问答及答辩结果在线视频

那下面的话进入那个提问环节

行 那么我先提一下问题吧

就是说在你的那个评论过程中

这个慢过程在你这个方法中

占有很重要的一个地位

那么慢过程的话

慢的标准一般怎么掌握

或者说有哪些参数

对实际来说那么怎么刻画

或者说还有哪个参数能

或者一些标准来表征这个慢

还有一个问题就是说

就是用基于数据驱动的那个估计

那么现在这个大数据

或者这个深度学习

这个深度方法都比较

影响都比较大

你这个方法

你这个问题或这两个

或者它们俩有哪些联系

和如何评述

好 谢谢评委老师的提问

首先针对第一个问题

我们可以从慢特征本身的概率

意义上得到一些洞察

慢特征分析的概率解释假设

每一个慢特征

都是一个一阶的自回归过程

AR过程

其中参数Λi表征了

慢特征分析变化的快慢

当Λ比较

Λi比较大的时候

说明Si(t)和Si(t-1)本身

存在着较强的时序相关性

此时Si(t)概率慢特征的变化较慢

当Λi比较小的时候

相邻样本之间的时序相关性较弱

因此此时概率慢特征的变化较快

那么在极限的情况下

Λi等于0的时候

那么概率慢特征

会直接退化为一个高斯噪声

它是变化最快的

所以在概率框架下

利用AR过程的转移参数

状态转移参数Λi

对慢特征本身的变化快慢

进行了量度和表征

第二个问题

现在大数据主要利用

深度学习方法

对研究的对象展开探究

那么深度学习本身描述的是

变量之间的非常强的

非线性的相关关系

例如图象 文本 语音当中的

各个变量之间的关系

是高度非线性的

那么我的博士课题的

主要的研究方向

是从动态特性来展开

因为和传统的机器学习

模式识别的研究对象

不一样的是

流程工业的数据一方面存在着

空间上的相关性

也就是说各个变量之间是相关的

另外一方面它们存在

时间上的相关性

也就是说相邻时刻的数据

也是相关的

而在经典的机器学习

和模式识别的研究对象

例如图像当中

仅仅存在着空间上的相关性

那么过程数据

有点类似于视频数据

它是两种相关性都存在的

所以我的博士课题的研究重心

放在了时序相关性上

那么在这个

我的博士研究当中

也有一篇论文

是来针对利用这个深度学习

对过程数据

进行非线性特征提取的

那么可以说是两种方法

聚焦于过程数据的不同特点

好 谢谢老师

我接着就正好在这一页

我接着李老师刚才的问题再问一下

就是慢特征这是你的一个出发点

是吧

对于慢特征的物理意义的解释

对

就这个公式里能看到

实际上这是一种约束

就是第一个

它是一个马尔可夫过程

或者从另外的角度来理解

这个是一个简单的有色噪声

因为那个是白噪声驱动

就是你每一个慢

你把那个原来的信号

Si(t)是分解成好多个对吧

然后每一个成分

都是一个一阶的

用AR模型描述的有色噪声

就是这种假设

符不符合化工过程的实际

因为毕竟这还是一个

一个比较强的约束

就本身作为有色噪声的话

你可以是高阶的

特别是作为AR来说

应该阶数更高

就是ARMA可能阶数还能低一点

AR阶数更高

你现在就是一阶的这个一个

然后还是一个这种马尔可夫性

所以这是第一个问题

就是这种假设

在化工的过程里边

是不是符合实际情况

当然你前头有一个分解

这是第一个问题

然后第二个问题

是就是你用原始的那个T方

和SPE的监控

你叫并发是吧

然后你再同时监测慢特征

你同样有类似的两个

两个那个统计量

这两个之间的组合逻辑是什么

就是会不会这两个的报警

最后产生了矛盾

你应该听谁的

还是它们是一个或的逻辑

第三个问题是

待会儿一块解释吧

就是那个说慢特征去掉了

那个smearing

你能不能说说它的物理意义

为什么就慢特征

有助于去掉smearing

还有33页有一个工作点

和那个动态特性的变化

我没听明白

你待会儿再解释一下吧

先说第一个问题

就是这种约束是不是强

符不符合实际

那么这个就是说

慢特征分析的概率解释

是在一定条件下才能够取得的

就是说各个慢特征分析的

变化快慢不一样

并且样本数趋近于

正无穷的时候

才有这样的概率解释

所以在最原始的监控方法当中

我们仅仅是描述了

两个高斯分布

所以说与刚才的概率解释相比

这样子直接去描述

x本身的稳态值分布

和x变化速率的分布

要比直接应用概率解释

要有更好的普适性

这个概率

不一定能得到那个概率解释

那个是

对

在某些条件下能够得到

趋于无穷大的时候

对对对

所以在未来的研究工作中

但是你实际上那个研究内容三

是基于这个假设的

基于那个强假设的是吧

对对对

一跟二跟它没关系 行

那你说那个第二个问题

就是 就是 对

你两种统计量吧

对这两个

你那个组合逻辑是什么呀

就最后是只要有一个报警

就说有问题

还是两个都发生了报警

才说有问题

这里我们只是提供

赋予这个统计过程监控技术

更多的功能

就是说我可以通过

组合两种统计量

呈现出来的不同的信息

然后还需要进一步结合

过程操作人员的专家知识

以及过程机理

来进行最终的确定

做出最终的决策

就是说你的工作

并没讨论这个问题是吧

就是说两个之间再有一个

组合的判断逻辑

并不涉及这个的讨论

是这样

对 一般的我们认为

当T方和T方E

就是它有二乘二四种组合

就是说工况异常

动态特性正常

工况正常 动态特性正常

以此类推

那么比较令人关心的情况就是

第一个就是T方和T方E统计量报警

表明了工况的异常

而此时动态特性的变化是正常的

那么在这种情况下

结合过程的一些机理知识

包括检查相关变量

是否处于正常的范围内

进一步结合这些机理知识

才能够得到

此时不需要报警的

这样的一个结论

那个问题你看33页

其实跟这个问题是相关的

就是你说区分了

一个叫工况的变化

还有一个叫动态特性的变化

对 就是这两个

是不是就跟刚才那个事情相关

就是工况的变化

是靠T方和SPE

我觉得你说那句话

你说有一个能发现工况的变化

然后另外一个动态特性的变化

是这个例子吗

对

我们可以看一下原始的数据

在这一天的运行时间内

大概在这个位置

过程发生了工况的变化

因为支路4的流量

发生了一个变化

但是过程整体仍然是正常运行的

动态特性并没有变化

而在末尾

动态特性的变化

从物理上你怎么定义

叫动态特性的变化

动态特性的变化

就是它变化速率的一个分布

就是说

就是就更原始的物理原因

工况的变化可以理解工作点变了

就比如说设定值

什么这些都变了

动态特性的变化

你更物理上的原因

到底指什么事

可以理解为过程的控制性能

没有发生变化

这里出口温度

是最主要的控制变量

它的控制性能没有发生变化

此外其它的变量

也没有发生明显的波动

过程仍然是平稳地运行的

那就是它最后那个

出现动态特性变化的

物理原因到底对的是什么

这个对应的是上游的这个单元

它的这个支路流量发生了扰动

进而对下游的加热炉

产生了影响

然后那再看那个结果

就是你这个是工况的变化

是靠那个T方和SPE去判断的

是吗

对

那么这里T方和SPE

T方和T方E统计量

显示了工况发生了变化

而另外一方面

S方统计量表明

过程的动态特性仍然是正常的

就这两个相当于对不同的变化

是各自一个敏感

一个不敏感能区分

就是这个意思吧

对对

但是在传统的PCA方法里

二者是不能区分的

然后还有最后一个问题我看看

那就没问题了

刚才33和那个问题

不 还一个 有一个

我忘了第几页

你说那个能去掉smearing

用那个 为什么呀

你那页在哪呢

就是贡献图的那个

不是这

对 就是说你说因为用了

基于慢特征的这统计量

你结果挺好的去掉了

物理道理是什么呀

物理道理一方面在于

慢特征分析

对于过程本质的动态变化

进行了合理的描述

另外一方面RBC

基于重构的贡献

它在理论上能够保证

对于单个传感器故障

具有一定的可检测性

因而对于这个污染效应

本身具有一定的不敏感性

污染效应本身

就是RBC存在的问题

然后就污染效应

是在RBC里头

它实际上各个传感器

方向不垂直的时候

它就会彼此互相干扰

然后现在你因为用了慢特征

加上RBC

是有助于这个问题解决

我不知道我理解的对不对

是不是这样

我们这里是和经典的

控制性能评估和监控的诊断

和RBC的那个smearing相比

对对对 因为在

我知道了

就是你是和那原来的比

那你最后的这个效果的改善

取得的原因是因为RBC的作用

还是因为你的慢特征的作用

我认为二者都有

说首先建立在

对过程动态特性的

一个良好的表达上

然后在此基础上

去实现对控制性能的诊断

就是那个RBC

实际上也存在着smearing的问题

就是它自己也有这个问题

对 但是RBC

与其它的贡献图相比来讲

它受smearing effect的影响

是相对来说略少一些的 对

好吧 我没问题了

那个工作做的挺好的

文章都很棒

谢谢老师

我提一个问题

那个这个刚才李老师说了

工作的确做的很好

这个杂志都是顶级的

然后有一块我不是太明白

就是你那个做

概率慢过程回归模型的

参数估计的地方

就是用那个EM期望最大算法

前面有一个图

用阿尔伯塔那个三容水箱模型

就是仿真的

对 这张

这个图我感觉可能这个例子

它有它的畸形的一面

为什么 你看

你做五次随机初始化

然后用初始化

后面就是用EM来迭代

对

搜索

那为什么都收敛到

一个地方去了呢

是这样的

是因为我们的这个解太好了

不 那个不管 先不管

那是第二个问题 还没提呢

为什么这五个随机

都到一个地方去了

如果它结构中

有大量局部极小的话

EM其实是一种梯度下降问题

它可能收敛的地方

可能是不一样的

它都到一个地方去了

其实你把这个迭代步数再给拉长

没准它也能到你那条蓝线上去

只是你的迭代步数不够

所以这个问题

是不是它只是只有一个极小点 对吧

如果你是你这个初始化随机的

假设在解空间里均与分布采样随机的话

那有可能它收敛地方

不是在一个地方

有没有去

如果我做的话

我可能还会让它继续

再去看看发展下去它会怎么样

我可以回答这个问题

你怎么理解这个问题

为什么不到一个地方去

谢谢王老师的提问

这个我们做过这个

就是说能把迭代到100多次

其实它这个增加是有限的

另外关于您的问题

就是说可能这个

看着都到一个地方

其实它的解的是有很大差异的

因为这是对数似然函数

它求了对数了

然后又因为我们这个解的质量较好

所以将整个坐标轴拉的很长

所以导致它们之间的区别不明显

如果单独绘制这五个的话

它们还是有一定区别的

所以说你应该把它

这是一个目标空间上的

一个性能曲线

就是它的解呀这个

比如说以30为你的终止准则

最后出来的5次随机

最后搜索EM的解

它是不一样的

假设能有这个

那就解空间有个表征

对

然后另外第二个问题 就看你那条 你的方法那条线

那么你看这迭代（15：40）

我感觉初始化

第一步之后了就没有贡献了

我感觉 你看

当然你说这个10的4次方

有贡献的对吧

但是给我的感觉基本上平的

也就是EM这种方法没用

我直接就用那个慢特征分析

得到初始解直接用上去

我觉得就是这么回事

你解释一下

我来解释一下

就是说在这个案例当中

这个案例相对比较简单

使用阿尔伯塔大学的一个三容水箱去仿真的

那么实际上这个EM算法

大概是五步就可以收敛了 对

但是对于其它的一些过程

我们在做了一些研究也发现

例如在这个脱硫过程当中

对于这个

利用我们提出来的这个

参数初始化的方法

还是可能得需要

那么十几二十步才能收敛的

那么在那种情况下

传统的基于参数

随机初始化的方法

可能需要50 100步收敛

并且收敛的那个局部最优解

要远远的比我们得到的解

所以说我的意思就是说

这个例子肯定有点畸形

就是你用这个例子

用这个曲线来给它展现出来

就可能有些东西给隐藏掉了

就是它的优势

或者是它有些地方

能解决什么问题隐藏掉了

因为给我感觉

只要初始化就行了对吧

然后后面你做脱硫

如果也有一个这样的东西的话

可能就能说明问题了

对

因为看不到变化

谢谢您的提问

这确实是一个问题

王老师我接着你

就是你的这个S方这个

这个统计量是吧

对

它是最早是用在统计

是用在随机过程当中的对吧

这是最早

是2002年的时候

是什么人提出来

慢特征分析

慢特征分析的方法

对

就是现在这个化工过程也好

什么过程也好

这个一般它应该主要

应该不是一个随机过程吧

它是一个有确定性的这种关联

各个参数之间的关联

就是这个随机性怎么体现的

是这样的

就是说我们这个模型

描述的本身不是

各个变量之间的

随机性的依赖关系

打个比方说一个水箱

当我的进料流量

和那个液位确定的时候

张老师问的好像

是张老师是吧

是

问的不是这个问题

不是说各个变量之间的关系

是你原始的定义

你的定义是一个随机信号

自己的前后的时间上的相关性

而张老师是说化工里的

实际上信号可以认为

是一个确定性的信号

有一点点干扰

所以你从随机的框架下

引入了这么一个定义

到底合理性在哪

是 就有点那个这个

要不然你说那个

李老师说那个问题

就是开始的时候

我觉得这个跟实际过程

它是有什么关系呢

就咱们实际过程

肯定随机性

就是噪声是有随机性的对吧

但是就每一个液位也好

温度也好

它的参数它是一个固定的关系

它随着时间的变化

肯定会受到其它那些量

那些真正的物理量的联系

就是你怎么把它抽象成了一个

这个随机的一个过程

就是在闭环的运行条件下

这个过程是受制于

一些过程内在也好

或者外在也好的扰动的

这些扰动存在着

一定的随机性

而这些扰动又会

首先它会影响过程的CV

它的受控变量

当然如果它DV的话

本身也是受这些扰动的

反过来由于反馈回路的存在

反馈信号会同时去使MV

操纵变量受这些扰动的影响

所以在闭环运行条件下

CV MV DV

都会受这类共同的

内在的随机扰动的影响

所以慢特征分析应用到过程监控的时候

本质上提取出来的

是这一类本质的随机扰动

这是它背后的物理含义

就是说这个你是前提是说

这好多种干扰

比方说哪个干扰都是很多

就类似咱们白噪声的产生一样

也说不清它哪来的

对

没有一个确定的干扰的情况下

你是可以这样做一个假设是吧

对

然后这个那就是说你S方

你后边提到第三个

大概第三个内容当中说到的

就是和质量之间

有一种关联性

那么一个S方咱们讲

它是一个统计的特征

为什么和质量

就是刚才那个图吧

就是有三个这个

就是说有一个

你说和质量有一个关联性

相对关联性

这个是这里

就是说我们是利用这个思想

去研究动态软测量的问题

因为慢特征分析

能够有效地提取

过程这一类的本质的随机扰动

那么这一类本质随机扰动

也有可能对

最终的产品质量造成影响

因为因此我们这里的思路是

通过概率慢特征分析

将这一类随机的本质扰动

将它提取出来

那么有可能部分扰动

就是那些真正影响 对

就是右边那是质量是吧

不是 这是两个变量

分别对两个变量

质量变量进行相关性分析

这个质量变量指的是什么

什么量的

这个在

是控制质量

还是说是就是类似像产品质量

产品质量

在这个案例当中

质量指的是

两种不同的污染物的烟气含量

那这个你能从理论上

就是能说明它和这个

S方这个统计量的相关性吗

还是说实验出来就这样

仿真出来就这么个结果

这里只是依赖一种

就是说根据

我们日常经验的一种假设

就是说假设我的概率慢特征分析

能够提取出来过程的本质变化

而一部分本质变化

对于质量y具有影响

我们只是做这样的一个假设

相当于概率慢特征回归

是建立在这样的假设之上的

然后我们利用案例研究

证实了这样的假设

就现在那你就那个

田纳西模型当中

这个模型当中能够说明出

S方和质量之间的联系

还是说你就把S方

当成一个质量的指标呢

S方统计量是用来

检测动态特性的异常的 对

然后这里慢特征回归是用这个

跟S方是没有关系的

是跟慢特征本身有关系的

慢特征

对

S方是建立在

慢特征本身的导数上

这个概率慢特征

对 概率 概率

跟前头那个慢特征定义还不一样

那个Λ是指的那个吗

对 就那个一阶自回归方程

那个定义 拿那个弄的吧

就是说那是概率慢特征的一个关键参数

就你现在它的质量指标

是不是从那个模式出发的

不是

就是慢特征的定义

是不是从那儿出发的

对 概率慢特征是从

概率解释上出发的

对

就是你这里头最后

最原始的慢特征的理解

是那个定义对吧

对对

或者跟我们过去

传统的经典控制

里面的这个模态是有关系的

最新的那个

或者是衰减率是吧

对对

一个是SE是吧

一个是SE的平方

对对

这俩就是正交的是吧

对

那个是前头做监测用的

然后后头实际上它那个定义

跟前头的不一样了

慢特征的定义

对 这是概率慢特征

那就是说哪个更敏感

你这是怎么得出来的

你说ST什么VS

除了S更好是吧

不是

就是说这里两个信息

都需要同时地去利用

它们的组合能够组合出

不同含义的监控结果来

就是反正有这个

由用户来判定

就是说…信息

对对对

但是在一些典型的扰动上

我们能大概得到一些结论

就是正常的参数的变化是

它的S是不变的 就是不敏感

但是你说的意思就是

这个工艺过程

如果真的有参数的

性质的什么变化的时候

这个S就敏感了

对 就是说它的动态特性

发生变化的时候

或者是它的运行

不再像原来那么平稳的时候

S方和S方E就会发生变化

这个指的是模型的参数变了

还是说什么情况下这个S

是整个闭环系统的

这个动态特性变了

就是还是刚才我提个问题

什么叫动态特性

就是有些静止不稳定了

或者你能不能开环

应该这方法也能用吧

就是一个

就是我只研究前项通道

对 所以你就别老说那控制性能

就是它最本质那操作点的变化

很好理解

那个就是所有的稳态的值都变化

你现在的动态特性你是指什么

模态 就是模态

动态特性相当于

就是指这个动态模型的参照

发生大幅度变化

动态不稳定了

那就相当于是描述它的

比如说那个传递函数

或者是什么差分方程里边的参数变了

这个叫动态特性的变化

而那个操作点的变化

是指这些输入什么

那个操作点变了

是可以这么理解吗

对 可以这么理解

好 谢谢

谢谢老师

我问你两个问题

第一个就是关于动态特性变化

刚才有人提到

你动态特性变化

是基于数据是指基于输出量

还是用这个输入数据

多变量的时候

你是要不要考虑多个变量相比

相比一下是吧

你动态

比如你看动态特性变化

你看出口温度

就只看出口温度

还是再考虑到其它的输入

好 这里我们是在多变量

统计过程监控下进行研究

所以是考虑所有

快速采样的过程变量

所有的变量

输入输出的时候都考虑了

对

然后你给了一个例子

是有十几个变量

那你定义那个T方E的时候

都是这个变量综合算出来的

对 是19个变量

不是一个一个变量算出来的

对对

这个是应该合理的

这个就是这个

做这个基于数据的时候

动态特性的变化

如果光看输出数据

实际上是不行的

光看输入数据的确是不行

因为有时候数据的变化

是因为动态特性变化

有时候数据变化

表征出来的数据变化

它并不是动态特性变化

它可能是噪声

可能是输入引起的

那这个事件你怎么去分

怎么把它分开

怎么判断是动态特性变化

有的是因为输入的影响

输入有两类

一种是控制 一种是噪声

而噪声是静态下发生的

那么这时候

到底是动态特性变化呢

还是噪声的变化

你怎么把它分开

考虑这个问题没有

我有考虑过这个问题

谢谢老师的提问

那么我的一个想法是

利用我们的这个诊断技术

来对这个统计量进行贡献分析

那么如果是输入变量的影响

那么应该就会显示出

类似这张彩色图上

显示出来的模式

仅有少部分变量

对于过程的异常

有着非常显著的贡献

那么其它大部分的变量

对于过程异常的贡献是不大的

对 这样的话

就能够提供更加明确的信息

方便操作人员把这种情况

和噪声带来的影响区分开来

但是有时候

有些不合适的噪声

你在你做分析的时候

原因分析的时候

你就没有那数据

对

是吧

是

那时候就不好算了

对 所以这时候就

这个方法不是个万能的方法

所以我们提出来

这两组监控统计量

是配合使用的

我们的任务只是

为操作人员提供

更多更丰富的信息

具体的判断还需要操作人员

结合具体的过程

去这个进行判断

打个比方说

如果T方T方E统计量超限了

但是动态特性没有超限

那么也有一种情况

可能打个比方说

这个精馏塔塔顶的压力

其实已经超过了这个阈值

但是动态特性

目前还没有发生变化

这种情况下

其实是需要操作人员

结合这个塔的具体情况

进行判断的

也并不是说在所有的情况下

T方统计量

T方E统计量正常 超限

而动态特性正常

就表明一定没有问题

这时候是需要进一步进行判断的

这个判断我的看法是

你这个算法判断不了

人更难判断

人可能更难判断

是这个怎么把动态特性的判断

和不确定适应性噪声分开

这样有些是设备超限

温度压力超过我这个指标限制

超过人的这个

超过人的判断

这是这个问题实际上

我觉得动态

首先我觉得区分

你做了很多工作

而且涉及的面还挺广的

还有我做一些应用

对我的应用来说很有价值

那么你要判别这个

动态特性变化

是一个很难的问题

我觉得你做了很好的工作

比如前面工作

有很多我觉得都很好

就这个地方

我自己没太看清楚

就是怎么区分这个

它是有其它办法

通过它去区分

区分出来以后

因为模型有变化以后

我们自适应控制里边

就加自适应控制

在自适应控制里

又做了很好的工作

就是模型更改

更新的时候有个停止准则

这个停止准则

我觉得做的很好

那么我就用另外一个问题

模型启动

模型更新启动的时候

停止完了以后自动启动

一般我们现在做自适应控制

好多在线更新是需要人去启动的

那么这个启动你怎么办

因为启动的时候

又遇到原来的问题

有的是模型没变

你改模型没必要

有的时候可能是噪声的

或者输入

输入因为你有个监测进来就能判断

如果模型没变

你这个是因为噪声

引起数据的变化

你也去根据模型

结果控制效果

实际上控制效果体现不出来了

所以你启动的问题

你怎么考虑的

你谈到这个停止

但是启动考虑过吗

启动我也考虑过

就是说目前的这个

模型更新停止准则

在启动上它的含义是说

在模型更新停止之后

只要S方统计量

它回到正常状态下

就可以进行

继续进行更新了

所以这方面

也确实有一定的这个局限性

那么也会存在

那种您说的情况

就是说有可能

它确实是有问题的

但是这时候开始更新

使得自适应

自适应控制的这个方法失效

所以可能在这一方面

可能还是需要加入一些

人工的一些判断

这是我问的第一个方面

第二个大问题

我是觉得你确实有很多东西做的非常好

关于那个软测量里面

你提出一个就是FIR

和那个支持向量机

结合起来那个模型结构

对

提出这个结构

我觉得这个

而且从效果上来说也很好

但这个模型结构我有点疑问

就是你是用了这个

前面是用一个

多变量每一个通道

就多通道之间的影响

是否考虑了

没有考虑

没考虑

我们这里假设

各个通道的动态特性是解耦的

已经解耦的

对

但实际过程不一定是这样

但是你可以把耦合

放在支持变量机里头

再一个这种结构

就是你前面是一个串联的

这个串联结构的话

它的这个训练

或者是这个数据

它实际上内部机理

是不是这样的结构

这种结构它适用性怎么样

你从这个

可能数据上看效果是挺好

这种结构的适用性

因为耦合的话

你是不是支持向量机

去考虑耦合

还是怎么去考虑

对 就是说这个模型本身

建立在动态特性 解耦

然后动态结构和非线性结构

串联这样一种基础上

具有类似于系统辨识当中的维纳模型结构

所以它本身不能够描述

所有这个非线性动态系统的特性

就是有一类

还有一些不一定

对 它只是能去逼近它

这是你提出来的

还是别人也这么用这个结构

早在这个2005年

我们课题组的这个

马勇师兄就提出了

类似这样的维纳结构

通过将动态环节

和非线性静态环节进行串联

来表征模型的过程的非线性特性和动态特性

只不过那会儿做的相对比较简单

在这里用了一些

类似几何形状

来表征过程动态特性

后面用的模型也比较简单

然后此外二者的

这个寻优是分开的

在当时这个动态特性的参数

也是靠人为进行设定的

我的工作在于就是

我提供了动态特性参数

和非线性参数的

一个联合的寻优的办法

然后

在这种结构

你觉得它的优点在哪

就为什么要用这个支持向量机

因为支持向量机

它本身是很适用于

小样本学习问题的

因为在实际的生产过程当中

我们的难测变量的样本非常的少

所以使用其它的

类似于神经网络的话

我总需要拿一部分的校验数据来判断过拟合

而支持向量机

就没有这方面的问题

因为它是一个非参数的模型

它能够利用所有的数据 对

那还有一个问题

就是你现在用数据的时候

这个中间的x是自己构造的呢

还是也是实测的数据

你因为现场你可能只有u和y的数据

那么x是不是也要去实测的数据

还是你构造的数据

x是估计的中间变量

它并不存在

对 它相当于一个状态

状态是你自己估计的

对对

也没有物理意义是吧

就是这个状态

没跟实际的系统

之间有什么物理意义的关联

就是说如果真实的过程

是这样的过程的

它的物理意义就是

你也不知道真实过程是什么样的

对

但是在在线的应用的时候

这个是很方便的

因为我们对于每一个变量

先进行一个一阶惯性环节加纯滞后

在工业上这个是很容易实现的

所以这个x（t）

经过这样一个线性环节

很容易求得

拿DCS是算起来很快的

这就是估计出这样一个

我就假想这个结构不是这个值

对

然后后面的问题就用支持向量机去解决

这挺好的

前面这个相当于只考虑动态

相当于把所有的耦合关系放到后面

这个从早期那里面它是能够

一般非线性它应该

它是一个Wiener模型

基本上一般非线性结构都能够表示出来

这是一个第一次

像这种动态完全的结合到一块

结合 完全地给它描述

可以吗

行

好吧 那就这样

那在座的同学

也可以提一个问题

行 如果同学们没有问题的话

这样我最后再提一个问题吧

这样

跟这个工作取得的成果

还是比较丰富的

而且发表的论文档次也比较高

反正你就下面我就

因为你提供了总体

关于那个过程控制的动态建模

一个方法以及应用

那么把这个问题

我理解是理论跟应用

紧密结合的一个

当然它不是全理论

也不是全应用

它是这种状态

那么你能不能围绕介绍一下

这个动态建模包括

或者实际的数据

或者是实际过程那个

结合方面的情况

就是说它在实际应用当中的

对 就是应用研究

我们主要是通过

利用这个实际的数据来进行验证

对

在这个监控及故障诊断这方面

我们最终主要是

应用一个加热炉的实际数据

应用它的一年的数据

来做了这样的研究

对前面所有的研究内容一和研究内容二的

这个实用性都做了探究

在这个实际工业数据上的这个

这个结果显示了

它是具有实用性的 对

然后另外我在

暑假在新疆天业进行暑期实习的时候

对它那个聚氯乙烯生产装置

它那个反应器

也设计了一种报警策略

也是拿了它一年的数据

也是运用S方 S方E统计量

去监测它的动态性能的异常

来判断它游离氯的存在

并且利用这个贡献图技术

去排除掉上游装置

对它带来的扰动

最终也是用一年的数据

能够证明它在这方面是有效的

所以说在这方面的有效性

是在工业案例中

也得到了提升 验证的

后面的有关软测量的研究

也都使用了非常多的

工业案例数据进行验证

各位老师还有没有问题了

那咱们没有问题的话

那就咱们进行下一段

刚才经答辩委员会那个详细讨论之后

形成你的那个答辩决议

现在我宣读一下

论文研究基于数据驱动的

工业过程监控与软测量问题

选题具有重要理论意义

和应用价值

论文在详细综述

相关研究现状的基础上

通过深入研究

取得了如下创新性成果

一、提出了一种

基于慢特征分析的过程稳态

与暂态特性的建模方法

并定义了相应的监控统计量

二、提出了一种

基于过程动态特性的

控制性能监控方法

和这个贡献图

对控制性能进行实时诊断

并提出了一种高效的

递推慢特征分析算法

以实现时变过程的自适应监控

三、利用时序相关性先验知识

分别提出了一种

概率慢特征的回归模型

和一种改进的DPLS软测量模型

四、结合支持向量机和贝叶斯框架

提出了一种动态非线性软测量结构

及参数寻优方法

基于仿真案例和实际生产数据

验证了所提方法的有效性

及相对现有有关方法的优势 优越性

论文成果表明

作者掌握了本学科

坚实宽广的基础理论

和系统深入的专门知识

具有独立从事研究工作的能力

条理分明 阐述清楚 写作规范

达到了工学博士论文的水平

答辩过程中阐述清楚

回答问题正确

经答辩委员会五人无记名投票表决

一致同意通过尚超同学博士学位论文答辩

并一致建议授予其

工学博士学位

同时一致同意推荐

参评优秀博士论文