贝叶斯核学习建模及在间歇过程中的应用研究

摘要

在间歇生产过程中，往往面临着部分关键参数无法通过传感器直接测量而影响到生产过程中的产品质量控制以及自动化水平提高等问题。同时，间歇过程无可靠的机理模型、过程时变性强、原材料波动大等特点，造成了针对该过程建模和控制非常困难，产品质量波动大，能耗无法得到有效控制等问题。
　　 目前，针对此类问题，以支持向量回归(Support Vector Regression，SVR)和最小三乘支持向量机(Least Squares SVR，LSSVR)等一类基于数据驱动的核学习建模方法得到了广泛的研究，并取得了一定的成效，但仍面临一些共性问题：(1)对数据不确定性、相关性和非线性较为敏感；(2)需要估计正则化参数，在回归问题中还需要调整敏感度参数；(3)绝大部分SVR、LSSVR方法都是离线的，建立的是离线模型，在线递推模型的研究还相对较少等。
　　 针对以上情况，本课题主要开展以下工作：
　　 1.为了提高针对间歇过程建模的准确性以及推广性能，且充分利用先验概率信息，提出了一种贝叶斯核学习建模方法，在给定假设先验概率分布和似然分布的条件下，通过修正预测模型，从而提高模型对非线性过程建模的准确性和推广性能。通过对一类青霉素发酵过程仿真实验表明，该建模方法引入了贝叶斯方法，可以有效地获得参数的优化解，得到精确的预测模型，较传统神经网络、LSSVR等算法具有更好的预报性能和推广性能。
　　 2.针对工业过程中在线实时预报产品关键参数的要求，本文推导了一种递推贝叶斯建模方法，并提出了一种递推贝叶斯核学习建模方法，采用基于模型预报误差准则的样本稀疏化策略，冗余样本删除策略、模型在线递推更新，对一类非线性过程进行在线建模，实时预报工业过程关键参数。通过对橡胶混炼过程的实际数据进行仿真研究表明，递推贝叶斯核学习方法较递推贝叶斯建模方法、贝叶斯核学习方法，对混炼过程关键参数具有更好的预报性能、推广性能、过程参数选择灵活性，具备一定的工业应用价值。
　　 3.将递推贝叶斯核学习方法应用到国内某轮胎制造厂的橡胶混炼过程门尼粘度参数的预报，设计了橡胶混炼过程在线建模的实施策略，并协助现场开发人员开发了混炼过程门尼粘度预报系统。通过系统的试运行表明，所设计的门尼粘度预报系统具有较好的预报性能及工业应用价值。
　　 最后，在总结贝叶斯核学习建模及应用的工作基础上，展望了未来可以进一步深入开展的工作。