进行实时控制来得到保证，生产过程主要工艺参数与拟定工艺之间的相似程度，既反映了工艺参数的控制质量，也反映了产品的质量。相似性是同类或异类对象的本质特征，相似性分析和定量描述在模式识别、数据挖掘、机器学习等领域已有着广泛的应用。然而，传统的相似度算法由于其研究应用目的不同，对于过程工业复杂过程曲线之间的相似度分析，有着一定的局限性。本文根据复杂过程工艺曲线与产品质量之间的关系及特点，借助于过程工艺曲线之间的对比分析，建立过程工艺曲线之间的综合相似度模型，并在磁瓦烧结过程温度曲线相似分析中进行了应用。 2. 相似度概念 曲线之间的相似性测度一般可以通过某种距离测度数值指数来表示，如Minkowski距离、欧氏距离（Minkowski距离的特例）、Fréchet 距离和Hausdorff距离。在模式识别及相关领域中，最典型的是Hausdorff距离和Fréchet距离。 定义1[4,5]：设有离散点集表示的曲线，表示欧氏范数，则Hausdorff 距离和Fréchet距离分别定义如下： 设表示和之间的Hausdorff 距离，则 （1） 其中， （2） 以表示和之间的Fréchet距离，则  （3） 其中，是任意非降函数，，. 定义：给定函数度量定义曲线间的相似度 （4） 其中为范数。如果给定的值，则称相似，否则称它们不相似。进行相应的决策判断或分类。复杂生产过程的产品质量往往受到不同工艺参数不同程度的影响，且工艺历程不同阶段的影响程度不同，传统相似度没有考虑这些特点；同时，传统相似度对测量过程中的异常点和增益比较敏感，缺乏对曲线形态相似的表征。 3. 工艺曲线综合相似度模型 曲线间的相似包括距离相似和形态相似。理论分析和实验结果表明[7]，任何一种方式均不能全面的反映两个曲线或向量之间的相似或差异，两种测度的综合可以更合理、更准确地描述曲线之间的相似性。同时，复杂生产过程往往受到不同工艺参数不同程度的影响，工艺历程不同阶段的影响程度不同，工业现场测量不可避免地存在异常点。然而，传统的相似度大多以经典距离度量反映两条曲线之间值的差异或相似，不足以表征这种差异的分布信息，也没有反映出复杂过程生产过程的特点，而这些是复杂过程曲线相似性分析需要考虑的基本因素。 数学上，曲线形态变化可通过切线的变化来表征。对于二维工艺曲线，在时间坐标（横坐标）确定的情况下，可以离散数据集的差分来表征曲线的形态变化，如果将横坐标轴对应的采样周期长度作为单位量，差分量的反正切值可近似为曲线各点与横坐标轴的夹角（范围为），而反正切函数在上是单调函数，且对异常值不敏感。同时，熵信息表征反映的是数据分布的随机特性，数据分布越不均匀其熵值越小，反之越大。因此，在复杂过程曲线相似性分析中引入熵，既可以表征