论文部分内容阅读
软测量建模技术作为过程控制理论中一个重要的研究方向,目前已经被广泛应用在工业过程中。21世纪以来工业生产数据越来越受到人们的重视,生产数据信息也成为重要的资源,掌握和有效利用数据信息资源也成为企业强大竞争力的重要体现。随着智能仪表在大规模结构复杂的新工业生产过程或改造升级的传统工业过程中的大量应用,产生和存储了海量的历史生产数据,有效利用这些数据建立软测量模型对难以在线测量的关键质量变量进行测量,进一步对生产过程进行监控和优化,从而实现绿色生产、节能降耗和提高产品质量的目的。作为多种高分子材料的关键原料,以及生产精细化工产品的重要原料,双酚A(Bisphenol A,BPA)生产与人们的生活息息相关,研究BPA生产过程的软测量建模与优化算法可以给国内BPA制造业提供较大竞争优势和发展空间。因此,本学位论文围绕BPA生产过程的软测量建模、参数优化和模型融合等方面展开研究,具体研究内容概括如下:(1)为了提高基于相关向量机(relevance vector machine,RVM)的软测量模型估计精度,提出基于量子粒子群优化算法(quantum particle swarm optimization,QPSO)优化RVM核函数参数值的方法。通过建立电厂电能输出软测量模型和某BPA工厂生产过程中裂解回收单元的BPA含量软测量模型对提出的方法进行验证,实际应用结果表明优化后的RVM模型估计精度得到提高,证明了该方法的有效性。(2)针对初始聚类中心选取不确定导致K-means聚类效果不理想以及密度峰聚类算法无法有效分离小密度类别的问题,提出了一种基于密度峰(density peak,DP)和K-means联合聚类的多模型软测量建模方法。首先,采用密度峰聚类算法确定训练数据的固定初始聚类中心,并增加一个随机初始聚类中心共同作为K-means算法的初始聚类中心进行分类,以解决小密度类别的分离问题;其次,采用随机森林回归(random forest regression,RFR)方法建立各子类的回归子模型;最后,采用“开关切换”方法进行多模型融合。将提出的方法用于建立硫磺回收生产过程和某BPA工厂中反应脱水单元的软测量模型,分别对H2S和BPA含量进行估计。应用结果表明,基于密度峰和K-means联合聚类的多模型软测量建模方法能够有效提高模型的估计精度。(3)针对多模型融合建模方法在过程工业软测量建模中的融合性能差、子模型利用率和模型预测精度低等问题,提出一种基于最小二乘支持向量机(least squares support vector machine,LSSVM)多模型融合和误差补偿的软测量建模方法。首先利用DP&K-means联合聚类方法和随机森林回归方法建立多个子模型;然后利用最小二乘支持向量机方法对子模型输出进行融合获得多模型输出;最后结合误差补偿模型对多模型输出进行误差补偿校正。将提出的多模型建模方法应用于丁烷蒸馏过程和BPA生产过程的反应脱水单元与结晶单元的软测量建模中。仿真结果表明模型的融合性能和估计精度得到提高,证明该方法是有效的。