论文部分内容阅读
由于工艺、检测技术或运行条件的限制,复杂工业过程中的一些重要的质量变量无法快速直接的检测。为了解决这些问题,软测量技术在工业过程领域受到了越来越广泛的关注。本文在现有的软测量技术研究的基础上,以高斯过程回归(Gaussian Process Regression,GPR)建模方法为基础,从建立自适应软测量模型和对所建立的模型进行校正出发,对软测量进行了深入的研究。首先,针对化工过程的非线性、多阶段和不同的局部动态特征等实际情况,提出一种在线自适应更新的多模型软测量策略。该方法用高斯混合模型对过程的不同阶段进行辨识,并采用一种自适应实时学习(Just-In-Time Learning,JITL)的方法,不断更新所建立的局部GPR模型,最后根据新的数据隶属于每个不同阶段的后验概率,对局部模型进行融合输出。对TE化工过程产品的质量进行预测,仿真结果表明了所提方法具有更高的预测精度和泛化性能。其次,将JITL思想与传统滑动窗口(Moving Window,MW)相结合,通过选择窗口中的相似数据使得滑动窗口能够更加有效地处理过程的动态。然而基于滑动窗口高斯过程回归(Moving Window Gaussian Process Regression,MWGPR,MWGPR)所建立的模型往往是静态模型,考虑实际工业过程呈现动态特性,因此提出了一种基于ARX模型结构的动态建模方法。该方法用高斯混合模型对过程的不同阶段进行辨识,然后基于MWGPR建立ARX模型。同时为了弥补滑动窗口所丢失的信息,利用一种双重更新策略对模型的输出进行补偿。通过连续发酵过程和实际动态水箱实验数据的仿真表明,该方法能够通过自适应的更新当前模型,从而更加有效地跟踪过程的动态。最后,为了解决非高斯噪声对模型预测性能的影响,从预测误差信息出发,提出了一种基于误差高斯混合模型(Error Gaussian Process Regression,EGMM)的GPR软测量方法。选择合适的变量组成误差数据,利用贝叶斯信息准则优化得到合适的高斯成分的个数;再利用EGMM对误差数据进行拟合计算得到条件误差均值对输出进行补偿得到更加精确的结果。通过数值仿真及硫回收装置(Sulfur Recovery Unit,SRU)的H2S浓度的软测量,进一步验证了所提算法的有效性和可行性。