D-S与ARIMA结合的多模型软测量技术

"该文提出了一种基于证据理论D-S合成规则和差分自回归滑动平均ARIMA模型的多模型软测量方法，用于改善传统软测量方法在预测性能和融合能力上的不足。通过自适应模糊核聚类和最小二乘支持向量机构建多个子模型，接着使用D-S合成规则确定的权值因子融合子模型输出，最后用ARIMA模型对静态多模型输出进行动态校正。仿真和工业应用结果验证了该方法的有效性。" 在工业过程控制领域，软测量技术是一种重要的工具，它能够预测那些难以直接测量或成本高昂的过程变量。传统的软测量方法往往存在预测精度不高等问题，这限制了其在复杂过程中的应用。针对这些挑战，该文提出了一种创新的方法，将证据理论和ARIMA模型相结合，以构建一个更强大的多模型系统。 证据理论，也称为Dempster-Shafer理论（D-S理论），是一种处理不确定性和证据融合的框架。在这个方法中，D-S合成规则用于将多个子模型的预测结果转化为一个综合的预测输出。每个子模型是由自适应模糊核聚类方法和最小二乘支持向量机（LS-SVM）建立的，这些算法能够识别和学习过程中的非线性关系，并创建多个视角的模型。模糊核聚类提供了对数据的灵活分类，而LS-SVM则是一种有效的非线性模型训练工具，能处理高维和非线性问题。 ARIMA（自回归积分滑动平均）模型在时间序列分析中广泛使用，尤其擅长捕捉数据的季节性、趋势和随机波动。在本文的方法中，ARIMA被用来动态校正由D-S融合规则得到的静态多模型输出，进一步提升预测的准确性和稳定性。ARIMA模型的引入使得软测量系统具备了处理动态变化的能力，这对于实时过程控制至关重要。 仿真和实际工业应用的结果证明了该方法的有效性，展示了良好的预测性能和数据融合能力。这表明，基于D-S和ARIMA的多模型软测量方法能够克服传统方法的局限性，提高过程控制的效率和精度，对于化工和其他相关行业的自动化控制具有显著的价值。 该文提出的多模型软测量方法结合了证据理论的融合优势和ARIMA模型的时间序列分析能力，提供了一种更精确、适应性强的预测工具，对于提升工业过程的监控和决策质量具有积极的影响。这种方法的实施和应用有助于推动智能控制技术的发展，提高工业生产的效率和安全性。