一种基于多模型融合软测量建模方法

针对锌湿法冶炼净化过程中钴离子浓度LS-SVM软测量建模方法精度低的问题,将最小二乘支持向量机（LS-SVM）和自回归滑动平均模型（ARMA）融合建立钴离子浓度融合软测量模型,首先通过离子浓度序列的小波变换获得序列的低频和高频子序列,对各子序列分别进行相空间重构,并在相空间中分别建立最小二乘支持向量机模型,然后将各模型的输出利用小波重构整合得到钴离子基于LS-SVM软测量结果,利用自回归滑动平均模型对基于LS-SVM模型输出误差信息进行建模,通过对两个模型的融合,获得融合模型的软测量估计值。将该方法应用于锌液净化除钴段入口钴离子浓度的软测量,结果表明该方法比单一的LS-SVM方法具有更好的泛化性能和测量精度,显示出良好的应用潜力。     

化工过程软测量建模方法研究进展

软测量仪表是解决化工过程中质量变量难以实时测量的重要手段。软测量仪表的核心问题是软测量建模。阐述了软测量建模与辨识和非线性建模的关系:质量变量和易测变量的动态关系存在于增量之间,辨识模型依赖于增量数据,软测量建模则是依赖于实测变量数据来获取这个动态关系;非线性建模建立了变量间的静态关系,忽略了对象动态特性,而软测量建模要兼顾对动态特性的表征。随着人们对过程特性的认识加深,软测量建模方法不断发展,经历了从机理建模到数据驱动建模,从线性建模到非线性建模,从静态建模到动态建模的过程。详细讨论了软测量建模的发展过程,众多建模方法的优缺点及适用情况和现在建模的热点,最后对软测量建模方法进行了总体展望。     

软测量在橡胶混炼过程建模中的应用

介绍软测量技术在橡胶混炼过程中的应用。软测量技术的关键是建模，橡胶混炼过程建模主要有基于机理和基于数据驱动两种方法。由于混炼过程的复杂性，基于机理的建模方法在实际应用中受到限制，仅用于估算或定性分析；而基于数据驱动的建模方法对过程知识要求较低且具有自学习功能，因而得到快速发展。混炼过程模型还受辅助变量、数据预处理的影响，且模型建立后还需进行校正，目前对数据预处理和模型校正的研究还较少。     

基于智能优化算法的软测量模型建模样本优选及应用

根据目标工况合理选择训练样本,是建立软测量模型的关键。传统的训练集样本选择方法难以充分利用因变量信息,而且难以综合考虑样本对模型的影响。为了解决上述问题,本文提出一种基于智能优化算法的训练集样本选择模型,定义了损失函数和样本压缩率,通过权重因子将二者融合为多目标适应度函数,可调整优化算法的寻优方向,使算法能够同时对建模样本组合结构与样本数量寻优,因此极大提高了所选建模样本的质量。为了验证方法的有效性,以汽油调和过程中采集的汽油近红外光谱-研究法辛烷值数据以及柴油近红外基准数据为例,与偏最小二乘、局部权重偏最小二乘等多种方法进行了比较研究,并分析了建模样本对软测量模型的影响。结果表明,本文方法在大规模降低训练集样本规模的同时能够保证软测量模型的精度和泛化性,非常适合工业应用。     

高斯过程及其在软测量建模中的应用

结合工业萘初馏塔关键质量指标估计问题,提出了采用高斯过程（GP）建立复杂工业过程软测量方法。将自动相关确定（ARD）原理与GP模型结合进行软测量模型辅助变量选择,通过建立GP软测量模型,同时得到关键质量指标估计值和相应的预测不确定度,有效解决了现有软测量建模方法不能给出估计值的测量不确定度的问题。研究表明,GP软测量模型不仅能自动选择辅助变量,而且还具有较高的估计精度和较小的测量不确定度,能够更好地满足工业现场对测量可靠性的要求。     

基于最近邻与神经网络融合模型的软测量建模方法

软测量建模能够有效地解决生产过程中在线分析仪表测量滞后大、价格昂贵、维护保养复杂等问题。目前,基于数据驱动的神经网络是软测量建模的主要工具之一。而在建模数据的采集过程中,主导变量的采集相对辅助变量要困难得多,由此产生了大量缺失标签的数据。但传统的软测量建模方法却忽视了这些无标签数据,只利用少量的有标签数据建模,从而影响了模型的预测精度。为了解决标签缺失的问题,采用最近邻算法对无标签数据进行伪标记,同时设计了由卷积操作与门限循环单元神经网络(GRU)结合的网络结构来进一步利用无标签数据,提取不同时刻数据中的动态特征,提高神经网络的预测精度。最后将该方法应用于丙烯精馏塔塔顶丙烷浓度的预测,实验结果表明该模型能有效处理非线性动态系统的标签缺失问题,具有更高的预测精度。     

神经元网络建模与软测量技术

本阐述了神经元网络建模与软测量技术，并且用径向基函数神经元网络对两种典型化工对象进行了建模，结果证明用ＲＢＦ网络完全可以实现软测量模型。     

诺西肽发酵过程中的分阶段软测量建模

诺西肽发酵过程中关键生化参数难以在线测量,给控制与优化带来困难.针对这一问题,利用软测量技术来实现关键生化参数的在线估计,并提出了一种分阶段软测量建模方法.首先以分阶段的诺西肽发酵过程非结构模型为基础,根据隐函数存在定理进行辅助变量的合理选择;然后利用模糊c均值聚类算法将建模数据按其所属阶段的不同进行分类,并利用神经网...     

卡尔曼滤波器在软测量建模数据处理中的应用

为了提高模型的精确度,建模分析得到的数据需要经过处理,以进一步消除噪声并降低随机因素的影响。利用卡尔曼滤波器对某石化厂支持向量机模型进行校正,达到了预期效果。仿真实验表明:卡尔曼滤波器在测量数据处理中有明显的去噪效果,在软测量模型校正中应用此方法,可以有效提高模型的精确度和可靠性。     

基于混合核函数PCR方法的工业过程软测量建模

针对核函数PCR方法中单个核函数的局限性，提出了混合核函数PCR方法并将其用于工业过程软测量建模，以提高模型的推广能力和非线性处理能力。混合核函数集中了多个核函数的特点，兼具局部和全局特性，并可以通过参数调节他们对混合核函数的作用，将过程的先验知识融入到核函数的确定，进而适合不同的应用。工业丙烯腈生产过程丙烯腈收率软测量建模的应用表明，基于混合核函数PCR的软测量模型要优于核函数PCR方法，满足了工业应用要求。     

基于改进Kalman滤波算法的多模型融合建模方法

针对聚合物生产过程重要质量控制指标或状态变量的软测量问题,提出了一种基于改进Kalman滤波算法的多模型融合建模方法。将混合核函数主元分析(K₂PCA)与人工神经网络(ANN)相结合,建立一种基于K₂PCA-ANN的数据驱动模型;利用改进Kalman滤波算法实现K₂PCA-ANN模型与机理模型融合,构建一种并联结构的混合模型;协调二次滤波(线性滑动平滑)和方差更新对混合模型进行优化处理,使混合模型的估计性能尽可能地达到最优,使混合模型的预测稳定性得到有效改善。将该多模型融合建模方法应用于氯乙烯聚合过程聚合速率软测量中,应用研究结果表明:与单一的机理模型或K₂PCA-ANN数据驱动模型的预测性能相比,该建模方法建立的聚合速率模型具有更佳的预测性能。该建模方法的运用为进一步开展聚合物生产过程优化与控制等研究提供基础条件。     

Semisupervised Bayesian method for soft sensor modeling with unlabeled data samples

Most traditional soft sensors are built upon the labeled dataset that contains equal numbers of input and output data samples. However, the output variables that correspond to quality variables and other important controlled variables are always difficult to obtain in chemical processes. Therefore, we may only obtain the output data for a small portion of the whole dataset and have much more input data samples. In this article, a semisupervised method is proposed for soft sensor modeling, which can successfully incorporate the unlabeled data information. To determine the effective dimensionality of the latent space, the Bayesian regularization method is introduced into the semisupervised model structure. Two industrial application case studies are provided to evaluate the feasibility and efficiency of the newly developed probabilistic soft sensor. © 2010 American Institute of Chemical Engineers AIChE J, 2011     

基于改进DPC的青霉素发酵过程多模型软测量建模

青霉素发酵过程具有较强的非线性、时变性、阶段性和不确定性,基于单一的软测量模型对产物浓度进行在线估计,难以满足系统对模型精度的要求。针对上述问题,提出一种改进密度峰值聚类的多模型软测量建模方法来估计青霉素发酵过程中的产物浓度。首先,引入相似度函数代替欧氏距离计算样本点的k近邻,并且计算样本点与其k近邻之间的共享近邻,进而利用样本点的k近邻及共享近邻重新定义样本点的局部密度。其次,利用样本点之间的k近邻关系来重新定义样本点的分配策略;通过改进的聚类算法得到各聚类子集,分别建立基于最小二乘支持向量机的软测量模型。Pensim仿真平台的验证结果表明,改进的聚类算法能够更加准确地对样本数据进行聚类,从而有效提高青霉素发酵过程软测量模型的估计精度。     

Probabilistic slow feature analysis‐based representation learning from massive process data for soft sensor modeling

Latent variable (LV) models provide explicit representations of underlying driving forces of process variations and retain the dominant information of process data. In this study, slow features (SFs) as temporally correlated LVs are derived using probabilistic SF analysis. SFs evolving in a state‐space form effectively represent nominal variations of processes, some of which are potentially correlated to quality variables and hence help improving the prediction performance of soft sensors. An efficient expectation maximum algorithm is proposed to estimate parameters of the probabilistic model, which turns out to be suitable for analyzing massive process data. Two criteria are also proposed to select quality‐relevant SFs. The validity and advantages of the proposed method are demonstrated via two case studies. © 2015 American Institute of Chemical Engineers AIChE J, 61: 4126–4139, 2015     

基于证据合成的高斯过程回归多模型软测量方法

针对生物发酵过程,提出了一种基于证据理论的高斯过程回归多模型软测量方法,其中多模型融合策略同时考虑了数据聚类特性和软测量子模型统计特性。首先,对聚类后的各子类建立高斯过程回归子模型;然后,基于聚类隶属度函数和高斯过程回归子模型后验概率分别设计子模型权值,并利用证据合成规则将两类权值进行证据合成得到融合权值;最后,将该融合权值作为加权因子对子模型进行融合。通过青霉素发酵过程仿真数据和红霉素发酵过程工业数据研究表明, 相比单一模型和传统多模型高斯过程回归软测量方法,本文所提方法具有较高的预测精度和较小的预测不确定度。     

基于联合互信息的动态软测量方法

针对工业过程中普遍存在的时延特性和动态特性,提出一种基于联合互信息的动态软测量方法.以联合互信息最大化作为准则,从各辅助变量的历史输入数据矩阵中选取一个连续子变量集,组成包含过程时延信息和动态信息的新数据集,进而确定各辅助变量的时延参数、历史数据长度.各辅助变量参数完全基于过程历史数据确定,与后续软测量模型的建立无关,因此建立动态软测量模型的形式可根据对象非线性程度自主选择.针对实际脱丁烷塔塔底丁烷浓度软测量的仿真研究验证了方法的有效性.     

基于泄漏积分型回声状态网络的软测量动态建模方法及应用

提出一种基于泄漏积分型回声状态网络（LiESN）的软测量动态建模方法,给出LiESN的岭回归离线学习算法与递推最小二乘（RLS）在线学习算法。通过引入正则化系数,岭回归离线学习算法可有效地控制输出权值的幅值,改善ESN的预测性能。RLS在线学习算法能适应大数据集的处理,满足过程建模实时性的需求。将基于LiESN的软测量方法分别用于预测脱丁烷塔底部丁烷组分的含量及计算硫回收装置中尾气的组成,实现对精炼厂相关产品质量的实时监控,并采用模型残差的四图分析对建模性能进行评价。在同等条件下,与基本的ESN网络以及支持向量机（SVM）等软测量建模方法进行了比较,结果表明,所提出的LiESN方法取得了很好的预测性能,计算精度满足工业生产的实际要求。