基于时延估计模糊认知图的化工过程关键参数预测
发布时间：2021-08-04 13:05
化工过程关键参数预测对于化工过程的安全、平稳和经济运行具有重要的指导和预警作用,考虑到化工过程的机理复杂性和非线性等特点,特别是由于管线和容器的积分作用使得过程变量之间存在较大的时间延迟,建立有效的化工过程关键参数预测方法具有技术挑战性。模糊认知图是一种能够融合知识表达和推理的软计算方法,本论文面向化工过程关键参数预测,提出了一种基于时延估计模糊认知图的方法,论文的主要研究内容及取得的成果如下:1.深入分析了模糊认知图在知识表达方面的优势,研究了传统模糊认知图的结构和转换函数,针对其对时间信息处理方面的不足,提出了一种基于时延估计模糊认知图的方法,通过结构的改进和时间信息的处理,使得所建立的模糊认知图模型更能有效地表征实际系统的运行状况,对过程参数之间的关系描述更为准确。2.化工过程变量之间往往存在着时间滞后,并且关键过程参数与关联变量间的关系具有模糊性。为此,基于所提出的时延估计模糊认知图模型,研究给出了化工过程关键参数的预测方法,利用经验知识和灰色关联分析方法确定模糊认知图的结构,并使用互相关函数对变量间的时延进行整体估计,最后使用智能优化算法进行模型参数的学习,建立基于时延估计的...
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图２－１?ＦＣＭ的拓扑结构??Ｆｉｇ．２－１?Ｔｈｅ?ＦＣＭ?ｔｏｐｏｌｏｇｙ??在ＦＣＭ中，概念节点的集合Ｃ?＝?｛Ｃ，，Ｃ２，．．．，０；｝，表示ＦＣＭ中的ｎ个概念节点的??
?第二章时延估计模糊认知图???图２－３基本ＦＣＭ结构图??Ｆｉｇ．２－３?Ｂａｓｉｃ?ＦＣＭ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??ＦＣＭ的阈值函数采用Ｓｉｇｍｏｉｄ函数（式２－５），其中ｒ是常数，用来决定曲线的形状。??由Ｓｉｇｍｏｉｄ函数的曲线图２－４可知，参数ｒ的取值绝对值越大时，；ｃ经过转换函数所??对应的数值范围的变化就越剧烈，ｘ可对应的值域的范围就越小，反之参数ｒ的绝对??值越小，ｘ经过转换函数所对应的数值范围的变化就越缓慢，ｘ可对应的值域的范围??就越大。所以应该根据实际的需求来确定参数ｒ的取值。??ｑ??ｉ＊￣＂?｜?．?－－￣１?Ｉ?ｉ＾－￣￣＊＊ｊ???ｉ?ｉ??－１?－ＯＢ?－０６?＊０４?－０２?０?０２?０．４?０６?０８?１??Ｘ??图?２＊４?Ｓｉｇｍｏｉｄ?函数??Ｆｉｇ．２－４?Ｓｉｇｍｏｉｄ?ｆｕｎｃｔｉｏｎ??通过分析Ｓ型曲线的图形和ＦＣＭ的转换函数可知，在ＦＣＭ的建立过程中，如果??采用式子（２－６）和Ｓｉｇｍｏｉｄ型曲线来建立模型，在参数ｒ?＞０和ｘ＞０同时满足条件的话，??概念节点的值就意味着总是在大于０．５，即?＜⑷＞０．５。由公式（２－６）可知，概念节点?＜⑴??的值由与之相关的概念节点岣１）和?及％有关，在阈值函数的参数ｒ＞０时，??只要满足４（／－１）＞〇，和％＞〇，不论４（卜１），％的值有多小，??概念节点将马上跳变到０．５以上，这显然是不符合实际情况的。同时由式（２－６）??１３??
?第二章时延估计模糊认知图???一定的时间滞后，因此使用时延模糊认知图进行预测有一定的合理性。??考虑如下数值实例：??ｙ（ｔ）?＝?０．５?？?ｘ，?（／?－?３０）?＋?０．３?？?ｘ２?（／?－?４７）?式（２－２１）??其中，ｘ，、＆为时间序列数据，数据曲线如图２－６和图２－７所示。??５５??＇?１?????????０?１０００?２０００?３０００?４０００?５０００?６０００??Ｔｉｍｅ??图２－６时序数据；ｃｉ??Ｆｉｇ．２－６?Ｔｉｍｅ?ｓｅｒｉｅｓ?ｄａｔａ?ｘ＼??ｘ２??１７９．８??？?１?１?１?１???１７９?８?／＼??：＼?ｒｊ?■??ｓｉ：?ｖＡ?／??１７８２?？??１７８??＊?１?１?＇?＇???０?１０００?２０００?３０００?４０００?５０００?６０００??Ｔｉｍｅ??图２－７时序数据ｘ２??Ｆｉｇ．２－７?Ｔｉｍｅ?ｓｅｒｉｅｓ?ｄａｔａ?ｊｑ??根据对象的先验信息，建立ＦＣＭ结构，采集６０００个数据点进行时延估计，建立??ＴＤ－ＦＣＭ，并对其参数进行优化。通过对比基本ＦＣＭ和ＴＤ－ＦＣＭ预测模型的建立过??程和实验结果，研宄了?ＦＣＭ中不同因素对预测结果的影响，验证了所提出ＴＤ－ＦＣＭ??方法在处理时间延时和预测的有效性。??（１）基本ＦＣＭ预测模型建立方法??①基本ＦＣＭ结构的构造??１９??
【参考文献】：
期刊论文
[1]基于模糊认知图的物流需求预测模型研究[J]. 韩慧健,韩佳兵,张锐. 系统工程理论与实践. 2019(06)
[2]模糊灰色认知网络的建模方法及应用[J]. 陈宁,彭俊洁,王磊,郭宇骞,桂卫华. 自动化学报. 2018(07)
[3]正辛醇作为萃取剂回收废水中低浓度的DMF[J]. 李春利,高宇,辛彦荣. 现代化工. 2017(08)
[4]基于数据的流程工业生产过程指标预测方法综述[J]. 陈龙,刘全利,王霖青,赵珺,王伟. 自动化学报. 2017(06)
[5]LS-SVM回归算法在刀具磨损量预测中的应用[J]. 关山,闫丽红,彭昶. 中国机械工程. 2015(02)
[6]针铁矿法沉铁过程亚铁离子浓度预测[J]. 谢世文,谢永芳,阳春华,蒋朝辉,桂卫华. 自动化学报. 2014(05)
[7]基于核偏最小二乘法的动态预测模型在铜转炉吹炼中的应用[J]. 宋海鹰,桂卫华,阳春华,彭小奇. 中国有色金属学报. 2007(07)
博士论文
[1]基于模糊认知图的动态系统的建模与控制[D]. 张燕丽.大连理工大学 2012
本文编号：3321749
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图２－１?ＦＣＭ的拓扑结构??Ｆｉｇ．２－１?Ｔｈｅ?ＦＣＭ?ｔｏｐｏｌｏｇｙ??在ＦＣＭ中，概念节点的集合Ｃ?＝?｛Ｃ，，Ｃ２，．．．，０；｝，表示ＦＣＭ中的ｎ个概念节点的??
?第二章时延估计模糊认知图???图２－３基本ＦＣＭ结构图??Ｆｉｇ．２－３?Ｂａｓｉｃ?ＦＣＭ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??ＦＣＭ的阈值函数采用Ｓｉｇｍｏｉｄ函数（式２－５），其中ｒ是常数，用来决定曲线的形状。??由Ｓｉｇｍｏｉｄ函数的曲线图２－４可知，参数ｒ的取值绝对值越大时，；ｃ经过转换函数所??对应的数值范围的变化就越剧烈，ｘ可对应的值域的范围就越小，反之参数ｒ的绝对??值越小，ｘ经过转换函数所对应的数值范围的变化就越缓慢，ｘ可对应的值域的范围??就越大。所以应该根据实际的需求来确定参数ｒ的取值。??ｑ??ｉ＊￣＂?｜?．?－－￣１?Ｉ?ｉ＾－￣￣＊＊ｊ???ｉ?ｉ??－１?－ＯＢ?－０６?＊０４?－０２?０?０２?０．４?０６?０８?１??Ｘ??图?２＊４?Ｓｉｇｍｏｉｄ?函数??Ｆｉｇ．２－４?Ｓｉｇｍｏｉｄ?ｆｕｎｃｔｉｏｎ??通过分析Ｓ型曲线的图形和ＦＣＭ的转换函数可知，在ＦＣＭ的建立过程中，如果??采用式子（２－６）和Ｓｉｇｍｏｉｄ型曲线来建立模型，在参数ｒ?＞０和ｘ＞０同时满足条件的话，??概念节点的值就意味着总是在大于０．５，即?＜⑷＞０．５。由公式（２－６）可知，概念节点?＜⑴??的值由与之相关的概念节点岣１）和?及％有关，在阈值函数的参数ｒ＞０时，??只要满足４（／－１）＞〇，和％＞〇，不论４（卜１），％的值有多小，??概念节点将马上跳变到０．５以上，这显然是不符合实际情况的。同时由式（２－６）??１３??
?第二章时延估计模糊认知图???一定的时间滞后，因此使用时延模糊认知图进行预测有一定的合理性。??考虑如下数值实例：??ｙ（ｔ）?＝?０．５?？?ｘ，?（／?－?３０）?＋?０．３?？?ｘ２?（／?－?４７）?式（２－２１）??其中，ｘ，、＆为时间序列数据，数据曲线如图２－６和图２－７所示。??５５??＇?１?????????０?１０００?２０００?３０００?４０００?５０００?６０００??Ｔｉｍｅ??图２－６时序数据；ｃｉ??Ｆｉｇ．２－６?Ｔｉｍｅ?ｓｅｒｉｅｓ?ｄａｔａ?ｘ＼??ｘ２??１７９．８??？?１?１?１?１???１７９?８?／＼??：＼?ｒｊ?■??ｓｉ：?ｖＡ?／??１７８２?？??１７８??＊?１?１?＇?＇???０?１０００?２０００?３０００?４０００?５０００?６０００??Ｔｉｍｅ??图２－７时序数据ｘ２??Ｆｉｇ．２－７?Ｔｉｍｅ?ｓｅｒｉｅｓ?ｄａｔａ?ｊｑ??根据对象的先验信息，建立ＦＣＭ结构，采集６０００个数据点进行时延估计，建立??ＴＤ－ＦＣＭ，并对其参数进行优化。通过对比基本ＦＣＭ和ＴＤ－ＦＣＭ预测模型的建立过??程和实验结果，研宄了?ＦＣＭ中不同因素对预测结果的影响，验证了所提出ＴＤ－ＦＣＭ??方法在处理时间延时和预测的有效性。??（１）基本ＦＣＭ预测模型建立方法??①基本ＦＣＭ结构的构造??１９??
【参考文献】：
期刊论文
[1]基于模糊认知图的物流需求预测模型研究[J]. 韩慧健,韩佳兵,张锐. 系统工程理论与实践. 2019(06)
[2]模糊灰色认知网络的建模方法及应用[J]. 陈宁,彭俊洁,王磊,郭宇骞,桂卫华. 自动化学报. 2018(07)
[3]正辛醇作为萃取剂回收废水中低浓度的DMF[J]. 李春利,高宇,辛彦荣. 现代化工. 2017(08)
[4]基于数据的流程工业生产过程指标预测方法综述[J]. 陈龙,刘全利,王霖青,赵珺,王伟. 自动化学报. 2017(06)
[5]LS-SVM回归算法在刀具磨损量预测中的应用[J]. 关山,闫丽红,彭昶. 中国机械工程. 2015(02)
[6]针铁矿法沉铁过程亚铁离子浓度预测[J]. 谢世文,谢永芳,阳春华,蒋朝辉,桂卫华. 自动化学报. 2014(05)
[7]基于核偏最小二乘法的动态预测模型在铜转炉吹炼中的应用[J]. 宋海鹰,桂卫华,阳春华,彭小奇. 中国有色金属学报. 2007(07)
博士论文
[1]基于模糊认知图的动态系统的建模与控制[D]. 张燕丽.大连理工大学 2012
本文编号：3321749
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3321749.html
