论文部分内容阅读
实际生产过程中操作条件复杂、工况变化快,因而常常面临关键变量测量困难这一问题。软测量作为一种有效的在线测量和估计方法,不仅能较好地解决在线分析仪表的缺陷,对关键变量进行有效测量,还有助于生产过程的优化操作与先进控制。单一模型的软测量方法无法描述复杂系统的全局特性,而常用的多模型融合软测量方法大都依赖聚类的准确度,还存在融合能力低、性能互补差等问题。正因如此,本文从多模型的数据聚类和融合方法这两方面入手,结合生产过程的工艺特点,进行了如下工作:1、在聚类算法的优化问题上:传统的模糊核聚类算法依赖初始聚类中心、易陷入局部最优,针对这些问题,提出了一种基于高斯核化的自适应模糊核聚类算法,利用密度和距离相结合的方法选择初始聚类中心,利用核化的有效性指标评价聚类效果,成功对数据集进行模糊划分,自动得到最佳的聚类数目,改善了算法对初始值的敏感程度,提高了聚类效率,实现了算法的无监督性。仿真实验和实际应用很好地验证了算法的有效性。2、在多模型动态软测量的数据聚类问题上:针对基于单一模型的软测量建模方法存在的预测性能差和精度低等缺点,提出了基于证据(D-S)合成规则的多模型软测量方法。利用自适应模糊核聚类算法对数据集进行聚类后,考虑模糊类隶属度作为权值对多模型输出精度的影响,将证据理论引入到软测量中,利用D-S合成规则构造的权值因子对子模型输出进行融合,得到多模型的输出;并结合ARMA模型对多模型的输出进行动态校正。将上述方法用于非线性系统的软测量建模,仿真结果表明本文方法具有更好的预测性能。3、在化工过程中关键变量的软测量建模问题上:针对多模型软测量方法在实际应用中存在的融合能力低,适应性不强等缺点,提出了一种基于证据(D-S)合成规则和差分自回归滑动平均模型(ARIMA)的多模型动态软测量方法。针对仿射传播聚类方法在融合多模型输出上存在的精度问题,利用D-S合成规则构造权值因子,在此基础上进一步考虑到权值的可靠性,设计折扣因子对其修正,利用修正后的权值因子融合出多模型的输出;然后,考虑到多模型输出的不平稳性,利用ARIMA模型对其进行动态调整,提高了模型的融合能力与精度,改善了系统的动态特性。将该方法用于酯化率的软测量建模,结果表明本文方法是一种有效的软测量方法。