基于全局局部鉴别分析的高斯回归模型的间歇过程质量预测
Journal of Southeast University(English Edition)(2015)
摘要
由于过程操作阶段的复杂性及系统的不确定性使得传统的单模态模型策略为病态,因此提出了一种全局局部鉴别分析(GLDA)的高斯过程回归(GPR)方法用于非线性多阶段暂态过程的质量预测.首先,将采集数据按批次方向展开,并采用隐马尔科夫模型(HMM)识别不同的操作阶段.其次,利用GLDA算法提取与质量变量高度相关的过程变量,降低建模的复杂度.在该降维后的子空间,为所有识别出的操作阶段建立多个局部GPR模型.利用HMM状态估计将测试批次的每个测量样本以最大似然估计的方式划分到对应的阶段中.最后,选出与具体阶段相对应的局部GPR模型进行在线预测.利用多阶段的青霉素发酵过程验证了所提预测方法的有效性.结果表明,与常规的GPR模型及基于HMM的GPR模型相比,提出的GLDA-GPR方法更具优势.
更多关键词
quality prediction,global-local discriminant analysis,Gaussian process regression,hidden Markov model,soft sensor
AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要