【摘要】：預分解新型干法水泥生產技術將物料的預熱和分解分別移至懸浮預熱器和分解爐,懸浮狀態(tài)下的換熱、分解速度遠高于回轉窯中堆積態(tài)下的速度,根本上改變了生料分解的傳熱狀態(tài),大幅提高了熱效率和生產效率,成為當今水泥工業(yè)發(fā)展的主流。生料分解率是衡量水泥熟料質量的重要指標,確保分解率穩(wěn)定地保持在工藝要求的范圍內是分解爐乃至整個窯系統(tǒng)控制的關鍵。因而,分解率反饋信息的準確性與實時性至關重要。生料預分解系統(tǒng)中,各過程變量可通過檢測儀表進行在線快速率采樣,而生料分解率則通過人工采樣離線化驗的方法檢測,慢速率采樣信息無法及時反映過程工況。軟測量是解決該問題的有效方法,但預分解系統(tǒng)工藝復雜,難以建立精確的機理模型。數(shù)據(jù)驅動軟測量建模方法由于獲得過程相關信號相對容易而得到廣泛研究和應用,而現(xiàn)有的數(shù)據(jù)驅動模型多為靜態(tài)模型,過大的重采樣間隔導致動態(tài)信息丟失、模型性能較差。而基于多速率系統(tǒng)辨識的動態(tài)軟測量需要精心設計非線性測試實驗以獲取可靠的動態(tài)過程數(shù)據(jù),從而獲得準確的系統(tǒng)數(shù)學模型；且其優(yōu)化算法代價昂貴難以保證全局最優(yōu)解。因而,需要深入分析預分解系統(tǒng)過程特性和數(shù)據(jù)特點,建立基于快采樣速率輸入數(shù)據(jù)和慢采樣速率輸出數(shù)據(jù)的關聯(lián)推理動態(tài)軟測量模型,以滿足人工決策調整、過程運行安全監(jiān)控、自動推理控制及實時操作優(yōu)化的需求。本文從推理建模學習的角度將生料預分解等多速率系統(tǒng)的動態(tài)軟測量問題歸結為多變量時間序列回歸問題,是驅動數(shù)據(jù)具有非線性分布與“時間-空間”雙重關聯(lián)特點的高維學習問題。對此,本文結合數(shù)據(jù)挖掘與機器學習相關知識,提出基于動態(tài)數(shù)據(jù)特征提取的支持向量回歸模型,并實現(xiàn)生料分解率的軟測量。主要工作如下：(1)采樣自水泥生料預分解等復雜工業(yè)過程的多變量時間序列數(shù)據(jù)具有非線性、高維、冗余特點,流形學習方法中的局部保持投影(LPP)通常被用來提取此類數(shù)據(jù)的主要特征。但高頻率采樣的過程動態(tài)數(shù)據(jù)還具有函數(shù)型特點,其空間維變量與時間維變量之間具有雙重關聯(lián)結構模式特性。將粗糙度懲罰以加性方式引入LPP提出的懲罰局部保持投影(PLPP)能夠保留函數(shù)型數(shù)據(jù)的光滑性。但LPP、PLPP等基于向量展開形式數(shù)據(jù)的算法,在輸入空間高維、訓練樣本數(shù)目少、輸入變量強關聯(lián)等情況下會出現(xiàn)矩陣病態(tài)問題從而導致特征值分解失敗；另一方面,基于向量展開形式表示的樣本進行子空間的學習還將破壞數(shù)據(jù)不同維度上以及各維度之間的關聯(lián)結構�；谝陨戏治�,本文將加性粗糙度懲罰引入基于矩陣形式直接表示樣本的2D局部保持投影算法(2DLPP),提出2D懲罰局部保持投影(2DPLPP),該算法保留數(shù)據(jù)“時間-空間”2D關聯(lián)結構的同時保留了數(shù)據(jù)時間維上的光滑性。在此基礎上,本文進一步提出雙向2DPLPP算法對動態(tài)數(shù)據(jù)的時間維和空間維同時進行維數(shù)約簡,從而獲取更能反映數(shù)據(jù)雙重關聯(lián)結構特性的特征表達,并可以避免病態(tài)問題、降低特征值分解的規(guī)模,而且更加適合小樣本學習問題。結合數(shù)據(jù)挖掘與機器學習,本文提出基于雙向2DPLPP特征提取的ε-SVR軟測量建模方案,并用以實現(xiàn)水泥生料分解率的軟測量。基于多種特征提取方法的軟測量對比實驗結果表明雙向2DPLPP方法的有效性。(2) 2DPLPP等流形學習過程中,權矩陣(相似度矩陣)的構造通�；诰�性空間的歐氏距離以及熱核賦值。其中歐氏距離將所有形式數(shù)據(jù)等同為向量,無法利用矩陣(二階張量)數(shù)據(jù)的拓撲結構,因而難以獲取隱含在數(shù)據(jù)中的多模關系。針對該問題,本文以張量數(shù)據(jù)分析為基礎,結合權矩陣與核函數(shù)的一致性,采用格拉斯曼流形上的弦距離代替歐氏距離,提出張量因子權矩陣以改進2DPLPP等流形算法。其中,弦距離考慮了數(shù)據(jù)的輸入不變性,拓撲結構的獲取和運用使其魯棒性遠高于歐氏距離。然而,基于距離度量的權矩陣對數(shù)據(jù)的可靠性要求較高,此類方法對噪聲相對敏感。本文基于數(shù)據(jù)采樣時序關系提出的時序權矩陣相當于將數(shù)據(jù)的采樣信息作為監(jiān)督信息引入到無監(jiān)督算法,有效提高了算法的魯棒性。在此基礎上,本文還實現(xiàn)了上述多種權矩陣構造方法的混合。仿真實驗結果表明,張量因子權矩陣和時序權矩陣都能提高軟測量模型的精度。
[Abstract]:......
【學位授予單位】：東北大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TQ172.1

【相似文獻】

相關期刊論文 前10條

1 方瑩;;多角度的特征提取方法[J];鄭州輕工業(yè)學院學報(自然科學版);2010年03期

2 周生祥,馮培恩,潘雙夏;材焊接結構加工特征提取方法[J];浙江大學學報(自然科學版);1997年04期

3 王云鵬;刁智華;宋寅卯;王歡;;棉花葉部害螨病斑形態(tài)特征提取[J];鄭州輕工業(yè)學院學報(自然科學版);2013年04期

4 徐瑞芬;;基于冗余提升形態(tài)小波的非對稱表面特征提取研究[J];機電工程;2012年08期

5 吳響;錢建生;王海燕;秦海初;;微震信號多尺度非線性特征提取與辨識研究[J];儀器儀表學報;2014年05期

6 吳雅娟;徐亞軍;趙鵬;;分級特征提取在中子壽命深度校正中的應用[J];計算機系統(tǒng)應用;2014年03期

7 趙劍;許金濤;顧凌榕;;蛋白質序列在頻率域上的一種特征提取方法[J];南京工業(yè)大學學報(自然科學版);2013年06期

8 陶晨;印梅芬;王棟;;面料摩擦聲音特征提取[J];絲綢;2014年03期

9 李鵬;劉民;吳澄;;一種基于特征提取方法的智能預測算法[J];控制與決策;2007年12期

10 郭振鐸;劉洲峰;徐慶偉;朱永勝;;玻璃缺陷特征提取[J];中原工學院學報;2010年02期

相關會議論文 前10條

1 尚修剛;蔣慰孫;;模糊特征提取新算法[A];1997中國控制與決策學術年會論文集[C];1997年

2 潘榮江;孟祥旭;楊承磊;王銳;;旋轉體的幾何特征提取方法[A];第一屆建立和諧人機環(huán)境聯(lián)合學術會議（HHME2005）論文集[C];2005年

3 薛燕;李建良;朱學芳;;人臉識別中特征提取的一種改進方法[A];第十三屆全國圖象圖形學學術會議論文集[C];2006年

4 杜栓平;曹正良;;時間—頻率域特征提取及其應用[A];2005年全國水聲學學術會議論文集[C];2005年

5 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標的分割與特征提取[A];全國第二屆信號處理與應用學術會議專刊[C];2008年

6 魏明果;;方言比較的特征提取與矩陣分析[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

7 林土勝;賴聲禮;;視網膜血管特征提取的拆支跟蹤法[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

8 秦建玲;李軍;;基于核的主成分分析的特征提取方法與樣本篩選[A];2005年中國機械工程學會年會論文集[C];2005年

9 劉紅;陳光，

本文編號：2419686