过程工业软测量中的多模型融合建模方法

对多模型融合建模方法在过程工业软测量中的研究进展进行了系统总结。根据整体模型中子模型的不同,多模型融合建模方法主要可分成数据驱动融合建模方法和半参数建模方法。详细介绍了数据驱动融合建模方法和半参数建模方法的设计思想和国内外研究现状,分析了各类方法的优缺点,并提出了相应的改进方向。根据过程数据处理方法的不同,将数据驱动融合建模方法分为集成学习和聚类分析。根据模型结构形式的不同,将半参数建模方法分为串联结构和并联结构。最后对多模型融合建模方法的未来研究方向进行了展望,期望今后的研究工作能在改进数据驱动模型融合技术、提高半参数模型外推能力和解决双率数据问题等方面取得突破性进展,并指出采用多模型融合建模方法建立基于多源信息融合的软测量模型是实现过程工业中难测变量在线估计的有效方法。     

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。     

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。     

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。     

动态软测量建模方法初探

经过十几年的发展,软测量技术无论是在理论研究还是在实际应用中均取得了较大成功,然而至今为止的大部分研究都是针对静态软测量模型.分析了静态软测量模型与动态软测量模型之间的区别和联系,利用冲激响应模型给出了一个基于最小二乘方法的动态软测量建模方法,并在该方法的基础上给出了一种改进.仿真例子验证了该方法及其改进的有效性.     

化工软测量技术研究进展

详细说明了软测量技术的含义以及软测量系统的组成。在此基础上，介绍了软测量技术中基于机理分析建模、应用状态观测器建模、应用统计分析建模、神经元网络、模糊技术、以及支持向量机的智能建模等软测量建模理论方法和最新研究成果，之后介绍了小波分析、推断控制算法在软测量数据处理中的应用，最后介绍了基于虚拟仪器开发平台的软测量系统实现技术。     

基于分布式贝叶斯隐马尔可夫回归的动态软测量建模方法

利用软测量技术实时预测化工过程中的关键参数对生产过程的在线监测、自动控制、实时优化具有十分重要的意义。为此,提出了一种基于隐马尔可夫模型的动态软测量建模方法。首先,针对数据规模大导致模型计算效率低和数据缺失导致数据无法充分利用的问题,提出了一种基于分布式贝叶斯隐马尔可夫回归的预测模型;其次,针对该模型进一步提出了一种能够获得精确后验分布的分布式训练方法。最后,利用蜡油加氢过程对所提方法的有效性进行了验证。     

基于集成学习的多产品化工过程软测量建模方法

化工过程通常具有非线性、时变以及多产品等特性。针对上述特点,在集成学习框架下建立自适应软测量模型。首先,面向具有多个产品的化工对象,借助k近邻法,以统计假设检验理论为依据,提出一种自适应局部化方法,获得多样性程度高的局部模型集合。然后,根据未知样本量化局部模型的泛化能力,通过选择性集成方法获得主导变量的估计值。此外,为了对主导变量估计值的精度进行评估,基于局部模型泛化误差,给出一种通用性高的模型性能评价方法。在仿真的盘尼西林生产过程上的运行结果验证了所提方法的有效性。     

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。     

A review of just-in-time learning-based soft sensor in industrial process

Data-driven soft sensing approaches have been a hot research field for decades and are increasingly used in industrial processes due to their advantages of easy implementation and high efficiency. However, nonlinear and time-varying problems widely exist in practical industrial processes. Just-in-time learning (JITL) was proposed to solve these problems and has attracted great attention in practical applications. To present a comprehensive review of JITL-based soft sensor studies and provide detailed technical guidance for new researchers, this paper introduces the recent research on JITL-based soft sensor modelling methods in the industrial process from three aspects: similarity criterion, sample subset, and local model, which include the whole process of establishing a JITL-based soft sensor. Moreover, the future research and innovation directions of JITL-based soft sensors in industrial processes are also prospected.     

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。     

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     

基于稀疏最小二乘支持向量机的软测量建模

针对传统最小二乘支持向量机非稀疏化解问题,提出了基于遗传算法的最小二乘支持向量机稀疏化及参数优化方法,稀疏化的基本思想是给训练样本赋予一个概率值,将概率值小于0.5的样本作为测试样本,从而将总的训练样本集分成测试样本集和保留的训练样本集。定义了包括稀疏率、训练误差及测试误差在内的适应度函数。种群个体的前N维表示每个样本对应的概率,后m维表示要优化的参数。通过选择、交叉和变异操作对所有参数进行整体优化,取适应度最小的个体对应的保留的训练样本及优化参数建立最小二乘支持向量机模型。并用该方法用于PX氧化过程4-CBA含量的软测量中,工业数据仿真结果表明,用本文提出的方法稀疏化率达到87%,核参数选取自动完成,与稀疏前建立的模型相比推广能力更高。     

Mixture semisupervised principal component regression model and soft sensor application

Traditionally, data‐based soft sensors are constructed upon the labeled historical dataset which contains equal numbers of input and output data samples. While it is easy to obtain input variables such as temperature, pressure, and flow rate in the chemical process, the output variables, which correspond to quality/key property variables, are much more difficult to obtain. Therefore, we may only have a small number of output data samples, and have much more input data samples. In this article, a mixture form of the semisupervised probabilistic principal component regression model is proposed for soft sensor application, which can efficiently incorporate the unlabeled data information from different operation modes. Compared to the total supervised method, both modeling efficiency and soft sensing performance are improved with the inclusion of additional unlabeled data samples. Two case studies are provided to evaluate the feasibility and efficiency of the new method. © 2013 American Institute of Chemical Engineers AIChE J 60: 533–545, 2014     

深度融合特征提取网络及其在化工过程软测量中的应用

复杂化工过程的观测数据往往同时包含非线性和强动态特性,而传统的化工过程软测量方法无法准确提取观测数据的非线性动态特征,以至影响数据建模和质量预报的准确性。提出了一种基于变分自编码器的深度融合特征提取网络(deep fusion features extraction network, DFFEN)。在变分自编码器框架下,通过构建潜隐特征信息传递通道,提取非线性动态潜隐变量。并利用自注意力机制(self-attention)融合关键的隐层信息,优化因信息传递通道过长而导致的潜在特征被遗忘的问题。此外,在后端网络构建潜隐变量和关键质量变量之间的回归模型,以实现关键质量变量的预报。最后,通过数值案例和实际的合成氨过程验证了所提出的DFFEN模型的可行性和有效性。     

深度融合特征提取网络及其在化工过程软测量中的应用

复杂化工过程的观测数据往往同时包含非线性和强动态特性,而传统的化工过程软测量方法无法准确提取观测数据的非线性动态特征,以至影响数据建模和质量预报的准确性。提出了一种基于变分自编码器的深度融合特征提取网络(deep fusion features extraction network, DFFEN)。在变分自编码器框架下,通过构建潜隐特征信息传递通道,提取非线性动态潜隐变量。并利用自注意力机制(self-attention)融合关键的隐层信息,优化因信息传递通道过长而导致的潜在特征被遗忘的问题。此外,在后端网络构建潜隐变量和关键质量变量之间的回归模型,以实现关键质量变量的预报。最后,通过数值案例和实际的合成氨过程验证了所提出的DFFEN模型的可行性和有效性。