【摘要】：雙酚A生產(chǎn)過程中的對象一般都具備多變量、非線性、多工況等復雜特性,采用單一的數(shù)據(jù)驅(qū)動模型難以準確的描述它的過程特性,并且所建立模型的預測精度也較差。如何提高模型的預測精度是需要解決的難點問題,多模型建模方法在軟測量中的應用為此提供了有效的解決途徑。為了進一步提高復雜工業(yè)過程中軟測量模型的預測精度,本文主要研究基于多模型的軟測量建模方法,從樣本缺失數(shù)據(jù)的補全和聚類方法的改進等角度來提高多模型建模的預測精度。結合實際工業(yè)背景,分別對雙酚A生成過程中的結晶單元進行單一模型建模和多模型建模來進行對比,主要的研究成果如下:(1)工業(yè)過程中樣本數(shù)據(jù)缺失的現(xiàn)象普遍并且缺失情況較為嚴重。如果能對缺失數(shù)據(jù)進行有效的補全,不但能增加模型訓練樣本的數(shù)量,還能提高所建立多模型的預測精度。針對k近鄰補全算法在缺失數(shù)據(jù)的近鄰選擇上存在的偏向性問題,提出了一種改進的k近鄰數(shù)據(jù)補全算法。改進算法有效的解決了k近鄰補全算法在近鄰選取上的偏向性,并且根據(jù)選取的近鄰樣本與缺失樣本之間的距離不同,賦予近鄰樣本不同的權值。對補全后的樣本數(shù)據(jù)進行k均值聚類,再通過高斯過程回歸建立樣本的子模型,采用“開關切換”的子模型融合方式得到最終的多模型。采用來自雙酚A生產(chǎn)過程中結晶單元C303的350組數(shù)據(jù)進行訓練,50組用于測試。仿真結果顯示補全后的多模型預測結果平均相對誤差為1.18%,相比于單模型和未補全的多模型具有更高的預測精度。(2)聚類是多模型軟測量建模中的一種重要的方法,通過對樣本數(shù)據(jù)準確的聚類,可以有效的提高多模型建模的預測精度。針對傳統(tǒng)聚類方法過于依賴樣本的空間分布和先驗知識等缺點,本文提出了一種改進的擴張搜索聚類算法。該算法充分考慮了樣本疏密度的影響,適用于各種形狀的樣本分布,根據(jù)每個樣本點的疏密度給予不同的搜索半徑距離,并引入閾值對不同疏密度的樣本點采用不同的聚類方式。分別使用改進的擴張搜索聚類算法、擴張搜索聚類算法以及k均值聚類算法對樣本進行聚類,聚類后的樣本采用高斯過程回歸建模,并且利用“開關切換”的融合方式得到最終的多模型。采用來自雙酚A生產(chǎn)過程中溶解罐V304的300組數(shù)據(jù)進行訓練,50組用于測試。仿真結果表明基于改進的擴張搜索聚類算法建立的軟測量多模型的平均相對誤差為1.2%,相比于其它對比方法具有更高的預測精度。(3)針對模糊C均值聚類算法中存在的缺點,提出了一種改進的混合蛙跳算法與模糊C均值聚類相結合的聚類算法。首先研究混合蛙跳算法的尋優(yōu)機制,針對其存在容易陷入局部最優(yōu)和收斂效果不理想等問題,提出了一種改進的混合蛙跳算法。將改進的混合蛙跳算法運用到模糊C均值聚類方法中來獲得最優(yōu)的聚類中心。利用得到的最優(yōu)聚類中心對樣本進行類別劃分,用高斯過程回歸對聚類后的各類樣本子集分別建立對應的子模型,通過“加權求和”的子模型融合方法得到最終的系統(tǒng)輸出。采用來自雙酚A生產(chǎn)過程中溶解罐V304的300組數(shù)據(jù)進行訓練,50組用于測試。仿真結果表明基于改進的混合蛙跳算法與模糊C均值相結合的聚類方法建立的軟測量多模型的平均相對誤差為0.85%,該方法有效提高了多模型建模的預測精度。
[Abstract]:......
【學位授予單位】：江南大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TQ042

【參考文獻】

相關期刊論文 前10條

1 孫茂偉;楊慧中;;基于改進仿射傳播聚類的多模型軟測量建模及應用[J];南京理工大學學報;2016年02期

2 黃斌;彭志平;;基于級聯(lián)過濾的多模型融合的推薦方法[J];小型微型計算機系統(tǒng);2016年01期

3 雙翼帆;顧幸生;;基于改進的快速搜索聚類算法和高斯過程回歸的催化重整脫氯前氫氣純度多模型建模方法[J];化工學報;2016年03期

4 喻金平;張勇;廖列法;梅宏標;;基于混合蛙跳聯(lián)合聚類的協(xié)同過濾算法[J];微電子學與計算機;2016年01期

5 梅從立;楊銘;劉國海;;基于證據(jù)合成的高斯過程回歸多模型軟測量方法[J];化工學報;2015年11期

6 傅永峰;徐歐官;陳祥華;陳偉杰;;基于多模型動態(tài)融合的自適應軟測量建模方法[J];高�；瘜W工程學報;2015年05期

7 李榮雨;王立明;;改進遞推最小二乘支持向量機及在過程建模中的應用[J];儀表技術與傳感器;2015年09期

8 康軍;段宗濤;唐蕾;劉研;王超;;高斯過程回歸短時交通流預測方法[J];交通運輸系統(tǒng)工程與信息;2015年04期

9 孫茂偉;楊慧中;;局部加權混合核偏最小二乘算法及其在軟測量中的應用[J];信息與控制;2015年04期

10 許小龍;王士同;梅向東;;基于局部和全局信息的改進聚類算法[J];計算機工程;2015年06期

相關碩士學位論文 前5條

1 孫茂偉;基于機器學習的軟測量建模及其應用[D];江南大學;2016年

2 朱建宇;K均值算法研究及其應用[D];大連理工大學;2013年

3 鄧衛(wèi)衛(wèi);多模型軟測量建模方法研究及其應用[D];江南大學;2012年

4 李真;融合粒子群和蛙跳算法的模糊C-均值聚類算法研究[D];長沙理工大學;2011年

5 成亮鋮;雙酚A生產(chǎn)過程軟測量混合建模的研究[D];江南大學;2009年

，

本文編號：2279237