前言
作为第二产业当中的一个子项，间歇生产过程是现代社会大生产当中比较有代表性的生产形式之一，因其具有比较好的灵活性、较高的产物附加值及较悠久的发展历史，被应用在诸如制药、食品生产、化工材料制备等领域。然而正因其具有的与连续生产过程所不同的特性，也会随之而来具有比较复杂的生产机理，多样的生产及工况以及多变的生产状态。随着先进的传感器及其对应测量技巧的应用及发展，在不断的生产过程中累积下了大量的数据，这样的数据中不免会包含着没有被挖掘出来的信息。基于数据驱动的多元统计算法可以利用这些已有的数据对相应的过程实施过程监控、故障检测和诊断、质量预测及软测量的功能，对实现相关工业过程的过程效果评估、安全生产、问题原因分析、过程优化及在线控制有着不小的帮助。
基于间歇工业生产过程对过程在线质量预测的需求，本书对间歇过程本身特性，包括生产规律及数据存在形式进行了分析，利用多元统计算法的优势，提出了系列针对间歇过程的质量预测方法，为间歇过程的过程优化及安全生产尽了一份力量。主要研究内容如下:
(1)对传统的线性多向PLS(MPLS)方法进行深入分析和改进研究。分析了基于不同展开方式的传统MPLS方法实际应用中各自存在的优缺点，在此基础上，提出一种改进的MPLS方法，用于间歇过程的故障监控、诊断及质量预测。首先该方法结合传统展开方式的优势，把变量展开与批次展开相结合，提高監控预测性能;其次，采用随时间更新主元协方差代替固定主元协方差，改善T2监控图的监控性能;最后给出一种随时间变化的贡献图计算方法。仿真实验结果表明、改进方法确实能改善传统MPLS的监控性能及预测性能，且具有一定
的故障识别能力。
(2)提出一种二维搜索相似样本的JITL-MPLS在线局部建模监测方法。分析了即时学习(Just-in- Time Learning，JITL)策略对发酵过程实行监测过程中存在的优缺点，在此基础上，提出一种兼顾采样时刻与相似度的即时学习策略。针对发酵过程批次内和批次间的动态性问题，将采样时刻引入到相似样本搜索过程当中。利用过程的相似样本占比识别过程的动态性，自适应地调整时间窗的窗长，再结合累计相似贡献率进行建模样本选取，构建JLMPLS模型。通过 Pensim仿真平台产生的正常和故障数据验证了此方法的可行性与优越性。
(3)针对间歇过程的多阶段局部模型选择问题，提出一种基于快速的间歇过程质量预测Just in Time Learning- Multiway Partial Least Squares(JITL-MPLS)方法。该方法以PLS为主算法，以沿变量展开的方式对间歇过程的三向数据进行展开，采用模糊C均值聚类与即时学习算法对数据进行预聚类以避免数据量过多而导致的在线建模运算负荷的问题。考虑到部分间歇过程存在的潜在的大周期特性，在在线训练模型构建阶段保持全部历史数据为候选数据的前提下提高了在线质量预测过程的实时性。经对青霉素仿真平台和大肠杆菌工业过程的应用，相较于一般类似算法，所提出的算法能够在相同情况下提高系统的运算速度，同时能够保持算法对新参数较低的敏感度以提高算法自身的鲁棒性，维持算法的预测精度在相同的等级。
(4)针对MPLS算法特别是局部MPLS算法在故障情况下缺乏样本重选机制的问题，提出了一种基于局部样本重选的过程故障下MPLS质量预测方法。如若在轻微故障下继续进行生产，传统局部算法的相似度度量机制在遇到故障导致的变量偏移的情况时容易产生在线训练样本选择的误差从而导致模型精度的下降，所提出的方法考虑到这个问题，以过程监控贡献图幅值超限程度为判断标准、与离线阶段选择出的稳定变量为动态时间规整指标对历史数据进行建模数据重选，建立新的局部预测模型对过程进行报警的同时进行质量预测。通过对青霉素仿真平台及大肠杆菌发酵过程的测试说明相对于传统方法，所提出的算法能够一定程度上保持对过程在非严重故障下的质量预测精度。
(5)对局部即时学习方法的在线训练数据库选择方式进行了分析，考虑到间歇过程生产不同阶段数据量不同的状况，提出了针对间歇数据的局部自适应JITL-MPLS方法。该策略结合了间歇过程特有的批次特性，与原有的相似性度量函数协同，通过动态地限制即时学习算法在一个合理的范围之内来控制在线训练数据库构建时的候选数据的数量，对每一次采样建立的模型进行调整。通过对青霉素的实验验证了所提出的算法相较于传统方法能够提高对质量数据的预测精度。之后，通过对实验结果的分析，提出了一种新的模型预测效果评价指标，相对于预测精度，新的评价指标着重衡量算法预测效果的稳定性。
(6)基于 MKPLS的间歇过程监控与质量预测方法研究，改进的MPLS在性能上有所提高，但是这始终是线性方法，而大多数间歇过程都具有强非线性等特点，监控方面会出现大量误报漏报，且预测性能低。研究了基于核函数的核偏最小二乘(KPLS)方法，讨论了KPLS方法应用于间歇过程监控时存在的些缺陷和问题。在此基础上，提出一种基于FS特征提取方法的AT- MKPLS方法。该方法采用AT方法对三维数据进行变换，保留了批次信息;对于核映射时数据量庞大无法运算的问题，采用FS特征提取的方法对样本进行简化，提取最简矩阵，然后采用KPLS方法提取过程的非线性信息;最后将该方法应用于一个数值非线性过程和间歌发酵过程，并与传统MPLS和改进MPLS方法进行比较，验证了该方法在监控及预测方面性能的有效性。
(7)将核方法引入到即时学习策略中扩展核参数的取值范围，JTL策略属于局部建模策略，能够在一定程度上减弱数据的非线性，但是在某些阶段非线性特征依然明显，对JTL-MPLS模型影响较大。本书将核方法( KemelMethods，KM)引入到即时学习策略中，将非线性数据映射为线性数据，使得核空间中所建立的线性监测模型也能够有较高的精度。由于即时学习策略的相似样本以当前采样点为欧式空间的中心，而非离线建模的聚类中心，所以能铭进行较好的局部线性化，从而扩展核参数的取值范围，降低了核参数的设置难度最终取得了较好的故障监测效果。
(8)提出一种基于残差更新判断的 JITL-MKPLS监测方法，传统的即时学习策略属于懒惰学习，即每采集到一个数据将进行一次完整建模步骤，这样在监测比较稳定的阶段时会造成大量的计算浪费，影响系统响应其他操作。本书利用了多向核偏最小二乘(Muli- way Kernel Partial Least Squares， MKPLS)的回归特性，通过对比回归残差判断模型是否需要更新，从而减少了模型更新次数。模型更新判断机制在保证了与传统JTL建模精度相类似的前提下，大幅减少了计算量，扩展了本方法的应用范围。
书单推荐
