發(fā)布時間：2020-05-17 02:34

【摘要】：流程工業(yè)系統(tǒng)包含眾多過程變量以及各種復(fù)雜的物理、化學(xué)變化。采用傳統(tǒng)的機理模型對這樣的過程進行建模難度較大�；跀�(shù)據(jù)驅(qū)動的建模方法是基于過程采集數(shù)據(jù)建立的,具有不需要深入了解過程機理、算法通用性強等特點,廣泛應(yīng)用于流程工業(yè)的建模及優(yōu)化中。由于工業(yè)過程的數(shù)據(jù)具有非線性強、耦合度高、包含噪聲及動態(tài)性等特征,傳統(tǒng)的線性回歸模型難以建立較為準確的模型。本文著重研究了數(shù)據(jù)驅(qū)動建模方法中的非線性模型,即用于建立非線性關(guān)系的神經(jīng)網(wǎng)絡(luò)模型以及用于提取非線性特征的主曲線模型。本文在原有方法基礎(chǔ)上將統(tǒng)計學(xué)方法與神經(jīng)網(wǎng)絡(luò)方法進行結(jié)合,并首次將主曲線方法成功地用于非線性回歸中。主要成果如下： ●針對工業(yè)數(shù)據(jù)的非線性、含噪聲、共線性以及動態(tài)強等特征,提出了基于DPCA-RBF網(wǎng)絡(luò)的軟測量模型。首先采用動態(tài)PCA方法對工業(yè)建模數(shù)據(jù)進行預(yù)處理得到主元,然后建立主元和關(guān)鍵質(zhì)量變量的RBF網(wǎng)絡(luò)模型。該模型有效地降低了模型變量的數(shù)目并除去了噪聲以及動態(tài)性等信息,并減少了RBF網(wǎng)絡(luò)訓(xùn)練的參數(shù)的個數(shù),提高了模型的準確性。 ●著重研究了基于神經(jīng)網(wǎng)絡(luò)的非線性PCA方法以及基于主曲線的非線性PCA方法。從原理上分析了這兩種非線性特征提取方法各自的特點,并采用典型非線性函數(shù)以及TE過程數(shù)據(jù)對這兩種方法進行了比較研究。結(jié)果表明,基于主曲線的NLPCA模型要優(yōu)于基于神經(jīng)網(wǎng)絡(luò)的NLPCA模型。基于主曲線的NLPCA模型其精確性更高,更符合非線性PCA的思想,并且其主元得分形式也更穩(wěn)定。 ●針對工業(yè)過程數(shù)據(jù)維數(shù)高、數(shù)據(jù)相互耦合、非線性強的特點,提出了基于主曲線的非線性回歸模型。該模型借鑒了PLS的基本思想,采用主曲線提取隱變量信息的同時考慮到了自變量與因變量的相關(guān)性；在隱變量空間中,采用多項式函數(shù)擬合隱變量之間的非線性關(guān)系。在實例研究中,分別采用純函數(shù)數(shù)據(jù)和氯乙烯精餾塔實時運行數(shù)據(jù)對該模型進行了驗證。仿真結(jié)果表明,該模型所需要的隱變量數(shù)目比線性PLS模型、多項式PLS模型更少,并且其模型結(jié)果更加精確,可較好地處理工業(yè)過程中存在的數(shù)據(jù)高耦合度以及強非線性問題。
【圖文】：

該軟測量模型首先采用動態(tài)PCA方法對所有涉及的過程變量進行去除噪聲、降維、消除復(fù)相關(guān)性等預(yù)處理，同時也降低了RBF網(wǎng)絡(luò)建立模型的復(fù)雜度;然后，采用RBF網(wǎng)絡(luò)建立主元和質(zhì)量變量之間的網(wǎng)絡(luò)結(jié)構(gòu)，從而得到自變量的線性主元和因變量之間的關(guān)系，得到了過程的軟測量模型;最后，采用純函數(shù)數(shù)據(jù)和工業(yè)現(xiàn)場數(shù)據(jù)分別對得到的軟測量模型進行仿真分析和方法比較研究。在純函數(shù)部分，本章著重分析了噪聲方差對模型精度的影響。DPCA一RBF軟測量模型的實現(xiàn)結(jié)構(gòu)如圖2.3所示，其中，箭頭表示數(shù)據(jù)流向，實線表示測試數(shù)據(jù)流，虛線表示訓(xùn)練數(shù)據(jù)流。首先，確定時滯長度得增廣矩陣并對訓(xùn)練數(shù)據(jù)及對應(yīng)的輸出值進行歸一化(均值為。、方差為l);其次，對標準化的訓(xùn)練數(shù)據(jù)提取主元，得到主元變量;然后，，建立主元變量和已歸一化的輸出值的RBF網(wǎng)絡(luò)模型，完成對網(wǎng)絡(luò)參數(shù)的訓(xùn)練;最后，將主元變量作為RBF網(wǎng)絡(luò)的輸入，得到仿真值，并對其進行反歸一化。

數(shù)據(jù)和測試數(shù)據(jù)。為觀察網(wǎng)絡(luò)泛化能力，在l>10時選取11組外插數(shù)據(jù)，構(gòu)成外插測試數(shù)據(jù)弋。匆伍”，目標函數(shù)矩陣為犯。RJ‘’。對不含噪聲數(shù)據(jù)以及噪聲數(shù)據(jù)進行建模，部分結(jié)果如圖2.4、圖2.5、圖2.6所示。外插測試數(shù)據(jù)(無噪聲)其建模結(jié)果見圖2.7。分別計算兩種方法所得到結(jié)果的尺人試夕百，見表2.1。Pc入只BF建模測試數(shù)據(jù)仿真結(jié)果圖}二疆、撇匆豁燈均尺8F建模測試數(shù)據(jù)仿真結(jié)果圖、人圈 510飛5加巧30腸幻 51015榭妙圖2.4:無噪聲，RBF與PCA一RBF建模結(jié)果比較圖刀乃加巧犯材或個RB鍵模測試數(shù)據(jù)仿真結(jié)果圖p腆朋淮模測試數(shù)據(jù)仿真結(jié)果圖潤鑫扒喊旬口竹砰垂間1團伙匕二塑些」十’子\誡+，二率性l林人_+寧丫 1015困巧30材戎個份+、囂40——真實值值+++預(yù)測值 值圖2.5:噪聲方差為0.7，RBF與PCA一RBF建模結(jié)果比較圖
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2011
【分類號】：N945.12

【引證文獻】

相關(guān)碩士學(xué)位論文 前1條

1 劉煥云;運動圖像目標跟蹤算法研究[D];西安電子科技大學(xué);2013年

本文編號：2667782