CN105868164B - 一种基于有监督的线性动态***模型的软测量建模方法 - Google Patents
一种基于有监督的线性动态***模型的软测量建模方法 Download PDFInfo
- Publication number
- CN105868164B CN105868164B CN201610165416.8A CN201610165416A CN105868164B CN 105868164 B CN105868164 B CN 105868164B CN 201610165416 A CN201610165416 A CN 201610165416A CN 105868164 B CN105868164 B CN 105868164B
- Authority
- CN
- China
- Prior art keywords
- variables
- variable
- data
- training sample
- dynamic system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000009776 industrial production Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 37
- 238000005259 measurement Methods 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 239000001273 butane Substances 0.000 description 10
- IJDNQMDRQITEOD-UHFFFAOYSA-N n-butane Chemical compound CCCC IJDNQMDRQITEOD-UHFFFAOYSA-N 0.000 description 10
- OFBQJSOFQDEBGM-UHFFFAOYSA-N n-pentane Natural products CCCCC OFBQJSOFQDEBGM-UHFFFAOYSA-N 0.000 description 10
- 238000012628 principal component regression Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 3
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008080 stochastic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于有监督的线性动态***模型的软测量建模方法,用于工业生产在噪声环境下的动态过程的软测量建模,并实现对于难以直接测量的质量变量的预测。本发明基于有监督的线性动态***模型,建立了一个有效的软测量建模,并克服了工业生产中过程的动态性和采集数据的随机性特征。相比目前的其它方法,本发明建立的模型更加精确,模型的预测更加准确,使产品质量更加稳定;而且改善了软测量建模对过程知识的依赖性,更加有利于工业过程的自动化实施。
Description
技术领域
本发明属于工业生产过程软测量建模和应用领域,尤其涉及一种基于有监督的线性动态***模型的软测量建模方法。
背景技术
随着科技的发展,工业生产过程越来越大型化、复杂化。现代工业过程中存在着许多难以甚至无法用传感器直接测量的重要变量,比如产品的反应速率、产品的成分含量等等。但是这些重要变量对于保证产品质量和提高生产效益有极其重要的作用,是工业生产过程中必须严格监视和控制的参数。将传感器可以直接测量的或容易测得的变量称为过程变量,将难以测量或无法测量的重要变量称为质量变量。那么软测量建模方法是指通过建立工业生产中过程变量和质量变量之间的数学模型,实现利用过程变量预测质量变量的方法。近年来,工业生产过程的软测量建模越来越得到工业界和学术界的广泛重视,成为研究热点。
传统的工业过程软测量建模方法主要是基于机理模型的方法。但是现代工业生产过程的机理模型越来越难以获得,此时基于数据驱动的多元统计分析方法已经成为工业过程软测量建模的主流方法,比如偏最小二乘(PLS),概率主元回归(PPCR)。但是,传统的多元统计分析方法大多没有考虑过程的动态性和过程变量的随机性,比如PLS。虽然PPCR考虑了过程变量的随机性,但没有考虑过程的动态性。这些因素没有考虑会大大影响了软测量建模的精确性和模型预测的准确性。相比之下,有监督的线性动态***模型既考虑了动态性又考虑了随机性,本发明采用该方法替代原有的多元统计分析方法实现工业过程的软测量建模。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于有监督的线性动态***模型的软测量建模方法。
本发明的目的是通过以下技术方案来实现的:一种基于有监督的线性动态***模型的软测量建模方法,包括以下步骤:
(1)利用集散控制***以及离线检测方法收集工业生产中的过程变量和质量变量的数据,组成建模用的训练样本集:X=[x1,x2,…,xN]∈RV×N和Y=[y1,y2,…,yN]∈RL×N,其中,R为实数集,RV×N表示X满足V×N的二维分布,RL×N表示Y满足L×N的二维分布,V为过程变量个数,L为质量变量个数,N为采样数据点数,将数据存入历史数据库。
(2)从历史数据库中调用训练样本集X和Y,分别对训练样本集X中的各个样本和Y中的各个样本按照时间点方向进行排序,得到X′=[x′1,x′2,…,x′t,…,x′N]∈RV×N和Y′=[y′1,y′2,…,y′t,…,y′N]∈RL×N,x′t和y′t分别为t时刻采集到的过程变量的训练样本和质量变量的训练样本,t=1,2,…,N。对每一个训练样本进行标准化处理,即使得各个过程变量和质量变量的均值为0,方差为1,得到的新数据矩阵分别为和 为x′t经标准化处理后得到的样本,为y′t经标准化处理后得到的样本,t=1,2,…,N。
(3)根据训练样本集和采用期望最大化方法建立有监督的线性动态***模型,得到模型参数θ。
(4)将建模数据和模型参数θ存入历史数据库中备用。
(5)收集新的过程变量的在线数据:其中为当前t时刻的在线过程变量数据。对其标准化处理,得到
(6)采用基于有监督的线性动态***模型的软测量建模方法,根据历史数据库中的数据和过程变量的在线数据预测对应时刻难以直接测量的质量变量实现工业生产上对质量变量的监控。
本发明的有益效果是:
本发明通过离线采集过程变量数据和质量变量数据,建立有监督的线性动态***模型,然后在线根据容易测量的过程变量数据预测对应的难以测量的质量变量数据。基于有监督的线性动态***模型的学习方法,对于工业过程的随机性和动态性等数据特性,具有非常强的建模能力。相比目前的其它软测量建模方法,本发明把握了更多的工业过程的数据特性,所以建立的模型更加精确,模型的预测更加准确,最终提高了工业过程对质量变量的监控效果,使生产的产品质量更加稳定。
附图说明
图1是基于有监督的线性动态***模型的脱丁烷塔丁烷含量的在线软测量结果示意图;
图2是基于偏最小二乘(PLS)模型的脱丁烷塔丁烷含量的在线软测量结果示意图;
图3是基于概率主元回归(PPCR)模型的脱丁烷塔丁烷含量的在线软测量结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明给出一种基于有监督的线性动态***模型的软测量建模方法,该方法针对工业过程的软测量建模问题,首先利用集散控制***以及离线检测方法收集工业生产中的过程变量和质量变量的数据,然后建立有监督的线性动态***模型,把所有建模数据和模型参数存入数据库中备用。预测在线质量变量数据的时候,首先利用前向滤波方法计算出对应的隐变量数据,然后根据模型参数预测难以直接测量的质量变量数据。
本发明采用的技术方案的主要步骤如下:
第一步:利用集散控制***以及离线检测方法收集工业生产中的过程变量和质量变量的数据,组成建模用的训练样本集:X=[x1,x2,…,xN]∈RV×N和Y=[y1,y2,…,yN]∈RL ×N,其中,R为实数集,RV×N表示X满足V×N的二维分布,RL×N表示Y满足L×N的二维分布,V为过程变量个数,L为质量变量个数,N为采样数据点数,将数据存入历史数据库;
第二步:从历史数据库中调用训练样本集X和Y,分别对训练样本集X中的各个样本和Y中的各个样本按照时间点方向进行排序,得到X′=[x′1,x′2,…,x′t,…,x′N]∈RV×N和Y′=[y′1,y′2,…,y′t,…,y′N]∈RL×N,x′t和y′t分别为t时刻采集到的过程变量的训练样本和质量变量的训练样本,t=1,2,…,N。对每一个训练样本进行标准化处理,即使得各个过程变量和质量变量的均值为0,方差为1,得到的新数据矩阵分别为和 为x′t经标准化处理后得到的样本,为y′t经标准化处理后得到的样本,t=1,2,…,N;
在历史数据库中对采集到的过程数据进行预处理,剔除野值点和明显的粗糙误差数据。
第三步:根据训练样本集和采用期望最大化方法建立有监督的线性动态***模型,得到模型参数θ;
对于训练样本集和采用期望最大化方法求出有监督的线性动态***模型参数θ={A,P,C,Ση,Σe,Σf,μπ,Σπ},其中A∈RH×H为传递矩阵,H为隐变量个数;P∈RV×H为映射矩阵,C∈RL×H为回归矩阵;Ση∈RH×H为隐空间噪声的方差,Σe∈RV×V为过程变量噪声的方差,Σf∈RL×L为质量变量噪声的方差;μπ∈RH×1和Σπ∈RH×H分别为服从高斯分布的初始时刻隐变量h1∈RH×1的均值和方差。用期望最大化方法建模的具体实现步骤如下所示:
(1)设置初始的模型参数θ为θ={A,P,C,Ση,Σe,Σf,μπ,Σπ}
(2)求期望:在当前模型参数θ下,根据训练样本集和计算每个时刻隐变量的平滑均值gt∈RH×1、方差Gt∈RH×H,t=1,2,…,N;相邻时刻隐变量的协方差t′=t+1,且t′=1,2,…,N。其中E(·)表示括号中变量的均值,ht为t时刻xt,yt对应的隐变量。具体实现步骤如下所示:
(2.1)通过前向滤波方法可以得到每个时刻隐变量的滤波均值ft∈RH×1和方差Ft∈RH×H,t=1,2,…,N如下:
其中当时刻t=1时,
(2.2)通过后向平滑方法可以得到每个时刻隐变量的平滑均值gt∈RH×1,方差Gt∈RH×H,t=1,2,…,N;相邻时刻隐变量的协方差且t′=1,2,…,N。如下:
gt=FtAT(AFtAT+Ση)-1(gt′-Aft)+ft (18)
Gt=FtAT(AFtAT+Ση)-1Gt′[FtAT(AFtAT+Ση)-1]T+Ft-FtAT(AFtAT+Ση)-1AFt (19)
其中当时刻t=T时,gT=fT,GT=FT。
(3)最大化:根据训练样本集和以及隐变量的期望最大化来重新估计模型参数
如下所示:
(4)按照步骤3.2和3.3进行反复迭代,直至满足收敛条件,所述收敛条件为:
其中ε为收敛因子,||·||2表示二范数。
第四步:将建模数据和模型参数θ存入历史数据库中备用;
第五步:收集新的过程变量的在线数据:其中为当前t时刻的在线过程变量数据。对其标准化处理,得到
第六步:采用基于有监督的线性动态***模型的软测量建模方法,根据历史数据库中的数据和过程变量的在线数据预测对应时刻难以直接测量的质量变量实现工业生产上对质量变量的监控。
首先,根据有监督的线性动态***模型参数θ和过程变量的在线数据通过无监督的线性动态***模型的前向滤波方法计算出对应的隐变量的值其中为当前t时刻隐变量的值,(这里是用隐变量的滤波均值来作为隐变量的值),如下所示:
其中当时刻t=1时,
然后,根据有监督的线性动态***模型参数θ和历史数据库中的数据,预测出难以直接测量的质量变量如下所示:
其中,σ1,σ2,…,σL为训练样本集Y中每个质量变量的方差,μ1,μ2,…,μL为训练样本集Y中每个质量变量的均值
以下结合一个具体的脱丁烷塔例子来说明本发明的有效性。脱丁烷塔是炼油厂脱硫和石脑油分馏装置的重要组成部分。脱丁烷塔用于将石脑油中的丙烷和丁烷除去,质量控制要求为:最小化脱丁烷塔底部丁烷的含量。该过程收集了2394组数据,选取数据集中的奇数样本作为训练集,偶数样本作为测试集。针对该过程,一共选取了7个容易测量的变量作为过程变量,如表1所示。质量变量为丁烷的含量。
表1:监控变量说明
序号 | 描述 |
1 | 塔顶温度 |
2 | 塔顶压力 |
3 | 回流量 |
4 | 下个过程流量 |
5 | 第六个塔板温度 |
6 | 塔底温度1 |
7 | 塔底温度2 |
接下来结合该具体过程对本发明的实施步骤进行详细地阐述:
1.采集表1中的7个过程变量的数据,以及对其对应的丁烷含量值进行离线分析和标记。
然后对所有数据进行预处理和标准化。
采集到的过程变量数据为X∈R7×1197,对应的丁烷含量数据为Y∈R1×1197。剔除数据中的野值点和粗糙误差点。然后标准化处理,即使得各个过程变量和质量变量的均值为0,方差为1,得到的新数据矩阵分别为和
2.针对训练数据,建立基于有监督的线性动态***模型的软测量建模。
根据训练数据和按照实施步骤中给出的详细方法,建立基于有监督的线性动态***模型的软测量建模。
3.获取在线过程变量的数据,并对其进行预处理和归一化。
为了测试新方法的有效性,对在线测试样本集Xnew∈R7×1197进行测试,并利用建模时的标准化参数对其进行处理。
4.在线预测丁烷含量
根据有监督的线性动态***模型的参数,对在线数据Xnew进行在线软测量,获得相应的丁烷含量的在线预测值Ynew∈R1×1197。图1给出了本发明方法针对在线测试数据的在线预测结果。图2和图3分别给出了基于偏最小二乘模型和基于概率主元回归模型的在线预测结果。从图中可以看出,考虑了过程动态性和数据随机性的本发明方法的在线预测效果要好于偏最小二乘和概率主元回归方法,预测更加准确。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。
Claims (2)
1.一种基于有监督的线性动态***模型的软测量建模方法,其特征在于,包括以下步骤:
(1)利用集散控制***以及离线检测方法收集工业生产中的过程变量和质量变量的数据,组成建模用的训练样本集:X=[x1,x2,…,xN]∈RV×N和Y=[y1,y2,…,yN]∈RL×N,其中,R为实数集,RV×N表示X满足V×N的二维分布,RL×N表示Y满足L×N的二维分布,V为过程变量个数,L为质量变量个数,N为采样数据点数,将数据存入历史数据库;
(2)从历史数据库中调用训练样本集X和Y,分别对训练样本集X中的各个样本和Y中的各个样本按照时间点方向进行排序,得到X′=[x′1,x′2,…,x′t,…,x′N]∈RV×N和Y′=[y′1,y′2,…,y′t,…,y′N]∈RL×N,x′t和y′t分别为t时刻采集到的过程变量的训练样本和质量变量的训练样本,t=1,2,…,N;对每一个训练样本进行标准化处理,即使得各个过程变量和质量变量的均值为0,方差为1,得到的新数据矩阵分别为和其中,为x′t经标准化处理后得到的样本,为y′t经标准化处理后得到的样本,t=1,2,…,N;
(3)根据训练样本集和采用期望最大化方法建立有监督的线性动态***模型,得到模型参数θ;
(4)将建模数据和模型参数θ存入历史数据库中备用;
(5)收集新的过程变量的在线数据:其中为当前t时刻的在线过程变量数据;对其标准化处理,得到
(6)采用基于有监督的线性动态***模型的软测量建模方法,根据历史数据库中的数据和过程变量的在线数据预测对应时刻难以直接测量的质量变量实现工业生产上对质量变量的监控;所述步骤(6)具体为:
(6.1)根据有监督的线性动态***模型参数θ和过程变量的在线数据通过无监督的线性动态***模型的前向滤波方法计算出对应的隐变量的值其中ft new∈RH×1为当前t时刻隐变量的值,这里是用隐变量的滤波均值来作为隐变量的值;
(6.2)根据有监督的线性动态***模型参数θ和历史数据库中的数据,预测出难以直接测量的质量变量如下所示:
其中,σ1,σ2,…,σL为训练样本集Y中每个质量变量的方差,μ1,μ2,…,μL为训练样本集Y中每个质量变量的均值。
2.根据权利要求1所述基于有监督的线性动态***模型的软测量建模方法,其特征在于,所述步骤(3)具体为:对于训练样本集和采用期望最大化方法求出有监督的线性动态***模型参数θ={A,P,C,Ση,Σe,Σf,μπ,Σπ},其中A∈RH×H为传递矩阵,H为隐变量个数;P∈RV×H为映射矩阵,C∈RL×H为回归矩阵;Ση∈RH×H为隐空间噪声的方差,Σe∈RV×V为过程变量噪声的方差,Σf∈RL×L为质量变量噪声的方差;μπ∈RH×1和Σπ∈RH×H分别为服从高斯分布的初始时刻隐变量h1∈RH×1的均值和方差;用期望最大化方法建模的具体实现步骤如下所示:
(3.1)设置初始的模型参数θ为θ={A,P,C,Ση,Σe,Σf,μπ,Σπ};
(3.2)求期望:在当前模型参数θ下,根据训练样本集和计算每个时刻隐变量的平滑均值gt∈RH×1、方差Gt∈RH×H,t=1,2,…,N;相邻时刻隐变量的协方差t′=t+1,且t′=1,2,…,N;其中E(·)表示括号中变量的均值,ht为t时刻xt,yt对应的隐变量;具体实现步骤如下所示:
(3.2.1)通过前向滤波方法可以得到每个时刻隐变量的滤波均值ft∈RH×1和方差Ft∈RH ×H,t=1,2,…,N,如下:
其中当时刻t=1时,
(3.2.2)通过后向平滑方法可以得到每个时刻隐变量的平滑均值gt∈RH×1,方差Gt∈RH ×H,t=1,2,…,N;相邻时刻隐变量的协方差t′=t+1,且t′=1,2,…,N;如下:
gt=FtAT(AFtAT+Ση)-1(gt′-Aft)+ft (4)
Gt=FtAT(AFtAT+Ση)-1Gt′[FtAT(AFtAT+Ση)-1]T+Ft-FtAT(AFtAT+Ση)-1AFt (5)
其中当时刻t=T时,gT=fT,GT=FT;
(3.3)最大化:根据训练样本集和以及隐变量的期望最大化来重新估计模型参数
如下所示:
(3.4)按照步骤(3.2)和(3.3)进行反复迭代,直至满足收敛条件,所述收敛条件为:
其中ε为收敛因子,||·||2表示二范数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610165416.8A CN105868164B (zh) | 2016-03-19 | 2016-03-19 | 一种基于有监督的线性动态***模型的软测量建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610165416.8A CN105868164B (zh) | 2016-03-19 | 2016-03-19 | 一种基于有监督的线性动态***模型的软测量建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105868164A CN105868164A (zh) | 2016-08-17 |
CN105868164B true CN105868164B (zh) | 2019-01-01 |
Family
ID=56625513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610165416.8A Expired - Fee Related CN105868164B (zh) | 2016-03-19 | 2016-03-19 | 一种基于有监督的线性动态***模型的软测量建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105868164B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649202B (zh) * | 2016-12-07 | 2019-04-09 | 宁波大学 | 基于多样性变量加权plsr模型的工业过程软测量方法 |
CN106682312A (zh) * | 2016-12-28 | 2017-05-17 | 浙江大学 | 一种局部加权极限学习机模型的工业过程软测量建模方法 |
CN106897774B (zh) * | 2017-01-25 | 2019-01-18 | 浙江大学 | 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法 |
CN107391960B (zh) * | 2017-09-20 | 2018-09-25 | 中国环境科学研究院 | 基于过渡金属保护水生生物水质基准的CCCs预测方法 |
CN108628164A (zh) * | 2018-03-30 | 2018-10-09 | 浙江大学 | 一种基于循环神经网络模型的工业过程半监督软测量方法 |
CN109325065B (zh) * | 2018-12-04 | 2021-01-01 | 浙江科技学院 | 基于动态隐变量模型的多采样率软测量方法 |
CN111291020A (zh) * | 2019-11-11 | 2020-06-16 | 中国计量大学 | 基于局部加权线性动态***的动态过程软测量建模方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070208538A1 (en) * | 2006-03-06 | 2007-09-06 | Gross Kenny C | Determining the quality and reliability of a component by monitoring dynamic variables |
CN103389360A (zh) * | 2013-07-15 | 2013-11-13 | 浙江大学 | 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法 |
CN103902824A (zh) * | 2014-04-01 | 2014-07-02 | 浙江大学 | 基于局部独立成分概率分析的聚丙烯熔融指数软测量方法 |
CN104914850A (zh) * | 2015-05-20 | 2015-09-16 | 浙江大学 | 基于切换线性动态***模型的工业过程故障诊断方法 |
US20150324329A1 (en) * | 2011-09-19 | 2015-11-12 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
CN105334823A (zh) * | 2015-11-05 | 2016-02-17 | 浙江大学 | 基于有监督的线性动态***模型的工业过程故障检测方法 |
-
2016
- 2016-03-19 CN CN201610165416.8A patent/CN105868164B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070208538A1 (en) * | 2006-03-06 | 2007-09-06 | Gross Kenny C | Determining the quality and reliability of a component by monitoring dynamic variables |
US20150324329A1 (en) * | 2011-09-19 | 2015-11-12 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
CN103389360A (zh) * | 2013-07-15 | 2013-11-13 | 浙江大学 | 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法 |
CN103902824A (zh) * | 2014-04-01 | 2014-07-02 | 浙江大学 | 基于局部独立成分概率分析的聚丙烯熔融指数软测量方法 |
CN104914850A (zh) * | 2015-05-20 | 2015-09-16 | 浙江大学 | 基于切换线性动态***模型的工业过程故障诊断方法 |
CN105334823A (zh) * | 2015-11-05 | 2016-02-17 | 浙江大学 | 基于有监督的线性动态***模型的工业过程故障检测方法 |
Non-Patent Citations (4)
Title |
---|
Soft Sensor for Multiphase and Multimode Processes Based on Gaussian Mixture Regression;Xiaofeng Yuan 等;《19th IFAC World Congress》;20140829;第1067-1072页 |
基于多模型动态融合的自适应软测量建模方法;傅永峰 等;《高校化学工程学报》;20151031;第29卷(第5期);第1186-1193页 |
基于稳定Hammerstein模型的在线软测量建模方法及应用;丛秋梅 等;《化工学报》;20150430;第66卷(第4期);第1380-1387页 |
复杂工况过程统计监测方法研究;葛志强;《中国博士学位论文全文数据库 信息科技辑》;20101215(第12期);第I140-82页 |
Also Published As
Publication number | Publication date |
---|---|
CN105868164A (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105868164B (zh) | 一种基于有监督的线性动态***模型的软测量建模方法 | |
CN101699477B (zh) | 精确预测大坝变形的神经网络方法 | |
CN104914723B (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
CN101863088B (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
CN100507460C (zh) | 基于脉冲响应模板和参数优化的动态软测量建模方法 | |
CN109623489B (zh) | 一种改进的机床健康状态评定方法及数控机床 | |
CN108334943A (zh) | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 | |
WO2022171788A1 (de) | Vorhersagemodell zum vorhersagen von produktqualitätsparameterwerten | |
CN109815855B (zh) | 一种基于机器学习的电子设备自动测试方法及*** | |
CN110569566A (zh) | 一种板带力学性能预测方法 | |
CN103389360B (zh) | 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法 | |
CN109669017B (zh) | 基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法 | |
CN110084301B (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
CN108492026A (zh) | 一种基于集成正交成分最优化回归分析的软测量方法 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN106647285B (zh) | 一种基于软测量技术的催化剂活性检测方法 | |
CN109960146A (zh) | 提高软测量仪表模型预测精度的方法 | |
Eo et al. | Deep learning framework with essential pre-processing techniques for improving mixed-gas concentration prediction | |
CN109920489A (zh) | 一种基于Lasso-CCF-CNN的加氢裂化模型及建立方法 | |
CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
CN106599391B (zh) | 基于三角形角度值动态加权的关联向量机软测量建模方法 | |
CN105787507B (zh) | 基于预算支持向量集的LS‑SVMs在线学习方法 | |
CN116629010A (zh) | 一种基于随机过程的退化模型确认及其试验设计方法 | |
CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190101 Termination date: 20200319 |
|
CF01 | Termination of patent right due to non-payment of annual fee |