检索结果-南通市图书馆

作者：叶国良燕山大学

学位级别：硕士

在带钢冷轧生产过程中,轧制力预测精度间接影响着成品的厚度和板形平整度,决定着轧制过程的稳定性和最终产品的质量。精准的轧制力预测能够有效减少带材头尾长度,提高原材料利用率。然而现实轧制生产过程复杂多变,具有多变量、非线性、... 详细信息

在带钢冷轧生产过程中,轧制力预测精度间接影响着成品的厚度和板形平整度,决定着轧制过程的稳定性和最终产品的质量。精准的轧制力预测能够有效减少带材头尾长度,提高原材料利用率。然而现实轧制生产过程复杂多变,具有多变量、非线性、强耦合的特征。若使用引入过多假设的传统机理模型对轧制力进行预测,则会导致误差较大,降低成材率,不能满足高精度生产要求。为了解决传统轧制力机理模型的固有缺陷,得到精度更高的轧制力模型,对建模方法进行了深入研究,具体如下。(1)浅层模型无法提取数据中隐含的深层次特征,表达能力差,无法有效完成对复杂函数的拟合,模型还存在漂移问题,导致预测精度不高。为了满足轧制力在大样本以及复杂问题上的预测要求,建立了基于循环自编码网络的轧制力模型。该模型以自编码器为基础,结合门控循环单元(Gate Recurrent Unit,GRU)网络在序列递归、记忆性、参数共享等方面的优势,组成循环自编码网络对输入数据进行特征提取,同时使用mini-batch梯度下降算法和Adam优化算法提升网络性能。最后使用高斯过程回归对提取的特征进行回归拟合得到预测输出。仿真结果表明,该模型预测精度可达3%以内,能够实现轧制力的高精度预测。(2)在上述研究中,未考虑轧制生产现场环境变化导致的不确定性,模型在生产数据有较大波动时可能存在漂移问题。为进一步提高轧制力预测精度,同时实现模型在线更新,避免概念漂移问题,提出了基于LSTM-JITRVM(Long Short Term Memory-Just In Time Relevance Vector Machine)的轧制力模型。首先,使用循环自编码网络对输入数据进行特征提取,然后使用局部离群因子算法对测试样本特征进行分布计算,判断其与临近样本是否属于同一分布,若属于同一分布,则采用LSTM模型进行预测,否则采用即时学习框架在线建模。在即时学习框架中,针对上述样本从样本库中选择相似度高的样本组成局部数据集,在线建立JITRVM模型进行预测。仿真结果表明,该模型能实现轧制力的高精度预测。

来源：

同方学位论文库评论

转炉炼钢终点碳温软测量建模方法研究

引用

作者：陈棕鑫昆明理工大学

学位级别：硕士

钢铁产业对于国家经济发展有着重要的意义。转炉炼钢技术因为相对高效和低成本的优势,是目前世界范围内主要的钢铁冶炼技术之一,其冶炼的关键在于对转炉终点的准确控制。实际上,转炉中钢液的终点碳含量和温度与转炉终点控制有着密切的联... 详细信息

钢铁产业对于国家经济发展有着重要的意义。转炉炼钢技术因为相对高效和低成本的优势,是目前世界范围内主要的钢铁冶炼技术之一,其冶炼的关键在于对转炉终点的准确控制。实际上,转炉中钢液的终点碳含量和温度与转炉终点控制有着密切的联系,也是判断钢液是否达到出钢标准的重要指标。因此,实现对转炉炼钢终点碳温精确实时预报可以有效降低转炉炼钢生产成本,提高生产效率,对于保护环境、节能减排也有着积极的意义。本文针对转炉炼钢生产过程数据存在的高冗余、高维度、波动性和非线性等问题进行研究,基于数据驱动的方式,通过对生产过程数据进行特征选择处理得到关键特征,再引入即时学习策略完成对算法学习集的度量与选择,从而建立即时学习软测量模型实现对转炉炼钢终点碳温的预报。本文的主要研究内容包括:(1)转炉炼钢生产过程数据存在高维度、高冗余的特点,直接将这些数据输入到模型中会增大模型训练负担并且削弱模型的预报性能。针对上述问题,本文提出了一种改进的灰狼优化算法(Improved grey wolf optimizer,IGWO)用于对转炉炼钢生产过程数据进行特征选择,从而获得转炉过程数据中的关键特征。首先,通过构建新的编码方案对数据中的各维特征进行编码并预设特征子集的个数,保证算法特征选择结果的稳定性;其次,在新编码方案的基础上,利用反向学习机制在算法初期生成更具多样性和更高质量的灰狼初始种群;最后,利用灰狼种群中前三个最优解的信息和特征之间的内在联系对种群进行概率更新,保证算法搜索能力的最大化,并避免陷入局部最优。实验结果表明,所提出的IGWO算法能够选择表现较好且可重复的特征子集,有效降低数据高冗余高维度对于模型性能的影响,利用所选择的特征建立碳温预报模型可以显著提升模型性能。(2)转炉炼钢生产过程数据具有明显的波动性和非线性,这对于即时学习度量局部算法学习集构成了很大的挑战,不利于模型性能的发挥。针对以上问题,本文提出了基于自组织映射聚类的即时学习软测量建模方法(Self organization map just-in-time learning,SOM-JITL)用于转炉炼钢终点碳温的建模预报。首先,通过引入高斯核函数改变自组织映射聚类算法获胜神经元的判别方式并用于对转炉生产过程数据的聚类,从而降低数据波动对于后续建模的影响;其次,采用即时学习策略从待测样本所属的类簇中度量合适的算法学习集用于训练极限学习机并完成对终点碳温的预报。实验结果表明,该方法能够有效提升即时学习软测量模型度量算法学习集的质量,显著提高模型对终点碳温的预报性能,在±0.02%的预报误差范围,碳含量的预报精度为81.5%,在±10℃的预报误差范围,温度的预报精度为79%。(3)针对传统即时学习软测量建模方法往往忽略过程数据标签信息价值以及从单一类簇中选择样本的局限性问题,本文提出了WGKSOM-DRCA(Weighted gaussian kernel self organization map dynamic relevant component analysis)自适应即时学习软测量方法用于对转炉炼钢终点碳温的预报。首先,采用引入标签信息的加权高斯核函数度量准则构造WGKSOM聚类算法用于引导聚类方向,提高算法的聚类质量并降低类簇数据波动性对于建模的影响;其次,利用高斯后验概率计算待测样本的隶属度并根据类簇隶属度选择样本,避免聚类误差和单一类簇造成样本选择的局限性;最后,通过引入动态因子并构建DRCA度量学习策略自适应选取算法学习集用于局部模型训练,输出终点碳含量和温度的预报结果。实验表明,在转炉炼钢终点碳温预报上该方法相对于其他算法有更好的表现,在±0.02%的预报误差范围,碳含量的预报精度为92%,在±10℃的误差范围,温度的预报精度为93.5%。通过以上研究,验证了特征选择和即时学习软测量建模方法在解决转炉炼钢生产过程数据高冗余、高维度、波动性和非线性等问题上的有效性,并提高了模型对终点碳温的预报性能,也为后续在相关方面进一步探索提供了一定的理论依据。

来源：

同方学位论文库评论

宏微观尺度联合分析的锌焙烧炉温度场建模与模型降阶

引用

作者：尚钰中南大学

学位级别：硕士

焙烧炉作为锌冶炼过程重要的生产装备,其生产运行状况的好坏直接决定后续工序能否正常运行。炉内温度场是反映焙烧炉运行状态的关键指标,对生产效率与产品质量具有重要影响。准确的温度场模型可为监测和控制算法应用提供有效参考,是保... 详细信息

焙烧炉作为锌冶炼过程重要的生产装备,其生产运行状况的好坏直接决定后续工序能否正常运行。炉内温度场是反映焙烧炉运行状态的关键指标,对生产效率与产品质量具有重要影响。准确的温度场模型可为监测和控制算法应用提供有效参考,是保障焙烧炉高效稳定运行的关键。然而,炉体的密闭结构和炉内气-固多相物质相互作用、温度场-流体场相互耦合等因素给揭示温度场状态带来挑战,且过于复杂的模型难以满足应用的实时性要求。为此,本文开展了温度场“宏微观联合分析建模-工艺参数分析-模型降阶”的系统化研究:首先联合宏微观尺度分析,建立了气固两相物质时空耦合的焙烧炉温度场模型,然后基于模型对焙烧炉工艺参数进行分析,最后提出了基于偏最小二乘-即时学习的模型降阶方法以提高模型的实时性,为智能监测和优化控制算法的测试与应用提供有效支撑。主要工作和创新点如下:(1)焙烧炉内环境密闭、运行状态难获取,仅从宏观或微观尺度分析难以完整准确描述焙烧炉运行状态。为此,本文结合焙烧炉运行规律,从宏观尺度分析炉内传质传热,从微观尺度分析硫化锌氧化反应速率,并通过在欧拉-欧拉方程中引入化学反应项建立了宏-微观间桥梁,实现了气固两相物质的时空耦合建模。基于所提宏微观尺度联合分析建模方法,面向目前全球最大锌冶炼焙烧炉,设计了对应的计算流体动力学(Computational Fluid Dynamics,CFD)模型,为工艺参数分析与选取提供仿真平台。(2)针对焙烧炉温度场状态难量化、工艺参数难确定等问题,本文利用CFD模型提供的多维度信息场,结合流化床快速导热等特性,构建了温度场均匀度、实时整体转化速率和剩余氧浓度等衡量焙烧炉反应氛围的性能指标,并结合可溶锌率、焙烧强度和烟气二氧化硫浓度等指标共同量化焙烧炉实时运行状态。然后通过仿真实验研究了进料、鼓风等因素对焙烧炉温度场的影响,最后根据综合评分得到合适工艺参数,为实际生产提供指导建议。(3)针对大型CFD模型求解耗时长的问题,本文提出了偏最小二乘-即时学习(Partial Least Squares-Just in Time Learning,PLS-JITL)模型降阶方法。首先,根据炉体几何结构进行网格差异划分,减少网格计算量,然后利用偏最小二乘回归对进料速率等输入、输出变量进行权重重新分配与筛选,以避免高维计算。接着,通过即时学习选取相似样本集进行回归,将复杂的CFD模型降阶为局部线性模型。在保障模型精度的前提下,极大降低计算复杂度,使运算时间下降99.9%,为实时控制等应用提供基础。论文共计图34幅,表9个,参考文献90篇

来源：

同方学位论文库评论

基于循环神经网络的工业软测量建模研究

引用

作者：赵一凡杭州电子科技大学

学位级别：硕士

现代工业过程中,质量变量(关键过程变量)的实时获取有助于企业把控产品质量、调整生产策略与优化生产流程。但是有时受到传感器成本、检测时间滞后和下线检修等因素影响,某些质量变量无法实时高效获取,需要建立质量变量和辅助变量(相关... 详细信息

现代工业过程中,质量变量(关键过程变量)的实时获取有助于企业把控产品质量、调整生产策略与优化生产流程。但是有时受到传感器成本、检测时间滞后和下线检修等因素影响,某些质量变量无法实时高效获取,需要建立质量变量和辅助变量(相关过程变量)的软测量模型进行补充。近年来,深度学习技术在诸多领域取得成就,因此以深度学习方法为基础的软测量建模研究越来越多。循环神经网络是常用的处理时间序列数据的深度学习方法,包括经典循环神经网络单元(Vanilla RNN)、长短期记忆网络单元(Long short-term memory networks,LSTM)和门控循环单元(Gated recurrent unit,GRU)在内的循环神经网络都可以用来构建软测量模型。通常深度学习采用离线学习策略训练神经网络,在训练集训练完成后不再进行调整。如果能够从工业过程采集到代表不同工况特点的过程数据,可以使用深度学习常用的离线学习策略训练软测量模型。但是有些时候由于工况切换、环境变化等因素,无法采集到与真实情况分布类似的训练集数据,需要使用即时学习策略进行软测量建模。本文以循环神经网络作为基本网络结构,对长短期记忆网络单元结构和即时学习策略中相似度度量方式做了改进。主要研究内容如下:(1)针对长短期记忆网络无法在当前时间步输入改变时生成对应的前一时间步隐藏状态的问题,设计了基于信息过滤长短期记忆网络的软测量建模方法。首先,构建信息过滤单元(Information filtering unit,IFU),通过当前时间步的输入预测前一时间步的LSTM单元隐藏状态,并依据预测误差对隐藏状态分量进行缩放实现信息过滤。其次,构建信息过滤单元和长短期记忆网络单元联动的信息过滤长短期记忆网络(Information filtering unit-based long short-term memory network,IF-LSTM)单元,由IFU根据当前的输入生成过滤的隐藏状态,并输入到LSTM单元以取代其原有的隐藏状态从而进一步提高LSTM的性能。最后,由IF-LSTM单元构建IF-LSTM网络,提出基于IF-LSTM网络的软测量建模方法。在硫回收单元和脱丁烷塔数据集的实验表明,基于IF-LSTM的软测量模型与基于其他循环神经网络的软测量模型(LSTM和GRU)相比,具有最好的预测性能;在脱丁烷塔数据集中,与其他文献中记载的实验结果相比,IF-LSTM软测量模型也是最好的。(2)针对即时学习中预设的相似度度量方式无法同时在不同的软测量建模任务中选取有效的历史集子集的问题,设计了基于方差相似度的即时学习策略软测量建模方法(A just-in-time learning strategy based on square error similarity soft sensor modeling method,SE-JITL)。首先,在历史集计算平方误差矩阵,其元素为遍历历史集样本训练不同的软测量局部模型并依次在历史集样本进行测试时的平方误差,当平方误差较小时表明对应的两个样本更加相似。其次,构建相似度度量模型,以任意两个历史集样本进行拼接作为输入,并将平方误差矩阵对应元素作为标签进行梯度下降法训练,训练结束后相似度度量模型的预测输出即为方差相似度。最后,进行测试时,相似度度量模型输入待测样本和历史集样本的拼接样本,输出方差相似度,遵循即时学习软测量建模流程实现测试样本的预测输出。实验表明,该方法在硫回收单元和脱丁烷塔数据集的软测量任务中均可以有效地选择历史集子集;与基于欧氏距离和余弦相似度的即时学习软测量建模方法相比,SE-JITL中相似度度量模型可以通过梯度下降法进行训练而具有更强的适应性。

来源：

同方学位论文库评论

小样本环境下X光医学图像检测的神经网络学习方法

引用

作者：潘齐煊杭州电子科技大学

学位级别：硕士

随着人工智能的迅速发展,基于深度学习神经网络的医学图像分类和图像检测方法的研究也在不断深入。利用深度学习神经网络方法对传统方法获取的X光片进行目标检测和标注也是研究热点。当前,针对X光图像检测难和定位不准等问题,开展小样... 详细信息

随着人工智能的迅速发展,基于深度学习神经网络的医学图像分类和图像检测方法的研究也在不断深入。利用深度学习神经网络方法对传统方法获取的X光片进行目标检测和标注也是研究热点。当前,针对X光图像检测难和定位不准等问题,开展小样本环境下X光医学图像检测的神经网络学习方法的研究。主要研究内容如下:(1)基于时段迁移的图像异常检测的即时学习方法。针对新设备中训练和更新模型缺乏标签样本。首先,将旧设备的样本按设备工况进行时段划分;其次,以每个时段中新设备少量的样本为模板,在旧设备对应时段中选择出与之相似的样本集;然后,将获得的样本集和新设备的少量样本共同对新设备的模型参数即时更新;最后,在实例环境仿真中验证本章方法优于直接迁移学习旧设备模型参数的方法。(2)基于特征增强的Faster R-CNN图像目标定位方法。对于(1)中异常图像检测的目标定位,首先,建立结构优化的Faster R-CNN模型:增强样本纹理的多尺度Retinex预处理模块、由残差块连接的特征提取模块、基于Dropout正则化的全连接层;其次,利用优化模型在新设备中进行训练;然后,将模型用于图像目标在线定位,以准确精度作为指标对模型进行评估;最后在实例环境仿真中验证本方法优于原本的Faster R-CNN算法。(3)基于非线性实时滤波的检测模型参数更新方法。针对设备工况变化的不确定性,使得获得的图像样本含有较大的噪声,首先,利用ROI Align对模型池化层进行更新,以提升模型的抗干扰能力;其次,将优化的模型参数建立动态模型;然后,建立以非线性卡尔曼滤波为基础的网络参数更新方法;最后,用于检测模型的参数更新,在实例环境仿真中验证本方法优于梯度下降法。综上,本文在工作(1)解决因直接迁移学习旧设备的模型参数至新设备模型而不适用的问题;工作(2)解决特征差异的图像样本难以被模型检测定位的问题;工作(3)解决了原本使用的梯度下降法无法满足模型参数在工况改变的环境下的自适应更新的问题。

来源：

同方学位论文库评论

基于改进偏最小二乘回归的矿浆元素品位预测研究及应用

引用

作者：冉顺义天津工业大学

学位级别：硕士

随着大数据挖掘、工业数据建模技术的发展,依靠经验判断矿浆元素品位的传统方法已经不能满足现如今工厂对于产品质量、药剂节约以及生产效率等方面的需求。因此,基于数据建模的矿浆元素品位预测便成了选矿领域的一个热门研究方向。品位... 详细信息

随着大数据挖掘、工业数据建模技术的发展,依靠经验判断矿浆元素品位的传统方法已经不能满足现如今工厂对于产品质量、药剂节约以及生产效率等方面的需求。因此,基于数据建模的矿浆元素品位预测便成了选矿领域的一个热门研究方向。品位值作为影响矿物浮选结果的重要因素,对其实现准确、快速地预测是提高矿物产品品质的前提。传统的获取品位值的方法是将小部分矿浆流样品带回是实验室,利用相关的仪器设备进行化学分析,虽然可以得到较高准确度的品位值,但这一过程耗费了大量的时间和人力成本,无法适应工况的复杂多变性。近年来X射线荧光光谱分析技术飞速发展,矿浆X射线荧光测量数据可以轻而易举的得到,使得通过数据建模的方法来实现品位预测成为了可能。本课题以某矿业工厂实际生产过程中测量的关于矿浆中各金属元素X射线荧光强度时间序列为研究对象,以偏最小二乘回归为建模核心算法展开研究,并完成矿浆荧光测量序列建模分析系统的开发。本论文研究的主要内容以及创新工作如下:(1)针对矿浆荧光强度时间序列存在维数过高、变量间多重相关性严重的问题,提出了基于相关性变量筛选偏最小二乘回归的多维相关时间序列建模方法。该方法结合了偏最小二乘回归建模方法在处理多重相关性方面的优势,同时利用基于相关性的特征选择算法筛选出最优特征子集,实现了数据的降维,在此基础上建立的矿浆元素品位预测模型更简化、精确度更高。(2)针对矿物浮选过程的复杂多变性导致的离线模型无法很好地适用的情况,提出了基于即时学习的变参数偏最小二乘回归的在线自适应建模方法。通过欧氏距离和余弦距离的结合来实现相似样本的选择,获得与当前工况最相似的样本集,在此基础上结合回归建模方法实现了矿浆元素品位预测模型的在线更新,获得的在线模型在选矿应用上效果更加地显著。(3)在上述建模方法的基础上,开发了一款矿浆荧光测量序列建模分析系统,将复杂的算法建模问题集成到了方便操作和理解的界面化工具上,实现了数据的导入、数据显示、数据建模、数据分析以及建模报告导出与打印等功能,为相关的工作者提供了便利。

来源：

同方学位论文库评论

基于典型相关分析的高速列车走行部系统故障检测研究

引用

作者：朱柯源长春工业大学

学位级别：硕士

走行部系统是保证高速列车能够稳定运行的重要部件,当列车经过高强度服役后,会出现部分部件损坏、老化等情况。如果未能及时发现和维修处理,会导致列车运行过程中出现颠簸、停止运行等现象,严重情况下还会出现重大的交通事故,给乘客带... 详细信息

走行部系统是保证高速列车能够稳定运行的重要部件,当列车经过高强度服役后,会出现部分部件损坏、老化等情况。如果未能及时发现和维修处理,会导致列车运行过程中出现颠簸、停止运行等现象,严重情况下还会出现重大的交通事故,给乘客带来重大的安全隐患。本论文以高速列车的走行部系统为研究背景,通过基于数据驱动的故障检测方法解决实际运行中高速列车走行部系统的故障检测问题。根据典型相关分析算法在实际检测应用中的问题展开研究。论文主要研究内容包括以下几个方面:(1)介绍了高速列车走行部系统的基本结构和运行机理。并且阐述了走行部系统数据采集的工作机理。然后对走行部的各种故障模型的产生原因及表现进行描述和探讨,对主要的故障进行分析。(2)本文提出了一种利用典型相关分析(Canonical Correlation Analysis,CCA)和即时学习(Just-in-time learning,JITL)处理高速列车走行部系统数据的故障检测模型,称为CCA-JITL。经过数据预处理和归一化后,CCA将高维历史数据的协方差矩阵转换为低维子空间,并最大化子空间之间的相关性。然后,根据JITL建立局部故障检测模型,该模型利用具有较大欧氏距离的测试样本子集来训练数据。最后证明了该算法的可行性。(3)本文根据前文提出的CCA-JITL算法作为模型,增加快速傅里叶变换(fast Fourier transform,FFT),对原始数据进行预处理,称为FFT-CCA-JITL。从而降低了噪声对故障检测的影响,通过和CCA-JITL进行对比,证明该模型适用于走行部系统故障检测,提高了传统方法的检测精度,并且降低了误报率,同时加快运行速度。(4)本文根据真实数据集中变量之间存在一定的相关性,并且数据集中含有噪声数据,从而影响故障检测的准确性这一问题,提出了基于DNN-CCA-JITL的故障检测方法。使用深度神经网络(Deep Neural Networks,DNN)对原始数据集进行整体的降噪处理,然后将处理后的数据集作为输入数据进行故障检测。最后和CCA-JITL进行对比,证明该算法的可靠性。

来源：

同方学位论文库评论

基于集成学习的复杂工业过程自适应软测量方法研究

引用

作者：何召西安理工大学

学位级别：硕士

在复杂工业过程中,随着对过程安全、产品质量以及生产效率等要求不断的提高,需要对关键过程变量进行实时的检测和控制。但由于环境的限制或者硬件设备成本高昂,使得这些过程变量无法用仪表或者传感器直接测量。软测量是一种可以使用易... 详细信息

在复杂工业过程中,随着对过程安全、产品质量以及生产效率等要求不断的提高,需要对关键过程变量进行实时的检测和控制。但由于环境的限制或者硬件设备成本高昂,使得这些过程变量无法用仪表或者传感器直接测量。软测量是一种可以使用易测过程变量对难以测量的过程变量进行有效估计的技术,因此一直是复杂工业系统建模与控制领域的研究热点之一。为了进一步提高软测量模型的预测精度和防止离线模型随着系统运行工况的变化出现性能退化的现象,本文使用集成学习思路与即时学习框架,提出了一种既能满足非线性条件下模型的预测精度,又能解决时变工业过程模型性能退化问题的自适应软测量模型,并且针对建模过程中不同的问题,给出了相应的解决方案。最后将本文提出的自适应软测量模型应用于回转式空气预热器转子热形变的检测中,为解决空气预热器直接漏风问题提供可靠依据。本文具体研究内容如下:(1)当前大多数基于数据驱动的复杂工业过程软测量研究关注模型的建立,从而忽略了辅助变量的选择。本文在对原始数据缺失值和异常值处理后的基础上采用了基于变异系数和最大互信息系数相结合的方式,来选择用于模型输入的辅助变量集。经实验验证,该方法选择的辅助变量集可有效降低模型复杂度,增强模型泛化能力,提高模型预测精度。(2)针对数据中的噪声,建立了 SDAE-SVR软测量模型,结果表明使用SDAE去噪的模型性能优于直接使用SVR的模型;工业过程数据通常是在连续时间上采样的时间序列,针对时间序列时序信息提取的问题本文建立了 LSTM-GPR软测量模型,将数据时序信息用于回归分析,提高了模型预测精度;针对软测量模型需要高精度预测输出的目标,使用基于决策树的XGBoost算法建立软测量模型。以上三种软测量模型将作为集成学习的个体学习器。(3)针对单一模型难以再通过优化模型结构或参数进一步提高模型预测性能的问题,利用集成学习的思想将个体学习器结合起来,建立了集成离线软测量模型。由于集成原理的不同,分别建立了基于Boosting和Bagging算法的集成模型。在Bagging集成模型建模时,以学习法为结合策略,使用BP神经网络对个体学习器进行集成。(4)针对离线模型会由于工业过程时变性导致预测性能退化的问题,利用即时学习建立自适应软测量模型。由于即时学习原理的限制,在线自适应模型相对于离线模型更加的耗时,因此采用并行计算的Bagging集成模型作为即时学习的局部模型;引入数据库更新准则和模型更新准则,对传统即时学习做出一定的改进,使历史数据库可以包含更多的工况信息,并且局部模型不会因为每一个查询样本的到来而更新,从而保证模型的实时性。本文通过工业案例分别对单一的离线模型、集成离线模型、传统即时学习自适应模型和改进即时学习自适应模型进行了仿真实验,并分析预测结果。结果表明,与离线模型相比改进即时学习自适应模型在对空气预热器转子热形变的预测时,预测精度提高了约31%-50%;与传统的即时学习相比较,预测精度基本持平,但对200个查询样本的预测时间从240s降低到65s。

来源：

同方学位论文库评论

基于变量相关自编码器的软测量建模方法研究

引用

作者：周睿浙江大学

学位级别：硕士

现代工业生产过程中应用了大量仪表仪器来对生产状态进行监测,对一些关键性质量指标的测量对于监测和控制整个生产过程,实现科学高效生产,提高整体生产效率有着举足轻重的意义。在很多实际生产情况下,由于测量工序复杂、测量环境恶劣、... 详细信息

现代工业生产过程中应用了大量仪表仪器来对生产状态进行监测,对一些关键性质量指标的测量对于监测和控制整个生产过程,实现科学高效生产,提高整体生产效率有着举足轻重的意义。在很多实际生产情况下,由于测量工序复杂、测量环境恶劣、测量耗时较长等原因,无法实时地获取关键质量变量的实际测量值,而生产过程中会存在一些易测量的过程变量,如温度、压力等。通过构建模型表征易测过程变量和难测质量变量之间的关系,可实现对质量变量的实时预测。因此,软测量技术在近年逐渐成为过程控制领域学界和工业界的研究热点,并在一部分场景中得到了有效的应用。工业场景中的数据有着高维、含噪、时变等特性,针对这些特性所带来的问题,本文在自编码器的基础上,提出了一种基于变量相关自编码器的软测量建模及其自适应更新方法,本文主要内容如下:（1）为处理工业软测量模型中输入的高维数据,常使用自编码器作为特征提取器。针对普通自编码器并没有考虑到特征之间的相关关系,且无监督的自编码器方法提取出的特征对于有监督的软测量任务而言未必有效的问题,本文提出一种基于变量相关自编码器的软测量方法。通过改进传统自编码器的损失函数,引入变量间相关关系,并通过特征加权机制过滤与质量变量相关性低的特征,提升了自编码器隐层特征的有效性,提高了软测量模型的性能。（2）工业数据通常会携带部分噪声,在一部分场景中也会有离群值的存在。少量噪声以及离群值会对模型效果产生非常大的影响。一些提高系统鲁棒性的方法需要使用者提供纯净的样本,而这在工业生产环境中很难获取。针对这一问题,本文通过在自编码器中引入最大相关熵准则来减少噪声和离群值在建模时对模型的影响,通过改变自编码器的重构方式,以及使用循环重构对潜在异常样本进行修复并降低其权值,大大增强了模型的鲁棒性。（3）工业过程的运行环境会随着时间的推移而缓慢变化,为了应对这种过程时变性,需要在模型部署后对模型进行在线更新。本文结合模型特点提出一种自适应的建模方式,针对训练成本较高的深度模型,使用增量学习进行更新,并应用弹性权重巩固以解决灾难性遗忘问题;针对易于训练的回归模型,使用即时学习更新模型,并构建局部敏感哈希函数,解决即时学习寻找相似样本成本过大的问题。

来源：

同方学位论文库评论

基于GRA-JITL的稀土元素组分含量预测研究

引用

作者：邓彪华东交通大学

学位级别：硕士

稀土素有“工业维生素”的美誉,是航空航天、高速列车、尖端武器等不可或缺的原材料,是重要的战略资源,国家非常重视稀土的生产与研究。我国虽是稀土大国,但稀土分离企业在萃取分离控制方面仍处于离线分析和人工调节的阶段,萃取分离控... 详细信息

稀土素有“工业维生素”的美誉,是航空航天、高速列车、尖端武器等不可或缺的原材料,是重要的战略资源,国家非常重视稀土的生产与研究。我国虽是稀土大国,但稀土分离企业在萃取分离控制方面仍处于离线分析和人工调节的阶段,萃取分离控制的自动化水平低,从而导致在稀土市场竞争力弱。而提高企业自动化水平的关键在于能否实现对稀土元素组分含量的在线、准确检测,目前对稀土元素组分含量预测研究主要集中在离线建模方面,无法应对萃取工况突发的情况。本文针对现有稀土元素组分含量模型具有离线、时滞大、抗干扰能力弱等问题,提出一种基于灰色关联分析法的即时学习算法(GRA-JITL)建立稀土萃取过程组分含量在线检测模型,并针对模型参数的不确定性,提出了一种带有停滞回溯策略的遗传算法(SBS-GA),采用R(红)、G(绿)、B(蓝)、H(色调)、S(饱和度)、I(亮度)、RR(相对红色分量)、RG(相对绿色分量)、RB(相对蓝色分量)、CVA(颜色矢量角)十种稀土溶液图像颜色特征作为辅助变量进行试验验证。主要研究内容如下:1、分析稀土溶液图像颜色特征与元素组分含量之间的关系并确定模型辅助变量。本文以镨/钕元素萃取分离过程为研究对象,针对镨(Pr)/钕(Nd)混合溶液具有颜色的特性,分析各颜色特征分量与钕元素组分含量之间的关系,结果表明R、G、B、H、S、I、RR、RG、RB、CVA颜色特征与Nd元素组分含量具有较强的相关性,可作模型的输入变量。2、针对传统即时学习算法模型在线预测能力不足,提出了GRA-JITL算法。考虑传统即时学习算法在学习集选取方面的不足,采用灰色关联分析方法与哈希表相结合进行学习集选取,然后使用最小二乘支持向量机进行局部建模,并采用数据库更新策略,提高GRA-JITL算法的自适应能力。基于Pr/Nd萃取溶液样本,分别以5个与10个颜色特征分量为输入变量,分别将GRA-JITL与ELM(极限学习机)、LSSVM(最小二乘支持向量机)等离线模型和基于k向量近邻的即时学习算法(k-VNN-JITL)、基于互信息加权相似度准则的即使学习算法(MI-SJITL-LSSVM)进行实验对比分析,结果表明:本文提出的GRA-JITL在以R、G、B、H、S、I、RR、RG、RB、CVA十个颜色特征为输入变量时的组分含量值模型预测效果最好。3、针对上述模型参数具有不确定性的特点,提出一种带有停滞回溯策略的遗传算法(SBS-GA)进行参数寻优。考虑到传统遗传算法具有全局最优、模型结构简单等优点和效率低、过早收敛的缺点,本文引入停滞回溯策略对其进行改进,并进行收敛性分析和采用标准多峰函数进行有效性验证。将改进后带有停滞回溯的遗传算法应用于基于GRA-JITL的稀土萃取过程组分含量模型中,实验结果表明:经过SBS-GA优化后的GRA-JITL组分含量模型预测精度进一步提高。综上所述,本文提出的SBS-GA算法能保证寻优参数的全局解,提出的GRA-JITL算法应用于稀土萃取过程组分含量在线检测时预测精度高,可用于稀土萃取生产现场元素组分含量的在线检测。

来源：

同方学位论文库评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：