论文部分内容阅读
化工过程对象呈现显著的非线性和时变性,为了对过程实施高效的监控策略,广泛以软测量技术的手段对反映产品质量指标的难测变量(即主导变量)进行推断估计。如今,随着过程工况复杂度的日益增加,工业界对于软测量技术的精度和可靠性方面的要求也相应提高。在实际过程中,主导变量的获取通常受到装置成本、仪表可靠性或技术瓶颈等方面的限制,存在很大的测量滞后性。尽管软测量建模领域的研究不断迈向自适应时代,时滞信息却往往不被考虑在建模过程中。为了进一步改善传统软测量建模方法的预测精度,本论文不仅针对工业过程的时变和非线性特征,同时还考虑了过程数据集中隐含的时滞信息,在现有的软测量技术研究成果的基础上,以时间差高斯过程回归算法为基础,对带时滞估计的自适应软测量建模方法进行了研究。全文的主要研究内容如下:1.针对建模数据时序匹配不一致和变量漂移的问题,提出一种基于模糊曲线分析(Fuzzy Curve Analysis,FCA)的时间差高斯过程回归(Time Difference Gaussian Process Regression,TDGPR)建模方法。该方法利用离线估计的时滞参数重新匹配建模样本时序,对于查询样本,采用TDGPR模型对主导变量进行在线预测。2.针对传统全局时间差(Time Difference,TD)模型的“老化”问题,基于选择性集成思想,提出一种局部时间差高斯过程回归(Local Time Difference Gaussian Process Regression,LTDGPR)的自适应建模方法。首先,对数据库中的时滞动态信息进行挖掘,并利用该信息对建模数据进行重构;然后,采取局部化策略对差分后的重构样本进行统计划分,得到LTDGPR模型集。对于查询样本,在线选择部分泛化能力强的LTDGPR子模型进行集成,估计出含一定时间差的主导变量动态偏移值;最后,基于TD模型思想对主导变量值进行实时预测。3.考虑到过程非线性和时滞呈现出的阶段性特征,提出一种基于局部时滞重构(Local Time-delay Reconstruction,LTR)的滑动窗时间差高斯过程回归(Moving Window Time Difference Gaussian Process Regression,MWTDGPR)建模方法。该方法以滑动窗和TD组合策略的方式逐步跟踪过程局部非线性突变和缓变特征,同步实现了局部样本集的时序校正和重构,为其它的时滞非线性时变化工过程建模问题提供了一种可行的框架。论文通过实际过程的数据仿真研究验证了上述方法的可行性和精度,仿真结果充分显示考虑时滞估计的自适应软测量建模对于化工过程的经济效益和安全平稳运行具有重大意义。