發(fā)布時(shí)間：2020-06-15 00:57

【摘要】：在工業(yè)生產(chǎn)過程中,一些關(guān)鍵變量的參數(shù)難以通過在線實(shí)時(shí)檢測得到,使生產(chǎn)過程的控制和優(yōu)化受到了巨大的限制。軟測量技術(shù)的出現(xiàn)是解決該問題的有效方法之一。目前,軟測量建模多采用神經(jīng)網(wǎng)絡(luò)、最小二乘、徑向基函數(shù)網(wǎng)絡(luò)、支持向量機(jī)等方法建立軟測量模型。這類模型通常不能給出軟測量結(jié)果的精度參數(shù)和置信度區(qū)間,影響了其在實(shí)際生產(chǎn)控制中的應(yīng)用。同時(shí),海洋酶發(fā)酵過程是一種內(nèi)部機(jī)理復(fù)雜的非線性生化反應(yīng)過程,直接建立軟測量模型不僅會提高模型的復(fù)雜度引入大量噪聲,而且難以保證軟測量結(jié)果的可靠性。另外,能得到置信度信息的高斯過程回歸(Gaussian Process Regression,GPR)軟測量模型本身也存在尋優(yōu)效率低、模型穩(wěn)定性差等問題。針對以上問題,本文將多種模型優(yōu)化算法與高斯過程回歸軟測量模型相結(jié)合,以工業(yè)海洋蛋白酶發(fā)酵過程為研究對象,對所提軟測量方法進(jìn)行驗(yàn)證和評估。具體工作如下:(1)針對一般軟測量建模方法不能給出置信度區(qū)間的問題,以海洋蛋白酶發(fā)酵過程為對象,建立了GPR軟測量模型。與傳統(tǒng)建模方法相比,所建立的模型不僅可以實(shí)現(xiàn)對主導(dǎo)變量海洋蛋白酶活性的軟測量,同時(shí)給出了軟測量結(jié)果的置信度區(qū)間,且能夠?qū)斎胱兞總鞲衅鳟惓Ｗ龀龊侠矸从场?2)針對海洋酶發(fā)酵過程中輔助變量多、變量之間存在冗余,導(dǎo)致建模困難、軟測量精度低等問題,提出一種基于平均影響值的神經(jīng)網(wǎng)絡(luò)(NN-MIV)變量選擇方法。該方法綜合考慮了輔助變量對主導(dǎo)變量的內(nèi)部貢獻(xiàn)率和外部貢獻(xiàn)率,結(jié)合兩種貢獻(xiàn)率指標(biāo)作為篩選輔助變量的依據(jù),獲得最優(yōu)輔助變量,優(yōu)化了GPR軟測量模型。通過海洋酶發(fā)酵過程軟測量實(shí)驗(yàn),結(jié)果表明,該方法降低了計(jì)算量、簡化了模型、軟測量精度得到了提高。(3)針對NN-MIV方法篩選變量過程中,因簡化模型而舍棄太多變量使信息丟失嚴(yán)重導(dǎo)致變量利用率低的問題,提出一種基于NNMIV-PCA的變量選擇方法。NNMIV方法表征了輔助變量對主導(dǎo)變量的特征權(quán)重,通過動態(tài)設(shè)置一次篩選閾值,獲得特征權(quán)重較大的若干個(gè)變量;然后利用主成分分析法(PCA)對特征權(quán)重較小的剩余變量進(jìn)行二次篩選,動態(tài)設(shè)置二次篩選閾值,獲得貢獻(xiàn)率最大的若干個(gè)主成分;綜合兩次變量篩選依據(jù),確定最終輔助變量。實(shí)驗(yàn)結(jié)果表明,該方法在保證具有較高貢獻(xiàn)率的同時(shí),變量信息的利用率也得到了提高。(4)針對GPR軟測量模型在求解過程中存在尋優(yōu)效率低、模型穩(wěn)定性差的問題,引入啟發(fā)式算法,提出一種基于萬有引力搜索算法的高斯過程回歸軟測量模型(GSA-GPR)。萬有引力搜索算法(Gravitational Search Algorithm,GSA)根據(jù)牛頓運(yùn)動學(xué)定律,假設(shè)每個(gè)粒子之間通過萬有引力而相互吸引,適應(yīng)度值越大的粒子慣性質(zhì)量越大,所有粒子就會朝著慣性質(zhì)量大的粒子移動,通過設(shè)置最佳尋優(yōu)參數(shù)來逼近問題的最優(yōu)解,從而提高尋優(yōu)效率,同時(shí)也避免了陷入局部極值的問題。利用多組工業(yè)海洋酶發(fā)酵過程數(shù)據(jù),對GSA-GPR模型進(jìn)行驗(yàn)證,實(shí)驗(yàn)結(jié)果表明,該方法具有較好的泛化能力和穩(wěn)定性。
【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TQ920.6;O212.1

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 于霜;程錦翔;;生物發(fā)酵過程變量的NN-MIV軟測量模型[J];控制工程;2015年02期

2 何志昆;劉光斌;趙曦晶;王明昊;;高斯過程回歸方法綜述[J];控制與決策;2013年08期

3 黃永紅;孫麗娜;孫玉坤;朱湘臨;;海洋蛋白酶發(fā)酵過程生物參數(shù)的軟測量建模[J];信息與控制;2013年04期

4 何仁初;韓偉東;;基于嚴(yán)格機(jī)理模型的精餾塔軟測量技術(shù)的開發(fā)[J];石油化工;2012年05期

5 徐富強(qiáng);劉相國;;基于優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的變量篩選方法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2012年03期

6 王哲;王飛;劉力卿;郭佳;;基于多元回歸分析的光伏電站太陽輻射曝輻量模型[J];華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年05期

7 唐志杰;唐朝暉;朱紅求;;一種基于多模型融合軟測量建模方法[J];化工學(xué)報(bào);2011年08期

8 馮愛明;方利民;林敏;;近紅外光譜分析中的高斯過程回歸方法[J];光譜學(xué)與光譜分析;2011年06期

9 朱群雄;郎娜;;工業(yè)軟測量模型結(jié)構(gòu)與輸入變量選擇的研究[J];控制工程;2011年03期

10 金洪鑫;夏陸岳;潘海天;;基于最小化最大絕對預(yù)測誤差的組合神經(jīng)網(wǎng)絡(luò)軟測量建模方法[J];科技通報(bào);2011年03期

相關(guān)碩士學(xué)位論文 前1條

1 謝志斌;神經(jīng)網(wǎng)絡(luò)軟測量模型優(yōu)化方法在血糖濃度預(yù)測中的應(yīng)用[D];江蘇大學(xué);2016年

本文編號：2713642