Purified terephthalic acid (PTA) is an important product for the polyester and textile industry. In the industrial PTA-production process, 4-carboxybenzaldehyde (4-CBA) is a detrimental byproduct that can lower the polymerization rate and the average molecular weight of the polymer. Therefore, the content of 4-CBA in the final product can be used as a quality index to evaluate the current running status of the PTA-production process. However, because of the slow catalyst deactivation, this process is notable for its nonlinearity and dynamics. It is very difficult to obtain the 4-CBA-content values using traditional prediction methods from the process directly in real-time. For a better estimation of the status of the PTA-production process, a novel, online quality-prediction method based on modified regularized slow-feature analysis (ReSFA) is proposed in this paper for predicting the concentration of 4-CBA. The proposed method can handle the dynamics of the process better by exploring the temporal relationship of the input variables and incorporating the neighboring relationships of the input and output variables. Meanwhile, a modified just-in-time-learning method is introduced to deal with nonlinearity to improve online prediction performance. Finally, a case study is conducted with data sampled from a practical industrial terephthalic acid hydropurification process to demonstrate the effectiveness and superiority of the proposed method.

中文翻译：

---

基于修正正则慢特征分析的工业对苯二甲酸加氢精制过程在线质量预测

精对苯二甲酸（PTA）是聚酯和纺织工业的重要产品。在工业PTA生产过程中，4-羧基苯甲醛（4-CBA）是有害的副产物，会降低聚合速率和聚合物的平均分子量。因此，最终产品中4-CBA的含量可以用作评估PTA生产过程当前运行状态的质量指标。然而，由于缓慢的催化剂失活，该过程因其非线性和动力学而著名。使用传统的预测方法直接从过程中实时获取4-CBA含量值非常困难。为了更好地估算PTA制作过程的状态，一种新颖的，提出了一种基于修正正则慢特征分析的在线质量预测方法，用于预测4-CBA的浓度。通过探索输入变量的时间关系并结合输入和输出变量的邻近关系，所提出的方法可以更好地处理过程的动力学问题。同时，引入了一种改进的实时学习方法来处理非线性问题，以提高在线预测性能。最后，以实际工业对苯二甲酸加氢提纯过程中的数据为例进行了案例研究，以证明该方法的有效性和优越性。通过探索输入变量的时间关系并结合输入和输出变量的邻近关系，所提出的方法可以更好地处理过程的动力学问题。同时，引入了一种改进的实时学习方法来处理非线性问题，以提高在线预测性能。最后，通过对实际工业对苯二甲酸加氢提纯过程中的数据采样进行案例研究，以证明该方法的有效性和优越性。通过探索输入变量的时间关系并结合输入和输出变量的邻近关系，所提出的方法可以更好地处理过程的动力学问题。同时，引入了一种改进的实时学习方法来处理非线性问题，以提高在线预测性能。最后，通过对实际工业对苯二甲酸加氢提纯过程中的数据采样进行案例研究，以证明该方法的有效性和优越性。