基于进化优化和多样性相似度的即时学习软测量建模方法
发布时间：2021-03-30 12:06
在过程工业中,一些关键质量参数由于缺乏有效的在线检测手段,只能通过实验室离线分析获得,这成为提升过程监测、控制及优化水平的主要障碍。软测量技术为此类参数的实时估计提供了一种有效途径。其核心是通过建立易测变量与难测变量之间的数学模型,实现目标变量的在线预测。即时学习作为一种典型的数据驱动软测量建模方法,具有能够有效处理过程非线性、时变性、多模式、多时段等特征的优势,近年来在软测量应用领域受到了广泛关注。本文以即时学习建模技术为基本框架,研究基于进化优化算法和多样性相似度的高性能即时学习软测量建模方法。论文的主要研究内容总结如下:（1）传统即时学习软测量方法主要采用单一的相似度函数,无法有效处理复杂的过程特征。为此,提出了一种基于混合加权相似度的即时学习软测量方法。该方法以加权欧氏距离相似度为基础,定义了一种混合加权相似度指标。随后,采用混合整数遗传算法对输入变量和混合加权相似度参数进行优化。（2）加权欧氏距离相似度能有效改善即时学习软测量模型的性能,但是加权权值的确定较为困难,而且无法获得一组最优的权值参数。为此,提出了一种基于回归系数加权相似度的集成即时学习软测量方法。该方法首先采用随...
【文章来源】：昆明理工大学云南省
【文章页数】：113 页
【学位级别】：硕士
【部分图文】：
JIT-VSW软测量建模方法框架图
昆明理工大学硕士学位论文16法充分考虑模型的特点，模型性能难以保证。嵌入式方法操作较为复杂，需要为模型构建量身定做特定的优化过程。相比而言，封装法充分考虑了变量选择对模型性能的影响，操作简单、适应性强，对建模技术没有特殊限制，因此我们将采用封装法思想对输入变量进行选择。基于封装法的输入变量选择本质上是一个优化问题。由于在变量选择过程中需要多次训练模型，计算开销较大，因此我们采用GA算法对输入变量选择进行优化，以提升搜索效率。在GA优化中，将输入变量选择编码为一个二进制型染色体，如图2.4所示。染色体的每一位代表相应的输入变量是否被选中，其中“0”表示没有选中，“1”表示选中。假设,,…,表示输入变量选择编码成的染色体，()表示S的验证误差，则适应度函数定义为1 。种群经过若干代进化之后，收敛到最优的染色体，解码即可获得最优的输入变量子集。...图2.4输入变量选择的染色体表示2.3.3输入变量选择和MWS参数的混合优化正如前两节所述，MWS参数确定及输入变量选择均可采用单目标进化优化框架求解。因此，一种常规的做法是分别优化输入变量与MWS参数，即先对输入变量进行优化获得一组最佳的输入变量集，然后优化MWS参数。然而，输入变量选择与MWS参数优化之间存在相互影响，即输入变量选择结果会影响MWS参数的确定，MWS参数的选择对输入变量选择也会造成影响。解决这一问题的一种有效策略是同时优化输入变量选择和MWS参数。由于MWS参数优化的决策变量为实数型，而输入变量选择优化问题的决策变量为整数型，为了实现二者同时优化，我们将两个子优化问题融合成一个混合整数优化(MixedIntegerOptimization,MIO)问题，其数学描述如下：min ,,
似拦?建静态模型个输入变量和9个样本用于模型结构…样本，每个于训练动态表2.3列出动态两类模是由于PLS法，即LWP程的非线性考虑了输入中，MWS-L型的性能优选择，冗余变JIT-VSW均相结合能够测结果可知硕士学位论文ringer.com/1估JIT-VSW和动态模型和1个输出于参数优化，辅助，其中样本包含4态模型，597出了不同软模型。由表2为全局线LS、IVS-L性特征，因而入变量选择，LWPLS比L优于MWS-L变量的存在均获得了最够有效提升J，动态模型文1-84628-479图2.9脱处理动态过型。在静态出变量。将所化，598个样变量考虑中d表示最大49个输入变7个样本用于软测量建模方2.3结果容线性模型，难LWPLS、M而获得了良有效提升WPLS具有LWPLS，主在恶化了模最优的预测JIT软测量模型由于能够处9-1网址下脱丁烷塔过程过程特征的态模型中，共所有样本分为样本用于模延迟和非大延迟时间变量。随后于参数寻优方法的参数容易看出，P难以处理过MWS-LWPL好的预测性了模型的预有更好的预主要原因可型的预测性结果，这说模型的预测处理过程的下载。程流程图的能力，在脱共收集2394为3组：119模型测试。在延迟输入间。本研究中将所有样本优，597个样数寻优结果和LS在五种过程的非线性LS和JIT-V性能。相比预测精度。值预测性能，而可能是动态模性能。不难看说明输入变量测性能。对比的动态特性脱丁烷塔案4组样本，7个样本用在动态模型变量，可中d选为6本分成3组样本用于模和预测结果种方法中的预性。相比之VSW，由于LWPLS，I值得注意的而在动态模模型中没有看?
【参考文献】：
期刊论文
[1]Dynamic soft sensor development based on Gaussian mixture regression for fermentation processes[J]. Congli Mei,Yong Su,Guohai Liu,Yuhan Ding,Zhiling Liao. Chinese Journal of Chemical Engineering. 2017(01)
[2]化工过程软测量建模方法研究进展[J]. 曹鹏飞,罗雄麟. 化工学报. 2013(03)
博士论文
[1]基于即时学习的复杂非线性过程软测量建模及应用[D]. 袁小锋.浙江大学 2016
[2]金霉素发酵过程软测量建模及优化控制策略研究[D]. 杨建文.北京理工大学 2015
[3]基于数据的软测量建模方法及其应用的研究[D]. 李春富.清华大学 2005
[4]软测量技术若干问题的研究及工业应用[D]. 刘瑞兰.浙江大学 2004
本文编号：3109478
【文章来源】：昆明理工大学云南省
【文章页数】：113 页
【学位级别】：硕士
【部分图文】：
JIT-VSW软测量建模方法框架图
昆明理工大学硕士学位论文16法充分考虑模型的特点，模型性能难以保证。嵌入式方法操作较为复杂，需要为模型构建量身定做特定的优化过程。相比而言，封装法充分考虑了变量选择对模型性能的影响，操作简单、适应性强，对建模技术没有特殊限制，因此我们将采用封装法思想对输入变量进行选择。基于封装法的输入变量选择本质上是一个优化问题。由于在变量选择过程中需要多次训练模型，计算开销较大，因此我们采用GA算法对输入变量选择进行优化，以提升搜索效率。在GA优化中，将输入变量选择编码为一个二进制型染色体，如图2.4所示。染色体的每一位代表相应的输入变量是否被选中，其中“0”表示没有选中，“1”表示选中。假设,,…,表示输入变量选择编码成的染色体，()表示S的验证误差，则适应度函数定义为1 。种群经过若干代进化之后，收敛到最优的染色体，解码即可获得最优的输入变量子集。...图2.4输入变量选择的染色体表示2.3.3输入变量选择和MWS参数的混合优化正如前两节所述，MWS参数确定及输入变量选择均可采用单目标进化优化框架求解。因此，一种常规的做法是分别优化输入变量与MWS参数，即先对输入变量进行优化获得一组最佳的输入变量集，然后优化MWS参数。然而，输入变量选择与MWS参数优化之间存在相互影响，即输入变量选择结果会影响MWS参数的确定，MWS参数的选择对输入变量选择也会造成影响。解决这一问题的一种有效策略是同时优化输入变量选择和MWS参数。由于MWS参数优化的决策变量为实数型，而输入变量选择优化问题的决策变量为整数型，为了实现二者同时优化，我们将两个子优化问题融合成一个混合整数优化(MixedIntegerOptimization,MIO)问题，其数学描述如下：min ,,
似拦?建静态模型个输入变量和9个样本用于模型结构…样本，每个于训练动态表2.3列出动态两类模是由于PLS法，即LWP程的非线性考虑了输入中，MWS-L型的性能优选择，冗余变JIT-VSW均相结合能够测结果可知硕士学位论文ringer.com/1估JIT-VSW和动态模型和1个输出于参数优化，辅助，其中样本包含4态模型，597出了不同软模型。由表2为全局线LS、IVS-L性特征，因而入变量选择，LWPLS比L优于MWS-L变量的存在均获得了最够有效提升J，动态模型文1-84628-479图2.9脱处理动态过型。在静态出变量。将所化，598个样变量考虑中d表示最大49个输入变7个样本用于软测量建模方2.3结果容线性模型，难LWPLS、M而获得了良有效提升WPLS具有LWPLS，主在恶化了模最优的预测JIT软测量模型由于能够处9-1网址下脱丁烷塔过程过程特征的态模型中，共所有样本分为样本用于模延迟和非大延迟时间变量。随后于参数寻优方法的参数容易看出，P难以处理过MWS-LWPL好的预测性了模型的预有更好的预主要原因可型的预测性结果，这说模型的预测处理过程的下载。程流程图的能力，在脱共收集2394为3组：119模型测试。在延迟输入间。本研究中将所有样本优，597个样数寻优结果和LS在五种过程的非线性LS和JIT-V性能。相比预测精度。值预测性能，而可能是动态模性能。不难看说明输入变量测性能。对比的动态特性脱丁烷塔案4组样本，7个样本用在动态模型变量，可中d选为6本分成3组样本用于模和预测结果种方法中的预性。相比之VSW，由于LWPLS，I值得注意的而在动态模模型中没有看?
【参考文献】：
期刊论文
[1]Dynamic soft sensor development based on Gaussian mixture regression for fermentation processes[J]. Congli Mei,Yong Su,Guohai Liu,Yuhan Ding,Zhiling Liao. Chinese Journal of Chemical Engineering. 2017(01)
[2]化工过程软测量建模方法研究进展[J]. 曹鹏飞,罗雄麟. 化工学报. 2013(03)
博士论文
[1]基于即时学习的复杂非线性过程软测量建模及应用[D]. 袁小锋.浙江大学 2016
[2]金霉素发酵过程软测量建模及优化控制策略研究[D]. 杨建文.北京理工大学 2015
[3]基于数据的软测量建模方法及其应用的研究[D]. 李春富.清华大学 2005
[4]软测量技术若干问题的研究及工业应用[D]. 刘瑞兰.浙江大学 2004
本文编号：3109478
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/3109478.html
