本文選題：軟測(cè)量 + 動(dòng)態(tài)建模��； 參考：《蘭州交通大學(xué)》2015年碩士論文

【摘要】：軟測(cè)量建模是目前化工過(guò)程領(lǐng)域的熱點(diǎn)研究方向。軟測(cè)量建模方法能夠有效地解決生產(chǎn)過(guò)程中在線分析儀表測(cè)量滯后大、價(jià)格昂貴、維護(hù)保養(yǎng)復(fù)雜等問(wèn)題。對(duì)于具有強(qiáng)非線性動(dòng)態(tài)系統(tǒng)的生產(chǎn)過(guò)程,動(dòng)態(tài)軟測(cè)量建模方法能夠有效地改善以往靜態(tài)軟測(cè)量建模方法建模精度差、難以滿足實(shí)際生產(chǎn)過(guò)程實(shí)時(shí)性需求的問(wèn)題。目前,動(dòng)態(tài)軟測(cè)量建模中,神經(jīng)網(wǎng)絡(luò)、SVM等計(jì)算智能方法是主要的建模工具�；芈暊顟B(tài)網(wǎng)絡(luò)(echo state networks,ESN)作為一種新的動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)(RNN)已引起廣泛關(guān)注。ESN的隱層結(jié)構(gòu)由具有回聲狀態(tài)特性(Echo State Property,ESP)的狀態(tài)儲(chǔ)備池(State Reservoir,SR)構(gòu)成,在網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練時(shí)只需計(jì)算網(wǎng)絡(luò)輸出權(quán)值,具有很強(qiáng)的動(dòng)態(tài)逼近能力。因此,ESN的學(xué)習(xí)算法具有計(jì)算簡(jiǎn)單有效、收斂速度快的優(yōu)點(diǎn)。針對(duì)動(dòng)態(tài)軟測(cè)量建模方法,在ESN的基礎(chǔ)上,本文研究了一類泄漏積分型回聲狀態(tài)網(wǎng)絡(luò)(Leaky integrator Echo State Networks,LiESN)方法,給出了相應(yīng)的離線、在線學(xué)習(xí)算法及其改進(jìn)的學(xué)習(xí)算法。將本文方法應(yīng)用到精煉廠化工生產(chǎn)過(guò)程實(shí)例中,實(shí)現(xiàn)了對(duì)過(guò)程變量的實(shí)時(shí)監(jiān)控,實(shí)驗(yàn)結(jié)果表明所提出的方法具有良好的建模效果和應(yīng)用潛力。主要研究?jī)?nèi)容概括如下:(1)研究動(dòng)態(tài)軟測(cè)量的建模方法,重點(diǎn)分析基于神經(jīng)網(wǎng)絡(luò)與時(shí)間序列模型相結(jié)合的動(dòng)態(tài)軟測(cè)量方法,運(yùn)用統(tǒng)計(jì)學(xué)的四圖分析對(duì)建模效果進(jìn)行評(píng)價(jià)。(2)在ESN網(wǎng)絡(luò)基本理論基礎(chǔ)上,研究一類LiESN方法,包括基于全局參數(shù)約束的LiESN方法及其梯度下降學(xué)習(xí)算法;一種擴(kuò)展的LiESN方法及其相應(yīng)的嶺回歸離線學(xué)習(xí)算法和遞推最小二乘(Recursive Least Squares,RLS)在線學(xué)習(xí)算法。(3)將所研究的LiESN動(dòng)態(tài)軟測(cè)量建模方法與非線性滑動(dòng)平均(Nonlinear Moving Average,NMA)、非線性自回歸(Nonlinear Autoregressive,NARX)時(shí)間序列動(dòng)態(tài)模型結(jié)構(gòu)相結(jié)合,應(yīng)用于一類強(qiáng)非線性化工過(guò)程實(shí)例中,以驗(yàn)證所提出方法的有效性。具體包括預(yù)測(cè)脫丁烷塔底部丁烷組分的含量及計(jì)算硫回收裝置中尾氣的組分含量進(jìn)行軟測(cè)量建模。在同等條件下,為進(jìn)一步衡量本文方法的有效性,通過(guò)與基本的ESN動(dòng)態(tài)軟測(cè)量建模方法及現(xiàn)有的SVM、LS-SVM、前饋神經(jīng)網(wǎng)絡(luò)等軟測(cè)量建模方法進(jìn)行對(duì)比,實(shí)驗(yàn)結(jié)果證實(shí),所提出方法具有很高的建模精度,網(wǎng)絡(luò)具有快速、穩(wěn)定的學(xué)習(xí)速度。研究成果對(duì)有效地提高產(chǎn)品質(zhì)量,實(shí)現(xiàn)對(duì)污染物的最小化排放有重要意義。
[Abstract]:Soft sensor modeling is a hot research direction in chemical process field.The soft sensor modeling method can effectively solve the problems of large measurement lag, high price and complex maintenance in the process of production.For the production process with strong nonlinear dynamic system, dynamic soft sensor modeling method can effectively improve the modeling accuracy of the previous static soft sensor modeling method, which is difficult to meet the real time requirement of the actual production process.At present, neural network and SVM are the main modeling tools in dynamic soft sensor modeling.Echo state networks (ESNs), as a new dynamic recurrent neural network (RNNs), have attracted wide attention. The hidden layer structure of Essn is composed of state reserve pool (Echo State property ESPs) with echo state characteristics (Echo State property ESPs).Network learning and training only need to calculate the network output weights, which has a strong dynamic approximation ability.Therefore, the learning algorithm of ESN has the advantages of simple calculation and fast convergence.Based on ESN, a class of leaky integrator Echo State networks based on ESN is studied in this paper. The corresponding off-line and on-line learning algorithms and their improved learning algorithms are given.The method is applied to the example of chemical production process in refineries and the real-time monitoring of process variables is realized. The experimental results show that the proposed method has good modeling effect and application potential.The main research contents are summarized as follows: (1) the modeling method of dynamic soft sensing is studied, and the dynamic soft sensing method based on the combination of neural network and time series model is analyzed.Based on the basic theory of ESN network, this paper studies a class of LiESN methods, including the LiESN method based on global parameter constraints and its gradient descent learning algorithm.An extended LiESN method and its corresponding off-line learning algorithm for ridge regression and Recursive Least Squares (RLS) online learning algorithm.Nonlinear autoregressive (NARX) time series dynamic model structure,The method is applied to a class of strongly nonlinear chemical processes to verify the effectiveness of the proposed method.It includes predicting the content of butane at the bottom of debutane tower and calculating the content of tail gas in sulfur recovery unit.Under the same conditions, in order to further evaluate the effectiveness of this method, compared with the basic ESN dynamic soft-sensor modeling method and the existing soft-sensor modeling methods such as SVML-LS-SVM, feedforward neural network, the experimental results show that,The proposed method has high modeling accuracy and fast and stable learning speed.The research results are of great significance to improve the product quality and minimize the emission of pollutants.
【學(xué)位授予單位】：蘭州交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TQ018;TP274

【相似文獻(xiàn)】

相關(guān)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(cè)量建模[J];化工自動(dòng)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(cè)量建模方法[J];華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年06期

3 王卓;苑明哲;王宏;王天然;;水泥熟料質(zhì)量指標(biāo)的軟測(cè)量建模研究[J];化工自動(dòng)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(jī)的軟測(cè)量建模[J];華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年06期

5 杜文莉;官振強(qiáng);錢鋒;;一種基于時(shí)序誤差補(bǔ)償?shù)膭?dòng)態(tài)軟測(cè)量建模方法[J];化工學(xué)報(bào);2010年02期

6 陳定三;楊慧中;;粗糙分類器的多模型軟測(cè)量建模方法[J];計(jì)算機(jī)與應(yīng)用化學(xué);2010年04期

7 李雅芹;周開(kāi)武;楊慧中;;基于貝葉斯網(wǎng)絡(luò)的軟測(cè)量建模方法[J];計(jì)算機(jī)與應(yīng)用化學(xué);2010年10期

8 陳定三;楊慧中;;基于局部重構(gòu)融合流形聚類的多模型軟測(cè)量建模[J];化工學(xué)報(bào);2011年08期

9 呂鳴;;基于神經(jīng)網(wǎng)絡(luò)的軟測(cè)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(cè)量建模方法[J];化工學(xué)報(bào);2007年11期

相關(guān)會(huì)議論文 前10條

1 呂哲;常玉清;王福利;;生化過(guò)程軟測(cè)量建模方法的研究[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

2 薄翠梅;張n\;李俊;;基于滾動(dòng)時(shí)間窗的軟測(cè)量建模方法的研究與應(yīng)用[A];第16屆中國(guó)過(guò)程控制學(xué)術(shù)年會(huì)暨第4屆全國(guó)故障診斷與安全性學(xué)術(shù)會(huì)議論文集[C];2005年

3 杜文莉;官振強(qiáng);錢鋒;;一種基于時(shí)序誤差補(bǔ)償?shù)膭?dòng)態(tài)軟測(cè)量建模方法[A];2009中國(guó)過(guò)程系統(tǒng)工程年會(huì)暨中國(guó)mes年會(huì)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(cè)量建模[A];中國(guó)運(yùn)籌學(xué)會(huì)模糊信息與模糊工程分會(huì)第五屆學(xué)術(shù)年會(huì)論文集[C];2010年

5 王恩博;彭亦功;;軟測(cè)量建模若干方法研究[A];中國(guó)儀器儀表學(xué)會(huì)2007學(xué)術(shù)年會(huì)智能檢測(cè)控制技術(shù)及儀表裝置發(fā)展研討會(huì)論文集[C];2007年

6 張勇;王介生;王偉;姚偉南;;浮選生產(chǎn)過(guò)程經(jīng)濟(jì)技術(shù)指標(biāo)的軟測(cè)量建模[A];第16屆中國(guó)過(guò)程控制學(xué)術(shù)年會(huì)暨第4屆全國(guó)故障診斷與安全性學(xué)術(shù)會(huì)議論文集[C];2005年

7 陳定三;楊慧中;;基于SVC-KNN的多模型軟測(cè)量建模[A];PCC2009—第20屆中國(guó)過(guò)程控制會(huì)議論文集[C];2009年

8 周旦麗;蔣愛(ài)平;;WD-LSSVM在軟測(cè)量建模中的應(yīng)用[A];第十九屆測(cè)控、計(jì)量、儀器儀表學(xué)術(shù)年會(huì)(MCMI'2009)論文集[C];2009年

9 劉欣;蔣愛(ài)平;;微粒群神經(jīng)網(wǎng)絡(luò)在軟測(cè)量建模中的應(yīng)用[A];上海市化學(xué)化工學(xué)會(huì)2006年度學(xué)術(shù)年會(huì)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(cè)量建模及優(yōu)化[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第二分冊(cè)）[C];2009年

相關(guān)博士學(xué)位論文 前4條

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

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

3 傅永峰;軟測(cè)量建模方法研究及其工業(yè)應(yīng)用[D];浙江大學(xué);2007年

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

相關(guān)碩士學(xué)位論文 前10條

1 曹濤;基于相關(guān)向量機(jī)的污水軟測(cè)量建模研究[D];華南理工大學(xué);2015年

2 岳文琦;基于ESN的化工過(guò)程軟測(cè)量建模研究[D];蘭州交通大學(xué);2015年

3 王賽;青霉素發(fā)酵過(guò)程軟測(cè)量建模方法的研究[D];東北大學(xué);2010年

4 郭景華;基于數(shù)據(jù)驅(qū)動(dòng)的軟測(cè)量建模技術(shù)應(yīng)用研究[D];江南大學(xué);2009年

5 周開(kāi)武;貝葉斯方法在化工軟測(cè)量建模中的應(yīng)用研究[D];江南大學(xué);2009年

6 李雅芹;機(jī)器學(xué)習(xí)在軟測(cè)量建模方面的若干應(yīng)用[D];江南大學(xué);2011年

7 駱中華;基于數(shù)據(jù)驅(qū)動(dòng)的軟測(cè)量建模技術(shù)及其工業(yè)應(yīng)用[D];浙江大學(xué);2006年

8 陳貴華;基于自適應(yīng)模糊核聚類的多模型軟測(cè)量建模研究[D];華東理工大學(xué);2012年

9 王金榮;明膠濃度軟測(cè)量建模研究[D];蘭州理工大學(xué);2012年

10 唐苦;基于聚類的多模型動(dòng)態(tài)軟測(cè)量建模方法[D];華東理工大學(xué);2014年

，

本文編號(hào)：1751778