工業(yè)工程中存在許多關(guān)鍵過程變量,與生產(chǎn)效率或生產(chǎn)質(zhì)量密切相關(guān),但由于手段缺乏或考慮成本,很多關(guān)鍵變量難以直接測量。軟測量專注于解決上述難題,通過采集與目標(biāo)變量相關(guān)性較強(qiáng)的過程變量作為輸入,將目標(biāo)變量作為輸出,建立數(shù)學(xué)模型,實現(xiàn)對目標(biāo)變量的估計。目前針對軟測量的研究主要集中于對建模方法的研究,而現(xiàn)存建模方法并不完全適用于結(jié)構(gòu)龐大、機(jī)理復(fù)雜、參變量繁多的復(fù)雜工業(yè)過程的參數(shù)建模,同時,針對混合驅(qū)動建模方法、非完整數(shù)據(jù)的處理、輔助變量的選擇等方面的研究相對缺乏。本論文針對復(fù)雜工業(yè)系統(tǒng)中的測量信息難、建立模型難、實施控制難等關(guān)鍵問題開展研究,以軟測量的模型結(jié)構(gòu)與訓(xùn)練方法的研究為核心,基于深度學(xué)習(xí)方法建立軟測量模型,并將其應(yīng)用于典型復(fù)雜工業(yè)過程中。同時,針對建模過程中的其他關(guān)鍵問題開展了研究,解決輔助變量選擇難以及數(shù)據(jù)樣本不足的問題。本研究對于解決工業(yè)過程控制中的關(guān)鍵科學(xué)問題、突破核心技術(shù),完善和推進(jìn)軟測量的發(fā)展都具有重要意義。主要研究內(nèi)容及創(chuàng)新性成果如下:1.提出了兩種基于深度學(xué)習(xí)方法的數(shù)據(jù)驅(qū)動軟測量模型。通過在深度神經(jīng)網(wǎng)絡(luò)頂層疊加支持向量回歸(Support vector regression,SVR),建立了基于堆疊自動編碼器(Stacked autoencoders,SAE)的 SAE-SVR 模型,以及基于深度信念網(wǎng)絡(luò)(Deep belief network,DBN)的DBN-IPSO-SVR模型。訓(xùn)練過程中重新定義了損失函數(shù),并對優(yōu)化算法做出了改進(jìn)。將上述模型用于火力發(fā)電廠空氣預(yù)熱器的轉(zhuǎn)子熱變形量預(yù)測,結(jié)果表明,與其他常見方法相比,在訓(xùn)練穩(wěn)定性和預(yù)測精度等方面都有了顯著提升。2.在SAE-SVR的基礎(chǔ)上,提出了一種機(jī)理與數(shù)據(jù)混合驅(qū)動的軟測量模型L-SAE。該模型既參考了工業(yè)過程的機(jī)理背景和專家知識,又利用現(xiàn)場數(shù)據(jù)更全面地反映過程信息。在相同實驗背景下對空氣預(yù)熱器轉(zhuǎn)子熱變形量的預(yù)測結(jié)果表明,與常用機(jī)理或數(shù)據(jù)驅(qū)動方法對比,L-SAE具有更高的預(yù)測精度和更好的模型泛化能力。3.為了解決軟測量建模過程中經(jīng)常出現(xiàn)的非完整數(shù)據(jù)問題,提出了一種結(jié)合生成式對抗網(wǎng)絡(luò)(Generative adversarial network,GAN)和變分自動編碼器(Variational autoencoder,VAE)的深度生成模型VA-WGAN。通過學(xué)習(xí)真實工業(yè)數(shù)據(jù)的分布,生成新樣本,補(bǔ)充軟測量建模的訓(xùn)練數(shù)據(jù)集。實驗結(jié)果表明,VA-WGAN解決了傳統(tǒng)GAN訓(xùn)練難的問題,收斂過程平穩(wěn)快速。與其他幾種常見的生成模型相比,VA-WGAN所生成的人工數(shù)據(jù)更接近真實數(shù)據(jù)分布。4.為了更有效地選擇軟測量的輔助變量,提出了一種基于變量間互信息與模型誤差的變量選擇方法MI-ME。同時,為了降低計算量,提出了一種新的神經(jīng)網(wǎng)絡(luò)權(quán)值更新方法。實驗結(jié)果表明,與其他常用變量選擇方法相比,在取得相同或相似的軟測量預(yù)測誤差的前提下,MI-ME所選出的變量集包含最少的輔助變量。以MI-ME所選的變量集作為軟測量模型的輸入,能在保證預(yù)測精度的同時簡化模型結(jié)構(gòu),降低模型的學(xué)習(xí)負(fù)擔(dān)。
【學(xué)位單位】：西安理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2020
【中圖分類】：TP18;TB22
【部分圖文】：

運行時，反映系統(tǒng)不同性質(zhì)的參量生成機(jī)理復(fù)雜、相互影響且環(huán)境惡劣。由于缺少方法與手段或出于成本的考慮，導(dǎo)致很多重要參數(shù)難以直接測量或根本無法測量。復(fù)雜工業(yè)過程的信息測量問題一直是國內(nèi)外學(xué)術(shù)界和工業(yè)界廣泛關(guān)注的熱點之一，也是解決“測量難、建模難、控制難”首先需要面對的問題。因此，以滿足國家重大需求為目標(biāo)，針對復(fù)雜工業(yè)系統(tǒng)中存在的測量信息難、建立模型難、實施控制難等關(guān)鍵問題開展研究，對于解決工業(yè)過程控制中的關(guān)鍵科學(xué)問題、突破核心技術(shù)，提高國家在高端裝備制造領(lǐng)域的技術(shù)水平都具有重要的意義。圖1-1軟測量技術(shù)的產(chǎn)生背景Figure1-1Thebackgroundofthesoftsensortechnology軟測量技術(shù)（也稱軟儀表技術(shù)）產(chǎn)生于上述應(yīng)用背景下，如圖1-1所示，是目前解決測量難問題的最重要手段之一。軟測量理論源于20世紀(jì)70年代Brosillow提出的推理控制，其建模思路如圖1-2所示。利用間接測量的思路，選擇與目標(biāo)變量直接相關(guān)的易測過程變量（稱為輔助變量或二次變量），以輔助變量為模型輸入，待測目標(biāo)變量（也稱主導(dǎo)變量）為模型輸出，通過建立輸入變量與輸出變量之間的數(shù)學(xué)模型，找到它們之間的映射關(guān)系，實現(xiàn)目標(biāo)變量的在線實時估計。與傳統(tǒng)方法相比，軟測量具有成本低、

1緒論3實時性好、維護(hù)簡單等顯著優(yōu)點[1]。圖1-2軟測量的建模原理Figure1-2Modelingprincipleofthesoftsensor近年來，隨著復(fù)雜工業(yè)系統(tǒng)對過程控制的效率和品質(zhì)的要求的提高，作為解決工業(yè)系統(tǒng)中無法或難以硬件測量的參數(shù)估計問題的有效手段，軟測量理論與技術(shù)得到了快速發(fā)展。目前，軟測量已被廣泛應(yīng)用于過程工業(yè)難測變量的在線估計，并取得了大量的理論研究和在過程工業(yè)應(yīng)用成果[2-4]，成為過程控制領(lǐng)域的研究熱點。同時，作為一項新興的控制技術(shù)，軟測量也是自動控制及檢測領(lǐng)域的重要研究方向之一，在控制科學(xué)和領(lǐng)域中已經(jīng)產(chǎn)生了越來越強(qiáng)大的影響力。表1-1多種控制方法的行業(yè)影響力調(diào)差結(jié)果Table1-1Industryimpactsurveyresultsofmultiplecontrolmethods控制方法高影響率低影響/無影響率PID控制100%0%模型預(yù)測控制78%9%系統(tǒng)辨識61%9%過程數(shù)據(jù)分析61%17%軟測量52%22%故障檢測與識別50%18%分散協(xié)調(diào)控制48%30%智能控制35%30%離散事件系統(tǒng)23%32%非線性控制22%35%自適應(yīng)控制17%43%魯棒控制13%43%混合動態(tài)系統(tǒng)13%43%2015年，國際自動控制聯(lián)合會（InternationalFederationofAutomaticControl，IFAC）對其成員發(fā)起了一份調(diào)查，以了解他們對先進(jìn)控制的影響以及當(dāng)前面臨的挑戰(zhàn)的看法。其中一個問題是調(diào)查多項先進(jìn)控制技術(shù)在多個控制科學(xué)和工程領(lǐng)域，包括航空航天、汽車、煉油、石化、化學(xué)品、金屬、生物醫(yī)學(xué)等領(lǐng)域中的影響力。被調(diào)查成員由IFAC的國家成員組織進(jìn)行提名，分別來自除南極洲以外的所有大洲的21個國家，他們中的52%從事上述工業(yè)領(lǐng)域相關(guān)工作，44%為學(xué)術(shù)界研究人員，4%為政府從業(yè)人員。調(diào)查結(jié)果發(fā)

西安理工大學(xué)博士學(xué)位論文10圖1-3論文結(jié)構(gòu)圖Figure1-3Structurediagramofthepaper第四章，建立了基于DBN的軟測量模型DBN-IPSO-SVR。以第三章相同的工業(yè)背景進(jìn)行實驗，并與其他方法的實驗結(jié)果進(jìn)行對比分析。第五章，針對軟測量的數(shù)據(jù)處理開展研究。建立一個新的深度生成模型VA-WGAN，學(xué)習(xí)真實工業(yè)數(shù)據(jù)的分布，生成新樣本，補(bǔ)充訓(xùn)練數(shù)據(jù)集，并通過軟測量實驗進(jìn)行效果分析。第六章，針對軟測量輔助變量的選擇開展研究。提出一種新的輔助變量的自動選擇方法MI-ME，從待選變量中選擇最優(yōu)子集作為模型的輸入，并通過軟測量實驗進(jìn)行效果分析。第七章，總結(jié)與展望。對博士期間完成的工作進(jìn)行總結(jié)，并對課題中仍待研究的內(nèi)容進(jìn)行展望。需要說明的是，建模與輔助手段的研究是一種先后關(guān)系，即數(shù)據(jù)補(bǔ)充方法及輔助變量的選擇方法都是在前期建立的軟測量模型SAE-SVR上進(jìn)行的效果驗證。因此在文章結(jié)構(gòu)方面，將數(shù)據(jù)補(bǔ)充及輔助變量選擇的研究安排在建模研究之后。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 榮岡，金曉明，王樹青;先進(jìn)控制技術(shù)及應(yīng)用 第三講 軟測量技術(shù)及其應(yīng)用[J];化工自動化及儀表;1999年04期

2 陳彥橋;郭一;劉建民;劉金琨;;一種改進(jìn)煙氣含氧量軟測量建模方法與仿真[J];動力工程學(xué)報;2011年01期

3 周鳴爭;基于神經(jīng)網(wǎng)絡(luò)的軟測量模型及應(yīng)用[J];儀器儀表學(xué)報;1999年06期

4 李永剛;湯偉;王孟效;;黑液波美度的軟測量[J];紙和造紙;2007年04期

5 羅曉,陳耀,孫優(yōu)賢;基于統(tǒng)計回歸的質(zhì)量推斷方法[J];信息與控制;2001年05期

6 黃鳳良;軟測量思想與軟測量技術(shù)[J];計量學(xué)報;2004年03期

7 郭慶武,張湜;基于軟測量的先進(jìn)控制系統(tǒng)的實現(xiàn)[J];自動化博覽;2003年05期

8 譚超;吳同;;增強(qiáng)偏最小二乘回歸算法在近紅外光譜法啤酒度數(shù)軟測量建模中的應(yīng)用[J];理化檢驗(化學(xué)分冊);2010年08期

9 馮大春;;汽提塔塔底氨含量的軟測量模型[J];遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版);2011年02期

10 王華忠;;高斯過程及其在軟測量建模中的應(yīng)用[J];化工學(xué)報;2007年11期

相關(guān)博士學(xué)位論文 前10條

1 王曉;基于深度學(xué)習(xí)的復(fù)雜工業(yè)軟測量理論與方法[D];西安理工大學(xué);2020年

2 劉乙奇;自確認(rèn)軟測量模型研究及其在污水處理中的應(yīng)用[D];華南理工大學(xué);2013年

3 馬亮;復(fù)雜工業(yè)過程質(zhì)量相關(guān)故障的根源診斷與傳播路徑辨識[D];北京科技大學(xué);2019年

4 孫元;軟測量模型自適應(yīng)校正與高溫場軟測量方法研究[D];中南大學(xué);2012年

5 李春富;基于數(shù)據(jù)的軟測量建模方法及其應(yīng)用的研究[D];清華大學(xué);2005年

6 傅永峰;軟測量建模方法研究及其工業(yè)應(yīng)用[D];浙江大學(xué);2007年

7 趙利強(qiáng);發(fā)酵過程智能測控系統(tǒng)關(guān)鍵技術(shù)研究[D];北京化工大學(xué);2009年

8 袁小鋒;基于即時學(xué)習(xí)的復(fù)雜非線性過程軟測量建模及應(yīng)用[D];浙江大學(xué);2016年

9 李修亮;軟測量建模方法研究與應(yīng)用[D];浙江大學(xué);2009年

10 王露笛;心律失常與心力衰竭智能診斷方法研究[D];北京郵電大學(xué);2019年

相關(guān)碩士學(xué)位論文 前10條

1 Yousuf Babiker Mohammed Osman;[D];蘭州理工大學(xué);2020年

2 童文洪;基于數(shù)據(jù)融合技術(shù)的氧量軟測量研究及其應(yīng)用[D];華北電力大學(xué)（北京）;2009年

3 梁杰;基于數(shù)據(jù)的軟測量建模方法研究及應(yīng)用[D];杭州電子科技大學(xué);2009年

4 蘇令磊;先進(jìn)控制軟測量子系統(tǒng)組態(tài)軟件的開發(fā)及其應(yīng)用[D];中國石油大學(xué);2010年

5 毛佳敏;深度學(xué)習(xí)算法在軟測量建模中的應(yīng)用研究[D];南京郵電大學(xué);2016年

6 鞠遠(yuǎn)楓;燃煤灰渣含碳量的軟測量模型設(shè)計與研究[D];大連海事大學(xué);2012年

7 王賽;青霉素發(fā)酵過程軟測量建模方法的研究[D];東北大學(xué);2010年

8 郭慶武;軟測量模型生成系統(tǒng)研究與應(yīng)用[D];南京工業(yè)大學(xué);2003年

9 陶玲;石油樹脂粘度的軟測量研究[D];上海交通大學(xué);2009年

10 王永吉;支持向量機(jī)泛化性能的研究及其應(yīng)用[D];江南大學(xué);2009年

本文編號：2858395