CN108492026A - 一种基于集成正交成分最优化回归分析的软测量方法 - Google Patents

一种基于集成正交成分最优化回归分析的软测量方法 Download PDF

Info

Publication number
CN108492026A
CN108492026A CN201810233450.3A CN201810233450A CN108492026A CN 108492026 A CN108492026 A CN 108492026A CN 201810233450 A CN201810233450 A CN 201810233450A CN 108492026 A CN108492026 A CN 108492026A
Authority
CN
China
Prior art keywords
regression
particle
algorithm
models
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810233450.3A
Other languages
English (en)
Other versions
CN108492026B (zh
Inventor
童楚东
俞海珍
朱莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo University
Original Assignee
Ningbo University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ningbo University filed Critical Ningbo University
Priority to CN201810233450.3A priority Critical patent/CN108492026B/zh
Publication of CN108492026A publication Critical patent/CN108492026A/zh
Application granted granted Critical
Publication of CN108492026B publication Critical patent/CN108492026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395Quality analysis or management

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于集成正交成分最优化回归分析的软测量方法,旨在解决如何集成考虑多种类型的正交成分回归算法,并使用最优化的思想建立软测量模型这一问题。具体来讲,本发明方法首先分别利用主成分回归(PCR)算法、独立成分回归(ICR)、和偏最小二乘回归(PLSR)算法建立三个正交成分回归模型,然后利用回归模型的预测值再次预测质量数据,所不同的是利用回归模型预测值再次预测质量数据时是采用粒子群算法得到回归系数向量。与传统方法相比,本发明方法考虑了多个正交成分回归模型,并通过最优化的回归系数向量预测输出质量指标。因此本发明方法对质量指标的预测精度不会低于其中任何一种回归模型,软测量性能得到了充分保证。

Description

一种基于集成正交成分最优化回归分析的软测量方法
技术领域
本发明涉及一种工业软测量方法,尤其涉及一种基于集成正交成分最优化回归分析的软测量方法。
背景技术
维持企业产品质量稳定性是提高企业市场竞争能力与品牌效应的根本途径,这些直接或间接能反应产品质量的关键变量通常使用在线分析手段或者离线化验分析方法来获取。然而,在线分析仪器价格高昂、维护成本较高;而离线化验分析需要较长时间测得相应数据,造成严重的滞后,无法及时反映当前质量状况。为了能以低成本实时获取产品质量信息,软测量技术应运而生。其基本思想在于:利用与质量指标相关的其他容易测量的过程变量,估计出质量指标变量的测量值以便实时监控产品的质量信息。从软测量方法的基本思想可以看出,软测量技术的实施关键在于建立输入与输出之间的关系模型。
在当前已有的文献与专利资料中,软测量模型的建模算法主要有:统计回归法、神经网络、支持向量机等。神经网络与支持向量机所建立的输入-输出模型精度较高,但通常适用于数据量充分以及非线性特性很强的条件下。相比之下,统计回归法所需的数据量较小,而且训练时间很短,已越来越多地被应用在软测量建模领域。常见的统计回归算法有主成分回归(Principal Component Regression,PCR)算法、独立成分回归(IndependentComponent Regression,ICR)算法、以及偏最小二乘回归(Partial Least SquareRegression,PLSR)等等。这三类典型的统计回归算法的共同特点在于将输入数据通过投影变换后,转换得到少数几个正交的潜在特征成分,然后利用这些正交成分软测量出相应的质量指标数据。在某种程度上,可以将PCR、ICR、以及PLSR统称为正交成分回归算法。
然而,PCR、ICR、和PLSR在建立软测量模型时都是单独使用的,针对不同对象通常能取得不同的软测量效果,没有哪种算法一直最好,哪种算法一直最差的说法。鲜有综合考虑这三类算法同时使用的研究文献或专利,都只是停留在对单个算法实施改进的层面上。另外,值得一提的是PCR与ICR算法实际都涉及到提取相应正交成分后进行最小二乘回归预测输出。然而,最小二乘作为一种最基本的算法思想,未能从最优回归的角度预测模型输出。因此,最优化回归的问题也是同样值得进一步研究的。
发明内容
本发明所要解决的主要技术问题是:如何集成考虑上述三类正交成分回归算法,并使用最优化的思想建立软测量模型。为此,本发明提供一种基于集成正交成分最优化回归分析的软测量方法。本发明方法首先分别建立三个回归模型,然后利用回归模型的预测值再次预测质量数据,所不同的是利用回归模型预测值再次预测质量数据时是采用粒子群算法得到回归系数向量。
本发明解决上述技术问题所采用的技术方案为:一种基于集成正交成分最优化回归分析的软测量方法,包括以下步骤:
(1)从生产过程的历史数据库中找出容易测量变量所对应的采样数据组成输入矩阵X∈Rn×m,能直接或间接反映产品质量的指标所对应的数据组成输出向量y∈Rn×1。其中,n为训练样本数,m为过程测量变量数,R为实数集,Rn×m表示n×m维的实数矩阵。
值得注意的是,若是质量数据的采样频率低于容易测量数据的采样频率,可将每个质量数据样本进行复制,从而使输入与输出样本个数相等。
(2)对输入X按照列实施标准化处理,即每一列数据都减去其各自列的均值后再除以各自列的标准差,得到标准化后的输入
(3)计算输出质量数据y的均值μ与标准差σ,根据公式实施标准化处理。
(4)利用主成分回归(PCR)算法建立输入与输出之间的软测量模型,即:
上式中,矩阵中包含了d个相互正交的主成分,Θ1为PCR模型的回归系数向量,e1为回归模型残差,P为PCR模型的投影变换矩阵。
(5)利用独立成分回归(ICR)算法建立输入与输出之间的软测量模型,即:
上式中,矩阵中包含了k个相互正交的独立成分,Θ2为ICR模型的回归系数向量,e2为回归模型残差,W为ICR模型的投影变换矩阵。
(6)利用偏最小二乘回归(PLSR)算法建立输入与输出之间的软测量模型,即:
上式中,矩阵中包含了r个相互正交的特征成分,Θ3为ICR模型的回归系数向量,e3为回归模型残差,Q为PLSR模型的投影变换矩阵。
(7)令y1=TΘ1、y2=SΘ2、以及y3=UΘ3后,使用粒子群优化算法最优求解回归系数向量b=[b1,b3,b3]T∈R3×1,具体的实施过程如下所示:
①设置粒子群优化算法的参数,包括最大迭代次数Imax≥1000、加速常数c1=c2=2、粒子群总数N=max{20,5m}、惯性权δ重按照如下所示公式从最大值δmax=1.2线性递减到δmax=0.4:
上式中,iter表示当前迭代次数;
②置iter=0后,任意初始化N个粒子o1,o2,…,oN,其中粒子oi∈R3×1的元素皆随机取值于区间[-3,3],i=1,2,…,N;
③根据公式计算每个粒子oi所对应的适应度值Ji
④记录当前迭代次数中最小适应度值所对应的粒子为Ω1,将整个迭代历史中取得最小适应度值的粒子记为Ω2,并依照如下所示公式更新各粒子的运行速度vi∈R3×1
vi=δ·vi1·rand1·(Ω2-oi)+β2·rand2·(Ω1-oi) (5)
上式中,rand1和rand2皆是在区间[0,1]内的任意随机数;
⑤按照公式oi=oi+vi更新每个粒子的位置,并按照如下所示规则对元素进行修正:
上式中oi,j表示粒子oi中的第j个元素,j=1,2,3;
⑥判断是否满足条件iter<Imax?若是,置iter=iter+1后返回③;若否,将Ω2作为最优化的回归系数向量b。
(8)采集新时刻易测量变量的样本数据x∈Rl×m,对其实施与步骤(3)中输入X相同的标准化处理得到
(9)根据公式分别计算不同回归模型对输出的预测值z1、z2、和z3
(10)利用最优化的回归系数向量b计算最终的质量指标预测值那么,最终的产品质量指标的估计值为
与现有方法相比,本发明方法的优势在于:
本发明方法综合考虑了多个正交成分回归模型对输出的预测值,并通过最优化的回归系数向量预测输出质量指标。因此本发明方法对质量指标的预测精度不会低于其中任何一种回归模型,软测量性能得到了充分保证。可以说,本发明方法是一种更为优选的软测量方法。
附图说明
图1为本发明方法的实施流程图。
图2为本发明方法的预测精度对比图。
具体实施方式
下面结合附图对本发明方法进行详细的说明。
如图1所示,本发明公开一种基于集成正交成分最优化回归分析的软测量方法。下面结合一个具体的工业过程的例子来说明本发明方法的具体实施过程,以及相对于现有方法的优越性。
应用对象是来自于美国田纳西-伊斯曼(TE)化工过程实验,原型是伊斯曼化工生产车间的一个实际工艺流程。目前,TE过程因其流程的复杂性,已作为一个标准实验平台被广泛用于过程监测与软测量研究。整个TE过程包括22个测量变量、12个操作变量、和19个成分测量变量。此实施案例中选择如表1所示的33个容易测量的变量作为输入,而将TE过程在净化设备端产品A的成分信息作为输出质量指标。
表1:TE过程监测变量。
序号 变量描述 序号 变量描述 序号 变量描述
1 物料A流量 12 分离器液位 23 D进料阀门位置
2 物料D流量 13 分离器压力 24 E进料阀门位置
3 物料E流量 14 分离器塔底流量 25 A进料阀门位置
4 总进料流量 15 汽提塔等级 26 A和C进料阀门位置
5 循环流量 16 汽提塔压力 27 压缩机循环阀门位置
6 反应器进料 17 汽提塔底部流量 28 排空阀门位置
7 反应器压力 18 汽提塔温度 29 分离器液相阀门位置
8 反应器等级 19 汽提塔上部蒸汽 30 汽提塔液相阀门位置
9 反应器温度 20 压缩机功率 31 汽提塔蒸汽阀门位置
10 排空速率 21 反应器冷却水出口温度 32 反应器冷凝水流量
11 分离器温度 22 分离器冷却水出口温度 33 冷凝器冷却水流量
首先,利用TE过程历史输入-输出采样数据建立模型,包括以下步骤:
步骤(1):从生产过程的历史数据库中找出容易测量变量所对应的采样数据组成输入矩阵X∈R960×33,能直接或间接反映产品质量的指标所对应的数据组成输出向量y∈R960 ×1
步骤(2):对输入X按照列实施标准化处理,即每一列数据都减去其各自列的均值后再除以各自列的标准差,得到标准化后的输入
步骤(3):计算输出质量数据y的均值μ与标准差σ,根据公式实施标准化处理。
步骤(4):利用主成分回归(PCR)算法建立输入与输出之间的软测量模型,即:
步骤(5):利用独立成分回归(ICR)算法建立输入与输出之间的软测量模型,即:
步骤(6):利用偏最小二乘回归(PLSR)算法建立输入与输出之间的软测量模型,即:
步骤(7):令y1=TΘ1、y2=SΘ2、以及y3=UΘ3后,使用粒子群优化算法最优求解回归系数向量b=[b1,b3,b3]T∈R3×1
其次,利用另外一组测试数据测试本发明方法的有效性。
步骤(8):采集新时刻易测量变量的样本数据x∈R1×33,对其实施与步骤(3)中输入X相同的标准化处理得到
步骤(9):根据公式分别计算不同回归模型对输出的预测值z1、z2、和z3
步骤(10):利用最优化的回归系数向量b计算最终的质量指标预测值那么,最终的产品质量指标的估计值为
最后,将本发明方法与传统方法的质量预测效果对比于图2中,本次所选取的评价指标为均方根误差,该数值越小则说明软测量性约优越。从图2中可以发现,相比其他三种方法(PCR,ICR,PLSR),本发明方法的均方预测误差数值最小,软测量效果最优。
上述实施案例只用来解释说明本发明的具体实施,而不是对本发明进行限制。在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改,都落入本发明的保护范围。

Claims (2)

1.一种基于集成正交成分最优化回归分析的软测量方法,其特征在于,包括以下步骤:
步骤(1):从生产过程的历史数据库中找出容易测量变量所对应的采样数据组成输入矩阵X∈Rn×m,能直接或间接反映产品质量的指标所对应的数据组成输出向量y∈Rn×1,其中,n为训练样本数,m为过程测量变量数,R为实数集,Rn×m表示n×m维的实数矩阵;
值得注意的是,若是质量数据的采样频率低于容易测量数据的采样频率,可将每个质量数据样本进行复制,从而使输入与输出样本个数相等;
步骤(2):对输入X按照列实施标准化处理,即每一列数据都减去其各自列的均值后再除以各自列的标准差,得到标准化后的输入
步骤(3):计算输出质量数据y的均值μ与标准差σ,根据公式实施标准化处理;
步骤(4):利用主成分回归(PCR)算法建立输入与输出之间的软测量模型,即:
上式中,矩阵中包含了d个相互正交的主成分,Θ1为PCR模型的回归系数向量,e1为回归模型残差,P为PCR模型的投影变换矩阵;
步骤(5):利用独立成分回归(ICR)算法建立输入与输出之间的软测量模型,即:
上式中,矩阵中包含了k个相互正交的独立成分,Θ2为ICR模型的回归系数向量,e2为回归模型残差,W为ICR模型的投影变换矩阵;
步骤(6):利用偏最小二乘回归(PLSR)算法建立输入与输出之间的软测量模型,即:
上式中,矩阵中包含了r个相互正交的独立成分,Θ3为ICR模型的回归系数向量,e3为回归模型残差,Q为PLSR模型的投影变换矩阵;
步骤(7):令y1=TΘ1、y2=SΘ2、以及y3=UΘ3后,使用粒子群优化算法最优求解回归系数向量b=[b1,b3,b3]T∈R3×1
步骤(8):采集新时刻易测量变量的样本数据x∈R1×m,对其实施与步骤(3)中输入X相同的标准化处理得到
步骤(9):根据公式分别计算不同回归模型对输出的预测值z1、z2、和z3
步骤(10):利用最优化的回归系数向量b计算最终的质量指标预测值那么,最终的产品质量指标的估计值为
2.根据权利要求1所述的一种基于集成正交成分最优化回归分析的软测量方法,其特征在于,所述步骤(7)中利用粒子群优化算法最优求解回归系数向量b的详细实施过程具体为:
①设置粒子群优化算法的参数,包括最大迭代次数Imax≥1000、加速常数c1=c2=2、粒子群总数N=max{20,5m}、惯性权δ重按照如下所示公式从最大值δmax=1.2线性递减到δmax=0.4:
上式中,iter表示当前迭代次数;
②置iter=0后,任意初始化N个粒子o1,o2,…,oN,其中粒子oi∈R3×1的元素皆随机取值于区间[-3,3],i=1,2,…,N;
③根据公式计算每个粒子oi所对应的适应度值Ji
④记录当前迭代次数中最小适应度值所对应的粒子为Ω1,将整个迭代历史中取得最小适应度值的粒子记为Ω2,并依照如下所示公式更新各粒子的运行速度vi∈R3×1
vi=δ·vi1·rand1·(Ω2-oi)+β2·rand2·(Ω1-oi) (5)
上式中,rand1和rand2皆是在区间[0,1]内的任意随机数;
⑤按照公式oi=oi+vi更新每个粒子的位置,并按照如下所示规则对元素进行修正:
上式中oi,j表示粒子oi中的第j个元素,j=1,2,3;
⑥判断是否满足条件iter<Imax?若是,置iter=iter+1后返回③;若否,将Ω2作为最优化的回归系数向量b。
CN201810233450.3A 2018-03-06 2018-03-06 一种基于集成正交成分最优化回归分析的软测量方法 Active CN108492026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810233450.3A CN108492026B (zh) 2018-03-06 2018-03-06 一种基于集成正交成分最优化回归分析的软测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810233450.3A CN108492026B (zh) 2018-03-06 2018-03-06 一种基于集成正交成分最优化回归分析的软测量方法

Publications (2)

Publication Number Publication Date
CN108492026A true CN108492026A (zh) 2018-09-04
CN108492026B CN108492026B (zh) 2021-05-11

Family

ID=63318780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810233450.3A Active CN108492026B (zh) 2018-03-06 2018-03-06 一种基于集成正交成分最优化回归分析的软测量方法

Country Status (1)

Country Link
CN (1) CN108492026B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543263A (zh) * 2018-11-01 2019-03-29 宁波大学 一种集成化常压精馏过程代理模型的建立方法
CN110033175A (zh) * 2019-03-12 2019-07-19 宁波大学 一种基于集成多核偏最小二乘回归模型的软测量方法
CN112840385A (zh) * 2018-10-12 2021-05-25 韩国水力原子力株式会社 采用多重预测模型的电厂预警装置和方法
CN113191614A (zh) * 2021-04-18 2021-07-30 宁波大学科学技术学院 一种基于慢特征回归分析的聚丙烯产品质量实时监测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101017373A (zh) * 2006-12-28 2007-08-15 浙江大学 工业过程多分辨率软测量仪表及方法
CN103390103A (zh) * 2013-07-15 2013-11-13 浙江大学 基于子空间独立成分回归模型的熔融指数在线检测方法
CN106094786A (zh) * 2016-05-30 2016-11-09 宁波大学 基于集成型独立元回归模型的工业过程软测量方法
CN106599494A (zh) * 2016-12-07 2017-04-26 宁波大学 基于多重动态plsr模型的产品质量软测量方法
CN106649202A (zh) * 2016-12-07 2017-05-10 宁波大学 基于多样性变量加权plsr模型的工业过程软测量方法
CN106897774A (zh) * 2017-01-25 2017-06-27 浙江大学 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法
CN107025351A (zh) * 2017-04-01 2017-08-08 宁波大学 一种基于多近邻保持嵌入回归模型的工业软测量方法
CN107038147A (zh) * 2017-04-01 2017-08-11 宁波大学 一种基于多采样率回归模型的工业过程软测量方法
CN107168063A (zh) * 2017-05-26 2017-09-15 宁波大学 基于集成变量选择型偏最小二乘回归的软测量方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101017373A (zh) * 2006-12-28 2007-08-15 浙江大学 工业过程多分辨率软测量仪表及方法
CN103390103A (zh) * 2013-07-15 2013-11-13 浙江大学 基于子空间独立成分回归模型的熔融指数在线检测方法
CN106094786A (zh) * 2016-05-30 2016-11-09 宁波大学 基于集成型独立元回归模型的工业过程软测量方法
CN106599494A (zh) * 2016-12-07 2017-04-26 宁波大学 基于多重动态plsr模型的产品质量软测量方法
CN106649202A (zh) * 2016-12-07 2017-05-10 宁波大学 基于多样性变量加权plsr模型的工业过程软测量方法
CN106897774A (zh) * 2017-01-25 2017-06-27 浙江大学 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法
CN107025351A (zh) * 2017-04-01 2017-08-08 宁波大学 一种基于多近邻保持嵌入回归模型的工业软测量方法
CN107038147A (zh) * 2017-04-01 2017-08-11 宁波大学 一种基于多采样率回归模型的工业过程软测量方法
CN107168063A (zh) * 2017-05-26 2017-09-15 宁波大学 基于集成变量选择型偏最小二乘回归的软测量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHUDONG TONG等: "Decentralized Monitoring of Dynamic Processes Based on Dynamic Feature Selection and Informative Fault Pattern Dissimilarity", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 *
童楚东等: "正交信号校正的自回归模型及其在动态过程监测中的应用", 《控制与决策》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112840385A (zh) * 2018-10-12 2021-05-25 韩国水力原子力株式会社 采用多重预测模型的电厂预警装置和方法
US11960271B2 (en) 2018-10-12 2024-04-16 Korea Hydro & Nuclear Power Co., Ltd Power plant early warning device and method employing multiple prediction model
CN109543263A (zh) * 2018-11-01 2019-03-29 宁波大学 一种集成化常压精馏过程代理模型的建立方法
CN110033175A (zh) * 2019-03-12 2019-07-19 宁波大学 一种基于集成多核偏最小二乘回归模型的软测量方法
CN110033175B (zh) * 2019-03-12 2023-05-19 宁波大学 一种基于集成多核偏最小二乘回归模型的软测量方法
CN113191614A (zh) * 2021-04-18 2021-07-30 宁波大学科学技术学院 一种基于慢特征回归分析的聚丙烯产品质量实时监测方法
CN113191614B (zh) * 2021-04-18 2022-06-10 宁波大学科学技术学院 一种基于慢特征回归分析的聚丙烯产品质量实时监测方法

Also Published As

Publication number Publication date
CN108492026B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN108520111A (zh) 一种基于正交成分最优选择与最优回归的软测量方法
CN108492026A (zh) 一种基于集成正交成分最优化回归分析的软测量方法
CN108897286B (zh) 一种基于分散式非线性动态关系模型的故障检测方法
CN103927412B (zh) 基于高斯混合模型的即时学习脱丁烷塔软测量建模方法
CN106092625B (zh) 基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法
CN107290965B (zh) 基于局部加权贝叶斯网络的自适应软测量预测方法
CN108803520A (zh) 一种基于变量非线性自相关性剔除的动态过程监测方法
CN105868164B (zh) 一种基于有监督的线性动态系统模型的软测量建模方法
CN113033618B (zh) 基于支持向量回归的分层水库取水下泄水温预测模型及预测方法
CN108345284B (zh) 一种基于两变量块的质量相关故障检测方法
CN107168063B (zh) 基于集成变量选择型偏最小二乘回归的软测量方法
CN108919755B (zh) 一种基于多块非线性交叉关系模型的分布式故障检测方法
CN107403196B (zh) 基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法
CN108469805A (zh) 一种基于动态性最优选择的分散式动态过程监测方法
CN114692507B (zh) 基于堆叠泊松自编码器网络的计数数据软测量建模方法
CN113065702B (zh) 基于st-seep分段法和时空arma模型的滑坡位移多线性预测方法
CN108508865A (zh) 一种基于分散式osc-pls回归模型的故障检测方法
CN109298633A (zh) 基于自适应分块非负矩阵分解的化工生产过程故障监测方法
CN101477112A (zh) 工业流化床气相聚乙烯装置的产品质量在线软测量方法
CN106354125A (zh) 一种利用分块pca检测化工过程故障的方法
CN108345294A (zh) 一种基于分散式主元回归模型的故障检测方法
CN108427398A (zh) 一种基于分散式ar-pls模型的动态过程监测方法
CN108491878A (zh) 一种基于多个误差生成模型的故障分类诊断方法
CN110033175B (zh) 一种基于集成多核偏最小二乘回归模型的软测量方法
CN112711912A (zh) 基于云计算和机器学习算法的空气质量监测与告警方法、系统、装置和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180904

Assignee: SANMEN SANYOU TECHNOLOGY Inc.

Assignor: Ningbo University

Contract record no.: X2022330000855

Denomination of invention: A Soft Sensing Method Based on Integrated Orthogonal Component Optimization Regression Analysis

Granted publication date: 20210511

License type: Common License

Record date: 20221226