基于時間維度拓展局部加權ELM的工業(yè)過程軟測量建模.pdf

1、在現(xiàn)代工業(yè)過程中，為了保證生產(chǎn)過程安全和產(chǎn)品質量，及時獲得過程關鍵產(chǎn)品參數(shù)具有非常重要的意義。然而由于技術和成本限制，在復雜的工業(yè)過程中很難直接對關鍵的質量變量進行檢測。很多情況下必須使用昂貴的測量儀表或者對生產(chǎn)過程造成一定的干擾。工業(yè)過程軟測量技術通過建立容易測量的輔助變量和質量變量之間的數(shù)學模型，來間接的對質量變量進行檢測。
　　在軟測量建模算法的發(fā)展過程中，傳統(tǒng)的多元統(tǒng)計回歸方法算法結構簡單，速度快，而日趨成熟的神經(jīng)網(wǎng)絡算法

2、和深度學習算法精度高適應非線性過程但是計算速度往往較慢。本文圍繞極限學習機（Extreme Learning Machine，ELM）這種單隱層神經(jīng)網(wǎng)絡算法進行研究。該算法無需進行神經(jīng)元參數(shù)的反復迭代計算。運算速度快、精度高并且不會陷入局部最優(yōu)解，具有良好的發(fā)展?jié)摿Α?br>　　本文圍繞ELM算法，以工業(yè)過程軟測量建模為應用背景展開研究，得到的主要研究成果總結如下:
　　1)針對工業(yè)過程的非線性問題，提出了基于局部加權極限學習機(

3、LWELM)的軟測量建模方法。利用局部加權方法對每個測試樣本點建立局部模型，相比全局模型簡化了模型的復雜度，有利于解決復雜工業(yè)非線性過程中ELM算法泛化性能不足的問題，仿真驗證了該方法能有效改進軟測量模型預測精度。
　　2)針對工業(yè)過程的動態(tài)性問題，提出了基于時間維度拓展極限學習機(TELM)的軟測量建模方法。該方法將當前時刻前后的樣本點合并為新的樣本點，得到一個高維度高線性相關性的包含過程動態(tài)性信息的拓展矩陣。ELM算法能夠克服

4、樣本高維度和線性相關性強問題，并且利用增加的數(shù)據(jù)量改善了ELM算法在有限樣本情況下的泛化能力不足問題，同時得到了過程動態(tài)信息。仿真驗證了該方法能有效改進軟測量模型預測精度。
　　3)針對工業(yè)過程的動態(tài)性、非線性以及噪聲誤差干擾問題，提出了基于時間維度拓展局部加權極限學習機方法(TLWELM)的軟測量建模方法。該方法既考慮時間臨近樣本之間的動態(tài)相關關系，也考慮空間上臨近樣本點之間的局部模型相似性，采用了兩種改進方法結合的方式對極限學