【摘要】：在化工過程中,很多重要的質量變量是直接反映產品質量的重要指標,然而受制于檢測技術因素或者成本方面的因素,往往不能實現(xiàn)實時測量,這給生產過程的控制和優(yōu)化帶來很大的影響。軟儀表技術正是為了解決這個問題而發(fā)展起來的。近幾十年的相關研究工作使得軟儀表技術得到了長足的發(fā)展。雖然軟儀表在輔助估計那些無法直接測量的關鍵變量的場合展示出了巨大的威力,但是軟儀表如同任何其他工業(yè)測量儀器一樣需要定期的維護。這是因為軟儀表模型本質上可以看作在特定工況區(qū)間內對目標對象模型的一種近似描述。軟儀表模型和目標對象模型之間必然存在模型失配。當模型失配惡化程度比較明顯時,軟儀表模型的工作性能將出現(xiàn)迅速衰退甚至失效。因此軟儀表維護的工作核心便是檢測那些已經不可忽視的模型失配,然后及時對軟儀表模型進行在線校準以恢復軟儀表模型對目標模型特性的描述能力�，F(xiàn)有的軟儀表模型校準策略大致可以總結為基于軟儀表輸出的補償、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策略仍然需要利用來自目標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輸出變量的反饋值,則軟儀表模型的校準效果不會太好。顯然這里的主要矛盾在于目標輸出變量的稀疏采樣導致過多數(shù)據(jù)無法被采樣反饋至軟儀表。我們在解決“缺數(shù)據(jù)”難題方面做了相關研究工作,也提出了一些具體的實施方案。當然我們所提方案的主要思路還是在于對目標輸出變量的缺失采樣值進行相對可靠的估計,然后利用這些估計值對軟儀表模型進行校準。(1)提出了利用目標輸出變量有限的采樣值構建一個數(shù)據(jù)窗口,采用貝葉斯高斯過程回歸對數(shù)據(jù)窗口內的缺失數(shù)據(jù)進行數(shù)據(jù)填補�？紤]到填補的數(shù)據(jù)存在相當程度的不確定性,因此并沒有選擇直接使用填補數(shù)據(jù)對軟儀表模型進行充分的在線校準。實際上帶有不確定性的填補數(shù)據(jù)構成了一個數(shù)據(jù)帶。然后從這個數(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)集對軟儀表模型進行校準得到若干個子模型。首先根據(jù)每個子數(shù)據(jù)集在數(shù)據(jù)帶中出現(xiàn)的概率賦予對應的子模型適當?shù)南闰灆嘀?然后根據(jù)子模型對一個檢驗測試點進行估計的性能表現(xiàn)再次賦予子模型相應的后驗權重。子模型的最終權重由先驗權重和后驗權重兩部分構成,校準后的軟儀表模型是這些子模型的加權組合。(2)雖然基于貝葉斯高斯過程回歸填補數(shù)據(jù)的軟儀表模型校準方案在一定程度上解決了目標變量值采樣稀疏的問題,但是這個方案是存在問題的。這是因為隨著稀疏程度增大,貝葉斯高斯過程回歸填補數(shù)據(jù)的不確定性會逐漸增大。當目標變量的缺失數(shù)據(jù)填補值的不確定性太大時,軟儀表模型的校準效果很難得到保證。為了應對這種情況,我們作了大的改進。首先使用JIT學習策略對目標輸出變量的缺失采樣值進行預估計,然后利用這些預估計值和目標變量的稀疏采樣值共同構成一個數(shù)據(jù)窗口。因為這一步數(shù)據(jù)窗口中加入了更多的數(shù)據(jù),所以窗口區(qū)域內原先存在于那些對應著缺失采樣數(shù)據(jù)的部分區(qū)域的不確定性在一定程度上被降低。此外這個數(shù)據(jù)窗口能夠通過加入新數(shù)據(jù)并且同時丟棄老舊數(shù)據(jù)以保證窗口不斷更新。緊接著使用AdaBoost算法對這個數(shù)據(jù)窗口的潛在模式進行學習并且得到一個描述該模式的局部函數(shù)。利用這個局部函數(shù)反過來對窗口中的數(shù)據(jù)做精細處理,也即是重估計操作,這一步的目的在于進一步降低窗口內數(shù)據(jù)的不確定性。最后挑選窗口中最新的一部分數(shù)據(jù)對軟儀表模型進行充分的在線校準。(3)我們定義采樣周期比為目標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學習策略和AdaBoost方法的軟儀表校準方案可以獲得相對滿意的校準效果。然而此方案使用的JIT學習策略的性能常常會受制于歷史數(shù)據(jù)庫的質量,尤其是取決于查詢操作中對歷史數(shù)據(jù)的采樣是否合理。這里我們不討論歷史數(shù)據(jù)庫的質量改進問題,而是提出一種對歷史數(shù)據(jù)庫中歷史數(shù)據(jù)的數(shù)據(jù)分布密度進行估計的改進型JIT學習策略。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,然后對每個小的數(shù)據(jù)塊的數(shù)據(jù)中心求解一個合適的采樣個數(shù)。接著對數(shù)據(jù)塊進行“池化處理”,最終將數(shù)據(jù)庫劃分若干個區(qū)塊,其中每個區(qū)塊對應一個推薦的采樣個數(shù)。如此每次進行查詢操作時只需定位查詢點所屬的區(qū)塊便可以根據(jù)推薦的采樣個數(shù)實現(xiàn)更加精準而合理的數(shù)據(jù)采樣。對于一個給定的歷史數(shù)據(jù)庫,改進型JIT學習策略能夠提高對歷史數(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 .
【學位授予單位】：中國石油大學(北京)
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TQ056

【參考文獻】

相關期刊論文 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的自適應軟測量建模算法及其在PX吸附分離過程中的應用(英文)[J];Chinese Journal of Chemical Engineering;2008年05期

3 李向陽,朱學峰,劉煥彬;間歇制漿蒸煮過程的混合建模方法研究[J];中國造紙學報;2001年02期

4 仲蔚,俞金壽;基于FUZZY ARTMAP的加氫裂化分餾塔MIMO軟測量[J];化工學報;2000年05期

，

本文編號：2134703