基于极限学习机的域适应算法研究及其软测量应用

发布时间：2020-11-09 08:23

　　 流程工业是国民经济中占据重要战略地位的支柱产业,具有生产原材料变化频繁,工况波动剧烈,内部运行机理复杂等显著特点。由于影响产品质量的关键过程参数如设备运行状态,工艺参数以及生产过程原料成分等不能利用硬件传感器实现实时、全面的检测,导致流程工业的生产过程难以建立精确的预测模型实现优化控制,严重制约了流程工业向高效化、绿色化和智能化方向发展。以流程工业常见的基础设备湿式球磨机为例,磨矿过程自身的综合复杂动态特性、外界干扰因素的不确定性动态变化等原因导致其难以依据磨矿过程的物料平衡、金属平衡建立机理模型测量磨机负荷[1]。同时,受限于其运行过程的封闭性及旋转,连续运行的工作特点,使得磨机优化控制所需的关键负荷参数监测难度大、精度低、性能不稳定。软测量是工业实际中用以解决这一问题的有效手段,然而球磨机同样具有流程工业中原料变化导致工况波动频繁的特点,从而导致传统的基于机器学习的软测量模型失准。如何从已知的源建模工况中获取对于未知工况建模的有效信息并达到增效利用的目的,成为亟需解决的一个问题。基于上述分析,本文将域适应学习策略作为切入点,研究多工况任务中未知模态下湿式球磨机的关键负荷参数软测量方法,主要研究工作如下:(1)针对工况改变前后均可获取相应的振动振声等多种信号的情况,将多视图学习引入域适应策略建模过程中,从模型角度出发,集成两视图域适应模型以解决工况变化后的模型失准问题,构建基于多视图的域适应极限学习机对磨机负荷参数进行预测,并与传统软测量建模方法进行对比。(2)针对常见的只获取到单一信号的多工况任务,从特征角度出发,采用深度极限学习机自编码器,以无监督的方式提取领域间的公共特征,并在深层特征空间通过弱配对最大协方差分析提取不同工况的相关信息,使源域数据近似匹配目标域数据,实现未知模态下关键负荷参数的可靠预测。(3)针对不同领域数据存在分布差异,且目标领域难以获取足够样本标签独立建模的问题,融合模型参数迁移及特征映射两种方法建立模型,利用子空间对齐使源域数据近似匹配目标域分布,同时利用少量目标域标签数据调整源域模型使之适应目标域任务,建立未知模态下湿式球磨机的关键负荷参数软测量模型。
【学位单位】：太原理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TD453;TP181
【部分图文】：

图２－１实验室规模的球磨机和实验装置??－

盈不阅工脱夕国n分新

太原理工大学硕士研究生学位论文??由谱中的峰值证明［５３］。在图２－２中，不同工况下ＰＳＤ曲线的形状和信号带宽是不同的；??然而，ＰＳＤ的相同部分是在５０Ｈｚ处出现的第一个大峰值，这是工厂和负载的固有振动??频率。ＰＳＤ曲线的不同形状可以解释为不同的冲击力，在球磨机中研磨运动包括通过落??球直接冲击破坏，以及通过球间传播的间接冲击和旋转球之间的磨损。球的运动和磨削??条件影响球对磨机内壁，球对材料，球对球等的冲击力和时间，这由所有或部分壳振动??的振幅和频率表示。通过考虑各种能量耗散机制，可以分析研磨材料作为阻尼介质的行??为，并且在不同的研磨条件下，球对衬垫的冲击力和冲击时间是不同的。冲击力影响振??动信号的幅度，冲击时间与振动频率相关［５４］。也就是说，水，矿物和矿浆的不同特征通??过各种能量耗散机制影响球对衬垫的撞击这决定了轴承振动信号的时域波形和ＰＳＤ图??形的不同形状。因此
【相似文献】

相关期刊论文 前10条

1 秦翠翠;贾立;;基于概率密度函数的软测量方法及其在烟气含氧量中的应用[J];江南大学学报(自然科学版);2013年05期

2 赵永磊;郑德忠;;一种基于直接广义预测的烟气含氧量软测量方法研究[J];传感技术学报;2009年08期

3 任玲;黄凤良;;温度传感器动态性能改进的软测量方法[J];自动化仪表;2007年04期

4 杨晨頔;刘鑫屏;;一种风量的软测量方法研究[J];南方能源建设;2018年01期

5 郭一;陈彦桥;刘金琨;;基于机理模型的改进氧量软测量方法及软件实现[J];电子测量与仪器学报;2011年03期

6 孔锐;颜文旭;张姗姗;;有源电力滤波器的几种谐波软测量方法[J];化工自动化及仪表;2014年09期

7 李庆华;;1种基于遗失数据重构的软测量方法[J];计算机与应用化学;2011年05期

8 王微微,冀海峰,黄志尧,李海青,金春辉,鲍立曾;中药质量预测的软测量方法研究[J];仪器仪表学报;2004年S2期

9 胡贤磊;赵忠;矫志杰;邱红雷;何纯玉;刘相华;;中厚板厚度的在线软测量方法[J];钢铁研究学报;2006年07期

10 李大鹏,杨治东,赵岩松;船用电力系统汇流条接触电阻的软测量方法[J];计算机测量与控制;2005年08期

相关博士学位论文 前6条

1 于涛;基于混合模型的软测量方法研究及其在发酵过程中的应用[D];北京化工大学;2006年

2 王魏;氧化铝生产过程铝酸钠溶液组分浓度软测量方法的研究[D];东北大学;2011年

3 丛秋梅;活性污泥污水处理过程水质软测量方法的研究[D];东北大学;2011年

4 李占培;建筑空间冷负荷实时软测量无监督建模方法研究[D];上海大学;2017年

5 杨强大;诺西肽发酵过程生化参数软测量方法的研究[D];东北大学;2009年

6 史云;环境水体石油类污染现场检测技术研究[D];河北农业大学;2009年

相关硕士学位论文 前10条

1 张洪德;多模型融合建模方法及其化工软测量应用研究[D];浙江工业大学;2018年

2 张姗;基于DBN的软测量方法研究[D];中国石油大学(华东);2016年

3 伊金静;基于深度学习的工业过程软测量[D];浙江大学;2019年

4 郭旭琦;基于极限学习机的域适应算法研究及其软测量应用[D];太原理工大学;2019年

5 张然然;A电厂SO_2排放软测量研究[D];齐鲁工业大学;2019年

6 李昆;柴油95点软测量建模方法研究[D];北京化工大学;2017年

7 刘东阳;基于混沌RBF神经网络和PSO-SVM的汽油机点火提前角组合软测量研究[D];长沙理工大学;2018年

8 陆建丽;基于模型集群分析的软测量建模方法研究[D];浙江大学;2018年

9 李思思;基于迁移学习的球磨机多工况负荷参数软测量研究与应用[D];太原理工大学;2018年

10 任锦;基于改进最小二乘支持向量机的锅炉烟气氧含量软测量研究[D];陕西科技大学;2018年

本文编号：2876154