数据和知识驱动的间歇过程数据异常智能检测及多目标校正方法

It is of important significance to research abnormal data detection and rectification for on-line monitoring and optimal control of batch processes. Starting from the analysis of prior knowledge and historical process data, the research focuses on the batch process modal characterization analyzing and its adaptive modeling, the fast sparse regression based on compressive sampling, the on-line multi-objective optimization with soft-constraints, and the entropy preserving data processing methods. Furthermore, the fast modal identification of measurement data, abnormal data on-line discrimination and extraction algorithms will be constructed. The on-line hierarchical interactive decision-making and multi-objective optimization algorithms, as well as the nonlinear filtering algorithm with information entropy constraint will be realized. By applying modern signal processing and artificial intelligence theories, the abnormal data detection method based on compressive sensing for batch processes will be fully researched and soft-constrained multi-objective abnormal data rectification method and strategy will be explored. The research achievements will provide theoretical support for abnormal data detection and rectification technology for batch processes, and have broad practical prospects for on-line monitoring and optimal control of batch processes. Apply the modern signal processing, system modeling and artificial intelligence theories and techniques to batch process abnormal data detection and multi-objective rectification, it will promote the across and collaborative innovation of different domains, and play a leading role in the multi-disciplinary research areas.

间歇过程数据异常检测及校正对于间歇过程在线监测、优化控制具有重要的意义。本项目研究内容为：从间歇过程先验知识和包含过程信息的历史数据分析入手，研究间歇过程模态表征及其自适应建模方法、基于压缩抽样的快速稀疏回归方法、软约束多目标在线优化方法、以及数据保熵处理方法；构建测量数据的快速模态识别算法、数据异常在线判别和提取算法、分层交互式在线决策和多目标优化算法，以及信息熵约束的非线性滤波算法；应用现代信号处理和人工智能理论，探索基于压缩感知的间歇过程数据异常在线检测和基于软约束多目标优化的异常数据在线校正方法及策略。本项目所取得的研究成果将为间歇过程数据异常检测及校正技术提供理论支持，在间歇过程监测、优化控制中有广阔的应用前景。本项目将现代信号处理、系统建模、人工智能等理论与方法应用于间歇过程数据异常检测及多目标校正的研究，将推动不同学科的交叉与协同创新，并在交叉领域发挥巨大的作用。

间歇过程测量数据异常检测与校正对于间歇过程在线监测、优化控制具有重要的意义。项目按计划完成了研究内容，获得了相应的研究成果。本项目从间歇过程的时段划分入手，研究了考虑模态过渡过程的软时段划分方法，提出了基于改进多向主元分析和k-means聚类的模态辨识方法，实验表明其改进效果明显；在模态辨识的基础上，综合考虑建模精度及其泛化能力，将间歇过程时段划分优化问题转化为多目标优化问题，避免了过早引入过多人为设定参数，并提出了自适应进化约束多目标粒子群优化算法，通过引入约束违反程度和粒子群拥挤控制策略，实现了间歇过程的时段划分优化；在建立间歇过程模型的研究中，提出了改进正则化高斯过程的建模和超参数选取方法，利用机理模型和实验数据统计建模，建立了精确性和鲁棒性更好的间歇过程混合模型；最后通过分析间歇过程模态切换对状态估计的影响，将过程测量数据异常检测与校正转化为在不完全量测下的状态估计问题，并提出了一种自适应鲁棒容积式Kalman滤波算法，结合模态辨识时所构建的统计量，实现了可靠的过程测量数据异常检测与校正。本项目所取得的研究成果将为间歇过程测量数据异常检测与校正技术提供理论支持，在间歇过程监测、优化控制中有广阔的应用前景。本项目将现代信号处理、系统建模、人工智能等理论与方法应用于间歇过程测量数据异常检测与校正的研究，将推动不同学科的交叉与协同创新，并在交叉领域发挥重要的作用。