支持向量機(jī)及其在制漿過(guò)程重要參數(shù)軟測(cè)量中的應(yīng)用研究.pdf

1、節(jié)能減排、環(huán)境保護(hù)及消費(fèi)者對(duì)紙張質(zhì)量要求的提高客觀上要求造紙行業(yè)必須進(jìn)一步提高企業(yè)的自動(dòng)化及信息化程度。制漿過(guò)程卡伯值、堿回收過(guò)程及洗滌過(guò)程的黑液濃度的在線測(cè)量一直是漿紙企業(yè)關(guān)注的熱點(diǎn),也是影響漿紙工業(yè)信息化及自動(dòng)化發(fā)展的難點(diǎn)。支持向量機(jī)(SupportVectorMachines,SVM)是一種核函數(shù)學(xué)習(xí)機(jī)器,它遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,具有理論完備、適應(yīng)性強(qiáng)、推廣能力好、全局優(yōu)化等優(yōu)點(diǎn),是當(dāng)前國(guó)際工業(yè)自動(dòng)化領(lǐng)域的一個(gè)研究熱點(diǎn)。與傳統(tǒng)機(jī)

2、器學(xué)習(xí)方法相比,SVM具有良好的發(fā)展與應(yīng)用潛力。本文以SVM在制漿過(guò)程一些重要工藝參數(shù)在線軟測(cè)量應(yīng)用中的若干問(wèn)題為主線,結(jié)合相應(yīng)過(guò)程工藝知識(shí),針對(duì)現(xiàn)有軟測(cè)量模型在實(shí)際應(yīng)用過(guò)程中普遍存在諸如速度慢、精度低、缺乏在線校正等問(wèn)題,提出或改進(jìn)了若干算法。仿真研究及應(yīng)用效果表明本文提出的算法是有效的。本文的主要貢獻(xiàn)可總結(jié)如下:
　　 (1)基于SVM算法的卡伯值分類在線自適應(yīng)軟測(cè)量建模。針對(duì)現(xiàn)有蒸煮過(guò)程卡伯值軟測(cè)量模型存在精度低、在線適應(yīng)

3、能力弱的缺點(diǎn),提出基于SVM卡伯值分類在線自適應(yīng)軟測(cè)量模型。工業(yè)過(guò)程一般工作在幾個(gè)有限工作點(diǎn)附近,蒸煮過(guò)程也不例外。根據(jù)過(guò)程這個(gè)特點(diǎn),本文采用模糊c均值聚類方法將蒸煮過(guò)程卡伯值軟測(cè)量樣本點(diǎn)劃歸成若干類(由于采樣數(shù)據(jù)所限,本文選兩類)。劃分原則:每類中訓(xùn)練樣本間最大程度相似;不同類中訓(xùn)練樣本最大程度不同。然后分別建立各類軟測(cè)量模型。通過(guò)這種方式,就把一個(gè)大類的卡伯值軟測(cè)量模型細(xì)化成各個(gè)小類卡伯值軟測(cè)量模型,相應(yīng)地提高了卡伯值模型的靜態(tài)精度

4、。通過(guò)對(duì)國(guó)內(nèi)外蒸煮過(guò)程卡伯值常用的軟測(cè)量方法優(yōu)缺點(diǎn)及國(guó)內(nèi)使用情況分析發(fā)現(xiàn),大多數(shù)已有模型提高精度的方法主要集中在靜態(tài)模型精度上,比如增加過(guò)程信息量等,也就是在如何提供模型靜態(tài)精度上開(kāi)展工作較多,但對(duì)模型使用過(guò)程中精度研究相對(duì)較少。通過(guò)工藝分析及國(guó)內(nèi)蒸煮現(xiàn)狀研究,發(fā)現(xiàn)國(guó)內(nèi)蒸煮過(guò)程工況變化比較頻繁。如果卡伯值軟測(cè)量模型在線自適應(yīng)能力弱,模型使用過(guò)程中,精度必然降低。工況經(jīng)常變化的蒸煮過(guò)程卡伯值軟測(cè)量不適合采用具有批處理式、離線建模的一般支持

5、向量回歸機(jī)算法。適合采用適應(yīng)工況變化的增量自適應(yīng)SVM算法。也就是.在模型使用過(guò)程中不斷采集新的樣本,在原模型基礎(chǔ)上再學(xué)習(xí)。這樣的算法既兼顧了原有歷史模型,又給模型引入了新工況要素。為了降低所建模型在使用過(guò)程中計(jì)算機(jī)內(nèi)存占有量,提高模型運(yùn)行速度,必須選擇合適樣本替換策略。考慮蒸煮過(guò)程典型慢時(shí)變特點(diǎn),從算法和蒸煮特性兩方面考慮,選用基于支持向量數(shù)據(jù)域描述策略和基于滑動(dòng)時(shí)間窗法結(jié)合形式的樣本替換策略。與普通的卡伯值軟測(cè)量模型相比本文提出的模

6、型優(yōu)點(diǎn):一方面充分地考慮到歷史訓(xùn)練的結(jié)果,減少再建模型訓(xùn)練時(shí)間;另一方面對(duì)歷史數(shù)據(jù)無(wú)需繼續(xù)保存,減少算法對(duì)計(jì)算機(jī)存儲(chǔ)空間要求。通過(guò)仿真及應(yīng)用證明這種基于數(shù)據(jù)挖掘增量在線自適應(yīng)支持向量機(jī)模型適合蒸煮過(guò)程卡伯值軟測(cè)量建模。
　　 (2)基于在線白適應(yīng)殘差補(bǔ)償LS-SVM算法的堿回收蒸發(fā)工段出效黑液濃度軟測(cè)量建模。針對(duì)堿回收蒸發(fā)工段出效黑液濃度難于測(cè)量的情況,本文提出了在線自適應(yīng)殘差補(bǔ)償LS-SVM模型。通過(guò)對(duì)堿回收過(guò)程工藝及多效蒸發(fā)

7、器原理的學(xué)習(xí)、分析,影響堿回收蒸發(fā)過(guò)程黑液濃度的主要因素有進(jìn)效稀黑液濃度和流量及多效蒸發(fā)器的總有效溫差,其它因素為固形物成分組成、冷卻水溫度、環(huán)境溫度、傳熱系數(shù)等。黑液蒸發(fā)一般由多效蒸發(fā)器組成,每效蒸發(fā)器又存在蒸汽、黑液和冷凝水等流程。蒸發(fā)過(guò)程的非線性比較嚴(yán)重。蒸發(fā)器內(nèi)部管道有時(shí)出現(xiàn)的各種液柱脈動(dòng)、出效黑液濃度和流量有時(shí)發(fā)生的振蕩現(xiàn)象。由于蒸發(fā)器本身設(shè)備管道長(zhǎng)、多,在蒸發(fā)系統(tǒng)的一端的量(流量、溫度、濃度等)發(fā)生變化后,常常要過(guò)很長(zhǎng)時(shí)間另

8、一端才能做出反應(yīng),所以黑液濃度實(shí)際系統(tǒng)影響因素更復(fù)雜。目前黑液濃度軟測(cè)量模型都采取以壓力、溫度為輔助變量,黑液濃度為主導(dǎo)變量建模,忽視了其它因素影響,這樣建立模型精度并不高。本文建立的殘差自適應(yīng)補(bǔ)償系統(tǒng)就考慮了其它影響因素。該模型將工業(yè)現(xiàn)場(chǎng)自適應(yīng)校正模型和自適應(yīng)殘差補(bǔ)償模型結(jié)合,從兩個(gè)方面提高黑液波美度模型精度:一是選用最小二乘支持向量機(jī)在線算法進(jìn)行模型訓(xùn)練和在線修正,使模型適應(yīng)當(dāng)前工況;二是增加殘差補(bǔ)償自適應(yīng)環(huán)節(jié),對(duì)模型輸出的值進(jìn)行在

9、線修正,以使軟測(cè)量模型的測(cè)量結(jié)果更準(zhǔn)確。普通最小二乘支持向量機(jī)算法簡(jiǎn)單,計(jì)算量大,速度快,但所建模型會(huì)喪失支持向量機(jī)內(nèi)在稀疏性,喪失支持向量機(jī)建模時(shí)魯棒性。模型在運(yùn)行時(shí),樣本數(shù)目增多,運(yùn)行時(shí)間變長(zhǎng),占用內(nèi)存加大。如果對(duì)算法不進(jìn)行有效改進(jìn),實(shí)際中將無(wú)法使用。本文采用的在線自適應(yīng)最小二乘支持向量機(jī)算法,用一個(gè)新樣本代替一個(gè)時(shí)間最久樣本,采用增量形式對(duì)模型在線校正,減少運(yùn)算的復(fù)雜性,節(jié)約計(jì)算機(jī)內(nèi)存。殘差補(bǔ)償自適應(yīng)模型采用多元線性回歸法建立殘差

10、與各影響因素間關(guān)系模型,采用丟棄最早誤差值方法進(jìn)行殘差補(bǔ)償模型的自適應(yīng)校正。仿真及應(yīng)用結(jié)果證明本文提出蒸發(fā)過(guò)程出效黑液濃度軟測(cè)量模型精度高,能夠適應(yīng)工況變化。
　　 (3)基于模糊在線自適應(yīng)LS-SVM算法的洗滌過(guò)程黑液濃度軟測(cè)量建模。洗滌過(guò)程黑液濃度軟測(cè)量研究相對(duì)較少,已有模型泛化能力差、精度低。針對(duì)已有模型存在的缺點(diǎn),本文提出了自適應(yīng)能力強(qiáng)的基于模糊在線自適應(yīng)LS-SVM黑液濃度軟測(cè)量模型。洗滌過(guò)程的黑液濃度在線測(cè)量也很困難

11、。通過(guò)對(duì)洗滌過(guò)程工藝分析,其黑液濃度受紙漿流量、紙漿厚度、洗漿水、真空度、轉(zhuǎn)鼓速度等影響,傳統(tǒng)方法難以實(shí)時(shí)測(cè)量?？紤]到工廠實(shí)際情況,在不增加儀器,不影響生產(chǎn)等情況下確定建模參數(shù)。通過(guò)在洗滌工段現(xiàn)場(chǎng)分析,與資深工程師討論等形式,決定以進(jìn)漿濃度、進(jìn)漿流量、清水流量為洗滌過(guò)程中黑液濃度軟測(cè)量模型輔助變量,以黑液濃度(首段)為主導(dǎo)變量,建立洗滌黑液濃度軟測(cè)量模型?；诂F(xiàn)場(chǎng)采集輔助變量、主導(dǎo)變量所建立的黑液濃度軟測(cè)量模型存在問(wèn)題:僅能大致反映實(shí)際

12、工業(yè)對(duì)象本質(zhì)的變化趨勢(shì)。由此可見(jiàn),其模型誤差必然存在。模型投入使用后,由于洗滌系統(tǒng)的時(shí)變性、非線性和不確定性,隨著時(shí)間推移,洗滌過(guò)程的特性及其工作點(diǎn)都可能發(fā)生一些變化,現(xiàn)在工況下的參數(shù)測(cè)量用原來(lái)采樣數(shù)據(jù)所建模型測(cè)量,誤差必然加大。在線自適應(yīng)最小二乘算法就能適應(yīng)工況的變化,在線地校正模型。實(shí)際洗滌過(guò)程采集的樣本點(diǎn)都含有不同程度的噪聲。為了提高模型精度,不同的樣本對(duì)應(yīng)不同的懲罰權(quán)系數(shù),這樣能夠消除部分噪聲和孤立點(diǎn)的影響。樣本替換策略在增加一

13、個(gè)新樣本點(diǎn)的同時(shí)刪除Lagrange乘子絕對(duì)值最小樣本點(diǎn)。仿真與應(yīng)用結(jié)果證明本文提出的軟測(cè)量模型適合洗滌過(guò)程黑液濃度測(cè)量。
　　 (4)基于SVM算法的矛盾數(shù)據(jù)發(fā)現(xiàn)方法初步研究。洗滌過(guò)程測(cè)量?jī)x表的校正不準(zhǔn)確、不及時(shí),儀表失靈、過(guò)程有較大的干擾、過(guò)程基準(zhǔn)漂移、操作人員誤操作、不定期清洗管道、管道堵塞等因素導(dǎo)致儀表示值的波動(dòng)、數(shù)據(jù)失真等產(chǎn)生矛盾數(shù)據(jù)。這些矛盾數(shù)據(jù)是突發(fā)的,平時(shí)很難得到其具體樣本。通過(guò)對(duì)SVM回歸理論的研究,提出了主導(dǎo)