一、软测量模型自动生成系统的研究与开发(论文文献综述)
朱熀秋,王星宇,王博[1](2021)在《赖氨酸发酵过程关键变量多模型软测量建模及其在线监控系统设计》文中进行了进一步梳理针对目前赖氨酸生产过程中发酵产物品质参量难以实时测量,现有软测量模型精度不高、鲁棒性差的问题,提出了一种基于ISCA-LSSVR的赖氨酸发酵过程多模型软测量方法.首先,利用改进的满意聚类算法(ISCA)将样本数据集划分为c个子集;其次,利用最小二乘支持向量回归机(LSSVR)对每个子集分别构建子模型;随后,利用粒子群优化算法和退火算法协同优化模型参数;然后,加权融合各子模型输出得到最终系统输出;最终,设计了由上位机数据处理模块和下位机数据采集模块共同组成的赖氨酸发酵过程关键变量的智能实时监控系统.试验仿真结果表明,相较于传统单一LSSVR预测模型,ISCA-LSSVR模型对产物、基质、菌体质量浓度的预测精度分别提高了5.01%、3.62%和6.78%,模型泛化能力得到了较大提高.
贾润达,胡慧明,张树磊[2](2021)在《基于宽度学习的浓密机底流浓度软测量》文中认为由于浓密脱水过程中浓密机的底流浓度难以在线检测,本文提出了一种基于宽度学习的软测量建模方法,用以解决底流浓度的在线检测问题.该方法精度高,泛化能力强.首先,在浓密机内部安装压力传感器,建立正常工况下的历史数据集;然后,利用宽度学习系统对软测量模型进行训练,从而实现浓密机底流浓度的在线预测;最后,通过仿真实验验证了该方法的有效性.与传统的机器学习方法相比,宽度学习方法具有更高的预测精度.
张坚群,张新胜[3](2021)在《基于自适应递推最小二乘支持向量机的磨煤机一次风量软测量模型》文中研究说明针对离线最小二乘支持向量机(LSSVM)以及无稀疏策略的在线LSSVM在过程建模工程应用的局限性,提出了一种基于选择性递推以及自适应更新模型参数的LSSVM软测量模型。该方法将快速留一交叉验证(FLOO-CV)误差作为模型更新阈值,前向学习时,根据更新阈值只引入预报误差较大的样本更新模型,提高了模型的稀疏性;后向样本修剪时,仅删除FLOO-CV误差最小的样本,提高了模型的全局推广能力。应用电厂实际运行数据验证该模型并对磨煤机一次风量进行在线预测,并研发了一套在线软测量平台。将该平台在某1 000 MW机组进行现场验证,结果表明,该平台对一次风量有较高的预测精度,可以在流量传感器出现故障时代替其工作,保证磨煤机一次风量信号的稳定性和可靠性。
张瑞旭[4](2021)在《基于SCN的稀土萃取过程建模研究》文中认为近年来随着人工智能技术的不断突破和普及,已逐渐应用到各种工业生产过程中。稀土元素作为一种战略资源,渐渐成为一些高新技术产业领域不可替代的角色,对国民经济和社会发展也是举足轻重。为了使稀土资源优势转化为产业优势,对稀土行业就提出了更高的要求。此外,稀土工业过程大时延、非线性、时变、强耦合、多变量等特点使得传统的控制理论和信息处理技术已无法满足稀土行业对先进自动化技术的迫切需求。稀土萃取分离过程中,组分含量对于控制系统的设计、产品质量的控制及能耗影响重大。而传统的离线分析方法无法实时掌握组分含量,不利于控制系统的运行。在这种背景下,本文在分析了稀土元素组分含量的检测方法和软测量建模方法的基础上,利用随机配置网络对稀土萃取过程软测量建模展开了一些研究。具体内容如下:为保证本文方法的可行性,先对随机配置网络地回归性能进行验证,使用随机配置网络对一个实际的回归任务进行建模验证,并与几种优秀的机器学习方法对比,结果表明随机配置网络在这类实际回归任务中是可行的。于是利用标准的随机配置网络对稀土萃取分离过程进行软测量建模,并与几种神经网络模型进行对比,仿真的结果也初步验证了随机配置网络应用到该领域上的可行性。随后,考虑到随着随机配置网络的隐含层神经元个数不断增加,其网络结构也会逐渐变得复杂,而且还可能会出现过拟合的问题,从而降低模型的泛化性能。此外,由于网络参数的随机化以及网络结构的不确定性,会使网络出现不稳定的情况。因此,先在随机配置网络中加入了正则化方法改善其泛化能力,然后为了保障网络初始参数合理的选取,并进一步保证模型的测量性能和稳定性能,再利用改进的灰狼算法对随机配置网络进行优化,从而建立起改进的灰狼算法优化的随机配置网络模型,并将本文建立的模型与几种其他模型进行仿真对比,用来评价模型性能的两个指标均较低,证实了方法的有效性。研究结果可为实现稀土萃取生产过程组分含量的软测量建模提供一种有效的方法,对促进稀土工业生产过程综合自动化具有一定的参考意义。
赖路璐[5](2021)在《基于虚拟样本生成的铈镨/钕萃取过程组分含量预测》文中研究说明被人们称为“万能之土”的稀土是工业的维生素,全球所有的高科技产品都来源于它。我国的稀土萃取工艺在中科院科学家徐光宪院士的研究成果——串级萃取理论的指导下领跑全球,而萃取过程中组分含量的在线检测仍然停留在“定时取样、离线分析”阶段,部分稀土领域的科技工作者将软测量技术应用于组分含量的快速检测,取得了系列成果。但是,传统的软测量方法需要依靠大量的数据支撑,而复杂的稀土萃取过程却存在数据获取成本高、数据重复等原因造成有效过程数据不多,易导致模型预测精度不高、泛化性能不佳等小样本问题,因此,通过合理方法扩充样本数量,利用大数据技术背景下的软测量方法提高稀土萃取过程模型的预测精度是一条新途径。本文针对稀土萃取过程在数据获取时,由于成本高、数据重复等原因易造成小样本问题,以铈镨/钕萃取分离过程为研究对象,提出基于虚拟样本生成的组分含量预测方法。主要的研究内容如下:1、从模型的输出属性角度出发,提出一种基于SCN隐含层插值的CePr/Nd组分含量预测方法。首先,采用SCN算法建立铈镨/钕混合溶液图像的H、S、I颜色特征分量一阶矩与Nd组分含量的非线性函数关系,然后,根据随机配置网络输入层、隐含层与输出层之间的映射关系,分别得到虚拟输入、输出数据。将生成的虚拟样本加入到真实小样本训练样本中,重新构建组分含量SCN模型,实现对CePr/Nd组分含量更为准确的预测。2、针对基于SCN隐含层插值生成的虚拟样本具有特定性的问题,从输入属性角度考虑,提出一种基于GA优化MD-MTD的CePr/Nd组分含量预测方法。首先,采用MD-MTD生成虚拟输入数据,然后通过SCN模型得到相应的虚拟输出数据;为了使生成的虚拟样本更可能的符合期望空间,将虚拟样本生成过程转化成为虚拟样本寻优过程,使用GA算法搜索得到“最优”虚拟样本集;最后,将最优虚拟样本加入到真实小样本训练样本中,重新构建组分含量SCN模型,实现对CePr/Nd组分含量更为准确的预测。3、鉴于上述两种方法分别从输出、输入属性角度考虑,均具有片面性,提出基于混合虚拟样本的CePr/Nd组分含量预测方法。综合考虑基于输入、输出属性角度的数据扩增方法之间的互补性,将SCN隐含层插值方法和GA优化MD-MTD方法生成两种不同类型的虚拟样本进行重复性数据清理后混合,通过稀土萃取生产现场采集的过程数据,对两种不同类型的虚拟样本进行合理性、有效性和适用性分析,结果表明,基于混合虚拟样本的铈镨/钕组分含量预测模型相较于真实小样本预测模型具有更好的泛化能力。综上所述,基于混合虚拟样本生成方法能够更准确的预测稀土萃取过程元素组分含量,是一种行之有效的解决稀土萃取分离工业小样本问题的有力工具。
陈庞[6](2021)在《分布式延时工业系统软测量建模与应用》文中提出在大型工业过程中,为准确优化控制工业过程,需要对系统的关键参数进行监测。由于环境、成本或技术等原因对部分关键参数难以使用硬件装置测量,而软测量技术能够实现对这些关键参数进行监测,因此软测量技术得到了广泛的应用。因为工业设备在空间上的分布式设置使得关键变量的测量顺序与过程变量的采样顺序不一致,进而表现出了由于信号、物料传输或者安装位置等问题引起的明显的时间延迟,且这种延时具有时变特性。为了更可靠的监测系统运行状态,需要在建立软测量模型时考虑系统监测变量之间存在的时变延时特征。针对上述问题,本文主要围绕具有延时特性的软测量建模问题进行研究,论文主要工作如下:(1)在工业数据采集过程中,传感器或网络异常等原因会引起数据缺失或数据失真问题。针对数据缺失问题,本文使用了线性插值、KNN插值、多元线性回归插值方法进行缺失数据修复,并对不同方法的修复效果进行了对比分析。针对数据失真问题,本文提出了一种基于留一交叉验证的异常值检测算法。该方法不需要假设原始数据服从某种分布,从模型估计误差的角度来分析数据是否失真,实验结果表示该方法异常值检测效果较好。(2)针对工业过程采集到的变量种类较多且变量之间存在冗余的问题,本文介绍了一种两阶段辅助变量选择方法。该方法通过最大信息系数法删除无关特征,并使用近似马尔可夫毯方法对冗余特征进行剔除。在真实工业数据上进行实验验证,结果表明该方法能够大幅降低辅助变量维数,在保证建模精度的同时提升建模效率。(3)针对工业过程中具有多阶段延时特征的关键变量估计问题,本文提出了一种基于延时参数在线辨识的关键变量估计方法。该方法首先通过基于滑动窗口的最大信息系数法从原始数据中获取延时参数数据集,并根据其构建延时参数在线估计模型,使用延时参数数据集对原始数据进行时序重构,进而根据重构后的数据建立软测量模型。在具有多阶段延时特征的工业数据中进行实验验证,并与传统方法相对比,结果表明了本文方法具有较好的估计效果。(4)针对工业过程中的延时特征不明确的关键变量估计问题,本文提出了一种基于局部信息的加权岭回归方法。该方法通过借鉴时延神经网络的结构,将历史信息考虑进建模过程中增加了模型的信息量,使用岭回归替代神经元节点提高了模型的稳定性,通过粒子群算法搜索模型最优参数,实现对关键变量的准确估计。本文方法与时延神经网络,岭回归等方法相比较,本文方法对具有不明确延时特征的工业过程变量估计效果更佳。
丁伯川[7](2021)在《基于注意力机制和CNN的水泥熟料游离钙含量软测量研究》文中提出
赵雨凡[8](2021)在《基于数据和机理混合驱动的复杂工业软测量方法研究》文中进行了进一步梳理复杂工业过程中为了及时获得被控对象的关键信息,经常要对一些参量进行定性或定量的检查和测量,但是由于复杂工业系统结构繁杂多样、变量繁多等特点以及成本和技术等因素限制无法获取过程变量的某些关键信息。软测量技术被广泛应用于解决上述难题,它的核心是模型的建立,目前对复杂工业过程的研究大都致力于对建模方法的研究而忽略了输入特征对目标变量的影响,而且由于复杂工业建模难的特点导致对混合驱动软测量方法的研究相对较少。本文对复杂工业过程建模前的输入数据特征进行处理以及混合模型的建立展开研究,以电站锅炉空气预热器为复杂工业过程的研究对象,将研究内容应用于空气预热器的转子热变形量的预测中。本文具体研究如下:(1)在进行混合驱动建模前先确定数据驱动模型和机理模型。文章首先利用WORKBENCH19.0软件对型号为LAP14948/2400的空气预热器进行了热-应力耦合分析,可知转子发生热变形的形状为“蘑菇状”,然后根据能量守恒定律、边界条件等简化的机制和原理对热应力导致的热应变进行了数学描述,得到了基于机理模型的转子热变形量。(2)在得到空气预热器的工业现场数据后,采用机理模型分析法筛选出与转子热变形量有关的辅助变量,再利用斯皮尔曼相关系数法对输入辅助变量与目标变量之间的相似度进行分析,得到与转子热变形量有密切关联的辅助变量作为可靠输入。受测量仪器精度、工业现场环境差等因素影响,工业现场采集的数据不可避免地有偏差,而输入数据的准确性对于数据驱动软测量建模结果的影响较大,所以在进行数据驱动建模前,本文利用小波阈值去噪的方法对输入数据进行了去噪处理。然后对去噪数据进行归一化操作后选取出互斥的训练样本和测试样本用于数据驱动建模。(3)对(2)中选取的未去噪的数据集分别采用BP神经网络、支持向量回归(Support Vector Regression,SVR)、粒子群优化算法(Particle Swarm Optimization,PSO)的 SVR 进行数据驱动建模后预测了转子的形变量,再利用小波去噪后的数据结合SVR建立起基于小波和SVR相结合的数据驱动软测量方法预测了转子的形变量。结果表明对于复杂工业而言,利用去噪后的数据进行数据驱动建模的预测效果优于未去噪的建模方法而且降低了模型的复杂度。(4)将(3)中建立好的小波与SVR相结合的数据驱动模型和(1)中建立的机理驱动模型分别以并联、串联和杂模的方式结合起来,建立起基于误差、基于叠加及基于权重因子的混合模型,用这三种混合模型对转子热变形量进行预测。实验结果表明文章建立的三种混合驱动中基于权重因子的建模方法优于其他两种混合建模方法同时也优于单一模型,但是基于误差的混合建模方法的表现不如单一模型。混合驱动模型的建立没有固定标准,混合模型的建模效果不一定优于单一模型,要结合具体工业过程分析。本文分别对单一模型和混合模型进行了软测量建模和分析且将其应用于复杂工业过程中加以验证,表明本文提出的基于小波与SVR相结合的数据驱动建模方法的预测精度高于未去噪的数据驱动建模方法,同时在建立的三种混合驱动模型进行了对比找到最适合预测转子热变形量的建模方法。为空气预热器漏风技术的研究提供了较准确的形变量。
余鑫磊[9](2021)在《城镇污水厂进水BOD软测量及运行能耗分析模型》文中指出
谢维[10](2021)在《基于神经网络的磨矿过程软测量模型及其自适应校正》文中研究指明
二、软测量模型自动生成系统的研究与开发(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、软测量模型自动生成系统的研究与开发(论文提纲范文)
(1)赖氨酸发酵过程关键变量多模型软测量建模及其在线监控系统设计(论文提纲范文)
1 改进的满意聚类算法描述 |
2 最小二乘支持向量回归机 |
3 基于PSO与SA的协同优化算法 |
4 子模型的连接方法 |
5 算法流程图 |
6 仿真试验与分析 |
6.1 数据采集 |
6.2 辅助变量的选择 |
6.3 结果与分析 |
7 发酵过程监控系统 |
7.1 总体方案 |
7.2 下位机硬件系统设计 |
7.3 上位机软件系统开发 |
7.3.1 系统初始化 |
7.3.2 COM组件构建 |
7.3.3 人机交互界面 |
8 结 论 |
(2)基于宽度学习的浓密机底流浓度软测量(论文提纲范文)
1 浓密脱水过程简介 |
2 基于宽度学习的底流浓度软测量 |
2.1 宽度学习基本原理 |
2.2 稀疏自动编码器 |
2.3 基于宽度学习的底流浓度软测量 |
3 仿真实验 |
3.1 数据生成 |
3.2 数据预处理 |
3.3 实验准备 |
3.4 结果分析 |
4 结语 |
(3)基于自适应递推最小二乘支持向量机的磨煤机一次风量软测量模型(论文提纲范文)
1 LSSVM模型及算法实现 |
2 自适应递推的LSSVM软测量模型 |
2.1 FLOO-CV预报误差 |
2.2 前向学习关键节点筛选 |
2.3 后向学习冗余样本剔除 |
3 磨煤机一次风量软测量建模及验证 |
3.1 一次风量软测量模型建立 |
3.2 模型仿真验证及结果分析 |
3.3 软测量平台及工程应用 |
4 结论 |
(4)基于SCN的稀土萃取过程建模研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题的研究背景和意义 |
1.1.1 稀土的简单介绍 |
1.1.2 稀土元素的制备 |
1.2 课题相关领域研究现状 |
1.2.1 稀土萃取过程组分含量检测研究现状 |
1.2.2 软测量建模研究现状 |
1.3 本文研究的主要内容及章节安排 |
1.3.1 主要研究内容 |
1.3.2 章节安排 |
第二章 稀土萃取分离工艺流程及其数学描述 |
2.1 稀土萃取工艺流程描述 |
2.2 稀土萃取分离过程动态数学描述 |
2.3 本章小结 |
第三章 SCN原理及仿真研究 |
3.1 随机配置网络的网络原理 |
3.1.1 随机向量函数连接网络 |
3.1.2 随机配置网络的基本结构 |
3.1.3 SCN的通用逼近性质 |
3.2 SCN的回归性能验证 |
3.2.1 数据集描述 |
3.2.2 仿真实例 |
3.3 本章总结 |
第四章 基于SCN的稀土元素组分含量软测量建模 |
4.1 软测量框架 |
4.2 变量选取 |
4.2.1 数据来源 |
4.2.2 变量的选取 |
4.3 样本数据处理 |
4.4 基于SCN的稀土萃取过程软测量模型的建立与仿真 |
4.4.1 模型的建立 |
4.4.2 仿真分析 |
4.4.3 正则化随机配置网络 |
4.5 本章总结 |
第五章 基于改进SCN的稀土萃取软测量建模 |
5.1 灰狼优化算法的基本原理及改进 |
5.1.1 灰狼优化算法基本原理 |
5.1.2 灰狼优化算法的改进 |
5.2 改进SCN软测量模型的建立 |
5.3 仿真分析 |
5.4 本章总结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
个人简历在读期间发表的学术论文 |
致谢 |
(5)基于虚拟样本生成的铈镨/钕萃取过程组分含量预测(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题来源、研究背景及意义 |
1.1.1 课题来源 |
1.1.2 研究背景及意义 |
1.2 本课题相关领域研究现状 |
1.2.1 稀土萃取过程组分含量软测量研究现状 |
1.2.2 小样本问题研究现状 |
1.3 主要内容及章节结构安排 |
第二章 CePr/Nd萃取过程描述及其溶液特性分析 |
2.1 稀土萃取工艺流程 |
2.2 稀土溶液图像采集系统 |
2.3 数据采集 |
2.4 CePr/Nd混合溶液特性分析 |
2.5 本章小结 |
第三章 基于SCN虚拟样本生成的CePr/Nd组分含量预测 |
3.1 随机配置网络的模型结构 |
3.2 基于SCN隐含层插值的虚拟样本生成 |
3.2.1 插值原理 |
3.2.2 虚拟样本生成方法 |
3.2.3 虚拟样本生成步骤 |
3.3 基于SCN虚拟样本生成的组分含量预测 |
3.3.1 CePr/Nd组分含量预测模型建立 |
3.3.2 实验验证及结果分析 |
3.4 本章小结 |
第四章 基于GA优化MD-MTD的 CePr/Nd组分含量预测 |
4.1 MD-MTD虚拟样本生成机制 |
4.2 基于GA优化MD-MTD的虚拟样本生成技术 |
4.2.1 GA算法的基本原理 |
4.2.2 虚拟样本生成方法 |
4.2.3 虚拟样本生成步骤 |
4.3 基于GA优化MD-MTD虚拟样本生成的组分含量预测 |
4.3.1 CePr/Nd组分含量预测模型建立 |
4.3.2 实验验证及结果分析 |
4.4 本章小结 |
第五章 基于混合虚拟样本的CePr/Nd组分含量预测 |
5.1 虚拟样本融合原理 |
5.2 基于混合虚拟样本的CePr/Nd组分含量预测模型 |
5.3 实验验证及结果分析 |
5.3.1 虚拟样本生成的合理性分析 |
5.3.2 虚拟样本生成的有效性分析 |
5.3.3 虚拟样本生成的适用性分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 主要工作总结 |
6.2 展望 |
参考文献 |
个人简历 在读期间发表的学术论文 |
致谢 |
(6)分布式延时工业系统软测量建模与应用(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 软测量技术概述 |
1.2.2 软测量建模步骤 |
1.2.3 具有延时特征的软测量技术研究现状 |
1.3 论文研究的主要内容 |
2 工业过程监测数据预处理 |
2.1 引言 |
2.2 工业过程数据分析 |
2.3 工业过程数据空值点处理方法 |
2.3.1 简单插补法 |
2.3.2 K-近邻插补法 |
2.3.3 多元线性回归插补法 |
2.4 工业过程数据异常值检测方法 |
2.4.1 基于留一交叉验证的异常值检测方法 |
2.4.2 案例分析 |
2.5 本章小结 |
3 一种两阶段辅助变量选择方法 |
3.1 引言 |
3.2 方法原理介绍 |
3.2.1 最大信息系数法 |
3.2.2 近似马尔可夫毯方法 |
3.2.3 两阶段辅助变量选择方法 |
3.3 实验与结果分析 |
3.4 本章小结 |
4 面向多阶段延时特征的关键变量估计方法 |
4.1 引言 |
4.2 随机森林回归方法介绍 |
4.2.1 CART决策树 |
4.2.2 Bagging算法 |
4.2.3 随机森林回归模型构建 |
4.3 基于随机森林回归的延时参数在线估计 |
4.4 面向多阶段延时特征的输出在线估计 |
4.5 案例研究与结果分析 |
4.6 本章小结 |
5 面向延时特征不明确的关键变量估计方法 |
5.1 引言 |
5.2 基本原理介绍 |
5.2.1 时延神经网络介绍 |
5.2.2 岭回归方法介绍 |
5.2.3 粒子群算法介绍 |
5.3 基于局部信息的加权岭回归方法 |
5.4 案例研究与结果分析 |
5.5 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读硕士期间的研究成果 |
(8)基于数据和机理混合驱动的复杂工业软测量方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 复杂工业过程介绍 |
1.2 课题研究背景及意义 |
1.3 软测量方法的研究现状 |
1.3.1 基于机理驱动的软测量方法研究现状 |
1.3.2 基于数据驱动的软测量方法研究现状 |
1.3.3 基于混合驱动的软测量方法研究现状 |
1.4 本文主要研究内容 |
1.5 全文的结构安排 |
2 相关理论基础 |
2.1 软测量基本理论 |
2.1.1 软测量的基本概念 |
2.1.2 软测量模型建立的基本步骤 |
2.2 软测量建模方法概述 |
2.2.1 相关性检验 |
2.2.2 小波阈值去噪 |
2.2.3 支持向量回归 |
2.2.4 粒子群优化算法 |
2.3 课题应用实例分析 |
2.3.1 空气预热器简介 |
2.3.2 空气预热器转子热变形分析 |
2.3.3 空气预热器漏风分析 |
2.4 本章小结 |
3 基于数据驱动的软测量方法 |
3.1 工业过程数据的处理及分析 |
3.1.1 工业过程数据采集 |
3.1.2 辅助变量的选择 |
3.1.3 小波分析进行数据去噪 |
3.1.4 数据集的选择及归一化 |
3.2 基于数据驱动的软测量方法建模 |
3.2.1 基于BP神经网络的软测量方法 |
3.2.2 基于支持向量回归的软测量方法 |
3.2.3 基于粒子群优化算法的支持向量机的软测量方法 |
3.2.4 基于小波分析和支持向量机的软测量方法 |
3.3 本章小结 |
4 基于数据和机理混合驱动的软测量方法 |
4.1 软测量方法的整体设计 |
4.2 混合驱动软测量建模方法概述 |
4.3 混合驱动软测量建模 |
4.3.1 基于误差的混合驱动软测量建模 |
4.3.2 基于叠加的混合驱动软测量的建模 |
4.3.3 基于权重因子的混合驱动的软测量建模 |
4.4 实验结果分析 |
4.4.1 机理模型建模结果分析 |
4.4.2 数据驱动模型建模结果分析 |
4.4.3 混合驱动模型建模结果分析 |
4.5 本章小结 |
5 总结与展望 |
5.1 本文工作总结 |
5.2 工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间主要研究成果 |
四、软测量模型自动生成系统的研究与开发(论文参考文献)
- [1]赖氨酸发酵过程关键变量多模型软测量建模及其在线监控系统设计[J]. 朱熀秋,王星宇,王博. 江苏大学学报(自然科学版), 2021(06)
- [2]基于宽度学习的浓密机底流浓度软测量[J]. 贾润达,胡慧明,张树磊. 东北大学学报(自然科学版), 2021(09)
- [3]基于自适应递推最小二乘支持向量机的磨煤机一次风量软测量模型[J]. 张坚群,张新胜. 热力发电, 2021(11)
- [4]基于SCN的稀土萃取过程建模研究[D]. 张瑞旭. 华东交通大学, 2021(01)
- [5]基于虚拟样本生成的铈镨/钕萃取过程组分含量预测[D]. 赖路璐. 华东交通大学, 2021(01)
- [6]分布式延时工业系统软测量建模与应用[D]. 陈庞. 西安理工大学, 2021(01)
- [7]基于注意力机制和CNN的水泥熟料游离钙含量软测量研究[D]. 丁伯川. 燕山大学, 2021
- [8]基于数据和机理混合驱动的复杂工业软测量方法研究[D]. 赵雨凡. 西安理工大学, 2021
- [9]城镇污水厂进水BOD软测量及运行能耗分析模型[D]. 余鑫磊. 哈尔滨工业大学, 2021
- [10]基于神经网络的磨矿过程软测量模型及其自适应校正[D]. 谢维. 辽宁科技大学, 2021