基于时间维度拓展局部加权ELM的工业过程软测量建模

发布时间：2017-12-06 13:10

  本文关键词：基于时间维度拓展局部加权ELM的工业过程软测量建模

  更多相关文章： 软测量 极限学习机 泛化性能 局部加权 时间维度拓展 非线性过程动态性过程

【摘要】：在现代工业过程中,为了保证生产过程安全和产品质量,及时获得过程关键产品参数具有非常重要的意义。然而由于技术和成本限制,在复杂的工业过程中很难直接对关键的质量变量进行检测。很多情况下必须使用昂贵的测量仪表或者对生产过程造成一定的干扰。工业过程软测量技术通过建立容易测量的辅助变量和质量变量之间的数学模型,来间接的对质量变量进行检测。在软测量建模算法的发展过程中,传统的多元统计回归方法算法结构简单,速度快,而日趋成熟的神经网络算法和深度学习算法精度高适应非线性过程但是计算速度往往较慢。本文围绕极限学习机(Extreme Learning Machine,ELM)这种单隐层神经网络算法进行研究。该算法无需进行神经元参数的反复迭代计算。运算速度快、精度高并且不会陷入局部最优解,具有良好的发展潜力。本文围绕ELM算法,以工业过程软测量建模为应用背景展开研究,得到的主要研究成果总结如下:1)针对工业过程的非线性问题,提出了基于局部加权极限学习机(LWELM)的软测量建模方法。利用局部加权方法对每个测试样本点建立局部模型,相比全局模型简化了模型的复杂度,有利于解决复杂工业非线性过程中ELM算法泛化性能不足的问题,仿真验证了该方法能有效改进软测量模型预测精度。2)针对工业过程的动态性问题,提出了基于时间维度拓展极限学习机(TELM)的软测量建模方法。该方法将当前时刻前后的样本点合并为新的样本点,得到一个高维度高线性相关性的包含过程动态性信息的拓展矩阵。ELM算法能够克服样本高维度和线性相关性强问题,并且利用增加的数据量改善了 ELM算法在有限样本情况下的泛化能力不足问题,同时得到了过程动态信息。仿真验证了该方法能有效改进软测量模型预测精度。3)针对工业过程的动态性、非线性以及噪声误差干扰问题,提出了基于时间维度拓展局部加权极限学习机方法(TLWELM)的软测量建模方法。该方法既考虑时间临近样本之间的动态相关关系,也考虑空间上临近样本点之间的局部模型相似性,采用了两种改进方法结合的方式对极限学习机算法进行改进。局部加权方法在一定程度上排除了离群点和奇异值降低噪声和误差的干扰。同时改善了极限学习机的泛化性能,降低了时间维度拓展方法为了改善极限学习机泛化性能所需要的拓展维度。随着拓展矩阵的缩小,噪声和误差的干扰也进一步减弱了。仿真验证了该方法能有效改进软测量模型的预测精度。
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：O212.4;TP18

【参考文献】

中国期刊全文数据库 前5条

1 袁小锋;葛志强;宋执环;;基于时间差分和局部加权偏最小二乘算法的过程自适应软测量建模[J];化工学报;2016年03期

2 张弦;王宏力;;具有选择与遗忘机制的极端学习机在时间序列预测中的应用[J];物理学报;2011年08期

3 刘国海;江兴科;梅丛立;;基于连续隐Markov模型的发酵过程关键状态变量软测量[J];江苏大学学报(自然科学版);2011年04期

4 俞金寿;;软测量技术及其应用[J];自动化仪表;2008年01期

5 常玉清;李玉朝;王福利;吕哲;;基于极限学习机的生化过程软测量建模[J];系统仿真学报;2007年23期

中国硕士学位论文全文数据库 前1条

1 余建平;基于改进神经网络的污水处理参数软测量模型研究[D];重庆大学;2005年

，

本文编号：1258692