局部加权偏最小二乘在线多模型建模在TE过程中的应用

"这篇论文探讨了一种用于在线预测田纳西-伊斯曼(TE)化学过程产品流道中各成分含量的多模型建模方法，该方法基于局部加权偏最小二乘法，并结合贝叶斯分类器。" 在田纳西-伊斯曼(TE)化学过程中，由于其高度的非线性、时变性和多操作模式，预测其产品流道中的化学成分含量是一项挑战。论文提出了一种创新的建模策略，即基于局部加权偏最小二乘法的在线多模型建模。这种方法首先根据TE过程的不同操作模式将训练数据划分为不同的子模型数据库，然后利用贝叶斯分类器对实时监测的数据进行模式识别。 贝叶斯分类器用于将在线获取的数据分配到相应的数据库，这样可以确保每个子模型只处理与其对应操作模式相关的数据。随后，论文引入了即时(just-in-time, JIT)建模理念，用局部加权偏最小二乘法建立每个特定操作模式的在线局部模型。局部加权偏最小二乘法是一种统计学习方法，它通过加权邻近数据点的方式，能够更好地适应非线性和局部变化。 在模型预测阶段，贝叶斯分类器对测试数据的后验概率被用作加权系数，这些系数用来融合来自不同局部模型的预测结果，从而得到最终的全局预测输出。这种方法的优点在于，它能够动态调整模型权重，以适应过程中的实时变化。 通过在TE化工过程仿真平台上进行实验，论文展示了该方法在预测产品流道中G和H成分含量方面的准确性和有效性，预测结果与真实值的吻合度高，证明了所提方法在处理非线性、时变多模式过程中的优越预测性能。 该研究工作得到了国家自然科学基金和江苏省相关科研计划的支持，涉及的领域包括工业过程建模、复杂系统优化以及智能算法应用。研究团队成员包括薛明晨、熊伟丽和徐保国教授，他们分别在硕士研究生、副教授和教授级别上从事相关领域的研究工作。 关键词：多模型、贝叶斯分类器、局部加权偏最小二乘法、在线、即时 此研究对于过程控制和工业自动化领域具有重要的理论与实践意义，为处理类似复杂非线性系统的在线预测提供了新的思路和工具。