多模型软测量理论研究及其在甲醇生产中的应用

论文摘要

本论文依托于内蒙古博源联合化工集团天然气制甲醇软测量项目,将粒子群(PSO)算法引入多模型软测量过程中,采用改进的基于加权策略的多模型算法对甲醇生产中质量参数的测量问题进行了研究,并着重分析了其在转化工艺中的应用。本文以甲醇生产工艺为研究平台,针对系统软测量问题进行了深入的研究,探索行之有效的方法来解决实际中的质量参数的软测量问题。首先,总体介绍了软测量系统结构及相关建模方法,通过对几种典型建模方法的研究,提出了改进的多模型算法,并将其应用于软测量建模过程中。该算法先采用FCM对训练样本进行聚类,并对每一类分别采用改进的RBF网络进行训练建立子模型以提高模型的预测精度。为了避免在求解过程中陷入局部最优,并提高全局寻优能力和收敛速度,提出了基于粒子群加权算法的多模型算法,以解决传统算法收敛速度慢,系统资源开销较大等问题。其次,将所提出的软测量方法用于对甲醇生产过程中转化工艺中天然气蒸汽转化率的预测,并通过同单模型及基于概率加权的多模型建模方法的比较,表明本文所提出的改进的多模型算法能够更加有效、快速地逼近预期结果,提高预测精度。最后,采用Delphi、Matlab及OPC技术实现了软测量系统的开发,并将其运用到甲醇生产过程当中。实际的工程测试表明,本文所研究的软测量算法在保证系统运行的实时性和可靠性的前提下,能够快速、准确和有效的实现对观测量的估计,从而节约测量成本,提高生产效益。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 甲醇生产过程软测量
• 1.2 软测量技术
• 1.2.1 辅助变量的选择
• 1.2.2 数据采集和预处理
• 1.2.3 软测量模型的建立
• 1.2.4 软测量模型在线效正
• 1.3 软测量建模方法概述
• 1.3.1 传统软测量建模方法
• 1.3.2 基于统计分析的方法
• 1.3.3 基于人工智能的软测量建模方法
• 1.4 本文的工作
• 1.5 本文的组织
• 1.6 论文主要创新点
• 1.7 本章小结
• 第二章 多模型软测量子模型建模
• 2.1 多模型理论
• 2.2 模糊C 聚类
• 2.2.1 隶属度函数
• 2.2.2 硬C-均值聚类算法
• 2.2.3 模糊C-均值聚类算法
• 2.3 径向基函数（RBF）网络
• 2.3.1 神经网络基本概念
• 2.3.2 径向基函数神经网络基本概念
• 2.3.3 RBF 网络训练
• 2.4 动态径向基函数网络
• 2.4.1 动态径向基函数网络
• 2.4.2 窗函数的选择
• 2.4.3 实例仿真
• 2.5 多模型软测量子模型建模
• 2.6 本章小结
• 第三章 多模型软测量加权建模
• 3.1 多模型建模方法
• 3.1.1 基于切换策略的控制器设计
• 3.1.2 基于加权策略的多模型方法
• 3.2 粒子群算法
• 3.2.1 粒子群基本原理
• 3.2.2 参数选取
• 3.2.3 全局模式与局部模式
• 3.2.4 粒子群算法特点
• 3.3 基于粒子群算法的多模型加权软测量
• 3.3.1 基于粒子群的加权算法原理
• 3.3.2 基于粒子群的加权算法流程
• 3.3.3 多模型加权建模
• 3.4 仿真实例
• 3.4.1 基于粒子群的多模型建模仿真
• 3.4.2 和其他建模方法比较
• 3.5 本章小结
• 第四章 甲醇转化工艺软测量建模
• 4.1 转化工艺及转化率的影响因素
• 4.1.1 转化工艺介绍
• 4.1.2 转化工艺中转化率的影响因素
• 4.2 转化过程软测量建模过程
• 4.2.1 辅助变量的选取
• 4.2.2 数据采集
• 4.2.3 数据预处理
• 4.2.4 聚类数的确定
• 4.2.5 数据聚类结果
• 4.2.6 单模型仿真
• 4.2.7 转化工艺软测量多模型的建立
• 4.2.8 软测量模型的校正
• 4.3 仿真结果比较
• 4.3.1 与单模型仿比较
• 4.3.2 与基于概率加权的多模型比较
• 4.4 本章小结
• 第五章 软测量系统工程实现
• 5.1 软测量系统的平台和开发工具的选择
• 5.1.1 软件特点
• 5.1.2 软测量系统的硬件组成部分
• 5.1.3 软测量系统的软件开发平台
• 5.2 软件部分功能
• 5.3 本章小节
• 总结和展望
• 1 本文的主要工作总结
• 2 进一步的讨论和展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的论文