發(fā)布時間：2019-02-11 11:24

【摘要】：預分解新型干法水泥生產(chǎn)技術(shù)將物料的預熱和分解分別移至懸浮預熱器和分解爐,懸浮狀態(tài)下的換熱、分解速度遠高于回轉(zhuǎn)窯中堆積態(tài)下的速度,根本上改變了生料分解的傳熱狀態(tài),大幅提高了熱效率和生產(chǎn)效率,成為當今水泥工業(yè)發(fā)展的主流。生料分解率是衡量水泥熟料質(zhì)量的重要指標,確保分解率穩(wěn)定地保持在工藝要求的范圍內(nèi)是分解爐乃至整個窯系統(tǒng)控制的關(guān)鍵。因而,分解率反饋信息的準確性與實時性至關(guān)重要。生料預分解系統(tǒng)中,各過程變量可通過檢測儀表進行在線快速率采樣,而生料分解率則通過人工采樣離線化驗的方法檢測,慢速率采樣信息無法及時反映過程工況。軟測量是解決該問題的有效方法,但預分解系統(tǒng)工藝復雜,難以建立精確的機理模型。數(shù)據(jù)驅(qū)動軟測量建模方法由于獲得過程相關(guān)信號相對容易而得到廣泛研究和應(yīng)用,而現(xiàn)有的數(shù)據(jù)驅(qū)動模型多為靜態(tài)模型,過大的重采樣間隔導致動態(tài)信息丟失、模型性能較差。而基于多速率系統(tǒng)辨識的動態(tài)軟測量需要精心設(shè)計非線性測試實驗以獲取可靠的動態(tài)過程數(shù)據(jù),從而獲得準確的系統(tǒng)數(shù)學模型；且其優(yōu)化算法代價昂貴難以保證全局最優(yōu)解。因而,需要深入分析預分解系統(tǒng)過程特性和數(shù)據(jù)特點,建立基于快采樣速率輸入數(shù)據(jù)和慢采樣速率輸出數(shù)據(jù)的關(guān)聯(lián)推理動態(tài)軟測量模型,以滿足人工決策調(diào)整、過程運行安全監(jiān)控、自動推理控制及實時操作優(yōu)化的需求。本文從推理建模學習的角度將生料預分解等多速率系統(tǒng)的動態(tài)軟測量問題歸結(jié)為多變量時間序列回歸問題,是驅(qū)動數(shù)據(jù)具有非線性分布與“時間-空間”雙重關(guān)聯(lián)特點的高維學習問題。對此,本文結(jié)合數(shù)據(jù)挖掘與機器學習相關(guān)知識,提出基于動態(tài)數(shù)據(jù)特征提取的支持向量回歸模型,并實現(xiàn)生料分解率的軟測量。主要工作如下：(1)采樣自水泥生料預分解等復雜工業(yè)過程的多變量時間序列數(shù)據(jù)具有非線性、高維、冗余特點,流形學習方法中的局部保持投影(LPP)通常被用來提取此類數(shù)據(jù)的主要特征。但高頻率采樣的過程動態(tài)數(shù)據(jù)還具有函數(shù)型特點,其空間維變量與時間維變量之間具有雙重關(guān)聯(lián)結(jié)構(gòu)模式特性。將粗糙度懲罰以加性方式引入LPP提出的懲罰局部保持投影(PLPP)能夠保留函數(shù)型數(shù)據(jù)的光滑性。但LPP、PLPP等基于向量展開形式數(shù)據(jù)的算法,在輸入空間高維、訓練樣本數(shù)目少、輸入變量強關(guān)聯(lián)等情況下會出現(xiàn)矩陣病態(tài)問題從而導致特征值分解失�。涣硪环矫�,基于向量展開形式表示的樣本進行子空間的學習還將破壞數(shù)據(jù)不同維度上以及各維度之間的關(guān)聯(lián)結(jié)構(gòu)�；谝陨戏治�,本文將加性粗糙度懲罰引入基于矩陣形式直接表示樣本的2D局部保持投影算法(2DLPP),提出2D懲罰局部保持投影(2DPLPP),該算法保留數(shù)據(jù)“時間-空間”2D關(guān)聯(lián)結(jié)構(gòu)的同時保留了數(shù)據(jù)時間維上的光滑性。在此基礎(chǔ)上,本文進一步提出雙向2DPLPP算法對動態(tài)數(shù)據(jù)的時間維和空間維同時進行維數(shù)約簡,從而獲取更能反映數(shù)據(jù)雙重關(guān)聯(lián)結(jié)構(gòu)特性的特征表達,并可以避免病態(tài)問題、降低特征值分解的規(guī)模,而且更加適合小樣本學習問題。結(jié)合數(shù)據(jù)挖掘與機器學習,本文提出基于雙向2DPLPP特征提取的ε-SVR軟測量建模方案,并用以實現(xiàn)水泥生料分解率的軟測量�；诙喾N特征提取方法的軟測量對比實驗結(jié)果表明雙向2DPLPP方法的有效性。(2) 2DPLPP等流形學習過程中,權(quán)矩陣(相似度矩陣)的構(gòu)造通�；诰�性空間的歐氏距離以及熱核賦值。其中歐氏距離將所有形式數(shù)據(jù)等同為向量,無法利用矩陣(二階張量)數(shù)據(jù)的拓撲結(jié)構(gòu),因而難以獲取隱含在數(shù)據(jù)中的多模關(guān)系。針對該問題,本文以張量數(shù)據(jù)分析為基礎(chǔ),結(jié)合權(quán)矩陣與核函數(shù)的一致性,采用格拉斯曼流形上的弦距離代替歐氏距離,提出張量因子權(quán)矩陣以改進2DPLPP等流形算法。其中,弦距離考慮了數(shù)據(jù)的輸入不變性,拓撲結(jié)構(gòu)的獲取和運用使其魯棒性遠高于歐氏距離。然而,基于距離度量的權(quán)矩陣對數(shù)據(jù)的可靠性要求較高,此類方法對噪聲相對敏感。本文基于數(shù)據(jù)采樣時序關(guān)系提出的時序權(quán)矩陣相當于將數(shù)據(jù)的采樣信息作為監(jiān)督信息引入到無監(jiān)督算法,有效提高了算法的魯棒性。在此基礎(chǔ)上,本文還實現(xiàn)了上述多種權(quán)矩陣構(gòu)造方法的混合。仿真實驗結(jié)果表明,張量因子權(quán)矩陣和時序權(quán)矩陣都能提高軟測量模型的精度。
[Abstract]:......
【學位授予單位】：東北大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TQ172.1

【相似文獻】

相關(guān)期刊論文 前10條

1 方瑩;;多角度的特征提取方法[J];鄭州輕工業(yè)學院學報(自然科學版);2010年03期

2 周生祥,馮培恩,潘雙夏;材焊接結(jié)構(gòu)加工特征提取方法[J];浙江大學學報(自然科學版);1997年04期

3 王云鵬;刁智華;宋寅卯;王歡;;棉花葉部害螨病斑形態(tài)特征提取[J];鄭州輕工業(yè)學院學報(自然科學版);2013年04期

4 徐瑞芬;;基于冗余提升形態(tài)小波的非對稱表面特征提取研究[J];機電工程;2012年08期

5 吳響;錢建生;王海燕;秦海初;;微震信號多尺度非線性特征提取與辨識研究[J];儀器儀表學報;2014年05期

6 吳雅娟;徐亞軍;趙鵬;;分級特征提取在中子壽命深度校正中的應(yīng)用[J];計算機系統(tǒng)應(yīng)用;2014年03期

7 趙劍;許金濤;顧凌榕;;蛋白質(zhì)序列在頻率域上的一種特征提取方法[J];南京工業(yè)大學學報(自然科學版);2013年06期

8 陶晨;印梅芬;王棟;;面料摩擦聲音特征提取[J];絲綢;2014年03期

9 李鵬;劉民;吳澄;;一種基于特征提取方法的智能預測算法[J];控制與決策;2007年12期

10 郭振鐸;劉洲峰;徐慶偉;朱永勝;;玻璃缺陷特征提取[J];中原工學院學報;2010年02期

相關(guān)會議論文 前10條

1 尚修剛;蔣慰孫;;模糊特征提取新算法[A];1997中國控制與決策學術(shù)年會論文集[C];1997年

2 潘榮江;孟祥旭;楊承磊;王銳;;旋轉(zhuǎn)體的幾何特征提取方法[A];第一屆建立和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2005）論文集[C];2005年

3 薛燕;李建良;朱學芳;;人臉識別中特征提取的一種改進方法[A];第十三屆全國圖象圖形學學術(shù)會議論文集[C];2006年

4 杜栓平;曹正良;;時間—頻率域特征提取及其應(yīng)用[A];2005年全國水聲學學術(shù)會議論文集[C];2005年

5 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標的分割與特征提取[A];全國第二屆信號處理與應(yīng)用學術(shù)會議專刊[C];2008年

6 魏明果;;方言比較的特征提取與矩陣分析[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學術(shù)會議論文集[C];2009年

7 林土勝;賴聲禮;;視網(wǎng)膜血管特征提取的拆支跟蹤法[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學術(shù)會議論文集[C];1999年

8 秦建玲;李軍;;基于核的主成分分析的特征提取方法與樣本篩選[A];2005年中國機械工程學會年會論文集[C];2005年

9 劉紅;陳光，

本文編號：2419686