CN111507003A - 基于质量相关动态特性提取的脱丁烷塔关键变量预测方法 - Google Patents

基于质量相关动态特性提取的脱丁烷塔关键变量预测方法 Download PDF

Info

Publication number
CN111507003A
CN111507003A CN202010309729.2A CN202010309729A CN111507003A CN 111507003 A CN111507003 A CN 111507003A CN 202010309729 A CN202010309729 A CN 202010309729A CN 111507003 A CN111507003 A CN 111507003A
Authority
CN
China
Prior art keywords
sample set
training
variables
quality
query sample
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.)
Pending
Application number
CN202010309729.2A
Other languages
English (en)
Inventor
何雨辰
方靖云
王云
应泽
曾九孙
严天宏
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.)
China Jiliang University
Original Assignee
China Jiliang 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 China Jiliang University filed Critical China Jiliang University
Priority to CN202010309729.2A priority Critical patent/CN111507003A/zh
Publication of CN111507003A publication Critical patent/CN111507003A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于质量相关动态特性提取的脱丁烷塔关键变量预测方法。本发明建立质量相关动态潜隐结构，通过卡尔曼滤波，卡尔曼平滑和EM算法来求解。模型构造了两种类型的隐变量，一种与X、Y有关，另一种仅与X有关，对于数据与隐变量之间的关系能够更加充分的描述；同时，模型还分别考虑了X和Y各自的动态信息，能够很好的提取数据在时序上的的动态特性，提高了模型预测结果的准确性。

Description

基于质量相关动态特性提取的脱丁烷塔关键变量预测方法
技术领域
本发明属于工业化工过程软测量建模和应用领域，特别涉及一种基于质量相关动态特性提取的脱丁烷塔关键变量预测方法。
背景技术
软测量在现代工业里扮演着重要的角色，通过对易于测量得到的过程变量建立数学模型来预测难以直接测量得到的关键变量值。现有的软测量方法主要分为两大类，一种是基于机理建模，但是这种方法需要大量的经验和知识，由于工业过程十分复杂，往往难以获得从而建立出准确的数学模型；另一种是基于数据驱动建模，这种方法的好处是不需要先验知识，而化工过程的数据又易于测量得到，因此如今数据驱动方法被广泛应用在各个领域。
在工业化工过程中，反应过程一般都存在动态特性，即当前时刻传感器测量得到的数据与之前时刻相关。线性动态系统模型(LDS)考虑了输入变量在时序上的一阶动态特性，但是该模型没有考虑输入与输出之间的关系以及输出变量关于自身的动态特性；偏最小二乘模型(PPLS)考虑了输入与输出之间的关系，但该模型为静态模型，没有考虑数据在时序上的动态关系。针对以上问题，本发明提出了一种基于质量相关动态特性提取的脱丁烷塔关键变量预测方法。该方法通过建立质量相关动态潜隐结构，不仅考虑了输入和输出之间的关系，还考虑了输入和输出各自的动态关系，提高了模型的描述能力，增加了模型的预测准确性。
发明内容
本发明的目的在于针对脱丁烷塔中丁烷含量实时检测的难点，提供一种一种基于质量相关动态特性提取的脱丁烷塔关键变量预测方法。
一种基于质量相关动态特性提取的脱丁烷塔关键变量预测方法，其特征包括以下步骤：
步骤1：采集化工正常运行过程中的过程变量作为输入训练集X∈Rm×T，其中每个输入训练样本包含m个过程变量；通过离线化验分析得到每个输入训练样本的质量变量作为输出训练集Y∈R1×T，每个输出训练样本包含1个质量变量；合并X、Y得到训练样本集
Figure BDA0002457200730000021
每个训练样本包含m个过程变量和1个质量变量。
步骤2：对X和Y做归一化处理，记为X'和Y'，具体如下：
Figure BDA0002457200730000022
其中，
Figure BDA0002457200730000023
为训练样本集；
Figure BDA0002457200730000024
为
Figure BDA0002457200730000025
的均值；
Figure BDA0002457200730000026
为
Figure BDA0002457200730000027
的标准差；
Figure BDA0002457200730000028
为归一化后的训练样本集。
步骤3：对
Figure BDA0002457200730000029
建立质量相关动态潜隐结构，并利用卡尔曼滤波，卡尔曼平滑和EM算法训练得到最优参数集，具体如下：
质量相关动态潜隐结构如下：
Figure BDA00024572007300000210
其中，
Figure BDA00024572007300000211
表示
Figure BDA00024572007300000212
中的第i个训练样本；
Figure BDA00024572007300000213
表示
Figure BDA00024572007300000214
的隐变量，a为txy的维数且txy与X和Y有关；
Figure BDA00024572007300000215
表示输入训练集中xi的隐变量，b为tx的维数且tx仅与X有关；P∈Rm ×a、Q∈Rm×b、C∈R1×a为发射矩阵；A∈Ra×a，B∈Rb×b为状态转移矩阵；
Figure BDA00024572007300000216
表示训练样本集的噪声；
Figure BDA00024572007300000217
表示
Figure BDA00024572007300000218
的噪声。
首先需要对模型的参数
Figure BDA00024572007300000219
进行初始化，接着进行以下步骤。
3.1)根据当前参数做卡尔曼滤波：
Figure BDA00024572007300000220
Figure BDA00024572007300000221
Figure BDA00024572007300000222
Figure BDA0002457200730000031
Figure BDA0002457200730000032
其中，
Figure BDA0002457200730000033
为
Figure BDA0002457200730000034
中第i个训练样本，i＝1,2,...,T；
Figure BDA0002457200730000035
为经过卡尔曼滤波后
Figure BDA0002457200730000036
的隐变量均值；
Figure BDA0002457200730000037
为经过卡尔曼滤波后
Figure BDA0002457200730000038
的隐变量方差；Ki为卡尔曼增益矩阵，特别的，在初始时刻时，通过以下公式计算：
Figure BDA0002457200730000039
Figure BDA00024572007300000310
Figure BDA00024572007300000311
其中，
Figure BDA00024572007300000312
Rπ为初始时刻时隐变量的均值和方差。
3.2)根据当前参数和卡尔曼滤波结果，进行卡尔曼平滑处理。
Figure BDA00024572007300000325
Figure BDA00024572007300000313
Figure BDA00024572007300000314
其中，
Figure BDA00024572007300000315
为经过卡尔曼平滑后
Figure BDA00024572007300000316
的隐变量均值；
Figure BDA00024572007300000317
为经过卡尔曼平滑后
Figure BDA00024572007300000318
的隐变量方差；特别的，有
Figure BDA00024572007300000319
接下来可以得到隐变量一阶矩和二阶矩的期望：
Figure BDA00024572007300000320
Figure BDA00024572007300000321
Figure BDA00024572007300000322
3.3)令似然函数的各个偏导数为0，可得到新的模型参数，各个参数的更新公式如下：
Figure BDA00024572007300000323
Figure BDA00024572007300000324
Figure BDA0002457200730000041
Figure BDA0002457200730000042
Figure BDA0002457200730000043
Figure BDA0002457200730000044
Figure BDA0002457200730000045
Figure BDA0002457200730000046
Figure BDA0002457200730000047
Figure BDA0002457200730000048
Figure BDA0002457200730000049
其中，
Figure BDA00024572007300000410
为
Figure BDA00024572007300000411
中的元素；
Figure BDA00024572007300000412
为
Figure BDA00024572007300000413
中的元素；
Figure BDA00024572007300000414
为
Figure BDA00024572007300000415
中的元素。
通过上述步骤3.1)～3.3)反复迭代直到似然函数收敛时训练完成，并在此时记录下模型参数
Figure BDA00024572007300000416
步骤4：实时采集脱丁烷塔在线运行过程中新的过程变量作为查询样本集，并对其做归一化处理，具体如下：
Figure BDA00024572007300000417
其中，Xq为查询样本集；μq为查询样本集的均值；δq为查询样本集的方差；
Figure BDA00024572007300000418
为归一化后的查询样本集，N为查询样本集的长度；
步骤5：根据步骤3训练得到的模型参数，结合卡尔曼滤波算法计算出查询样本的质量变量值。
首先利用卡尔曼滤波算法计算出每个查询样本的隐变量值，具体公式如下：
Figure BDA00024572007300000419
Figure BDA00024572007300000420
Figure BDA0002457200730000051
Figure BDA0002457200730000052
Figure BDA0002457200730000053
其中
Figure BDA0002457200730000054
为第n个查询样本的隐变量均值；
Figure BDA0002457200730000055
为第n个查询样本的隐变量方差，n＝1,2,...,N；特别的，在初始时刻时，通过如下公式计算：
Figure BDA0002457200730000056
Figure BDA0002457200730000057
Figure BDA0002457200730000058
其中，
Figure BDA0002457200730000059
Rπ为初始时刻时隐变量的均值和方差。接着直接计算出每个查询样本的质量变量值，：
Figure BDA00024572007300000510
附图说明
图1为质量相关动态潜隐结构在训练时的似然函数曲线；
图2为本方法的预测结果图；
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明针对脱丁烷塔中的丁烷含量检测问题，通过过程中容易测量的变量，建立质量相关动态潜隐结构，对该过程中丁烷含量进行在线软测量。
本发明实施例及其实施过程如下：
第一步：通过集散控制系统和数据库系统收集脱丁烷塔的过程变量数据组成输入训练集X∈Rm×T，将这些数据存入历史数据库，选取部分数据作为建模用样本。
第二步：通过现场抽取、离线实验室分析获取用于建模的样本对应的丁烷含量值作为模型的输出训练集Y∈R1×T，将这些数据存入历史数据库，由此得到训练样本集
Figure BDA00024572007300000511
该步骤是为了获取建模中的质量变量，即脱丁烷塔中的丁烷含量。一般情况下，通过离线实验室分析丁烷含量值需花费数小时，这就会导致脱丁烷塔的控制滞后。
第三步：对
Figure BDA0002457200730000061
做归一化处理，得到
Figure BDA0002457200730000062
具体如下：
Figure BDA0002457200730000063
其中，
Figure BDA0002457200730000064
为训练样本集；
Figure BDA0002457200730000065
为
Figure BDA0002457200730000066
的均值；
Figure BDA0002457200730000067
为
Figure BDA0002457200730000068
Figure BDA0002457200730000069
Figure BDA00024572007300000610
为归一化后的训练样本集。
第四步：建立质量相关动态潜隐结构，结合卡尔曼滤波，卡尔曼平滑和EM算法得到最优参数集具体计算过程如下：
4.1)对模型的参数
Figure BDA00024572007300000611
进行初始化
4.2)根据当前参数做卡尔曼滤波：
Figure BDA00024572007300000612
Figure BDA00024572007300000613
Figure BDA00024572007300000614
Figure BDA00024572007300000615
Figure BDA00024572007300000625
其中，
Figure BDA00024572007300000616
为归一化后的训练样本集
Figure BDA00024572007300000617
中第i个训练样本，i＝1,2,...,T；
Figure BDA00024572007300000618
为经过卡尔曼滤波后
Figure BDA00024572007300000619
的隐变量均值；
Figure BDA00024572007300000620
为经过卡尔曼滤波后
Figure BDA00024572007300000621
的隐变量方差；Ki为卡尔曼增益矩阵，特别的，在初始时刻时，通过以下公式计算：
Figure BDA00024572007300000622
Figure BDA00024572007300000623
Figure BDA00024572007300000624
4.3)根据当前参数和卡尔曼滤波结果，进行卡尔曼平滑处理。
Figure BDA0002457200730000071
Figure BDA0002457200730000072
Figure BDA0002457200730000073
其中，
Figure BDA0002457200730000074
为经过卡尔曼平滑后
Figure BDA0002457200730000075
的隐变量均值；
Figure BDA0002457200730000076
为经过卡尔曼平滑后
Figure BDA0002457200730000077
的隐变量方差；特别的，有
Figure BDA0002457200730000078
接下来可以得到隐变量一阶矩和二阶矩的期望：
Figure BDA0002457200730000079
Figure BDA00024572007300000710
Figure BDA00024572007300000711
4.4)令似然函数的各个偏导数为0，可得到新的模型参数，各个参数的更新公式如下：
Figure BDA00024572007300000712
Figure BDA00024572007300000713
Figure BDA00024572007300000714
Figure BDA00024572007300000715
Figure BDA00024572007300000716
Figure BDA00024572007300000717
Figure BDA00024572007300000724
Figure BDA00024572007300000718
Figure BDA00024572007300000719
Figure BDA00024572007300000720
Figure BDA00024572007300000721
其中，
Figure BDA00024572007300000725
为
Figure BDA00024572007300000722
中的元素；
Figure BDA00024572007300000723
为
Figure BDA0002457200730000081
中的元素；
Figure BDA0002457200730000082
为
Figure BDA0002457200730000083
中的元素。
通过上述步骤4.2)～4.4)反复迭代知道似然函数收敛时模型训练完成，记录下模型参数
Figure BDA0002457200730000084
第五步：实时采集脱丁烷塔在线运行过程中新的过程变量作为查询样本集，并对其做归一化处理，具体如下：
Figure BDA0002457200730000085
其中，Xq为查询样本集；μq为查询样本集的均值；δq为查询样本集的方差；
Figure BDA0002457200730000086
为归一化后的查询样本集，N为查询样本集的长度；
第六步：根据第四步训练得到的模型参数，结合卡尔曼滤波算法计算出查询样本的质量变量值。
首先利用卡尔曼滤波算法计算出每个查询样本的隐变量值，具体公式如下：
Figure BDA0002457200730000087
Figure BDA0002457200730000088
Figure BDA00024572007300000810
Figure BDA00024572007300000811
其中
Figure BDA00024572007300000812
为第n个查询样本的隐变量值；
Figure BDA00024572007300000813
为第n个查询样本的隐变量方差，n＝1,2,...,N；特别的，在初始时刻时，通过如下公式计算：
Figure BDA00024572007300000814
Figure BDA00024572007300000815
Figure BDA00024572007300000816
接着直接计算出每个查询样本的质量变量值，：
Figure BDA00024572007300000817
下面通过一个具体的脱丁烷塔例子来进一步说明。对该过程一共采集了2394个数据，其中1000个样本用来建模，并对其丁烷含量值进行离线分析和标记。另外采集的1000个数据样本用来验证软测量模型的有效性。在建模过程中，一共选取了7个过程变量和1个质量变量，这7个过程变量分别为塔顶压力、塔顶温度、回流流量、灵敏板温度、下一级流量、塔底温度和塔底压力；1个质量变量为丁烷含量值。
接下来结合该具体过程对本发明的实施步骤进行详细地阐述：
1.质量相关动态潜隐结构将选取的7个过程变量组成的数据矩阵作为软测量模型的输入，丁烷含量数据矩阵作为软测量模型的输出，按照实施步骤中给出的详细方法，建立质量相关动态潜隐结构。图1为模型训练时的似然函数曲线，可以看出在30次迭代后，似然函数收敛。
2.对1000个查询样本进行在线软测量建模，获得相应的在线估计值。图2给出了本发明方法针对1000个查询样本的在线软测量结果。图中实线为预测结果，虚线为离线实验室分析得到的丁烷含量值。
如图2所示，采用本发明的方法使得在线估计值与离线分析值之间的RMSE为0.9142，相比于传统离线测量丁烷含量的方法，本发明的通过该过程中容易测量的变量对难以测量的丁烷含量值进行在线软测量建模，而且测量结果的拟合程度高，结果准确，实现了脱丁烷塔中丁烷含量的在线估计。
上述实施例用来解释说明本发明，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，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (5)

1.基于质量相关动态特性提取的脱丁烷塔关键变量预测方法，其特征在于，包括以下步骤：
步骤1：采集化工正常运行过程中的过程变量作为输入训练集X，并通过离线化验分析得到每个时刻下输入训练样本的质量变量作为输出训练集Y，合并X、Y得到训练样本集；
步骤2：对X和Y做归一化处理，记为X'和Y'；
步骤3：根据训练样本集建立质量相关动态潜隐结构，并利用卡尔曼滤波，卡尔曼平滑和EM算法训练得到最优参数集；
步骤4：实时采集脱丁烷塔在线运行过程中新的过程变量作为查询样本集，并对其进行归一化处理；
步骤5：将归一化的查询样本集输入到步骤3训练得到的质量相关动态潜隐结构中，并结合卡尔曼滤波算法计算得到查询样本集的质量变量值。
2.根据权利要求1所述的基于质量相关动态特性提取的脱丁烷塔关键变量预测方法，其特征在于：所述步骤2中归一化方法具体是：对X和Y做减去均值除以标准差的操作，具体如下：
Figure FDA0002457200720000011
其中，
Figure FDA0002457200720000012
为训练样本集，m为X的过程变量个数，1为Y的质量变量个数，T为训练样本集的长度；
Figure FDA0002457200720000013
为
Figure FDA0002457200720000014
的均值；
Figure FDA0002457200720000015
为
Figure FDA0002457200720000016
的标准差；
Figure FDA0002457200720000017
为归一化后的训练样本集。
3.根据权利要求1所述的基于质量相关动态特性提取的脱丁烷塔关键变量预测方法，其特征在于：所述步骤3具体处理方法如下：
质量相关动态潜隐结构如下：
Figure FDA0002457200720000018
其中，
Figure FDA0002457200720000021
表示
Figure FDA0002457200720000022
中的第i个训练样本；
Figure FDA0002457200720000023
表示
Figure FDA0002457200720000024
的隐变量，a为txy的维数且txy与X和Y有关；
Figure FDA0002457200720000025
表示输入训练集中xi的隐变量，b为tx的维数且tx仅与X有关；P∈Rm×a、Q∈Rm×b、C∈R1×a为发射矩阵；A∈Ra×a、B∈Rb×b为状态转移矩阵；
Figure FDA0002457200720000026
表示训练样本集的噪声；
Figure FDA0002457200720000027
表示
Figure FDA0002457200720000028
的噪声。
在训练过程中，将训练样本集作为模型的输入，并通过EM算法反复迭代直到似然函数收敛来得到模型的参数。在E步中，通过卡尔曼滤波，卡尔曼平滑算法并结合当前的模型参数来计算隐变量一阶矩和二阶矩的期望；在M步中，通过令似然函数中各个参数的偏导数为0来更新每个参数。通过E步和M步反复迭代直到似然函数收敛时记录下模型参数。
4.根据权利要求1所述的基于质量相关动态特性提取的脱丁烷塔关键变量预测方法，其特征在于：步骤4中查询样本集的归一化方法为减去均值，除以标准差的操作，具体如下：
Figure FDA0002457200720000029
其中，Xq为查询样本集；μq为查询样本集的均值；δq为查询样本集的标准差；
Figure FDA00024572007200000210
为归一化后的查询样本集，N为查询样本集的长度。
5.根据权利要求1所述的基于质量相关动态特性提取的脱丁烷塔关键变量预测方法，其特征在于：步骤5中查询样本集的质量变量值预测方法具体如下：
首先利用卡尔曼滤波算法计算出每个查询样本的隐变量值，具体公式如下：
Figure FDA00024572007200000211
Figure FDA00024572007200000212
Figure FDA00024572007200000213
Figure FDA00024572007200000214
其中
Figure FDA0002457200720000031
为第n个查询样本的隐变量均值；
Figure FDA0002457200720000032
为第n个查询样本的隐变量方差，n＝1,2,...,N；特别的，在初始时刻时，通过如下公式计算：
Figure FDA0002457200720000033
Figure FDA0002457200720000034
其中，
Figure FDA0002457200720000035
Rπ为初始时刻时隐变量的均值和方差。接着直接计算出每个查询样本的质量变量值，：
Figure FDA0002457200720000036
。
CN202010309729.2A 2020-04-20 2020-04-20 基于质量相关动态特性提取的脱丁烷塔关键变量预测方法 Pending CN111507003A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010309729.2A CN111507003A (zh) 2020-04-20 2020-04-20 基于质量相关动态特性提取的脱丁烷塔关键变量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010309729.2A CN111507003A (zh) 2020-04-20 2020-04-20 基于质量相关动态特性提取的脱丁烷塔关键变量预测方法

Publications (1)

Publication Number Publication Date
CN111507003A true CN111507003A (zh) 2020-08-07

Family

ID=71864756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010309729.2A Pending CN111507003A (zh) 2020-04-20 2020-04-20 基于质量相关动态特性提取的脱丁烷塔关键变量预测方法

Country Status (1)

Country Link
CN (1) CN111507003A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112286169A (zh) * 2020-10-20 2021-01-29 浙江钱江机器人有限公司 一种工业机器人故障检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090132208A1 (en) * 2004-10-26 2009-05-21 Tsuyoshi Ukyo Multi-variable model analysis system, method and program, and program medium
CN103927412A (zh) * 2014-04-01 2014-07-16 浙江大学 基于高斯混合模型的即时学习脱丁烷塔软测量建模方法
US20170286569A1 (en) * 2016-03-29 2017-10-05 Xerox Corporation System and method of modeling irregularly sampled temporal data using kalman filters
CN108984851A (zh) * 2018-06-22 2018-12-11 江南大学 一种带时延估计的加权高斯模型软测量建模方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090132208A1 (en) * 2004-10-26 2009-05-21 Tsuyoshi Ukyo Multi-variable model analysis system, method and program, and program medium
CN103927412A (zh) * 2014-04-01 2014-07-16 浙江大学 基于高斯混合模型的即时学习脱丁烷塔软测量建模方法
US20170286569A1 (en) * 2016-03-29 2017-10-05 Xerox Corporation System and method of modeling irregularly sampled temporal data using kalman filters
CN108984851A (zh) * 2018-06-22 2018-12-11 江南大学 一种带时延估计的加权高斯模型软测量建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
桑桦等: "《《基于Elman神经网络的化工过程软测量建模方法》》" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112286169A (zh) * 2020-10-20 2021-01-29 浙江钱江机器人有限公司 一种工业机器人故障检测方法
CN112286169B (zh) * 2020-10-20 2022-02-01 浙江钱江机器人有限公司 一种工业机器人故障检测方法

Similar Documents

Publication Publication Date Title
CN106802977B (zh) 一种用于烧结矿性能指标预测及综合质量评价方法
CN109992921B (zh) 一种燃煤电厂锅炉热效率的在线软测量方法及系统
CN110705692A (zh) 一种基于空间和时间注意力的长短期记忆网络对工业非线性动态过程产品质量预测方法
CN107562696B (zh) 轮胎产品质量在线检测与控制方法
Shen et al. Weighted nonlinear dynamic system for deep extraction of nonlinear dynamic latent variables and industrial application
CN107958267B (zh) 一种基于光谱线性表示的油品性质预测方法
CN114117919B (zh) 基于样本协同表示的即时学习的软测量建模方法
CN110210687A (zh) 一种基于局部加权慢特征回归的非线性动态生产过程产品质量预测方法
CN109508753A (zh) 一种矿物浮选过程指标的在线预测方法
CN114528764A (zh) 基于整体优化的即时学习的软测量建模方法及装置
CN110957011A (zh) 连续搅拌反应器在未知时变测量噪声下的在线生产参数估计方法
CN111143934A (zh) 一种基于时间卷积网络的结构变形预测方法
CN103389360B (zh) 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法
CN117300418A (zh) 基于b2b的焊接工艺参数确定方法、系统及电子设备
JP2014018844A (ja) 鋼材の熱伝達係数予測装置及び冷却制御方法
CN111507003A (zh) 基于质量相关动态特性提取的脱丁烷塔关键变量预测方法
CN113609766A (zh) 一种基于深度概率潜隐模型的软测量方法
CN116821695B (zh) 一种半监督神经网络软测量建模方法
CN110763830B (zh) 一种水泥熟料游离氧化钙含量预测方法
CN118798421A (zh) 基于自适应模型和动态数据融合的水生态环境监测数据预测方法
CN110673470B (zh) 基于局部加权因子模型的工业非平稳过程软测量建模方法
CN114861759B (zh) 一种线性动态系统模型的分布式训练方法
CN111046612B (zh) 一种基于多目标集成学习的高炉铁水硅含量预测方法
CN115985411A (zh) 基于高斯过程回归模型的高分子熔融指数软测量方法
CN116386756A (zh) 一种基于集成神经网络可信度估计与加权学习的软测量建模方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200807