English
A Gross Error Detecting Method Based on Fuzzy Curve Weighted MMMD Clustering for Soft Sensor Modelling Data
文件大小：
650k
资源说明：A Gross Error Detecting Method Based on Fuzzy Curve Weighted MMMD Clustering for Soft Sensor Modelling Data
这篇文章是一篇关于基于模糊曲线加权多重中位数最小距离（Modified Median Minimum Distance, MMMD）聚类的软传感器建模数据粗差检测方法的研究论文。软传感器技术是根据某些最优标准选择一组容易测量且与主变量密切相关的变量，然后通过建模软传感器来在线估计难以测量的主变量。因此，建模数据的准确性和可靠性将直接影响软传感器模型的预测准确性。
在实际工业场合安装的传感器或发射器检测到建模数据。由于仪器准确性和测量环境的影响，数据不可避免地包含一些误差，有时还包含显著的误差，导致数据无法准确反映过程的固有物理化学变化。如果这些数据直接用于软传感器建模，软传感器模型的准确性将降低，甚至完全无效。因此，必须首先处理建模数据的误差。通常，测量数据的误差分为两类：随机误差和粗差。随机误差是指由各种不可预测的因素引起的随机波动，而粗差则是由于系统误差、测量过程中的异常情况或数据录入错误等原因导致的较大误差。
为了解决这个问题，本文提出了一种新的粗差检测方法，该方法基于模糊曲线加权的MMMD聚类算法。使用模糊曲线来确定每个辅助变量对主变量的重要性程度。然后，在聚类的相似性计算中，根据计算结果对每个辅助变量进行加权。进行聚类和粗差检测。
在聚类算法中，每个数据点根据其与聚类中心的距离被分配到最近的聚类中心。MMMD聚类是一种改进的方法，它考虑到了数据点的中位数位置，从而减少了异常值对聚类中心的影响。通过使用模糊曲线加权，可以使得那些对主变量更加重要的辅助变量在聚类过程中发挥更大的作用，从而提高粗差检测的准确性。
在实际工业数据中，基于PTA氧化过程中4-CBA浓度软传感器模型的粗差检测，验证了所提方法的有效性。MMMD聚类方法被用来对数据进行聚类和粗差检测，结果表明该方法能有效地识别并处理数据中的显著误差，从而提高软传感器模型的准确性和可靠性。
软传感器模型的建立通常需要通过实验或工业过程采集的大量数据来训练模型。在这些数据中，除了正常的随机误差外，粗差的存在会对模型的学习过程产生严重的负面影响。特别是在软传感器模型的在线应用中，粗差的出现会导致模型的预测输出与实际值之间存在较大的偏差，从而影响整个控制系统的性能。因此，及时且有效地检测并剔除数据中的粗差，是保证软传感器模型性能的关键步骤。
在软传感器模型中，识别哪些是粗差，哪些是正常的数据波动，是一个挑战。传统方法可能依赖于统计理论，比如标准偏差等统计指标来识别异常值。然而，这些方法在面对复杂工业环境中的多变量数据集时，可能并不那么有效。本文提出的方法利用模糊逻辑来处理这种不确定性，它为每个数据点对最终聚类结果的贡献赋予了一个“模糊度”，即模糊曲线权重。这样处理后，模型在聚类时更注重那些与主变量变化趋势更加一致的数据点。
本文提出的方法为软传感器建模数据的粗差检测提供了一种新的思路和工具。通过对模糊曲线的使用和MMMD聚类算法的改进，本文不仅提高了粗差的识别率，也为处理实际工业软传感器建模中的误差问题提供了有力的技术支持。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
