基于支持向量辨识的中密度纤维板施胶控制方法研究

论文摘要

中密度纤维板（MDF）是国内外人造板生产和市场需求的主流产品,是节约与有效利用生物质材料资源的主要方法和途径。中密度纤维板的施胶控制过程是其生产工艺的关键技术环节,决定了板材的生产成本与产品质量。我国中密度纤维板生产线的自动化控制水平较国外存在较大差距,使得纤维板生产普遍存在达不到环保要求,原材料消耗较大,生产成本较高的问题。本学位论文结合国家“948”项目“人造板施胶控制关键技术引进课题”（2006-4-109）与黑龙江省科技攻关项目“刨花板施胶、混胶智能数控系统研究”（GB06A505）,针对中密度纤维板生产的施胶控制过程进行了研究,在讨论了支持向量理论及其应用的基础上,提出了基于支持向量辨识的中密度纤维板施胶过程模糊自适应控制方法,主要研究内容如下:首先针对影响中密度纤维板生产质量及板材性能指标的施胶比例参数进行了模型辨识研究。为了提高施胶比例辨识模型的准确性,本文提出了融合特征选择技术的施胶比例辨识模型输入参数的优选方法,在优选参数的基础上运用支持向量回归技术构建施胶比例辨识模型。针对施胶比例辨识模型的输入参数与支持向量回归参数的优化问题,引入了自适应遗传算法,设计了施胶比例辨识模型的自适应GA-SVR算法,试验结果表明该算法实现了辨识模型输入参数的合理优选及支持向量回归参数的有效优化,辨识模型实现了施胶比例的准确预测。在中密度纤维板施胶控制过程中,施胶量应实现在施胶比例参数作用下与纤维量进行随动。本文针对中密度纤维板施胶过程中的被控对象（电机转速与泵流量）进行了状态空间辨识研究。由于施胶泵流量除受电机转速外还受工作压力、介质黏度及泵自身等多因素的影响,本文提出了基于SVC多模型的中密度纤维板施胶流量辨识方法。该辨识方法利用支持向量聚类技术实现电机转速与泵流量的状态空间分解,应用支持向量分类技术设计了多模型切换策略,并运用支持向量回归技术构建了状态空间内的转速与流量辨识模型。在聚类过程中,针对传统的关联矩阵运算复杂度高的问题,给出了适用于中密度纤维板的电机转速与泵流量的动态核参数邻近图聚类方法。实验结果表明,动态核参数邻近图聚类方法实现了较低时间复杂度下的电机转速与泵流量准确自聚类,基于SVC多模型的施胶流量预测具有较高的准确性和鲁棒性。针对MDF生产中的施胶系统的动态特性差异,本文提出了中密度纤维板施胶过程的模糊自适应控制策略。该策略建立在电机转速与泵流量状态辨识的基础上,针对不同状态空间建立相应的模糊控制规则,通过判断电机转速与泵流量的状态空间,实现模糊规则的自动切换,进而完成状态空间内的模糊自适应控制,实验表明该模糊自适应控制策略实现了对中密度纤维板施胶过程的稳定、可靠控制。针对中密度纤维板施胶过程的实际问题,在上述理论研究基础上,研发了“MDF-1型施胶控制系统”,在本文最后简要地介绍了该系统的软件、硬件及通信子系统。系统运行结果表明,本文提出的“基于支持向量辨识的中密度纤维板模糊自适应控制方法”有效地提高了施胶量控制精度与板材生产质量,降低了生产成本,同时该系统故障率低、稳定性强。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题来源及背景
• 1.2 中密度纤维板行业发展分析
• 1.2.1 国内中密度纤维板业的发展
• 1.2.2 中国纤维板现阶段产品质量
• 1.2.3 影响我国纤维板业发展的因素
• 1.3 中密度纤维板施胶控制
• 1.3.1 MDF的施胶工艺
• 1.3.2 MDF的施胶控制过程
• 1.3.3 施胶量对板材性能的影响与施胶量分析
• 1.4 施胶控制系统国内外研究现状与发展趋势
• 1.4.1 国内外研究现状
• 1.4.2 人造板施胶控制的发展趋势
• 1.5 本文的主要研究内容
• 2 支持向量机理论及算法
• 2.1 引言
• 2.2 机器学习理论
• 2.2.1 机器学习问题的表述
• 2.2.2 机器学习的发展历史
• 2.2.3 统计学习理论
• 2.3 支持向量机理论
• 2.3.1 最优超平面
• 2.3.2 广义最优分类面
• 2.3.3 高维空间中最优分类面的推广
• 2.3.4 核函数
• 2.4 支持向量机分类
• 2.4.1 单值分类支持向量机
• 2.4.2 两类分类的支持向量机
• 2.4.3 多值分类的支持向量机
• 2.5 支持向量机回归
• 2.5.1 线性回归
• 2.5.2 非线性回归
• 2.6 小结
• 3 基于支持向量机的施胶比例辨识方法的研究
• 3.1 引言
• 3.2 特征选择方法
• 3.2.1 按搜索策略划分特征选择算法
• 3.2.2 按特征集合评价策略划分特征选择算法
• 3.3 基于自适应GA-SVR算法的施胶比例辨识模型
• 3.3.1 支持向量机回归与参数性能影响
• 3.3.2 遗传算法
• 3.3.3 施胶比例自适应GA-SVR算法设计
• 3.4 试验及结果分析
• 3.5 小结
• 4 基于SVC多模型的施胶流量辨识方法的研究
• 4.1 引言
• 4.2 多模型下施胶流量辨识模型框架
• 4.3 聚类分析方法
• 4.3.1 聚类及相异度定义
• 4.3.2 聚类分析的主要方法
• 4.4 支持向量聚类算法
• 4.4.1 SVC聚类描述
• 4.4.2 SVC聚类标识算法
• 4.4.3 动态核参数邻近图聚类法
• 4.5 聚类状态下的施胶流量辨识与切换策略
• 4.5.1 聚类状态下施胶流量辨识
• 4.5.2 切换策略
• 4.6 试验与分析
• 4.7 小结
• 5 模糊自适应施胶控制方法与控制系统设计
• 5.1 引言
• 5.2 施胶系统典型执行单元控制特性分析
• 5.2.1 齿轮泵特性曲线
• 5.2.2 负载特性分析
• 5.2.3 变频调速泵施胶系统分析
• 5.3 施胶模糊自适应控制器的设计与实现
• 5.3.1 模糊控制器的设计步骤
• 5.3.2 模糊自适应控制器的数学模型及结构
• 5.3.3 施胶过程模糊参数整定器的设计
• 5.3.4 试验结果与分析
• 5.4 施胶模糊自适应控制试验系统设计
• 5.4.1 硬件设计
• 5.4.2 通信与数据服务
• 5.4.3 试验数据分析
• 5.5 小结
• 结论
• 参考文献
• 攻读学位期间参加的科研项目与发表的学术论文
• 致谢