基于高斯混合模型的時變過程軟測量建模.pdf

1、在實際工業(yè)過程中，為了確保重要產(chǎn)品質(zhì)量、生產(chǎn)安全及操作的平穩(wěn)，需要對與質(zhì)量密切相關的過程變量進行實時監(jiān)測和控制。然而由于實際的環(huán)境條件和技術(shù)的限制，也存在一些變量無法用傳感器直接檢測。這些變量雖然有些可以用在線分析儀表進行測量，但是在線分析儀維護難、成本高、滯后較大，無法滿足實時控制的要求。因此采用軟測量建模的方法對其進行在線預測。
　　軟測量模型投入運行后，由于催化劑老化、設備老化、原料變化、產(chǎn)品質(zhì)量要求改變等過程時變特性以及樣

2、本的不完整，軟測量模型可能不再適應當前工況，繼續(xù)采用之前的模型進行在線預測，易出現(xiàn)“模型老化”的現(xiàn)象，導致精度降低，模型的輸出預測值與真實值產(chǎn)生較大的偏差。因此在實際工業(yè)過程中需要對模型進行在線的自適應更新，采用新的樣本數(shù)據(jù)對模型參數(shù)進行校正，以適應過程特性，保證模型的預測精度。
　　本文針對工業(yè)過程的時變性、非高斯、非線性，提出了基于高斯混合模型的過程軟測量方法。主要研究成果和內(nèi)容如下:
　　(1)針對非高斯時變過程，提出

3、了一種基于自適應高斯混合模型(GMM)的即時學習(JITL)軟測量建模方法。該方法基于GMM相似度定義準則充分考慮過程非高斯性，選擇合適的相似樣本，然后利用相似樣本數(shù)據(jù)構(gòu)建局部偏最小二乘回歸模型。仿真驗證該方法能有效處理過程非高斯性并提高模型預測精度。
　　(2)針對非線性時變過程，提出基于高斯混合模型(GMM)的局部加權(quán)偏最小二乘回歸(LWPLS)軟測量建模方法。該方法采用改進的相似度選擇相似樣本并將改進的相似度作為樣本輸入輸出