基于局部模型的软测量建模方法研究

发布时间：2021-08-27 05:19

　　随着生产技术水平的不断提升,工艺过程日渐复杂,过程数据也表现出时变性、非高斯性、多阶段性、不确定性等复杂特征,使得机理建模变得更加困难。因此,人们往往从系统的过程数据出发,借助于机器学习、数据挖掘以及统计分析等手段,采用局部建模方法,以多个局部模型实现对复杂系统的逼近,达到对关键性能指标实时估计的目的。这种建模方法,不仅能够将复杂模型简单化,而且还具有开发成本低、实时性高、易于调整和维护等优点,从而备受人们关注。本文在国家自然科学基金（项目编号:61873113）的资助下,以流程工业为研究对象,直接利用所获得的过程数据,在局部建模思想下,将部分过程信息与建模算法相结合,研究了复杂系统的软测量建模算法,其主要内容包括:针对过程数据不能完全覆盖系统的工况,提出一种变超参数递推高斯过程回归在线校正模型。该模型利用改进的共轭梯度算法,通过重置模型参数更新非线性映射关系,以适应函数空间非线性特征的变化,并在滚动窗口机制下,实现局部高斯过程回归建模。通过数值案例和青霉素发酵仿真平台验证该模型的有效性。针对大范围工况系统中数据分布呈现非高斯特性,提出一种基于局部近邻标准化的自适应多级偏最小二乘算法。... 

【文章来源】：江苏大学江苏省

【文章页数】：127 页

【学位级别】：博士

【部分图文】：

发达国家第三产业比重发展历程

江苏大学博士学位论文四、高斯过程回归受高斯过程（Gaussianprocess，简称：GP）启发，高斯过程回归（Gaussianprocessregression，简称：GPR）用以描述函数空间上标准正态分布。从统计上讲，原始空间样本与服从高斯分布的随机变量相关，而GP可以看作是多元正态分布的广义无穷维函数空间[74,75]。在贝叶斯框架中使用GP先验推断连续变量的过程称为GPR。该模型通过参考函数空间上的分布和贝叶斯推理，获得所需变量的后验分布（如图1.10所示）。这种非参数估计方法体现了GPR与其它回归模型的本质差异。近年来，GPR在过程控制领域得到了成功应用，例如软测量模型，或涉及主导变量的相关过程监测模型[76-78]。图1.10GPR后验分布示意图Figure1.10IllustrationofGPRforposteriordistributionsXeTP’XkTP’XP’TpX输入扩展多项式投影核函数处理图1.9非线性LVP模型原理Figure1.9PrincipleofthreenonlinearLVPmodels11

【参考文献】：
期刊论文
[1]现代流程工业的机器学习建模[J]. 赵顺毅,陈子豪,张瑾,栾小丽,刘飞.  自动化仪表. 2019(09)
[2]后工业化初级阶段与新时代中国经济转型[J]. 郝寿义,曹清峰.  经济学动态. 2019(09)
[3]数据点加权最小二乘渐进迭代逼近及其B样条曲线拟合[J]. 李莎莎,徐惠霞,邓重阳.  计算机辅助设计与图形学学报. 2019(09)
[4]基于即时学习的高炉炼铁过程数据驱动自适应预测控制[J]. 易诚明,周平,柴天佑.  控制理论与应用. 2020(02)
[5]流程工业智能优化制造[J]. 柴天佑,丁进良.  中国工程科学. 2018(04)
[6]基于改进的局部近邻标准化和kNN的多阶段过程故障检测[J]. 冯立伟,张成,李元,谢彦红.  计算机应用. 2018(07)
[7]从全球化到逆全球化思潮下的欧美发达国家制造业回归效果分析[J]. 李俊江,焦国伟,黄浩政.  吉林大学社会科学学报. 2018(04)
[8]中国进入后工业化时代[J]. 胡鞍钢.  北京交通大学学报(社会科学版). 2017(01)
[9]基于卡尔曼滤波的燃煤发热量动态软测量方法[J]. 郝晓辉,刘鑫屏,边防,张全.  热力发电. 2016(10)
[10]流程工业实现跨越式发展的必由之路[J]. 桂卫华,王成红,谢永芳,宋苏,孟庆峰,丁进良.  中国科学基金. 2015(05)

博士论文
[1]基于即时学习的复杂非线性过程软测量建模及应用[D]. 袁小锋.浙江大学 2016
[2]基于PCA统计过程监控的若干问题研究[D]. 赵忠盖.江南大学 2007
[3]基于局部学习策略的非线性系统多模型建模与控制[D]. 潘天红.上海交通大学 2007
[4]基于数据驱动的流程工业性能监控与故障诊断研究[D]. 郭明.浙江大学 2004



本文编号：3365732