先进的化学过程工程工具,如模型预测控制或软传感器解决方案,需要适当的过程模型。 这些模型的参数识别需要具有高信息量的输入输出数据。 当无法应用基于模型的优化实验设计技术时,从历史数据中提取信息片段也可以支持系统识别。 我们开发了一种面向目标的基于 Fisher 信息的时间序列分割算法,旨在从历史过程数据中选择信息片段。 所使用的标准自下而上算法广泛用于过程数据的离线分析。 不同的段可以支持参数集的识别。 因此,我们建议使用从序列获得的 Fisher 信息矩阵的特征向量之间的 Krzanowski 相似系数,而不是使用 D 或 E 最优性作为比较两个输入序列(相邻段)的信息内容的标准。 两个应用示例证明了所提出方法的效率。 该算法能够从历史过程数据中提取具有参数集特定信息内容的段。
它也在: L. Dobos, J. Abonyi, 基于时间序列分割的 Fisher 信息矩阵过程数据分析
2022-05-11 02:14:37
580KB
matlab
1