基于半监督集成学习的化工过程自适应软测量建模方法研究

The soft sensor is an effective manner in online estimating quality-related variables in chemical processes, which is measurement delay-free and possesses the advantage of low investment and maintenance cost. This project intends to under the ensemble learning framework carry out a research on adaptive soft sensing methods based on real production data, such that some key problems in complex nonlinear and time-varying chemical processes can be well solved. The research contents are summarized as follows. Firstly, in order to solve the strong nonlinearity, statistical theory and semi-supervised regression algorithms are studied, based on which a localization scheme using the ‘divide and conquer’ strategy is proposed. Secondly, based on the feature extraction approaches, semi-supervised online ensemble of local models is proposed to cope with the model performance deterioration caused by process drifts. Thirdly, the quantifications of local sample density and local nonlinearity are studied and then used for developing performance assessment model for decision making, online abnormal sample classification and online sensor malfunction detection, etc. This project aims to develop high-accuracy soft sensor model for chemical processes and prolong its service life, which can raise the economical benefits of production enterprises and enhance the safety and stability of production equipments. Also, it is helpful for the enrichment and perfection of the ensemble learning theory. Therefore, the achievements of this project are expected to have significant theoretical and application values.

软测量技术是在线实时估计化工过程产品质量变量的有效手段，具有无测量滞后、投资和维护成本低等优点。本项目针对复杂非线性及时变化工过程软测量建模问题，在集成学习框架下，拟研究基于过程生产运行数据的自适应软测量建模方法。研究内容包括：（1）基于统计分析方法与半监督回归学习算法的局部化方法，通过“分治策略”解决过程的强非线性问题；（2）基于特征提取的半监督局部模型在线集成方法，解决由过程时变问题引起的模型在线运行性能下降的问题；（3）基于局部样本密度与非线性程度的模型性能评价方法，为决策制定、异常点在线甄别与仪表故障在线检测提供依据与支持。本项目致力于建立精度高、使用寿命持久的化工过程软测量模型，有助于提高生产企业经济效益、保障生产装置连续安全运行，也将丰富和完善集成学习的方法和理论，其研究成果具有重要的理论与应用价值。

软测量技术是在线实时估计化工过程产品质量变量的有效手段，具有无测量滞后、投资和维护成本低等优点。本项目针对非线性、非高斯及时变化工过程的软测量建模问题，以混合模型手段，系统研究了在复杂数据特性下，建立高精度软测量模型的方法。主要研究内容和取得的主要研究成果包括：（1）针对多产品且产品间相互耦合的化工过程，建立了一种自适应过程状态分割方法、模型集成方法以及模型性能评价方法；（2）面向非高斯数据分布、高维度、不平衡、大规模等复杂数据特性，提出了一系列的高斯混合模型训练方法；（3）针对低信噪比、离群点影响显著等高斯混合模型无法正常工作的应用场景，提出了一套基于t分布的鲁棒混合模型建模方法。所提出的方法均采用公共数据集以及实际工业过程中采集的数据集进行了验证。结果表明，本项目提出的一系列方法，均能有效解决所针对的问题，从而大大提升了软测量模型的应用前景。..目前本项目已经发表期刊论文18篇、会议论文6篇，授权发明专利2项、公开1项，授权软件著作权1项，培养博士研究生1名、硕士研究生2名、在读博士研究生1名，参加国际学术会议5人次。研究成果发表在国际过程控制领域著名期刊上，包括IEEE汇刊、IFAC 的会刊《IEEE Trans. Cybernetics》、《IEEE Trans. Neural Networks and Learning Systems》、《IEEE Trans.Industrial Electronics》、《IEEE Trans. Control Systems Technology》、《IEEE Trans. Industrial Informatics》、《IEEE Trans. Automation Science and Engineering》、《Control Engineering Practice》等，以及过程系统工程领域的著名期刊《Chemical Engineering Science》等；所发表的论文中有15篇文章被SCI检索。