主元分析是基于独立元分析过程监控中一种重要而且常用的白化方法，可以有效地降低监控对象的维数。其基于正常样本数据，根据主元方差贡献率选取主元，保留正常样本中的大部分方差信息，消除噪声。在ＰＣＡ模型中，每个主元的Ｔ２ 统计量表征着样本数据沿该主元方向的变异程度。通过对故障样本数据每个主元的Ｔ２ 统计量分析，发现某些故障信息投影在方差较小且被舍弃的主元上，从而造成故障信息的损失，进而影响了ＩＣＡ的监控性能，造成故障的漏检和故障源的误识别。最后，采用一个简易系统和ＴＥ过程，验证了ＰＣＡ 白化过程对ＩＣＡ监控性能的影响。

提出一种控制参数协进化的差分进化算法(DE-CPCE),实现算法控制参数随种群搜优进展,自适应动态调整。D E-CPCE算法将控制参数作为原始个体的共生个体,且每一个原始个体都有各自的共生个体;算法在对原优化问题进行差分进化搜优的同时,以原始个体进化效率作为共生个体(即控制参数)的评价,并通过共生个体的差分进化操作实现其协进化。D E-CPCE算法能随优化问题搜优进展,自适应动态调整算法控制参数,实时为算法搜优提供最优的控制参数。仿真研究表明,DE-CPCE算法的控制参数具有动态自适应性;并且在与文中所提及的算法(DE/rand/1,DE/best/1,DE/rand-to-best/1,DE/rand/2,DE/best/2,self-adaptive Pareto DE and self-adaptive DE)比较中,该算法能以较高概率求得全局最优值,且收敛速率快,求得最优解的精度高。同时,应用 DE-CPCE算法估计 SO2催化氧化反应动力学模型参数,结果优于文献报道。

针对呈现高度非线性,自变量之间存在交互作用,且采集的过程数据具有一定类别特征的复杂系统,提出基于自组织映射神经网络—主元分析—关联向量机相结合的建模方法。首先,通过SOM,将样本分割成模式特性相近的若干子类,实现样本模式空间的分割。然后,基于每一子空间的建模样本,提取主元,并以预测性能为指标确定最佳主元个数,消除冗余信息干扰。最后,将各子空间的主元分别作为RVM模型的输入,建立各自的模型,实现基于样本模式空间分割的分类建模。仿真试验和在精对苯二甲酸生产过程对羧基苯甲醛含量软测量中的实际应用表明,SOM-PCA-RVM模型的拟合精度和预测精度不仅优于RVM模型,也优于PCA-RVM模型。

针对软测量建模样本中数据难以避免存在粗差、以及粗差数据对模型性能的影响,提出了一种自适应加权最小二乘支持向量机(AWLS-SVM)回归建模方法。AWLS-SVM基于建模样本数据,根据最小二乘支持向量机回归模型的拟合残差确定各样本的残差权值,根据样本的空间分布确定杠杆权值,进而通过迭代运算,自适应确定各建模样本的权值,在有效减小粗差点对模型性能影响的同时,保留了其所提供的有效信息。仿真实验表明,AWLS-SVM能有效克服粗差样本数据的影响,其模型的预测性能明显优于LS-SVM和径向基函数网络。最后,应用AWLS-SVM建立粗对苯二甲酸中4-CBA含量软测量模型,获得满意结果。

提出了一种核主元分析(KPCA)和关联向量机(RVM)相结合的组合建模方法。KPCA - RVM采用KPCA对原始自变量进行非线性变换并提取主成分，形成特征自变量；采用 RVM，对 KPCA变换后的样本数据进行回归建模，并根据模型的预报能力自适应的确定参与回归的最佳特征变量个数，消除冗余信息干扰，获得强非线性表达能力且预报性能良好的模型。并将KPCA - RVM应用于 PTA装置对羧基苯甲醛(4 - CBA)含量的软测量建模，结果表明该方法预测精度高于PCA - RVM和RVM。

针对石油化工生产过程样本数据呈高维的特征, 提出了基于自组织映射(Self -Orga nizing M ap,
SOM)网络的粗差判别方法, 并实际应用于初馏塔生产过程。首先应用SOM 网络对初馏塔生产过程数据进行保留
拓扑结构的降维映射, 然后通过对其映射平面神经元间距离的可视化分析, 实现数据粗差判别。研究结果表明用
SOM 网络来发现高维复杂生产过程数据中的粗差具有很好的可视化效果及应用前景