论文部分内容阅读
一切工业生产的目的是以最小的成本多产高质量的产品,而实现这一目标的难点在于对产品质量或与产品质量密切相关的重要过程变量实时分析并严格控制。随着计算机技术的快速发展,流程工业的信息化程度不断提高,软测量技术应运而生。目前,借助该技术来实时估计影响产品质量的关键参数,为监控生产过程提供参考,已成为提高生产效益、保证产品质量,而广受业界青睐的重要途径。就众多应用案例而言,单一模型的使用仍较为普遍,但同时也暴露出其难以全面描述复杂系统全局特性,预测精度和鲁棒性不尽如人意的问题。本文以多模型思想为基础,依据实际工业系统不同的工作属性和需求,提出了三种多模型软测量建模方法。其一是提出了一种基于动态Gauss-Markov估计的多模型软测量建模方法,分别使用静态模型RBF网络、动态模型OELM和OLS-SVM进行建模,再以动态Gauss-Markov估计进行融合。该方法的预测精度不仅高于任何一个子模型,且能够跟踪时变系统的动态特性。其二是提出了一种基于混合核函数稀疏最小二乘支持向量机的软测量建模方法。该方法使用多项式核函数和RBF核函数线性加权构成混合核函数,在模型内部形成多模型结构,兼顾最小二乘支持向量机的全局拟合能力与局部拟合能力,以矢量基学习作为稀疏解算法,改善最小二乘支持向量机的稀疏性。其三是提出了一种基于集成修剪的软测量建模方法。首先采用bagging方法建立多个LS-SVM弱学习器,然后利用AdaBoost.RT方法对弱学习器进行修剪,最后将修剪出的弱学习器加权输出。该方法有着较高的预测精度,且克服了集成算法需要存储空间大和预测时间长的问题,还在一定程度上改善了最小二乘支持向量机的稀疏性和鲁棒性问题。经对以上三种软测量建模方法进行仿真应用研究,结果表明前两种建模方法适用于工况较为复杂的系统。方法一在样本不充分的情况下,能够适应新工作点的出现;方法二在样本充分的情况下,更具模型结构简单、在线计算量较少、易于工程实现的优势。方法三则更适合工况稳定且预测精度有较高要求的工业系统。