本文關鍵詞： 軟測量 半監(jiān)督學習 極限學習機 交叉驗證 遞推方法　出處：《浙江工業(yè)大學》2015年碩士論文　論文類型：學位論文

【摘要】：化工過程軟測量建模對于保障化工生產裝置的連續(xù)平穩(wěn)操作及提高其產品質量具有重要的作用。然而,半監(jiān)督學習方法還很少應用于化工過程的軟測量建模,導致大量無標簽樣本的信息無法有效利用。本文提出兩種半監(jiān)督軟測量建模方法,主要研究內容和創(chuàng)新點如下:(1)針對目前大部分化工過程軟測量模型沒有利用無標簽樣本的缺點,提出將半監(jiān)督極限學習機(Semi-supervised Extreme Learning Machine,SELM)應用到化工過程軟測量建模中。SELM將無標簽樣本所攜帶的信息融合入軟測量建�？蚣�,有效提高了模型的預測精度及其可靠性。以重油催化裂化汽油收率軟測量為例,與反向傳播神經網絡和極限學習機相比,驗證了該方法的有效性。(2)SELM中懲罰參數(shù)?不能隨有標簽樣本個數(shù)的變化自動變化,采用傳統(tǒng)留一交叉驗證方法的計算復雜度較大。提出了快速留一交叉驗證半監(jiān)督極限學習機(Fast-Leave-One-Out-Cross-Validation SELM,FSELM)方法,FSELM可以自動選取合理的懲罰參數(shù)?,而且避免了傳統(tǒng)留一交差驗證復雜度較大的問題。以田納西-伊斯曼過程19種成分變量軟測量為例,與主元回歸和極限學習機相比較,表明FSELM在化工過程軟測量建模預測中,預測效果更好。(3)FSELM中隱層節(jié)點個數(shù)需要靠經驗選取,若選取不當,可能會導致模型過擬合。并且每次節(jié)點個數(shù)改變,都需要重新建模,計算效率較低。提出了節(jié)點遞推更新快速留一交叉驗證半督極限學習機(Recursive FSELM,RFSELM)方法,它能根據(jù)節(jié)點遞增和遞減模型的均方根誤差,自動選擇恰當?shù)墓?jié)點個數(shù),在減小計算量的同時,提高了模型的預測可靠性。以填料塔液泛氣速和重油催化裂化汽油收率在線預測為例,驗證了該方法的有效性。
[Abstract]:Soft sensing modeling of chemical process plays an important role in ensuring the continuous smooth operation of chemical plant and improving the product quality. However, semi-supervised learning method is rarely used in soft sensor modeling of chemical process. As a result, a large number of unlabeled samples can not be used effectively. In this paper, two semi-supervised soft sensor modeling methods are proposed. The main research contents and innovations are as follows: (1) aiming at the shortcomings of most of the current soft sensor models in chemical processes that do not use unlabeled samples, Semi-supervised Extreme Learning machine (SELM) is applied to soft sensing modeling of chemical process. SELM fuses the information carried by unlabeled samples into soft sensor modeling framework. The prediction accuracy and reliability of the model are improved effectively. The effectiveness of the method is verified by comparing with the backpropagation neural network and the extreme learning machine in the case of soft sensing of heavy oil catalytic cracking gasoline yield, and the penalty parameters in SELM are verified. It can not change automatically with the change of the number of labeled samples, so it is more complicated to use the traditional method of retention and cross validation. A fast retention and one cross verification semi-supervised extreme learning machine (Fast-Leave-One-Out-Out-Out-Out-Out-Out-Out-Validation set FSELM) method is proposed to automatically select reasonable penalty parameters. In addition, it avoids the problem that the complexity of traditional residual difference verification is large. Taking 19 component variables of Tennessee Eastman process as an example, compared with principal component regression and extreme learning machine, it is shown that FSELM is used in modeling and prediction of soft sensing in chemical process. The number of hidden nodes in FSELM can be predicted better. The number of hidden nodes in FSELM needs to be selected by experience. If the selection is not proper, the model may be overfitted, and each time the number of nodes changes, the model needs to be remodeled. The computation efficiency is low. This paper presents a new method of node recursive renewal, which can automatically select the appropriate number of nodes according to the root-mean-square error of node increment and decrement model, and a fast cross-validated semi-supervised extreme learning machine called Recursive FSELMU RFSELM is proposed. At the same time, the reliability of the model is improved, and the effectiveness of this method is verified by the on-line prediction of gas flooding rate in packed column and the yield of heavy oil FCC gasoline.
【學位授予單位】：浙江工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TQ018

【相似文獻】

相關期刊論文 前10條

1 呂業(yè);楊慧中;雷瑜;陶洪峰;;基于環(huán)路能量聚類的多模型軟測量建模[J];化工自動化及儀表;2012年11期

2 張文清;楊慧中;;一種基于帶監(jiān)督局部保持投影的多模型軟測量建模方法[J];華東理工大學學報(自然科學版);2012年06期

3 王卓;苑明哲;王宏;王天然;;水泥熟料質量指標的軟測量建模研究[J];化工自動化及儀表;2006年06期

4 楊妍;陳如清;俞金壽;;基于混沌最小二乘支持向量機的軟測量建模[J];華東理工大學學報(自然科學版);2009年06期

5 杜文莉;官振強;錢鋒;;一種基于時序誤差補償?shù)膭討B(tài)軟測量建模方法[J];化工學報;2010年02期

6 陳定三;楊慧中;;粗糙分類器的多模型軟測量建模方法[J];計算機與應用化學;2010年04期

7 李雅芹;周開武;楊慧中;;基于貝葉斯網絡的軟測量建模方法[J];計算機與應用化學;2010年10期

8 陳定三;楊慧中;;基于局部重構融合流形聚類的多模型軟測量建模[J];化工學報;2011年08期

9 呂鳴;;基于神經網絡的軟測量建模[J];陜西煤炭;2012年06期

10 李修亮;蘇宏業(yè);褚健;;基于在線聚類的多模型軟測量建模方法[J];化工學報;2007年11期

相關會議論文 前10條

1 呂哲;常玉清;王福利;;生化過程軟測量建模方法的研究[A];2006中國控制與決策學術年會論文集[C];2006年

2 薄翠梅;張n\;李俊;;基于滾動時間窗的軟測量建模方法的研究與應用[A];第16屆中國過程控制學術年會暨第4屆全國故障診斷與安全性學術會議論文集[C];2005年

3 杜文莉;官振強;錢鋒;;一種基于時序誤差補償?shù)膭討B(tài)軟測量建模方法[A];2009中國過程系統(tǒng)工程年會暨中國mes年會論文集[C];2009年

4 馬銘;孟慶鍇;張利彪;;基于模糊系統(tǒng)優(yōu)化的軟測量建模[A];中國運籌學會模糊信息與模糊工程分會第五屆學術年會論文集[C];2010年

5 王恩博;彭亦功;;軟測量建模若干方法研究[A];中國儀器儀表學會2007學術年會智能檢測控制技術及儀表裝置發(fā)展研討會論文集[C];2007年

6 張勇;王介生;王偉;姚偉南;;浮選生產過程經濟技術指標的軟測量建模[A];第16屆中國過程控制學術年會暨第4屆全國故障診斷與安全性學術會議論文集[C];2005年

7 陳定三;楊慧中;;基于SVC-KNN的多模型軟測量建模[A];PCC2009—第20屆中國過程控制會議論文集[C];2009年

8 周旦麗;蔣愛平;;WD-LSSVM在軟測量建模中的應用[A];第十九屆測控、計量、儀器儀表學術年會(MCMI'2009)論文集[C];2009年

9 劉欣;蔣愛平;;微粒群神經網絡在軟測量建模中的應用[A];上海市化學化工學會2006年度學術年會論文摘要集[C];2006年

10 凌玉華;楊欣榮;李海娜;廖力清;王頌;;鋁電磁鑄軋帶坯晶粒度軟測量建模及優(yōu)化[A];2009年中國智能自動化會議論文集（第二分冊）[C];2009年

相關博士學位論文 前4條

1 李春富;基于數(shù)據(jù)的軟測量建模方法及其應用的研究[D];清華大學;2005年

2 安莉;發(fā)酵過程生物量軟測量建模專家系統(tǒng)研究[D];北京化工大學;2010年

3 傅永峰;軟測量建模方法研究及其工業(yè)應用[D];浙江大學;2007年

4 楊建文;金霉素發(fā)酵過程軟測量建模及優(yōu)化控制策略研究[D];北京理工大學;2015年

相關碩士學位論文 前10條

1 王賽;青霉素發(fā)酵過程軟測量建模方法的研究[D];東北大學;2010年

2 郭景華;基于數(shù)據(jù)驅動的軟測量建模技術應用研究[D];江南大學;2009年

3 周開武;貝葉斯方法在化工軟測量建模中的應用研究[D];江南大學;2009年

4 李雅芹;機器學習在軟測量建模方面的若干應用[D];江南大學;2011年

5 駱中華;基于數(shù)據(jù)驅動的軟測量建模技術及其工業(yè)應用[D];浙江大學;2006年

6 陳貴華;基于自適應模糊核聚類的多模型軟測量建模研究[D];華東理工大學;2012年

7 王金榮;明膠濃度軟測量建模研究[D];蘭州理工大學;2012年

8 唐苦;基于聚類的多模型動態(tài)軟測量建模方法[D];華東理工大學;2014年

9 靳鑫;半監(jiān)督極限學習機在化工過程軟測量建模中的應用研究[D];浙江工業(yè)大學;2015年

10 雷瑜;機器學習在化工軟測量建模中的若干應用[D];江南大學;2014年

，

本文編號：1555554