AOSVR算法在电解液成分预测中的应用

摘要

在化工行业，通过电解获得所需要的工业产品是一种常见且有效的手段。电解过程涉及到一系列的非常复杂的物理、化学反应，具有高度的非线性、非稳态性、时滞性和时变性。随着人们对金属产品的质量越来越高的要求，有效且及时地控制和优化电解过程变得越来越重要。在众多控制参数中，以电解液中铜酸浓度的监测和控制最为重要。然后，目前缺乏可靠的铜酸浓度在线测量方法，使得及时、迅速的控制与优化难以实现。在线预测是工业生产领域一项新兴的研究内容，是对传统传感器测量技术的很好补充：支持向量机具有较强的非线性映射能力，近几年来在应用研究领域受到越来越多的关注。有鉴于此，本文采用支持向量机作为数学模型对电解铜过程中铜酸浓度进行在线预测，系统全面地研究电解铜生产工艺过程及电解反应的机理，并建立了相关的时间序列预测模型和结构参数的优化。 在众多支持向量回归算法中，AOSVR算法是近年来提出的在线回归算法。它比传统批处理算法更适应于时间序列预测，但没有考虑如何选择影响回归模型的参数C、ε和核参数。本论文在AOSVR算法中引入三步搜索法，形成自适应参数调整的在线支持向量回归模型，通过在线调整回归参数达到更好的预测精度和泛化能力。以均方差为评价指标，采用三步搜索法在动态置信区间内进行参数寻优，得到最优的在线回归预测模型的结构参数。 对实际生产过程中预测目标输出量铜酸浓度高度耦合的特点，建立了基于支持向量回归的多目标在线预测模型。同时，为避免传统支持向量回归批次训练时所导致的系统资源大量消耗情况，铜酸预测模型采用增量式算法。即预测模型中数据样本发生变化(增加或减少)时，系统根据变化的样本数据对原有模型结构进行更新。 最后，采用离线仿真的方法，分别采用多目标在线支持向量回归预测，传统支持向量回归及SMO回归算法仿真，从数据预测的逼近效果，均方误差值和模型训练时间对比，可以得到本文预测算法在电解液铜酸成分预测中的有效性。

目录

文摘

英文文摘

声明

第一章绪论

1.1引言

1.2论文研究的背景

1.3国内外研究现状

1.3.1支持向量机理论

1.3.2理论研究

1.3.3改进算法

1.3.4增量学习算法

1.4论文研究意义

1.5本文的主要工作

第二章ISA电解生产过程分析

2.1电解铜概述

2.2电解铜生产概况

2.2.1电解反应机理

2.2.2电解生产工艺

2.3影响电解铜质量的因素

2.3.1铜酸浓度的影响

2.3.2电解过程电流密度的影响

2.3.3杂质浓度的影响

2.3.4温度的影响

2.4影响铜酸浓度的因素分析

2.4.1电解液循环系统作用

2.4.2阳极铜的作用

2.4.3其它因素的影响

2.5铜酸浓度预测的方法及意义

2.5.1铜酸浓度预测的可行性分析

2.5.2电解铜酸成分与检测量的时序关系

2.6小结

第三章AOSVR在预测模型结构辨识中的应用

3.1支持向量机概述

3.1.1支持向量机的应用和发展现状

3.1.2支持向量存在的问题

3.2 AOSVR算法概述

3.2.1在线支持向量回归原理

3.2.2 AOSVR的发展过程及应用现状

3.3 MO-AOSVR算法实现过程

3.3.1支持向量回归(SVR)原理

3.3.2支持向量回归问题转化

3.3.3边界条件划分

3.3.4新数据引起的样本变化

3.4增量算法实现

3.4.1增量关系的引入

3.4.2样本的递增算法

3.4.3样本递减算法

3.5 R阵的迭代变换

3.6增量算法的初始化

3.7本章小结

第四章三步搜索法在线确定回归模型参数

4.1回归模型参数

4.1.1核结构的确定

4.1.2风险结构化惩罚因子的选择

4.2参数优化方法的确定

4.2.1回归模型参数置信区间分析

4.2.2寻优参数置信区间确定

4.2.3三步搜索参数寻优

第五章AOSVR在电解液成分预测中的应用

5.1成分预测模型的总体规划

5.1.1模型校正机制

5.1.2模型辅助变量(二次变量)的选取

5.2数据样本处理

5.2.1数据预处理方法

5.2.2数据标准化处理

5.3回归模型参数确定及确定

5.3.1径向基核确定

5.3.2风险惩罚因子确定

5.3.3误差边界函数的确定

5.4仿真结果对比

5.5结果分析与总结

第六章结论与展望

6.1论文研究总结

6.2未来工作展望

附录

参考文献

致谢