帶時(shí)滯估計(jì)的軟測(cè)量建模方法研究

帶時(shí)滯估計(jì)的軟測(cè)量建模方法研究化工過程對(duì)象呈現(xiàn)顯著的非線性和時(shí)變性,為了對(duì)過程實(shí)施高效的監(jiān)控策略,廣泛以軟測(cè)量技術(shù)的手段對(duì)反映產(chǎn)品質(zhì)量指標(biāo)的難測(cè)變量(即主導(dǎo)變量)進(jìn)行推斷估計(jì)。如今,隨著過程工況復(fù)雜度的日益增加,工業(yè)界對(duì)于軟測(cè)量技術(shù)的精度和可靠性方面的要求也相應(yīng)提高。在實(shí)際過程中,主導(dǎo)變量的獲取通常受到裝置成本、儀表可靠性或技術(shù)瓶頸等方面的限制,存在很大的測(cè)量滯后性。盡管軟測(cè)量建模領(lǐng)域的研究不斷邁向自適應(yīng)時(shí)代,時(shí)滯信息卻往往不被考慮在建模過程中。為了進(jìn)一步改善傳統(tǒng)軟測(cè)量建模方法的預(yù)測(cè)精度,本論文不僅針對(duì)工業(yè)過程的時(shí)變和非線性特征,同時(shí)還考慮了過程數(shù)據(jù)集中隱含的時(shí)滯信息,在現(xiàn)有的軟測(cè)量技術(shù)研究成果的基礎(chǔ)上,以時(shí)間差高斯過程回歸算法為基礎(chǔ),對(duì)帶時(shí)滯估計(jì)的自適應(yīng)軟測(cè)量建模方法進(jìn)行了研究。全文的主要研究?jī)?nèi)容如下:1.針對(duì)建模數(shù)據(jù)時(shí)序匹配不一致和變量漂移的問題,提出一種基于模糊曲線分析(FuzzyCurveAnalysis,FCA)的時(shí)間差高斯過程回歸(TimeDifferenceGaussianProcessRegression,TDGPR)建模方法。該方法利用離線估計(jì)的時(shí)滯參數(shù)重新匹配建模樣本時(shí)序,對(duì)于查詢樣本,采用TDGPR模型對(duì)主導(dǎo)變量進(jìn)行在線預(yù)測(cè)。2.針對(duì)傳統(tǒng)全局時(shí)間差(TimeDifference,TD)模型的“老化”問題,基于選擇性集成思想,提出一種局部時(shí)間差高斯過程回歸(LocalTimeDifferenceGaussianProcessRegression,LTDGPR)的自適應(yīng)建模方法。首先,對(duì)數(shù)據(jù)庫(kù)中的時(shí)滯動(dòng)態(tài)信息進(jìn)行挖掘,并利用該信息對(duì)建模數(shù)據(jù)進(jìn)行重構(gòu);然后,采取局部化策略對(duì)差分后的重構(gòu)樣本進(jìn)行統(tǒng)計(jì)劃分,得到LTDGPR模型集。對(duì)于查詢樣本,在線選擇部分泛化能力強(qiáng)的LTDGPR子模型進(jìn)行集成,估計(jì)出含一定時(shí)間差的主導(dǎo)變量動(dòng)態(tài)偏移值;最后,基于TD模型思想對(duì)主導(dǎo)變量值進(jìn)行實(shí)時(shí)預(yù)測(cè)。3.考慮到過程非線性和時(shí)滯呈現(xiàn)出的階段性特征,提出一種基于局部時(shí)滯重構(gòu)(LocalTime-delayReconstruction,LTR)的滑動(dòng)窗時(shí)間差高斯過程回歸(MovingWindowTimeDifferenceGaussianProcessRegression,MWTDGPR)建模方法。該方法以滑動(dòng)窗和TD組合策略的方式逐步跟蹤過程局部非線性突變和緩變特征,同步實(shí)現(xiàn)了局部樣本集的時(shí)序校正和重構(gòu),為其它的時(shí)滯非線性時(shí)變化工過程建模問題提供了一種可行的框架。論文通過實(shí)際過程的數(shù)據(jù)仿真研究驗(yàn)證了上述方法