基于高斯过程回归的自适应多模型建模及校正

发布时间：2017-07-04 00:10

  本文关键词：基于高斯过程回归的自适应多模型建模及校正

  更多相关文章： 软测量 高斯过程回归 高斯混合模型 实时学习 误差混合高斯模型

【摘要】：由于工艺、检测技术或运行条件的限制,复杂工业过程中的一些重要的质量变量无法快速直接的检测。为了解决这些问题,软测量技术在工业过程领域受到了越来越广泛的关注。本文在现有的软测量技术研究的基础上,以高斯过程回归(Gaussian Process Regression,GPR)建模方法为基础,从建立自适应软测量模型和对所建立的模型进行校正出发,对软测量进行了深入的研究。首先,针对化工过程的非线性、多阶段和不同的局部动态特征等实际情况,提出一种在线自适应更新的多模型软测量策略。该方法用高斯混合模型对过程的不同阶段进行辨识,并采用一种自适应实时学习(Just-In-Time Learning,JITL)的方法,不断更新所建立的局部GPR模型,最后根据新的数据隶属于每个不同阶段的后验概率,对局部模型进行融合输出。对TE化工过程产品的质量进行预测,仿真结果表明了所提方法具有更高的预测精度和泛化性能。其次,将JITL思想与传统滑动窗口(Moving Window,MW)相结合,通过选择窗口中的相似数据使得滑动窗口能够更加有效地处理过程的动态。然而基于滑动窗口高斯过程回归(Moving Window Gaussian Process Regression,MWGPR,MWGPR)所建立的模型往往是静态模型,考虑实际工业过程呈现动态特性,因此提出了一种基于ARX模型结构的动态建模方法。该方法用高斯混合模型对过程的不同阶段进行辨识,然后基于MWGPR建立ARX模型。同时为了弥补滑动窗口所丢失的信息,利用一种双重更新策略对模型的输出进行补偿。通过连续发酵过程和实际动态水箱实验数据的仿真表明,该方法能够通过自适应的更新当前模型,从而更加有效地跟踪过程的动态。最后,为了解决非高斯噪声对模型预测性能的影响,从预测误差信息出发,提出了一种基于误差高斯混合模型(Error Gaussian Process Regression,EGMM)的GPR软测量方法。选择合适的变量组成误差数据,利用贝叶斯信息准则优化得到合适的高斯成分的个数;再利用EGMM对误差数据进行拟合计算得到条件误差均值对输出进行补偿得到更加精确的结果。通过数值仿真及硫回收装置(Sulfur Recovery Unit,SRU)的H2S浓度的软测量,进一步验证了所提算法的有效性和可行性。
【关键词】：软测量 高斯过程回归 高斯混合模型 实时学习 误差混合高斯模型
【学位授予单位】：江南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TQ021;TQ019
【目录】：

• 摘要3-4
• Abstract4-7
• 第一章 绪论7-13
• 1.1 课题研究背景及意义7-8
• 1.2 自适应多模型软测量的发展和研究现状8-11
• 1.2.1 多模型建模方法概述8-10
• 1.2.2 自适应软测量建模方法研究现状10-11
• 1.2.3 化工过程软测量建模存在的问题11
• 1.3 本文主要研究内容11-13
• 第二章 基于JITL的高斯过程回归软测量多模型融合建模13-23
• 2.1 预备知识13-15
• 2.1.1 主成分分析13-14
• 2.1.2 高斯过程回归14
• 2.1.3 高斯混合模型14-15
• 2.2 基于JITL-GPR的在线自适应多模型建模15-18
• 2.2.1 实时学习方法15-16
• 2.2.2 PCA-GPR模型的建立16-17
• 2.2.3 基于JITL的在线多模型融合建模17-18
• 2.3 实验仿真18-21
• 2.4 本章小结21-23
• 第三章 双重更新的JITL-MWGPR多模型软测量建模23-42
• 3.1 传统的MW自适应更新方法23-24
• 3.2 改进的MWGPR软测量24-30
• 3.2.1 改进的MWGPR建模步骤24-25
• 3.2.2 硫回收装置回收问题25-30
• 3.3 GPR-ARX动态模型30-31
• 3.4 双重更新策略31-33
• 3.4.1 均值和方差更新31-32
• 3.4.2 偏差更新32-33
• 3.5 基于改进的MWGPR-ARX多模型软测量建模33-40
• 3.5.1 连续发酵过程33-38
• 3.5.2 动态水箱实验38-40
• 3.6 本章小结40-42
• 第四章 基于EGMM校正的软测量建模42-49
• 4.1 采用EGMM的误差数据信息的提取42-44
• 4.2 基于EGMM校正的GPR建模步骤44
• 4.3 仿真实验44-48
• 4.3.1 数值仿真44-46
• 4.3.2 SRU软测量建模46-48
• 4.4 本章小结48-49
• 第五章 总结与展望49-51
• 5.1 工作总结49-50
• 5.2 前景展望50-51
• 致谢51-52
• 参考文献52-56
• 附录：作者在攻读硕士学位期间发表的论文56

，

本文编号：515670