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。

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.

软测量建模技术在常减压装置的研究与应用

针对常减压装置常压塔的过程数据存在多种不确定性,其软测量模型受多种因素的相互影响,普适性较差的问题,为了实现数据预处理,分别使用小波和盒图组合的算法进行基于单变量的异常识别、鲁棒偏最小二乘方法(RPLS)进行基于多变量的异常识别;运用网格搜索法对再采样间隔和最大滞后时间对模型性能的影响进行了研究。优选出最佳动态输入变量后,对比偏最小二乘(PLS)、人工神经网络(ANN)和支持向量机(SVM)等方法的软测量模型效果,优选最佳的建模方法。依据常减压工艺数据的特点,提出运用移动窗口的方法进行模型的在线更新,从而形成实用的常压塔顶石脑油干点软测量建模方法。经测试,该方法具有良好的准确性和普适性。