多模型融合建模方法研究及其在软测量中的应用

摘要

针对化工过程关键质量指标无法实现在线测量的问题，可采用软测量技术实现关键质量指标的在线预测，其中软测量技术研究的核心内容是建模方法。由于采用单一模型难以建立较准确的化工过程软测量模型，因此提出了一种多模型融合建模方法。本文通过合理融合多个单一神经网络模型构建了一种组合神经网络模型结构，并针对许多化工过程各变量间存在强非线性相关的特点，引入核主元分析对组合神经网络模型的输入变量进行非线性降维处理，最终建了一种基于核主元分析-组合神经网络（KPCA-SNNs）的软测量建模方法，并将其应用于聚丙烯熔融指数软测量建模研究中。 具体研究内容如下: (1)影响化工过程的因素众多，且各变量间常存在相关性，若将这些辅助变量直接作为软测量模型的输入，则不仅会影响到模型的预测精度，还将大幅度增加模型的计算量。由于常规主元分析不适用于具有非线性特性的化工过程，因此充分利用了核主元分析的非线性特征提取能力，对软测量模型的输入变量进行非线性降维处理; (2)针对单一模型存在预测精度低和鲁棒性差等不足，通过合理融合多个神经网络模型，提出了一种组合神经网络建模方法。由于组合权重选取对模型性能影响较大，因此提出了两种组合权重计算方法，分别是岭回归分析方法和基于最小化最大绝对误差的最优线性组合权重计算方法。采用核主元分析对组合神经网络的输入样本数据进行前期处理，然后将其结果作为模型输入，从而建立了一种基于核主元分析-组合神经网络(KPCA-SNNs)的软测量建模方法; (3)将KPCA-SNNs应用于聚丙烯熔融指数软测量研究中。首先根据丙烯聚合工艺合理选择辅助变量，采集样本数据并进行预处理，包括随机误差处理、特异点剔除、归一化和核主元分析等;然后根据预处理后的训练样本数据建立了基于KPCA-SNNs的聚丙烯熔融指数软测量模型;最后开展了软测量模型的性能测试，仿真结果表明，与常规组合神经网络相比，该软测量模型具有更好的鲁棒性和预测精度，并提高了运算速度，同时还采用上述熔融指数软测量模型开展了过程特性分析，研究各主要过程变量对聚丙烯熔融指数的影响。 本文提出了一种基于KPCA-SNNs的多模型融合建模方法，并较好地应用于聚丙烯熔融指数软测量中。研究结果既为软测量建模提供了一种具有良好性能的建模方法，又较好地解决了化工过程重要质量指标无法在线估计问题，具有重要的理论意义与应用价值，将有利于促进软测量技术在化工过程中的实践应用。

目录

声明

摘要

第一章 绪论

1．1 课题背景及意义

1．2 多模型融合建模方法的研究

1．3 全文结构

第二章 软测量建模方法及其在化工过程中的应用

2．1 引言

2．2 软测量技术

2．3 软测量建模方法

2．3．1 机理建模

2．3．2 数据驱动建模

2．3．3 混合建模

2．4 小结

第三章 基于核主元分析的组合神经网络模型

3．1 引言

3．2 核主元分析

3．2．1 核函数

3．2．2 主元分析

3．2．3 实施步骤

3．3 组合预测

3．3．1 组合预测分类

3．3．2 组合系数确定

3．3．3 最优线性组合预测模型

3．4 基于KPCA-SNNs的建模方法

3．4．1 BP神经网络

3．4．2 SNNs模型组合系数

3．4．3 KPCA-SNNs实施步骤

3．5 小结

第四章 聚丙烯熔融指数软测量

4．1 引言

4．2 聚丙烯生产工艺

4．2．1 聚丙烯工艺分类

4．2．2 Spheripol工艺

4．3 聚丙烯熔融指数软测量模型

4．3．1 辅助变量选取

4．3．2 数据采集与预处理

4．3．3 模型参数选择

4．3．4 模型性能比较

4．3．5 聚合过程特性再分析

4．4 小结

第五章 总结与展望

5．1 全文总结

5．2 研究展望

参考文献

致谢

攻读学位期间发表的学术论文目录