基于概率推理的軟測(cè)量若干關(guān)鍵問題研究.pdf

1、軟測(cè)量模型是基于生產(chǎn)過程特征建立的,能夠反映易于測(cè)量的過程變量與難于測(cè)量的目標(biāo)過程變量間復(fù)雜關(guān)系的數(shù)學(xué)模型?；谠摂?shù)學(xué)模型,可實(shí)現(xiàn)對(duì)目標(biāo)變量的推斷估計(jì),從而解決一些關(guān)鍵過程變量難于測(cè)量的問題。采用數(shù)據(jù)驅(qū)動(dòng)方法建立的軟測(cè)量模型在工業(yè)中獲得了越來越廣泛的應(yīng)用,并取得了較好的應(yīng)用效果。
　　在目前的軟測(cè)量研究與應(yīng)用中仍存在以下亟待解決的問題:(1)提高對(duì)建模數(shù)據(jù)中異常值的檢測(cè)能力;(2)如何解決模型訓(xùn)練的不穩(wěn)定性,提高預(yù)測(cè)模型的預(yù)測(cè)精度

2、;(3)對(duì)于日趨復(fù)雜的生產(chǎn)過程,例如生產(chǎn)過程中會(huì)出現(xiàn)明顯生產(chǎn)狀態(tài)切換的過程,如何保證在不同的狀態(tài)下均取得較好的預(yù)測(cè)效果;(4)如何提高軟測(cè)量模型的持續(xù)工作能力。
　　針對(duì)以上問題,本文基于概率推理建模方法進(jìn)行了深入研究。概率推理建模(包括極大似然方法和貝葉斯方法)是數(shù)據(jù)驅(qū)動(dòng)軟測(cè)量建模中的一種重要方法,其在面向復(fù)雜多變量工業(yè)過程數(shù)據(jù)建模時(shí)有著優(yōu)越的性能。本文的研究?jī)?nèi)容如下:
　　(1)為提高針對(duì)訓(xùn)練數(shù)據(jù)中的異常值進(jìn)行檢測(cè)的能力

3、,將概率主成分分析用于建模數(shù)據(jù)的異常值檢測(cè),給出了一種能夠在主成分空間更加有效地進(jìn)行異常值檢測(cè)的方法。該方法在保留主成分分析對(duì)于異常值檢測(cè)的優(yōu)良特性基礎(chǔ)上,利用概率主成分分析的隱變量模型結(jié)構(gòu),對(duì)建模數(shù)據(jù)在主成分空間的投影分布進(jìn)行方便有效的密度估計(jì)?；谠撁芏裙烙?jì)的特性,并結(jié)合統(tǒng)計(jì)距離,有效地提高了對(duì)異常值檢測(cè)的準(zhǔn)確性。同時(shí)基于期望最大化算法的基本框架,也給出了相應(yīng)的期望最大化算法。通過與幾種目前常用的異常值檢測(cè)方法進(jìn)行實(shí)驗(yàn)比較,顯示出更

4、好的檢測(cè)效果。
　　(2)為解決軟測(cè)量中預(yù)測(cè)模型的訓(xùn)練不穩(wěn)定性問題,提出了一種由同構(gòu)概率回歸子模型構(gòu)成的組合預(yù)測(cè)模型。該組合模型方法通過bootstrap重采樣方法獲得多個(gè)訓(xùn)練數(shù)據(jù)集,基于這些數(shù)據(jù)集建立多個(gè)同結(jié)構(gòu)概率回歸子模型,然后根據(jù)各個(gè)子預(yù)測(cè)模型的預(yù)測(cè)方差和預(yù)測(cè)均值分布概率,給出了一種基于子模型預(yù)測(cè)性能評(píng)價(jià)的模型組合策略,對(duì)多個(gè)子模型的輸出進(jìn)行組合獲得組合輸出,從而有效解決單個(gè)模型建模會(huì)出現(xiàn)的訓(xùn)練不穩(wěn)定性問題,提高了軟測(cè)量模型

5、的整體預(yù)測(cè)性能。通過采用高斯過程回歸模型、相關(guān)向量機(jī)這兩種典型的概率回歸模型作為子模型,針對(duì)實(shí)際應(yīng)用進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果說明了該組合模型方法相對(duì)于傳統(tǒng)的單模型方法有更好的預(yù)測(cè)效果。
　　(3)針對(duì)一類有明顯狀態(tài)切換的復(fù)雜生產(chǎn)過程,由于各狀態(tài)物理或化學(xué)機(jī)理性質(zhì)差異,單一模型難以在各個(gè)狀態(tài)下都取得理想預(yù)測(cè)性能的問題,提出了一種預(yù)測(cè)模型組合框架。該框架首先采用有偏重的模型訓(xùn)練策略,對(duì)構(gòu)成生產(chǎn)過程的基本生產(chǎn)狀態(tài)建立相應(yīng)的子模型。在基本生產(chǎn)狀

6、態(tài)的特征數(shù)據(jù)選取時(shí)采用了粒子群優(yōu)化算法,以讓子模型能更好地捕捉基本生產(chǎn)狀態(tài)特征。然后采用模糊C均值聚類方法對(duì)組合生產(chǎn)狀態(tài)進(jìn)行辨識(shí),在各狀態(tài)下基于貝葉斯模型比較評(píng)估各子模型的預(yù)測(cè)性能,并以此為依據(jù),基于貝葉斯模型組合方法在各組合生產(chǎn)狀態(tài)中采用不同的子模型組合策略,從而能夠有效地保證模型在不同生產(chǎn)狀態(tài)中均能取得所需的預(yù)測(cè)性能。
　　針對(duì)貝葉斯模型在訓(xùn)練時(shí)采用馬爾可夫鏈蒙特卡洛方法常常會(huì)出現(xiàn)計(jì)算負(fù)擔(dān)很大的問題,采用了交叉檢驗(yàn)分布來計(jì)算模

7、型證據(jù),并根據(jù)參數(shù)模型和非參數(shù)模型的不同特點(diǎn),給出了不同的計(jì)算策略,有效地降低了模型訓(xùn)練和模型比較的計(jì)算負(fù)擔(dān)。實(shí)驗(yàn)分析說明,該方法相對(duì)于傳統(tǒng)的單一模型方法,有更優(yōu)良的性能。
　　(4)為在軟測(cè)量模型依賴的硬件傳感器輸出數(shù)據(jù)失效時(shí)能對(duì)其進(jìn)行重構(gòu),從而提高軟測(cè)量模型整體可用性,提出了一種以混合高斯模型為基礎(chǔ),能夠基于有效數(shù)據(jù)對(duì)失效的硬件傳感器輸出數(shù)據(jù)進(jìn)行數(shù)據(jù)重構(gòu)的方法。該方法充分利用混合高斯模型對(duì)多模分布數(shù)據(jù)能夠進(jìn)行有效建模的能力,建