基于二子空间协同训练算法的半监督软测量建模

在工业过程中,存在着辅助变量与主导变量数据比例严重失衡的问题。协同训练算法是其中一种利用无标签数据中的潜在信息以提升学习性能的模型训练方法。然而目前在协同训练软测量建模过程中,学习器之间存在严重的训练特性交叉重叠的问题,这将导致对主导变量的预测性能衰减。针对这一问题,提出基于二子空间协同训练算法的半监督软测量模型two-subspace co-training KNN(TSCO-KNN)。该模型将二子空间分块算法与协同训练算法相结合,利用辅助变量与主成分子空间PCS和残差子空间RS两个特征子空间的相关性程度,将数据变量拆分为两个具有显著差异性的学习数据集,进而使用KNN回归器进行协同训练,共同用于对主导变量的预测。最后在乙烯精馏塔塔顶乙烷浓度和TE过程产品浓度软测量中进行仿真研究,验证本文所提算法的有效性。     

基于进化多目标优化的选择性集成学习软测量建模

常规集成学习软测量方法忽略了输入变量选择的多样性,而且没有对基模型进行修剪,从而造成集成模型复杂度高、预测性能受限。为此,提出一种基于进化多目标优化(EMO)的选择性集成学习(SE)高斯过程回归(GPR)软测量建模方法,称为EMO-SEGPR。该方法融合输入特征扰动,通过结合bootstrapping随机重采样和偏互信息相关分析(PMI)构建多样性输入变量子集,并据此建立多样性GPR基模型。然后,基于EMO算法对GPR基模型进行集成修剪,从而获得一组集成规模较小、多样性和准确性较高的基模型。最后,引入集成学习策略实现GPR基模型的融合。将EMO-SEGPR方法应用于青霉素发酵过程和Tennessee Eastman化工过程,实验结果表明了该方法的有效性和优越性。     

基于全变量信息的子空间监控方法

实际化工过程采集得到的数据往往维度较高,直接建模比较复杂。主元分析(principal component analysis,PCA)方法可以提取原始数据主要特征,得到低维数据,但传统的PCA过程监控方法仅保留了方差较大的主元,会造成信息缺失,这将大大影响过程监控性能。针对这一问题,提出了一种新的基于全变量信息(full variable information,FVI)的子空间监控方法。首先,依据每个变量与主元空间(principal component subspace,PCS)和残差空间(residual subspace,RS)相似性的高低,将原始数据空间划分为3个维度较低的子空间,3个子空间保存了全部过程变量,可以更充分地利用过程信息。其次,在每个子空间中,分别建立监控模型,并利用贝叶斯推断整合子空间的监控结果。最后,通过数值仿真及Tennessee Eastman(TE)过程仿真研究验证FVI方法的有效性。     

基于聚类的多模型软测量建模及其应用

实际生产中往往存在对产品质量影响重大、但又难以在线测量的一些参数(只能离线测量与分析)。本文提出一种基于聚类的多模型建模方法对这些难以在线测量的参数实现软测量,将相关性分析、主元分析(PCA)、聚类和多模型建模应用于软测量建模中,构建一种实现重要参数软测量的基本框架:首先,基于相关度分析进行辅助变量的选择,然后用主元分析进行数据的进一步降维,再用k-means聚类与多模型建模思想相结合。最后将提出的思想和方法应用于某精馏塔组分的软测量中,仿真结果表明,测量精度有了较大的提高。     

基于加权模糊聚类方法的多模型建模

针对化工过程软测量模型的多样性,提出基于一种加权模糊聚类方法的多模型建模方法。将输入向量与输出的相关性作为加权系数,构建加权模糊聚类算法,对样本空间的输入数据进行聚类,然后用与输入变量对应的子模型进行输出估计,子模型输出作为系统模型的最终输出。该方法能够实现对输入数据更加合理的划分,提高软测量模型的精度。将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明了该方法的可行性和有效性。     

基于灰色系统的软测量方法及其应用

针对工业过程中一些难以测量的变量,提出一种基于灰色系统的软测量方法,该方法将灰色模型结合工艺生产过程进行建模分析,选择一组辅助过程变量作为灰色模型的输入,利用灰色模型的输出对复杂工业过程中的变量进行预测。采用基于灰色系统的软测量方法对VOD炉终点钢水温度预测的仿真结果表明:预测值的命中率较高,证实了该方法的有效性。     

基于在线聚类和关联向量机的多模型软测量建模

针时软测量样本具有按工况点聚类的特性,提出一种基于在线聚类和关联向量机的多模型软测量建模方法.聚类算法通过设定各辅助变量的权重、按引力原理聚类以及合并子聚类,可把样本按照不同的工作点进行聚类.子模型通过关联向量机实现概率化预测,并采用一种更加有效的核参数选择算法提高算法速度.该建模方法在加氢裂化分馏塔装置的轻石脑油终馏点在线预测系.统中取得了良好的效果.     

基于多模型动态融合的自适应软测量建模方法

针对目前软测量建模过程中,单个模型难以精确描述复杂非线性对象而多模型又多采用静态模型因而对系统实际运行中的动态变化考虑不足的问题,提出了一种基于多模型动态融合的自适应软测量建模方法。该方法首先采用仿射传播聚类算法对样本数据进行分类,并对不同类别的输入样本分别建立基于高斯过程回归的子模型,最后使用动态Gauss-Markov估计对各子模型估计值进行融合。将上述方法应用于对二甲苯(p-xylene,简称PX)吸附分离过程纯度的软测量建模,仿真结果表明该方法能够有效地增强模型适应工况变化的能力,是一种有效的软测量建模方法。     

基于混合核函数和PLS的胎面尺寸预测模型

为实现对生产过程中胎面尺寸的准确预测,分析胎面生产工艺,结合混合核函数和偏最小二乘法(PLS)的特点构造了一种基于混合核函数和PLS的软测量模型。该预测模型把辅助变量通过输入非线性函数映射到高维特征空间,在高维特征空间中采用线性建模方法建立模型后经过非线性函数映射回原数据空间形成非线性模型。应用效果表明,该模型具有较强的学习和泛化能力,并且具有较高的预测精度,能较好地满足胎面实际生产要求。     

基于非线性偏最小二乘回归的软测量建模及应用

针对复杂工业过程存在的多变量、相关性和非线性问题,提出一种新的基于非线性偏最小二乘(partial least squares,PLS)回归的软测量建模方法。该方法利用PLS作为模型的外部框架来提取输入输出主成分变量,同时消除变量间的相关性,然后用最小二乘支持向量机(least squares support vector machine,LSSVM)作为内部函数来描述主成分变量之间的非线性关系,并引入基于误差最小化的权值更新策略,来改进模型的预测精度。以pH中和过程的Benchmark模型来验证该方法的性能,并与其他建模方法比较,结果表明该方法预测精度较高,而且具有较强的泛化能力。将该方法应用于某电站燃煤锅炉的NOx排放软测量建模之中,取得了较好的预测效果。     

基于AP聚类算法的跳汰机床层松散度软测量建模

松散度是跳汰分选过程的重要影响因素,针对其难以用仪器在线检测的问题,提出采用最小二乘支持向量机(LS-SVM)的软测量建模方法。在充分考虑分选过程高度非线性及强耦合性的基础上,为避免单模型建模回归精度差和泛化能力弱的问题,提出采用基于仿射传播(AP)聚类的LS-SVM多模型建模算法进行床层松散度软测量建模。首先采用AP算法对样本数据进行聚类划分,再用LS-SVM的方法对子类样本分别建立子模型,最后通过子模型切换策略得到系统输出。仿真实验表明,基于AP聚类算法的LS-SVM软测量建模算法能够更好地预测跳汰机床层松散度。     

基于ART-SVR的过程建模及在干点软测量中的应用

针对石油化工生产过程通常呈高度非线性,且生产过程数据呈非连续、具有一定类别特性等特征,提出基于自适应谐振神经网络（adaptive resonance theory,ART）和支持向量回归（support vector regression, SVR）相结合的建模方法（ART-SVR）。首先,基于建模样本,通过ART将样本模式空间分割成若干模式特性相近的子空间;然后,对各子空间分别采用SVR建立各自模型,实现基于样本模式空间分割的“分段”建模。仿真试验和在石脑油干点软测量建模的实际应用表明：ART-SVR模型的拟合精度和预测精度均优于全局SVR模型。     

一种基于混合建模技术的MIMO软测量建模方法

针对复合肥产品中几种养分含量需要同时预报的一类多输入/多输出(MIMO)软测量建模问题,提出一种基于混合建模方法的复合肥养分含量MIMO软测量模型。该混合模型首先对几个不能实时测量的关键辅助变量采用基于限定记忆部分最小二乘算法的数据驱动建模方法建立自适应软测量模型,然后采用简化机理模型实时计算三种养分含量。基于实际工业过程数据的仿真结果表明,所建模型运算速度快、预测精度高,可以满足复合肥养分含量在线预报的要求。     

基于深层神经网络的多输出自适应软测量建模

在污水处理运行过程中,多个重要的难测过程变量的存在,不仅妨碍了生产过程的监控,而且阻碍了过程控制策略的调整或优化。即使软测量模型得到合理的构建,在投入运行后仍然遭受性能的退化和同时带来的高昂的维护成本。此外,合适辅助变量的选取直接影响后续建模的效果。因此,文中提出了一种基于深层神经网络的多输出自适应软测量模型,用于污水处理过程中多个目标变量的同步在线预测。其中,深层神经网络基于一种栈式自编码而构建,在极端复杂场景下具有优异的在线预测性能;并在建模中引入时差建模和变量重要性投影(VIP)这两种算法,以应对性能退化问题和实现辅助变量的精选。最后,通过一个实际案例对所提出模型进行验证。结果表明,所提出的软测量模型不仅具有较好的多输出预测性能,且在单目标预测结果上也有不错的表现。     

基于多元线性回归与滚动窗的NO_x排放量软测量

提出一种基于多元线性回归与滚动窗的NO_x动态软测量建模方法,并研究模型更新周期和不同变量选择方法对软测量模型预测结果的影响。仿真结果表明:基于BIC向后剔除多元回归和滚动窗方法的软测量模型在运行较长时间后,仍然能够较好地预测NO_x的排放量。     

基于流形正则化域适应湿式球磨机负荷参数软测量

针对多工况条件下球磨机关键负荷参数测量面临的复杂性问题,提出基于流形正则化域适应(domain adaptation with manifold regularization,DAMR)湿式球磨机负荷参数软测量的方法。该方法首先采用集成流形约束、最大方差及最大均值差异寻找特征变换矩阵,然后,将源建模领域和未建模领域的特征信息投射到公共子空间,最后,在子空间建立模型得到球磨机关键负荷参数的预测值。实验结果表明该方法能以较高的精度实现未知工况下湿式球磨机关键负荷参数的预测,且该方法对于流程工业多工况软测量和过程监控研究有一定的参考价值。     

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。     

基于加权RBF神经网络的诺西肽发酵过程菌体浓度软测量

结合诺西肽发酵过程的实际情况,提出了基于加权RBF神经网络(weighted RBF neural network, WRBFNN)的菌体浓度软测量建模方法。在诺西肽发酵过程非结构模型的基础上,根据隐函数存在定理确定出辅助变量,从而使其选择有严格的理论依据。针对菌体浓度变化范围大这一特点,将传统RBF神经网络(RBF neural network, RBFNN)的误差函数进行了改进;然后根据每批训练样本对被预测对象的预估能力,自适应地为各个批次的训练样本分配权重,进而实施WRBFNN建模。实验结果验证了所提方法的有效性。     

基于神经网络的常压塔柴油凝点软测量的研究与应用

研究某炼油厂常压塔三线柴油凝点的软测量建模问题,分析过程变量对柴油凝点的影响。基于在线分析仪6min采样数据,利用前向网络和时延前向网络(TDNN)分别建立了三线柴油凝点的静态软测量模型和动态软测量模型,并结合在线分析仪对模型实现了在线修正。通过两种模型的仿真和在线实施效果,表明基于神经网络的软测量模型取得了较好的应用效果,而且动态模型的实施效果优于静态模型。     

基于局部线性嵌入的测地线流式核多工况软测量建模方法

针对复杂工业过程在多工况条件下缺乏标记样本无法进行软测量建模,而原有模型失准问题,研究了一种局部线性嵌入(locally linear embedding, LLE)和测地线流式核(geodesic flow kernel, GFK)相结合的无监督软测量建模方法。该方法首先通过局部线性嵌入提取各个工况间的公共模式信息,然后将已知工况数据和未知工况数据的公共模式信息投影到流形空间,利用测地线流式核框架在流形空间上实现域迁移,以减小不同工况间数据的分布差异。最后用偏最小二乘回归法建立软测量模型,得到主导变量的软测量值。通过对TE过程中不同工况下的成分变量软测量和不同工况下的球磨机负荷参数软测量结果,验证了所提算法的实用性和有效性。