论文部分内容阅读
在工业过程中,为了确保生产过程的平稳、安全及高效,需要实时监测重要过程变量。为了检测难以测量的重要变量,可以采用软测量建模。近些年数据驱动软测量建模方法得到了迅速的发展,一些多元统计及人工智能方法得到应用和研究。作为一种隐变量模型,慢特征分析(Slow Feature Analysis,SFA)通过分析样本的变化情况,提取数据中变化缓慢的特征从而描述了数据的时序相关性。本文基于慢特征分析的特点,从过程数据中存在的动态性、非线性、高噪声与模型泛化性等问题出发,进行了相关研究。 首先,针对过程非线性及动态性问题,通过时延扩展与互信息最大化准则筛选变量,从而描述了数据内部的动态关系,提出了一种基于核慢特征回归的软测量建模方法。其次,针对过程数据的高噪声及动态性问题,采用慢特征分析提取缓慢特征并重构原输入数据实现去噪,提出了一种基于慢特征重构与改进动态偏最小二乘回归的软测量建模方法。最后,针对过程动态性及单模型泛化性能弱的问题,将慢特征方向作为子空间构造的基准,并采用自适应慢特征回归确定各子数据集的回归模型,通过概率加权方式集成输出,提出了一种子空间集成自适应慢特征回归方法。通过多组工业实例与仿真数据,方法的有效性与优越性得到了验证。