78、基于风险评估的间歇过程混合软传感器建模

基于风险评估的间歇过程混合软传感器建模

1 引言

随着现代工业的发展，生产过程日益复杂，对产品质量的要求也逐渐提高。在间歇过程中，由于传统测量方法的限制，一些关键变量难以实时在线测量，这对间歇过程的在线监测和优化控制产生了重要影响。软传感器通过建立易测的二次变量与难测的关键变量之间的数学关系，结合生产过程知识来估计关键变量，能够确保间歇过程的安全运行并提高生产效率。因此，研究用于估计间歇过程关键变量的软传感器建模方法具有重要意义。

混合建模方法结合了机理建模和数据驱动建模的优点，现有混合建模方法可分为串行建模和并行建模：
- 串行建模 ：使用数据驱动模型估计机理模型中难以确定的参数，并将这些参数代入机理模型来估计间歇过程中的关键变量。
- 并行建模 ：利用数据驱动方法估计机理模型的预测偏差，以补偿机理模型的残差，将预测结果与数据驱动模型和机理模型的输出相结合。

然而，现有的混合建模方法在面对未知干扰时，模型易出现较大预测偏差，导致模型失效。为解决这一问题，提出了一种基于风险评估的间歇过程混合软传感器建模方法。该方法通过贝叶斯信息准则和结构风险最小化原则评估模型风险，确定混合模型中各模型的权重。实验表明，该方法构建的混合模型具有较高的预测精度和较强的鲁棒性。

2 模型风险评估方法

2.1 基于贝叶斯信息准则的风险评估方法

贝叶斯信息准则常用于最优模型的选择。假设观测数据基于一个未知的密度函数生成，将此概率密度函数视为真实模型，描述观测数据的模型服从某一参数分布类。通过对分布函数中未知参数的最大似然估计，衡量所建立模型与真