本文主要研究内容
作者祁成（2019）在《时变工业过程的即时学习软测量建模方法研究》一文中研究指出：在一些复杂的工业过程中,随着产品质量要求的不断提高,需要对一些直接决定产品质量的过程变量进行严格的监测和控制。但是由于某些测量仪器价格昂贵或者技术条件的制约,使得这些变量无法用在线仪器测量得到。对于这些难以测得的变量,可以通过建立软测量模型的方法进行估计和预测。离线建立好的软测量模型投入运行以后,由于催化剂活性失活、设备老化等原因,实际的工业生产过程往往存在时变性,生产过程的工作点将会发生变化,之前建立好的全局模型将失效,不能适用于当前工况。预测的结果不能满足精度要求。因此,采用即时学习(Just-in Time Learning,JITL)策略,通过不断地建立局部模型来克服全局模型的不足。本文基于JITL策略进行软测量建模研究,具体的研究内容和成果如下:(1)对于一些具有非高斯特性的时变工业过程,提出一种基于贝叶斯高斯混合模型(Bayesian Gaussian mixture model,BGMM)的JITL软测量建模方法。首先,对于给定的训练样本集,利用贝叶斯信息准则对高斯混合模型的成分个数进行优化;然后,对于新的测试样本,利用BGMM相似度准则从训练样本中找出与之最相似的一组样本建立高斯过程回归(Gaussian process regression,GPR)模型;最后,用该模型对测试样本进行预测。通过脱丁烷塔塔底丁烷浓度的软测量建模仿真,验证了所提方法的有效性和精度。(2)进一步考虑到工业过程的多阶段特征,在BGMM-JITL单模型的基础上,提出一种多模型建模方法。该方法采用GMM算法对训练集进行聚类处理。对于到来的测试样本,在每个类别中分别采用BGMM的相似度准则选取相似样本建立多个局部GPR子模型,并对该测试样本进行预测得到多个子模型的预测值,最后采用贝叶斯后验概率对多个子模型预测值融合输出。通过青霉素发酵过程中产物浓度的预测实验表明了所提方法有较高的预测精度和可靠性。(3)针对降低即时学习模型更新频率会导致模型精度下降的问题,提出一种基于二阶相似度(Second-order similarity,SOS)的即时学习建模方法。该方法考虑到样本集整体的分布特征,在一阶相似度(First-order similarity,FOS)准则的基础上构建一种二阶相似度准则,选择与待测样本拥有绝大多数相同邻居的相似样本建立局部模型;并引入累计相似度因子自适应地确定建立局部模型时的数据长度,采用相似度阈值判断当前时刻是否需要更新模型。通过一个数值仿真和青霉素发酵过程的仿真验证了所提方法在减少模型耗时的同时,也提高了模型的精度。
Abstract
zai yi xie fu za de gong ye guo cheng zhong ,sui zhao chan pin zhi liang yao qiu de bu duan di gao ,xu yao dui yi xie zhi jie jue ding chan pin zhi liang de guo cheng bian liang jin hang yan ge de jian ce he kong zhi 。dan shi you yu mou xie ce liang yi qi jia ge ang gui huo zhe ji shu tiao jian de zhi yao ,shi de zhe xie bian liang mo fa yong zai xian yi qi ce liang de dao 。dui yu zhe xie nan yi ce de de bian liang ,ke yi tong guo jian li ruan ce liang mo xing de fang fa jin hang gu ji he yu ce 。li xian jian li hao de ruan ce liang mo xing tou ru yun hang yi hou ,you yu cui hua ji huo xing shi huo 、she bei lao hua deng yuan yin ,shi ji de gong ye sheng chan guo cheng wang wang cun zai shi bian xing ,sheng chan guo cheng de gong zuo dian jiang hui fa sheng bian hua ,zhi qian jian li hao de quan ju mo xing jiang shi xiao ,bu neng kuo yong yu dang qian gong kuang 。yu ce de jie guo bu neng man zu jing du yao qiu 。yin ci ,cai yong ji shi xue xi (Just-in Time Learning,JITL)ce lve ,tong guo bu duan de jian li ju bu mo xing lai ke fu quan ju mo xing de bu zu 。ben wen ji yu JITLce lve jin hang ruan ce liang jian mo yan jiu ,ju ti de yan jiu nei rong he cheng guo ru xia :(1)dui yu yi xie ju you fei gao si te xing de shi bian gong ye guo cheng ,di chu yi chong ji yu bei xie si gao si hun ge mo xing (Bayesian Gaussian mixture model,BGMM)de JITLruan ce liang jian mo fang fa 。shou xian ,dui yu gei ding de xun lian yang ben ji ,li yong bei xie si xin xi zhun ze dui gao si hun ge mo xing de cheng fen ge shu jin hang you hua ;ran hou ,dui yu xin de ce shi yang ben ,li yong BGMMxiang shi du zhun ze cong xun lian yang ben zhong zhao chu yu zhi zui xiang shi de yi zu yang ben jian li gao si guo cheng hui gui (Gaussian process regression,GPR)mo xing ;zui hou ,yong gai mo xing dui ce shi yang ben jin hang yu ce 。tong guo tuo ding wan da da de ding wan nong du de ruan ce liang jian mo fang zhen ,yan zheng le suo di fang fa de you xiao xing he jing du 。(2)jin yi bu kao lv dao gong ye guo cheng de duo jie duan te zheng ,zai BGMM-JITLchan mo xing de ji chu shang ,di chu yi chong duo mo xing jian mo fang fa 。gai fang fa cai yong GMMsuan fa dui xun lian ji jin hang ju lei chu li 。dui yu dao lai de ce shi yang ben ,zai mei ge lei bie zhong fen bie cai yong BGMMde xiang shi du zhun ze shua qu xiang shi yang ben jian li duo ge ju bu GPRzi mo xing ,bing dui gai ce shi yang ben jin hang yu ce de dao duo ge zi mo xing de yu ce zhi ,zui hou cai yong bei xie si hou yan gai lv dui duo ge zi mo xing yu ce zhi rong ge shu chu 。tong guo qing mei su fa jiao guo cheng zhong chan wu nong du de yu ce shi yan biao ming le suo di fang fa you jiao gao de yu ce jing du he ke kao xing 。(3)zhen dui jiang di ji shi xue xi mo xing geng xin pin lv hui dao zhi mo xing jing du xia jiang de wen ti ,di chu yi chong ji yu er jie xiang shi du (Second-order similarity,SOS)de ji shi xue xi jian mo fang fa 。gai fang fa kao lv dao yang ben ji zheng ti de fen bu te zheng ,zai yi jie xiang shi du (First-order similarity,FOS)zhun ze de ji chu shang gou jian yi chong er jie xiang shi du zhun ze ,shua ze yu dai ce yang ben yong you jue da duo shu xiang tong lin ju de xiang shi yang ben jian li ju bu mo xing ;bing yin ru lei ji xiang shi du yin zi zi kuo ying de que ding jian li ju bu mo xing shi de shu ju chang du ,cai yong xiang shi du yu zhi pan duan dang qian shi ke shi fou xu yao geng xin mo xing 。tong guo yi ge shu zhi fang zhen he qing mei su fa jiao guo cheng de fang zhen yan zheng le suo di fang fa zai jian shao mo xing hao shi de tong shi ,ye di gao le mo xing de jing du 。
论文参考文献
论文详细介绍
论文作者分别是来自江南大学的祁成，发表于刊物江南大学2019-10-21论文，是一篇关于即时学习论文,高斯混合模型论文,高斯过程回归论文,多模型建模论文,二阶相似度论文,江南大学2019-10-21论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自江南大学2019-10-21论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：即时学习论文; 高斯混合模型论文; 高斯过程回归论文; 多模型建模论文; 二阶相似度论文; 江南大学2019-10-21论文;