多模型动态融合提升自适应软测量：PX吸附分离过程应用

本文主要探讨了"基于多模型动态融合的自适应软测量建模方法"这一主题，发表在2015年10月的《高校化学工程学报》第29卷第5期上，文章编号1003-9015(2015)05-1186-08。作者傅永峰、徐欧官、陈祥华和陈伟杰来自浙江工业大学之江学院，他们针对软测量建模领域中存在的挑战进行了深入研究。 传统的软测量建模中，单个模型往往难以精确捕捉到复杂非线性系统的特性，而多模型方法虽然能提供一定的冗余和鲁棒性，但通常采用静态模型，无法充分反映实际工业过程中系统的动态变化。为了克服这些局限，作者提出了一个创新的建模策略，即利用仿射传播聚类算法对输入样本数据进行分类，每个类别对应一个基于高斯过程回归（Gaussian Process Regression, GPR）的子模型。这种方法的优势在于能够根据不同类别的数据特性，建立更为精准的模型。 高斯过程回归是一种非参数机器学习技术，它通过概率模型来处理不确定性，非常适合处理复杂的函数关系。通过对样本数据的分析，GPR可以生成连续、灵活且具有不确定性度量的预测。然而，单独的子模型可能无法完全适应系统动态变化，因此，作者进一步引入动态Gauss-Markov估计，这是一个统计学中的动态滤波器，用于融合多个模型的估计值，从而实现对系统状态的实时、自适应跟踪。 将这种方法应用到二甲苯(PX)吸附分离过程的纯度软测量建模中，结果显示，这种基于多模型动态融合的方法显著提高了模型对工况变化的适应能力。与传统的静态模型相比，该方法不仅提高了预测精度，还增强了模型的灵活性，证明了其作为有效软测量建模工具的潜力。 本文的研究成果对于改进工业过程中的软测量技术具有重要的理论价值和实践意义，特别是在处理复杂非线性系统动态变化问题时，通过集成多种模型和动态融合策略，可以提升模型的性能，更好地服务于工业过程控制和优化。