在過程工業(yè)中,一些關(guān)鍵質(zhì)量參數(shù)由于缺乏有效的在線檢測手段,只能通過實驗室離線分析獲得,這成為提升過程監(jiān)測、控制及優(yōu)化水平的主要障礙。軟測量技術(shù)為此類參數(shù)的實時估計提供了一種有效途徑。其核心是通過建立易測變量與難測變量之間的數(shù)學模型,實現(xiàn)目標變量的在線預(yù)測。即時學習作為一種典型的數(shù)據(jù)驅(qū)動軟測量建模方法,具有能夠有效處理過程非線性、時變性、多模式、多時段等特征的優(yōu)勢,近年來在軟測量應(yīng)用領(lǐng)域受到了廣泛關(guān)注。本文以即時學習建模技術(shù)為基本框架,研究基于進化優(yōu)化算法和多樣性相似度的高性能即時學習軟測量建模方法。論文的主要研究內(nèi)容總結(jié)如下:（1）傳統(tǒng)即時學習軟測量方法主要采用單一的相似度函數(shù),無法有效處理復雜的過程特征。為此,提出了一種基于混合加權(quán)相似度的即時學習軟測量方法。該方法以加權(quán)歐氏距離相似度為基礎(chǔ),定義了一種混合加權(quán)相似度指標。隨后,采用混合整數(shù)遺傳算法對輸入變量和混合加權(quán)相似度參數(shù)進行優(yōu)化。（2）加權(quán)歐氏距離相似度能有效改善即時學習軟測量模型的性能,但是加權(quán)權(quán)值的確定較為困難,而且無法獲得一組最優(yōu)的權(quán)值參數(shù)。為此,提出了一種基于回歸系數(shù)加權(quán)相似度的集成即時學習軟測量方法。該方法首先采用隨... 

【文章來源】：昆明理工大學云南省

【文章頁數(shù)】：113 頁

【學位級別】：碩士

【部分圖文】：

JIT-VSW軟測量建模方法框架圖

昆明理工大學碩士學位論文16法充分考慮模型的特點，模型性能難以保證。嵌入式方法操作較為復雜，需要為模型構(gòu)建量身定做特定的優(yōu)化過程。相比而言，封裝法充分考慮了變量選擇對模型性能的影響，操作簡單、適應(yīng)性強，對建模技術(shù)沒有特殊限制，因此我們將采用封裝法思想對輸入變量進行選擇�；诜庋b法的輸入變量選擇本質(zhì)上是一個優(yōu)化問題。由于在變量選擇過程中需要多次訓練模型，計算開銷較大，因此我們采用GA算法對輸入變量選擇進行優(yōu)化，以提升搜索效率。在GA優(yōu)化中，將輸入變量選擇編碼為一個二進制型染色體，如圖2.4所示。染色體的每一位代表相應(yīng)的輸入變量是否被選中，其中“0”表示沒有選中，“1”表示選中。假設(shè),,…,表示輸入變量選擇編碼成的染色體，()表示S的驗證誤差，則適應(yīng)度函數(shù)定義為1 。種群經(jīng)過若干代進化之后，收斂到最優(yōu)的染色體，解碼即可獲得最優(yōu)的輸入變量子集。...圖2.4輸入變量選擇的染色體表示2.3.3輸入變量選擇和MWS參數(shù)的混合優(yōu)化正如前兩節(jié)所述，MWS參數(shù)確定及輸入變量選擇均可采用單目標進化優(yōu)化框架求解。因此，一種常規(guī)的做法是分別優(yōu)化輸入變量與MWS參數(shù)，即先對輸入變量進行優(yōu)化獲得一組最佳的輸入變量集，然后優(yōu)化MWS參數(shù)。然而，輸入變量選擇與MWS參數(shù)優(yōu)化之間存在相互影響，即輸入變量選擇結(jié)果會影響MWS參數(shù)的確定，MWS參數(shù)的選擇對輸入變量選擇也會造成影響。解決這一問題的一種有效策略是同時優(yōu)化輸入變量選擇和MWS參數(shù)。由于MWS參數(shù)優(yōu)化的決策變量為實數(shù)型，而輸入變量選擇優(yōu)化問題的決策變量為整數(shù)型，為了實現(xiàn)二者同時優(yōu)化，我們將兩個子優(yōu)化問題融合成一個混合整數(shù)優(yōu)化(MixedIntegerOptimization,MIO)問題，其數(shù)學描述如下：min ,,

似攔?建靜態(tài)模型個輸入變量和9個樣本用于模型結(jié)構(gòu)…樣本，每個于訓練動態(tài)表2.3列出動態(tài)兩類模是由于PLS法，即LWP程的非線性考慮了輸入中，MWS-L型的性能優(yōu)選擇，冗余變JIT-VSW均相結(jié)合能夠測結(jié)果可知碩士學位論文ringer.com/1估JIT-VSW和動態(tài)模型和1個輸出于參數(shù)優(yōu)化，輔助，其中樣本包含4態(tài)模型，597出了不同軟模型。由表2為全局線LS、IVS-L性特征，因而入變量選擇，LWPLS比L優(yōu)于MWS-L變量的存在均獲得了最夠有效提升J，動態(tài)模型文1-84628-479圖2.9脫處理動態(tài)過型。在靜態(tài)出變量。將所化，598個樣變量考慮中d表示最大49個輸入變7個樣本用于軟測量建模方2.3結(jié)果容線性模型，難LWPLS、M而獲得了良有效提升WPLS具有LWPLS，主在惡化了模最優(yōu)的預(yù)測JIT軟測量模型由于能夠處9-1網(wǎng)址下脫丁烷塔過程過程特征的態(tài)模型中，共所有樣本分為樣本用于模延遲和非大延遲時間變量。隨后于參數(shù)尋優(yōu)方法的參數(shù)容易看出，P難以處理過MWS-LWPL好的預(yù)測性了模型的預(yù)有更好的預(yù)主要原因可型的預(yù)測性結(jié)果，這說模型的預(yù)測處理過程的下載。程流程圖的能力，在脫共收集2394為3組：119模型測試。在延遲輸入間。本研究中將所有樣本優(yōu)，597個樣數(shù)尋優(yōu)結(jié)果和LS在五種過程的非線性LS和JIT-V性能。相比預(yù)測精度。值預(yù)測性能，而可能是動態(tài)模性能。不難看說明輸入變量測性能。對比的動態(tài)特性脫丁烷塔案4組樣本，7個樣本用在動態(tài)模型變量，可中d選為6本分成3組樣本用于模和預(yù)測結(jié)果種方法中的預(yù)性。相比之VSW，由于LWPLS，I值得注意的而在動態(tài)模模型中沒有看?

【參考文獻】：
期刊論文
[1]Dynamic soft sensor development based on Gaussian mixture regression for fermentation processes[J]. Congli Mei,Yong Su,Guohai Liu,Yuhan Ding,Zhiling Liao.  Chinese Journal of Chemical Engineering. 2017(01)
[2]化工過程軟測量建模方法研究進展[J]. 曹鵬飛,羅雄麟.  化工學報. 2013(03)

博士論文
[1]基于即時學習的復雜非線性過程軟測量建模及應(yīng)用[D]. 袁小鋒.浙江大學 2016
[2]金霉素發(fā)酵過程軟測量建模及優(yōu)化控制策略研究[D]. 楊建文.北京理工大學 2015
[3]基于數(shù)據(jù)的軟測量建模方法及其應(yīng)用的研究[D]. 李春富.清華大學 2005
[4]軟測量技術(shù)若干問題的研究及工業(yè)應(yīng)用[D]. 劉瑞蘭.浙江大學 2004



本文編號：3109478