在工业数据建模过程中，模型品质的优良与观测数据的质量息息相关，但采集实际工业过程数据时，重型设备剧烈振动诱发数据尖刺使得数据统计特性发现畸变、复杂全流程工况导致多源数据噪声相互混合叠加、不可靠传感器造成数据整体漂移与数据截断，不仅严重降低了工业数据质量，也给模型参数的精准估计带来了极大挑战。
我院教师团队针对厚尾异常值、非对称偏斜噪声、混合噪音等复杂干扰对建模影响开展系统性的研究，创新性地提出了一系列面向复杂低质数据条件下的工业过程鲁棒高效建模算法，以中国矿业大学为第一单位，刘鑫副教授为第一作者，代伟教授为通讯作者，在Automatica、IEEE Transactions on Automation Science and Engineering、IEEE Transactions on Instrumentation and Measurement、自动化学报等中英文Top期刊上连续发表多篇高质量论文，主要创新贡献如下：
（1）针对厚尾异常值问题，利用学生氏t分布刻画量测噪声，引入隐含变量将学生氏t分布的复杂数学表达式加权分解，提出鲁棒且高效的模型参数估计方法，降低复杂计算。
（2）针对非对称偏斜噪音问题，利用典型的非对称偏斜分布对数据量测噪声进行建模，通过自适应地调节偏斜分布的超参数拟合非对称噪声统计特性，提出普适性更强的鲁棒参数估计方法。
（3）针对多类噪音混合的问题，从混合噪声的统计特性出发，构造出一种加权的混合长尾噪声分布用以拟合混合量测噪声，并设计了一种并行计算策略，以提高算法计算效率。
图1核心工作简介
上述研究成果应用于煤炭分选质量指标分析模型，实验结果表明，相比于现有先进数据驱动建模方法，上述研究成果在鲁棒性可解释性、计算效率、建模精度等方面均有明显提升。
序号 |
题目 |
期刊 |
发表时间 |
1 |
Further results on "System identification of nonlinear state-space models" |
Automatica IFAC汇刊、控制领域顶刊 |
2023.02 |
2 |
Probability based identification of Hammerstein systems with asymmetric noise characteristics |
IEEE Transactions on Instrumentation and Measurement IEEE汇刊、检测领域顶刊 |
2024.02 |
3 |
Auxiliary model and key-term separation based identification of Hammerstein OE system with missing outputs and outliers |
IEEE Transactions on Instrumentation and Measurement IEEE汇刊、检测领域顶刊 |
2024.04 |
4 |
Robust LPV System Identification With Skewed and Asymmetric Measurement Noise |
IEEE Transactions on Automation Science and Engineering IEEE 汇刊、控制领域顶刊 |
2024.09 |
5 |
Robust SCN for data-driven modeling based on heavy-tailed noise distribution |
IEEE Transactions on Instrumentation and Measurement IEEE汇刊、检测领域顶刊 |
2024.12 |
6 |
基于厚尾双学生氏t分布的非线性状态空间系统鲁棒辨识方法 |
电子学报 中文顶刊 |
2024.09 |
7 |
非对称偏斜噪声条件下一种鲁棒概率系统辨识算法研究 |
自动化学报 中文顶刊 |
2024.10 |
作者：刘鑫
编辑：王法广
审核：代伟
