軟測(cè)量建模方法研究及其工業(yè)應(yīng)用.pdf

1、現(xiàn)代工業(yè)過程對(duì)控制系統(tǒng)越來越高的要求促進(jìn)了軟測(cè)量技術(shù)的發(fā)展，作為解決現(xiàn)代復(fù)雜工業(yè)過程中較難甚至無(wú)法由硬件在線檢測(cè)參量的實(shí)時(shí)估計(jì)問題的有效手段，軟測(cè)量已經(jīng)成為目前過程控制領(lǐng)域的研究熱點(diǎn)之一，受到了國(guó)內(nèi)外學(xué)者和生產(chǎn)企業(yè)的廣泛關(guān)注。本文以實(shí)際工業(yè)過程為背景，結(jié)合化工過程的工藝知識(shí)，對(duì)軟測(cè)量建模若干方法進(jìn)行了深入的研究，并對(duì)軟測(cè)量技術(shù)在實(shí)際工業(yè)過程中的應(yīng)用進(jìn)行了探討和實(shí)踐。本文的主要研究工作如下： 1)提出了一種基于改進(jìn)的FasBack

2、模糊神經(jīng)網(wǎng)絡(luò)的新型軟測(cè)量建模方法.改進(jìn)方法采用收斂性較好的Levenberg-Marquardt算法訓(xùn)練FasBack模糊神經(jīng)網(wǎng)絡(luò)模型中的部分參數(shù)，其余參數(shù)仍然采用原：BP算法進(jìn)行訓(xùn)練。由于FasBack模糊神經(jīng)網(wǎng)絡(luò)既有神經(jīng)網(wǎng)絡(luò)的非線性擬合能力，又具有較強(qiáng)的分類能力，因此，既適用于多輸入/單輸出(MISO)情況下的軟測(cè)量建模又適用于多輸入/多輸出(MOMO)情況下的軟測(cè)量建模。將所提出的建模方法分別用于MISO情況下精對(duì)苯二甲酸(PTA

3、)生產(chǎn)過程中的4-CBA含量軟測(cè)量建模和MIMO情況下的復(fù)合肥養(yǎng)分含量：氮、五氧化二磷、氧化鉀含量軟測(cè)量建模，經(jīng)實(shí)際工業(yè)過程數(shù)據(jù)驗(yàn)證表明，提出的MISO和MIMO軟測(cè)量模型學(xué)習(xí)速度快、預(yù)測(cè)精度高、魯棒性強(qiáng)，不僅為實(shí)現(xiàn)PTA生產(chǎn)過程中4-CBA含量的實(shí)時(shí)、精確控制提供了一條有效的途徑，而且為MIMO軟測(cè)量建模方法進(jìn)行了一次有益的嘗試。 2)針對(duì)復(fù)合肥生產(chǎn)過程中產(chǎn)品的幾種養(yǎng)分含量需要同時(shí)預(yù)報(bào)的一類多輸入/多輸出(MIMO)軟測(cè)量建模

4、問題，提出了一種基于混合建模技術(shù)的復(fù)合肥養(yǎng)分含量MIMO軟測(cè)量建模方法。該方法充分利用了過程的工藝知識(shí)，將簡(jiǎn)化機(jī)理建模方法與數(shù)據(jù)驅(qū)動(dòng)建模方法結(jié)合起來建立復(fù)合肥養(yǎng)分含量的MIMO軟測(cè)量模型；同時(shí)，充分考慮了MIMO系統(tǒng)采集數(shù)據(jù)的嚴(yán)重相關(guān)性和大量冗余信息的存在，所以數(shù)據(jù)驅(qū)動(dòng)建模方法選用了具有強(qiáng)大的處理相關(guān)和冗余信息能力的PLS算法；此外，在該算法中采用了一種新的方差遞推算法，從而實(shí)現(xiàn)PLS模型的在線更新以克服模型在線應(yīng)用時(shí)的老化現(xiàn)象。該算法

5、充分利用了兩種建模方法的優(yōu)點(diǎn)，克服了其各自的局限性，基于實(shí)際工業(yè)過程數(shù)據(jù)的仿真結(jié)果表明，所建模型運(yùn)算速度快、預(yù)測(cè)效果良好，模型預(yù)測(cè)結(jié)果與化驗(yàn)室分析結(jié)果趨勢(shì)比較吻合，預(yù)測(cè)精度高，可以滿足復(fù)合肥各養(yǎng)分含量在線預(yù)報(bào)要求。 3)將基于混合建模方法的復(fù)合肥養(yǎng)分含量MIMO軟測(cè)量模型應(yīng)用于實(shí)際工業(yè)過程中復(fù)合肥養(yǎng)分：氮、五氧化二磷、氧化鉀含量的實(shí)時(shí)估計(jì)，通過對(duì)數(shù)據(jù)采集、預(yù)處理、時(shí)序匹配、軟測(cè)量建模以及在線校正環(huán)節(jié)的精心實(shí)施，實(shí)現(xiàn)了過程的實(shí)時(shí)監(jiān)

6、控，在復(fù)合肥生產(chǎn)中起了重要的指導(dǎo)作用。實(shí)際運(yùn)行結(jié)果顯示所采用的軟測(cè)量方法不僅實(shí)現(xiàn)簡(jiǎn)單，而且運(yùn)算速度快、模型預(yù)測(cè)結(jié)果與化驗(yàn)室分析結(jié)果趨勢(shì)較為吻合，滿足了復(fù)合肥各養(yǎng)分含量在線實(shí)時(shí)預(yù)報(bào)的要求。 4)提出了一種基于混合建模技術(shù)的自適應(yīng)軟測(cè)量建模方法以解決軟測(cè)量模型實(shí)際運(yùn)行后的模型老化現(xiàn)象。該混合建模方法首先采用模糊C均值聚類(FCM)算法對(duì)訓(xùn)練樣本進(jìn)行聚類，并對(duì)每一類分別采用支持向量機(jī)進(jìn)行訓(xùn)練建立子模型以提高模型的預(yù)測(cè)精度。當(dāng)新增樣本到

7、來時(shí)，對(duì)支持向量機(jī)進(jìn)行增量學(xué)習(xí)以便顯著減少運(yùn)算時(shí)間并提高模型適應(yīng)工況變化的能力。由于支持向量機(jī)運(yùn)算的復(fù)雜性取決于支持向量的個(gè)數(shù)，因此，當(dāng)增加一個(gè)支持向量時(shí)，采用啟發(fā)式策略去掉支持向量機(jī)工作集中的一個(gè)老的支持向量并進(jìn)行減量學(xué)習(xí)，從而可以在軟測(cè)量模型中不斷增加能夠代表新工況的信息樣本的同時(shí)控制工作樣本集的規(guī)模。將所提出的軟測(cè)量建模方法用于對(duì)二甲苯(PX)吸附分離過程純度的預(yù)測(cè)，仿真結(jié)果表明所提出的建模方法可以有效地增強(qiáng)軟測(cè)量模型適應(yīng)工況變化