面向在线应用的简约混合模型视角:以ARIMA扰动增强基础模型

《Canadian Journal of Chemical Engineering》:A perspective on parsimonious hybrid models for online use: Augmenting fundamental models with ARIMA disturbances

【字体: 大 中 小 】 时间:2026年08月28日 来源:Canadian Journal of Chemical Engineering 2.2

编辑推荐:

  混合模型(HM)将基础模型(FM)方程与经验组件相结合。这类模型可改善预测性能,因其降低了过程/模型失配并能够刻画FM方程中未予考虑的现象。本文综述了用于化工过程建模的HM方法,重点关注适用于在线过程监测的HM。近期HM研究致力于开发待估参数较少的HM,从而在

  
混合模型(HM)将基础模型(FM)方程与经验组件相结合。这类模型可改善预测性能,因其降低了过程/模型失配并能够刻画FM方程中未予考虑的现象。本文综述了用于化工过程建模的HM方法,重点关注适用于在线过程监测的HM。近期HM研究致力于开发待估参数较少的HM,从而在数据有限时更不易过拟合。研究人员提出一种构建简约HM的新方法,将非线性动态物料与能量平衡方程与受自回归积分滑动平均(ARIMA)扰动启发的经验随机扰动相组合;此类随机扰动源自线性时间序列模型中使用的ARIMA扰动。此外,研究人员提出了一种更新的拉普拉斯近似极大似然估计(LAMLE)算法,可有效估计所得随机微分方程(SDE)中的参数。以连续搅拌釜式反应器(CSTR)案例阐明该方法。案例研究表明,当在模型中引入经验扰动参数与基础CSTR参数共同估计时,可获得改善的参数估计。未来需检验简约HM是否能比相应FM的在线预测给出更可靠的模型预测与状态估计。
研究背景方面,基于模型的在线监测与控制技术依赖数学模型推断不可测或带延迟变量,数字孪生(digital twin)进一步扩展了该类方法。模型可分为基础模型(FM,亦称机理模型)、经验模型(EM,亦称数据驱动模型)与混合模型(HM,亦称灰箱模型)。HM整合FM与EM,以机理描述已知现象、以经验项补偿未建模动态、非理想混合、复杂传热传质及未知副反应。现有HM常因EM部分参数过多而在有限数据下过拟合,故近期研究转向简约HM,借助Akaike信息准则(AIC)与Bayesian信息准则(BIC)平衡拟合与参数量。本文目标为发展一种动态简约HM,仅增少量经验参数即优于对应FM的在线预测。
研究人员开展的研究及结论如下:在背景层面,FM用于在线应用需状态估计器(如扩展卡尔曼滤波EKF、滚动时域估计MHE)更新状态;传统加权最小二乘(WLS)假设结构完美,但简化假设与未知副反应致结构失配,故需在FM右端加入随机项成随机微分方程(SDE),常规假定为平稳高斯白噪声,实际化工扰动常非平稳,因此引入积分态或时变参数。ARIMA扰动此前多用于离散线性或离线EM,连续时间FM中直接嵌入ARIMA启发扰动者极少。研究人员提出(1)更新LAMLE:第一步同前用近似极大似然估计(AMLE)估参数θ与B样条系数B,第二步以特征值对数替代Hessian直接求对数行列式,用数值梯度最小化全LAMLE目标函数(式6)更新过程噪声协方差Q与测量噪声协方差R,避免解析大Jacobian;(2)ARIMA启发连续扰动:由表2线性SDE映射,Model(2.4)对应ARIMA(2,1,0),即dx/dt含扰动态w1,dw1/dt=?λw1+λw2,dw2/dt=ξ(t),ξ为连续高斯白噪声,借此将离散AR(p,d,q)转为连续SDE嵌入非线性FM。
CSTR案例研究中,线性SISO模型以浓度CA偏差为状态,温度T为输入,增w1、w2两未测态实现ARIMA(2,1,0)扰动,待估参数为τ、K、λ及Q、R;合成数据真值已知。结果表明,同时估λ与FM参数较仅估FM参数显著降低偏差,证实经验扰动参数可随FM参数、噪声方差一并被LAMLE识别;非线性MIMO CSTR亦展示同样范式可行。研究意义在于:连续时间嵌入使离散化步长变动无需重估扰动参数、参数量少于离散ARIMA、可与FM参数同框辨识,适合在线EKF/MHE。
关键技术方法概括:研究人员采用(1)基于B样条平滑轨迹与拉普拉斯近似的LAMLE两阶段迭代算法,以IPOPT求解AMLE子问题,以特征值分解计对数行列式避免溢出;(2)将离散ARIMA(p,d,q)扰动通过Euler离散逆推获得连续SDE等价结构(表2),选取ARIMA(2,1,0)级联三态形式;(3)以合成数据CSTR(线性SISO与非线性MIMO)为对象,已知真值参数与噪声方差生成带测噪序列,验证联合估计。样本为数值仿真队列,非实验样本。
研究结果按原文小节浓缩:第2节背景中,2.1阐明FM在线应用与WLS局限;2.2给出SDE形式及平稳白噪声、积分扰动态、时变参数三种增广方式,指出现有仅三组合用非白噪声;2.3详述原LAMLE目标函数(式6)与两步走AMLE(式8)+Newton更新Q、R(式9),指出解析导数繁琐;2.4列ARIMA在化工Table1,指出现有仅三组非线性FM+ARIMA且为离散嵌入。第3节方法中,3.1给出更新LAMLE以式13用特征值λi算log|H|;3.2由表2五模型示AR(1,0,0)、ARIMA(1,1,0)、AR(2,0,0)、ARIMA(2,1,0)、ARIMA(1,1,1)连续对应,选Model(2.4)作CSTR嵌入。第4节CSTR案例中,4.1线性SISO给出式17–20,合成数据τ=2 min、K=0.5、λ=0.3、Q=1e-4、R=1e-3,估计值接近真值且λ可识;4.2非线性MIMO同理拓展。
讨论与结论翻译浓缩:研究人员讨论指出,简约HM以连续ARIMA启发扰动补FM,仅加个位数经验参数即捕获非平稳失配,LAMLE更新版去解析导数、可扩至大系统;CSTR案例证经验扰动参数与FM参数同估改善估计。结论为——将ARIMA启发连续随机扰动嵌入非线性物料/能量平衡SDE、并以更新LAMLE联合估FM参数、经验扰动参数与噪声协方差,是面向在线监测的可行简约HM路径;未来需在工业数据上检验其预测与状态估计可靠性是否优于纯FM。本文发表于《Canadian Journal of Chemical Engineering》。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号