论文部分内容阅读
由于现场环境及测量技术的制约,工业测量过程中会出现关键参数数据缺失或失真现象。为了解决这一问题,将机器学习应用于参数测量过程中,实现对缺失数据集的补全和失真数据的修复,进而实现对缺失数据集的深层次挖掘和应用。以温度为例,作为燃烧过程中的重要参数,温度信息直接反映了燃烧状态,完整准确的温度测量信息对燃烧设备运行控制有着深远的意义。针对经验数据不完整的情况,使用机器学习中的主成分分析(PCA)算法迭代恢复缺失数据并进行特征提取,结合少量温度测量数据,实时重建燃烧温度分布。通过理论分析,确定重建算法的可行