The traditional soft sensor models are based on the independent and identical distribution assumption, which are difficult to adapt to changes in data distribution under multiple operating conditions, resulting in model performance deterioration. The domain adaptive transfer learning methods learn knowledge in different domains by means of distribution alignment, which can reduce the impact of data distribution differences, and effectively improve the generalization ability of the model. However, most of the existing models established by domain adaptation methods are static models, which cannot reflect the dynamic characteristics of the system, and have limited prediction accuracy when applied to dynamic system modeling under multiple operating conditions. The dynamic system modeling methods can effectively extract the dynamic characteristics of the data, but they cannot deal with the concept drift problem caused by the change of data distribution. This paper proposes a new dynamic transfer partial least squares method, which maps the high-dimensional process data into the low-dimensional latent variable subspace, establishes the dynamic regression relationship between the latent variables and the labels, and realizes the systematic dynamic modeling, at the same time, the model adds regular terms for distribution alignment and structure preservation, which realizes dynamic alignment of data distribution difference. The effectiveness of the proposed method is validated on three publicly available industrial process datasets.

传统的软传感器模型基于独立一致的分布假设，难以适应多种工况下数据分布的变化，导致模型性能恶化。领域自适应迁移学习方法通​​过分布对齐的方式学习不同领域的知识，可以减少数据分布差异的影响，有效提高模型的泛化能力。然而，现有的域自适应方法建立的模型大多为静态模型，不能反映系统的动态特性，应用于多工况下的动态系统建模时，预测精度有限。动态系统建模方法可以有效地提取数据的动态特征，但无法处理数据分布变化引起的概念漂移问题。提出一种新的动态传递偏最小二乘法，将高维过程数据映射到低维潜变量子空间，建立潜变量与标签之间的动态回归关系，实现系统的动态建模，在同时，模型增加了分布对齐和结构保存的正则项，实现了数据分布差异的动态对齐。在三个公开的工业过程数据集上验证了所提出方法的有效性。但他们无法处理数据分布变化引起的概念漂移问题。提出一种新的动态传递偏最小二乘法，将高维过程数据映射到低维潜变量子空间，建立潜变量与标签之间的动态回归关系，实现系统的动态建模，在同时，模型增加了分布对齐和结构保存的正则项，实现了数据分布差异的动态对齐。在三个公开的工业过程数据集上验证了所提出方法的有效性。但他们无法处理数据分布变化引起的概念漂移问题。提出一种新的动态传递偏最小二乘法，将高维过程数据映射到低维潜变量子空间，建立潜变量与标签之间的动态回归关系，实现系统的动态建模，在同时，模型增加了分布对齐和结构保存的正则项，实现了数据分布差异的动态对齐。在三个公开的工业过程数据集上验证了所提出方法的有效性。将高维过程数据映射到低维潜变量子空间，建立潜变量与标签之间的动态回归关系，实现系统的动态建模，同时模型加入正则项进行分布对齐结构保存，实现数据分布差异的动态对齐。在三个公开的工业过程数据集上验证了所提出方法的有效性。将高维过程数据映射到低维潜变量子空间，建立潜变量与标签之间的动态回归关系，实现系统的动态建模，同时模型加入正则项进行分布对齐结构保存，实现数据分布差异的动态对齐。在三个公开的工业过程数据集上验证了所提出方法的有效性。