前言

作為第二產(chǎn)業(yè)當(dāng)中的一個(gè)子項(xiàng)，間歇生產(chǎn)過程是現(xiàn)代社會(huì)大生產(chǎn)當(dāng)中比較有代表性的生產(chǎn)形式之一，因其具有比較好的靈活性、較高的產(chǎn)物附加值及較悠久的發(fā)展歷史，被應(yīng)用在諸如制藥、食品生產(chǎn)、化工材料制備等領(lǐng)域。然而正因其具有的與連續(xù)生產(chǎn)過程所不同的特性，也會(huì)隨之而來(lái)具有比較復(fù)雜的生產(chǎn)機(jī)理，多樣的生產(chǎn)及工況以及多變的生產(chǎn)狀態(tài)。隨著先進(jìn)的傳感器及其對(duì)應(yīng)測(cè)量技巧的應(yīng)用及發(fā)展，在不斷的生產(chǎn)過程中累積下了大量的數(shù)據(jù)，這樣的數(shù)據(jù)中不免會(huì)包含著沒有被挖掘出來(lái)的信息�；�于數(shù)據(jù)驅(qū)動(dòng)的多元統(tǒng)計(jì)算法可以利用這些已有的數(shù)據(jù)對(duì)相應(yīng)的過程實(shí)施過程監(jiān)控、故障檢測(cè)和診斷、質(zhì)量預(yù)測(cè)及軟測(cè)量的功能，對(duì)實(shí)現(xiàn)相關(guān)工業(yè)過程的過程效果評(píng)估、安全生產(chǎn)、問題原因分析、過程優(yōu)化及在線控制有著不小的幫助。

基于間歇工業(yè)生產(chǎn)過程對(duì)過程在線質(zhì)量預(yù)測(cè)的需求，本書對(duì)間歇過程本身特性，包括生產(chǎn)規(guī)律及數(shù)據(jù)存在形式進(jìn)行了分析，利用多元統(tǒng)計(jì)算法的優(yōu)勢(shì)，提出了系列針對(duì)間歇過程的質(zhì)量預(yù)測(cè)方法，為間歇過程的過程優(yōu)化及安全生產(chǎn)盡了一份力量。主要研究?jī)?nèi)容如下:

(1)對(duì)傳統(tǒng)的線性多向PLS(MPLS)方法進(jìn)行深入分析和改進(jìn)研究。分析了基于不同展開方式的傳統(tǒng)MPLS方法實(shí)際應(yīng)用中各自存在的優(yōu)缺點(diǎn)，在此基礎(chǔ)上，提出一種改進(jìn)的MPLS方法，用于間歇過程的故障監(jiān)控、診斷及質(zhì)量預(yù)測(cè)。首先該方法結(jié)合傳統(tǒng)展開方式的優(yōu)勢(shì)，把變量展開與批次展開相結(jié)合，提高監(jiān)控預(yù)測(cè)性能;其次，采用隨時(shí)間更新主元協(xié)方差代替固定主元協(xié)方差，改善T2監(jiān)控圖的監(jiān)控性能;最后給出一種隨時(shí)間變化的貢獻(xiàn)圖計(jì)算方法。仿真實(shí)驗(yàn)結(jié)果表明、改進(jìn)方法確實(shí)能改善傳統(tǒng)MPLS的監(jiān)控性能及預(yù)測(cè)性能，且具有一定

的故障識(shí)別能力。

(2)提出一種二維搜索相似樣本的JITL-MPLS在線局部建模監(jiān)測(cè)方法。分析了即時(shí)學(xué)習(xí)(Just-in- Time Learning，JITL)策略對(duì)發(fā)酵過程實(shí)行監(jiān)測(cè)過程中存在的優(yōu)缺點(diǎn)，在此基礎(chǔ)上，提出一種兼顧采樣時(shí)刻與相似度的即時(shí)學(xué)習(xí)策略。針對(duì)發(fā)酵過程批次內(nèi)和批次間的動(dòng)態(tài)性問題，將采樣時(shí)刻引入到相似樣本搜索過程當(dāng)中。利用過程的相似樣本占比識(shí)別過程的動(dòng)態(tài)性，自適應(yīng)地調(diào)整時(shí)間窗的窗長(zhǎng)，再結(jié)合累計(jì)相似貢獻(xiàn)率進(jìn)行建模樣本選取，構(gòu)建JLMPLS模型。通過 Pensim仿真平臺(tái)產(chǎn)生的正常和故障數(shù)據(jù)驗(yàn)證了此方法的可行性與優(yōu)越性。

(3)針對(duì)間歇過程的多階段局部模型選擇問題，提出一種基于快速的間歇過程質(zhì)量預(yù)測(cè)Just in Time Learning- Multiway Partial Least Squares(JITL-MPLS)方法。該方法以PLS為主算法，以沿變量展開的方式對(duì)間歇過程的三向數(shù)據(jù)進(jìn)行展開，采用模糊C均值聚類與即時(shí)學(xué)習(xí)算法對(duì)數(shù)據(jù)進(jìn)行預(yù)聚類以避免數(shù)據(jù)量過多而導(dǎo)致的在線建模運(yùn)算負(fù)荷的問題�？紤]到部分間歇過程存在的潛在的大周期特性，在在線訓(xùn)練模型構(gòu)建階段保持全部歷史數(shù)據(jù)為候選數(shù)據(jù)的前提下提高了在線質(zhì)量預(yù)測(cè)過程的實(shí)時(shí)性。經(jīng)對(duì)青霉素仿真平臺(tái)和大腸桿菌工業(yè)過程的應(yīng)用，相較于一般類似算法，所提出的算法能夠在相同情況下提高系統(tǒng)的運(yùn)算速度，同時(shí)能夠保持算法對(duì)新參數(shù)較低的敏感度以提高算法自身的魯棒性，維持算法的預(yù)測(cè)精度在相同的等級(jí)。

(4)針對(duì)MPLS算法特別是局部MPLS算法在故障情況下缺乏樣本重選機(jī)制的問題，提出了一種基于局部樣本重選的過程故障下MPLS質(zhì)量預(yù)測(cè)方法。如若在輕微故障下繼續(xù)進(jìn)行生產(chǎn)，傳統(tǒng)局部算法的相似度度量機(jī)制在遇到故障導(dǎo)致的變量偏移的情況時(shí)容易產(chǎn)生在線訓(xùn)練樣本選擇的誤差從而導(dǎo)致模型精度的下降，所提出的方法考慮到這個(gè)問題，以過程監(jiān)控貢獻(xiàn)圖幅值超限程度為判斷標(biāo)準(zhǔn)、與離線階段選擇出的穩(wěn)定變量為動(dòng)態(tài)時(shí)間規(guī)整指標(biāo)對(duì)歷史數(shù)據(jù)進(jìn)行建模數(shù)據(jù)重選，建立新的局部預(yù)測(cè)模型對(duì)過程進(jìn)行報(bào)警的同時(shí)進(jìn)行質(zhì)量預(yù)測(cè)。通過對(duì)青霉素仿真平臺(tái)及大腸桿菌發(fā)酵過程的測(cè)試說(shuō)明相對(duì)于傳統(tǒng)方法，所提出的算法能夠一定程度上保持對(duì)過程在非嚴(yán)重故障下的質(zhì)量預(yù)測(cè)精度。

(5)對(duì)局部即時(shí)學(xué)習(xí)方法的在線訓(xùn)練數(shù)據(jù)庫(kù)選擇方式進(jìn)行了分析，考慮到間歇過程生產(chǎn)不同階段數(shù)據(jù)量不同的狀況，提出了針對(duì)間歇數(shù)據(jù)的局部自適應(yīng)JITL-MPLS方法。該策略結(jié)合了間歇過程特有的批次特性，與原有的相似性度量函數(shù)協(xié)同，通過動(dòng)態(tài)地限制即時(shí)學(xué)習(xí)算法在一個(gè)合理的范圍之內(nèi)來(lái)控制在線訓(xùn)練數(shù)據(jù)庫(kù)構(gòu)建時(shí)的候選數(shù)據(jù)的數(shù)量，對(duì)每一次采樣建立的模型進(jìn)行調(diào)整。通過對(duì)青霉素的實(shí)驗(yàn)驗(yàn)證了所提出的算法相較于傳統(tǒng)方法能夠提高對(duì)質(zhì)量數(shù)據(jù)的預(yù)測(cè)精度。之后，通過對(duì)實(shí)驗(yàn)結(jié)果的分析，提出了一種新的模型預(yù)測(cè)效果評(píng)價(jià)指標(biāo)，相對(duì)于預(yù)測(cè)精度，新的評(píng)價(jià)指標(biāo)著重衡量算法預(yù)測(cè)效果的穩(wěn)定性。

(6)基于 MKPLS的間歇過程監(jiān)控與質(zhì)量預(yù)測(cè)方法研究，改進(jìn)的MPLS在性能上有所提高，但是這始終是線性方法，而大多數(shù)間歇過程都具有強(qiáng)非線性等特點(diǎn)，監(jiān)控方面會(huì)出現(xiàn)大量誤報(bào)漏報(bào)，且預(yù)測(cè)性能低。研究了基于核函數(shù)的核偏最小二乘(KPLS)方法，討論了KPLS方法應(yīng)用于間歇過程監(jiān)控時(shí)存在的些缺陷和問題。在此基礎(chǔ)上，提出一種基于FS特征提取方法的AT- MKPLS方法。該方法采用AT方法對(duì)三維數(shù)據(jù)進(jìn)行變換，保留了批次信息;對(duì)于核映射時(shí)數(shù)據(jù)量龐大無(wú)法運(yùn)算的問題，采用FS特征提取的方法對(duì)樣本進(jìn)行簡(jiǎn)化，提取最簡(jiǎn)矩陣，然后采用KPLS方法提取過程的非線性信息;最后將該方法應(yīng)用于一個(gè)數(shù)值非線性過程和間歌發(fā)酵過程，并與傳統(tǒng)MPLS和改進(jìn)MPLS方法進(jìn)行比較，驗(yàn)證了該方法在監(jiān)控及預(yù)測(cè)方面性能的有效性。

(7)將核方法引入到即時(shí)學(xué)習(xí)策略中擴(kuò)展核參數(shù)的取值范圍，JTL策略屬于局部建模策略，能夠在一定程度上減弱數(shù)據(jù)的非線性，但是在某些階段非線性特征依然明顯，對(duì)JTL-MPLS模型影響較大。本書將核方法( KemelMethods，KM)引入到即時(shí)學(xué)習(xí)策略中，將非線性數(shù)據(jù)映射為線性數(shù)據(jù)，使得核空間中所建立的線性監(jiān)測(cè)模型也能夠有較高的精度。由于即時(shí)學(xué)習(xí)策略的相似樣本以當(dāng)前采樣點(diǎn)為歐式空間的中心，而非離線建模的聚類中心，所以能銘進(jìn)行較好的局部線性化，從而擴(kuò)展核參數(shù)的取值范圍，降低了核參數(shù)的設(shè)置難度最終取得了較好的故障監(jiān)測(cè)效果。

(8)提出一種基于殘差更新判斷的 JITL-MKPLS監(jiān)測(cè)方法，傳統(tǒng)的即時(shí)學(xué)習(xí)策略屬于懶惰學(xué)習(xí)，即每采集到一個(gè)數(shù)據(jù)將進(jìn)行一次完整建模步驟，這樣在監(jiān)測(cè)比較穩(wěn)定的階段時(shí)會(huì)造成大量的計(jì)算浪費(fèi)，影響系統(tǒng)響應(yīng)其他操作。本書利用了多向核偏最小二乘(Muli- way Kernel Partial Least Squares， MKPLS)的回歸特性，通過對(duì)比回歸殘差判斷模型是否需要更新，從而減少了模型更新次數(shù)。模型更新判斷機(jī)制在保證了與傳統(tǒng)JTL建模精度相類似的前提下，大幅減少了計(jì)算量，擴(kuò)展了本方法的應(yīng)用范圍。