發(fā)布時(shí)間：2017-07-04 00:10

  本文關(guān)鍵詞：基于高斯過程回歸的自適應(yīng)多模型建模及校正

  更多相關(guān)文章： 軟測(cè)量 高斯過程回歸 高斯混合模型 實(shí)時(shí)學(xué)習(xí) 誤差混合高斯模型

【摘要】：由于工藝、檢測(cè)技術(shù)或運(yùn)行條件的限制,復(fù)雜工業(yè)過程中的一些重要的質(zhì)量變量無法快速直接的檢測(cè)。為了解決這些問題,軟測(cè)量技術(shù)在工業(yè)過程領(lǐng)域受到了越來越廣泛的關(guān)注。本文在現(xiàn)有的軟測(cè)量技術(shù)研究的基礎(chǔ)上,以高斯過程回歸(Gaussian Process Regression,GPR)建模方法為基礎(chǔ),從建立自適應(yīng)軟測(cè)量模型和對(duì)所建立的模型進(jìn)行校正出發(fā),對(duì)軟測(cè)量進(jìn)行了深入的研究。首先,針對(duì)化工過程的非線性、多階段和不同的局部動(dòng)態(tài)特征等實(shí)際情況,提出一種在線自適應(yīng)更新的多模型軟測(cè)量策略。該方法用高斯混合模型對(duì)過程的不同階段進(jìn)行辨識(shí),并采用一種自適應(yīng)實(shí)時(shí)學(xué)習(xí)(Just-In-Time Learning,JITL)的方法,不斷更新所建立的局部GPR模型,最后根據(jù)新的數(shù)據(jù)隸屬于每個(gè)不同階段的后驗(yàn)概率,對(duì)局部模型進(jìn)行融合輸出。對(duì)TE化工過程產(chǎn)品的質(zhì)量進(jìn)行預(yù)測(cè),仿真結(jié)果表明了所提方法具有更高的預(yù)測(cè)精度和泛化性能。其次,將JITL思想與傳統(tǒng)滑動(dòng)窗口(Moving Window,MW)相結(jié)合,通過選擇窗口中的相似數(shù)據(jù)使得滑動(dòng)窗口能夠更加有效地處理過程的動(dòng)態(tài)。然而基于滑動(dòng)窗口高斯過程回歸(Moving Window Gaussian Process Regression,MWGPR,MWGPR)所建立的模型往往是靜態(tài)模型,考慮實(shí)際工業(yè)過程呈現(xiàn)動(dòng)態(tài)特性,因此提出了一種基于ARX模型結(jié)構(gòu)的動(dòng)態(tài)建模方法。該方法用高斯混合模型對(duì)過程的不同階段進(jìn)行辨識(shí),然后基于MWGPR建立ARX模型。同時(shí)為了彌補(bǔ)滑動(dòng)窗口所丟失的信息,利用一種雙重更新策略對(duì)模型的輸出進(jìn)行補(bǔ)償。通過連續(xù)發(fā)酵過程和實(shí)際動(dòng)態(tài)水箱實(shí)驗(yàn)數(shù)據(jù)的仿真表明,該方法能夠通過自適應(yīng)的更新當(dāng)前模型,從而更加有效地跟蹤過程的動(dòng)態(tài)。最后,為了解決非高斯噪聲對(duì)模型預(yù)測(cè)性能的影響,從預(yù)測(cè)誤差信息出發(fā),提出了一種基于誤差高斯混合模型(Error Gaussian Process Regression,EGMM)的GPR軟測(cè)量方法。選擇合適的變量組成誤差數(shù)據(jù),利用貝葉斯信息準(zhǔn)則優(yōu)化得到合適的高斯成分的個(gè)數(shù);再利用EGMM對(duì)誤差數(shù)據(jù)進(jìn)行擬合計(jì)算得到條件誤差均值對(duì)輸出進(jìn)行補(bǔ)償?shù)玫礁泳_的結(jié)果。通過數(shù)值仿真及硫回收裝置(Sulfur Recovery Unit,SRU)的H2S濃度的軟測(cè)量,進(jìn)一步驗(yàn)證了所提算法的有效性和可行性。
【關(guān)鍵詞】：軟測(cè)量 高斯過程回歸 高斯混合模型 實(shí)時(shí)學(xué)習(xí) 誤差混合高斯模型
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TQ021;TQ019
【目錄】：

• 摘要3-4
• Abstract4-7
• 第一章 緒論7-13
• 1.1 課題研究背景及意義7-8
• 1.2 自適應(yīng)多模型軟測(cè)量的發(fā)展和研究現(xiàn)狀8-11
• 1.2.1 多模型建模方法概述8-10
• 1.2.2 自適應(yīng)軟測(cè)量建模方法研究現(xiàn)狀10-11
• 1.2.3 化工過程軟測(cè)量建模存在的問題11
• 1.3 本文主要研究?jī)?nèi)容11-13
• 第二章 基于JITL的高斯過程回歸軟測(cè)量多模型融合建模13-23
• 2.1 預(yù)備知識(shí)13-15
• 2.1.1 主成分分析13-14
• 2.1.2 高斯過程回歸14
• 2.1.3 高斯混合模型14-15
• 2.2 基于JITL-GPR的在線自適應(yīng)多模型建模15-18
• 2.2.1 實(shí)時(shí)學(xué)習(xí)方法15-16
• 2.2.2 PCA-GPR模型的建立16-17
• 2.2.3 基于JITL的在線多模型融合建模17-18
• 2.3 實(shí)驗(yàn)仿真18-21
• 2.4 本章小結(jié)21-23
• 第三章 雙重更新的JITL-MWGPR多模型軟測(cè)量建模23-42
• 3.1 傳統(tǒng)的MW自適應(yīng)更新方法23-24
• 3.2 改進(jìn)的MWGPR軟測(cè)量24-30
• 3.2.1 改進(jìn)的MWGPR建模步驟24-25
• 3.2.2 硫回收裝置回收問題25-30
• 3.3 GPR-ARX動(dòng)態(tài)模型30-31
• 3.4 雙重更新策略31-33
• 3.4.1 均值和方差更新31-32
• 3.4.2 偏差更新32-33
• 3.5 基于改進(jìn)的MWGPR-ARX多模型軟測(cè)量建模33-40
• 3.5.1 連續(xù)發(fā)酵過程33-38
• 3.5.2 動(dòng)態(tài)水箱實(shí)驗(yàn)38-40
• 3.6 本章小結(jié)40-42
• 第四章 基于EGMM校正的軟測(cè)量建模42-49
• 4.1 采用EGMM的誤差數(shù)據(jù)信息的提取42-44
• 4.2 基于EGMM校正的GPR建模步驟44
• 4.3 仿真實(shí)驗(yàn)44-48
• 4.3.1 數(shù)值仿真44-46
• 4.3.2 SRU軟測(cè)量建模46-48
• 4.4 本章小結(jié)48-49
• 第五章 總結(jié)與展望49-51
• 5.1 工作總結(jié)49-50
• 5.2 前景展望50-51
• 致謝51-52
• 參考文獻(xiàn)52-56
• 附錄：作者在攻讀碩士學(xué)位期間發(fā)表的論文56

，

本文編號(hào)：515670