【摘要】：工業(yè)過程常常是強非線性的,并有多個工況,傳統(tǒng)的軟測量方法存在預測能力差,不能有效利用誤差信息等缺點.為了有效解決這些問題,提出一種基于自適應高斯混合模型-高斯過程回歸(AGMM-GPR)的多模型動態(tài)校正軟測量建模方法.首先,通過貝葉斯信息準則構建自適應高斯混合模型(AGMM),得到優(yōu)化的子模型個數(shù);然后,利用GPR方法建立各局部模型,當新的數(shù)據(jù)到來時,將其隸屬于各局部模型的后驗概率和預測值融合得到多模型輸出;最后,為了進一步提高模型的精度,構建自回歸積分滑動平均(ARIMA)模型對多模型輸出進行動態(tài)反饋校正.通過數(shù)值仿真和硫回收裝置(SRU)中H2S濃度的估計,驗證了所提方法具有良好的預測精度和泛化性能.
[Abstract]:Industrial processes are often strongly nonlinear and have multiple operating conditions. The traditional soft sensing methods have some disadvantages such as poor prediction ability and poor utilization of error information. In order to solve these problems effectively, a multi-model dynamic correction soft sensor modeling method based on adaptive Gao Si hybrid model-Gao Si process regression (AGMM-GPR) is proposed. Firstly, the optimal number of sub-models is obtained by constructing adaptive Gao Si hybrid model (AGMM), by Bayesian information criterion. Then, each local model is established by using GPR method. When the new data comes, the local model output is obtained by merging the posterior probability and prediction value of each local model. Finally, in order to further improve the accuracy of the model, an autoregressive integral moving average (ARIMA) model is constructed for dynamic feedback correction of multiple model outputs. By numerical simulation and estimation of H _ 2S concentration in (SRU) of sulfur recovery unit, it is proved that the proposed method has good prediction accuracy and generalization performance.
【作者單位】： 江南大學輕工過程先進控制教育部重點實驗室;江南大學物聯(lián)網(wǎng)工程學院自動化研究所;
【基金】：國家自然科學基金資助項目(21206053;21276111) 江蘇省“六大人才高峰”計劃資助項目(2013-DZXX-043) 江蘇省產(chǎn)學研資助項目(BY2014023-27) 江蘇高校優(yōu)勢學科建設工程資助項目(PAPD)
【分類號】：TP274

【參考文獻】

相關期刊論文 前3條

1 杜文莉;官振強;錢鋒;;一種基于時序誤差補償?shù)膭討B(tài)軟測量建模方法[J];化工學報;2010年02期

2 王洋課;費樹岷;翟軍勇;;基于聚類的多模型軟測量建模及其應用[J];化工自動化及儀表;2010年01期

3 馮瑞,張艷珠,宋春林,邵惠鶴;A Multiple Model Approach to Modeling Based on Fuzzy Support Vector Machines[J];Journal of Shanghai Jiaotong University;2003年02期

【共引文獻】

相關期刊論文 前10條

1 唐志杰;唐朝暉;朱紅求;;一種基于多模型融合軟測量建模方法[J];化工學報;2011年08期

2 秦補枝;;有向網(wǎng)絡自適應多平衡點控制[J];化工自動化及儀表;2011年04期

3 傅雨佳;楊慧中;;一種雙酚A結晶單元軟測量建模的方法[J];江南大學學報(自然科學版);2011年05期

4 張弼澤;臧春華;郭小萍;;軟測量技術的發(fā)展及應用[J];科技信息;2012年20期

5 傅雨佳;楊慧中;陶洪峰;;基于最大矩陣元法確定聚類數(shù)的軟測量建模方法[J];計算機與應用化學;2012年07期

6 張文清;傅雨佳;楊慧中;;基于改進聚類和加權bagging的多模型軟測量建模[J];化工學報;2012年09期

7 王軍號;孟祥瑞;;基于物聯(lián)網(wǎng)感知的煤礦安全監(jiān)測數(shù)據(jù)級融合研究[J];煤炭學報;2012年08期

8 蔣白樺;劉偉;戴志軍;王宏安;;基于工況的操作模式優(yōu)化及在石化工業(yè)中的應用[J];化工學報;2012年12期

9 王立;劉載文;吳成瑞;華偉;張雪;;基于多元時序分析的水華預測及因素分析方法[J];化工學報;2013年12期

10 劉強;孫際哲;陳西宏;劉繼業(yè);張群;;CPSO-LSSVM在自回歸鐘差預報中的應用[J];吉林大學學報(工學版);2014年03期

相關碩士學位論文 前10條

1 李廣宇;基于粒子蜂群算法優(yōu)化的多支持向量機軟測量建模方法研究[D];中南大學;2011年

2 李哲;基于半監(jiān)督回歸的多模型在線軟測量系統(tǒng)研究[D];上海交通大學;2011年

3 雷達;數(shù)據(jù)聚類方法研究及其在軟測量中的應用[D];青島科技大學;2011年

4 趙凱;基于支持向量機的磨煤機一次風量軟測量方法研究[D];華北電力大學;2012年

5 徐衛(wèi);基于智能優(yōu)化的軟測量建模方法研究及應用[D];蘭州理工大學;2013年

6 趙麗軍;600MW機組協(xié)調控制方案研究與設計[D];華北電力大學;2013年

7 董陶;基于K-means聚類的軟測量建模研究[D];江南大學;2013年

8 何華;基于軟測量的蓄電池容量檢測方法研究[D];蘭州交通大學;2013年

9 唐苦;基于聚類的多模型動態(tài)軟測量建模方法[D];華東理工大學;2014年

10 雷瑜;機器學習在化工軟測量建模中的若干應用[D];江南大學;2014年

【二級參考文獻】

相關期刊論文 前9條

1 馬勇,黃德先,金以慧;動態(tài)軟測量建模方法初探[J];化工學報;2005年08期

2 周立芳;周蘆文;趙豫紅;;改進k-means聚類算法多模型建模的一種新的評價函數(shù)[J];化工學報;2007年08期

3 王麗舫,朱群雄;基于小波理論的主元分析在故障診斷中的研究與應用[J];化工自動化及儀表;2004年06期

4 顏學峰;;嵌入嶺回歸的BP算法及其在軟測量中的應用[J];化工自動化及儀表;2007年03期

5 于劍,程乾生;模糊聚類方法中的最佳聚類數(shù)的搜索范圍[J];中國科學E輯:技術科學;2002年02期

6 錢雪忠;施培蓓;張明陽;汪中;;基于均衡化函數(shù)的k均值優(yōu)化算法[J];計算機工程;2008年14期

7 毛帥,熊智華,徐用懋,莊愛霞,黃海龍,王立群;常壓塔柴油凝點動態(tài)軟測量模型的研究[J];控制工程;2005年04期

8 戴先中;丁煜函;王萬成;;紅霉素發(fā)酵關鍵生化量的動態(tài)軟測量方法[J];儀器儀表學報;2006年S2期

9 俞金壽;;軟測量技術及其應用[J];自動化儀表;2008年01期

【相似文獻】

相關期刊論文 前10條

1 薄翠梅;張n\;李俊;;工業(yè)共沸精餾塔軟測量建模方法的研究與應用[J];南京工業(yè)大學學報(自然科學版);2006年03期

2 楊強大;王福利;常玉清;;基于階段識別的諾西肽發(fā)酵過程軟測量建模[J];儀器儀表學報;2008年08期

3 徐海霞;劉國海;周大為;梅從立;;基于改進核模糊聚類算法的軟測量建模研究[J];儀器儀表學報;2009年10期

4 傅永峰;;一種動態(tài)軟測量建模方法及其工業(yè)應用[J];自動化儀表;2011年09期

5 呂業(yè);楊慧中;雷瑜;陶洪峰;;基于環(huán)路能量聚類的多模型軟測量建模[J];化工自動化及儀表;2012年11期

6 張文清;楊慧中;;一種基于帶監(jiān)督局部保持投影的多模型軟測量建模方法[J];華東理工大學學報(自然科學版);2012年06期

7 孫濤,曹廣益;軟測量建模方法分析[J];機床與液壓;2005年02期

8 王卓;苑明哲;王宏;王天然;;水泥熟料質量指標的軟測量建模研究[J];化工自動化及儀表;2006年06期

9 楊妍;陳如清;俞金壽;;基于混沌最小二乘支持向量機的軟測量建模[J];華東理工大學學報(自然科學版);2009年06期

10 杜文莉;官振強;錢鋒;;一種基于時序誤差補償?shù)膭討B(tài)軟測量建模方法[J];化工學報;2010年02期

相關會議論文 前10條

1 呂哲;常玉清;王福利;;生化過程軟測量建模方法的研究[A];2006中國控制與決策學術年會論文集[C];2006年

2 薄翠梅;張n\;李俊;;基于滾動時間窗的軟測量建模方法的研究與應用[A];第16屆中國過程控制學術年會暨第4屆全國故障診斷與安全性學術會議論文集[C];2005年

3 杜文莉;官振強;錢鋒;;一種基于時序誤差補償?shù)膭討B(tài)軟測量建模方法[A];2009中國過程系統(tǒng)工程年會暨中國mes年會論文集[C];2009年

4 馬銘;孟慶鍇;張利彪;;基于模糊系統(tǒng)優(yōu)化的軟測量建模[A];中國運籌學會模糊信息與模糊工程分會第五屆學術年會論文集[C];2010年

5 王恩博;彭亦功;;軟測量建模若干方法研究[A];中國儀器儀表學會2007學術年會智能檢測控制技術及儀表裝置發(fā)展研討會論文集[C];2007年

6 張勇;王介生;王偉;姚偉南;;浮選生產(chǎn)過程經(jīng)濟技術指標的軟測量建模[A];第16屆中國過程控制學術年會暨第4屆全國故障診斷與安全性學術會議論文集[C];2005年

7 陳定三;楊慧中;;基于SVC-KNN的多模型軟測量建模[A];PCC2009—第20屆中國過程控制會議論文集[C];2009年

8 周旦麗;蔣愛平;;WD-LSSVM在軟測量建模中的應用[A];第十九屆測控、計量、儀器儀表學術年會(MCMI'2009)論文集[C];2009年

9 劉欣;蔣愛平;;微粒群神經(jīng)網(wǎng)絡在軟測量建模中的應用[A];上海市化學化工學會2006年度學術年會論文摘要集[C];2006年

10 凌玉華;楊欣榮;李海娜;廖力清;王頌;;鋁電磁鑄軋帶坯晶粒度軟測量建模及優(yōu)化[A];2009年中國智能自動化會議論文集（第二分冊）[C];2009年

相關博士學位論文 前4條

1 李春富;基于數(shù)據(jù)的軟測量建模方法及其應用的研究[D];清華大學;2005年

2 安莉;發(fā)酵過程生物量軟測量建模專家系統(tǒng)研究[D];北京化工大學;2010年

3 傅永峰;軟測量建模方法研究及其工業(yè)應用[D];浙江大學;2007年

4 楊建文;金霉素發(fā)酵過程軟測量建模及優(yōu)化控制策略研究[D];北京理工大學;2015年

相關碩士學位論文 前10條

1 曹濤;基于相關向量機的污水軟測量建模研究[D];華南理工大學;2015年

2 王賽;青霉素發(fā)酵過程軟測量建模方法的研究[D];東北大學;2010年

3 郭景華;基于數(shù)據(jù)驅動的軟測量建模技術應用研究[D];江南大學;2009年

4 周開武;貝葉斯方法在化工軟測量建模中的應用研究[D];江南大學;2009年

5 李雅芹;機器學習在軟測量建模方面的若干應用[D];江南大學;2011年

6 駱中華;基于數(shù)據(jù)驅動的軟測量建模技術及其工業(yè)應用[D];浙江大學;2006年

7 陳貴華;基于自適應模糊核聚類的多模型軟測量建模研究[D];華東理工大學;2012年

8 王金榮;明膠濃度軟測量建模研究[D];蘭州理工大學;2012年

9 唐苦;基于聚類的多模型動態(tài)軟測量建模方法[D];華東理工大學;2014年

10 雷瑜;機器學習在化工軟測量建模中的若干應用[D];江南大學;2014年

，

本文編號：2364527