一种基于时序误差补偿的动态软测量建模方法

化工学报 ›› 2010, Vol. 61 ›› Issue (2): 439-443.

一种基于时序误差补偿的动态软测量建模方法

杜文莉，官振强，钱锋

华东理工大学化工过程先进控制和优化技术教育部重点实验室

出版日期:2010-02-05 发布日期:2010-02-05

Dynamic soft sensor modeling based on time series error compensation

DU Wenli，GUAN Zhenqiang，QIAN Feng

Online:2010-02-05 Published:2010-02-05

摘要/Abstract

摘要：

针对目前静态软测量建模方法无法反映工业过程动态信息，造成预测模型精度低、鲁棒性差等问题，提出了一种基于最小二乘支持向量机（LS-SVM）和自回归-滑动平均模型（ARMA）的软测量建模方法。首先，建立了基于LS-SVM的软测量模型，利用ARMA模型对预测误差的动态估计，通过增加动态校正环节，实现了对静态模型的动态校正以改善系统动态响应特性。最后将上述方法用于乙烯精馏过程中乙烷浓度的软测量建模，仿真结果表明：与单一使用LSSVM模型相比，该方法具有跟踪性能好、泛化能力强等优点，是一种有效的软测量建模方法。

关键词:

最小二乘支持向量机, ARMA模型, 软测量, 时间序列, 动态校正

Abstract:

Because static soft sensor modeling can not reflect the dynamic information of industrial processes，which lead to worse estimation precision and robustness.A dynamic soft sensor modeling based on least square vector machine（LS-SVM）and ARMA time series prediction modeling was presented.A static soft sensor model based on LS-SVM was established firstly，and then dynamic correction in the static model was made by using the dynamic estimation of prediction error in ARMA to improve the dynamic response characteristics.Finally，the proposed LSSVM-ARMA was used to predict the concentration of ethane in ethylene distillation.Simulation indicated that this method featured good approximation and good generalization ability as compared with LSSVM，and could be used in soft sensor.

Key words:

最小二乘支持向量机, ARMA模型, 软测量, 时间序列, 动态校正

杜文莉, 官振强, 钱锋. 一种基于时序误差补偿的动态软测量建模方法 [J]. 化工学报, 2010, 61(2): 439-443.

DU Wenli, GUAN Zhenqiang, QIAN Feng. Dynamic soft sensor modeling based on time series error compensation[J]. CIESC Journal, 2010, 61(2): 439-443.

[1]	闫琳琦, 王振雷. 基于STA-BiLSTM-LightGBM组合模型的多步预测软测量建模[J]. 化工学报, 2023, 74(8): 3407-3418.
[2]	邵伟明, 韩文学, 宋伟, 杨勇, 陈灿, 赵东亚. 基于分布式贝叶斯隐马尔可夫回归的动态软测量建模方法[J]. 化工学报, 2023, 74(6): 2495-2502.
[3]	罗顺桦, 王振雷, 王昕. 基于二子空间协同训练算法的半监督软测量建模[J]. 化工学报, 2022, 73(3): 1270-1279.
[4]	陈忠圣, 朱梅玉, 贺彦林, 徐圆, 朱群雄. 基于分位数回归CGAN的虚拟样本生成方法及其过程建模应用[J]. 化工学报, 2021, 72(3): 1529-1538.
[5]	刘聪, 谢莉, 杨慧中. 基于改进DPC的青霉素发酵过程多模型软测量建模[J]. 化工学报, 2021, 72(3): 1606-1615.
[6]	李东, 黄道平, 刘乙奇. 基于协同训练的半监督异构自适应软测量建模方法的研究[J]. 化工学报, 2020, 71(5): 2128-2138.
[7]	杜宇浩, 阎高伟, 李荣, 王芳. 基于局部线性嵌入的测地线流式核多工况软测量建模方法[J]. 化工学报, 2020, 71(3): 1278-1287.
[8]	杨逸俊,王振雷,王昕. 基于最近邻与神经网络融合模型的软测量建模方法[J]. 化工学报, 2020, 71(12): 5696-5705.
[9]	代学志,熊伟丽. 基于核极限学习机的快速主动学习方法及其软测量应用[J]. 化工学报, 2020, 71(11): 5226-5236.
[10]	侯延彬,高宪文,李翔宇. 采油过程多尺度状态特征生成的有杆泵动态液面预测[J]. 化工学报, 2019, 70(S2): 311-321.
[11]	秦美华, 朱红求, 李勇刚, 陈俊名, 张凤雪, 李文婷. 基于STA-K均值聚类的电化学废水处理过程离子浓度软测量[J]. 化工学报, 2019, 70(9): 3458-3464.
[12]	廉小亲, 王俐伟, 安飒, 魏伟, 刘载文. 基于SOM-RBF神经网络的COD软测量方法[J]. 化工学报, 2019, 70(9): 3465-3472.
[13]	吴菁, 刘乙奇, 刘坚, 黄道平, 邱禹, 于广平. 基于动态多核相关向量机的软测量建模研究[J]. 化工学报, 2019, 70(4): 1472-1484.
[14]	吉文鹏, 杨慧中. 基于改进扩张搜索聚类算法的多流形软测量建模[J]. 化工学报, 2019, 70(2): 723-729.
[15]	朱坚, 杨博, 王永健, 唐晓婕, 李宏光. 一种新型的基于Levenshtein距离层次聚类的时序操作优化方法[J]. 化工学报, 2019, 70(2): 581-589.