結(jié)合KICA的軟測(cè)量建模方法及其在間歇過(guò)程的應(yīng)用

劉毅，金福江，高增梁

（1.特種裝備制造與先進(jìn)加工技術(shù)教育部／浙江省重點(diǎn)實(shí)驗(yàn)室 浙江工業(yè)大學(xué)化工機(jī)械設(shè)計(jì)研究所，杭州310032；2.華僑大學(xué)信息科學(xué)與工程學(xué)院，福建廈門(mén)361021）

隨著DCS在化工過(guò)程的普遍應(yīng)用，數(shù)據(jù)驅(qū)動(dòng)的軟測(cè)量建模方法被廣泛用于估計(jì)產(chǎn)物等難以在線(xiàn)測(cè)量的質(zhì)量信息。常用的方法有偏最小二乘回歸等多變量統(tǒng)計(jì)方法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)回歸SVR（Support Vector Regression）等［1－2］。在解決小樣本情況下的非線(xiàn)性建模問(wèn)題方面，SVR等稀疏核學(xué)習(xí)SKL（Sparse Kernel Learning）方法的推廣性能更好［3］，是目前化工過(guò)程軟測(cè)量建模較為有效的途徑之一［1，4－9］。

大部分化工過(guò)程都是非線(xiàn)性的，過(guò)程變量間相關(guān)且含有噪聲［1－2］。因此，建模前進(jìn)行有效的變量選擇和信息提取能降低模型的復(fù)雜度。常用的方法有用于提取高斯信息的主元分析PCA（Principal Component Analysis）；用于提取非高斯信息的獨(dú)立成分分析ICA（Independent Component Analysis）；在高維特征空間處理高斯信息的核主元分析KPCA（Kernel PCA）等［7－9］。文獻(xiàn)［7］指出變量間的相關(guān)性會(huì)降低SVR的推廣能力，并比較了這三種方法在SVR降維預(yù)處理的應(yīng)用，結(jié)果表明KPCA和ICA能提取更高階的信息，效果優(yōu)于PCA，仿真結(jié)果表明KPCA結(jié)果最好。文獻(xiàn)［8—9］將KPCA或ICA等方法用于SVR軟測(cè)量模型的輸入變量選擇，也提高了模型的預(yù)報(bào)精度。然而，KPCA只能在高維特征空間提取二階統(tǒng)計(jì)量等高斯信息，ICA只能在原變量空間提取非高斯信息。因此，為了在高維特征空間提取高階統(tǒng)計(jì)量等非高斯信息，文獻(xiàn)［10］提出了核獨(dú)立成分分析KICA（Kernel ICA）。最近，KICA被引入化工過(guò)程監(jiān)控和故障診斷等領(lǐng)域，以求獲得更好的監(jiān)測(cè)效果［11－14］。……