基于神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)的軟測(cè)量技術(shù)應(yīng)用研究.pdf

1、先進(jìn)控制技術(shù)對(duì)提高流程企業(yè)的市場(chǎng)競(jìng)爭(zhēng)力有著至關(guān)重要的作用，自九十年代以來已在國(guó)內(nèi)煉油企業(yè)被廣泛應(yīng)用。而產(chǎn)品質(zhì)量控制是所有控制的核心，為實(shí)現(xiàn)良好的質(zhì)量控制，必須及時(shí)獲得產(chǎn)品質(zhì)量或與產(chǎn)品質(zhì)量密切相關(guān)的重要過程變量的信息。然而由于獲得這些信息的在線分析儀表不僅價(jià)格昂貴，維護(hù)保養(yǎng)復(fù)雜，而且由于其分析的滯后性，最終將導(dǎo)致控制系統(tǒng)性能下降，難以滿足生產(chǎn)要求。為解決這一矛盾，近年來軟測(cè)量技術(shù)獲得了很大的發(fā)展，成為先進(jìn)控制技術(shù)的核心部分之一。軟測(cè)量的基

2、本思想是對(duì)于一些難于測(cè)量或暫時(shí)不能測(cè)量的重要變量(主導(dǎo)變量)，選擇另外一些容易測(cè)量的變量(輔助變量)，通過構(gòu)造某種數(shù)學(xué)關(guān)系來推斷和估計(jì)。這類方法具有響應(yīng)迅速，連續(xù)給出主導(dǎo)變量信息，且具有投資低、維護(hù)保養(yǎng)簡(jiǎn)單等優(yōu)點(diǎn)，可以在提高產(chǎn)品質(zhì)量的同時(shí)降低生產(chǎn)成本，因此被國(guó)際著名過程控制專家Mcavoy教授列為未來控制領(lǐng)域需要研究的幾大方向之一。 實(shí)際煉油過程的復(fù)雜性、非線性和時(shí)變性，以及過程控制的實(shí)時(shí)性要求決定了難以建立機(jī)理軟測(cè)量模型，且軟

3、測(cè)量模型應(yīng)該具有非線性和快速在線自動(dòng)校正的能力。因此，本文利用神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)(LSSVM)等經(jīng)驗(yàn)建模方法，在某廠生產(chǎn)現(xiàn)場(chǎng)數(shù)據(jù)的基礎(chǔ)上，主要進(jìn)行了以下工作： (1)分析和研究了多種神經(jīng)網(wǎng)絡(luò)的原理和基本算法，并經(jīng)比較各自優(yōu)缺點(diǎn)后，認(rèn)為徑向機(jī)網(wǎng)絡(luò)更適合于進(jìn)行軟測(cè)量建模。在詳細(xì)研究了誤差反傳神經(jīng)網(wǎng)絡(luò)和徑向機(jī)網(wǎng)絡(luò)的訓(xùn)練算法和網(wǎng)絡(luò)結(jié)構(gòu)選擇的原則的基礎(chǔ)上，用其建立了常壓塔塔頂汽油干點(diǎn)的軟測(cè)量模型，結(jié)果表明用此算法建立軟測(cè)量模型的

4、預(yù)測(cè)精度滿足實(shí)際生產(chǎn)的需要。 (2)系統(tǒng)研究了最小二乘支持向量機(jī)(LSSVM)的原理和訓(xùn)練算法，且針對(duì)LSSVM超參數(shù)選擇問題，研究了選擇LSSVM回歸模型超參數(shù)的G-LSSVM算法的基本原理和使用方法，并用一個(gè)函數(shù)回歸測(cè)試問題證明了G-LSSVM模型的有效性，最后將G-LSSVM模型應(yīng)用到了常壓塔塔頂汽油干點(diǎn)的軟測(cè)量中，結(jié)果表明G-LSSVM模型預(yù)測(cè)精度能夠滿足實(shí)際生產(chǎn)需要，而且避免了BP網(wǎng)絡(luò)難以選擇合適結(jié)構(gòu)和局部極小點(diǎn)問題。