软测量技术的研究及应用

发布时间：2020-10-28 01:58

　　 近年来,随着测量仪器和测量技术的发展,我们可以从复杂工业过程中采集到海量的过程数据。但是,此类数据普遍具有与高冗余度、高度非线性以及突变等特性,虽然可以通过软测量技术解决这些特性,但单个软测量方法通常只能解决过程的单一特性,因此需要用到多种软测量方法。对于过程的高冗余度特性,辅助变量选择方法可以在某种准则下从冗余变量中选出与主导变量密切相关的变量子集,从而降低过程的冗余度;对于过程的高度非线性及突变特性,通常采取多模型建模方法,能够很好的弥补单一模型的过程特性不匹配、泛化能力差等缺点,得到良好的预测性能。本文主要采用的方法有基于混合准则的辅助变量选择方法以及基于BP神经网络和自适应状态划分的多模型建模方法。本文具体安排如下:1.针对工业数据普遍存在高冗余度的特性,提出了基于混合准则的辅助变量选择方法(GA-LS和GA-NLP)。首先通过遗传算法种群固定待选辅助变量子集;然后以混合准则作为评价指标(适应度),通过遗传算法迭代精选变量子集,找出最优变量子集(相应最优准则下的“最优”);最后,通过BP神经网络建立预测模型,测试所选辅助变量子集的性能。通过UCI及WWTP数据集对算法的可行性、模型预测性能及模型复杂度等方面进行验证,并与MINLP、MIQP及VIP变量选择方法进行了对比,结果表明算法能够有效降低过程的冗余度,提高模型的预测性能。2.针对TE化工过程具有高度非线性及突变等特性,提出了基于BP神经网络和自适应状态划分的多模型建模方法。首先通过移动窗口技术,建立局部模型集,并依据T统计和卡方统计剔除局部模型集中的冗余模型;然后依据自适应标准进行状态划分(为每个未知输出样本选出最适合的局部模型)。最后,通过TE过程数据集对算法的可行性、模型预测性能等方面进行验证,并与单一PLS及LPLS-APSP建模方法进行了对比。实验结果表明提出的多模型建模方法具有良好的预测效果。3.为解决具有高冗余度、高度非线性以及突变特征的复杂工业过程的建模问题,提出了一种基于GA-NLP和LBP-APSP的结合方法。首先通过移动窗口遍历训练集,并通过GA-NLP方法对每个移动窗口进行辅助变量选择;然后依据所选辅助变量子集集合,通过LBP-LPSP方法建立局部模型集,并对未知输出样本进行输出预测。最后,通过TE过程数据集对算法的可行性、模型预测性能等方面进行验证,并与LBP-APSP建模方法进行了对比,实验结果表明提出的结合方法能够有效降低过程数据的冗余度,并且能够进一步提升预测性能,对于处理具有高冗余度、高度非线性以及突变特征的复杂工业过程建模问题具有非常实用的参考价值。
【学位单位】：浙江工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TG806;TP183
【部分图文】：

图 1-1 软测量的设计步骤Figure 1-1. Design steps for soft measurement数据预处理在软测量建模过程中，过程测量数据的准确性和有效性会对模型的性能产大的影响。但是受仪表精度、可靠性和测量环境等因素的影响，测量数据不免的带有各种测量误差，若不进行处理，可能会导致软测量模型性能的大幅降，甚至导致软测量模型的失效。因此为了保证软测量的性能及精度，测量的预处理是非常重要的一步。测量数据误差主要分为随机误差和过失误差两类，前者是随机因素的影测量信号的噪声，一般不可避免，可通过数字协调方法[4]来解决；后者包括的系统误差和故障，以及不完全或不正确的过程模型[5]。实际测量过程中过差出现的几率非常小，但它的存在会严重影响甚至恶化数据的准确性和有，因此必须及时侦破、剔除和校正，通常可通过人工剔除法、统计检验法方法进行处理。软测量模型的建立

15图 2-1 GA-NLP 算法流程图Figure 2-1. GA-NLP algorithm flowchart2.4 实验结果分析2.4.1 数据集描述与预处理为了验证所提出的方法，本文从 UCI 机器学习数据库中下载了 3 组 UCI 数据集及一组废水处理数据集(Water Treatment Plant, WWTP)[66]进行了仿真实验。其

图 2-2 RD-DBO-G 的预测输出与实际输出Figure 2-2. Predict and actual output of RD-DBO-G 2-2 可得，相较于另外两种方法，根据 GA-NLP 方法所得辅助型曲线更贴合与目标变量 y1的真实输出曲线。而根据 VIP 方集建立的模型曲线明显与真实输出相差较大，这与前面两种分
【相似文献】

相关期刊论文 前10条

1 南晓明;;软测量技术及其在过程检测中的应用研究[J];山东化工;2013年04期

2 韩雯;;污水处理系统中软测量技术的应用[J];企业科技与发展;2012年06期

3 马彩青;;软测量技术进展[J];科技信息;2012年25期

4 胡斌;于晨斯;;软测量技术及其应用[J];科技广场;2010年03期

5 李勇,邵诚;软测量技术及其应用与发展[J];工业仪表与自动化装置;2005年05期

6 贾莉娜;软测量技术及其在过程检测与控制系统中的应用[J];微计算机信息;2005年02期

7 卿晓霞,余建平;软测量技术及其在污水处理系统中的应用[J];工业水处理;2005年03期

8 王剑东 ,王东风,韩璞;软测量技术及其在电厂热工过程中的应用[J];电站系统工程;2002年05期

9 汪永生,邵惠鹤;现场总线控制系统与通用软测量技术[J];测控技术;1999年11期

10 宋海荣;赵鹏翔;李思彤;樊金鹏;李江;;软测量技术研究及其专利分析[J];河南科技;2015年24期

相关博士学位论文 前5条

1 刘瑞兰;软测量技术若干问题的研究及工业应用[D];浙江大学;2004年

2 李艳;制浆蒸煮过程纸浆卡伯值软测量技术研究与应用[D];华南理工大学;2003年

3 叶涛;基于机器学习的软测量技术理论与应用[D];华南理工大学;2007年

4 丁敬国;中厚板轧制过程软测量技术的研究与应用[D];东北大学　;2009年

5 张翔宇;基于案例推理的软测量技术在制浆造纸过程中的应用研究[D];华南理工大学;2016年

相关硕士学位论文 前10条

1 黄琛琦;基于软测量技术的宣纸打浆质检仪研究与设计[D];杭州电子科技大学;2019年

2 王锡磊;FCC催化剂定碳量软测量混合建模研究[D];上海交通大学;2018年

3 郭明;软测量技术的研究及应用[D];浙江工业大学;2019年

4 余旺;基于Nonnegative garrote的软测量技术在空气分离装置中的研究与应用[D];齐鲁工业大学;2018年

5 陈铁山;软测量技术在造纸水分控制中的应用研究[D];南京林业大学;2005年

6 叶臣;基于小波神经网络的软测量技术的研究[D];青岛科技大学;2005年

7 梁天歌;基于软测量技术的化学信息学相关问题研究[D];哈尔滨理工大学;2016年

8 南晓明;软测量技术及其在聚碳酸酯生产中的应用研究[D];青岛科技大学;2013年

9 成飞龙;软测量技术在苯乙烯生产过程的应用[D];兰州大学;2010年

10 龚沛文;软测量技术及其在工业煤气化炉装置中的应用[D];杭州电子科技大学;2012年

本文编号：2859397