稀疏采样输出变量数据补缺的软仪表校正策略与方法

发布时间：2018-07-20 20:37

【摘要】：在化工过程中,很多重要的质量变量是直接反映产品质量的重要指标,然而受制于检测技术因素或者成本方面的因素,往往不能实现实时测量,这给生产过程的控制和优化带来很大的影响。软仪表技术正是为了解决这个问题而发展起来的。近几十年的相关研究工作使得软仪表技术得到了长足的发展。虽然软仪表在辅助估计那些无法直接测量的关键变量的场合展示出了巨大的威力,但是软仪表如同任何其他工业测量仪器一样需要定期的维护。这是因为软仪表模型本质上可以看作在特定工况区间内对目标对象模型的一种近似描述。软仪表模型和目标对象模型之间必然存在模型失配。当模型失配恶化程度比较明显时,软仪表模型的工作性能将出现迅速衰退甚至失效。因此软仪表维护的工作核心便是检测那些已经不可忽视的模型失配,然后及时对软仪表模型进行在线校准以恢复软仪表模型对目标模型特性的描述能力。现有的软仪表模型校准策略大致可以总结为基于软仪表输出的补偿、基于软仪表模型参数的在线更新以及基于软仪表模型的重建。我们需要指出上述软仪表模型校准策略仍然需要利用来自目标输出变量的反馈新息才能正常工作。也即是说,如果无法获取足够的目标输出变量的反馈值,则软仪表模型的校准效果不会太好。显然这里的主要矛盾在于目标输出变量的稀疏采样导致过多数据无法被采样反馈至软仪表。我们在解决“缺数据”难题方面做了相关研究工作,也提出了一些具体的实施方案。当然我们所提方案的主要思路还是在于对目标输出变量的缺失采样值进行相对可靠的估计,然后利用这些估计值对软仪表模型进行校准。(1)提出了利用目标输出变量有限的采样值构建一个数据窗口,采用贝叶斯高斯过程回归对数据窗口内的缺失数据进行数据填补。考虑到填补的数据存在相当程度的不确定性,因此并没有选择直接使用填补数据对软仪表模型进行充分的在线校准。实际上带有不确定性的填补数据构成了一个数据带。然后从这个数据带中采样出若干子数据集,最后利用这些子数据集对软仪表模型进行校准得到若干个子模型。首先根据每个子数据集在数据带中出现的概率赋予对应的子模型适当的先验权重,然后根据子模型对一个检验测试点进行估计的性能表现再次赋予子模型相应的后验权重。子模型的最终权重由先验权重和后验权重两部分构成,校准后的软仪表模型是这些子模型的加权组合。(2)虽然基于贝叶斯高斯过程回归填补数据的软仪表模型校准方案在一定程度上解决了目标变量值采样稀疏的问题,但是这个方案是存在问题的。这是因为随着稀疏程度增大,贝叶斯高斯过程回归填补数据的不确定性会逐渐增大。当目标变量的缺失数据填补值的不确定性太大时,软仪表模型的校准效果很难得到保证。为了应对这种情况,我们作了大的改进。首先使用JIT学习策略对目标输出变量的缺失采样值进行预估计,然后利用这些预估计值和目标变量的稀疏采样值共同构成一个数据窗口。因为这一步数据窗口中加入了更多的数据,所以窗口区域内原先存在于那些对应着缺失采样数据的部分区域的不确定性在一定程度上被降低。此外这个数据窗口能够通过加入新数据并且同时丢弃老旧数据以保证窗口不断更新。紧接着使用AdaBoost算法对这个数据窗口的潜在模式进行学习并且得到一个描述该模式的局部函数。利用这个局部函数反过来对窗口中的数据做精细处理,也即是重估计操作,这一步的目的在于进一步降低窗口内数据的不确定性。最后挑选窗口中最新的一部分数据对软仪表模型进行充分的在线校准。(3)我们定义采样周期比为目标变量的采样周期与过程变量的采样周期之间的比值。在采样周期比较大的情况下,基于JIT学习策略和AdaBoost方法的软仪表校准方案可以获得相对满意的校准效果。然而此方案使用的JIT学习策略的性能常常会受制于历史数据库的质量,尤其是取决于查询操作中对历史数据的采样是否合理。这里我们不讨论历史数据库的质量改进问题,而是提出一种对历史数据库中历史数据的数据分布密度进行估计的改进型JIT学习策略。首先将历史数据库分割成足够小的近似密度一致的数据块,然后对每个小的数据块的数据中心求解一个合适的采样个数。接着对数据块进行“池化处理”,最终将数据库划分若干个区块,其中每个区块对应一个推荐的采样个数。如此每次进行查询操作时只需定位查询点所属的区块便可以根据推荐的采样个数实现更加精准而合理的数据采样。对于一个给定的历史数据库,改进型JIT学习策略能够提高对历史数据库资源使用的高效性和可靠性。
[Abstract]:In the process of chemical engineering , many important variables are important indexes which directly reflect the quality of the products . However , it is often impossible to realize real - time measurement .
【学位授予单位】：中国石油大学(北京)
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TQ056

【参考文献】