基于即時學(xué)習(xí)的復(fù)雜非線性過程軟測量建模及應(yīng)用.pdf

1、工業(yè)過程的實時在線監(jiān)測與控制對于提高企業(yè)生產(chǎn)效率和保障生產(chǎn)安全有著舉足輕重的作用，這極大地依賴于過程關(guān)鍵產(chǎn)品質(zhì)量指標(biāo)的測量。很多情況下，由于惡劣的測量環(huán)境、昂貴的測量儀器以及測量滯后性等因素，關(guān)鍵產(chǎn)品質(zhì)量無法及時在線檢測。為此，軟測量技術(shù)通過建立關(guān)鍵質(zhì)量變量與易測過程變量之間的數(shù)學(xué)模型，能夠?qū)崿F(xiàn)對質(zhì)量變量的預(yù)測估計。在過去幾十年里，軟測量技術(shù)已經(jīng)成為過程控制領(lǐng)域的研究熱點，并在工業(yè)界中得到了廣泛應(yīng)用。由于過程本身結(jié)構(gòu)特性及其內(nèi)部的復(fù)雜物

2、化反應(yīng)，工業(yè)過程往往表現(xiàn)出數(shù)據(jù)高維度、變量關(guān)系非線性、過程時變性和動態(tài)性等復(fù)雜的多重特征。為此，本文以即時學(xué)習(xí)方法為主要研究手段，研究了一類復(fù)雜非線性過程軟測量建模的問題。全文的主要研究內(nèi)容如下:
　　1)針對過程輸入數(shù)據(jù)與關(guān)鍵產(chǎn)品質(zhì)量之間的約束關(guān)系，提出了基于輸出約束即時學(xué)習(xí)的非線性過程軟測量建模方法。傳統(tǒng)即時學(xué)習(xí)算法的樣本選擇往往只考慮樣本的輸入空間，而未參考輸出空間的約束。本文提出了一種有監(jiān)督隱變量空間相似度度量方法。在該有

3、監(jiān)督隱變量空間，由于隱變量與輸出高度相關(guān)，相似樣本的選擇將更加合理。在即時學(xué)習(xí)局部建模階段，通過同時考慮樣本權(quán)重和輸出相關(guān)的變量權(quán)重，提出了一種雙重局部加權(quán)主成分回歸算法，該算法可以有效提取過程輸出相關(guān)的非線性特征，用于軟測量輸出預(yù)測。
　　2)針對強非線性時變過程，提出了一種基于局部加權(quán)核主元回歸的即時學(xué)習(xí)建模算法。首先，將原始輸入變量進(jìn)行非線性高維映射，并在高維非線性空間進(jìn)行特征表示，可以有效解決過程變量強非線性問題;同時，在

4、高維空間采用基于即時學(xué)習(xí)的局部加權(quán)技巧，可以有效解決過程時變問題和非線性問題，提高了軟測量模型的預(yù)測精度。
　　3)針對帶有變量漂移的非線性時變過程，提出了一種基于時間差分技術(shù)框架下得移動窗局部加權(quán)偏最小二乘法的時間-空間自適應(yīng)軟測量算法。為了解決變量漂移問題，引入了時間差分模型對輸入輸出的差分量進(jìn)行回歸建模。但是，時間差分框架下的全局模型無法解決過程非線性和時變問題。為此，提出了一種在時間差分框架下利用時間自適應(yīng)的移動窗技術(shù)跟蹤

5、過程特性變化和利用空間自適應(yīng)的即時學(xué)習(xí)技術(shù)解決過程非線性特征的方法。
　　4)非線性工業(yè)過程不僅具有數(shù)據(jù)高維度、非線性等特點，還往往伴有隨機噪聲干擾和不確定性因素的影響。為了對過程隨機噪聲進(jìn)行建模，提取過程的非線性特征，提出了一種基于加權(quán)概率主元分析的建模方法。該方法通過建立概率隱變量模型并采用樣本加權(quán)技術(shù)，可以提取過程的非線性特征?；谠撃Ｐ偷能洔y量建模方法能夠取得比確定性投影模型更好的預(yù)測精度。針對所提出算法不能保證其所學(xué)習(xí)的

6、特征與輸出的相關(guān)性，進(jìn)一步提出了基于加權(quán)概率主元回歸的軟測量建模方法。
　　5)對于包含不完備數(shù)據(jù)集的非線性過程，針對輸入變量缺失和輸出標(biāo)簽缺失情況分別提出了概率即時學(xué)習(xí)和半監(jiān)督即時學(xué)習(xí)建模方法。在概率即時學(xué)習(xí)中，變分貝葉斯主元分析被首先用于解決過程中包含輸入數(shù)據(jù)缺失值的問題，進(jìn)而獲得各個樣本隱變量的后驗分布。然后，創(chuàng)新性地利用對稱Kullback-Leibler散度衡量各樣本隱變量概率分布之間的相似度，并進(jìn)行相似樣本的選擇。最后

7、，在輸出變量和隱變量之間建立局部高斯過程回歸模型。因此，所提出的方法可以有效解決輸入缺失數(shù)據(jù)并將數(shù)據(jù)不確定性考慮進(jìn)樣本選擇。在半監(jiān)督即時學(xué)習(xí)中，通過計算有標(biāo)簽樣本和無標(biāo)簽樣本相對于查詢樣本的相似度和權(quán)重，提出了一種基于半監(jiān)督加權(quán)概率主元回歸的軟測量方法。同時，為了更精確地選擇局部建模樣本，還提出了一種改善的尺度馬氏距離用于相似度度量。
　　6)針對非線性動態(tài)過程，提出了基于加權(quán)線性動態(tài)系統(tǒng)的軟測量建模方法。過程數(shù)據(jù)的動態(tài)特性通過隱