蒸煮过程软测量中的异常数据发掘方法研究

Study on the Method of Abnormal Data Discovery for Soft Sensing of Kappa Number in Batch Cooking Process

面向实际生产过程的软测量技术,融合了大量的现场数据,其中的任一异常数据(野值)的出现都可能导致模型的预测效果下降,甚至完全失败。由于实际测量数据不可避免地会带有误差,因此,对测量数据进行预处理非常重要。以制浆蒸煮过程纸浆Kappa值软测量模型为例,给出了一种综合判别异常样本数据的方法。该方法基于聚类分析和工艺机理发掘矛盾数据组,并结合回归分析和统计分析,定位异常样本数据并解释这些异常样本对建模的影响大小。以某造纸厂化浆车间的100组样本数据为对象进行分析,得到的异常样本及对建模的影响与专家经验分析相一致,证明了该方法的有效性。

A method of abnormal data discovery for data processing of Kappa number soft sensing is presented. The new data processing method digs out incompatible data based on data clustering and mechanism analysis, as well as finds out the outlier data by regression analyzing and statistical analysis. It also can explain the impact of abnormal data on soft sensing. The method is validated by data analyzing from actual factory cooking process.