1、隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展，流程工業(yè)的規(guī)模越來(lái)越龐大，過(guò)程工藝越來(lái)越復(fù)雜，自動(dòng)化程度也越來(lái)越高。與此同時(shí)，人們對(duì)工業(yè)生產(chǎn)的安全問(wèn)題、節(jié)能減排問(wèn)題、產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化問(wèn)題的關(guān)注度也在不斷提升。傳統(tǒng)的過(guò)程監(jiān)控、生產(chǎn)優(yōu)化和在線(xiàn)測(cè)量方案很多是基于機(jī)理模型建立的，機(jī)理模型具有精確度高、可解釋性強(qiáng)等優(yōu)點(diǎn)，但在實(shí)際使用中，由于系統(tǒng)的復(fù)雜程度過(guò)高而難以獲得嚴(yán)格、完整、科學(xué)的機(jī)理模型，加之測(cè)量數(shù)據(jù)不可避免存在著誤差，系統(tǒng)也很難不受隨機(jī)擾動(dòng)和噪聲的干擾，這些都極大地

2、影響了機(jī)理模型準(zhǔn)確性的發(fā)揮。另一方面，隨著計(jì)算機(jī)科學(xué)技術(shù)的發(fā)展，人們可以比以往任何時(shí)候更便捷地獲得和存儲(chǔ)規(guī)模龐大的過(guò)程數(shù)據(jù)，進(jìn)行比以往任何時(shí)候更復(fù)雜的科學(xué)計(jì)算和更快速的數(shù)據(jù)庫(kù)檢索，這一切都為基于“數(shù)據(jù)驅(qū)動(dòng)”方式的建模、仿真和優(yōu)化提供了硬件保障，而統(tǒng)計(jì)科學(xué)的發(fā)展也為之奠定了堅(jiān)實(shí)的理論基礎(chǔ)。
　　本文所關(guān)注的內(nèi)容正是在這樣的背景下，研究面向過(guò)程監(jiān)控的非線(xiàn)性特征提取方法。文中所使用的術(shù)語(yǔ)“特征提取”是基于數(shù)據(jù)驅(qū)動(dòng)的任務(wù)之一，如果研究對(duì)象

3、是數(shù)據(jù)，則其目標(biāo)為從原始的、繁蕪復(fù)雜的數(shù)據(jù)中獲取有價(jià)值的反應(yīng)系統(tǒng)本質(zhì)特征的信息，一般所獲得的數(shù)據(jù)是原始信息的更低維表示;如果研究對(duì)象為輸入輸出的關(guān)系，則特征提取的結(jié)果是得到表征此種關(guān)系的模型?？梢?jiàn)獲取本質(zhì)特征的過(guò)程既可看作對(duì)原系統(tǒng)進(jìn)行建模，也可作為數(shù)據(jù)預(yù)處理步驟而存在，該步驟為后續(xù)建模提供更簡(jiǎn)約的數(shù)據(jù)集從而在降低模型復(fù)雜度的同時(shí)獲得更精確的計(jì)算結(jié)果。具體而言，本文結(jié)合工業(yè)過(guò)程數(shù)據(jù)的特點(diǎn)，進(jìn)行了以下幾方面研究:
　　1.研究了經(jīng)典的

4、線(xiàn)性特征提取算法主成分分析法，以及極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)，用于故障診斷中的故障識(shí)別。
　　2.提出一種基于核映射的支持向量回歸軟測(cè)量模型，并應(yīng)用于乙烯聚合反應(yīng)過(guò)程的關(guān)鍵變量測(cè)量。
　　3.提出基于主曲線(xiàn)和多項(xiàng)式最小二乘的軟測(cè)量算法，用于二氯乙烷精餾過(guò)程的關(guān)鍵流股含水量預(yù)測(cè)。
　　4.利用主曲線(xiàn)技術(shù)實(shí)現(xiàn)過(guò)程監(jiān)控并在CSTR過(guò)程等仿真數(shù)據(jù)集上取得了理想的結(jié)果。
　　5.此外，本文還介紹了多種人工神經(jīng)網(wǎng)絡(luò)方法以及它們的若干

5、典型應(yīng)用，并將之作為和本文所提算法對(duì)比的參照。
　　本文的創(chuàng)新性工作主要體現(xiàn)在:
　　1.用極限學(xué)習(xí)機(jī)分類(lèi)器進(jìn)行故障識(shí)別時(shí)，提出多路學(xué)習(xí)機(jī)表決策略，從而在不增加訓(xùn)練時(shí)間的前提下提高分類(lèi)結(jié)果的穩(wěn)定性。
　　2.用支持向量回歸進(jìn)行軟測(cè)量預(yù)測(cè)建模時(shí)，通過(guò)粒子群優(yōu)化算法估計(jì)得到相關(guān)模型參數(shù)，并對(duì)標(biāo)準(zhǔn)的PSO算法進(jìn)行改進(jìn)以降低陷入局部極值的風(fēng)險(xiǎn)，提出PSO-SVR模型。
　　3.建立了基于主曲線(xiàn)的非線(xiàn)性偏最小二乘模型，應(yīng)用

6、于軟測(cè)量預(yù)測(cè)。在建模時(shí)引入相關(guān)性增強(qiáng)因子使得主曲線(xiàn)的提取過(guò)程能兼顧輸入輸出間的最大相關(guān)性，從而體現(xiàn)PLS的理念。
　　4.在主曲線(xiàn)用于監(jiān)控的應(yīng)用中，借鑒了多尺度主成分分析的做法，即對(duì)小波分解系數(shù)進(jìn)行主曲線(xiàn)建模，提出了基于多分辨率分析的“多尺度主曲線(xiàn)”算法。
　　5.在主曲線(xiàn)用于監(jiān)控的應(yīng)用中，擯棄神經(jīng)網(wǎng)絡(luò)模擬映射關(guān)系的傳統(tǒng)做法，而代之以插值計(jì)算，這樣，既避免了神經(jīng)網(wǎng)絡(luò)的復(fù)雜計(jì)算和結(jié)果不確定性，又將運(yùn)算負(fù)荷從偏重于建模階段轉(zhuǎn)變成