本文選題：數(shù)據(jù)建模 + 自適應(yīng)濾波　； 參考：《廣西大學(xué)》2017年碩士論文

【摘要】：使用模型來進行預(yù)測、診斷與分析評價,一直是工業(yè)過程優(yōu)化研究的重點手段。隨著工業(yè)過程的復(fù)雜化,依據(jù)物理化學(xué)機理建立數(shù)學(xué)模型的方法已變得十分困難,人們轉(zhuǎn)而投向基于數(shù)據(jù)驅(qū)動的建模研究,使其在數(shù)十年間得到了飛速的發(fā)展。作為數(shù)據(jù)驅(qū)動建模的一種,人工神經(jīng)網(wǎng)絡(luò)憑借其強大的非線性映射能力成為了建模領(lǐng)域的熱點之一,但隨著數(shù)據(jù)量的增加,傳統(tǒng)神經(jīng)網(wǎng)絡(luò)固有的缺陷和不足被放大,例如訓(xùn)練速度過慢、參數(shù)難以選擇等,另外由于工業(yè)環(huán)境的特殊性,過程數(shù)據(jù)必定會攜帶著不同程度的噪聲干擾,這些因素都將使得模型無法滿足實際需求。針對上述問題,本論文研究了基于超限學(xué)習(xí)機(Extreme learning machine,ELM)的數(shù)據(jù)建模方法,主要的內(nèi)容和研究成果包括:1.針對工業(yè)過程數(shù)據(jù)的特點分析了傳統(tǒng)非線性濾波算法的不足,然后詳細(xì)介紹了一種基于局部最優(yōu)擬合的自適應(yīng)濾波算法,并通過洛倫茲系統(tǒng)及電功率兩組數(shù)據(jù)的去噪實驗將該算法與小波域閾值濾波及擴展卡爾曼濾波進行了對比,證明了該算法能夠更有效地減小工業(yè)過程數(shù)據(jù)中的噪聲干擾。2.針對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中耗時過長、參數(shù)難以選擇的問題,對固定型ELM及增量型ELM進行了研究,并針對增量型ELM收斂速度不穩(wěn)定的問題介紹了一種十分有效的改進算法,然后通過回歸問題的仿真實驗將該改進算法與多種神經(jīng)網(wǎng)絡(luò)進行了對比,從收斂性能、預(yù)測精度、訓(xùn)練速度及網(wǎng)絡(luò)穩(wěn)定性等多個角度評價了改進效果,從而證明了該改進算法的可行性與優(yōu)越性。3.從MATLAB環(huán)境與工業(yè)現(xiàn)場環(huán)境存在本質(zhì)區(qū)別的角度出發(fā),對能真實反映工業(yè)對象特性的仿真系統(tǒng)提出了需求。以流程工業(yè)綜合自動化半實物仿真實驗系統(tǒng)為平臺,對我國選礦工業(yè)中常用的兩段全閉路磨礦回路進行了動態(tài)仿真,并詳細(xì)介紹了仿真的實現(xiàn)流程,為后續(xù)的數(shù)據(jù)建模及模型驗證提供了支撐。4.以螺旋分級機為建模對象,利用磨礦過程仿真系統(tǒng)產(chǎn)生的數(shù)據(jù),基于自適應(yīng)濾波算法和超限學(xué)習(xí)機改進算法建立了螺旋分級機的預(yù)測模型,并通過離線及在線驗證的實驗驗證了所建模型的有效性,進而證明了本文所研究的自適應(yīng)濾波及超限學(xué)習(xí)機改進算法應(yīng)用于工業(yè)數(shù)據(jù)建模時是切實可行的。
[Abstract]:The use of models for prediction, diagnosis and analysis and evaluation has always been the focus of industrial process optimization research. With the complication of industrial process, the method of establishing mathematical model based on physicochemical mechanism has become very difficult. People turn to data-driven modeling research, which makes it develop rapidly in decades. As a kind of data-driven modeling, artificial neural network (Ann) has become one of the hotspots in modeling field by virtue of its strong nonlinear mapping ability. However, with the increase of data volume, the inherent defects and shortcomings of traditional neural networks are amplified. For example, the training speed is too slow, the parameters are difficult to choose and so on. In addition, because of the particularity of the industrial environment, the process data must carry different degrees of noise interference, these factors will make the model can not meet the actual needs. To solve the above problems, this paper studies the data modeling method based on extreme learning machine. The main content and research results include: 1. According to the characteristics of industrial process data, the shortcomings of traditional nonlinear filtering algorithm are analyzed, and then an adaptive filtering algorithm based on local optimal fitting is introduced in detail. The algorithm is compared with wavelet domain threshold filter and extended Kalman filter through the experiments of Lorentz system and electric power data. It is proved that the algorithm can reduce the noise disturbance of industrial process data more effectively. Aiming at the problem that the training process of traditional neural network is too long and the parameters are difficult to select, the fixed ELM and incremental ELM are studied, and a very effective improved algorithm is introduced to solve the problem of unstable convergence rate of incremental ELM. Then the improved algorithm is compared with various neural networks through the simulation experiment of regression problem. The improved algorithm is evaluated from the convergence performance, prediction accuracy, training speed and network stability. The feasibility and superiority of the improved algorithm are proved. From the point of view of the essential difference between the MATLAB environment and the industrial field environment, the requirements of the simulation system which can truly reflect the characteristics of the industrial objects are put forward. Based on the process industry integrated automation hardware-in-the-loop simulation system, the dynamic simulation of the two-stage closed circuit grinding circuit commonly used in China's mineral processing industry is carried out, and the realization flow of the simulation is introduced in detail. Provide support for subsequent data modeling and model validation. 4. 4. Taking the spiral classifier as the modeling object, the prediction model of the spiral classifier is established based on the adaptive filtering algorithm and the improved algorithm of the over-limit learning machine, using the data generated by the grinding process simulation system. The validity of the proposed model is verified by off-line and on-line verification experiments, and it is proved that the adaptive filter and the improved algorithm of over-limit learning machine are feasible when applied to industrial data modeling.
【學(xué)位授予單位】：廣西大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP181

【參考文獻】

相關(guān)期刊論文 前10條

1 宋紹劍;向偉康;林小峰;;增量型極限學(xué)習(xí)機改進算法[J];信息與控制;2016年06期

2 裘日輝;劉康玲;譚海龍;梁軍;;基于極限學(xué)習(xí)機的分類算法及在故障識別中的應(yīng)用[J];浙江大學(xué)學(xué)報(工學(xué)版);2016年10期

3 李軍;李大超;;基于優(yōu)化核極限學(xué)習(xí)機的風(fēng)電功率時間序列預(yù)測[J];物理學(xué)報;2016年13期

4 劉強;秦泗釗;;過程工業(yè)大數(shù)據(jù)建模研究展望[J];自動化學(xué)報;2016年02期

5 呂忠;周強;周琨;陳立;申雙葵;;基于遺傳算法改進極限學(xué)習(xí)機的變壓器故障診斷[J];高壓電器;2015年08期

6 王超;王建輝;顧樹生;張宇獻;武瑋;;改進式混合增量極限學(xué)習(xí)機算法[J];控制與決策;2015年11期

7 馬超;張英堂;;在線核極限學(xué)習(xí)機及其在時間序列預(yù)測中的應(yīng)用[J];信息與控制;2014年05期

8 潘紅芳;劉愛倫;;小波核極限學(xué)習(xí)機及其在醋酸精餾軟測量建模中的應(yīng)用[J];華東理工大學(xué)學(xué)報(自然科學(xué)版);2014年04期

9 禹建麗;卞帥;;基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型[J];系統(tǒng)仿真學(xué)報;2014年06期

10 陳偉根;滕黎;劉軍;彭尚怡;孫才新;;基于遺傳優(yōu)化支持向量機的變壓器繞組熱點溫度預(yù)測模型[J];電工技術(shù)學(xué)報;2014年01期

相關(guān)博士學(xué)位論文 前10條

1 馮子勇;基于深度學(xué)習(xí)的圖像特征學(xué)習(xí)和分類方法的研究及應(yīng)用[D];華南理工大學(xué);2016年

2 陳凱;深度學(xué)習(xí)模型的高效訓(xùn)練算法研究[D];中國科學(xué)技術(shù)大學(xué);2016年

3 王際洲;燃煤發(fā)電機組熱力系統(tǒng)機理模型及非設(shè)計工況運行特性研究[D];華中科技大學(xué);2015年

4 劉義鵬;四元數(shù)小波域圖像處理及其應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2014年

5 崔振輝;實現(xiàn)負(fù)載均衡的電力通信網(wǎng)絡(luò)優(yōu)化策略研究[D];天津大學(xué);2014年

6 陳偉;自回歸模型估計理論及其在變形監(jiān)測數(shù)據(jù)處理中的應(yīng)用[D];武漢大學(xué);2013年

7 劉學(xué)藝;極限學(xué)習(xí)機算法及其在高爐冶煉過程建模中的應(yīng)用研究[D];浙江大學(xué);2013年

8 孫磊;小波分析在橋梁健康監(jiān)測中的應(yīng)用研究[D];長安大學(xué);2012年

9 張鵬;基于卡爾曼濾波的航空發(fā)動機故障診斷技術(shù)研究[D];南京航空航天大學(xué);2009年

10 葉濤;基于機器學(xué)習(xí)的軟測量技術(shù)理論與應(yīng)用[D];華南理工大學(xué);2007年

相關(guān)碩士學(xué)位論文 前3條

1 張艷明;磨礦過程序貫?zāi)K仿真方法中的迭代收斂算法及軟件實現(xiàn)[D];東北大學(xué);2012年

2 周瀟;基于自回歸移動平均模型的梁橋損傷識別研究[D];西南交通大學(xué);2008年

3 李曉菲;數(shù)據(jù)預(yù)處理算法的研究與應(yīng)用[D];西南交通大學(xué);2006年

，

本文編號：1879057