收藏本站
《江南大学》 2018年
收藏 | 手机打开
二维码
手机客户端打开本文

双酚A生产过程的软测量建模及参数优化研究

何新礼  
【摘要】:软测量建模技术作为过程控制理论中一个重要的研究方向,目前已经被广泛应用在工业过程中。21世纪以来工业生产数据越来越受到人们的重视,生产数据信息也成为重要的资源,掌握和有效利用数据信息资源也成为企业强大竞争力的重要体现。随着智能仪表在大规模结构复杂的新工业生产过程或改造升级的传统工业过程中的大量应用,产生和存储了海量的历史生产数据,有效利用这些数据建立软测量模型对难以在线测量的关键质量变量进行测量,进一步对生产过程进行监控和优化,从而实现绿色生产、节能降耗和提高产品质量的目的。作为多种高分子材料的关键原料,以及生产精细化工产品的重要原料,双酚A(Bisphenol A,BPA)生产与人们的生活息息相关,研究BPA生产过程的软测量建模与优化算法可以给国内BPA制造业提供较大竞争优势和发展空间。因此,本学位论文围绕BPA生产过程的软测量建模、参数优化和模型融合等方面展开研究,具体研究内容概括如下:(1)为了提高基于相关向量机(relevance vector machine,RVM)的软测量模型估计精度,提出基于量子粒子群优化算法(quantum particle swarm optimization,QPSO)优化RVM核函数参数值的方法。通过建立电厂电能输出软测量模型和某BPA工厂生产过程中裂解回收单元的BPA含量软测量模型对提出的方法进行验证,实际应用结果表明优化后的RVM模型估计精度得到提高,证明了该方法的有效性。(2)针对初始聚类中心选取不确定导致K-means聚类效果不理想以及密度峰聚类算法无法有效分离小密度类别的问题,提出了一种基于密度峰(density peak,DP)和K-means联合聚类的多模型软测量建模方法。首先,采用密度峰聚类算法确定训练数据的固定初始聚类中心,并增加一个随机初始聚类中心共同作为K-means算法的初始聚类中心进行分类,以解决小密度类别的分离问题;其次,采用随机森林回归(random forest regression,RFR)方法建立各子类的回归子模型;最后,采用“开关切换”方法进行多模型融合。将提出的方法用于建立硫磺回收生产过程和某BPA工厂中反应脱水单元的软测量模型,分别对H_2S和BPA含量进行估计。应用结果表明,基于密度峰和K-means联合聚类的多模型软测量建模方法能够有效提高模型的估计精度。(3)针对多模型融合建模方法在过程工业软测量建模中的融合性能差、子模型利用率和模型预测精度低等问题,提出一种基于最小二乘支持向量机(least squares support vector machine,LSSVM)多模型融合和误差补偿的软测量建模方法。首先利用DPK-means联合聚类方法和随机森林回归方法建立多个子模型;然后利用最小二乘支持向量机方法对子模型输出进行融合获得多模型输出;最后结合误差补偿模型对多模型输出进行误差补偿校正。将提出的多模型建模方法应用于丁烷蒸馏过程和BPA生产过程的反应脱水单元与结晶单元的软测量建模中。仿真结果表明模型的融合性能和估计精度得到提高,证明该方法是有效的。
【学位授予单位】:江南大学
【学位级别】:硕士
【学位授予年份】:2018
【分类号】:F426.7;TP18

【参考文献】
中国期刊全文数据库 前10条
1 梅从立;杨铭;刘国海;;基于证据合成的高斯过程回归多模型软测量方法[J];化工学报;2015年11期
2 许玉格;刘莉;曹涛;;基于Fast-RVM的在线软测量预测模型[J];化工学报;2015年11期
3 肖汉杰;桑秀丽;;相关向量机超参数优化的网络安全态势预测[J];计算机应用;2015年07期
4 屠立峰;包腾飞;唐琪;李月娇;;基于PSO-RVM-ARIMA的大坝变形预警模型[J];中国农村水利水电;2015年06期
5 王海宁;夏陆岳;周猛飞;朱鹏飞;潘海天;;过程工业软测量中的多模型融合建模方法[J];化工进展;2014年12期
6 王振雷;唐苦;王昕;;一种基于D-S和ARIMA的多模型软测量方法[J];控制与决策;2014年07期
7 范学忠;张蓓;;双酚A行业发展趋势[J];精细与专用化学品;2014年04期
8 桂卫华;陈志鹏;何明芳;阳春华;;基于相关向量机的硫泡沫浮选液位软测量[J];控制工程;2014年01期
9 聂鹏宇;潘玮华;徐云;;基于仿射聚类的宏基因组序列物种聚类[J];计算机系统应用;2013年11期
10 张蓓;;双酚A行业发展现状及趋势预测[J];中国石油和化工经济分析;2013年10期
中国博士学位论文全文数据库 前3条
1 肖红军;数据驱动的污水处理过程故障诊断与多步预测[D];华南理工大学;2016年
2 张贵生;数据驱动的金融时间序列预测模型研究[D];山西大学;2016年
3 石向荣;面向过程监控的非线性特征提取方法研究[D];浙江大学;2014年
中国硕士学位论文全文数据库 前1条
1 毛佳敏;深度学习算法在软测量建模中的应用研究[D];南京邮电大学;2016年
【共引文献】
中国期刊全文数据库 前8条
1 梅从立;杨铭;刘国海;;基于证据合成的高斯过程回归多模型软测量方法[J];化工学报;2015年11期
2 郝秦霞;张金锁;张光耀;邢书宝;;多模型软测量的顶板来压预测模型[J];西北大学学报(自然科学版);2015年05期
3 郝秦霞;张金锁;;多模态来压预测数学模型的设计[J];矿业研究与开发;2015年09期
4 孟磊;邹志云;郭宇晴;赵丹丹;刘兴红;;机器视觉在化工过程液位检测中的应用研究[J];石油化工自动化;2015年04期
5 张丽梅;宛立;董建新;;细分外推与模糊预测在近海水质非线性时序处理中的比较分析[J];大连海洋大学学报;2015年03期
6 田中大;李树江;王艳红;高宪文;;基于小波变换的风电场短期风速组合预测[J];电工技术学报;2015年09期
7 王振华;蒋弟勇;;聚碳酸酯主要生产原料双酚A来源分析[J];泸天化科技;2015年01期
8 付丽娜;张蓝兮;;正交实验法探究应用化学实验《抗氧剂双酚A的合成》最佳实验条件[J];化学工程与装备;2014年02期
中国博士学位论文全文数据库 前1条
1 杨玉军;基于机器学习的时间序列模型研究及其应用[D];电子科技大学;2018年
中国硕士学位论文全文数据库 前2条
1 何新礼;双酚A生产过程的软测量建模及参数优化研究[D];江南大学;2018年
2 罗金铭;基于Adversarial的生成式算法研究[D];大连理工大学;2018年
【二级参考文献】
中国期刊全文数据库 前10条
1 陈虹;王飞;肖振久;;基于PSO_SVR的网络安全态势预测方法[J];计算机应用与软件;2014年08期
2 杨波;;基于PSA-SVRM模型的钢铁企业副产煤气消耗量预测[J];过程工程学报;2014年03期
3 王振雷;唐苦;王昕;;一种基于D-S和ARIMA的多模型软测量方法[J];控制与决策;2014年07期
4 唐苦;王昕;王振雷;;基于证据合成规则的多模型软测量[J];控制理论与应用;2014年05期
5 沈寿亮;刘天祥;宋锦焘;姜彦作;梁睿斌;;基于SVM-ARIMA的大坝变形预测模型[J];人民黄河;2014年05期
6 陈虹;王飞;肖振久;;基于IHS_RELM的网络安全态势预测方法[J];计算机科学;2013年11期
7 雷瑜;杨慧中;;基于高斯过程和贝叶斯决策的组合模型软测量[J];化工学报;2013年12期
8 王春鹏;于佐军;孟凡强;;折息移动窗递推PLS算法及其在聚丙烯生产过程中的应用[J];化工学报;2013年12期
9 何志昆;刘光斌;赵曦晶;王明昊;;高斯过程回归方法综述[J];控制与决策;2013年08期
10 范庚;马登武;吴明辉;孟上;;电子系统状态时间序列预测的优化相关向量机方法[J];系统工程与电子技术;2013年09期
中国博士学位论文全文数据库 前10条
1 侯利强;数据驱动的股指收益率与波动率的预测方法研究[D];合肥工业大学;2014年
2 刘乙奇;自确认软测量模型研究及其在污水处理中的应用[D];华南理工大学;2013年
3 唐勇波;数据驱动的大型电力变压器故障诊断和预测研究[D];中南大学;2013年
4 宋鹏;基于序化机理的稳健型股票价值投资研究[D];山西大学;2012年
5 平源;基于支持向量机的聚类及文本分类研究[D];北京邮电大学;2012年
6 李嵩松;基于隐马尔可夫模型和计算智能的股票价格时间序列预测[D];哈尔滨工业大学;2011年
7 叶鲁彬;工业过程运行安全性能分析与在线评价的研究[D];浙江大学;2011年
8 汤凌冰;基于支持向量机的金融时间序列回归分析[D];上海交通大学;2010年
9 熊丽;基于数据驱动技术的过程监控与优化方法研究[D];浙江大学;2008年
10 葛龙;基于GARCH和COPULA的天津房地产市场预测[D];天津大学;2008年
【相似文献】
中国期刊全文数据库 前10条
1 熊志化,黄国宏,邵惠鹤;基于高斯过程和支持向量机的软测量建模比较及应用研究[J];信息与控制;2004年06期
2 傅永峰;徐欧官;陈祥华;陈伟杰;;基于多模型动态融合的自适应软测量建模方法[J];高校化学工程学报;2015年05期
3 杜文莉;官振强;钱锋;;一种基于时序误差补偿的动态软测量建模方法[J];化工学报;2010年02期
4 王华忠,俞金寿;核函数方法及其在软测量建模中的应用研究[J];自动化仪表;2004年10期
5 仲蔚,刘爱伦,俞金寿;多变量系统的软测量建模研究[J];控制与决策;2000年02期
6 宁国忠;孟科;颜学峰;钱锋;;改进的粒子群算法及其在软测量建模中的应用[J];华东理工大学学报(自然科学版);2007年03期
7 崔永超;张湜;王永华;;基于支持向量机的软测量建模方法的应用[J];南京工业大学学报(自然科学版);2007年03期
8 周志成;基于支持向量机的软测量建模[J];自动化技术与应用;2005年08期
9 李妍君;熊伟丽;徐保国;;一种带过程变量时滞估计的在线软测量建模方法[J];信息与控制;2016年06期
10 张东娟;丁煜函;刘国海;梅从立;;基于改进极限学习机的软测量建模方法[J];计算机工程与应用;2012年20期
中国重要会议论文全文数据库 前10条
1 吕哲;常玉清;王福利;;生化过程软测量建模方法的研究[A];2006中国控制与决策学术年会论文集[C];2006年
2 王恩博;彭亦功;;软测量建模若干方法研究[A];中国仪器仪表学会2007学术年会智能检测控制技术及仪表装置发展研讨会论文集[C];2007年
3 薄翠梅;张湜;李俊;;基于滚动时间窗的软测量建模方法的研究与应用[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年
4 刘文芳;王通;陈俊文;;油田动液面软测量建模的应用[A];第十二届沈阳科学学术年会论文集(理工农医)[C];2015年
5 马铭;孟庆锴;张利彪;;基于模糊系统优化的软测量建模[A];中国运筹学会模糊信息与模糊工程分会第五届学术年会论文集[C];2010年
6 杜文莉;官振强;钱锋;;一种基于时序误差补偿的动态软测量建模方法[A];2009中国过程系统工程年会暨中国mes年会论文集[C];2009年
7 胡田田;蒋爱平;;小波神经网络及其在软测量建模中的应用[A];上海市化学化工学会2006年度学术年会论文摘要集[C];2006年
8 张勇;王介生;王伟;姚伟南;;浮选生产过程经济技术指标的软测量建模[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年
9 刘欣;蒋爱平;;微粒群神经网络在软测量建模中的应用[A];上海市化学化工学会2006年度学术年会论文摘要集[C];2006年
10 刘欣;蒋爱平;;微粒群神经网络在软测量建模中的应用[A];2006北京地区高校研究生学术交流会——通信与信息技术会议论文集(下)[C];2006年
中国重要报纸全文数据库 前1条
1 刘炯;软测量建模技术的指导性著作[N];新华书目报;2016年
中国博士学位论文全文数据库 前10条
1 邱禹;面向污水处理的软测量建模研究及其应用[D];华南理工大学;2018年
2 李春富;基于数据的软测量建模方法及其应用的研究[D];清华大学;2005年
3 傅永峰;软测量建模方法研究及其工业应用[D];浙江大学;2007年
4 袁小锋;基于即时学习的复杂非线性过程软测量建模及应用[D];浙江大学;2016年
5 安莉;发酵过程生物量软测量建模专家系统研究[D];北京化工大学;2010年
6 李修亮;软测量建模方法研究与应用[D];浙江大学;2009年
7 吴燕玲;遗传规划及其在数据驱动软测量建模中的应用[D];浙江大学;2009年
8 邵伟明;基于局部学习的自适应软测量建模方法研究[D];中国石油大学(华东);2016年
9 赵利强;发酵过程智能测控系统关键技术研究[D];北京化工大学;2009年
10 吕游;基于过程数据的建模方法研究及应用[D];华北电力大学;2014年
中国硕士学位论文全文数据库 前10条
1 何新礼;双酚A生产过程的软测量建模及参数优化研究[D];江南大学;2018年
2 吕波特;超声波双频萃取软测量建模及其系统实现[D];北京化工大学;2018年
3 赵梓丞;基于改进支持向量回归的高浓磨浆系统游离度软测量建模方法[D];东北大学;2015年
4 周文君;基于改进的最小二乘支持向量机污水软测量建模研究[D];安徽工业大学;2018年
5 王敏;基于双烯收率的软测量建模与优化研究[D];北京化工大学;2018年
6 程瑞辉;基于集员估计在球磨机料位软测量建模中的应用研究[D];太原理工大学;2017年
7 周玲;基于神经网络的涵闸流量软测量建模研究[D];河海大学;2002年
8 孙茂伟;基于机器学习的软测量建模及其应用[D];江南大学;2016年
9 雷瑜;机器学习在化工软测量建模中的若干应用[D];江南大学;2014年
10 郭景华;基于数据驱动的软测量建模技术应用研究[D];江南大学;2009年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026