面向過程監(jiān)控的非線性特征提取方法研究.pdf

1、隨著現(xiàn)代科學技術(shù)的發(fā)展，流程工業(yè)的規(guī)模越來越龐大，過程工藝越來越復雜，自動化程度也越來越高。與此同時，人們對工業(yè)生產(chǎn)的安全問題、節(jié)能減排問題、產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化問題的關(guān)注度也在不斷提升。傳統(tǒng)的過程監(jiān)控、生產(chǎn)優(yōu)化和在線測量方案很多是基于機理模型建立的，機理模型具有精確度高、可解釋性強等優(yōu)點，但在實際使用中，由于系統(tǒng)的復雜程度過高而難以獲得嚴格、完整、科學的機理模型，加之測量數(shù)據(jù)不可避免存在著誤差，系統(tǒng)也很難不受隨機擾動和噪聲的干擾，這些都極大地

2、影響了機理模型準確性的發(fā)揮。另一方面，隨著計算機科學技術(shù)的發(fā)展，人們可以比以往任何時候更便捷地獲得和存儲規(guī)模龐大的過程數(shù)據(jù)，進行比以往任何時候更復雜的科學計算和更快速的數(shù)據(jù)庫檢索，這一切都為基于“數(shù)據(jù)驅(qū)動”方式的建模、仿真和優(yōu)化提供了硬件保障，而統(tǒng)計科學的發(fā)展也為之奠定了堅實的理論基礎。
　　本文所關(guān)注的內(nèi)容正是在這樣的背景下，研究面向過程監(jiān)控的非線性特征提取方法。文中所使用的術(shù)語“特征提取”是基于數(shù)據(jù)驅(qū)動的任務之一，如果研究對象

3、是數(shù)據(jù)，則其目標為從原始的、繁蕪復雜的數(shù)據(jù)中獲取有價值的反應系統(tǒng)本質(zhì)特征的信息，一般所獲得的數(shù)據(jù)是原始信息的更低維表示;如果研究對象為輸入輸出的關(guān)系，則特征提取的結(jié)果是得到表征此種關(guān)系的模型?？梢姭@取本質(zhì)特征的過程既可看作對原系統(tǒng)進行建模，也可作為數(shù)據(jù)預處理步驟而存在，該步驟為后續(xù)建模提供更簡約的數(shù)據(jù)集從而在降低模型復雜度的同時獲得更精確的計算結(jié)果。具體而言，本文結(jié)合工業(yè)過程數(shù)據(jù)的特點，進行了以下幾方面研究:
　　1.研究了經(jīng)典的

4、線性特征提取算法主成分分析法，以及極限學習機神經(jīng)網(wǎng)絡，用于故障診斷中的故障識別。
　　2.提出一種基于核映射的支持向量回歸軟測量模型，并應用于乙烯聚合反應過程的關(guān)鍵變量測量。
　　3.提出基于主曲線和多項式最小二乘的軟測量算法，用于二氯乙烷精餾過程的關(guān)鍵流股含水量預測。
　　4.利用主曲線技術(shù)實現(xiàn)過程監(jiān)控并在CSTR過程等仿真數(shù)據(jù)集上取得了理想的結(jié)果。
　　5.此外，本文還介紹了多種人工神經(jīng)網(wǎng)絡方法以及它們的若干

5、典型應用，并將之作為和本文所提算法對比的參照。
　　本文的創(chuàng)新性工作主要體現(xiàn)在:
　　1.用極限學習機分類器進行故障識別時，提出多路學習機表決策略，從而在不增加訓練時間的前提下提高分類結(jié)果的穩(wěn)定性。
　　2.用支持向量回歸進行軟測量預測建模時，通過粒子群優(yōu)化算法估計得到相關(guān)模型參數(shù)，并對標準的PSO算法進行改進以降低陷入局部極值的風險，提出PSO-SVR模型。
　　3.建立了基于主曲線的非線性偏最小二乘模型，應用

6、于軟測量預測。在建模時引入相關(guān)性增強因子使得主曲線的提取過程能兼顧輸入輸出間的最大相關(guān)性，從而體現(xiàn)PLS的理念。
　　4.在主曲線用于監(jiān)控的應用中，借鑒了多尺度主成分分析的做法，即對小波分解系數(shù)進行主曲線建模，提出了基于多分辨率分析的“多尺度主曲線”算法。
　　5.在主曲線用于監(jiān)控的應用中，擯棄神經(jīng)網(wǎng)絡模擬映射關(guān)系的傳統(tǒng)做法，而代之以插值計算，這樣，既避免了神經(jīng)網(wǎng)絡的復雜計算和結(jié)果不確定性，又將運算負荷從偏重于建模階段轉(zhuǎn)變成