半监督回归学习理论和方法及其在工业过程软测量建模中的应用研究

结题报告

项目介绍

AI项目解读

基本信息

批准号：
60974119
项目类别：
面上项目
资助金额：
31.0万
负责人：
阎威武
依托单位：
上海交通大学
学科分类：
F0306.自动化检测技术与装置
结题年份：
2012
批准年份：
2009
项目状态：
已结题
起止时间：
2010-01-01 至2012-12-31

项目参与者：
邵惠鹤；王豪；何黎明；李楠；王国良；徐炎鑫；田宇；赵文浩；
关键词：
在线学习流形学习核学习半监督回归软测量

项目摘要

在流程工业过程中，大量关键性过程状态（成分、物性等）、产品质量等参数缺乏在线直接测量手段。软测量技术是解决此类问题的有效工具，用软件方法在线地测量过程变量，从而为进一步实现质量控制和过程优化奠定基础。本申请分析了工业软测量建模数据中存在标记样本和未标记样本的特性，指出软测量建模的本质归属于半监督学习的框架。在此基础上，提出了基于半监督回归理论和方法的软测量建模的新框架。在新的框架下，研究了半监督回归算法和静态软测量建模方法。针对时变系统，提出了在线半监督回归算法以及动态半监督软测量模型。研究了半监督回归的模型选择问题，寻找最优模型。针对复杂工业过程，提出了一种基于高斯过程的多模型半监督学习方法。最后将半监督回归学习应用于工业过程质量监控。半监督回归学习为软测量建模中存在的小样本、非线性及要求模型适应性强，泛化能力强和鲁棒性强等急需解决的问题提供了新的解决方案。

结项摘要

在流程工业过程中，大量关键性过程状态（成分、浓度、物性等）、产品质量等参数缺乏在线直接测量手段。软测量技术是解决此类问题的有效工具，用软件方法在线地测量过程变量，从而为进一步实现质量控制和过程优化奠定基础。在目前存在的软测量技术框架中，反映系统本质特性的大量有用样本被丢弃，而无法有效地用于软测量建模中。同时现有的软测量建模技术中存在小样本、非线性、要求模型适应性强和鲁棒性强等急需解决的问题。本基金研究分析了工业软测量建模数据中存在的标记样本和未标记样本的特性，指出软测量建模的本质归属于半监督学习的框架。在此基础上，建立了基于半监督回归理论和方法的软测量建模的新框架。在新的框架下，从三个方面即，算法理论，软测量建模方法和实际应用，系统地进行了相关问题的研究。主要形成了如下成果：将半监督核与高斯过程结合起来，提出了一种基于半监督核高斯过程的回归算法，并建立了基于半监督高斯核的软测量建模方法; 针对时变系统，建立了一种基于半监督高斯核的在线软测量建模方法和一种在线半监督局部线性回归算法; 提出了一种基于半监督局部线性嵌入的分类算法, 并应用于TE和BSM1过程的故障诊断; 针对复杂工况和非线性较强的工业过程，研究了软测量多模型建模问题，提出了多模型半监督算法及软测量建模方，即加权式多模型半监督建模算法和切换式多模型半监督建模算法; 系统地研究了软测量建模的评价指标和辅助变量选择的问题，建立了以相对均方根误差、相对协方差跟踪指标和平均对数密度误差的综合软测量模型的评价指标，提出了基于多元逐步回归分析的软测量辅助变量优化选取方法。最后将基于半监督回归的软测量技术应用于污水处理、超超临界火电机组等工业过程。将基于半监督高斯核的软测量模型应用于污水脱氮过程，将基于半监督局部线性嵌入的方法应用于污水处理故障诊断；将半监督软测量建模方法应用于超超临界机组软测量和实时控制中，建立了基于半监督核在线算法在超超临界机组软测量模型和超超临界机组烟气含氧量多模型软测量模型。仿真预测结果和实际应用效果说明了基于半监督回归软测量方法的正确性、实用性和有效性。半监督回归学习为软测量建模中存在的小样本、非线性及要求模型适应性强，泛化能力强和鲁棒性强等急需解决的问题提供了新的解决方案。