工业测试软件技术指标,工业过程难测参数软测量建模方法研究及应用

工业过程难测参数软测量建模方法研究及应用

【摘要】：目前在工业生产过程中仍有很多关键变量没有在线实时检测的传感器,只能通过离线分析方法进行测量,但是,离线分析数据时间滞后较大,很难实现工业过程的实时监测、控制和优化。近年来,随着集散控制系统和信息管理系统在生产过程中的广泛应用,大量的过程数据得以保存,使得基于数据驱动的软测量技术成为工业过程难测关键变量实现在线预测的一个突破性手段。化工(或生物化工)生产过程常常呈现出大滞后、非线性、时变性、多时段、多模式等复杂特性,采用传统的全局建模方法往往得不到令人满意的结果。因此,局部学习策略成为解决这类问题的有效途径,如多模型建模、集成学习建模和即时学习建模方法等。本论文针对具有这类特性的工业过程开展研究,主要研究基于局部学习策略的建模方法,并通过实际工业过程数据进行验证。论文的主要研究工作归纳如下:(1)针对工业过程的非线性、多时段、多模式等特性,提出一种改进的基于样本分组的集成高斯过程回归软测量建模方法。首先基于改进的高斯混合模型将历史样本划分为多个区域,然后为每个区域建立局部高斯过程回归模型,在线预测阶段,通过贝叶斯理论估计每个测试样本属于不同区域的后验概率,将后验概率作为每个局部模型输出的加权值,得到最终的集成预测结果。为进一步提升高斯混合模型区域划分的有效性,首先,设置大范围初始值,以缓解传统高斯混合模型易陷入局部极值点问题;其次,为了加快回归建模时间,采用了相似成分合并的方法,消除成分冗余。采用金霉素发酵过程的现场数据,验证了该方法的有效性。(2)传统的局部区域辨识方法大多是基于样本分组,忽略了过程变量间的相关关系随着过程进行而变化的趋势。针对这一问题,提出了一种基于变量分组的集成高斯过程回归软测量建模方法。该方法首先通过Bootstrapping算法和PMI理论,构建多输入变量组,然后基于每组输入变量对应的历史样本建立局部模型,在线预测阶段,通过贝叶斯理论估计每个测试样本属于不同区域的后验概率,选择预测性能好的局部模型输出值经后验概率加权获得集成预测结果。将该方法应用于金霉素发酵过程总糖浓度的软测量建模中,实验结果验证了基于变量分组的集成软测量建模的有效性。(3)多模型集成学习方法被广泛应用于工业过程难测参数的软测量建模中,但是,传统的多模型构造方法不是基于操作样本分组,就是基于操作变量分组。然而,操作样本分组的方法,只考虑了样本的相似性关系,而没有考虑输入输出变量间的相关关系随过程的变化规律;反之,操作变量分组的方法亦然。因此,提出了一种双层递阶集成高斯过程回归软测量建模方法。首先,该方法通过随机重采样机理和PMI理论,构造多输入变量组;然后,基于每组输入变量对应的历史样本,通过高斯混合模型进行区域辨识,建立每个区域的局部模型;之后,先对局部区域模型实现第一层集成,即SP-EGPR;最后,选择部分预测性能较好的局部SP-EGPR模型的结果再次集成。由于随机重采样方法,使基于变量分组的模型存在冗余问题,所以,在第二次集成之前,加入了PLSR算法,对局部模型进行修剪,消除模型冗余。该方法在TE化工仿真过程进行了模拟,并采用工业炼胶过程中的现场数据进行验证,实验结果证明了该方法的预测精度和可靠性都得到了明显提高。(4)由于大多数工业过程具有时变性,离线建模方法随着时间的推移,预测性能必定会退化,因此,提出了一种基于即时集成学习的自适应软测量建模方法,将即时学习方法与集成学习方法相结合。该方法采用基于PCA的变量组分块算法,快速地构建多输入变量组。PCA方法的协方差函数加入了输入输出变量间的偏互信息关系,提高了变量分组的准确性。首先,在线预测阶段,基于每组输入变量选择与测试样本相似的历史样本;然后,为每组相似样本建立局部模型;最后,通过贝叶斯理论和有限混合机理估计集成模型的预测输出。将该方法应用在工业炼胶过程中对门尼粘度进行了预测,实验结果验证了该方法的有效性。

【相似文献】

中国期刊全文数据库

前17条

1

熊志化,黄国宏,邵惠鹤;基于高斯过程和支持向量机的软测量建模比较及应用研究[J];信息与控制;2004年06期

2

傅永峰;徐欧官;陈祥华;陈伟杰;;基于多模型动态融合的自适应软测量建模方法[J];高校化学工程学 ;2015年05期

3

杜文莉;官振强;钱锋;;一种基于时序误差补偿的动态软测量建模方法[J];化工学 ;2010年02期

4

王华忠,俞金寿;核函数方法及其在软测量建模中的应用研究[J];自动化仪表;2004年10期

5

仲蔚,刘爱伦,俞金寿;多变量系统的软测量建模研究[J];控制与决策;2000年02期

6

宁国忠;孟科;颜学峰;钱锋;;改进的粒子群算法及其在软测量建模中的应用[J];华东理工大学学 (自然科学版);2007年03期

7

崔永超;张湜;王永华;;基于支持向量机的软测量建模方法的应用[J];南京工业大学学 (自然科学版);2007年03期

8

周志成;基于支持向量机的软测量建模[J];自动化技术与应用;2005年08期

9

李妍君;熊伟丽;徐保国;;一种带过程变量时滞估计的在线软测量建模方法[J];信息与控制;2016年06期

10

张东娟;丁煜函;刘国海;梅从立;;基于改进极限学习机的软测量建模方法[J];计算机工程与应用;2012年20期

11

徐海霞;刘国海;周大为;梅从立;;基于改进核模糊聚类算法的软测量建模研究[J];仪器仪表学 ;2009年10期

12

李修亮;苏宏业;褚健;;基于在线聚类的多模型软测量建模方法[J];化工学 ;2007年11期

13

王华忠,俞金寿;基于核函数主元分析的软测量建模方法及应用[J];华东理工大学学 ;2004年05期

14

徐静波;非线性软测量建模的神经 络拓扑结构[J];上海工程技术大学学 ;2000年02期

15

孙涛,曹广益;软测量建模方法分析[J];机床与液压;2005年02期

16

傅永峰;;一种动态软测量建模方法及其工业应用[J];自动化仪表;2011年09期

17

李雅芹;周开武;杨慧中;;基于贝叶斯 络的软测量建模方法[J];计算机与应用化学;2010年10期

中国重要会议论文全文数据库

前10条

1

吕哲;常玉清;王福利;;生化过程软测量建模方法的研究[A];2006中国控制与决策学术年会论文集[C];2006年

2

王恩博;彭亦功;;软测量建模若干方法研究[A];中国仪器仪表学会2007学术年会智能检测控制技术及仪表装置发展研讨会论文集[C];2007年

3

薄翠梅;张湜;李俊;;基于滚动时间窗的软测量建模方法的研究与应用[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年

4

刘文芳;王通;陈俊文;;油田动液面软测量建模的应用[A];第十二届沈阳科学学术年会论文集(理工农医)[C];2015年

5

马铭;孟庆锴;张利彪;;基于模糊系统优化的软测量建模[A];中国运筹学会模糊信息与模糊工程分会第五届学术年会论文集[C];2010年

6

杜文莉;官振强;钱锋;;一种基于时序误差补偿的动态软测量建模方法[A];2009中国过程系统工程年会暨中国mes年会论文集[C];2009年

7

胡田田;蒋爱平;;小波神经 络及其在软测量建模中的应用[A];上海市化学化工学会2006年度学术年会论文摘要集[C];2006年

8

张勇;王介生;王伟;姚伟南;;浮选生产过程经济技术指标的软测量建模[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年

9

刘欣;蒋爱平;;微粒群神经 络在软测量建模中的应用[A];上海市化学化工学会2006年度学术年会论文摘要集[C];2006年

10

刘欣;蒋爱平;;微粒群神经 络在软测量建模中的应用[A];2006北京地区高校研究生学术交流会——通信与信息技术会议论文集(下)[C];2006年

中国博士学位论文全文数据库

前10条

2

3

邱禹;面向污水处理的软测量建模研究及其应用[D];华南理工大学;2018年

4

5

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

安莉;发酵过程生物量软测量建模专家系统研究[D];北京化工大学;2010年

8

李修亮;软测量建模方法研究与应用[D];浙江大学;2009年

10

邵伟明;基于局部学习的自适应软测量建模方法研究[D];中国石油大学(华东);2016年

中国硕士学位论文全文数据库

前10条

中国重要 纸全文数据库

前1条

1

刘炯;软测量建模技术的指导性著作[N];新华书目 ;2016年

相关资源：翠雨方工作备忘录工具v2.31中文绿色版-其它代码类资源-CSDN文库