摘要
针对工业过程中采集到的监控变量的时间问题序列数据,提出一种新的基于高斯过程模型的预测建模方法来实现故障预测。针对特定数据集重新构建高斯过程核函数,将工业过程的先验信息加入到数据驱动预测模型中,使模型具有更好的性能。与现有的预测模型相比,高斯过程回归模型可以在给出预测值的同时给出一个置信区间,用作故障预测的不确定性度量。在田纳西-伊斯(TE)曼过程模拟数据集上进行性能对比实验,实验结果表明,提出的故障预测方法具有更好的预测精度。
A new Gaussian process regression based predictive modeling is proposed to realize fault prediction for the time series data of measured variables in industrial processes.Compared with existing techniques,Gaussian process regression model can show the uncertainty of a result,as well as the confidence interval.By constructing the kernel function of Gaussian process model based on a specific data set,and adding the priori information of industrial process,the performance of the proposed model is further improved.A series of contrastive experiments are conducted on Tennessee Eastman process simulator,better performance is achieved for the proposed fault prediction method.
出处
《太原理工大学学报》
CAS
北大核心
2018年第1期86-93,共8页
Journal of Taiyuan University of Technology
基金
陕西省科技厅工业科技攻关项目(2016GY-092)
陕西省科技统筹创新工程-重点产业创新链-工业领域项目(2016KTZDGY04-01)
陕西省教育厅专项科学研究项目(17JK0711
16JK1701)
工业和信息化部通信软科学研究项目(2017-R-21)资助
关键词
故障预测
高斯过程回归
田纳西-伊斯曼过程
工业过程数据建模
fault prediction
gaussian process regression
Tennessee Eastman process
industrial process data modeling
