混合动态建模

将第一性原理与数据驱动方法相结合，利用无迹卡尔曼滤波与序列到序列网络补偿未建模动态，为工业反应器网络提供高精度、可解释的动态预测。

Xie, Changrui · Yao, Runjie · Lingyu, Zhu · Han, Gong · Hongyang, Li · 陈曦

Chemical Engineering Science 2024

技术优势

预测更准

在负荷变化场景下，所提模型的预测精度优于其他对比方法。

可解释

第一性原理部分保留了机理结构，使得模型行为可解释。

实时更新

利用无迹卡尔曼滤波实时协调估计模型状态和参数。

补偿未建模动态

采用序列到序列神经网络补偿第一性原理模型未建模的动态特性。

应用场景

• 工业过程建模：为复杂危险反应网络提供高精度动态模型，替代纯机理或纯数据建模。
• 模型预测控制：提供可实时更新的状态预测，作为模型预测控制的内部模型。
• 数字孪生：结合机理与数据，实现高保真、可解释的过程数字孪生。
• 软测量：利用实时测量估计不可测状态，实现软测量功能。