面向工业过程的概念漂移检测及其应用研究
作者单位：北京工业大学
学位级别：硕士
导师姓名：乔俊飞
授予年度：2021年
学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)]
摘 要：数据驱动建模已广泛用于工业过程中产品质量与污染排放等难测参数的软测量,但这些复杂过程中固有的概念漂移现象会导致模型精度下降。概念漂移多由工业中设备磨损和生产环境变化等因素引起,且其通常难以预知与量化。因此,如何有效识别过程概念变化并准确确定能够表征概念漂移的新样本,是通过历史模型更新提高模型性能首先需要解决的问题。然而,现有的概念漂移检测方法在漂移表征能力、检测时效性和半监督学习中仍具有许多尚未解决的研究难题,且多数方法围绕分类任务展开,仍缺少对实际工业过程中回归测量的应用分析。因此,研究能够有效应用于工业过程的概念漂移检测算法对提升工业软测量模型精度具有重要的意义。针对上述问题,本文分别提出了基于难测参数误差支撑分布假设检验、基于综合评估指标以及联合样本输出与特征空间的概念漂移检测方法,最终将所提方法应用于城市固废焚烧(Municipal Solid Waste Incineration,MSWI)过程中,并设计开发了面向MSWI过程排放污染物的概念漂移检测APP。该论文的主要研究工作包括以下方面:(1)基于难测参数误差支撑分布假设检验的概念漂移检测方法研究。针对基于难测参数测量误差的方法概念表征能力弱、现有研究缺少对回归任务的样本分布分析等问题,提出了一种基于难测参数误差支撑分布假设检验的概念漂移检测方法。首先,在难测参数误差检测窗口采用支持向量回归(Support Vector Regression,SVR)获得实时过程数据中包含的离群样本;接着,在分布假设检验检测窗口计算离群样本与历史样本集间的欧氏距离;最后,结合多种分布检验方法,新定义能够表征离群样本蕴含分布变化的检验漂移度指标,进而实现概念漂移样本的有效识别。采用合成和真实工业过程数据集验证了所提方法的有效性,并表明具有优于已有方法的性能。(2)基于综合评估指标的概念漂移检测方法研究。针对工业过程概念漂移检测时效性要求高、基于样本分布假设检验的方法存在片面性等问题,提出了基于综合评估指标的概念漂移检测方法。首先,采用基于历史样本构建的模型获得新样本的在线测量误差;然后,在误差检测窗口新定义基于绝对与相对误差的误差评估指标,在分布检测窗口定义基于新样本与历史样本集平均欧氏距离的分布评估指标;最后,通过加权上述两个指标新定义综合评估指标以实现概念漂移样本识别,进而与特定历史样本结合以确保旧模型的有效更新。基于合成、基准和真实工业数据集的仿真结果验证了所提方法的有效性。(3)联合样本输出与特征空间的半监督概念漂移检测方法研究。针对现有概念漂移检测方法难以有效应用于难测参数真值获取困难的工业过程,提出了一种联合样本输出与特征空间的半监督概念漂移检测方法。首先,采用基于主成分分析(Principal Component Analysis,PCA)的无监督机制识别特征空间内的概念漂移样本;然后,在样本输出空间采用基于时间差分(Temporal-difference,TD)学习的半监督机制对上述概念漂移样本进行伪真值标注后,再用Page-Hinkley检测法确认能够表征概念漂移的样本;最后,采用上述步骤获得的新样本结合历史样本对模型进行更新。本章基于合成和真实工业过程数据集的仿真结果表明所提方法具有优于已有方法的性能,能够在加强模型漂移适应性的同时有效缩减样本标注成本。(4)面向城市固废焚烧过程排放污染物的概念漂移检测APP开发。首先,分别从用户和功能视角对待开发的APP进行需求分析,进而确定其主要功能为使用户方便、高效地检测概念漂移情况并更新软测量模型。其次,设计并完善了APP的开发方案及技术路线。其中,概念漂移检测算法和基础软测量模型通过Matlab在PC端编程实现,前者采用基于综合评估指标的方法检测样本的输出和特征空间分布变化,后者通过高斯过程回归(Gaussian Process Regression,GPR)模型计算样本的绝对与相对测量误差;采用My SQL数据库存储账户信息、过程数据及算法参数,通过与Intelli J IDEA通讯实现在Android用户端进行用户登陆与注册、过程数据读取、算法参数设置和检测结果显示等功能。最后,使用者可有效检测MSWI过程排放污染物浓度中的概念漂移情况,并根据漂移信息对软测量模型进行一键更新。本软件基于Java语言编写,由Android Studio、Matlab、My SQL和Intelli J IDEA等工具开发完成。
同方学位论文库