文献类型：期刊文章

作　　者：张伟[1] 熊伟丽[2,1] 徐保国[1]

机构地区：[1]江南大学物联网工程学院自动化研究所,江苏无锡214122 [2]轻工过程先进控制教育部重点实验室江南大学,江苏无锡214122

出　　处：《信息与控制》

基　　金：国家自然科学基金资助项目(21206053;21276111);江苏省"六大人才高峰"计划资助项目(2013-DZXX-043);江苏高校优势学科建设工程资助项目(PAPD)

年　　份：2015

卷　　号：44

期　　号：4

起止页码：487-492

语　　种：中文

收录情况：BDHX、BDHX2014、CSCD、CSCD2015_2016、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为提高软测量模型的预测性能,降低化工过程中的非线性、多阶段性和不同的局部动态特性对产品质量的控制产生的影响,提出一种在线不断更新的多模型策略.该方法用高斯混合模型(GMM)对过程的不同阶段进行辨识,并采用一种自适应实时学习(JITL)方法,不断更新所建立的高斯过程回归(GPR)模型.当新的数据到来时,在每个不同的阶段,基于欧氏距离和角度原则选择部分相似的数据,用于建立局部的高斯过程回归模型.最终根据计算得到的新的数据隶属于每个不同阶段的后验概率,对局部模型进行融合输出.与传统的单个模型相比,这种实时学习软测量模型的结构更加灵活,而且能更好地跟踪过程的动态.基于常用的TE(Tennessee Eastman)化工过程,利用本方法对产品的质量进行预测,仿真结果表明了所提方法具有更高的预测精度和更好的泛化性能.

关 键 词：高斯过程回归  实时学习  高斯混合模型 后验概率 多模型  

分 类 号：TP273.2]