生成对抗网络在化工过程软测量的应用研究

发布时间：2021-09-05 11:09

　　化工过程软测量方法对于生产装备的连续平稳运行和保障产品质量有着重要作用。为了实现生产过程的智能化,对软测量方法进一步研究是必要的。通常,软测量方法良好性能需要大量标签数据的支撑。然而,标签数据的采集在时间、硬件和人工等成本上常造成巨大的损耗。为了保证软测量方法在标签数据不足时依然具有良好性能,生成对抗网络在化工过程软测量的应用研究具有重要意义。本文首先综述了生成对抗网络的研究现状。然后,结合化工过程数据的特点,提出一种基于Wasserstein距离的生成对抗网络软测量方法,用于化工过程关键变量的质量预测。主旨是在减少数据采集成本的基础上提升软测量模型的预测性能。针对基于Wasserstein距离的生成对抗网络存在低质量生成数据的问题,提出一种基于相似度量的对抗网络来控制生成数据的质量以优化模型的预测能力。针对数字图像数据采集的硬件类型少于过程变量,数据采集操作复杂度更低,提出一种条件变分自编码器生成对抗网络方法以高效提取化工过程数字图像特征。主要工作和创新点如下:（1）针对传统软测量模型无法处理只有少量标签数据的情况,将基于Wasserstein距离的生成对抗网络应用于化工过程关键变量... 

【文章来源】：浙江工业大学浙江省

【文章页数】：102 页

【学位级别】：硕士

【部分图文】：

图1-3两种方法分辨率对比

得卷积神经网络的权值数量减少，计算复杂度减小。(2) 局部连接图像的维度很高，采用每个神经元与前一层所有神经元相连的方式会导致权值过多。局部连接是指卷积层的节点仅仅与其前一层的部分节点相连接，只用来学习局部特征。连接的节点空间所占大小被称为感受野。计算机视觉研究中发现，图像像素之间的相关性与图像像素之间的距离相关，距离较近的像素间相关性强，距离较远则相关性就比较弱，由此可见局部相关性理论也适用于计算机视觉的图像处理领域。因此，局部感知采用部分神经元接受图像信息，再通过综合全部的图像信息达到增强图像信息的目的。(3) 感受野感受野是指卷积神经网络每一层输出的特征图上的像素点在输入图像上映射的空间所占大小。卷积神经网络多层卷积操作如图 4-1 所示为卷积核 2×2，步长为 1 的卷积操作，相邻两层的感受野为 2×2，与卷积核大小相同。最后一层在第一层的感受野扩大至 4×4，即随着卷积层的叠加感受野也会随之扩大，使得后层网络拥有更大的感受野。

【参考文献】：
期刊论文
[1]基于贝叶斯生成对抗网络的背景消减算法[J]. 郑文博,王坤峰,王飞跃.  自动化学报. 2018(05)
[2]基于Regression GAN的原油总氢物性预测方法[J]. 郑念祖,丁进良.  自动化学报. 2018(05)
[3]基于生成对抗网络的漫画草稿图简化[J]. 卢倩雯,陶青川,赵娅琳,刘蔓霄.  自动化学报. 2018(05)
[4]基于生成对抗网络的多视图学习与重构算法[J]. 孙亮,韩毓璇,康文婧,葛宏伟.  自动化学报. 2018(05)
[5]基于条件深度卷积生成对抗网络的图像识别方法[J]. 唐贤伦,杜一铭,刘雨微,李佳歆,马艺玮.  自动化学报. 2018(05)
[6]基于生成对抗网络的低秩图像生成方法[J]. 赵树阳,李建武.  自动化学报. 2018(05)
[7]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)
[8]局部最小二乘支持向量机回归在线建模方法及其在间歇过程的应用[J]. 刘毅,王海清,李平.  化工学报. 2007(11)

博士论文
[1]间歇过程的核学习自适应建模与控制研究及工业应用[D]. 刘毅.浙江大学 2009

硕士论文
[1]基于数据驱动的非线性建模方法的研究[D]. 杨敏.浙江大学 2011
[2]基于TE的化工过程故障诊断算法研究[D]. 王新明.兰州理工大学 2010



本文编号：3385237