工业过程数据隐变量回归建模及应用

发布时间：2020-03-28 12:58

【摘要】：关键性能指标测量对于流程工业的质量控制和运行性能至关重要,本论文针对当前流程工业关键性能指标测量难的问题,以目前三大类常用隐变量回归模型:主元回归、偏最小二乘回归以及独立成分回归为主要研究方法,针对其存在的不足之处,做了一些应用基础研究工作,取得的主要成果有:针对主元回归模型在非线性建模方面的不足,提出一种基于线性子空间的主元回归新模型。通过沿着不同主元方向构建线性子空间,有效地保障了各个线性子模型的差异性,并定义变量贡献度指标选取相关变量建立主元回归子模型。最后,通过贝叶斯概率加权的方式实现子模型结果的集成。通过工业实际数据,验证了提出方法的有效性。针对传统偏最小二乘回归模型在概率建模方面的不足,提出一种概率形式的偏最小二乘回归模型,并将单模型的结构扩展为混合模型的形式。在此基础上,针对回归建模过程中有标签数据样本数量有限的情况,将概率偏最小二乘回归模型扩展为半监督的形式,通过融合大量无标签样本的信息,提升回归模型的预测性能。针对独立成分回归模型的结构不稳定性,提出一种基于双层独立成分回归建模的软测量方法。通过贝叶斯概率集成的方式,融合各个独立成分方向上子模型的预测结果,有效改进了对光谱数据的建模和预测效果。基于集成学习方法,对三大类常用隐变量回归建模方法进行融合,互相取长补短,弥补各自的缺陷,通过多模型结构bagging方法,并结合最小二乘参数优化,进一步提升了隐变量回归模型在实际应用中的效果。
【图文】：

图２．１：线性子空间示意图逡逑

２．４．１邋ＦＣＣＵ邋过程逡逑传统的流体催化裂化过程一般由４个子系统构成，分别为反应堆再生器子系逡逑统，分馏器子系统，吸收器稳定器子系统和气体子系统等，图２．２给出了邋ＦＣＣＵ逡逑过程的示意图（Ｌｉｕ等２００９）。在该过程中，主要产品有三大类，，分别为汽油，轻逡逑柴油和液化石油气。为了对该过程进行质量控制，这三类产品的产量必须进行在逡逑线测量，但是，由于技术条件的限制，目前这三类产品的产率需要通过离线的方逡逑式，每８个小时测量一次，这就对反馈控制系统引入了比较大的滞后，对该过程逡逑的产品质量控制非常不利。逡逑Ｆｌｕｅ邋ｇａｓ逡逑Ｍｒ邋N逦ｔ逦，逦？0ｒｙｇａＳ逡逑？邋Ｉ邋Ｒｅｇｅｎｅｒａｔｏｒ逦２逦Ｊ逡逑＇逦ｊ逦ｆ逦Ｒｉｃｈ邋ｇａｓ邋广逡逑Ｊ＾ｔａｌｙｚｅｒ邋ｊｒ逦＾逦邋Ｇａｓｅｏｕｓ逡逑ＣｒａｄｅｏｌｌＱ邋Ｑ邋Ｑ邋——ｈ广逡逑—■二；＝邋＝ｄ逡逑、Ｊ邋Ｌ邋Ｊ，邋Ｌ邋Ｊ￣￣＼逦一邋＿＿邋＿邋Ｖ逦Ｊ一？邋Ｇａｓｏｌｉｎｅ逡逑Ｈｅａｔｉｎｇ邋ｆｕｒｎａｃｅ：ｅａｃｔｏｒ邋ｆｒａｃｔｉ＇？ｎａｔｏ邋？逦Ｓｔａｂｉｌｉｚｅｒ逡逑一逦Ｋ—ｙ逡逑Ａｂｓｏｒｂｅｒ－Ｄｅｓｏｒｐｔｉｏｎ邋Ｔｏｗｅｒ逡逑！逦
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：O212.1

【相似文献】

相关期刊论文 前10条

1 刘娟;;中国省际间人力资本流动原因的隐变量分析[J];人口与经济;2007年02期

2 邓日升;岳昆;武浩;刘惟一;;面向商品评分预测的隐变量模型构建与推理[J];小型微型计算机系统;2017年02期

3 王秀美;高新波;张乾坤;宋国乡;;一种基于局部保持的隐变量模型[J];模式识别与人工智能;2010年03期

4 肖应旺;;动态隐变量法及其在动态过程监控中的应用[J];仪器仪表学报;2012年01期

5 仝明磊;边后琴;;共享隐变量模型的解析算法及应用[J];上海电力学院学报;2010年05期

6 孙尚拱;隐变量分析简介(六)[J];数理统计与管理;2002年06期

7 洪定国;;量子力学正统理论与隐变量理论之分歧[J];湖南师范大学自然科学学报;1985年01期

8 师量;;定域隐变量理论实验检验概况评述[J];北京师范大学学报(自然科学版);1976年Z1期

9 杨智勇;刘金兰;;基于隐变量分析的企业信息系统评价实证研究[J];科技进步与对策;2009年02期

10 熊丽;梁军;钱积新;;基于偏最小二乘隐变量空间的控制器设计方法[J];化工学报;2007年02期

相关会议论文 前5条

1 ;Experimental State-Independent Noncontextual Hidden Variable Test with a Qutrit[A];第十五届全国量子光学学术报告会报告摘要集[C];2012年

2 赵玲玲;周水生;王雪岩;;基于集成算法的半监督学习[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

3 杜明亮;方开泰;;多种建模方法用于均匀设计试验的思考[A];2007均匀试验设计学术交流会论文集[C];2007年

4 吴龙飞;孙浩;计科峰;;基于集成映射的半监督图像分类方法[A];第八届全国信号和智能信息处理与应用学术会议会刊[C];2014年

5 陈耀东;王挺;陈火旺;;半监督学习和主动学习相结合的浅层语义分析[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

相关博士学位论文 前10条

1 郑俊华;工业过程数据隐变量回归建模及应用[D];浙江大学;2018年

2 王秀美;隐变量模型的建模与优化[D];西安电子科技大学;2010年

3 池清华;PLS隐变量空间模型预测控制算法研究[D];浙江大学;2015年

4 任昌亮;基于关联行为的隐变量理论与量子非定域性的研究[D];中国科学技术大学;2009年

5 唐晓亮;基于神经网络的半监督学习方法研究[D];大连理工大学;2009年

6 孙春晓;经典隐变量模型与量子关联的研究[D];中国科学技术大学;2010年

7 桂杰;基于图的半监督学习和维数约简方法及其应用研究[D];中国科学技术大学;2010年

8 赵鹤;面向高维大数据的子空间集成学习方法研究[D];中国科学院大学(中国科学院深圳先进技术研究院);2017年

9 刘天羽;基于特征选择技术的集成学习方法及其应用研究[D];上海大学;2007年

10 侯勇;特征提取与集成学习算法的研究及应用[D];北京科技大学;2015年

相关硕士学位论文 前10条

1 邓日升;面向商品评分预测的隐变量模型构建与推理[D];云南大学;2016年

2 黄斐;基于隐变量模型的歌曲转换方法研究[D];西安建筑科技大学;2015年

3 彭正超;基于隐变量模型的社会化推荐研究[D];电子科技大学;2015年

4 张赞;贝叶斯网络隐藏变量维数学习研究及应用[D];合肥工业大学;2013年

5 陈英豪;半监督学习分类算法的研究[D];江苏大学;2017年

6 王秀芳;具有隐变量的贝叶斯网络结构学习研究[D];合肥工业大学;2012年

7 赵铁牛;通径分析及其在医学研究中的应用[D];山西医科大学;2004年

8 杨丽萍;隐变量分形插值函数的相关性质研究[D];南京财经大学;2011年

9 董帅;基于半监督学习方法的相关反馈及其在图像检索中的应用[D];北京工业大学;2016年

10 孙喜洋;基于人工嗅觉系统的集成学习研究[D];浙江大学;2018年

本文编号：2604481