自适应Kernel学习网络在TE过程组分仪建模中的应用

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。