非规则数据下的间歇过程软测量建模方法研究
发布时间：2022-01-04 20:08
间歇过程是生物制药、精细化工、微电子、食品等行业的主要生产方式,广泛应用于医药、生物制品、半导体器件等高附加值产品的生产中。在间歇过程中,通过获取过程变量的在线测量数据,分析过程变量状况,对生产过程实施在线监测与优化控制,有效地提高了间歇生产过程安全运行和生产优化。受在线测量技术的制约,在间歇过程中存在着不易测量的过程变量,直接影响着间歇过程的在线监测与优化控制。软测量通过建立间歇过程不易测量过程变量与易测变量之间的数学模型,能够在线估计不易测量过程变量,已成为不易测量过程变量在线测量的重要方法。然而,间歇过程受操作工艺、生产现场环境、现场测量仪表性能衰减等因素的影响,所获得的过程数据具有非规则特征,非规则过程数据主要表现为生产批次切换导致的不等长批次数据、操作切换的多时段数据,这些非规则数据直接用于间歇过程软测量,严重影响着数据驱动的软测量的准确性;同时现有的间歇过程软测量建模方法通常仅考虑了过程数据的非线性,没有考虑过程数据具有的高维度、动态性特征,降低了软测量建模的准确性。因此,研究非规则数据下的间歇过程软测量建模方法具有重要的理论意义和应用价值。本文在详细分析间歇过程非规则数据...
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：126 页
【学位级别】：博士
【部分图文】：
图２－１基于ＤＴＷ的不等长批次数据同步化：（ａ）同步化路径和（ｂ）同步化结果??Ｆｉｇ．２－１?Ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ?ｆｏｒ?ｕｎｅｑｕａｌ－ｌｅｎｇｔｈ?ｂａｔｃｈ?ｄａｔａ?ｂａｓｅｄ?ｏｎ?ＤＴＷ：?（ａ）?ｗａｒｐｉｎｇ?ｐａｔｈ?ａｎｄ?（ｂ）??ｓｙｎｃｈｒｏｎｉｚｅｄ?ｒｅｓｕｌｔ??在局部相似度的基础上，计算批次数据之间的总体距离￡？，即??Ｈ??：?ｕ）?ｄｊ（＾）?ｊＷ??＇
?第二章基于核动态时间规整的间歇过程不等长批次数据同步化方法???离矩阵和同步化最优路径。对于图２－１所示例子，选择不同的核参数对应的局部相似??度矩阵、同步化路径和同步化结果如图２－２所示。??（ａ）?２４?￣?２４?ＦＩ￣ｊ；??Ｉ：夕?ｉｔ?Ｉ??：■二：７二??（：?ｉ．ｒ［广土，??０ｌＣ???ｌＪ?＼?ｉ?ｇ?ｉ?ｉ?ｉ?ｉ??０?４?８?１２?１６?２０?０?４?８?１２?１６?２０?０?４?８?１２?１６?２０?２４??（ｂ）?２４?ｊｊ?－ｊｍ?２４?￣ｙｒｉ?？??２〇?ｒ?２０?Ａ??１６１１６??：Ｌｍｊ?：Ｌ＾！Ｊ?Ｌ上??ｖ０?４?８?Ｕ?１６?２０?ｕ０?４?８?１２?１６?２０?０?４?８?１２?１６?２０?２４??（ｃ）?２４１—；?ＳＩ?２４ｒ—ｉ￣￣ＦＴ］??５???２０?％?Ｗ?＊?２０?％?＊?Ｋ?，？＊?Ａ??１６?ｆ?５?．６?ｔ／ｌ??１２?－?＊?■?ｉ２．?ｙ?＊?ｓ??４?－?ｉ?ｒ?＾?－Ｊ?ｉ?ｉ｜?Ｉ??０?４?８?１２?１６?２０?？?４?８?１２?１６?２０?０?４?８?１２?１６?２０?２４??图２－２局部相似度矩阵（左边列）、累积距离矩阵和同步化路径（中间列）和同步化结果（右边??列）：（ａ）核参数为０．５，?（ｂ）核参数为１，（ｃ）核参数为５??Ｆｉｇ．２－２?Ｌｏｃａｌ?ｋｅｒｎｅｌ?ｄｉｓｔａｎｃｅｓ?（ｌｅｆｔ?ｃｏｌｕｍｎ），?ｃｕｍｕｌａｔｉｖｅ?ｄｉｓｔａｎｃｅｓ?ａｎｄ?ｗａｒｐｉｎｇ?ｐａｔｈ?（ｍｉｄｄｌｅ?ｃｏｌｕｍｎ），??ａｎｄ?ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ?ｒｅｓｕｌｔｓ?（ｒｉｇｈｔ?ｃｏｌｕｍ
?第二章基于核动态时间规整的间歇过程不等长批次数据同步化方法???２．４．３基于ＫＤＴＷ的测试批次同步化??基于ＫＤＴＷ的测试批次同步化步骤如下：??步骤１、采集间歇过程的历史批次数据集并进行标准化处理；??步骤２、利用ＭＰＳＣ选择参考批次，将剩余批次看作测试批次；??步骤３、根据所提出的ＳＰＣＩ确定最优核参数；??步骤４、在最优核参数设定下，利用所提出的ＫＤＴＷ方法和参考批次对所有的测??试批次进行同步化。??综上所述，基于ＫＤＴＷ的间歇过程不等长批次数据同步化流程如图２￣４所示。??２．５实验结果与分析??２．５．１青霉素发酵过程??２．５．１．１过程描述??青霉素是一种具有广泛临床医学价值的抗生素，其生产过程是典型的非线性间歇??过程，如图２－５所示。ＰｅｎＳｉｍＶ２＿０是由Ｂｉｏｒ等［１３］开发的青霉素发酵过程仿真平台，??提供了青霉素发酵过程的标准模拟数据。在本节实验中，在不同的初始条件设定下，??利用ＰｅｎＳｉｍ?Ｖ２．０生成３０个正常工况下的批次数据。每个批次的采样时间从３０４小时??到４９５小时不等，共采集如表２－２所示的９个过程变量数据，采样周期为〗小时。３０??个批次的标准化过程变量数据如图２－６所示。??Ａｇｉｔａｔｏｒ?ｐｏｗｅｒ?Ｉｎｉｔｉａｌ?ｃｏｎｄｉｔｉｏｎｓ??ｐＨ?ｓｅｔｔｉｎｇ??＾??Ｓｕｂｓｔｒａｔｅ?ｃｏｎｃｅｎｔｒａｔｉｏｎ??厂义ＦＣ少｜?Ｄｉｓｓｏｌｖｅｄ?ｏｘｙｇｅｎ?ｃｏｎｃｅｎｔｒａｔｉｏｎ??ｌ?Ｂｉｏｍａｓｓ?ｃｏｎｃｅｎｔｒａｔｉｏｎ??「Ａｃｉｄ?ｊ?］?ＴｐＨｊ?Ｉ?Ｐｅｎｉｃｉｌｌｉｎ?ｃｏｎｃｅｎｔｒａｔｉｏｎ??Ｉ?Ｉ
【参考文献】：
期刊论文
[1]基于自编码神经网络特征提取的回声状态网络研究及过程建模应用[J]. 朱宝,乔俊飞. 化工学报. 2019(12)
[2]基于k-近邻互信息的发酵过程高斯过程回归建模[J]. 赵荣荣,赵忠盖,刘飞. 化工学报. 2019(12)
[3]基于变量分组DTW-MCVA的不等长间歇过程故障检测方法[J]. 于蕾,邓晓刚,曹玉苹,路凯琪. 化工学报. 2019(09)
[4]基于进化多目标优化的选择性集成学习软测量建模[J]. 金怀平,黄思,王莉,陈祥光,潘贝,李建刚. 高校化学工程学报. 2019(03)
[5]基于动态多核相关向量机的软测量建模研究[J]. 吴菁,刘乙奇,刘坚,黄道平,邱禹,于广平. 化工学报. 2019(04)
[6]PDPSO优化多阶段AR-PCA间歇过程监测方法[J]. 高学金,黄梦丹,齐咏生,王普. 化工学报. 2018(09)
[7]基于深度集成支持向量机的工业过程软测量方法[J]. 马建,邓晓刚,王磊. 化工学报. 2018(03)
[8]基于Gath-Geva算法和核极限学习机的多阶段间歇过程软测量[J]. 张雷,张小刚,陈华. 化工学报. 2018(06)
[9]基于RVM组合核优化的软测量模型研究[J]. 张亚男,杨慧中. 系统仿真学报. 2018(01)
[10]基于SVDD的多时段间歇过程故障检测[J]. 王建林,马琳钰,邱科鹏,刘伟旻,赵利强. 仪器仪表学报. 2017(11)
博士论文
[1]间歇过程测量数据异常智能检测方法研究[D]. 刘伟旻.北京化工大学 2018
[2]数据驱动的间歇过程监测与质量控制研究[D]. 秦岩.浙江大学 2018
[3]基于即时学习的复杂非线性过程软测量建模及应用[D]. 袁小锋.浙江大学 2016
[4]发酵过程智能测控系统关键技术研究[D]. 赵利强.北京化工大学 2009
[5]复杂工况过程统计监测方法研究[D]. 葛志强.浙江大学 2009
[6]多时段间歇过程统计建模、在线监测及质量预报[D]. 赵春晖.东北大学 2009
本文编号：3568985
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：126 页
【学位级别】：博士
【部分图文】：
图２－１基于ＤＴＷ的不等长批次数据同步化：（ａ）同步化路径和（ｂ）同步化结果??Ｆｉｇ．２－１?Ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ?ｆｏｒ?ｕｎｅｑｕａｌ－ｌｅｎｇｔｈ?ｂａｔｃｈ?ｄａｔａ?ｂａｓｅｄ?ｏｎ?ＤＴＷ：?（ａ）?ｗａｒｐｉｎｇ?ｐａｔｈ?ａｎｄ?（ｂ）??ｓｙｎｃｈｒｏｎｉｚｅｄ?ｒｅｓｕｌｔ??在局部相似度的基础上，计算批次数据之间的总体距离￡？，即??Ｈ??：?ｕ）?ｄｊ（＾）?ｊＷ??＇
?第二章基于核动态时间规整的间歇过程不等长批次数据同步化方法???离矩阵和同步化最优路径。对于图２－１所示例子，选择不同的核参数对应的局部相似??度矩阵、同步化路径和同步化结果如图２－２所示。??（ａ）?２４?￣?２４?ＦＩ￣ｊ；??Ｉ：夕?ｉｔ?Ｉ??：■二：７二??（：?ｉ．ｒ［广土，??０ｌＣ???ｌＪ?＼?ｉ?ｇ?ｉ?ｉ?ｉ?ｉ??０?４?８?１２?１６?２０?０?４?８?１２?１６?２０?０?４?８?１２?１６?２０?２４??（ｂ）?２４?ｊｊ?－ｊｍ?２４?￣ｙｒｉ?？??２〇?ｒ?２０?Ａ??１６１１６??：Ｌｍｊ?：Ｌ＾！Ｊ?Ｌ上??ｖ０?４?８?Ｕ?１６?２０?ｕ０?４?８?１２?１６?２０?０?４?８?１２?１６?２０?２４??（ｃ）?２４１—；?ＳＩ?２４ｒ—ｉ￣￣ＦＴ］??５???２０?％?Ｗ?＊?２０?％?＊?Ｋ?，？＊?Ａ??１６?ｆ?５?．６?ｔ／ｌ??１２?－?＊?■?ｉ２．?ｙ?＊?ｓ??４?－?ｉ?ｒ?＾?－Ｊ?ｉ?ｉ｜?Ｉ??０?４?８?１２?１６?２０?？?４?８?１２?１６?２０?０?４?８?１２?１６?２０?２４??图２－２局部相似度矩阵（左边列）、累积距离矩阵和同步化路径（中间列）和同步化结果（右边??列）：（ａ）核参数为０．５，?（ｂ）核参数为１，（ｃ）核参数为５??Ｆｉｇ．２－２?Ｌｏｃａｌ?ｋｅｒｎｅｌ?ｄｉｓｔａｎｃｅｓ?（ｌｅｆｔ?ｃｏｌｕｍｎ），?ｃｕｍｕｌａｔｉｖｅ?ｄｉｓｔａｎｃｅｓ?ａｎｄ?ｗａｒｐｉｎｇ?ｐａｔｈ?（ｍｉｄｄｌｅ?ｃｏｌｕｍｎ），??ａｎｄ?ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ?ｒｅｓｕｌｔｓ?（ｒｉｇｈｔ?ｃｏｌｕｍ
?第二章基于核动态时间规整的间歇过程不等长批次数据同步化方法???２．４．３基于ＫＤＴＷ的测试批次同步化??基于ＫＤＴＷ的测试批次同步化步骤如下：??步骤１、采集间歇过程的历史批次数据集并进行标准化处理；??步骤２、利用ＭＰＳＣ选择参考批次，将剩余批次看作测试批次；??步骤３、根据所提出的ＳＰＣＩ确定最优核参数；??步骤４、在最优核参数设定下，利用所提出的ＫＤＴＷ方法和参考批次对所有的测??试批次进行同步化。??综上所述，基于ＫＤＴＷ的间歇过程不等长批次数据同步化流程如图２￣４所示。??２．５实验结果与分析??２．５．１青霉素发酵过程??２．５．１．１过程描述??青霉素是一种具有广泛临床医学价值的抗生素，其生产过程是典型的非线性间歇??过程，如图２－５所示。ＰｅｎＳｉｍＶ２＿０是由Ｂｉｏｒ等［１３］开发的青霉素发酵过程仿真平台，??提供了青霉素发酵过程的标准模拟数据。在本节实验中，在不同的初始条件设定下，??利用ＰｅｎＳｉｍ?Ｖ２．０生成３０个正常工况下的批次数据。每个批次的采样时间从３０４小时??到４９５小时不等，共采集如表２－２所示的９个过程变量数据，采样周期为〗小时。３０??个批次的标准化过程变量数据如图２－６所示。??Ａｇｉｔａｔｏｒ?ｐｏｗｅｒ?Ｉｎｉｔｉａｌ?ｃｏｎｄｉｔｉｏｎｓ??ｐＨ?ｓｅｔｔｉｎｇ??＾??Ｓｕｂｓｔｒａｔｅ?ｃｏｎｃｅｎｔｒａｔｉｏｎ??厂义ＦＣ少｜?Ｄｉｓｓｏｌｖｅｄ?ｏｘｙｇｅｎ?ｃｏｎｃｅｎｔｒａｔｉｏｎ??ｌ?Ｂｉｏｍａｓｓ?ｃｏｎｃｅｎｔｒａｔｉｏｎ??「Ａｃｉｄ?ｊ?］?ＴｐＨｊ?Ｉ?Ｐｅｎｉｃｉｌｌｉｎ?ｃｏｎｃｅｎｔｒａｔｉｏｎ??Ｉ?Ｉ
【参考文献】：
期刊论文
[1]基于自编码神经网络特征提取的回声状态网络研究及过程建模应用[J]. 朱宝,乔俊飞. 化工学报. 2019(12)
[2]基于k-近邻互信息的发酵过程高斯过程回归建模[J]. 赵荣荣,赵忠盖,刘飞. 化工学报. 2019(12)
[3]基于变量分组DTW-MCVA的不等长间歇过程故障检测方法[J]. 于蕾,邓晓刚,曹玉苹,路凯琪. 化工学报. 2019(09)
[4]基于进化多目标优化的选择性集成学习软测量建模[J]. 金怀平,黄思,王莉,陈祥光,潘贝,李建刚. 高校化学工程学报. 2019(03)
[5]基于动态多核相关向量机的软测量建模研究[J]. 吴菁,刘乙奇,刘坚,黄道平,邱禹,于广平. 化工学报. 2019(04)
[6]PDPSO优化多阶段AR-PCA间歇过程监测方法[J]. 高学金,黄梦丹,齐咏生,王普. 化工学报. 2018(09)
[7]基于深度集成支持向量机的工业过程软测量方法[J]. 马建,邓晓刚,王磊. 化工学报. 2018(03)
[8]基于Gath-Geva算法和核极限学习机的多阶段间歇过程软测量[J]. 张雷,张小刚,陈华. 化工学报. 2018(06)
[9]基于RVM组合核优化的软测量模型研究[J]. 张亚男,杨慧中. 系统仿真学报. 2018(01)
[10]基于SVDD的多时段间歇过程故障检测[J]. 王建林,马琳钰,邱科鹏,刘伟旻,赵利强. 仪器仪表学报. 2017(11)
博士论文
[1]间歇过程测量数据异常智能检测方法研究[D]. 刘伟旻.北京化工大学 2018
[2]数据驱动的间歇过程监测与质量控制研究[D]. 秦岩.浙江大学 2018
[3]基于即时学习的复杂非线性过程软测量建模及应用[D]. 袁小锋.浙江大学 2016
[4]发酵过程智能测控系统关键技术研究[D]. 赵利强.北京化工大学 2009
[5]复杂工况过程统计监测方法研究[D]. 葛志强.浙江大学 2009
[6]多时段间歇过程统计建模、在线监测及质量预报[D]. 赵春晖.东北大学 2009
本文编号：3568985
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3568985.html
