基于慢特征分析与最小二乘支持向量回归集成的草酸钴合成过程粒度预报
Particle size prediction of cobalt oxalate synthesis process based on slow feature analysis and least squares support vector regression作者机构:鲁东大学信息与电气工程学院山东烟台264025 鲁东大学蔚山船舶与海洋学院山东烟台264025
出 版 物:《化工学报》 (CIESC Journal)
年 卷 期:2024年第75卷第6期
页 面:2313-2321页
核心收录:
学科分类:08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 0714[理学-统计学(可授理学、经济学学位)] 0703[理学-化学] 0802[工学-机械工程] 0835[工学-软件工程] 0701[理学-数学] 081102[工学-检测技术与自动化装置] 0811[工学-控制科学与工程] 080201[工学-机械制造及其自动化]
主 题:草酸钴合成过程 软测量 慢特征分析 最小二乘支持向量回归 化学过程 预测 神经网络
摘 要:草酸钴合成过程是钴湿法冶炼的关键单元操作,其粒度分布是重要的质量指标,然而难以在线实时测量。同时,草酸钴合成过程通常存在非线性、多约束和慢时变特征。因此,提出一种集成慢特征分析(slow feature analysis,SFA)与最小二乘支持向量回归(least square support vector regression,LSSVR)的草酸钴粒度预报模型对草酸钴合成过程质量指标实现在线测量。在该方法中,首先,SFA方法可以有效地捕获过程的慢特征向量,解决慢时变问题;然后,利用LSSVR方法建立慢特征与粒度之间的非线性关系模型,进而实现质量指标在线预报。最后,应用非线性的数值案例以及草酸钴合成过程数据,验证该方法的有效性。实验结果显示:相较于单一的径向基函数神经网络(radial basis function neural network,RBFNN)、LSSVR预测模型以及SFA与NN相结合的预报模型,所提方法在数值案例中的预测精度分别提升了13.31%、2.26%、1.72%;在草酸钴合成过程中的预测精度分别提升了13.27%、9.96%、8.92%。