论文部分内容阅读
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TennesseeEastman(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。