复杂工业数据驱动的过程变量预测方法

发布时间：2022-10-21 10:37

　　工业生产过程变量的准确预测可以为工业系统的调度及决策工作提供重要指导,也是预测控制技术的重要组成部分。目前,基于数据的预测方法被广泛应用于生产过程变量预测中。然而鉴于工业数据普遍具有高噪声、含缺失点等特点,难以准确拟合过程变量之间的复杂非线性关系,从而使得对模型精度的提升提出了巨大挑战。因此,本文研究了复杂工业数据驱动的过程变量预测方法,具体内容如下:针对过程变量预测中的特征选择问题,提出一种基于局部线性化变分推理的嵌入式特征选择模型。通过一种基于局部线性化的后验概率高斯近似方法,解决了核函数参数的后验变分概率分布估计问题,进而对相关特征做出选择。此外,相比于普遍采用的点估计而言,本文推导出模型中其他参数的后验概率。针对输入数据不确定性的建模问题,提出一种考虑输入噪声的相关向量机预测模型。鉴于直接考虑含输入噪声建模会导致边缘似然函数的精确解难以计算,设计了一种基于完全期望和完全方差准则的边缘似然函数高斯近似方法,并针对该模型权值的后验概率推理问题,采用马尔科夫链-蒙特卡洛抽样方法来近似估计权值后验分布的均值和协方差矩阵。考虑工业时间序列训练样本集存在缺失点的情况,提出一种基于相关向量机... 

【文章页数】：122 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
主要符号表
1 绪论
    1.1 研究背景及意义
    1.2 基于数据的生产过程变量预测方法
        1.2.1 特征选择
        1.2.2 预测模型建模与参数优化
    1.3 概率型机器学习方法综述
        1.3.1 稀疏贝叶斯学习及相关向量机
        1.3.2 输入含不确定性的数据驱动建模
        1.3.3 非完备数据集建模
        1.3.4 嵌入式特征选择方法
    1.4 主要研究内容
2 基于局部线性化变分推理的嵌入式特征选择
    2.1 带有ARD核函数的RVM回归模型
    2.2 RVM-ARDK模型的变分推理学习算法
        2.2.1 核函数参数s的后验变分分布
        2.2.2 其他参数的后验变分分布
    2.3 VRVM-ARDK模型训练算法和模型选择
    2.4 VRVM-ARDK模型的预测分布
    2.5 VRVM-ARDK分类模型
    2.6 仿真实验与分析
        2.6.1 人工数据集
        2.6.2 标准数据集
        2.6.3 磨矿过程溢流粒度数据集
    2.7 本章小节
3 考虑输入噪声的工业过程变量预测
    3.1 考虑输入噪声的RVM回归模型
    3.2 边缘似然函数的高斯近似
    3.3 权值向量后验概率的随机抽样近似
    3.4 预测分布
    3.5 仿真实验与分析
        3.5.1 人工数据集
        3.5.2 标准数据集
        3.5.3 高炉煤气柜柜位数据集
    3.6 本章小结
4 针对不完整训练数据集的工业时间序列预测
    4.1 针对不完整训练集的RVM模型
        4.1.1 模型表达
        4.1.2 基于EM算法的输出缺失值估计
        4.1.3 基于边缘似然函数优化的输出缺失值估计
    4.2 预测分布和模型选择
    4.3 两种算法对比和计算复杂度分析
    4.4 仿真实验与分析
        4.4.1 含噪声Rossler时间序列数据
        4.4.2 地铁交通数据集
        4.4.3 高炉煤气管网受入流量数据集
        4.4.4 焦炉消耗BFG流量数据集
        4.4.5 RVM-ITS模型的计算效率对比
    4.5 本章小结
5 针对不完整测试样本的工业时间序列区间预测
    5.1 基于RVM回归的高阶动态贝叶斯网络
    5.2 基于RVM的高阶动态贝叶斯网的学习
        5.2.1 网络参数的稀疏贝叶斯学习
        5.2.2 DBN-RVM模型的结构学习
    5.3 测试样本含缺失点条件下的近似推理及预测区间构造
    5.4 DBN-RVM模型的变分推理算法
        5.4.1 缺失节点的最优变分推理
        5.4.2 预测节点的推理
        5.4.3 求期望的计算细节
        5.4.4 计算复杂度分析
    5.5 仿真实验与分析
        5.5.1 含噪声的MackeyGlass时间序列数据集
        5.5.2 高炉煤气管网受入流量数据集
    5.6 本章小结
6 结论与展望
    6.1 结论
    6.2 创新点摘要
    6.3 展望
参考文献
附录A VRVM-ARDK模型中正定矩阵∑_s的证明
附录B VRVM-ARDK模型的求期望计算
攻读博士学位期间科研项目及科研成果
致谢
作者简介


【参考文献】：
期刊论文
[1]基于自适应动态规划的矿渣微粉生产过程跟踪控制[J]. 王康,李晓理,贾超,宋桂芝.  自动化学报. 2016(10)
[2]基于多目标分层遗传模糊建模的磨矿过程溢流粒度软测量[J]. 赵珺,崔庆磊,刘颖,王伟.  控制与决策. 2015(12)
[3]全局优化视角下的有色冶金过程建模与控制[J]. 周晓君,阳春华,桂卫华.  控制理论与应用. 2015(09)
[4]一种基于预测控制的SaaS系统自适应方法[J]. 熊伟,李兵,陈军,周华昱.  计算机学报. 2016(02)
[5]基于坐标补偿的自动泊车系统无模型自适应控制[J]. 侯忠生,董航瑞,金尚泰.  自动化学报. 2015(04)
[6]选矿过程精矿品位自适应在线支持向量预测方法[J]. 刘长鑫,丁进良,姜波,柴天佑.  控制理论与应用. 2014(03)
[7]针铁矿法沉铁过程亚铁离子浓度预测[J]. 谢世文,谢永芳,阳春华,蒋朝辉,桂卫华.  自动化学报. 2014(05)
[8]电熔镁砂产品单吨能耗混合预报模型[J]. 吴志伟,柴天佑,吴永建.  自动化学报. 2013(12)
[9]炼焦生产过程综合生产指标的改进神经网络预测方法[J]. 王伟,吴敏,雷琪,曹卫华.  控制理论与应用. 2009(12)
[10]基于核偏最小二乘法的动态预测模型在铜转炉吹炼中的应用[J]. 宋海鹰,桂卫华,阳春华,彭小奇.  中国有色金属学报. 2007(07)



本文编号：3695472