非线性非齐次Markov跳变系统的贝叶斯滤波

针对具有时变不确定转移概率的非线性非齐次Markov跳变系统,提出一种贝叶斯状态估计方法.该方法首次采用带约束高斯概率密度函数来刻画转移概率的真实特性.然后,基于参考概率空间法,将实际的概率测度投影到理想概率空间,得出信息变量的递归表达式.同时,在贝叶斯框架内给出转移概率矩阵的最大后验估计式.进一步,采用粒子逼近法求解转移概率矩阵的最大后验估计,解决非线性函数的多重积分问题,进而获取状态估计值.最后,通过一个仿真示例表明该方法的有效性.

基于贝叶斯网络的控制回路关联故障诊断

在综合控制回路不同的监控算法组成一个控制回路监控系统时,系统出现的故障彼此之间可能会存在相互关联的情况,针对这一问题提出一种故障诊断方法.该方法利用贝叶斯网络强大的不确定性表达能力和学习推理能力,将所有监控器组成一个控制回路的性能监控诊断系统,当控制回路在不确定的环境下操作出现故障时,即使各个监控器工作性能低下,也能够及时准确地进行诊断.对该方法进行了应用仿真,仿真结果表明该方法能够对回路故障之间存在的交叉关联问题进行很好地辨识,精确地推理出回路各个组成部分出现故障的概率,验证了该方法具有较高的诊断精度.

多率量测下随机跳变系统迁移交互多模型估计

实际工业过程中,量测数据除了在线仪表采集的快速率数据,还有离线化验等慢速率辅助量测数据.为了更好地利用离线化验数据,增加在线估计的精度,针对随机跳变系统,引入迁移学习思想,提出迁移交互多模型估计(Transfer interacting multiple model state estimator,IMM-TF)新策略.首先,将离线化验数据的边缘分布作为可以迁移的知识,迁移到贝叶斯后验分布,实现辅助量测数据的充分利用.其次,利用KL(Kullback-Leibler)散度度量知识迁移前后任务间的差异性,求解最优的贝叶斯迁移估计器.同时,结合慢速率量测,利用平滑策略获取待迁移的估计值,解决多率量测下的迁移估计难题.然后,利用影响力函数构建辅助量测数据与估计性能之间的解析关系,从而对迁移效果进行定量评价.最后,通过在目标跟踪实例中的应用,表明所提方法的有效性及优越性.

基于交互多模型粒子滤波的污水毒素浓度估计

为了更准确地描述各随机因素干扰下细胞毒性过程的动态,结合细胞毒性的基本模型构建了细胞毒性随机混杂模型。基于所建立的模型,将细胞增殖的动态作为评估污水处理过程出水质量的间接指标,利用交互多模型粒子滤波算法提出了一种污水处理过程出水毒素浓度的早期估计方法。交互多模型粒子滤波在过程模式随机变化的情况下可以获得良好的估计效果,同时在运行过程中,采用粒子的加权交互来解决所需粒子数随时间指数增长问题,保证估计速度的同时又具有较高的精确性。不仅能够实时在线进行毒素浓度估计,而且避免了采用高效液相色谱法和液相色谱质谱法对主要毒物浓度的离线测定所需要的高昂成本,可以作为传统化学分析方法的一种高效、经济的补充方法,用于污水处理质量的监测和预警。

现代流程工业的机器学习建模

随着工业大数据时代的来临,基于数据驱动的建模方法在现代流程工业中的研究和应用引起了广泛关注。对以典型机器学习算法为核心的数据驱动建模方法近年来的研究发展进行了系统性的阐述。首先回顾了以分类和回归任务为主的单层机器学习算法在流程工业中的研究与应用,涉及故障检测、识别和诊断,软测量以及质量检测等。再对图像识别、语义分析等领域受瞩目的深度学习算法目前在工业领域的应用与发展进行详述。进而介绍区别于统计分析理论的流形学习在流程工业上的研究与应用进展。最后,对基于上述三类机器学习算法的数据驱动建模方法进行总结并提出展望。

基于迁移学习的有机硅单体分馏过程能耗建模

有机硅单体分馏过程需分离的物质多且分离技术要求高,是有机硅单体生产过程中能耗较高的单元之一。能耗模型的建立对分馏过程的生产优化有着重要的意义。虽然分馏过程中各提纯单元的塔器设备型号、操作条件存在差异,但由于各提纯单元存在相似性,如何充分利用这些相似性进行能耗建模,从而减少建模过程中对数据量、质的要求是要解决的问题。通过引入迁移学习算法,增大源单元和目标单元数据域的相似性,实现不同数据域的知识传递,充分利用现有数据中包含的知识,建立新的能耗模型。以某有机硅企业采集的现场数据进行算法验证,结果显示,当训练样本量不足时,迁移学习可以有效提升模型性能,从而验证了该算法的有效性与实际应用价值。

含时延和丢失数据不确定系统的FIR滤波器

针对状态空间模型中存在服从伯努利分布的时延和随机观测丢失的情况,基于极大似然法则,分别设计有限脉冲响应(finite impulse response, FIR)滤波器的慢速率批处理形式和快速率迭代形式.首先,将时延和数据丢失情况下的模型表述为服从伯努利分布的概率线性函数;然后,通过极大似然处理从而得到所提出极大似然FIR算法;最后,将在相同条件下的极大似然FIR估计、改进型卡尔曼滤波以及无偏FIR估计3种滤波方法进行对比,从估计误差、均方根误差和不确定性影响等角度进行比较分析.实验部分通过3-DOF直升机模型仿真,可发现所提出极大似然FIR估计方法在处理时延和数据丢失问题时更加有效,鲁棒性更高.

模型不确定非线性Markov跳变系统的滤波算法

针对模型不确定非线性Markov跳变系统,提出一种新的滤波算法.相比于传统交互多模型粒子滤波,该方法通过引入前一时刻的滤波误差来增强原先由于不精确模型而造成权值较小的真实粒子在滤波过程中的作用,以此来改善算法的估计性能.仿真结果表明,该方法在处理含不确定模型参数的非线性Markov跳变系统状态估计问题时具有较好的性能.

线性离散状态时滞系统UFIR滤波算法

针对含状态时滞的线性离散时变状态空间模型,提出一类无偏有限脉冲响应(UFIR)滤波算法.通过构造含有时滞状态的增广系统模型,对原系统进行无时滞转换.利用扩展状态空间模型的思路,将现有UFIR滤波算法推广至含控制输入的状态时滞系统中,并进一步求解相应的迭代形式,保留类Kalman算法快速计算的特点.通过仿真例子表明了所提出算法的有效性.

基于AdaBoost学习策略的污水近红外光谱快速检测

对实际污水样本的近红外光谱数据进行建模,可以预测水质指标,实现污水水质监测。但实际污水样本的多样性不足,标签值集中在某个较低的区间内,样本间离散度低、区分度小,导致近红外光谱数据和标签值间的相关性较弱,一般的分类模型和回归模型的预测准确度较低。因此,利用自适应增强(adaptive boosting,AdaBoost)算法进行建模以提高模型的准确度,利用集成策略将多个子学习器组合为一个准确度更高的强学习器。此外,人为配置具有浓度梯度的标准样本对实际污水样本进行补充,以减弱实际污水样本的多样性不足对建模精度的影响。在不同数据集上对AdaBoost算法和其他常用算法进行了对比,对比结果证明了AdaBoost算法在污水水质快速检测方面的有效性。

多时变扰动下的PID控制性能评估

时变扰动是影响控制系统性能的主要因素之一。针对存在多个时变扰动的情况,提出了一种基于多模型加权的PID最小可达方差控制性能评估方法。首先,根据每个扰动的特性设计子PID最小可达方差控制器;然后,基于扰动作用时间构造权重以设计多模型加权控制器,再以此控制器作用下系统输出所能达到的最小方差作为基准评估PID控制系统的性能。最后,通过仿真实例验证所提方法的有效性。