学位论文 > 优秀研究生学位论文题录展示

丁苯橡胶聚合转化率软测量方法研究

作　者: 徐鸿飞
导　师: 李炜
学　校: 兰州理工大学
专　业: 控制理论与控制工程
关键词: 软测量核主元分析最小二乘支持向量机径向基神经网络部分最小二乘法小波核多核
分类号: TP274
类　型: 硕士论文
年　份: 2012年
下　载: 40次
引　用: 0次
阅　读: 论文下载

内容摘要

丁苯橡胶是一种人工合成橡胶，因其良好的性能可在许多方面替代天然橡胶，已被广泛应用于人们日常生活及军工领域。丁苯橡胶生产的难点在于对聚合转化率的时实监控。目前，国内丁苯橡胶生产企业多采用实验室人工方法对其分析控制，该方法因存有严重的时滞问题，不仅控制效果不佳还会带来人力，物力等资源的浪费。软测量技术的发展为上述问题的解决提供了一条良好途径。然而，目前采用该技术对聚合转化率进行研究的文章还不多见。就丁苯橡胶生产而言，虽工艺复杂，但工作点相对稳定，辅助变量间存有较强的非线性，企业对聚合转化率预测也有较高精度要求。因此，针对该具体对象，本文以核函数思想为基础，提出了3种丁苯橡胶聚合转化率预测的软测量建模方法。其一是基于KPCA–LSSVM的丁苯橡胶聚合转化率软测量方法。考虑实际工况复杂性和企业对预测精度的要求，首先采用具有较强非线性特征提取能力的核主元分析（KPCA）对数据进行前期处理，并将其结果作为具有小样本、良好泛化能力最小二乘支持向量机（LSSVM）的输入，建立了丁苯橡胶聚合转化率软测量模型。其二是基于多核技术对丁苯橡胶聚合转化率软测量方法。在采用KPCA对数据进行前期处理的基础上，以此为输入建立了丁苯橡胶聚合转化率在线预测的径向基函数（RBF）神经网络模型。考虑RBF存在单一核难以全面精确描述复杂问题的缺陷，将具有时频突出局部表征能力的小波核引入，构造了高斯核及小波核的混合核预以弥补。其三是基于核函数的PLS丁苯橡胶聚合转化率软测量方法。考虑偏最小二乘（PLS）算法非线性处理能力的不足，核函数的引入可以提高其非线性处理能力，分别建立了单核和混合核函数的丁苯橡胶聚合转化率PLS预测模型。上述三种软测量建模方法经工业数据仿真研究，结果表明均能满足企业对丁苯橡胶聚合转化率预测指标的要求。KPCA用于复杂数据的前期处理可以为后续模型提供更为精准的数据信息；小波核具有更好的局部表征能力；而基于混合核函数的PLS建模方法，不但可以较好的描述对象的复杂特征，去除噪声，而且同时考虑输入输出间相关性，在对同批数据仿真结果中，基于核函数的PLS的预测精度和效果最好，更适宜建模预测。

全文目录

摘要  8-9
Abstract  9-11
插图索引  11-12
附表索引  12-13
第1章绪论  13-24
  1.1 聚合转化率软测量课题研究的意义  13-14
  1.2 软测量技术构成  14-16
    1.2.1 辅助变量选择  14-15
    1.2.2 数据采集及处理  15-16
    1.2.3 软测量模型建立  16
    1.2.4 软测量模型校正  16
  1.3 软测量建模方法  16-22
    1.3.1 基于工艺机理建模  16-17
    1.3.2 基于状态估计建模  17
    1.3.3 基于回归估计建模  17-19
    1.3.4 基于神经网络建模  19
    1.3.5 基于统计理论建模  19-21
    1.3.6 基于模式识别建模  21
    1.3.7 基于模糊数学建模  21
    1.3.8 基于相关分析建模  21
    1.3.9 基于过程层析成像建模  21-22
  1.4 论文的主要研究内容及章节安排  22-24
第2章丁苯橡胶聚合转化率软测量辅助变量选取  24-29
  2.1 引言  24
  2.2 丁苯橡胶工艺及生产流程简介  24-26
    2.2.1 丁苯橡胶工艺简介  24
    2.2.2 丁苯橡胶主要原料及生产流程简介  24-26
  2.3 影响丁苯橡胶产品质量的因素分析  26
    2.3.1 影响丁苯橡胶产品质量的因素  26
    2.3.2 聚合转化率控制在丁苯橡胶生产中的重要性分析  26
  2.4 聚合转化率辅助变量的选取  26-28
    2.4.1 聚合转化率辅助变量选取原则  26-27
    2.4.2 聚合转化率辅助变量确立  27
    2.4.3 聚合转化率辅助变量采集  27-28
  2.5 本章小结  28-29
第3章基于 KPCA–LSSVM 的丁苯橡胶聚合转化率软测量  29-37
  3.1 引言  29
  3.2 基于 KPCA-LSSVM 的丁苯橡胶聚合转化率建模  29-33
    3.2.1 PCA 算法及其在数据处理存在问题  29-30
    3.2.2 KPCA 算法简介  30-31
    3.2.3 LSSVM 算法  31-32
    3.2.4 基于 KPCA-LSSVM 丁苯橡胶聚合转化率建模流程  32-33
  3.3 基于 KPCA-LSSVM 模型的丁苯橡胶聚合转化率预测  33-36
    3.3.1 预测模型建立  33-34
    3.3.2 预测结果分析  34-36
  3.4 本章小结  36-37
第4章基于多核技术的丁苯橡胶聚合转化率软测量  37-45
  4.1 引言  37-38
  4.2 基于 KPCA-MK-RBF 的丁苯橡胶聚合转化率建模  38-41
    4.2.1 RBF 神经网络简介  38-39
    4.2.2 混合核 RBF 神经网络  39-40
    4.2.3 基于 KPCA-MK-RBF 的丁苯橡胶聚合转化率建模流程  40-41
  4.3 基于 KPCA-MK-RBF 模型的丁苯橡胶聚合转化率预测  41-44
    4.3.1 预测模型建立  41
    4.3.2 模型测试及结果分析  41-44
  4.4 本章小结  44-45
第5章基于核函数的 PLS 丁苯橡胶聚合转化率软测量  45-52
  5.1 引言  45
  5.2 基于 KPLS 的丁苯橡胶聚合转化率建模  45-48
    5.2.1 PLS 迭代算法  45-46
    5.2.2 PLS 算法分析及改进  46-47
    5.2.3 KPLS 算法简介  47-48
    5.2.4 基于 KPLS 的丁苯橡胶聚合转化率建模流程  48
  5.3 基于 KPLS 的丁苯橡胶聚合转化率预测  48-51
    5.3.1 预测模型建立  48
    5.3.2 预测结果分析  48-51
  5.4 本章小结  51-52
结论与展望  52-53
参考文献  53-59
致谢  59-60
附录 A 攻读学位期间所发表的学术论文目录  60-61
附录 B部分丁苯橡胶聚合转化率数据  61-64

丁苯橡胶聚合转化率软测量方法研究

内容摘要

全文目录

相似论文