自适应Kernel学习网络在TE过程组分仪建模中的应用

• 作者: 王海清 蒋宁
• 来源期刊: 化工学报
• 关键词: 组分仪 产品质量控制 统计学习理论
• 年，卷（期）: 2007,（2）
• 所属期刊栏目: 过程系统工程
• 页码范围: 425-430
• 页数: 6页
• 分类号: TQ02|TP277
• 语种: 中文
• DOI: 10.3321/j.issn:0438-1157.2007.02.025

摘要

化工产品终端质量的测量往往具有较大的延迟,且相应的测量仪价格昂贵,易发生故障.基于统计学习理论和Kernel方法,提出一种自适应Kernel学习(AKL)网络,用于Tennessee Eastman(TE)过程中产品组分仪的建模和故障监测.给出了AKL网络在两种情况下的递推算法,只需极少量的学习样本,即可建立软组分仪的动态模型.且AKL网络可以监测故障的发生,通过模型的自动切换,确保在各种工况下,所得到的软组分仪均具有足够的精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王海清	浙江大学工业控制技术国家重点实验室工业控制技术研究所	39	500	11.0	21.0
2	蒋宁	浙江工业大学化工机械设计研究所	22	111	7.0	9.0