發(fā)布時(shí)間：2018-07-20 20:37

【摘要】：在化工過程中,很多重要的質(zhì)量變量是直接反映產(chǎn)品質(zhì)量的重要指標(biāo),然而受制于檢測(cè)技術(shù)因素或者成本方面的因素,往往不能實(shí)現(xiàn)實(shí)時(shí)測(cè)量,這給生產(chǎn)過程的控制和優(yōu)化帶來很大的影響。軟儀表技術(shù)正是為了解決這個(gè)問題而發(fā)展起來的。近幾十年的相關(guān)研究工作使得軟儀表技術(shù)得到了長(zhǎng)足的發(fā)展。雖然軟儀表在輔助估計(jì)那些無法直接測(cè)量的關(guān)鍵變量的場(chǎng)合展示出了巨大的威力,但是軟儀表如同任何其他工業(yè)測(cè)量?jī)x器一樣需要定期的維護(hù)。這是因?yàn)檐泝x表模型本質(zhì)上可以看作在特定工況區(qū)間內(nèi)對(duì)目標(biāo)對(duì)象模型的一種近似描述。軟儀表模型和目標(biāo)對(duì)象模型之間必然存在模型失配。當(dāng)模型失配惡化程度比較明顯時(shí),軟儀表模型的工作性能將出現(xiàn)迅速衰退甚至失效。因此軟儀表維護(hù)的工作核心便是檢測(cè)那些已經(jīng)不可忽視的模型失配,然后及時(shí)對(duì)軟儀表模型進(jìn)行在線校準(zhǔn)以恢復(fù)軟儀表模型對(duì)目標(biāo)模型特性的描述能力�，F(xiàn)有的軟儀表模型校準(zhǔn)策略大致可以總結(jié)為基于軟儀表輸出的補(bǔ)償、基于軟儀表模型參數(shù)的在線更新以及基于軟儀表模型的重建。我們需要指出上述軟儀表模型校準(zhǔn)策略仍然需要利用來自目標(biāo)輸出變量的反饋新息才能正常工作。也即是說,如果無法獲取足夠的目標(biāo)輸出變量的反饋值,則軟儀表模型的校準(zhǔn)效果不會(huì)太好。顯然這里的主要矛盾在于目標(biāo)輸出變量的稀疏采樣導(dǎo)致過多數(shù)據(jù)無法被采樣反饋至軟儀表。我們?cè)诮鉀Q“缺數(shù)據(jù)”難題方面做了相關(guān)研究工作,也提出了一些具體的實(shí)施方案。當(dāng)然我們所提方案的主要思路還是在于對(duì)目標(biāo)輸出變量的缺失采樣值進(jìn)行相對(duì)可靠的估計(jì),然后利用這些估計(jì)值對(duì)軟儀表模型進(jìn)行校準(zhǔn)。(1)提出了利用目標(biāo)輸出變量有限的采樣值構(gòu)建一個(gè)數(shù)據(jù)窗口,采用貝葉斯高斯過程回歸對(duì)數(shù)據(jù)窗口內(nèi)的缺失數(shù)據(jù)進(jìn)行數(shù)據(jù)填補(bǔ)�？紤]到填補(bǔ)的數(shù)據(jù)存在相當(dāng)程度的不確定性,因此并沒有選擇直接使用填補(bǔ)數(shù)據(jù)對(duì)軟儀表模型進(jìn)行充分的在線校準(zhǔn)。實(shí)際上帶有不確定性的填補(bǔ)數(shù)據(jù)構(gòu)成了一個(gè)數(shù)據(jù)帶。然后從這個(gè)數(shù)據(jù)帶中采樣出若干子數(shù)據(jù)集,最后利用這些子數(shù)據(jù)集對(duì)軟儀表模型進(jìn)行校準(zhǔn)得到若干個(gè)子模型。首先根據(jù)每個(gè)子數(shù)據(jù)集在數(shù)據(jù)帶中出現(xiàn)的概率賦予對(duì)應(yīng)的子模型適當(dāng)?shù)南闰?yàn)權(quán)重,然后根據(jù)子模型對(duì)一個(gè)檢驗(yàn)測(cè)試點(diǎn)進(jìn)行估計(jì)的性能表現(xiàn)再次賦予子模型相應(yīng)的后驗(yàn)權(quán)重。子模型的最終權(quán)重由先驗(yàn)權(quán)重和后驗(yàn)權(quán)重兩部分構(gòu)成,校準(zhǔn)后的軟儀表模型是這些子模型的加權(quán)組合。(2)雖然基于貝葉斯高斯過程回歸填補(bǔ)數(shù)據(jù)的軟儀表模型校準(zhǔn)方案在一定程度上解決了目標(biāo)變量值采樣稀疏的問題,但是這個(gè)方案是存在問題的。這是因?yàn)殡S著稀疏程度增大,貝葉斯高斯過程回歸填補(bǔ)數(shù)據(jù)的不確定性會(huì)逐漸增大。當(dāng)目標(biāo)變量的缺失數(shù)據(jù)填補(bǔ)值的不確定性太大時(shí),軟儀表模型的校準(zhǔn)效果很難得到保證。為了應(yīng)對(duì)這種情況,我們作了大的改進(jìn)。首先使用JIT學(xué)習(xí)策略對(duì)目標(biāo)輸出變量的缺失采樣值進(jìn)行預(yù)估計(jì),然后利用這些預(yù)估計(jì)值和目標(biāo)變量的稀疏采樣值共同構(gòu)成一個(gè)數(shù)據(jù)窗口。因?yàn)檫@一步數(shù)據(jù)窗口中加入了更多的數(shù)據(jù),所以窗口區(qū)域內(nèi)原先存在于那些對(duì)應(yīng)著缺失采樣數(shù)據(jù)的部分區(qū)域的不確定性在一定程度上被降低。此外這個(gè)數(shù)據(jù)窗口能夠通過加入新數(shù)據(jù)并且同時(shí)丟棄老舊數(shù)據(jù)以保證窗口不斷更新。緊接著使用AdaBoost算法對(duì)這個(gè)數(shù)據(jù)窗口的潛在模式進(jìn)行學(xué)習(xí)并且得到一個(gè)描述該模式的局部函數(shù)。利用這個(gè)局部函數(shù)反過來對(duì)窗口中的數(shù)據(jù)做精細(xì)處理,也即是重估計(jì)操作,這一步的目的在于進(jìn)一步降低窗口內(nèi)數(shù)據(jù)的不確定性。最后挑選窗口中最新的一部分?jǐn)?shù)據(jù)對(duì)軟儀表模型進(jìn)行充分的在線校準(zhǔn)。(3)我們定義采樣周期比為目標(biāo)變量的采樣周期與過程變量的采樣周期之間的比值。在采樣周期比較大的情況下,基于JIT學(xué)習(xí)策略和AdaBoost方法的軟儀表校準(zhǔn)方案可以獲得相對(duì)滿意的校準(zhǔn)效果。然而此方案使用的JIT學(xué)習(xí)策略的性能常常會(huì)受制于歷史數(shù)據(jù)庫的質(zhì)量,尤其是取決于查詢操作中對(duì)歷史數(shù)據(jù)的采樣是否合理。這里我們不討論歷史數(shù)據(jù)庫的質(zhì)量改進(jìn)問題,而是提出一種對(duì)歷史數(shù)據(jù)庫中歷史數(shù)據(jù)的數(shù)據(jù)分布密度進(jìn)行估計(jì)的改進(jìn)型JIT學(xué)習(xí)策略。首先將歷史數(shù)據(jù)庫分割成足夠小的近似密度一致的數(shù)據(jù)塊,然后對(duì)每個(gè)小的數(shù)據(jù)塊的數(shù)據(jù)中心求解一個(gè)合適的采樣個(gè)數(shù)。接著對(duì)數(shù)據(jù)塊進(jìn)行“池化處理”,最終將數(shù)據(jù)庫劃分若干個(gè)區(qū)塊,其中每個(gè)區(qū)塊對(duì)應(yīng)一個(gè)推薦的采樣個(gè)數(shù)。如此每次進(jìn)行查詢操作時(shí)只需定位查詢點(diǎn)所屬的區(qū)塊便可以根據(jù)推薦的采樣個(gè)數(shù)實(shí)現(xiàn)更加精準(zhǔn)而合理的數(shù)據(jù)采樣。對(duì)于一個(gè)給定的歷史數(shù)據(jù)庫,改進(jìn)型JIT學(xué)習(xí)策略能夠提高對(duì)歷史數(shù)據(jù)庫資源使用的高效性和可靠性。
[Abstract]:In the process of chemical engineering , many important variables are important indexes which directly reflect the quality of the products . However , it is often impossible to realize real - time measurement .
【學(xué)位授予單位】：中國(guó)石油大學(xué)(北京)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TQ056

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 李修亮;蘇宏業(yè);褚健;;基于仿射聚類、高斯過程和貝葉斯決策的多模型軟測(cè)量建模(英文)[J];Chinese Journal of Chemical Engineering;2009年01期

2 傅永峰;蘇宏業(yè);張英;褚健;;基于FCMISVM的自適應(yīng)軟測(cè)量建模算法及其在PX吸附分離過程中的應(yīng)用(英文)[J];Chinese Journal of Chemical Engineering;2008年05期

3 李向陽,朱學(xué)峰,劉煥彬;間歇制漿蒸煮過程的混合建模方法研究[J];中國(guó)造紙學(xué)報(bào);2001年02期

4 仲蔚,俞金壽;基于FUZZY ARTMAP的加氫裂化分餾塔MIMO軟測(cè)量[J];化工學(xué)報(bào);2000年05期

，

本文編號(hào)：2134703