氧化铝生产苛性比值软测量神经网络模型的在线修正方法研究

摘要

苛性比值是氧化铝生产高压溶出过程中一个重要的生产指标，它的高低反映了溶出质量的好坏，然而苛性比值软测量神经网络模型是建立在历史数据的基础上的，即使最初模型的精度很高，随着生产条件的改变仍然会出现无法适应的情况，从而将导致苛性比值的预测结果出现较大偏差，因此必须利用新的运行参数，对神经网络模型进行修正。通常采用的做法是人工采集样本离线进行训练，中断系统替换原有模型。这种方法费时费力，为了提高系统的可靠性，实际生产中提出了在线修正的要求。本文对氧化铝苛性比值软测量神经网络模型的在线修正方法进行了研究。 本文将所研究的苛性比值软测量神经网络模型的在线修正方法归结为解决三个主要问题：(1)何时需要对网络进行重新训练；(2)如何组织新的训练样本； (3)如何进行在线训练。然后从这三个问题入手，通过分析校正对象具有的特点，针对性的建立了在线修正模型。模型中以稳态检验和数据校正组成样本合格检验模块保证了新样本的合格性，以置信水平比较作为校正时机的判断依据，并采用了实时性很强的校正算法，从而很好的解决了上述三个问题。 实际应用证明这种在线修正方法提高了软测量模型的预测水平，解决了基于历史数据建立的神经网络模型随着时间推移难以适应新的工作条件的问题。而且因为执行过程均在计算机中进行，工作效率和可靠程度都得以大幅度提高。

目录

文摘

英文文摘

原创性声明及关于学位论文使用授权说明

第一章绪论

第二章苛性比值神经网络预测模型分析

第三章在线修正模型

第四章分布式复合神经网络模型修正

第五章软件界面及运行情况

第六章结束语

参考文献

致谢

攻读学位期间主要研究成果