先進(jìn)控制技術(shù)對提高流程企業(yè)的市場競爭力有著至關(guān)重要的作用，自九十年代以來已在國內(nèi)煉油企業(yè)被廣泛應(yīng)用。而產(chǎn)品質(zhì)量控制是所有控制的核心，為實現(xiàn)良好的質(zhì)量控制，必須及時獲得產(chǎn)品質(zhì)量或與產(chǎn)品質(zhì)量密切相關(guān)的重要過程變量的信息。然而由于獲得這些信息的在線分析儀表不僅價格昂貴，維護(hù)保養(yǎng)復(fù)雜，而且由于其分析的滯后性，最終將導(dǎo)致控制系統(tǒng)性能下降，難以滿足生產(chǎn)要求。為解決這一矛盾，近年來軟測量技術(shù)獲得了很大的發(fā)展，成為先進(jìn)控制技術(shù)的核心部分之一。軟測量的基本思想是對于一些難于測量或暫時不能測量的重要變量(主導(dǎo)變量)，選擇另外一些容易測量的變量(輔助變量)，通過構(gòu)造某種數(shù)學(xué)關(guān)系來推斷和估計。這類方法具有響應(yīng)迅速，連續(xù)給出主導(dǎo)變量信息，且具有投資低、維護(hù)保養(yǎng)簡單等優(yōu)點，可以在提高產(chǎn)品質(zhì)量的同時降低生產(chǎn)成本，因此被國際著名過程控制專家Mcavoy教授列為未來控制領(lǐng)域需要研究的幾大方向之一。 實際煉油過程的復(fù)雜性、非線性和時變性，以及過程控制的實時性要求決定了難以建立機(jī)理軟測量模型，且軟測量模型應(yīng)該具有非線性和快速在線自動校正的能力。因此，本文利用神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)(least squares supportvector machine．LSSVM)等經(jīng)驗建模方法，在某廠生產(chǎn)現(xiàn)場數(shù)據(jù)的基礎(chǔ)上，主要進(jìn)行了以下工作： (1)分析和研究了多種神經(jīng)網(wǎng)絡(luò)的原理和基本算法，并經(jīng)比較各自優(yōu)缺點后，認(rèn)為徑向機(jī)網(wǎng)絡(luò)更適合于進(jìn)行軟測量建模。在詳細(xì)研究了誤差反傳神經(jīng)網(wǎng)絡(luò)和徑向機(jī)網(wǎng)絡(luò)的訓(xùn)練算法和網(wǎng)絡(luò)結(jié)構(gòu)選擇的原則的基礎(chǔ)上，用其建立了常壓塔塔頂汽油干點的軟測量模型，結(jié)果表明用此算法建立軟測量模型的預(yù)測精度滿足實際生產(chǎn)的需要。 (2)系統(tǒng)研究了最小二乘支持向量機(jī)(least squares support vector machine，LSSVM)的原理和訓(xùn)練算法，且針對LSSVM超參數(shù)選擇問題，研究了選擇LSSVM回歸模型超參數(shù)的G-LSSVM算法的基本原理和使用方法，并用一個函數(shù)回歸測試問題證明了G-LSSVM模型的有效性，最后將G-LSSVM模型應(yīng)用到了常壓塔塔頂汽油干點的軟測量中，結(jié)果表明G-LSSVM模型預(yù)測精度能夠滿足實際生產(chǎn)需要，而且避免了BP網(wǎng)絡(luò)難以選擇合適結(jié)構(gòu)和局部極小點問題。 (3)深入研究和分析了LSSVM的增量在線訓(xùn)練算法，并指出其缺點：必須對核函數(shù)矩陣做調(diào)整方能進(jìn)行增量矩陣求逆。根據(jù)矩陣計算理論，通過對原核函數(shù)矩陣逆的修正而非通過其增量矩陣逆的修正，提出了LssVM的非增量在線訓(xùn)練算法，并將其用于常壓塔汽油干點軟測量建模，以適應(yīng)實際生產(chǎn)中模型實時變化的情況，，結(jié)果表明，所提出的模型能夠快速進(jìn)行在線訓(xùn)練以適應(yīng)生產(chǎn)條件的變化，且預(yù)測效果良好。

【學(xué)位授予單位】：青島科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2007
【分類號】：TE622
【目錄】：

• 摘要3-5
• ABSTRACT5-9
• 符號說明9-11
• 第一章 文獻(xiàn)綜述11-24
• 1.1 軟測量技術(shù)簡述11-13
• 1.2 軟測量的數(shù)學(xué)描述13
• 1.3 軟測量建模方法13-19
• 1.3.1 最小二乘法15-16
• 1.3.2 主元回歸法16
• 1.3.3 部分最小二乘法16-17
• 1.3.4 人工神經(jīng)網(wǎng)絡(luò)法17-18
• 1.3.5 最小二乘支持向量機(jī)法18-19
• 1.4 影響軟測量模型性能的主要因素19-21
• 1.4.1 建摸方法的選擇19
• 1.4.2 輔助變量的選擇19-20
• 1.4.3 數(shù)據(jù)的預(yù)處理20-21
• 1.5 軟測量模型的維護(hù)21
• 1.6 本文主要內(nèi)容21-24
• 第二章 神經(jīng)網(wǎng)絡(luò)用于軟測量的研究24-43
• 2.1 基于神經(jīng)網(wǎng)絡(luò)的軟測量技術(shù)概述24
• 2.2 人工神經(jīng)網(wǎng)絡(luò)分類24-25
• 2.3 人工神經(jīng)網(wǎng)絡(luò)模型簡介25-29
• 2.3.1 人工神經(jīng)元26-27
• 2.3.2 網(wǎng)絡(luò)結(jié)構(gòu)27-28
• 2.3.3 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練規(guī)則28
• 2.3.4 神經(jīng)網(wǎng)絡(luò)的特點28-29
• 2.4 前向神經(jīng)網(wǎng)絡(luò)模型29-39
• 2.4.1 前向神經(jīng)網(wǎng)絡(luò)29
• 2.4.2 BP神經(jīng)網(wǎng)絡(luò)算法29-31
• 2.4.3 BP算法的缺點31
• 2.4.4 BP算法的改進(jìn)31-36
• 2.4.5 RBF神經(jīng)網(wǎng)絡(luò)36-39
• 2.5 研究實例39-42
• 2.5.1 工藝流程簡述39-40
• 2.5.2 基于神經(jīng)網(wǎng)絡(luò)的汽油干點軟測量40-41
• 2.5.3 基于RBF神經(jīng)網(wǎng)絡(luò)的軟測量41-42
• 2.5.4 BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的比較42
• 2.5.5 誤差分析42
• 2.6 本章小結(jié)42-43
• 第三章 基于最小二乘支持向量機(jī)的軟測量研究43-68
• 3.1 支持向量機(jī)的研究背景43-45
• 3.1.1 統(tǒng)計學(xué)習(xí)理論簡介44-45
• 3.2 支持向量機(jī)原理45-51
• 3.2.1 用于線性分類的支持向量機(jī)46-48
• 3.2.2 用于線性函數(shù)回歸估計的支持向量機(jī)48-49
• 3.2.3 核函數(shù)技術(shù)49-50
• 3.2.4 非線性支持向量機(jī)50-51
• 3.3 SVM在實際應(yīng)用中的若干問題51-52
• 3.3.1 高維數(shù)據(jù)的降維51
• 3.3.2 SVM超參數(shù)的確定51-52
• 3.3.3 SVM的訓(xùn)練算法52
• 3.4 最小二乘支持向量機(jī)(LSSVM)原理52-57
• 3.4.1 兩類LSSVM分類器53-54
• 3.4.2 多類LSSVM分類器54-55
• 3.4.3 用于函數(shù)回歸估計的LSSVM55-57
• 3.5 海量樣本的LSSVM訓(xùn)練算法57
• 3.6 LSSVM超參數(shù)選擇57-66
• 3.6.1 算法原理和步驟60-63
• 3.6.2 算法測試63-66
• 3.7 實例應(yīng)用66-67
• 3.7.1 與基于神經(jīng)網(wǎng)絡(luò)軟測量的實例比較66-67
• 3.8 本章小結(jié)67-68
• 第四章 最小二乘支持向量機(jī)的在線式學(xué)習(xí)算法68-79
• 4.1 增量式學(xué)習(xí)算法68-73
• 4.2 在線學(xué)習(xí)算法73-77
• 4.2.1 基于增量式的在線學(xué)習(xí)算法73-76
• 4.2.2 提出的非增量式在線訓(xùn)練算法76-77
• 4.3 實例分析77-78
• 4.4 本章小結(jié)78-79
• 結(jié)論79-80
• 參考文獻(xiàn)80-84
• 致謝84-85
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄85-86

【引證文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 何心;;基于數(shù)據(jù)融合的煙氣含氧量軟測量技術(shù)綜述[J];工業(yè)鍋爐;2012年06期

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 閻平凡;人工神經(jīng)網(wǎng)絡(luò)的容量、學(xué)習(xí)與計算復(fù)雜性[J];電子學(xué)報;1995年05期

2 宋曉峰,俞歡軍,陳德釗,胡上序;藉助自適應(yīng)支持向量機(jī)為延遲焦化反應(yīng)過程建模[J];化工學(xué)報;2004年01期

3 毛帥,熊智華,徐用懋,莊愛霞,黃海龍,王立群;基于神經(jīng)網(wǎng)絡(luò)的常壓塔柴油凝點軟測量的研究與應(yīng)用[J];化工自動化及儀表;2005年03期

4 曹玉波;黃河清;翟玉文;王雪晶;;重整加氫汽油干點軟測量應(yīng)用研究[J];吉林化工學(xué)院學(xué)報;2006年01期

5 宋曉峰;陳德釗;俞歡軍;胡上序;;支持向量機(jī)中優(yōu)化算法[J];計算機(jī)科學(xué);2003年03期

6 范磊;張運(yùn)陶;;基于LSSVM實現(xiàn)CO_2轉(zhuǎn)化率的軟測量建模[J];計算機(jī)與應(yīng)用化學(xué);2006年01期

7 王旭東,邵惠鶴;RBF神經(jīng)元網(wǎng)絡(luò)在非線性系統(tǒng)建模中的應(yīng)用[J];控制理論與應(yīng)用;1997年01期

8 孫欣,王金春,何聲亮;基于神經(jīng)網(wǎng)絡(luò)的粗汽油干點的實時估計[J];煉油化工自動化;1996年05期

9 趙曉光;何小榮;陳丙珍;;神經(jīng)元網(wǎng)絡(luò)用于建立油品質(zhì)量模型的研究[J];石油煉制與化工;1993年09期

10 閻威武,朱宏棟,邵惠鶴;基于最小二乘支持向量機(jī)的軟測量建模[J];系統(tǒng)仿真學(xué)報;2003年10期