融合多源信息的化工过程半参数建模方法研究

Soft sensor technology has attracted wide attention as an important method for the acquisition of critical quality variables in chemical processes. The researches on soft sensor technology nowadays mainly focus on the modeling method. The research in this project focuses on three aspects, includes semi-parametric model structure design, nonparametric modeling method and semi-parametric model identification, the semi-parametric modeling method is proposed and can be suitable for chemical process soft sensor. Firstly, through combined mechanical information with industrial operation data, the soft sensor model structure based on multi-source information fusion is designed. Secondly, in order to improve nonparametric model accuracy, a non-parametric modeling method based on multi-model fusion is proposed. A multi-model is constructed by Gaussian process adaptively according to iterative bagging ensemble learning algorithm. Thirdly, the identification method of semi-parametric model is studied. The overall problem is decomposed into parametric model identification and nonparametric model identification. The parametric model is optimal identified by using hybrid optimization algorithm. Finally, the semi-parametric modeling method will be applied to soft sensor for polypropylene melt index and will be verified the performance. The researches provides a new idea for soft sensor modeling and the basis for control, optimization and fault diagnosis of chemical process and is of great practical and theoretical value.

作为观测关键质量参数的重要手段，软测量技术在化工过程中受到了广泛关注，其中建模方法是研究重点。从半参数模型结构设计、非参数建模方法研究和半参数模型辨识等问题出发，研究一种适用于化工过程软测量的半参数建模方法。通过融合过程机理信息与运行信息，设计一种半参数模型结构；为了提高非参数模型的预测精度，提出一种基于多模型融合的非参数建模方法，根据迭代bagging集成学习算法，融合高斯过程自适应地实现多模型融合建模；开展半参数模型辨识研究，将整体问题分解为参数模型辨识和非参数模型辨识，并采用混合优化算法实现参数模型辨识；以聚丙烯熔融指数软测量为应用对象，评测半参数建模方法的性能。本研究工作既为软测量建模方法研究提供一种新的思路和方法，也为化工过程控制、优化和故障诊断等研究提供基础，具有重要的理论意义和应用价值。

在现代化学化工领域中，建模方法正发挥着重要作用，它是解决流程工业过程控制、优化和复杂对象特性测量研究的有效手段。由于实际过程通常具有高度复杂性、强非线性、严重耦合性和时变性等特点，因此采用常规建模方法所建立的模型往往具有稳定性较差、有效信息提取不全面和预测精度不理想等不足。随着机器学习、模式识别等智能技术的兴起，数据资源的不断丰富和计算能力的快速提升，推动了基于数据驱动的智能建模方法的发展。本项目从半参数模型结构设计和非参数建模方法研究问题出发，在改进数据驱动建模、多模型融合建模和混合模型建模三方面，开展基于多源信息融合的半参数建模方法研究。在改进数据驱动建模方面，重点涉及鱼群优化算法-多输出关联向量机、基于核主成分分析和级联支持向量数据描述的集成建模方法等建模方法研究；在多模型融合建模方面，重点开展了BP神经网络有效非线性融合多关联向量机、聚类分析与蜂群优化的多核相关向量机、选择性集成极限学习机、基于同类或异类子模型的多模型融合建模方法等研究；混合建模方法方面则包括基于半经验半机理的串联混合建模方法、基于动态补偿机制的并联混合建模方法等。重点研究了量测数据信号处理、半参数模型结构设计、子模型深度学习和模型辨识、多模型融合优化方法等关键问题，在软测量模型设计、子模型辨识与遴选机制、提高模型预测精度和泛化能力等方面开展了一些创新性研究工作。在建模方法研究的基础上，针对聚丙烯和甲醇制烯烃合成、苯-甲苯精馏分离、离子液体吸收CO2和系统故障诊断等化学化工过程展开应用研究，分析作用机制，评测建模性能，模型预测精度和泛化能力方面均取得满意的预期效果。本研究工作为基于数据的智能建模方法研究提供一种新的思路和技术支撑，也为化工过程分析、控制、优化和故障诊断等研究提供一定的基础，具有重要的理论意义和工程应用价值。