基于時(shí)間維度拓展局部加權(quán)ELM的工業(yè)過(guò)程軟測(cè)量建模.pdf

1、在現(xiàn)代工業(yè)過(guò)程中，為了保證生產(chǎn)過(guò)程安全和產(chǎn)品質(zhì)量，及時(shí)獲得過(guò)程關(guān)鍵產(chǎn)品參數(shù)具有非常重要的意義。然而由于技術(shù)和成本限制，在復(fù)雜的工業(yè)過(guò)程中很難直接對(duì)關(guān)鍵的質(zhì)量變量進(jìn)行檢測(cè)。很多情況下必須使用昂貴的測(cè)量?jī)x表或者對(duì)生產(chǎn)過(guò)程造成一定的干擾。工業(yè)過(guò)程軟測(cè)量技術(shù)通過(guò)建立容易測(cè)量的輔助變量和質(zhì)量變量之間的數(shù)學(xué)模型，來(lái)間接的對(duì)質(zhì)量變量進(jìn)行檢測(cè)。
　　在軟測(cè)量建模算法的發(fā)展過(guò)程中，傳統(tǒng)的多元統(tǒng)計(jì)回歸方法算法結(jié)構(gòu)簡(jiǎn)單，速度快，而日趨成熟的神經(jīng)網(wǎng)絡(luò)算法

2、和深度學(xué)習(xí)算法精度高適應(yīng)非線性過(guò)程但是計(jì)算速度往往較慢。本文圍繞極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）這種單隱層神經(jīng)網(wǎng)絡(luò)算法進(jìn)行研究。該算法無(wú)需進(jìn)行神經(jīng)元參數(shù)的反復(fù)迭代計(jì)算。運(yùn)算速度快、精度高并且不會(huì)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(guò)程軟測(cè)量建模為應(yīng)用背景展開(kāi)研究，得到的主要研究成果總結(jié)如下:
　　1)針對(duì)工業(yè)過(guò)程的非線性問(wèn)題，提出了基于局部加權(quán)極限學(xué)習(xí)機(jī)(

3、LWELM)的軟測(cè)量建模方法。利用局部加權(quán)方法對(duì)每個(gè)測(cè)試樣本點(diǎn)建立局部模型，相比全局模型簡(jiǎn)化了模型的復(fù)雜度，有利于解決復(fù)雜工業(yè)非線性過(guò)程中ELM算法泛化性能不足的問(wèn)題，仿真驗(yàn)證了該方法能有效改進(jìn)軟測(cè)量模型預(yù)測(cè)精度。
　　2)針對(duì)工業(yè)過(guò)程的動(dòng)態(tài)性問(wèn)題，提出了基于時(shí)間維度拓展極限學(xué)習(xí)機(jī)(TELM)的軟測(cè)量建模方法。該方法將當(dāng)前時(shí)刻前后的樣本點(diǎn)合并為新的樣本點(diǎn)，得到一個(gè)高維度高線性相關(guān)性的包含過(guò)程動(dòng)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(guān)性強(qiáng)問(wèn)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(wèn)題，同時(shí)得到了過(guò)程動(dòng)態(tài)信息。仿真驗(yàn)證了該方法能有效改進(jìn)軟測(cè)量模型預(yù)測(cè)精度。
　　3)針對(duì)工業(yè)過(guò)程的動(dòng)態(tài)性、非線性以及噪聲誤差干擾問(wèn)題，提出了基于時(shí)間維度拓展局部加權(quán)極限學(xué)習(xí)機(jī)方法(TLWELM)的軟測(cè)量建模方法。該方法既考慮時(shí)間臨近樣本之間的動(dòng)態(tài)相關(guān)關(guān)系，也考慮空間上臨近樣本點(diǎn)之間的局部模型相似性，采用了兩種改進(jìn)方法結(jié)合的方式對(duì)極限學(xué)