基于局部学习的自适应软测量建模方法研究

摘要

在现代过程工业中，为增加经济效益，提高过程运行的平稳性、安全性和环保性，软测量技术被广泛应用于主导变量的在线预测。为了提高软测量模型的预测精度以及使用寿命，本文在局部学习的框架下，从即时学习和集成学习两个方面着手，研究能够同时解决过程非线性和时变性问题的自适应软测量建模方法，针对不同的问题提出了一些解决方案，并对其进行了仿真验证和结果分析。主要的研究成果简述如下： (1)针对即时学习中相似样本集的构造难以充分利用有标签样本监督信息的问题，提出了一种基于有监督结构保持投影算法的即时学习软测量建模方法通过建立辅助变量的特征子空间实现即时学习，在保持样本结构信息的同时，使得样本监督信息得以利用。此外，采用一种自适应数据库监控方法在损失较少预测精度的前提下降低数据库规模。人工合成数据以及来自实际工业过程的数据验证了所提方法的有效性。 (2)针对传统的局部化方法存在的一些不足，设计了一种基于统计假设检验的自适应过程状态分割方法以统计假设检验理论为依据，构造能够检验误差一阶信息和二阶信息是否发生显著性改变的统计量，将整个过程状态分割为一系列无冗余的局部模型区域。这一局部化方法考虑到了辅助变量与主导变量间的映射关系，并具有局部模型集合在线扩展容易、模型数量自适应确定等优点。脱丁烷塔过程以及硫回收单元的数据初步验证了所提方法的有效性。 (3)提出了一种基于局部模型在线切换的自适应软测量建模方法，并在此基础上设计了一种基于选择性集成学习的自适应建模框架利用数据库中最新的有标签样本以及未知样本的近邻样本建立能够体现局部模型在未知样本处泛化能力的指标，在线选择最优模型估计主导变量的值。在选择性集成学习中，利用模型切换准则量化局部模型满意度，并据此淘汰不能提高集成学习性能的局部模型。在连续搅拌反应釜产生的仿真数据，以及来自脱丁烷塔过程和硫回收单元的实际工业数据上的仿真建模结果验证了所提方法的有效性。 (4)针对集成学习中难以利用无标签样本以及缺乏通用性好的模型性能评价方法的问题，提出了一种基于半监督选择性集成学习的软测量建模方法及性能评价方法。半监督学习首先定义一种样本到模型的距离(Distance to Model，DM)，以更准确地衡量样本与模型的相关性。然后，在选择性集成学习框架下以DM计算局部模型满意度，对主导变量值进行预测。此外，所设计的模型性能评价方法不依赖具体的回归算法，具有良好的通用性。在脱丁烷塔对象上的仿真建模结果验证了半监督集成学习方法及性能评价方法的有效性。

目录

第一个书签之前