乔俊飞,孙子健,汤 健

(北京工业大学信息学部,北京 100124;计算智能与智能系统北京市重点实验室,北京 100124)

1 引言

随着传感器技术与计算机水平的持续发展,现代工业过程有望通过融入大量数据以期实现对运行状态的更精准有效控制.为实现上述目标,软测量建模方法被广泛用于具有连续化和复杂化等特点的工业系统,其依据过程数据建立难测参数的测量模型[1-3].实际建模任务中,过程数据因其随时间变化所具有的非平稳性引起了众多学者关注,尤其是数据分布随时间发生变化导致旧模型无法适用于新样本的问题,该现象被称为概念漂移[4],其产生原因一般是工业中元器件老化或生产环境变化导致模型输入输出的关系改变,其通常难以预知与量化.为此,建模过程通常引入在线学习方法(如非线性感知器[5]、正则化对偶平均[6]和LASSO[7]等)实现在线动态建模,目的是使软测量模型能够根据新样本实时更新,以在不断变化的数据环境中保持良好的测量精度,同时有效缩减数据存储成本.

尽管在线动态建模使模型具有自主调整能力,但在概念漂移环境中通常还需对模型更新方式进行引导,否则模型将由于无法全面了解环境变化而长期处于频繁更新状态,并因此消耗更多计算资源且易导致测量不及时或准确性下降,此时有必要仅采用新概念样本对模型进行针对性更新,以提高模型在环境变化时的适应速度[8].

为实现对……