基于深度学习的复杂工业软测量理论与方法

发布时间：2020-10-27 10:25

　　 工业工程中存在许多关键过程变量,与生产效率或生产质量密切相关,但由于手段缺乏或考虑成本,很多关键变量难以直接测量。软测量专注于解决上述难题,通过采集与目标变量相关性较强的过程变量作为输入,将目标变量作为输出,建立数学模型,实现对目标变量的估计。目前针对软测量的研究主要集中于对建模方法的研究,而现存建模方法并不完全适用于结构庞大、机理复杂、参变量繁多的复杂工业过程的参数建模,同时,针对混合驱动建模方法、非完整数据的处理、辅助变量的选择等方面的研究相对缺乏。本论文针对复杂工业系统中的测量信息难、建立模型难、实施控制难等关键问题开展研究,以软测量的模型结构与训练方法的研究为核心,基于深度学习方法建立软测量模型,并将其应用于典型复杂工业过程中。同时,针对建模过程中的其他关键问题开展了研究,解决辅助变量选择难以及数据样本不足的问题。本研究对于解决工业过程控制中的关键科学问题、突破核心技术,完善和推进软测量的发展都具有重要意义。主要研究内容及创新性成果如下:1.提出了两种基于深度学习方法的数据驱动软测量模型。通过在深度神经网络顶层叠加支持向量回归(Support vector regression,SVR),建立了基于堆叠自动编码器(Stacked autoencoders,SAE)的 SAE-SVR 模型,以及基于深度信念网络(Deep belief network,DBN)的DBN-IPSO-SVR模型。训练过程中重新定义了损失函数,并对优化算法做出了改进。将上述模型用于火力发电厂空气预热器的转子热变形量预测,结果表明,与其他常见方法相比,在训练稳定性和预测精度等方面都有了显著提升。2.在SAE-SVR的基础上,提出了一种机理与数据混合驱动的软测量模型L-SAE。该模型既参考了工业过程的机理背景和专家知识,又利用现场数据更全面地反映过程信息。在相同实验背景下对空气预热器转子热变形量的预测结果表明,与常用机理或数据驱动方法对比,L-SAE具有更高的预测精度和更好的模型泛化能力。3.为了解决软测量建模过程中经常出现的非完整数据问题,提出了一种结合生成式对抗网络(Generative adversarial network,GAN)和变分自动编码器(Variational autoencoder,VAE)的深度生成模型VA-WGAN。通过学习真实工业数据的分布,生成新样本,补充软测量建模的训练数据集。实验结果表明,VA-WGAN解决了传统GAN训练难的问题,收敛过程平稳快速。与其他几种常见的生成模型相比,VA-WGAN所生成的人工数据更接近真实数据分布。4.为了更有效地选择软测量的辅助变量,提出了一种基于变量间互信息与模型误差的变量选择方法MI-ME。同时,为了降低计算量,提出了一种新的神经网络权值更新方法。实验结果表明,与其他常用变量选择方法相比,在取得相同或相似的软测量预测误差的前提下,MI-ME所选出的变量集包含最少的辅助变量。以MI-ME所选的变量集作为软测量模型的输入,能在保证预测精度的同时简化模型结构,降低模型的学习负担。
【学位单位】：西安理工大学
【学位级别】：博士
【学位年份】：2020
【中图分类】：TP18;TB22
【部分图文】：

运行时，反映系统不同性质的参量生成机理复杂、相互影响且环境恶劣。由于缺少方法与手段或出于成本的考虑，导致很多重要参数难以直接测量或根本无法测量。复杂工业过程的信息测量问题一直是国内外学术界和工业界广泛关注的热点之一，也是解决“测量难、建模难、控制难”首先需要面对的问题。因此，以满足国家重大需求为目标，针对复杂工业系统中存在的测量信息难、建立模型难、实施控制难等关键问题开展研究，对于解决工业过程控制中的关键科学问题、突破核心技术，提高国家在高端装备制造领域的技术水平都具有重要的意义。图1-1软测量技术的产生背景Figure1-1Thebackgroundofthesoftsensortechnology软测量技术（也称软仪表技术）产生于上述应用背景下，如图1-1所示，是目前解决测量难问题的最重要手段之一。软测量理论源于20世纪70年代Brosillow提出的推理控制，其建模思路如图1-2所示。利用间接测量的思路，选择与目标变量直接相关的易测过程变量（称为辅助变量或二次变量），以辅助变量为模型输入，待测目标变量（也称主导变量）为模型输出，通过建立输入变量与输出变量之间的数学模型，找到它们之间的映射关系，实现目标变量的在线实时估计。与传统方法相比，软测量具有成本低、

1绪论3实时性好、维护简单等显著优点[1]。图1-2软测量的建模原理Figure1-2Modelingprincipleofthesoftsensor近年来，随着复杂工业系统对过程控制的效率和品质的要求的提高，作为解决工业系统中无法或难以硬件测量的参数估计问题的有效手段，软测量理论与技术得到了快速发展。目前，软测量已被广泛应用于过程工业难测变量的在线估计，并取得了大量的理论研究和在过程工业应用成果[2-4]，成为过程控制领域的研究热点。同时，作为一项新兴的控制技术，软测量也是自动控制及检测领域的重要研究方向之一，在控制科学和领域中已经产生了越来越强大的影响力。表1-1多种控制方法的行业影响力调差结果Table1-1Industryimpactsurveyresultsofmultiplecontrolmethods控制方法高影响率低影响/无影响率PID控制100%0%模型预测控制78%9%系统辨识61%9%过程数据分析61%17%软测量52%22%故障检测与识别50%18%分散协调控制48%30%智能控制35%30%离散事件系统23%32%非线性控制22%35%自适应控制17%43%鲁棒控制13%43%混合动态系统13%43%2015年，国际自动控制联合会（InternationalFederationofAutomaticControl，IFAC）对其成员发起了一份调查，以了解他们对先进控制的影响以及当前面临的挑战的看法。其中一个问题是调查多项先进控制技术在多个控制科学和工程领域，包括航空航天、汽车、炼油、石化、化学品、金属、生物医学等领域中的影响力。被调查成员由IFAC的国家成员组织进行提名，分别来自除南极洲以外的所有大洲的21个国家，他们中的52%从事上述工业领域相关工作，44%为学术界研究人员，4%为政府从业人员。调查结果发

西安理工大学博士学位论文10图1-3论文结构图Figure1-3Structurediagramofthepaper第四章，建立了基于DBN的软测量模型DBN-IPSO-SVR。以第三章相同的工业背景进行实验，并与其他方法的实验结果进行对比分析。第五章，针对软测量的数据处理开展研究。建立一个新的深度生成模型VA-WGAN，学习真实工业数据的分布，生成新样本，补充训练数据集，并通过软测量实验进行效果分析。第六章，针对软测量辅助变量的选择开展研究。提出一种新的辅助变量的自动选择方法MI-ME，从待选变量中选择最优子集作为模型的输入，并通过软测量实验进行效果分析。第七章，总结与展望。对博士期间完成的工作进行总结，并对课题中仍待研究的内容进行展望。需要说明的是，建模与辅助手段的研究是一种先后关系，即数据补充方法及辅助变量的选择方法都是在前期建立的软测量模型SAE-SVR上进行的效果验证。因此在文章结构方面，将数据补充及辅助变量选择的研究安排在建模研究之后。
【相似文献】

相关期刊论文 前10条

1 荣冈，金晓明，王树青;先进控制技术及应用 第三讲 软测量技术及其应用[J];化工自动化及仪表;1999年04期

2 陈彦桥;郭一;刘建民;刘金琨;;一种改进烟气含氧量软测量建模方法与仿真[J];动力工程学报;2011年01期

3 周鸣争;基于神经网络的软测量模型及应用[J];仪器仪表学报;1999年06期

4 李永刚;汤伟;王孟效;;黑液波美度的软测量[J];纸和造纸;2007年04期

5 罗晓,陈耀,孙优贤;基于统计回归的质量推断方法[J];信息与控制;2001年05期

6 黄凤良;软测量思想与软测量技术[J];计量学报;2004年03期

7 郭庆武,张湜;基于软测量的先进控制系统的实现[J];自动化博览;2003年05期

8 谭超;吴同;;增强偏最小二乘回归算法在近红外光谱法啤酒度数软测量建模中的应用[J];理化检验(化学分册);2010年08期

9 冯大春;;汽提塔塔底氨含量的软测量模型[J];辽宁工程技术大学学报(自然科学版);2011年02期

10 王华忠;;高斯过程及其在软测量建模中的应用[J];化工学报;2007年11期

相关博士学位论文 前10条

1 王晓;基于深度学习的复杂工业软测量理论与方法[D];西安理工大学;2020年

2 刘乙奇;自确认软测量模型研究及其在污水处理中的应用[D];华南理工大学;2013年

3 马亮;复杂工业过程质量相关故障的根源诊断与传播路径辨识[D];北京科技大学;2019年

4 孙元;软测量模型自适应校正与高温场软测量方法研究[D];中南大学;2012年

5 李春富;基于数据的软测量建模方法及其应用的研究[D];清华大学;2005年

6 傅永峰;软测量建模方法研究及其工业应用[D];浙江大学;2007年

7 赵利强;发酵过程智能测控系统关键技术研究[D];北京化工大学;2009年

8 袁小锋;基于即时学习的复杂非线性过程软测量建模及应用[D];浙江大学;2016年

9 李修亮;软测量建模方法研究与应用[D];浙江大学;2009年

10 王露笛;心律失常与心力衰竭智能诊断方法研究[D];北京邮电大学;2019年

相关硕士学位论文 前10条

1 Yousuf Babiker Mohammed Osman;[D];兰州理工大学;2020年

2 童文洪;基于数据融合技术的氧量软测量研究及其应用[D];华北电力大学（北京）;2009年

3 梁杰;基于数据的软测量建模方法研究及应用[D];杭州电子科技大学;2009年

4 苏令磊;先进控制软测量子系统组态软件的开发及其应用[D];中国石油大学;2010年

5 毛佳敏;深度学习算法在软测量建模中的应用研究[D];南京邮电大学;2016年

6 鞠远枫;燃煤灰渣含碳量的软测量模型设计与研究[D];大连海事大学;2012年

7 王赛;青霉素发酵过程软测量建模方法的研究[D];东北大学;2010年

8 郭庆武;软测量模型生成系统研究与应用[D];南京工业大学;2003年

9 陶玲;石油树脂粘度的软测量研究[D];上海交通大学;2009年

10 王永吉;支持向量机泛化性能的研究及其应用[D];江南大学;2009年

本文编号：2858395