基于KPCA-SVM的软测量技术研究与应用

摘要

在不同工业领域的应用中软测量是很有价值的工具，例如石油化工厂、冶金领域、发电厂、造纸厂、食品加工、核电站、城市和工业污染监测，等等。他们被用于解决不同的问题，例如假设分析、工业控制的实时预测、测量仪器的检验和故障诊断。本文结合氧化铝生产工艺知识，对软测量设计进行了深入的研究，并对软测量技术在实际工业过程中的应用进行了探讨和实践。本文的主要研究工作如下：
　　 (1)提出将基于核主元分析(KPCA)与支持向量回归(SVR)相结合的软测量建模方法应用于苛性比值与溶出率的检测。该方法通过KPCA提取包含辅助变量间高阶信息的特征主元，然后使用SVR建立特征主元和主导变量之间的回归模型。分析KPCA-SVR模型结构和数据在其内部的转换关系。
　　 (2)在线性关系残差分析基础上提出基于v-支持向量回归的异常值检测方法。支持向量回归中的结构风险函数以及KKT条件为异常值检测提供了几点条件：(a)它并不倾向于消除个别大的回归误差，而是从整体上考虑回归曲线的平滑性；因此，异常值与回归函数之间的距离将是显著的，容易观测。(b)有了ε不敏感区域，回归数据被划分成支持向量和非支持向量，而支持向量又被分成边界支持向量和非边界支持向量。非支持向量和非边界支持向量都位于ε不敏感区域以内，只有边界支持向量才可能位于ε不敏感区域以外。(c)支持向量机经过训练调整系数C的值可以抑制异常值影响。
　　 (3)在自联想神经网络的基础上提出基于核主元分析(KPCA)和RBF神经网络的数据协调方法。此技术可应用于在线数据协调。
　　 (4)在理论与实践的基础上提出完整的软测量设计步骤，在模型检验和模型校正方面也做了一定的研究。在模型检验方面应用模型残差图分析和关联性分析，在氧化铝溶出苛性比值与溶出率的测量中得以实践，得到较为满意的软测量模型。
　　 (5)对氧化铝拜耳法过程和管道化溶出理论、生产工艺作了深入分析，应用KPCA-SVR建立苛性比值与溶出率软测量模型。

目录

文摘

英文文摘

第1章 绪论

1.1 软测量

1.2 支持向量机

1.2.1 支持向量机原理

1.2.2 支持向量机与人工神经元网络

1.2.3 支持向量机研究现状

1.3 核主元分析

1.4 苛性比值与溶出率检测现状及其软测量

1.4.1 苛性比值与溶出率的重要意义

1.4.2 苛性比值与溶出率的检测现状

1.5 论文研究内容及结构

第2章 支持向量机和核主元分析

2.1 支持向量机(SVM)

2.1.1 硬间隔支持向量机

2.1.2 L1软间隔支持向量机(L1SVM)

2.1.3 映射到高维空间

2.1.4 L2软间隔支持向量机(L2SVM)

2.2 模型选择

2.2.1 Bootstrap用于模型选择

2.3 核主元分析(KPCA)

第3章 基于KPCA-SVR的软测量

3.1 辅助变量的选择

3.2 数据选择和数据协调

3.2.1 数据选择

3.2.2 数据协调(Data Reconciliation)

3.3 回归量选择

3.3.1 关联性分析和分散点图

3.3.2 Mallows统计法(Mallows' statistics)

3.3.3 主元分析(PCA)和核主元分析(KP CA)

3.4 基于核方法的软测量模型

3.4.1 最优超平面

3.4.2 L1软间隔支持向量回归(L1SVR)

3.4.3 L2软间隔支持向量回归(L2SVR)

3.4.4 最小二乘支持向量回归(LSSVR)

3.4.5 v-支持向量回归(v-SVR)

3.4.6 基于KPCA-SVR的软测量建模

3.5 模型检验

3.6 模型校正

3.7 仿真研究

第4章 基于KPCA-SVR软测量技术在氧化铝溶出工业过程中的应用研究

4.1 拜耳法氧化铝溶出工艺描述

4.1.1 拜耳法溶出基本原理

4.1.2 管道化溶出基本过程工艺流程

4.1.3 苛性比值及溶出率

4.2 KPCA-SVR软测量建模

4.2.1 辅助变量的选择

4.2.1 软测量模型工业数据仿真

第5章 结论

参考文献

致谢