基于栈式降噪自编码器的发酵过程回归建模

精确有效的发酵过程模型不仅能够定量揭示过程信息间的关联,实现对难以实时监测变量的预测,而且是进一步控制和优化的前提;基于数据驱动的发酵过程建模方法得到了广泛研究与应用,然而其仅考虑发酵过程的非线性特征和数据具有多采样率的特点,忽略了过程数据中测量噪声对模型的影响;为此,提出基于栈式降噪自编码器的发酵过程回归建模方法,该方法不仅具有较强的非线性拟合能力,半监督的学习策略也能够充分挖掘发酵过程中的所有数据信息,同时可以从含噪声的过程数据中提取出鲁棒性的特征,使模型具有噪声适应性;通过青霉素仿真对比实验结果表明,该模型的预测性能更好.     

基于马氏距离统计监控指标的应用研究

分析了基于欧几里德距离的 SPE 指标和基于马氏距离的改进 SPE 监控指标, 针对过程变量正态分布的特性, 提出一种基于马氏距离的综合监控指标, 减少了监控工作量, 改善了监控效果.     

基于改进混合概率主元分析模型的过程监控

基于混合概率主元分析（MPPCA）的监控方法，存在要求各子模型中主元个数相同、监控指标不一致、监控表格过多等缺陷．为此对MPPCA算法进行改进，分两步建立模型：首先求出混合高斯模型（GMM），然后利用概率主元分析（PPCA）建立每个子模型的主元模型．改进方法中各子模型主元的选取兼顾了主元的解释宰及其变化趋势，并引进基于PPCA的监控方法，保证了监控指标的一致性，减少了过程监控图．     

模型参数失配有界下的扩展集员估计方法

在非线性模型参数失配下,直接采用滤波算法很难获到理想的估计状态.本文基于扩展集员估计方法,在状态估计中引入参数的不确定信息,提出一种参数失配有界下的状态估计方法.该方法应用区间或集合运算的法则,计算由参数失配引起的偏差范围,并将其用椭球集外包.在状态估计的预测步,通过该偏差椭球集与先验椭球区间的并运算,得到预测椭球区间;在状态估计的更新步,利用观测椭球集对预测椭球区间进行更新,从而得到后验椭球集合以及状态估计值.最后,在数值仿真和发酵模型中的仿真应用验证了算法的有效性.     

基于变分贝叶斯算法的线性变参数系统辨识

线性变参数系统(LPV)将多阶段、非线性的过程建模转化为线性多模型的辨识问题,是解决非线性过程建模的一个有效手段。由于实际工业过程存在各种干扰因素,导致被建模系统呈现随机性及模型参数的不确定性。针对这一问题,考虑采用变分贝叶斯(VB)算法对LPV模型进行辨识。该算法首先给定参数相应的先验分布,通过最大化目标函数的下界,从而估计得到参数的后验分布。不仅可实现对参数的点估计,同时量化了估计值的不确定性。针对典型二阶过程和连续搅拌反应釜(CSTR),运用提出的算法进行仿真实验,表明了该贝叶斯估计方法的优越性。     

缺失数据下基于EM算法的非线性过程建模

线性时变参数系统(LPV)将多阶段、非线性的过程建模转化为线性多模型的辨识问题,近年来得到了极大关注。考虑缺失数据下LPV系统的离线建模问题,首先引入一个二进制变量表征输出样本缺失状态,选取过程关键变量作为调度变量,确定主要工况点;然后围绕不同工况点建立局部子模型,将输出缺失部分和采样数据的模型归属当作隐藏变量,利用EM算法进行参数估计,再采用高斯权重函数融合各子模型。最后分别针对典型二阶过程和连续搅拌反应釜(CSTR),运用提出的多模型和算法进行仿真实验,表明有效性。     

一种融合无时滞测量值和含时滞测量值的状态估计方法

在很多工业过程中,常常可获得两种测量数据,无时滞测量值和含时滞测量值,其中,无时滞测量值直接由传感器在线测得,即时却精度较低,含时滞测量值通过人工实验分析离线得到,精度高却有时滞。引入状态增广卡尔曼滤波法对上述两种数据进行融合以估计当前状态值。考虑到无时滞测量值建立的在线软测量模型存在不可避免的模型不匹配问题,引入模型偏差作为待估计状态,通过离线测量值对其进行估计,从而实现对在线软测量模型的校正。最后将所提方法运用到线性化的非线性二元蒸馏塔模型中估计填料压板各成分浓度,取得了良好效果。     

含时滞测量值下间歇过程的双维状态估计

基于粒子滤波研究了间歇过程的状态估计问题。根据间歇过程双维动态特性,针对关键参数在线检测精度低、离线分析时滞大等问题,分别建立一种双维状态转移模型和时滞测量模型,并利用贝叶斯方法及前/后向平滑,提出一种含时滞测量值下的双维状态估计算法。该算法通过融合先前批次和时滞测量值的信息提高估计精度,并且克服了离线采样周期和时滞时间不确定的问题。在数字仿真和啤酒发酵过程中的仿真应用验证了该算法的有效性。     

动态因子分析模型及其在过程监控中的应用

在复杂工业系统的监控中,因子分析（FA）方法不需要专业的机理知识,应用系统日常运行数据建立模型,充分考虑了模型误差的普遍意义,具有较大的推广价值。针对实际过程的动态特性,基于自回归（AR）方式扩展过程变量数据矩阵,本文提出一种动态因子分析（DFA）的数据建模方法,充分提取了变量的自相关信息和互相关信息。另一方面,将DFA引入过程监控中,构建统计量作为监控指标,分别衡量变量的特征信息和误差信息,从而实现对动态过程运行状况的监控与评估。在Tennessee-Eastman（TE）过程中的应用研究,反映了这种方法的优越性。     

基于概率PCA过程监控中遗失数据的重构

在实际工业过程中,PCA常常被用于数据重构。但是相比于概率PCA(PPCA),PCA无论在建模上还是在统计监控指标上都存在一些缺陷。基于此,本文提出一种基于PPCA的遗失数据重构方法。通过使样本数据点与其在PPCA模型上的投影点之问的距离最小,该方法能够有效地进行数据重构。此外,还分析了使样本数据白化值最小的数据重构方法。在田纳西-伊斯曼过程中的应用验证了其有效性。