科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对过程数据不足,且具有强非线性和多尺度特性的新间歇过程,结合迁移学习方法与多尺度核学习方法的优势,提出了一种基于多尺度核JYMKPLS (Joint-Y multi-scale kernel partial least squares)迁移模型的间歇过程产品质量在线预测方法。该方法首先通过迁移学习利用相似源域的旧过程数据提高新间歇过程建模效率和质量预测的精度。然后,针对间歇过程数据的非线性和多尺度特性问题,引入了多尺度核函数以更好地拟合数据变化的趋势,从而提高模型的预测精度。此外,提出模型在线更新和数据剔除,通过在线持续改善迁移模型对新间歇过程的匹配程度,以消除相似过程间的差异性给迁移学习带来的不利影响,从而不断地提升预测精度。最后,通过仿真验证了所提方法的有效性,结果表明,与传统的数据驱动建模方法相比,本文所提方法能够有效提高建模效率和预测精度。
- 单位
