间歇过程即时建模的特征空间分析与自适应核学习方法研究

间歇过程广泛应用于生物制药和精细化工等具有高附加值的行业，在国民经济中占有重要地位。本项目针对间歇过程产品质量和重要变量难以在线测量及高性能软测量模型难以建立和维护的关键问题，研究采用特征空间模式分析理论和自适应核学习方法相结合的数据驱动即时（Just-In-Time，JIT）软测量建模，实现关键质量的准确预报。提出核学习框架下的数据校正方法，以提高间歇过程建模数据的质量；基于此，利用特征空间核相关分析方法有效构建JIT核学习模型的相似样本集；并建立特征空间JIT核学习模型的最优输入变量选择方法及相应的递推算法；最终获得间歇过程不同工况下JIT核学习模型评价和参数选择/更新的有效方法，从而提供产品质量和关键变量的准确预报。本研究提出一套适合间歇过程特性和数据特点的自适应高效JIT建模方法，对促进先进信息计算技术在间歇生产领域的应用，具有重要的理论和现实意义。

间歇过程广泛应用于生物制药和精细化工等具有高附加值的行业，在国民经济中占有重要地位。本课题针对复杂间歇过程（动态、非线性和时变等特性，测量数据的不准确性等）产品质量难以在线测量及高性能软测量模型难以建立和维护的关键问题，研究采用特征空间模式分析和自适应核学习的数据驱动即时核学习（JKL）建模方法，实现关键质量的准确预报。..本课题主要利用JKL、递推估计、贝叶斯推理、序贯学习、批次间相似度建模等一系列统计智能建模方法，分别建立了多种间歇过程的产品质量在线预报和更新模型，实现产品质量的准确预报。首先，提出一种有效的JKL在线建模方法，用于批次不等长间歇过程的产品质量预测。其次，针对间歇过程常见的多工况及其切换过程，提出了一套集成即时软测量建模方法，以贝叶斯推理的方式在线选择更合适的预测模型。进一步，针对精细化工生产常见的序贯反应器软测量建模，提出了融合虚拟变量的在线建模方法，以同时进行变量选择和质量预报。..本课题成果包括正式发表研究论文15篇，其中SCI收录5篇，EI收录8篇。申请国家发明专利3项，获得软件著作权登记5项。课题内容设计多个学科领域，通过本项目的研究执行，加强了国内在数据驱动的统计建模、核学习、即时学习等方法在间歇过程的应用，为国内间歇过程生产实施产品质量控制，提供了应用理论和技术支撑，对促进先进信息计算技术在间歇生产领域的应用，将产生积极的理论和现实意义。