非理想数据条件下软测量关键技术研究与应用

Recently, due to the deep integration of automation and information in complex industrial process, while a wealth of data and process knowledge are accumulating, the demands of quality control and monitoring, production scheduling and optimization, production safety as well as real-time fault monitoring of the process have become higher. Consequently, soft sensor technology is one of the key methods to meet the above requirements. In this project, we aim at solving the core problems of soft sensor technology for time-varying process with nonlinearity, non-Gaussian features as well as multiple working conditions, and consider several non-ideal data conditions such as output data random loss, multiple rate or irregular sampling, multiple outliers and noise pollution in scheduling variable, etc. The main purpose is to systematically study soft sensor methods based on the expectation maximization algorithm in the framework of Bayesian inference technology. Specifically, three key technologies are included: (1) identification of soft sensor model structure and parameters with non-ideal data based on expectation maximization algorithm, (2) dynamic data reconstruction techniques for time-delay and time-varying process, (3) adaptive and dynamic correction approaches of soft sensor for non-Gaussian, nonlinear and time-varying processes. The expected results could provide theoretical and technical support for the development of complex chemical system in process control and optimization based on fusion of data and process knowledge.

近年来，随着“自动化和信息化”在工业生产过程中的深度融合，积累了丰富的数据和大量的过程知识的同时，也对生产过程的质量监测与控制、生产调度与优化、安全生产和故障实时监控提出了更高需求。软测量技术成为解决这些需求的关键技术之一。本项目针对软测量技术的核心问题，面向时变过程的非线性、非高斯和多工况特征，考虑多种非理想建模数据条件，如：输出数据部分随机丢失、多速率或不规则采样、输出数据多异常点和调度变量噪声污染等，基于期望最大化算法，在贝叶斯理论框架下，系统地研究软测量技术。内容主要包括三方面的关键技术：(1)基于期望最大化算法的非理想数据条件软测量模型结构辨识和参数估计、优化；(2)针对过程时滞、时变特征的动态建模数据重构方法；(3)具有非高斯、非线性特征的时变过程软测量模型的自适应动态校正。本项目的研究成果可为基于数据和知识融合的复杂工业系统的过程控制与优化提供理论与技术支撑。

软测量技术是过程控制与工业大数据所形成的重要交叉领域，有利于提高现代工业的产品质量和生产效率。由于实际工业过程常涉及复杂的生化反应，呈现时变、多工况及高度非线性等特征，传统的软测量方法由于假设条件过于理想，往往达不到精度要求，甚至完全失效。因此，本项目主要针对几种常见且关键的非理想数据条件进行软测量技术研究，主要研究内容、结果及科学意义如下：.实际工业过程中常常是无标记样本数量多，有标记样本数量少且获取成本高，因此将主动学习思想引入软测量建模中，在主动学习框架下，基于贝叶斯理论和极限学习机等方法特性设计了相应的样本选择机制和学习策略，实现了以最小标记代价最大限度地提升模型性能的目的。考虑辅助变量与主导变量的时序不匹配问题，将过程时滞信息引入建立的软测量模型中，提出了带时滞估计的在线软测量方法，基于模糊曲线分析等方法进行时滞参数估计，重构建模数据集，同时跟踪过程动态，自适应更新当前模型，建模精度得到显著提高。针对多率采样造成的标签缺失问题以及过程的多阶段特性，利用半监督学习，采用最近相关谱聚类对数据进行聚类分析，并基于仿射信息构建极限学习机的信息矩阵，提出了一类智能软测量建模方法。基于大多数生产过程的动态本质，摒弃静态假设条件，研究了动态软测量建模方法，将时序分析技术与深度学习模型相结合，有效挖掘工业数据中更为精炼、准确的动态特征和模型结构，使软测量模型有效适应变化剧烈的工业场合。由于原料配比、环境变化、催化剂活性变化等原因，大多数工业过程都呈现时变特征，针对此问题，结合非监督学习、即时学习和局部学习，构造了具有时变自适应能力的智能软测量建模方案，可以有效的对软测量模型进行实时更新及后期的维护，延长模型使用寿命。.通过本项目研究，为复杂工业过程的质量监控与优化，提供精确鲁棒的软测量建模技术，对工业生产的闭环控制及优化具有较高的理论意义与应用价值。.