基于概率推理的軟測量若干關鍵問題研究.pdf

1、軟測量模型是基于生產過程特征建立的,能夠反映易于測量的過程變量與難于測量的目標過程變量間復雜關系的數學模型。基于該數學模型,可實現對目標變量的推斷估計,從而解決一些關鍵過程變量難于測量的問題。采用數據驅動方法建立的軟測量模型在工業(yè)中獲得了越來越廣泛的應用,并取得了較好的應用效果。
　　在目前的軟測量研究與應用中仍存在以下亟待解決的問題:(1)提高對建模數據中異常值的檢測能力;(2)如何解決模型訓練的不穩(wěn)定性,提高預測模型的預測精度

2、;(3)對于日趨復雜的生產過程,例如生產過程中會出現明顯生產狀態(tài)切換的過程,如何保證在不同的狀態(tài)下均取得較好的預測效果;(4)如何提高軟測量模型的持續(xù)工作能力。
　　針對以上問題,本文基于概率推理建模方法進行了深入研究。概率推理建模(包括極大似然方法和貝葉斯方法)是數據驅動軟測量建模中的一種重要方法,其在面向復雜多變量工業(yè)過程數據建模時有著優(yōu)越的性能。本文的研究內容如下:
　　(1)為提高針對訓練數據中的異常值進行檢測的能力

3、,將概率主成分分析用于建模數據的異常值檢測,給出了一種能夠在主成分空間更加有效地進行異常值檢測的方法。該方法在保留主成分分析對于異常值檢測的優(yōu)良特性基礎上,利用概率主成分分析的隱變量模型結構,對建模數據在主成分空間的投影分布進行方便有效的密度估計?；谠撁芏裙烙嫷奶匦?并結合統(tǒng)計距離,有效地提高了對異常值檢測的準確性。同時基于期望最大化算法的基本框架,也給出了相應的期望最大化算法。通過與幾種目前常用的異常值檢測方法進行實驗比較,顯示出更

4、好的檢測效果。
　　(2)為解決軟測量中預測模型的訓練不穩(wěn)定性問題,提出了一種由同構概率回歸子模型構成的組合預測模型。該組合模型方法通過bootstrap重采樣方法獲得多個訓練數據集,基于這些數據集建立多個同結構概率回歸子模型,然后根據各個子預測模型的預測方差和預測均值分布概率,給出了一種基于子模型預測性能評價的模型組合策略,對多個子模型的輸出進行組合獲得組合輸出,從而有效解決單個模型建模會出現的訓練不穩(wěn)定性問題,提高了軟測量模型

5、的整體預測性能。通過采用高斯過程回歸模型、相關向量機這兩種典型的概率回歸模型作為子模型,針對實際應用進行實驗。實驗結果說明了該組合模型方法相對于傳統(tǒng)的單模型方法有更好的預測效果。
　　(3)針對一類有明顯狀態(tài)切換的復雜生產過程,由于各狀態(tài)物理或化學機理性質差異,單一模型難以在各個狀態(tài)下都取得理想預測性能的問題,提出了一種預測模型組合框架。該框架首先采用有偏重的模型訓練策略,對構成生產過程的基本生產狀態(tài)建立相應的子模型。在基本生產狀

6、態(tài)的特征數據選取時采用了粒子群優(yōu)化算法,以讓子模型能更好地捕捉基本生產狀態(tài)特征。然后采用模糊C均值聚類方法對組合生產狀態(tài)進行辨識,在各狀態(tài)下基于貝葉斯模型比較評估各子模型的預測性能,并以此為依據,基于貝葉斯模型組合方法在各組合生產狀態(tài)中采用不同的子模型組合策略,從而能夠有效地保證模型在不同生產狀態(tài)中均能取得所需的預測性能。
　　針對貝葉斯模型在訓練時采用馬爾可夫鏈蒙特卡洛方法常常會出現計算負擔很大的問題,采用了交叉檢驗分布來計算模

7、型證據,并根據參數模型和非參數模型的不同特點,給出了不同的計算策略,有效地降低了模型訓練和模型比較的計算負擔。實驗分析說明,該方法相對于傳統(tǒng)的單一模型方法,有更優(yōu)良的性能。
　　(4)為在軟測量模型依賴的硬件傳感器輸出數據失效時能對其進行重構,從而提高軟測量模型整體可用性,提出了一種以混合高斯模型為基礎,能夠基于有效數據對失效的硬件傳感器輸出數據進行數據重構的方法。該方法充分利用混合高斯模型對多模分布數據能夠進行有效建模的能力,建