【摘要】：在工業(yè)生產過程中,一些關鍵變量的參數難以通過在線實時檢測得到,使生產過程的控制和優(yōu)化受到了巨大的限制。軟測量技術的出現是解決該問題的有效方法之一。目前,軟測量建模多采用神經網絡、最小二乘、徑向基函數網絡、支持向量機等方法建立軟測量模型。這類模型通常不能給出軟測量結果的精度參數和置信度區(qū)間,影響了其在實際生產控制中的應用。同時,海洋酶發(fā)酵過程是一種內部機理復雜的非線性生化反應過程,直接建立軟測量模型不僅會提高模型的復雜度引入大量噪聲,而且難以保證軟測量結果的可靠性。另外,能得到置信度信息的高斯過程回歸(Gaussian Process Regression,GPR)軟測量模型本身也存在尋優(yōu)效率低、模型穩(wěn)定性差等問題。針對以上問題,本文將多種模型優(yōu)化算法與高斯過程回歸軟測量模型相結合,以工業(yè)海洋蛋白酶發(fā)酵過程為研究對象,對所提軟測量方法進行驗證和評估。具體工作如下:(1)針對一般軟測量建模方法不能給出置信度區(qū)間的問題,以海洋蛋白酶發(fā)酵過程為對象,建立了GPR軟測量模型。與傳統(tǒng)建模方法相比,所建立的模型不僅可以實現對主導變量海洋蛋白酶活性的軟測量,同時給出了軟測量結果的置信度區(qū)間,且能夠對輸入變量傳感器異常做出合理反映。(2)針對海洋酶發(fā)酵過程中輔助變量多、變量之間存在冗余,導致建模困難、軟測量精度低等問題,提出一種基于平均影響值的神經網絡(NN-MIV)變量選擇方法。該方法綜合考慮了輔助變量對主導變量的內部貢獻率和外部貢獻率,結合兩種貢獻率指標作為篩選輔助變量的依據,獲得最優(yōu)輔助變量,優(yōu)化了GPR軟測量模型。通過海洋酶發(fā)酵過程軟測量實驗,結果表明,該方法降低了計算量、簡化了模型、軟測量精度得到了提高。(3)針對NN-MIV方法篩選變量過程中,因簡化模型而舍棄太多變量使信息丟失嚴重導致變量利用率低的問題,提出一種基于NNMIV-PCA的變量選擇方法。NNMIV方法表征了輔助變量對主導變量的特征權重,通過動態(tài)設置一次篩選閾值,獲得特征權重較大的若干個變量;然后利用主成分分析法(PCA)對特征權重較小的剩余變量進行二次篩選,動態(tài)設置二次篩選閾值,獲得貢獻率最大的若干個主成分;綜合兩次變量篩選依據,確定最終輔助變量。實驗結果表明,該方法在保證具有較高貢獻率的同時,變量信息的利用率也得到了提高。(4)針對GPR軟測量模型在求解過程中存在尋優(yōu)效率低、模型穩(wěn)定性差的問題,引入啟發(fā)式算法,提出一種基于萬有引力搜索算法的高斯過程回歸軟測量模型(GSA-GPR)。萬有引力搜索算法(Gravitational Search Algorithm,GSA)根據牛頓運動學定律,假設每個粒子之間通過萬有引力而相互吸引,適應度值越大的粒子慣性質量越大,所有粒子就會朝著慣性質量大的粒子移動,通過設置最佳尋優(yōu)參數來逼近問題的最優(yōu)解,從而提高尋優(yōu)效率,同時也避免了陷入局部極值的問題。利用多組工業(yè)海洋酶發(fā)酵過程數據,對GSA-GPR模型進行驗證,實驗結果表明,該方法具有較好的泛化能力和穩(wěn)定性。
【學位授予單位】：江蘇大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TQ920.6;O212.1

【參考文獻】

相關期刊論文 前10條

1 于霜;程錦翔;;生物發(fā)酵過程變量的NN-MIV軟測量模型[J];控制工程;2015年02期

2 何志昆;劉光斌;趙曦晶;王明昊;;高斯過程回歸方法綜述[J];控制與決策;2013年08期

3 黃永紅;孫麗娜;孫玉坤;朱湘臨;;海洋蛋白酶發(fā)酵過程生物參數的軟測量建模[J];信息與控制;2013年04期

4 何仁初;韓偉東;;基于嚴格機理模型的精餾塔軟測量技術的開發(fā)[J];石油化工;2012年05期

5 徐富強;劉相國;;基于優(yōu)化的RBF神經網絡的變量篩選方法[J];計算機系統(tǒng)應用;2012年03期

6 王哲;王飛;劉力卿;郭佳;;基于多元回歸分析的光伏電站太陽輻射曝輻量模型[J];華北電力大學學報(自然科學版);2011年05期

7 唐志杰;唐朝暉;朱紅求;;一種基于多模型融合軟測量建模方法[J];化工學報;2011年08期

8 馮愛明;方利民;林敏;;近紅外光譜分析中的高斯過程回歸方法[J];光譜學與光譜分析;2011年06期

9 朱群雄;郎娜;;工業(yè)軟測量模型結構與輸入變量選擇的研究[J];控制工程;2011年03期

10 金洪鑫;夏陸岳;潘海天;;基于最小化最大絕對預測誤差的組合神經網絡軟測量建模方法[J];科技通報;2011年03期

相關碩士學位論文 前1條

1 謝志斌;神經網絡軟測量模型優(yōu)化方法在血糖濃度預測中的應用[D];江蘇大學;2016年

本文編號：2713642