軟測量建模方法研究及其工業(yè)應(yīng)用.pdf

1、現(xiàn)代工業(yè)過程對控制系統(tǒng)越來越高的要求促進(jìn)了軟測量技術(shù)的發(fā)展，作為解決現(xiàn)代復(fù)雜工業(yè)過程中較難甚至無法由硬件在線檢測參量的實(shí)時估計問題的有效手段，軟測量已經(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，對軟測量建模若干方法進(jìn)行了深入的研究，并對軟測量技術(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)情況下的軟測量建模又適用于多輸入/多輸出(MOMO)情況下的軟測量建模。將所提出的建模方法分別用于MISO情況下精對苯二甲酸(PTA

3、)生產(chǎn)過程中的4-CBA含量軟測量建模和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軟測量模型學(xué)習(xí)速度快、預(yù)測精度高、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、精確控制提供了一條有效的途徑，而且為MIMO軟測量建模方法進(jìn)行了一次有益的嘗試。 2)針對復(fù)合肥生產(chǎn)過程中產(chǎn)品的幾種養(yǎng)分含量需要同時預(yù)報的一類多輸入/多輸出(MIMO)軟測量建模

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軟測量建模方法。該方法充分利用了過程的工藝知識，將簡化機(jī)理建模方法與數(shù)據(jù)驅(qū)動建模方法結(jié)合起來建立復(fù)合肥養(yǎng)分含量的MIMO軟測量模型；同時，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)測效果良好，模型預(yù)測結(jié)果與化驗(yàn)室分析結(jié)果趨勢比較吻合，預(yù)測精度高，可以滿足復(fù)合肥各養(yǎng)分含量在線預(yù)報要求。 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)時估計，通過對數(shù)據(jù)采集、預(yù)處理、時序匹配、軟測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量方法不僅實(shí)現(xiàn)簡單，而且運(yùn)算速度快、模型預(yù)測結(jié)果與化驗(yàn)室分析結(jié)果趨勢較為吻合，滿足了復(fù)合肥各養(yǎng)分含量在線實(shí)時預(yù)報的要求。 4)提出了一種基于混合建模技術(shù)的自適應(yīng)軟測量建模方法以解決軟測量模型實(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)算法對訓(xùn)練樣本進(jìn)行聚類，并對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)測精度。當(dāng)新增樣本到

7、來時，對支持向量機(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數(shù)，因此，當(dāng)增加一個支持向量時，采用啟發(fā)式策略去掉支持向量機(jī)工作集中的一個老的支持向量并進(jìn)行減量學(xué)習(xí)，從而可以在軟測量模型中不斷增加能夠代表新工況的信息樣本的同時控制工作樣本集的規(guī)模。將所提出的軟測量建模方法用于對二甲苯(PX)吸附分離過程純度的預(yù)測，仿真結(jié)果表明所提出的建模方法可以有效地增強(qiáng)軟測量模型適應(yīng)工況變化