基于即时学习的改进条件高斯回归软测量

作     者：黎宏陶 王振雷 王昕 LI Hongtao;WANG Zhenlei;WANG Xin

作者机构：华东理工大学能源化工过程智能制造教育部重点实验室上海200237 上海交通大学电工与电子技术中心上海200240 

出 版 物：《化工学报》 (CIESC Journal)

年 卷 期：2024年第75卷第6期

页      面：2299-2312页

核心收录：

学科分类：08[工学] 0804[工学-仪器科学与技术] 

基　　金：国家自然科学基金重大项目(62394345) 国家自然科学基金面上项目(22178103,62373154) 国家自然科学基金青年科学基金项目(62203173) 中央高校基本科研业务费专项(222202417006)。 

主　　题：智能感知 数据驱动软测量 预测 即时学习 高斯混合回归 

摘      要：基于数据驱动的在线软测量是当前工业智能化感知的重要研究方向。在算法实际部署中,过程模态切换以及数据漂移都会导致软测量性能下降,传统自适应方法又存在模型单一、模态遗忘等不足。针对上述问题提出一种基于即时学习的样本时空加权条件高斯回归(STWCGR)软测量算法。该方法用概率密度估计和条件概率计算实现软测量建模和预测:首先根据即时学习思想通过样本时空混合加权方法筛选局部建模数据,然后结合高斯混合回归思想累积局部单高斯概率密度模型对数据分布进行拟合,最后引入预测动量更新和模态更新策略提高预测稳定性并赋予模型对新工况的学习适应能力。通过仿真实验验证了所提方法在预测精度、稳定性以及新模态适应能力上的有效性。