基于近红外光谱的柠檬酸发酵液化清液概率偏最小二乘法监控

柠檬酸发酵液化清液生产过程监控对整个柠檬酸生产至关重要,近红外光谱能够通过不同波长下分子的振动多方面地反映过程的运行状况,包含了大量的过程信息。但是,现有方法往往是建立近红外光谱与总糖总氮等质量变量的回归模型,通过判断质量变量是否超过阈值实现对过程运行状态的事后报警,忽略了近红外光谱内部的很多有用信息,监控效果较差。该文充分利用和分析近红外光谱的统计特性,提出一种基于近红外光谱生产过程的统计监控方法,首先建立近红外光谱和总糖总氮的概率偏最小二乘模型(probability partial least squares,PPLS),然后基于模型对不同的信息设计监控指标,能够充分利用近红外不同波长上的信息,实现故障的事前预警。结果表明,采用该方法得到漏报率为9.68%,错报率为25.81%,可以有效地对柠檬酸发酵液化清液生产过程进行监控。

半监督鲁棒概率偏最小二乘模型及其在多采样率过程监控中的应用

针对实际工业过程中多采样率问题,引入半监督方法,提出一种半监督鲁棒概率偏最小二乘法,将采样率不一致的完整数据分成少数标记样本和大量未标记样本,然后分别用这两种样本数一致的数据建立鲁棒概率偏最小二乘(PPLS)模型,通过充分挖掘大量未标记数据提供的有用信息来提高模型的准确性.更进一步,将半监督鲁棒PPLS引入过程监控中,提出GT2、SPEx和SPEy三个监控指标,分别监控过程的受控状态以及模型关系的变化.通过对半监督鲁棒PPLS和降采样鲁棒PPLS在TE过程监控应用中比较,结果表明半监督鲁棒PPLS比降采样鲁棒PPLS效果更好.

PPLS与稀疏鉴别流形正则化的双模型协同宽度神经网络

宽度神经网络(broad neural networks,BNN)被认为是继深度神经网络之后的一种主流机器学习算法,然而BNN没有考虑数据不确定性及局部几何结构信息。为此,提出概率偏最小二乘(probabilistic partial least square,PPLS)与稀疏鉴别流形正则化的双模型协同宽度神经网络建模方法。该方法首先使用PPLS对BNN输入特征以及增强特征构成的高维数据提取低维隐藏变量,消除数据不确定信息以及冗余特征;基于稀疏表示方法自适应构建样本局部与非局部近邻矩阵,并结合PPLS模型投影矩阵,提出一种新颖的融合模型信息迁移、鉴别流形正则化以及l_(2,p)-范数约束的BNN建模方法,有效增强BNN模型的鲁棒性、建模精度,同时消除数据的随机不确定性;最后给出迭代优化求解方法获取模型最优参数。在不同规模数据集、不同光照和角度图像数据集对所提算法进行仿真验证,结果表明该算法对不同规模数据集均能取得满意的效果;对图像数据集仿真结果表明其具有很强的鲁棒性和泛化性能。

鲁棒PPLS模型及其在过程监控中的应用

概率偏最小二乘(PPLS)模型建立的条件是主元和误差都服从高斯分布,但是高斯分布的期望和方差容易受到离群点的影响,导致模型的鲁棒性较差。针对PPLS模型的不足,提出一种鲁棒概率偏最小二乘(RPPLS)方法,用拖尾更宽的T分布代替高斯分布,通过调整自由度参数,使模型对含离群点数据的拟合效果更好。更进一步,将RPPLS引入过程监控中,提出GT2和GSPE两个监控指标,分别监控过程的受控状态以及模型关系的变化。PPLS和RPPLS在TE过程监控的应用结果表明RPPLS不仅能更准确检测故障的产生,而且能更有效降低故障的漏报率。

基于t分布噪声的鲁棒PPLS回归模型

概率PLS（PPLS）模型中,数据源（主元）和噪声满足正态分布,容易受离群点的影响.鲁棒PPLS算法采用拖尾更长的t分布描述数据源和噪声,提高了模型的鲁棒性.但是,实际工业过程中,离群点由测量噪声导致,而不是由产生过程变量和质量变量的数据源产生.基于此,提出一种基于t分布噪声的鲁棒PPLS模型.该模型采用t分布拟合测量噪声的分布,而主元依然用标准正态分布描述,更符合实际测量状况.考虑到潜在变量的存在,采用极大似然方法结合EM算法对模型的参数进行了估计,并将该模型用于对过程变量和质量变量的回归估计.最后,通过仿真实例进行了验证.