论文部分内容阅读
大型工业过程具有工况复杂多变、非线性、多变量等特性,并且含有较多无法直接测量的过程变量。这些过程变量通常是实际生产运行过程中的重要的控制指标,需要及时测量。软测量技术的出现,为生产控制系统中关键变量的测量提供了一种简单可行的方法。但是,在日趋复杂的工业生产运行环境中,仅仅采用简单的软测量模型通常很难满足精度要求。本文以某石化厂连续催化重整装置为对象,建立了催化重整脱氯前氢气含量多模型软测量模型,使用聚类算法对历史数据进行了聚类分析,并利用归类后的不同工况的子数据集建立了各个软测量子模型,最后采用分类算法完成了各个子模型间结合过程。具体包括以下几个方面: (1)针对传统的聚类算法通常需要预先设置初始聚类数目的问题,引进了快速搜索聚类算法,并对算法中截断距离的确定方法进行了改进。该聚类算法可以自动识别出数据样本中类簇的个数,符合工业过程运行工况多变的特点。将改进的算法应用于催化重整生产运行数据的聚类分析中,最终得到了可以反映各个运行工况的子数据集。 (2)针对在高斯过程软测量建模中,使用传统的共轭梯度法求解似然函数在训练样本维数较大时难以计算的问题,提出了一种改进的“教与学”优化算法(ImprovedTeaching-learning-based Optimization,ITLBO),并据此建立了基于ITLBO-GP的催化重整脱氯前氢气含量软测量子模型,最后利用实际现场运行数据对所建模型的预测性能进行了验证。 (3)在研究分析了各种模型整合方法的基础上,采用“开关切换模式”整合了各个子模型,并提出了一种基于球形结构的支持向量机(Support Vector Machine,SVM)分类器选择方法,提高了SVM在多分类问题上的精确度,并将该方法应用于连续催化重整脱氯前氢气含量软测量子模型整合过程中。结果表明,本文所提出的建模方法具有更好的预测精度。