基于GRA-LSSVR的碳酸法糖厂澄清过程建模

摘要

碳酸法糖厂澄清过程的机理复杂，建模难，变量多。在变量中，有些只是基本的物理化学参数，有些影响了澄清过程的生产指标。生产指标是反映澄清效果和成品糖质量的参数。做好生产指标的建模预测，可以提高糖厂的生产效率。实际上，糖厂运用预测等相关研究理论，与实际有差距，主要还是依靠人工经验进行生产操作。为此，本文在支持向量机(SupportVector Machine，SVM)的理论基础上建立碳酸法澄清过程生产指标的预测模型，为糖厂澄清过程的预测研究提供一个新的方法。
　　 本文首先在分析碳酸法澄清工艺的基础上确定澄清过程的生产指标和工艺参数，数据预处理澄清过程的数据，为后续分析准备数据样本。接着基于灰色关联分析(Grey Relational Analysis，GRA)的原理计算生产指标与工艺参数之间的关联度，通过关联序和信息比，知道影响生产指标的主要工艺参数，解决预测模型的输入问题。然后介绍SVM有关理论，在最小二乘支持向量回归(Least Squares Support Vector Regression，LSSVR)的原理和算法的分析基础上分别用多次尝试选择和惯性权重粒子群算法优化模型参数并建立LSSVR模型，对糖浆色值和糖浆钙盐作预测分析，验证数据预处理对模型效果的影响。另外，基于PSO-LSSVR模型，优化出澄清过程的工艺设定值，与原设定值对比分析预测效果。最后，用VB建立碳酸法糖厂澄清过程建模软件，显示澄清过程预测模型的结果。
　　 仿真结果表明，数据预处理提高模型的预测精度;用惯性权重粒子群算法建立的LSSVR模型不仅预测精度高，而且优化的工艺设定值比原设定值的预测效果好，为碳酸法糖厂澄清过程提供一个新的预测建模方法。

目录

声明

摘要

第一章 绪论

1．1 选题背景及意义

1．2 澄清过程预测建模的研究现状

1．3 参数优化设定的研究现状

1．4 支持向量机的研究现状

1．5 粒子群优化算法的研究现状

1．6 本论文的主要研究内容和章节安排

第二章 碳酸法澄清过程的数据预处理

2．1 引言

2．2 碳酸法

2．3 碳酸法澄清工艺流程

2．4 澄清过程的工艺参数与数据样本

2．5 澄清过程的工艺条件

2．6 澄清过程的数据预处理

2．7 澄清工艺存在的问题

2．8 本章小结

第三章 碳酸法澄清过程的灰色关联分析

3．1 引言

3．2 灰色关联分析

3．2．1 GRA的原理

3．2．2 GRA的计算过程

3．2．3 GRA的改进之处

3．3 数据样本

3．4 计算过程与结果

3．5 本章小结

第四章 基于LSSVR的碳酸法澄清过程建模

4．1 引言

4．2 支持向量机的基本原理

4．2．1 统计学习理论

4．2．2 支持向量分类

4．2．3 支持向量回归

4．2．4 SVM的核函数

4．3 最小二乘支持向量回归

4．3．1 问题描述

4．3．2 最小二乘法

4．3．3 LSSVR算法

4．3．4 LSSVR计算步骤

4．4 基于LSSVR的澄清过程建模流程

4．5 基于LSSVR的澄清过程生产指标预测

4．6 本章小结

第五章 基于PSO-LSSVR的碳酸法澄清过程建模

5．1 引言

5．2 粒子群优化算法

5．2．1 PSO算法的原理

5．2．2 PSO算法的描述

5．2．3 PSO算法的参数

5．2．4 改进的PSO算法

5．3 基于PSO--LSSVR的澄清过程建模流程

5．4 基于PSO-LSSVR的澄清过程生产指标预测

5．5 基于PSO-LSSVR模型寻找澄清过程工艺参数设定值

5．5．1 寻找澄清过程工艺参数设定值步骤

5．5．2 寻找工艺设定值

5．5．3 工况样本的筛选

5．6 本章小结

第六章 碳酸法澄清过程建模的软件设计

6．1 引言

6．2 碳酸法澄清过程建模软件的设计和实现

6．2．1 碳酸法澄清过程建模软件的VB主界面

6．2．2 实时数据管理界面

6．2．3 组态王监控主界面

6．2．4 离线数据管理界面

6．3 本章小结

第七章 结论与展望

参考文献

致谢

攻读硕士期间发表的论文情况