基于支持向量机的软测量技术及其应用

作     者：郭强 

作者单位：辽宁石油化工大学 

学位级别：硕士

导师姓名：李奇安

授予年度：2014年

学科分类：12[管理学] 0810[工学-信息与通信工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0835[工学-软件工程] 081002[工学-信号与信息处理] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：流程工业 数据建模 支持向量机 燃料气系统 

摘      要：现代流程工业是一个由众多装置与设备组成的复杂巨系统，整个流程工业的平稳运行需要对每个单元实施有效的监测与控制，要实现上述目标就需要建立正确有效的流程工业数学模型。 工业流程的建模方法有机理建模法（白箱建模）和数据建模法（黑箱建模）两种，机理建模法综合运用物理、化学等方面的知识，通过对过程对象特性的深入分析，找出反映其内部机理的规律。机理建模法建模结果准确但往往难以实现，因为机理建模法要求建模者具有足够的先验知识和对工业过程运行规律的全面了解，这在复杂的现代流程工业中是难以实现的。最近二十年，基于机器学习理论的数据建模方法在流程工业建模领域得到了广泛的应用，由于数据建模法忽略了建模对象的内部机理，只考虑建模对象的输入输出数据，大大简化了建模步骤，因此更适于建立非线性时变系统的模型。 支持向量机（Support Vector Machine,简称SVM），是由Vapnik及其同事提出的，是机器学习领域中的重要学习算法。由于在理论和实践上的优势，使得SVM与其他的机器学习方法相比，在处理很多现实问题时表现出良好的性能。在回归估计领域，SVM被扩展用于近似未知函数，相应的方法通常被称之为支持向量回归机（Support Vector Regression,简称SVR）。本文将支持向量回归机算法运用于裂解炉燃料气系统的建模中，主要研究内容包括以下三个 方面： (1)针对裂解炉出口温度前馈控制需要快速准确的燃料气热值，提出一种基于支持向量回归机的燃料气热值软测量模型。仿真结果显示，此热值软测量模型能够准确地预测出燃料气热值。 (2)针对裂解炉燃料气在线热值仪的测量滞后，提出一种基于SVR的在线热值仪校正算法。仿真结果显示该校正算法可以有效地克服在线热值仪的测量滞后。 (3)针对基于历史数据得到的离线热值软测量模型泛化能力差的问题，提出一种具有自适应能力的在线支持向量机（Online Support Vector Machine,简称Online SVM）建模方法。运用合成数据与Benchmark数据对该方法的有效性进行了验证。裂解炉燃料气热值仿真实验结果显示，与传统的SVM和LS-SVM（Least-Squares Support Vector Machine,简称LS-SVM）方法相比，该方法泛化能力强，建模精度高，适于具有非线性、时变性特征的燃料气系统的建模。