基于GP模型的非線性系統(tǒng)建模及其應(yīng)用.pdf

1、隨著當(dāng)今工業(yè)信息化、數(shù)字化進程的不斷深入，數(shù)據(jù)驅(qū)動建模(data-drivenmodeling)方法及其應(yīng)用引起了廣泛關(guān)注。高斯過程(Gaussian process，GP)模型通過對訓(xùn)練數(shù)據(jù)相關(guān)性的分析，可以顯式地給出預(yù)測值的后驗概率分布，從而反映了預(yù)測值的不確定性。這一特性使得它在處理模型不精確時的預(yù)測、控制、優(yōu)化等問題時具有很大優(yōu)勢。此外，GP模型本身還具有易于實現(xiàn)、超參數(shù)自適應(yīng)獲取等優(yōu)勢，逐漸成為了機器學(xué)習(xí)領(lǐng)域的研究熱點之一，并

2、在過程系統(tǒng)工程領(lǐng)域得到了廣泛應(yīng)用。本文圍繞GP模型在不同類型工業(yè)過程中的建模及相關(guān)應(yīng)用開展研究并取得以下成果:
　　1.利用GP模型所提供的預(yù)測方差信息，提出了自主動的GP模型，建立了更新數(shù)據(jù)的自主篩選策略，使用預(yù)測方差和預(yù)測誤差相結(jié)合的方式對模型預(yù)測值不準確的情況作出區(qū)分，以更好的選擇建模數(shù)據(jù)。
　　2.基于GP模型所提供的預(yù)測分布，提出了一種被稱為“基于自主改進GP模型的預(yù)測控制(AI-GPMPC)”方法，適用于初始模型

3、不準確情況下的設(shè)定值快速追蹤控制問題。該方法能夠在“搜索當(dāng)前模型所提供的信息”和“探索可能改善控制效果的未知區(qū)域”之間進行權(quán)衡，在對系統(tǒng)輸出進行有效控制的同時，通過更新訓(xùn)練集改進預(yù)測模型。
　　3.提出了KL-GP的分布參數(shù)系統(tǒng)建模方法，借助KL分解對過程進行時空分解和維度縮減，并在各空間維度中分別建立GP模型后，通過時空合成對原過程進行重構(gòu)獲得輸出預(yù)測。考慮模型更新的需要，對KL-GP方法進行擴展，提出了“自主動KL-GP(SA

4、-KL-GP)”的建模方法，利用所得的輸出預(yù)測方差對任意時空點上的建模效果進行評價，并自主選取數(shù)據(jù)以改進當(dāng)前模型。為滿足實時模型改進的要求，提出了改進的“迭代選擇KL-GP(RS-KL-GP)”建模方法，利用迭代更新方法減少了更新計算量。
　　4.針對間歇過程訓(xùn)練數(shù)據(jù)稀缺導(dǎo)致模型不準確的問題，提出了一種基于GP模型和期望改進進行批次間最優(yōu)軌跡的設(shè)計方法。以不準確預(yù)測模型為前提，利用“期望改進量”的作為優(yōu)化目標，該方法可以通過盡量少

5、的試驗性生產(chǎn)批次得到最優(yōu)的過程產(chǎn)品質(zhì)量。
　　5.基于過程機理知識，建立了低壓化學(xué)氣相沉積(LPCVD)過程的仿真研究對象;使用GP模型建立預(yù)測模型，利用有限的訓(xùn)練數(shù)據(jù)對含有空間分布信息的批次過程進行建模，用以預(yù)測空間分布的晶圓表面薄膜厚度。在進行優(yōu)化控制的過程中，基于GP模型所提供的預(yù)測值不確定性，優(yōu)化選擇下一批次的操作變量，以保證過程的穩(wěn)定性。此外，預(yù)測不確定性也被用于更新GP模型的高效數(shù)據(jù)選擇，盡量減少數(shù)據(jù)采樣，同時增強模型