收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

支持向量机及其在制浆过程重要参数软测量中的应用研究

于晓明  
【摘要】:节能减排、环境保护及消费者对纸张质量要求的提高客观上要求造纸行业必须进一步提高企业的自动化及信息化程度。制浆过程卡伯值、碱回收过程及洗涤过程的黑液浓度的在线测量一直是浆纸企业关注的热点,也是影响浆纸工业信息化及自动化发展的难点。支持向量机(Support VectorMachines,SVM)是一种核函数学习机器,它遵循结构风险最小化原则,具有理论完备、适应性强、推广能力好、全局优化等优点,是当前国际工业自动化领域的一个研究热点。与传统机器学习方法相比,SVM具有良好的发展与应用潜力。本文以SVM在制浆过程一些重要工艺参数在线软测量应用中的若干问题为主线,结合相应过程工艺知识,针对现有软测量模型在实际应用过程中普遍存在诸如速度慢、精度低、缺乏在线校正等问题,提出或改进了若干算法。仿真研究及应用效果表明本文提出的算法是有效的。本文的主要贡献可总结如下: (1)基于SVM算法的卡伯值分类在线自适应软测量建模。针对现有蒸煮过程卡伯值软测量模型存在精度低、在线适应能力弱的缺点,提出基于SVM卡伯值分类在线自适应软测量模型。工业过程一般工作在几个有限工作点附近,蒸煮过程也不例外。根据过程这个特点,本文采用模糊c均值聚类方法将蒸煮过程卡伯值软测量样本点划归成若干类(由于采样数据所限,本文选两类)。划分原则:每类中训练样本间最大程度相似;不同类中训练样本最大程度不同。然后分别建立各类软测量模型。通过这种方式,就把一个大类的卡伯值软测量模型细化成各个小类卡伯值软测量模型,相应地提高了卡伯值模型的静态精度。通过对国内外蒸煮过程卡伯值常用的软测量方法优缺点及国内使用情况分析发现,大多数已有模型提高精度的方法主要集中在静态模型精度上,比如增加过程信息量等,也就是在如何提供模型静态精度上开展工作较多,但对模型使用过程中精度研究相对较少。通过工艺分析及国内蒸煮现状研究,发现国内蒸煮过程工况变化比较频繁。如果卡伯值软测量模型在线自适应能力弱,模型使用过程中,精度必然降低。工况经常变化的蒸煮过程卡伯值软测量不适合采用具有批处理式、离线建模的一般支持向量回归机算法。适合采用适应工况变化的增量自适应SVM算法。也就是在模型使用过程中不断采集新的样本,在原模型基础上再学习。这样的算法既兼顾了原有历史模型,又给模型引入了新工况要素。为了降低所建模型在使用过程中计算机内存占有量,提高模型运行速度,必须选择合适样本替换策略。考虑蒸煮过程典型慢时变特点,从算法和蒸煮特性两方面考虑,选用基于支持向量数据域描述策略和基于滑动时间窗法结合形式的样本替换策略。与普通的卡伯值软测量模型相比本文提出的模型优点:一方面充分地考虑到历史训练的结果,减少再建模型训练时间;另一方面对历史数据无需继续保存,减少算法对计算机存储空间要求。通过仿真及应用证明这种基于数据挖掘增量在线自适应支持向量机模型适合蒸煮过程卡伯值软测量建模。 (2)基于在线自适应残差补偿LS-SVM算法的碱回收蒸发工段出效黑液浓度软测量建模。针对碱回收蒸发工段出效黑液浓度难于测量的情况,本文提出了在线自适应残差补偿LS-SVM模型。通过对碱回收过程工艺及多效蒸发器原理的学习、分析,影响碱回收蒸发过程黑液浓度的主要因素有进效稀黑液浓度和流量及多效蒸发器的总有效温差,其它因素为固形物成分组成、冷却水温度、环境温度、传热系数等。黑液蒸发一般由多效蒸发器组成,每效蒸发器又存在蒸汽、黑液和冷凝水等流程。蒸发过程的非线性比较严重。蒸发器内部管道有时出现的各种液柱脉动、出效黑液浓度和流量有时发生的振荡现象。由于蒸发器本身设备管道长、多,在蒸发系统的一端的量(流量、温度、浓度等)发生变化后,常常要过很长时间另一端才能做出反应,所以黑液浓度实际系统影响因素更复杂。目前黑液浓度软测量模型都采取以压力、温度为辅助变量,黑液浓度为主导变量建模,忽视了其它因素影响,这样建立模型精度并不高。本文建立的残差自适应补偿系统就考虑了其它影响因素。该模型将工业现场自适应校正模型和自适应残差补偿模型结合,从两个方面提高黑液波美度模型精度:一是选用最小二乘支持向量机在线算法进行模型训练和在线修正,使模型适应当前工况;二是增加残差补偿自适应环节,对模型输出的值进行在线修正,以使软测量模型的测量结果更准确。普通最小二乘支持向量机算法简单,计算量大,速度快,但所建模型会丧失支持向量机内在稀疏性,丧失支持向量机建模时鲁棒性。模型在运行时,样本数目增多,运行时间变长,占用内存加大。如果对算法不进行有效改进,实际中将无法使用。本文采用的在线自适应最小二乘支持向量机算法,用一个新样本代替一个时间最久样本,采用增量形式对模型在线校正,减少运算的复杂性,节约计算机内存。残差补偿自适应模型采用多元线性回归法建立残差与各影响因素间关系模型,采用丢弃最早误差值方法进行残差补偿模型的自适应校正。仿真及应用结果证明本文提出蒸发过程出效黑液浓度软测量模型精度高,能够适应工况变化。 (3)基于模糊在线自适应LS-SVM算法的洗涤过程黑液浓度软测量建模。洗涤过程黑液浓度软测量研究相对较少,已有模型泛化能力差、精度低。针对已有模型存在的缺点,本文提出了自适应能力强的基于模糊在线自适应LS-SVM黑液浓度软测量模型。洗涤过程的黑液浓度在线测量也很困难。通过对洗涤过程工艺分析,其黑液浓度受纸浆流量、纸浆厚度、洗浆水、真空度、转鼓速度等影响,传统方法难以实时测量。考虑到工厂实际情况,在不增加仪器,不影响生产等情况下确定建模参数。通过在洗涤工段现场分析,与资深工程师讨论等形式,决定以进浆浓度、进浆流量、清水流量为洗涤过程中黑液浓度软测量模型辅助变量,以黑液浓度(首段)为主导变量,建立洗涤黑液浓度软测量模型。基于现场采集辅助变量、主导变量所建立的黑液浓度软测量模型存在问题:仅能大致反映实际工业对象本质的变化趋势。由此可见,其模型误差必然存在。模型投入使用后,由于洗涤系统的时变性、非线性和不确定性,随着时间推移,洗涤过程的特性及其工作点都可能发生一些变化,现在工况下的参数测量用原来采样数据所建模型测量,误差必然加大。在线自适应最小二乘算法就能适应工况的变化,在线地校正模型。实际洗涤过程采集的样本点都含有不同程度的噪声。为了提高模型精度,不同的样本对应不同的惩罚权系数,这样能够消除部分噪声和孤立点的影响。样本替换策略在增加一个新样本点的同时删除Lagrange乘子绝对值最小样本点。仿真与应用结果证明本文提出的软测量模型适合洗涤过程黑液浓度测量。 (4)基于SVM算法的矛盾数据发现方法初步研究。洗涤过程测量仪表的校正不准确、不及时,仪表失灵、过程有较大的干扰、过程基准漂移、操作人员误操作、不定期清洗管道、管道堵塞等因素导致仪表示值的波动、数据失真等产生矛盾数据。这些矛盾数据是突发的,平时很难得到其具体样本。通过对SVM回归理论的研究,提出了主导变量的矛盾数据解决方案,借助例子对方案进行了验证,并将此方案实施在纸浆洗涤过程的主导变量的矛盾数据甄别中。 本文以蒸煮过程卡伯值、碱回收及洗涤过程黑液浓度软测量为研究对象,以支持向量机为工具,围绕如何提高模型在线测量精度提出了一系列软测量方案,仿真及应用证明了这些方案的先进性。这些研究成果对其它的工业软测量模型也有一定参考价值。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 侯迪波;周泽魁;;能处理定性参数输入的推广模糊神经网络软测量建模方法[J];传感技术学报;2006年03期
2 郇黎明;王维娜;;基于PXI总线的发酵过程软测量系统研究[J];仪器仪表用户;2006年05期
3 王勇;刘保军;李琛;;软测量技术的新进展及其在火电厂热工过程中应用[J];长春工程学院学报(自然科学版);2006年04期
4 赵亚明;张维玲;;火电厂煤粉浓度软测量研究[J];仪器仪表用户;2008年03期
5 孙玉坤;陈明忠;嵇小辅;黄永红;;基于支持向量机的赖氨酸发酵生物参数软测量[J];仪器仪表学报;2008年10期
6 周长;张杰;吕文祥;刘先广;黄德先;;基于Bootstrap多神经网络的软测量方法[J];控制工程;2009年04期
7 陈金凤;杨慧中;邓玉俊;;一种基于LDA和FCM的BPA多模型软测量方法[J];华东理工大学学报(自然科学版);2010年01期
8 罗飞;黄友新;;基于神经网络的生化池污水毒性软测量[J];自动化与仪表;2010年05期
9 阳春华;任会峰;桂卫华;周开军;;基于机器视觉的矿物浮选pH软测量方法[J];计算机工程与应用;2011年01期
10 孙玉坤;张瑶;黄永红;孙晓天;;基于逆系统的青霉素发酵软测量[J];控制工程;2011年01期
11 叶涛;朱学峰;李向阳;史步海;;基于改进k-最近邻回归算法的软测量建模[J];自动化学报;2007年09期
12 张瑶;孙玉坤;黄永红;嵇小辅;;基于LS-SVM逆模型的青霉素发酵软测量方法[J];电子技术应用;2009年07期
13 赖惠鸽;朱学军;俞金寿;;基于智能算法的污水处理软测量技术及其展望[J];化工自动化及仪表;2011年03期
14 周平;岳恒;赵大勇;柴天佑;;基于案例推理的软测量方法及在磨矿过程中的应用[J];控制与决策;2006年06期
15 余丙荣;;软测量技术在大气环境质量评价上的应用[J];自动化博览;2007年04期
16 杜文朝;张立炎;全书海;;基于内阻测试的质子交换膜含水量软测量研究[J];通信电源技术;2009年02期
17 赵忠盖;刘飞;;基于因子回归模型的软测量方法[J];计算机与应用化学;2010年01期
18 王小刚;李春柏;胡轮;;基于智能计算策略的电解液成分软测量方法[J];东北大学学报(自然科学版);2010年11期
19 李庆华;;1种基于遗失数据重构的软测量方法[J];计算机与应用化学;2011年05期
20 曾智刚;软测量方法在车牌自动生产线烘干系统中的应用[J];兵工自动化;2005年04期
中国重要会议论文全文数据库 前10条
1 陈克兵;朱建宁;侍洪波;;基于RVM与COM技术的德士古气化炉炉温软测量系统[A];第二十七届中国控制会议论文集[C];2008年
2 孙玉坤;王博;丁慎平;;基于模糊支持向量机的赖氨酸发酵软测量[A];第二十七届中国控制会议论文集[C];2008年
3 周刚;彭威;;基于神经网络的核动力蒸汽发生器水位软测量方法研究[A];第一届中国核技术及应用研究学术研讨会摘要文集[C];2006年
4 王万成;戴先中;李训铭;;基于“内含传感器”逆的生物浸出过程关键变量的软测量[A];2009中国控制与决策会议论文集(3)[C];2009年
5 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
6 郭刚;陈兴明;;电液比例控制液压系统压力的软测量[A];第六届全国信息获取与处理学术会议论文集(3)[C];2008年
7 赵忠盖;刘飞;;一种基于因子回归模型的软测量方法[A];2009中国过程系统工程年会暨中国mes年会论文集[C];2009年
8 唐晓;王佳;;软测量方法评价区域海水腐蚀性的研究[A];2004年腐蚀电化学及测试方法学术交流会论文集[C];2004年
9 冉维丽;胡玉玲;乔俊飞;;基于GABP神经网络的污水水质BOD软测量方法[A];第二十二届中国控制会议论文集(上)[C];2003年
10 刘瑞兰;周凌柯;;混合建模方法在PTA过程4-CBA含量软测量中的应用[A];全国自动化新技术学术交流会会议论文集(一)[C];2005年
中国博士学位论文全文数据库 前10条
1 于晓明;支持向量机及其在制浆过程重要参数软测量中的应用研究[D];陕西科技大学;2012年
2 任孝平;汽车状态软测量和车载组合导航系统故障检测技术研究[D];中南大学;2012年
3 杨强大;诺西肽发酵过程生化参数软测量方法的研究[D];东北大学;2009年
4 王鲜芳;生化过程动态建模及优化控制研究[D];江南大学;2009年
5 李凤玲;灌浆压力控制系统的关键技术研究[D];中南大学;2009年
6 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
7 李勇;磨矿过程参数软测量与综合优化控制的研究[D];大连理工大学;2006年
8 乔弘;火电厂热工参数软测量关键技术和方法研究[D];华北电力大学(北京);2009年
9 于涛;基于混合模型的软测量方法研究及其在发酵过程中的应用[D];北京化工大学;2006年
10 任会峰;基于泡沫图像的铝土矿浮选pH值软测量及应用[D];中南大学;2012年
中国硕士学位论文全文数据库 前10条
1 甄玉山;基于过程神经网络的化工过程软测量研究[D];北京化工大学;2012年
2 程慕鑫;基于改进最小二乘支持向量机的颗粒粒度软测量研究[D];华东理工大学;2013年
3 周蓓蓓;明胶浓度的软测量建模及参数优化[D];兰州理工大学;2010年
4 朱懿峰;基于SOC的神经网络软测量平台设计与实现[D];浙江大学;2011年
5 巨稳;基于正交最小二乘的软测量建模方法研究[D];中国石油大学;2011年
6 王金荣;明胶浓度软测量建模研究[D];兰州理工大学;2012年
7 刘倩;基于模糊神经逆的青霉素发酵过程软测量应用技术研究[D];江苏大学;2010年
8 刘慧;新型干法水泥生产窑尾分解率软测量研究[D];济南大学;2010年
9 毕伟;德士古气化炉炉温软测量建模[D];华东理工大学;2011年
10 杨志;火电厂烟气污染物排放的软测量系统研究[D];华北电力大学;2012年
中国重要报纸全文数据库 前1条
1 记者何平 通讯员雷荣孝;兰州石化橡胶单体转化率在线检测技术国内领先[N];中国石油报;2010年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978