復雜工業(yè)過程是制造業(yè)的重要組成部分,是我國國民經(jīng)濟和社會發(fā)展的支柱產(chǎn)業(yè)。在金屬冶煉、選礦等傳統(tǒng)行業(yè),存在大量的關鍵工藝參數(shù)無法在線檢測,導致該類行業(yè)綜合控制水平落后,面臨著巨大的產(chǎn)業(yè)升級改造壓力。為了提高現(xiàn)代工業(yè)競爭力,實時在線監(jiān)測與穩(wěn)定控制對于保證生產(chǎn)安全和提高產(chǎn)品質(zhì)量至關重要,本文圍繞復雜工業(yè)過程監(jiān)控與優(yōu)化控制所面臨的瓶頸,利用基于數(shù)據(jù)驅(qū)動的軟測量技術解決工業(yè)過程檢測與控制存在的難題,為實現(xiàn)復雜工業(yè)信息化和智能化發(fā)展奠定技術基礎,重點研究以下幾個方面:1)針對單一預測模型不能反映工業(yè)間歇過程中多階段特性及階段間過渡特性問題,提出一種基于Gath-Geva聚類和核極限學習機的多模型軟測量方法。首先采用主成分分析（Principal Component Analysis,PCA）對輸入做特征提取,然后利用Gath-Geva算法對間歇過程進行多階段工況劃分,分別建立局部KELM模型,將各局部模型的模糊隸屬度作為權(quán)重對局部KELM模型預測值進行加權(quán)得到最終預測值。本文以青霉素發(fā)酵數(shù)據(jù)進行實驗測試,結(jié)果表明本文所提多模型算法相較于單一模型,具有更高的預測精度。2)針對間歇過程軟測量易受離群點... 

【文章來源】：湖南大學湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：131 頁

【學位級別】：博士

【部分圖文】：

工業(yè)過程生產(chǎn)現(xiàn)場

圖2.5分割系數(shù)和分類熵指標驗證最佳聚類數(shù)目

青霉素階段辨識結(jié)果

【參考文獻】：
期刊論文
[1]數(shù)據(jù)驅(qū)動的工業(yè)過程運行監(jiān)控與自優(yōu)化研究展望[J]. 劉強,卓潔,郎自強,秦泗釗.  自動化學報. 2018(11)
[2]基于數(shù)據(jù)驅(qū)動多輸出ARMAX建模的高爐十字測溫中心溫度在線估計[J]. 周平,劉記平.  自動化學報. 2018(03)
[3]集成自編碼與PCA的高爐多元鐵水質(zhì)量隨機權(quán)神經(jīng)網(wǎng)絡建模[J]. 周平,張麗,李溫鵬,戴鵬,柴天佑.  自動化學報. 2018(10)
[4]有色冶金凈化過程建模與優(yōu)化控制問題探討[J]. 孫備,張斌,陽春華,桂衛(wèi)華.  自動化學報. 2017(06)
[5]基于數(shù)據(jù)的流程工業(yè)生產(chǎn)過程指標預測方法綜述[J]. 陳龍,劉全利,王霖青,趙珺,王偉.  自動化學報. 2017(06)
[6]數(shù)據(jù)與模型驅(qū)動的電熔鎂群爐需量預報方法[J]. 楊杰,柴天佑,張亞軍,吳志偉.  自動化學報. 2018(08)
[7]Calibration of soft sensor by using Just-in-time modeling and Ada Boost learning method[J]. Huan Min,Xionglin Luo.  Chinese Journal of Chemical Engineering. 2016(08)
[8]基于Bootstrap的高爐鐵水硅含量二維預報[J]. 蔣朝輝,董夢林,桂衛(wèi)華,陽春華,謝永芳.  自動化學報. 2016(05)
[9]基于多變量相空間重構(gòu)和卡爾曼濾波的冷熱電聯(lián)供系統(tǒng)負荷預測方法[J]. 趙峰,孫波,張承慧.  中國電機工程學報. 2016(02)
[10]時變過程在線辨識的即時遞推核學習方法研究[J]. 劉毅,金福江,高增梁.  自動化學報. 2013(05)

博士論文
[1]基于局部學習的自適應軟測量建模方法研究[D]. 邵偉明.中國石油大學(華東) 2016
[2]基于即時學習的復雜非線性過程軟測量建模及應用[D]. 袁小鋒.浙江大學 2016
[3]基于燃煤火焰圖像的回轉(zhuǎn)窯燒結(jié)工況魯棒檢測方法研究[D]. 陳華.湖南大學 2014



本文編號：3510632