近年來(lái),隨著測(cè)量?jī)x器和測(cè)量技術(shù)的發(fā)展,我們可以從復(fù)雜工業(yè)過(guò)程中采集到海量的過(guò)程數(shù)據(jù)。但是,此類數(shù)據(jù)普遍具有與高冗余度、高度非線性以及突變等特性,雖然可以通過(guò)軟測(cè)量技術(shù)解決這些特性,但單個(gè)軟測(cè)量方法通常只能解決過(guò)程的單一特性,因此需要用到多種軟測(cè)量方法。對(duì)于過(guò)程的高冗余度特性,輔助變量選擇方法可以在某種準(zhǔn)則下從冗余變量中選出與主導(dǎo)變量密切相關(guān)的變量子集,從而降低過(guò)程的冗余度;對(duì)于過(guò)程的高度非線性及突變特性,通常采取多模型建模方法,能夠很好的彌補(bǔ)單一模型的過(guò)程特性不匹配、泛化能力差等缺點(diǎn),得到良好的預(yù)測(cè)性能。本文主要采用的方法有基于混合準(zhǔn)則的輔助變量選擇方法以及基于BP神經(jīng)網(wǎng)絡(luò)和自適應(yīng)狀態(tài)劃分的多模型建模方法。本文具體安排如下:1.針對(duì)工業(yè)數(shù)據(jù)普遍存在高冗余度的特性,提出了基于混合準(zhǔn)則的輔助變量選擇方法(GA-LS和GA-NLP)。首先通過(guò)遺傳算法種群固定待選輔助變量子集;然后以混合準(zhǔn)則作為評(píng)價(jià)指標(biāo)(適應(yīng)度),通過(guò)遺傳算法迭代精選變量子集,找出最優(yōu)變量子集(相應(yīng)最優(yōu)準(zhǔn)則下的“最優(yōu)”);最后,通過(guò)BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型,測(cè)試所選輔助變量子集的性能。通過(guò)UCI及WWTP數(shù)據(jù)集對(duì)算法的可行性、模型預(yù)測(cè)性能及模型復(fù)雜度等方面進(jìn)行驗(yàn)證,并與MINLP、MIQP及VIP變量選擇方法進(jìn)行了對(duì)比,結(jié)果表明算法能夠有效降低過(guò)程的冗余度,提高模型的預(yù)測(cè)性能。2.針對(duì)TE化工過(guò)程具有高度非線性及突變等特性,提出了基于BP神經(jīng)網(wǎng)絡(luò)和自適應(yīng)狀態(tài)劃分的多模型建模方法。首先通過(guò)移動(dòng)窗口技術(shù),建立局部模型集,并依據(jù)T統(tǒng)計(jì)和卡方統(tǒng)計(jì)剔除局部模型集中的冗余模型;然后依據(jù)自適應(yīng)標(biāo)準(zhǔn)進(jìn)行狀態(tài)劃分(為每個(gè)未知輸出樣本選出最適合的局部模型)。最后,通過(guò)TE過(guò)程數(shù)據(jù)集對(duì)算法的可行性、模型預(yù)測(cè)性能等方面進(jìn)行驗(yàn)證,并與單一PLS及LPLS-APSP建模方法進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果表明提出的多模型建模方法具有良好的預(yù)測(cè)效果。3.為解決具有高冗余度、高度非線性以及突變特征的復(fù)雜工業(yè)過(guò)程的建模問(wèn)題,提出了一種基于GA-NLP和LBP-APSP的結(jié)合方法。首先通過(guò)移動(dòng)窗口遍歷訓(xùn)練集,并通過(guò)GA-NLP方法對(duì)每個(gè)移動(dòng)窗口進(jìn)行輔助變量選擇;然后依據(jù)所選輔助變量子集集合,通過(guò)LBP-LPSP方法建立局部模型集,并對(duì)未知輸出樣本進(jìn)行輸出預(yù)測(cè)。最后,通過(guò)TE過(guò)程數(shù)據(jù)集對(duì)算法的可行性、模型預(yù)測(cè)性能等方面進(jìn)行驗(yàn)證,并與LBP-APSP建模方法進(jìn)行了對(duì)比,實(shí)驗(yàn)結(jié)果表明提出的結(jié)合方法能夠有效降低過(guò)程數(shù)據(jù)的冗余度,并且能夠進(jìn)一步提升預(yù)測(cè)性能,對(duì)于處理具有高冗余度、高度非線性以及突變特征的復(fù)雜工業(yè)過(guò)程建模問(wèn)題具有非常實(shí)用的參考價(jià)值。
【學(xué)位單位】：浙江工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TG806;TP183
【部分圖文】：

圖 1-1 軟測(cè)量的設(shè)計(jì)步驟Figure 1-1. Design steps for soft measurement數(shù)據(jù)預(yù)處理在軟測(cè)量建模過(guò)程中，過(guò)程測(cè)量數(shù)據(jù)的準(zhǔn)確性和有效性會(huì)對(duì)模型的性能產(chǎn)大的影響。但是受儀表精度、可靠性和測(cè)量環(huán)境等因素的影響，測(cè)量數(shù)據(jù)不免的帶有各種測(cè)量誤差，若不進(jìn)行處理，可能會(huì)導(dǎo)致軟測(cè)量模型性能的大幅降，甚至導(dǎo)致軟測(cè)量模型的失效。因此為了保證軟測(cè)量的性能及精度，測(cè)量的預(yù)處理是非常重要的一步。測(cè)量數(shù)據(jù)誤差主要分為隨機(jī)誤差和過(guò)失誤差兩類，前者是隨機(jī)因素的影測(cè)量信號(hào)的噪聲，一般不可避免，可通過(guò)數(shù)字協(xié)調(diào)方法[4]來(lái)解決；后者包括的系統(tǒng)誤差和故障，以及不完全或不正確的過(guò)程模型[5]。實(shí)際測(cè)量過(guò)程中過(guò)差出現(xiàn)的幾率非常小，但它的存在會(huì)嚴(yán)重影響甚至惡化數(shù)據(jù)的準(zhǔn)確性和有，因此必須及時(shí)偵破、剔除和校正，通�？赏ㄟ^(guò)人工剔除法、統(tǒng)計(jì)檢驗(yàn)法方法進(jìn)行處理。軟測(cè)量模型的建立

15圖 2-1 GA-NLP 算法流程圖Figure 2-1. GA-NLP algorithm flowchart2.4 實(shí)驗(yàn)結(jié)果分析2.4.1 數(shù)據(jù)集描述與預(yù)處理為了驗(yàn)證所提出的方法，本文從 UCI 機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)中下載了 3 組 UCI 數(shù)據(jù)集及一組廢水處理數(shù)據(jù)集(Water Treatment Plant, WWTP)[66]進(jìn)行了仿真實(shí)驗(yàn)。其

圖 2-2 RD-DBO-G 的預(yù)測(cè)輸出與實(shí)際輸出Figure 2-2. Predict and actual output of RD-DBO-G 2-2 可得，相較于另外兩種方法，根據(jù) GA-NLP 方法所得輔助型曲線更貼合與目標(biāo)變量 y1的真實(shí)輸出曲線。而根據(jù) VIP 方集建立的模型曲線明顯與真實(shí)輸出相差較大，這與前面兩種分
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 南曉明;;軟測(cè)量技術(shù)及其在過(guò)程檢測(cè)中的應(yīng)用研究[J];山東化工;2013年04期

2 韓雯;;污水處理系統(tǒng)中軟測(cè)量技術(shù)的應(yīng)用[J];企業(yè)科技與發(fā)展;2012年06期

3 馬彩青;;軟測(cè)量技術(shù)進(jìn)展[J];科技信息;2012年25期

4 胡斌;于晨斯;;軟測(cè)量技術(shù)及其應(yīng)用[J];科技廣場(chǎng);2010年03期

5 李勇,邵誠(chéng);軟測(cè)量技術(shù)及其應(yīng)用與發(fā)展[J];工業(yè)儀表與自動(dòng)化裝置;2005年05期

6 賈莉娜;軟測(cè)量技術(shù)及其在過(guò)程檢測(cè)與控制系統(tǒng)中的應(yīng)用[J];微計(jì)算機(jī)信息;2005年02期

7 卿曉霞,余建平;軟測(cè)量技術(shù)及其在污水處理系統(tǒng)中的應(yīng)用[J];工業(yè)水處理;2005年03期

8 王劍東 ,王東風(fēng),韓璞;軟測(cè)量技術(shù)及其在電廠熱工過(guò)程中的應(yīng)用[J];電站系統(tǒng)工程;2002年05期

9 汪永生,邵惠鶴;現(xiàn)場(chǎng)總線控制系統(tǒng)與通用軟測(cè)量技術(shù)[J];測(cè)控技術(shù);1999年11期

10 宋海榮;趙鵬翔;李思彤;樊金鵬;李江;;軟測(cè)量技術(shù)研究及其專利分析[J];河南科技;2015年24期

相關(guān)博士學(xué)位論文 前5條

1 劉瑞蘭;軟測(cè)量技術(shù)若干問(wèn)題的研究及工業(yè)應(yīng)用[D];浙江大學(xué);2004年

2 李艷;制漿蒸煮過(guò)程紙漿卡伯值軟測(cè)量技術(shù)研究與應(yīng)用[D];華南理工大學(xué);2003年

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

4 丁敬國(guó);中厚板軋制過(guò)程軟測(cè)量技術(shù)的研究與應(yīng)用[D];東北大學(xué)　;2009年

5 張翔宇;基于案例推理的軟測(cè)量技術(shù)在制漿造紙過(guò)程中的應(yīng)用研究[D];華南理工大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 黃琛琦;基于軟測(cè)量技術(shù)的宣紙打漿質(zhì)檢儀研究與設(shè)計(jì)[D];杭州電子科技大學(xué);2019年

2 王錫磊;FCC催化劑定碳量軟測(cè)量混合建模研究[D];上海交通大學(xué);2018年

3 郭明;軟測(cè)量技術(shù)的研究及應(yīng)用[D];浙江工業(yè)大學(xué);2019年

4 余旺;基于Nonnegative garrote的軟測(cè)量技術(shù)在空氣分離裝置中的研究與應(yīng)用[D];齊魯工業(yè)大學(xué);2018年

5 陳鐵山;軟測(cè)量技術(shù)在造紙水分控制中的應(yīng)用研究[D];南京林業(yè)大學(xué);2005年

6 葉臣;基于小波神經(jīng)網(wǎng)絡(luò)的軟測(cè)量技術(shù)的研究[D];青島科技大學(xué);2005年

7 梁天歌;基于軟測(cè)量技術(shù)的化學(xué)信息學(xué)相關(guān)問(wèn)題研究[D];哈爾濱理工大學(xué);2016年

8 南曉明;軟測(cè)量技術(shù)及其在聚碳酸酯生產(chǎn)中的應(yīng)用研究[D];青島科技大學(xué);2013年

9 成飛龍;軟測(cè)量技術(shù)在苯乙烯生產(chǎn)過(guò)程的應(yīng)用[D];蘭州大學(xué);2010年

10 龔沛文;軟測(cè)量技術(shù)及其在工業(yè)煤氣化爐裝置中的應(yīng)用[D];杭州電子科技大學(xué);2012年

本文編號(hào)：2859397