.png){kind=icon}
返回
Variational Bayesian Inference for Soft Sensor Development With Irregular Measurements
.png){kind=icon}
PRE
AI
DOI：10.1109/tim.2026.3712920.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在软传感器开发中仍存在许多挑战。由于各种因素的影响，采集的工业过程数据不可避免地受到测量噪声、异常值和缺失数据的污染。本文提出了一种基于变分贝叶斯推断（VBI）的稳健概率建模方法用于软传感器开发及其针对多速率系统的扩展版本。利用拉普拉斯分布对测量噪声和异常值进行建模，因其具有重尾特性。将多速率系统中的所有不可测量变量视为隐变量。采用VBI方法同时估计这些隐变量和未知参数。此外，考虑并处理了输出数据缺失的情况。通过数值算例、连续发酵反应器过程以及中试规模的混合储罐实验来验证所提出方法的鲁棒性和有效性。仿真结果表明，所提出的方法在同时估计时间延迟和处理不规则测量数据方面表现出鲁棒性能。
Keyword:
Irregular measurement data
Laplace distribution
multirate systems
soft sensor
variational Bayesian inference (VBI)
期刊
IF:
5.9
论文数:
2.0W
被引数:
5.8W
机构
引用论文
Deep Residual Learning of a Probabilistic’ Partial Least Squares Model for Predictive Data Analytics
PREAI
分享收藏Hierarchical masked weakly-supervised soft sensor for multi-sampling rate industrial processes分层掩码弱监督软传感器用于多采样率工业过程.png)
Measurement
MeasurementIF5.6
PREAI
分享收藏Variational Bayesian approach for ARX systems with missing observations and varying time-delaysAUTOMATICA
AUTOMATICAIF5.9
PREAI
分享收藏FIR Model Identification of Multirate Processes with Random Delays Using EM Algorithm使用EM算法对具有随机延迟的多速率过程进行FIR模型识别
PREAI
分享收藏
查看更多内容