论文部分内容阅读
近年来,随着测量仪器和测量技术的发展,我们可以从复杂工业过程中采集到海量的过程数据。但是,此类数据普遍具有与高冗余度、高度非线性以及突变等特性,虽然可以通过软测量技术解决这些特性,但单个软测量方法通常只能解决过程的单一特性,因此需要用到多种软测量方法。对于过程的高冗余度特性,辅助变量选择方法可以在某种准则下从冗余变量中选出与主导变量密切相关的变量子集,从而降低过程的冗余度;对于过程的高度非线性及突变特性,通常采取多模型建模方法,能够很好的弥补单一模型的过程特性不匹配、泛化能力差等缺点,得到良好的预测性能。本文主要采用的方法有基于混合准则的辅助变量选择方法以及基于BP神经网络和自适应状态划分的多模型建模方法。本文具体安排如下:1.针对工业数据普遍存在高冗余度的特性,提出了基于混合准则的辅助变量选择方法(GA-LS和GA-NLP)。首先通过遗传算法种群固定待选辅助变量子集;然后以混合准则作为评价指标(适应度),通过遗传算法迭代精选变量子集,找出最优变量子集(相应最优准则下的“最优”);最后,通过BP神经网络建立预测模型,测试所选辅助变量子集的性能。通过UCI及WWTP数据集对算法的可行性、模型预测性能及模型复杂度等方面进行验证,并与MINLP、MIQP及VIP变量选择方法进行了对比,结果表明算法能够有效降低过程的冗余度,提高模型的预测性能。2.针对TE化工过程具有高度非线性及突变等特性,提出了基于BP神经网络和自适应状态划分的多模型建模方法。首先通过移动窗口技术,建立局部模型集,并依据T统计和卡方统计剔除局部模型集中的冗余模型;然后依据自适应标准进行状态划分(为每个未知输出样本选出最适合的局部模型)。最后,通过TE过程数据集对算法的可行性、模型预测性能等方面进行验证,并与单一PLS及LPLS-APSP建模方法进行了对比。实验结果表明提出的多模型建模方法具有良好的预测效果。3.为解决具有高冗余度、高度非线性以及突变特征的复杂工业过程的建模问题,提出了一种基于GA-NLP和LBP-APSP的结合方法。首先通过移动窗口遍历训练集,并通过GA-NLP方法对每个移动窗口进行辅助变量选择;然后依据所选辅助变量子集集合,通过LBP-LPSP方法建立局部模型集,并对未知输出样本进行输出预测。最后,通过TE过程数据集对算法的可行性、模型预测性能等方面进行验证,并与LBP-APSP建模方法进行了对比,实验结果表明提出的结合方法能够有效降低过程数据的冗余度,并且能够进一步提升预测性能,对于处理具有高冗余度、高度非线性以及突变特征的复杂工业过程建模问题具有非常实用的参考价值。