Highly-overlapped, recursive partial least squares soft sensor with state partitioning via local variable selection

ما گزارش استفاده از یک گروه حسگر نرم با استفاده از حداقل مربعات جزئی بازگشتی با تعداد زیادی از مدل های همپوشانی را گزارش می کنیم. روش پیشنهادی، با تعدیل تعدادی از نمونه های آموزشی که در هر مدل وجود دارد، از ضعف حافظه فرایند استفاده می کند، در حالی که همیشه از جمله جدیدترین نمونه هایی است که معمولا برای پیش بینی نمونه های جدید مناسب تر هستند، و همچنین تضمین می کند که هیچ مدل محلی به علت راندگی نامعتبر است. برای به دست آوردن تقسیم بندی دولت داده های فرایند، انتخاب متغیر مبتنی بر کوواریانس بر روی هر یک از مناطق مدل انجام می شود تا اطمینان حاصل شود که تنها متغیرهایی که بیشتر به حالت فرایند غالب مرتبط هستند در هر یک از مدل های محلی گنجانده شده است. این روش یک توزیع پیش بینی از مدل ها را فراهم می کند، که امکان پیش بینی ویژگی هدف را از آمار خلاصه توزیع پیش بینی مشاهده شده فراهم می کند. اثربخشی روش پیشنهادی با تست یک سنسور نرمال متعارف جهانی و همچنین یک سنسور نرم محرمانه دولتی با هر دو انتخاب و بدون انتخاب متغیر بر روی دو برنامه کاربردی سنجش نرم افزاری که از فرایندهای صنعتی واقعی با استفاده از فرکانس های به روز رسانی مختلف مدل توسعه یافته است، نشان داده شده است. نتایج آزمایشات نشان می دهد که روش پیشنهادی در اغلب موارد سنسور نرم نرم را بهتر از سنسور نرم می کند و با سنسور نرم افزاری حالت دولتی مقایسه شده بسیار رقابتی است و نشان می دهد که روش پیشنهادی به پیکربندی دقیق حالت می رسد.