论文部分内容阅读
实际工业过程多具有非线性、时变性及不确定性等特点,而传统离线软测量模型无法对此类工业过程的状态参数进行实时跟踪。针对上述问题,通常对传统离线软测量方法进行自适应改进,并根据实时数据对在线软测量模型参数及数据库进行一定的预处理和更新,以确保所建软测量模型具备跟踪过程动态特征及抗干扰的能力,最终进一步提高模型精度以及性能。为了实现对过程主导变量进行有效预测及控制,本文首先采用高斯过程回归(Gaussian Process Regression,GPR)算法对实际工业过程进行学习并得到相应软测量模型,随后提出动态模型更新及奇异点检测补偿算法对其进行动态校正和预处理,最终通过实验仿真论证了本文所提算法的有效性。论文的主要研究内容如下所示:(1)高斯过程回归算法实际应用研究。首先对高斯过程回归算法原理进行简要解析。随后利用此回归算法对青霉素发酵过程进行学习并建立相应软测量模型。通过与传统最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的仿真对比,表明所建高斯过程回归模型具有更好的预测性能。(2)进一步考虑工业过程的时变特征,提出一种基于动态模型更新的GPR在线软测量方法。该方法首先对训练样本利用GPR方法进行离线建模,得到预测输出及预测误差;然后对所得预测误差进行分析,当误差均值大于某一预设阈值时对GPR模型进行整体更新:同时更新其协方差矩阵和协方差函数的参数;否则,只对GPR模型进行局部更新:只更新其协方差矩阵。接着利用误差高斯混合模型(Error Gaussian Mixture Model,EGMM)对更新后的GPR模型预测输出进行误差补偿从而得到最优的预测结果。最终由实际工业污水处理过程的实例仿真验证了所提方法的有效性。(3)针对软测量方法在实际应用中查询样本可能出现奇异点这一问题,提出一种带奇异点检测补偿的GPR在线软测量方法。该方法首先对训练样本利用GPR方法进行建模,得到软测量模型;然后对新来查询样本采用改进拉依达准则进行奇异点检测,当新来查询样本被确定为奇异点时,利用辅助模型对奇异点进行修补,然后再利用软测量模型对修补后查询样本点进行预测;否则,直接使用软测量模型对新来查询样本点进行预测。最终通过实际硫回收过程数据的实验仿真验证了所提方法的有效性。