论文部分内容阅读
工业4.0对现代工业生产系统的自动化、智能化、信息化都提出了更高的要求。过程数据包含着大量的信息,对系统监测和控制都有着重大意义。但是,仅凭常规测量时获取的温度、压强、物料流量和液位不能满足愈发复杂的工艺流程和监测要求,除静态数据之外,还需要动态的信息;另一方面,对仪器的精度和稳定性要求也越来越高。在一些实际应用中,为了实现高效、稳定、可靠的过程控制和系统故障诊断,需要综合多种仪表的测量信息。不同于受限于成本和特定应用领域的传统硬件传感器,基于软件编程的软测量技术提供了一种有效的解决方案。其中,基于概率主成分回归的软测量方法被大量研究并已经在很多工业生产系统中使用。但值得关注的是,传统的概率主成分回归方法有很多局限性,比如只能对稳定单一工况下的系统进行建模,只能利用有标签数据,且假设采集的数据均服从高斯分布,对离群点的抗干扰性差等等。本课题在国内外前人研究的基础上,对于含有多个工况的复杂工业过程,提出一种鲁棒性较好,并且能够利用实际中大量存在的无标签数据进行模型辨识的概率主成分回归方法。本文具体内容如下:(1)对于含有多个工况的复杂工业过程,对比经典概率主成分回归模型,介绍了一种传统的、可混合多个子模型的混合多模型概率主成分回归模型,简述了其软测量建模方法。(2)传统研究中均假设变量服从高斯分布,而工业过程数据中,因为记录错误、过程噪声和干扰等等原因,会引入大量的离群点,进而导致数据驱动的建模方法失真。针对于该问题,本文引入具有厚尾的多元拉普拉斯分布代替高斯分布,使得算法的抗离群点性能提高,增强了算法的鲁棒性。(3)传统方法一般采用全监督学习,只能利用有标签的数据,要求样本集必须具有对应的标签集。考虑到在工业实际中,存在大量的无标签数据,同时这些数据仍然包含大量重要的过程和系统参数信息,直接舍弃会造成信息浪费。本课题引入半监督方法进行改进,使得没有对应输出的输入样本能够帮助构建更好的软测量模型。(4)通过最大期望法构建了软测量模型,并分别通过数值仿真和工业实例——Tennessee Eastman过程,对不同算法和其改进算法预测主导变量的均方误差值进行比较,验证了所提出的改进方法提高了抗离群点的性能,给出了更好的软测量预测结果。在结论部分,总结本课题研究内容,同时对下一步的研究和可能的发展趋势进行了设想。