检索结果-南通市图书馆

作者：邢丽萍大连理工大学

学位级别：硕士

在工业生产过程中,由于受到现有的检测技术和其他条件的限制,无法直接在线测量许多关键的工业参数。软测量技术的研究为在线测量这些关键工业参数提供了解决方案,但大多数研究主要针对非时变工业过程,在时变工业过程中应用这些技术还有... 详细信息

在工业生产过程中,由于受到现有的检测技术和其他条件的限制,无法直接在线测量许多关键的工业参数。软测量技术的研究为在线测量这些关键工业参数提供了解决方案,但大多数研究主要针对非时变工业过程,在时变工业过程中应用这些技术还有许多缺陷。本文针对时变工业过程中的关键参数软测量方法展开研究,探讨了三种对于时变过程参数的动态软测量建模方法。本论文主要的研究工作如下：针对采用静态最小二乘支持向量机模型在预测时变生产过程参数时存在较大误差的问题,提出了基于移动窗的动态最小二乘支持向量机算法。该算法在传统的最小二乘支持向量机的基础上增加一个移动窗,利用增量学习算法和减量学习算法更新策略,选取样本建立模型。精馏塔参数软测量实验表明,该方法可以提高模型的预测精度和泛化性能。从核函数的角度出发,提出了基于移动窗的动态多核最小二乘支持向量机算法,利用多核组合代替单核,增强了模型的可解释性;利用移动窗技术,增加了模型的辨识能力以及其更新效率。最后通过一个单变量函数和多变量函数的仿真实验,表明了此算法在解决凸优化等问题时,具有更好的预测结果和自适应性。针对以往动态建模方法中对于每个样本都要重新建模、计算量非常繁琐的问题,提出了基于即时学习的动态最小二乘支持向量机算法。此算法根据“相似输入产生相似输出”规则,分析前后两个时刻间样本的异同点,快速递推新模型,从而实现了对模型的更新,大大简化了计算量。通过一个时变函数和精馏塔参数软测量仿真实验,表明了此方法可以很好地适应时变过程,模型具有较好地泛化性能。

关键词：移动窗技术最小二乘支持向量机多核学习即时学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于潜变量空间的广义预测控制方法研究

基于潜变量空间的广义预测控制方法研究

作者：张壤文中国石油大学(华东)

学位级别：硕士

随着现今世界工业化程度逐步提高,工业生产规模逐步扩大,许多大型工业过程中的工艺流程也变得越来越复杂,并且这些过程通常会存在多变量、强耦合和强非线性的特征,这使得基于数据驱动的建模方法逐渐成为研究热点。偏最小二乘法(Partial ... 详细信息

随着现今世界工业化程度逐步提高,工业生产规模逐步扩大,许多大型工业过程中的工艺流程也变得越来越复杂,并且这些过程通常会存在多变量、强耦合和强非线性的特征,这使得基于数据驱动的建模方法逐渐成为研究热点。偏最小二乘法(Partial least squares,PLS)作为一种基于数据驱动的多元统计技术,已经在故障诊断、软测量等领域得到了广泛的应用,但是在控制领域的发展仍处于研究初期。本文将PLS与模型预测控制进行了有机融合,研究了基于潜变量空间的广义预测控制方法,主要的研究工作包括:针对于实际工业过程存在的多变量和共线性问题,介绍了一种基于ARX-PLS动态模型的广义预测控制方法。该方法利用PLS建立潜变量空间,从而对过程进行解耦、消除共线性,将原来的多变量控制问题,转变为多个并行的单变量控制问题,使得控制器的设计更加简单,计算时间减小,通过对四容水箱的仿真研究验证了算法的有效性。接下来对ARX-PLS动态建模算法进行了改进,研究了一种新的动态建模方法,即ARX-Dynamic inner PLS算法。该方法不仅精确的描述了潜空间内系统的动态内模型,同时保持了内外模型的一致性,并在此基础上,设计了广义预测控制器。针对由于环境等因素产生的模型失配问题,将递推最小二乘算法和递推偏最小二乘算法相结合实现内外模型参数的自适应更新,以保证模型与对象的实时匹配。通过仿真研究验证了算法的有效性。针对实际工业过程具有的时变性和强非线性,研究了一种基于局部最小二乘支持向量机(LSSVM)的潜空间广义预测控制方法。该方法首先通过PLS算法构建潜变量空间,然后利用即时学习选择相关数据样本,在线滚动建立每个单变量子系统的局部非线性LSSVM模型,最后利用广义预测控制器对这多个子系统分别实施预测控制。通过对四容水箱和pH中和过程的仿真研究验证了算法的有效性。针对实验室过程控制装置进行了潜空间广义预测控制的实验研究。首先通过OPC通讯和浙大中控的组态软件SUPCON,实现MATLAB和过控装置的通讯,然后将本文所提算法实施于过程控制装置上,验证了算法的实际控制效果。

关键词：偏最小二乘模型预测控制自适应更新最小二乘支持向量机即时学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电孤炉电流和电压软测量方法的研究

电孤炉电流和电压软测量方法的研究

作者：姚莉东北大学

学位级别：硕士

电弧炉炼钢已有近百年的历史,由于其具有可以利用废钢资源、吨钢能耗小、炼钢流程短等优点被广泛应用。近年来,由于绿色可持续发展理念的提出,更加引起了人们对电弧炉冶炼的关注。电弧炉控制系统的核心就是电极控制器,而电极控制器的输... 详细信息

电弧炉炼钢已有近百年的历史,由于其具有可以利用废钢资源、吨钢能耗小、炼钢流程短等优点被广泛应用。近年来,由于绿色可持续发展理念的提出,更加引起了人们对电弧炉冶炼的关注。电弧炉控制系统的核心就是电极控制器,而电极控制器的输入信号是电弧电流和电弧电压,因此准确快速的测量电弧电流和电弧电压对电弧炉稳定高效的运行有重要的意义。但由于电弧电流可达数万安培,电弧电压不能直接接地测量等原因,如何经济又准确的测量它们仍是现阶段存在的难题。软测量技术为测量这种工业上硬件较难甚至无法测量的参数提供了新的思路,并已经成为过程控制领域的研究新热点之一。本文以江苏徐州某钢铁公司70t交流电弧炉炼钢过程为背景,对电弧炉电流电压软测量方法进行研究,建立软测量模型。运用工业现场生产数据对所建模型进行仿真分析,实验结果表明了模型的可靠性和稳定性。本文首先简要描述了电弧炉的设备和工艺,从炉用变压器的机理入手,推倒出与电弧炉电流和电压密切相关的一次侧变量为:电压、电流、三相负载总有功功率和总功率因数。确定了软测量建模中的辅助变量,为数据模型的建立奠定了基础;针对偏最小二乘(Partial Least Squares)全局模型在处理数据非线性和数据突变时存在不足,基于即时学习策略(Just in Time Learning)建立电弧炉电流电压软测量模型,利用实际生产数据进行仿真测试结果表明该模型的预测准确性高,跟踪性好,但这种在线建模的方法在计算参数时耗时过长,时效性较差,难以满足电弧炉冶炼过程快速性的要求;针对上述方法的不足,采用集成学习策略(Ensemble Learning)建立电弧炉电流电压软测量模型。基于移动窗口策略和假设检验原理完成局部区域的划分,建立局部模型并预测输出,并使用贝叶斯集成学习方法将局部输出自适应集成。仿真结果表明基于集成学习策略建立的模型相比于即时学习策略建立的模型预测精度更高,同时预测耗时要少的多,符合工程应用的标准,方法具有一定的可靠性。

关键词：电弧炉软测量即时学习偏最小二乘集成学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据驱动算法的汽车避障方法研究

基于数据驱动算法的汽车避障方法研究

作者：周宏鹏哈尔滨工业大学

学位级别：硕士

近年来,随着科学技术以及工业水平的快速提升,自动驾驶技术也发展迅猛,车辆避障技术作为自动驾驶系统的核心环节之一,引起了越来越多的关注,成为了相关学者和科研机构的研究热点。另一方面,随着车辆驾驶安全形势日益严峻,研究车辆避障... 详细信息

近年来,随着科学技术以及工业水平的快速提升,自动驾驶技术也发展迅猛,车辆避障技术作为自动驾驶系统的核心环节之一,引起了越来越多的关注,成为了相关学者和科研机构的研究热点。另一方面,随着车辆驾驶安全形势日益严峻,研究车辆避障系统以提高驾驶的安全性具有十分重要的意义。传统的车辆避障技术主要包括两类:第一种是通过测量车辆间距,计算行车间隔时间,并进行事故预警的预判,这种方法计算简单但实时性差;第二种是建立车辆制动的数学模型,并依此计算制动距离和建议加速度,但是由于车辆运动特性复杂,所建立的数学模型往往无法准确反映车辆运动特性,因此存在准确性差的问题。为解决上述问题并实现车辆避障的目的,研究新的有效的避障技术成为了一种解决思路。近年来,大数据技术发展迅猛,人机交互所产生的海量数据,往往包含了许多可以反映系统运行状态甚至系统运行机理的关键信息。与此同时,随着工业4.0时代的来临,信息物理融合系统(Cyber Physical System,CPS)近年来也发展迅速。其优势在于结合了物力资源和计算资源,可实现智能控制、自适应控制等功能。考虑到这些优点以及近年来数据驱动算法的大量涌现以及成熟应用,本文提出了通过数据处理技术与CPS相关技术的结合,以实现车辆避障目的,并为车辆提供预警信息以及安全驾驶建议加速度。本文主要包含三个研究内容:车辆信息物理融合系统(Vehicle Cyber Physical System,VCPS)的建模、基于数据的预测算法的研究、提供预警信息和安全驾驶建议加速度。首先,文章研究了车辆信息物理融合系统的建模,设计了VCPS建模平台的选取方案;VCPS结构的设计及VCPS的数学建模过程。其次,文章研究了多元统计分析、偏最小二乘法、核偏最小二乘法和即时学习等数据驱动算法的理论及应用特性。再次,本文依据所建立的VCPS仿真平台及数据处理算法进行仿真,在Car Sim平台上设计好本文试验环境,并比较各算法优劣,选择效果最好的数据处理算法,并检验所所提出的基于数据的避障策略是否有效。实验结果表明,基于JITL-PLS的数据驱动算法预测效果准确率高,用时较短,适合本文的研究目的。最后,本文就研究内容进行了概括和总结,并对下一步工作进行展望。

关键词：车辆信息物理融合系统避障技术核偏最小二乘法即时学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于区间数的湿法冶金全流程优化控制研究

基于区间数的湿法冶金全流程优化控制研究

作者：王忠昂东北大学

学位级别：硕士

众所周知,湿法冶金作为从矿产资源中提取金属的技术之一,有着提取有价金属回收率高、环保成本低、产品质量高、工艺灵活性大等优点,因而得到了广泛的使用。湿法冶金是一个多工况、多工序、非线性的复杂化学反应过程。实际生产过程中会... 详细信息

众所周知,湿法冶金作为从矿产资源中提取金属的技术之一,有着提取有价金属回收率高、环保成本低、产品质量高、工艺灵活性大等优点,因而得到了广泛的使用。湿法冶金是一个多工况、多工序、非线性的复杂化学反应过程。实际生产过程中会存在一定的不确定性因素,单一的定量机理模型或经验模型已经不能满足湿法冶金过程控制的需要。为此,本文以某黄金冶炼厂湿法冶金生产过程为背景,在对湿法冶金全流程机理分析和工艺分析的基础上,建立了基于区间数的湿法冶金全流程机理模型。利用即时学习算法和最小二乘支持向量机建立了湿法冶金过程的预测模型,进而全面地对湿法冶金全流程优化控制技术进行了研究。本文主要研究内容包括:1.考虑到湿法冶金过程存在一定的不确定性,利用专家经验知识建立调浆过程定性模型。从浸出、压滤洗涤和置换等工序的化学反应基本原理出发,基于物料守恒及能量平衡关系,建立了基于区间数的湿法冶金全流程的静态机理模型。研究了输入变量对生产指标的影响关系,通过仿真验证了所建模型的有效性和合理性。2.针对湿法冶金工序众多、工况复杂的情况,提出了一种湿法冶金全流程模型更新的策略。当过程模型预测值与工业过程实际值之间的偏差超过设定的阈值时,采用即时学习算法从工业历史数据中找出与当前工作点相似度高的数据样本构造学习集,并利用最小二乘支持向量机建立预测模型,进而对湿法冶金全流程模型进行在线更新。将预测模型应用到了湿法冶金全流程一次浸出率、二次浸出率和置换率的预测中,并通过仿真验证了该预测模型的准确性与有效性。3.以调浆环节作为边界环节,将湿法冶金全流程优化问题分为若干个子优化问题。在对湿法冶金全流程工艺分析的基础上,建立了基于区间数的以综合经济效益最大为优化目标,以各个槽氰化钠添加量、调浆水添加量和锌粉添加量为决策变量的湿法冶金全流程优化模型。利用基于改进粒子群的两层嵌套优化算法求解全流程优化模型,得到了湿法冶金全流程最优操作变量和生产指标,为实际生产过程提供指导意见,并且为具有不确定性的湿法冶金全流程的优化研究奠定了基础。4.采用双层控制结构对湿法冶金过程进行优化控制。在优化层,利用优化算法求解优化模型,将求解得到的一次浸出率、二次浸出率和置换率作为控制设定值,将求解得到的氰化钠添加量和锌粉添加量作为控制变量初始值。采用基于标准差分进化算法和改进差分进化算法的非线性模型预测控制方法对湿法冶金全流程进行预测控制,分析了两种控制方案的跟踪效果和稳定性能,仿真验证了基于改进差分进化算法的预测控制方案的优越性。最后总结了论文主要工作,并对湿法冶金全流程建模与优化控制的进一步研究方向进行了探讨与展望。

关键词：湿法冶金区间数两层嵌套即时学习非线性模型预测控制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的冷连轧机轧制力预报建模研究

基于深度学习的冷连轧机轧制力预报建模研究

作者：翟博豪燕山大学

学位级别：硕士

在钢铁冷轧生产过程中,轧制力的预报精度决定着最终成品的厚度及板形的平整度。准确的轧制力预报有助于缩短带材的头尾长度,提高成材率。由于轧制环境复杂多变,各参量间相互耦合,难以建立准确的数学模型。传统的轧制力机理模型为简化推... 详细信息

在钢铁冷轧生产过程中,轧制力的预报精度决定着最终成品的厚度及板形的平整度。准确的轧制力预报有助于缩短带材的头尾长度,提高成材率。由于轧制环境复杂多变,各参量间相互耦合,难以建立准确的数学模型。传统的轧制力机理模型为简化推导过程,引入较多假设,无法保证最终预测精度。为提高冷轧机组的轧制力预报精度,依据轧制基本理论,基于深度学习方法建立轧制力模型,进行轧制力预报建模研究。以轧制力机理模型Bland-Ford-Hill公式为理论基础,分析确定轧制变形区影响轧制力大小的主要参数变量。对于部分不可测参量,使用机理模型进行推算,并输入到神经网络中,对轧制力进行预测。采用数据驱动方法建立轧制力预报模型,可避免对轧制机理的过度探索,获得更加符合实际的模型。论文主要工作如下:(1)针对机器学习方法的拟合能力受自身网络结构限制,难以获得较高的预测精度的问题,建立了基于半监督深度网络的轧制力预报模型。该模型使用堆叠去噪自编码器逐层提取输入数据的高阶特征表示以解决深层网络难以训练问题。为提高特征提取的有效性,根据输入值与目标值的相关性程度,对其各维度特征损失函数施加不同比例,构成比例损失堆叠去噪自编码器。使用比例损失堆叠去噪自编码器提取的高阶特征初始化深度网络,对目标值进行预测。仿真结果验证了该方法的有效性。(2)针对固定模型参数无法随生产环境变化而做出调整,导致预测精度下降的问题,使用即时学习方法,选择少量相似样本,动态的建立当前工作点的局部模型。但由于缺乏足够的过程知识,仅使用单一的相似性度量很难选择合适的样本来构建准确的预测模型。提出一种基于多重加权相似性度量的集成即时学习建模方法。首先,基于不同的加权相似性度量筛选相关样本。其次,构造深度网络局部模型并估计查询数据的目标值。为满足实时性要求,使用批归一化方法稳定前向输出区间,引入小批量梯度下降算法和Adam优化算法加快模型收敛速度。最后,运用集成策略整合各模型的输出结果。在此基础上,引入累计相似度因子优化局部建模时的样本个数,设定相似度阈值自适应地更新局部模型。仿真结果表明,该模型可以在短时间内实现轧制力的高精度预测。最后,对全文进行总结。

关键词：钢铁冷轧轧制力预报深度学习半监督学习即时学习多重加权

基于数据驱动的火电机组过热蒸汽温度控制系统PID参数优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据驱动的火电机组过热蒸汽温度控制系统PID参数优化

作者：田琪林华北电力大学

学位级别：硕士

随着信息科学技术的发展,企业的生产过程及生产工艺越来越复杂,对这些过程进行机理建模或者辨识建模面临着巨大的挑战。数据驱动控制作为一种不需要被控对象精确模型,仅利用控制系统的I/O数据和其他控制信息来完成系统的控制任务的控制... 详细信息

随着信息科学技术的发展,企业的生产过程及生产工艺越来越复杂,对这些过程进行机理建模或者辨识建模面临着巨大的挑战。数据驱动控制作为一种不需要被控对象精确模型,仅利用控制系统的I/O数据和其他控制信息来完成系统的控制任务的控制方法,逐渐成为现代控制界研究的热点。本文中基于数据驱动的PID控制算法是在即时学习和理性建模的基本思想上建立的一种在线数据驱动算法。本文在某一Hammerstein非线性模型上进行算法仿真实验,在仿真过程中,针对k-近邻法的距离信息选择准则可能无法准确选择出与查询点相关性高的历史数据信息,将其改用k-向量近邻法的距离信息选择准则综合考察数据向量的距离和夹角信息,提高数据选择的准确性。同时,对数据驱动控制方法影响较大的数据库选择规则进行修改,包括数据库容量的大小,数据剔除和保留原则,实现数据高效在线更新。进一步优化了参数更新性能指标,增加控制量等信息,使参数更新的准确性提高。通过对比仿真实验,证明了方法改进的有效性。将数据驱动的PID控制方法推广应用到火电机组过热蒸汽温度控制系统中,将传统的串级PID控制中主控制器改用基于数据驱动方法的PID控制器,设计出基于数据驱动的过热蒸汽温度串级PID控制系统。在仿真中,针对过热蒸汽温度系统强非线性、高时延等特征,优化了数据驱动PID控制方法的参考模型,使得数据控制方法更为适用过热蒸汽温度系统。同时为了说明数据驱动控制方法的有效性,在建立初始数据库时,选择三组控制效果好坏不一的参数来组建系统的初始数据库,实验表明数据驱动的控制方法,总能在线寻优计算出最好控制参数,且得到最佳的控制效果。对比数据驱动PID控制与传统固定参数PID控制的控制效果,发现数据驱动PID控制总能在系统发生控制变化时,更快且更稳定地完成控制任务,具有较好的鲁棒性和响应速度。

关键词：过热蒸汽温度数据驱动即时学习 PID控制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于核偏最小二乘的工业过程软测量方法研究

基于核偏最小二乘的工业过程软测量方法研究

作者：陈永炫中国石油大学(华东)

学位级别：硕士

在现代工业生产中,对于过程质量变量的实时监测与控制是确保过程安全平稳运行的关键。针对部分关键质量变量难以在线实时测量的问题,近些年来软测量技术已经引起了工业界和学术界的充分关注。核偏最小二乘(Kernel Partial Least Squares... 详细信息

在现代工业生产中,对于过程质量变量的实时监测与控制是确保过程安全平稳运行的关键。针对部分关键质量变量难以在线实时测量的问题,近些年来软测量技术已经引起了工业界和学术界的充分关注。核偏最小二乘(Kernel Partial Least Squares,KPLS)作为一种有效的非线性多元统计建模方法,广泛应用于非线性工业过程软测量建模领域。本文以KPLS模型作为核心软测量模型,结合工业过程数据特性研究改进的KPLS软测量建模方法,解决工业过程中出现的非线性特征提取模型深度不足、不可观测多模态难区分、时变过程在线建模精度低问题。本文主要工作如下:首先,针对传统核偏最小二乘作为浅层学习模型不能充分挖掘数据特征问题,提出一种具有深度层级结构的深度核偏最小二乘模型(Deep Kernel Partial Least Squares,De KPLS)。传统核偏最小二乘方法在建立数据模型时,只提取了一层数据特征,不能充分有效挖掘数据间的复杂关系。本文借鉴深度学习思想,构建了一种De KPLS特征提取框架,以核偏最小二乘为最小特征提取单元,通过多层特征提取获得数据的深度特征以解释变量间的复杂非线性关系,提升软测量模型预测精度。通过在脱丁烷塔过程和硫回收单元的应用结果表明所提出的方法比传统KPLS方法具有更好的建模预测效果。其次,针对一类不可观测多模态过程软测量建模中模态难以区分的问题,提出基于隐因子聚类(Latent Factor Clustering,LFC)-核偏最小二乘的多模态软测量建模方法。传统基于距离准则的聚类算法难以区分不可观测多模态模态数据,本文研究基于隐因子聚类的工业过程多模态识别方法,该方法将数据映射至非线性隐空间,并在隐空间内区分不同模态数据,再对识别出的不同工业模态数据分别建立局部核偏最小二乘软测量模型。在数值系统以及连续搅拌反应釜系统的仿真结果表明所提出方法能够解决此类不可观测多模态过程的软测量建模问题。最后,针对时变过程在线预测建模精度低的问题,提出一种改进的即时学习-核偏最小二乘在线建模方法。考虑到过程数据的非线性,设计了一种基于核空间的样本相似度度量方法。该方法利用核映射技术在高维非线性特征空间中衡量样本相似度,所选取的相似样本具有更好的非线性相似性。在局部建模阶段,考虑到工业过程具有的时变特性,提出一种自适应模型参数更新策略。通过观察最近时刻样本的建模效果,即时调整模型参数,使所建立的临时模型能够准确跟踪过程特性变化。通过在脱丁烷塔过程和重油催化裂化过程的应用结果表明所提出的改进方法比传统即时学习-核偏最小二乘算法具有更高的预测精度。

关键词：偏最小二乘核偏最小二乘软测量多模态聚类即时学习在线预测

基于多向核熵成分分析的间歇过程故障检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多向核熵成分分析的间歇过程故障检测方法研究

作者：张琛琛中国石油大学(华东)

学位级别：硕士

现代工业生产中,间歇过程作为一种重要的制造业生产方式,已在生物制药、精细化工、食品、聚合物反应等领域得到了广泛应用。因此,研究间歇过程故障检测方法,确保生产过程的可靠运行,从而最大限度保障操作人员的生命和财产安全,具有重要... 详细信息

现代工业生产中,间歇过程作为一种重要的制造业生产方式,已在生物制药、精细化工、食品、聚合物反应等领域得到了广泛应用。因此,研究间歇过程故障检测方法,确保生产过程的可靠运行,从而最大限度保障操作人员的生命和财产安全,具有重要的实际意义。针对间歇过程存在的测量数据易受较强噪声影响、多阶段、过程时变等特点,本文开展基于多向核熵成分分析(Multiway Kernel Entropy Analysis,MKECA)的故障检测方法研究,主要研究内容如下:首先,针对间歇过程的测量数据易受较强噪声影响以及批次间工况变化特性,给出一种基于改进多向核熵成分分析(IMKECA)的间歇过程故障检测方法。该方法使用小波变换技术对受强噪声影响的过程数据进行去噪,同时为适应间歇过程批次间的工况变化,构建基于k近邻马氏距离的M统计量代替传统T统计量,对生产过程进行故障检测。盘尼西林发酵过程的仿真实验结果表明,IMKECA方法能够比MKECA方法更为快速地发现过程故障。然后,针对间歇过程存在的多阶段特性,在MKECA方法的基础上,提出一种基于多阶段多向核熵成分分析(MsMKECA)的间歇过程故障检测方法。该方法首先建立一种时序核熵主元关联度的阶段划分方法,对间歇过程进行多阶段划分,进一步在划分的各个阶段引入一种批次--变量三维数据展开方式,建立MKECA过程监控模型,实现对间歇过程的故障检测。盘尼西林发酵平台上的仿真实验研究表明,MsMKECA方法能够挖掘多阶段信息,有效的监控过程故障。最后,针对间歇过程存在的过程时变特性,将即时学习(JITL)策略与KECA方法相结合,建立一种基于即时学习核熵成分分析(JITL-KECA)的间歇过程故障检测方法。该方法首先通过滑动窗技术对JITL方法进行改进,从历史数据中提取当前监测样本的局部相似数据集,然后结合KECA方法对该数据集建立统计模型进行过程监控。将所研究的方法应用于盘尼西林发酵过程进行仿真,结果证明了方法的有效性。

关键词：间歇过程故障检测多向核熵成分分析多阶段即时学习

基于仿射传播聚类和高斯过程回归的软测量建模研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于仿射传播聚类和高斯过程回归的软测量建模研究

作者：葛祥振江南大学

学位级别：硕士

实际的工业过程往往具有多个不同的工况,为准确地对过程特性进行描述,多模型建模是一种有效的软测量方法。通过对系统进行划分,将复杂系统的建模问题简化为局部建模问题,可以有效地提高软测量模型的性能。多模型建模过程中,聚类方法、... 详细信息

实际的工业过程往往具有多个不同的工况,为准确地对过程特性进行描述,多模型建模是一种有效的软测量方法。通过对系统进行划分,将复杂系统的建模问题简化为局部建模问题,可以有效地提高软测量模型的性能。多模型建模过程中,聚类方法、建模方法以及融合方式都会对软测量模型的性能产生影响。因此本文从上述三个方面入手,以实际的工业生产过程为背景,对多模型软测量建模方法进行研究。论文的主要研究内容如下:针对具有多工况特性的复杂工业生产过程,对基于仿射传播(Affinity Propagation,AP)聚类的高斯过程回归(Gaussian Process Regression,GPR)软测量建模方法进行研究。采用AP算法对训练样本进行类别划分,得到不同工况下的子数据集,然后建立相应的GPR局部预测模型,最后通过新来样本到各子数据集聚类中心的距离计算得到各局部模型的权重,融合得到最终的预测模型。考虑到过程数据维度较高的情况,提出一种基于改进AP的多模型软测量方法。首先,采用主成分分析(Principal Component Analysis,PCA)方法和差分进化(Differential Evolution,DE)算法对AP算法进行改进,使算法可以避免冗余信息影响的同时,还可以实现参数的寻优,划分得到全局最优的子数据集;然后,建立各GPR局部预测模型;最后,对于新来的样本,利用预测方差计算其隶属于各局部模型的后验概率,以此为权重对各局部模型进行融合,得到全局预测输出。通过对两个标准数据集和污水处理过程数据进行仿真,验证了所提建模方法的有效性,对处理具有高维度特性的工业过程建模问题具有非常实用的参考价值。为解决模型性能随时间推移而老化的问题,提出一种基于增量AP的在线软测量建模方法,对软测量模型和样本数据库进行及时更新。采用AP算法对训练样本进行划分,对于新来的样本,利用即时学习(Just-In-Time Learning,JITL)结合GPR的方法建立各局部预测模型,并进行融合得到在线的预测输出;对新加入数据库的样本,用增量方法对AP算法进行改进,实现其证据矩阵的增量式更新,快速地完成对新来样本的分类和数据库的更新。通过对青霉素发酵过程数据进行建模仿真,验证了所提在线软测量方法的有效性。

关键词：多模型建模仿射传播聚类高斯过程回归主成分分析即时学习