發(fā)布時(shí)間：2022-02-21 00:41

　　缺乏對(duì)某些關(guān)鍵產(chǎn)品質(zhì)量的實(shí)時(shí)測(cè)量是現(xiàn)代工業(yè)中的主要問題之一,可能生產(chǎn)出不合規(guī)格的產(chǎn)品,為了解決這一問題,各種軟測(cè)量建模方法被提出。軟測(cè)量是使用可測(cè)的過程變量來推斷無法或難以在線測(cè)量的變量的一種技術(shù)。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中的一個(gè)重要算法,它能夠直接從原始信息中提取出特征,同時(shí)它的權(quán)值共享特性降低了網(wǎng)絡(luò)復(fù)雜度。論文使用卷積神經(jīng)網(wǎng)絡(luò)和已有的淺層算法相結(jié)合,建立一個(gè)具有更高精度的,更深層次的動(dòng)態(tài)軟測(cè)量模型。論文主要對(duì)以下幾個(gè)方面展開研究:（1）針對(duì)PTA精制過程中PTA平均粒徑的軟測(cè)量建模,提出了一種卷積神經(jīng)網(wǎng)絡(luò)和XGBoost混合建模的動(dòng)態(tài)軟測(cè)量模型,卷積神經(jīng)網(wǎng)絡(luò)提取動(dòng)態(tài)特征,XGBoost算法對(duì)提取的特征進(jìn)行擬合,通過對(duì)實(shí)際采集PTA平均粒徑的數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn),證明了該算法具有較高的預(yù)測(cè)精度。（2）針對(duì)PX氧化過程4-CBA含量的軟測(cè)量模型,提出了使用全局最大池化和線性組合輸出的卷積神經(jīng)網(wǎng)絡(luò),降低了網(wǎng)絡(luò)的復(fù)雜度,通過實(shí)驗(yàn)仿真證明了,基于該卷積神經(jīng)網(wǎng)絡(luò)建立的動(dòng)態(tài)軟測(cè)量模型具有良好的性能。（3）將PX氧化過程采集到的數(shù)據(jù)的每一個(gè)輸入樣本使用再次采樣的方法,生成多組數(shù)據(jù),從而建立具有多個(gè)輸入通... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 引言
    1.2 軟測(cè)量技術(shù)的主要內(nèi)容
    1.3 軟測(cè)量技術(shù)的研究現(xiàn)狀
    1.4 論文主要內(nèi)容和結(jié)構(gòu)安排
第二章 相關(guān)背景知識(shí)介紹
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 全連接層
        2.1.4 模型正則化方法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)的反向傳播算法和參數(shù)更新方法
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)前向和反向傳播
        2.2.2 參數(shù)更新方法
    2.3 XGBoost算法
    2.4 本章小結(jié)
第三章 基于CNN-XGBoost混合建模的動(dòng)態(tài)軟測(cè)量技術(shù)
    3.1 PTA精制過程
    3.2 基于CNN-XGBoost的動(dòng)態(tài)軟測(cè)量建模
        3.2.1 動(dòng)態(tài)軟測(cè)量模型的時(shí)序匹配
        3.2.2 數(shù)據(jù)預(yù)處理
        3.2.3 CNN-XGBoost模型介紹
        3.2.4 實(shí)測(cè)數(shù)據(jù)仿真實(shí)驗(yàn)
    3.3 多種軟測(cè)量模型比較
    3.4 本章小結(jié)
第四章 基于CNN算法的動(dòng)態(tài)軟測(cè)量技術(shù)
    4.1 PX氧化過程
    4.2 基于CNN算法的動(dòng)態(tài)軟測(cè)量模型
    4.3 基于CNN算法的動(dòng)態(tài)軟測(cè)量建模仿真
        4.3.1 數(shù)據(jù)預(yù)處理
        4.3.2 基于CNN動(dòng)態(tài)軟測(cè)量模型的實(shí)驗(yàn)仿真
        4.3.3 模型性能分析
    4.4 基于CNN的兩種不同動(dòng)態(tài)軟測(cè)量模型對(duì)比
    4.5 本章小結(jié)
第五章 基于多通道卷積神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)軟測(cè)量技術(shù)
    5.1 多通道卷積神經(jīng)網(wǎng)絡(luò)概述
        5.1.1 多通道輸入數(shù)據(jù)的獲取
        5.1.2 多通道卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)
    5.2 基于多通道卷積神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)軟測(cè)量建模仿真
    5.3 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間撰寫的論文
附錄2 攻讀碩士學(xué)位期間申請(qǐng)的專利
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于示功圖的抽油井動(dòng)液面軟測(cè)量機(jī)理建模[J]. 李翔宇,高憲文,侯延彬.  控制工程. 2018(03)
[2]基于深度集成支持向量機(jī)的工業(yè)過程軟測(cè)量方法[J]. 馬建,鄧曉剛,王磊.  化工學(xué)報(bào). 2018(03)
[3]石灰回轉(zhuǎn)窯煅燒帶溫度的軟測(cè)量方法[J]. 田中大,張?jiān)?毛程程,張超.  電子測(cè)量與儀器學(xué)報(bào). 2018(01)
[4]化工過程深度神經(jīng)網(wǎng)絡(luò)軟測(cè)量的結(jié)構(gòu)與參數(shù)自動(dòng)調(diào)整方法[J]. 王康成,尚超,柯文思,江永亨,黃德先.  化工學(xué)報(bào). 2018(03)
[5]正則化參數(shù)求解方法研究[J]. 楊浩,馬建紅.  計(jì)算機(jī)測(cè)量與控制. 2017(08)
[6]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)
[7]煙氣含氧量軟測(cè)量方法研究[J]. 李健,張彬文.  自動(dòng)化儀表. 2016(06)
[8]稀疏LSSVM在4-CBA軟測(cè)量建模中的應(yīng)用[J]. 戎舟,李佳慶.  儀表技術(shù)與傳感器. 2015(12)
[9]基于深度置信網(wǎng)絡(luò)的4-CBA軟測(cè)量建模[J]. 劉瑞蘭,毛佳敏.  計(jì)算機(jī)工程與應(yīng)用. 2017(06)
[10]基于主成分分析-改進(jìn)的極限學(xué)習(xí)機(jī)方法的精對(duì)苯二甲酸醋酸含量軟測(cè)量[J]. 賀彥林,王曉,朱群雄.  控制理論與應(yīng)用. 2015(01)

博士論文
[1]軟測(cè)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(xué) 2004

碩士論文
[1]對(duì)二甲苯氧化過程中催化劑的影響規(guī)律研究[D]. 張莉.浙江大學(xué) 2003



本文編號(hào)：3636139