论文部分内容阅读
伴随着现代科技的飞速发展和全面进步，现代工业生产过程日趋复杂，对于生产过程的工艺要求和最终产品的质量要求也越来越高。在如今的过程工业预测领域中，基于多元统计回归的质量预测方法一直受到广泛关注。 本文以多变量统计过程的回归建模问题为主要研究内容，针对传统的基于回归分析的预测方法的不足，提出相应的改进方法。主要工作包括以下方面: (1)深入研究了现存的几种多变量统计过程回归建模方法，对各种方法的建模思想和应用领域进行总结，并对目前较为流行的独立成分回归(independent componentregression，ICR)算法和偏最小二乘(Partial Least Squares，PLS)算法存在的问题进行了重点分析，提出了初步的改进策略。 (2)针对传统的ICR方法的不足，结合正交信号校正(orthogonal signal correction，OSC)方法对其进行改进，首先建立适用于非高斯分布数据的预处理算法——正交独立成分分析(O-ICA)算法，进而建立正交独立成分回归(O-ICR)模型来改善ICR在非高斯过程的质量预测精度不足问题。 (3)在PLS建模方法的基础上，结合关键过程变量选取思想，以及OSC方法的数据预处理思想，提出了一种基于关键变量（critical variable，CV）的OPLS建模方法(CV-OPLS)用于复杂多输入输出变量过程的质量预测，该方法可以在保证模型较好回归能力的同时进一步简化模型结构。 最后通过Tennessee Eastman(TE)过程的质量预测仿真，将本文提出的方法和传统的回归方法进行对比分析，验证了新方法的可行性和先进性。