一、基于支持向量机的数据建模在软测量建模中的应用（论文文献综述）
张相胜[1]（2021）在《微生物代谢产物发酵过程建模研究》文中提出微生物发酵过程往往要涉及到各种生物代谢反应及物理过程和化学反应,机理反应和内部的动态变化很难掌握。其生长过程涉及各种因素,属于典型的非线性系统,机理建模需要长期经验积累,考虑多种因素并进行简化处理。建立合理的数学模型是实现微生物发酵过程优化的基础,受到检测条件与水平的限制,发酵过程控制的许多重要过程变量数据通常是离线取样获得,无法在线实时检测及时反应发酵信息,具有较大时间延迟。此类复杂过程建模和优化技术亟需开展进一步的软测量研究。本文对于微生物代谢产物发酵过程模型结构已知但参数未知、结构和参数都未知情况,分别从发酵过程的工艺机理模型、机理数据混合模型和数据驱动模型三个方面开展研究,主要研究内容为:（1）研究了微生物代谢产物发酵过程中培养环境指标和建立动力学模型与提高发酵产品产量及收率的关系。首先借助响应面分析方法获得了谷氨酸发酵过程最佳的培养环境指标;其次分析了微生物发酵过程的动力学特性,给出了发酵过程通用的动力学模型,并用构造性方法估计出了丙酮酸动力学模型参数;最后分析了基于丙酮酸动力学模型发酵过程平衡点的存在性和稳定性,并分析了稳定性条件。（2）针对微生物代谢产物发酵过程的非线性时变特点,研究了具有非线性特性的Hammerstein模型参数辨识方法。首先推导了针对Hammerstein模型的辅助模型随机梯度算法;其次,为加快算法的收敛速度,借助关键项分离方法,基于辅助模型和梯度搜索原理设计了多新息随机梯度的模型参数辨识算法;最后,提出了辅助模型多新息随机梯度参数辨识方法,实现了Hammerstein结构的青霉素发酵过程模型参数的辨识。实验结果表明,在发酵过程模型结构和阶次已知情况下,该算法能够利用发酵过程的输入输出数据,估计发酵过程的参数,由所建立的模型实现对发酵产物浓度的估计。（3）针对很多微生物代谢产物发酵过程的模型结构未知,不易建模的情况,研究了一种基于多尺度小波支持向量机的发酵过程软测量方法。提出了一种多尺度小波核函数的支持向量机,提高了建模精度。实验结果表明,基于多尺度小波核函数支持向量机的软测量方法建立的谷氨酸模型,获得了较高的谷氨酸浓度、溶解氧和残糖浓度估计精度。（4）为了减小代谢产物发酵过程采集数据中异常值和噪声对回归模型的影响,提出了一种特征加权孪生支持向量回归机。首先选择K近邻方法为每个样本设置基于密度的权重,采用Wards链式聚类算法提取样本的特征信息,并将两者融合到特征加权孪生支持向量回归机的目标函数中。为提升特征加权孪生支持向量回归机的预测性能,选择二次多项式核函数和径向基核函数构成的混合核函数,并采用自适应粒子群算法优化支持向量机的模型参数。实验结果表明,基于混合核函数的特征加权孪生支持向量回归机,建立的谷氨酸发酵过程模型对谷氨酸浓度和残糖浓度估计精度较高。
刘聪[2]（2021）在《基于多模型与即时学习的青霉素发酵过程软测量建模》文中提出随着生物发酵过程的规模不断扩大,通过对发酵过程进行先进控制与优化提高产品质量与产量,同时减少生产成本具有重要意义,而这些先进控制理论和方法依赖于产物浓度、菌体浓度等重要过程参数实时准确地测量。传统的离线分析方法存在较长时间滞后,难以满足先进控制对关键参数实时性测量的要求。软测量技术是一种解决复杂过程中重要过程参数难以在线估计问题的有效手段,能够为过程的在线监测和控制提供及时的反馈信息,从而达到提质增效的目的。因此,本文通过对青霉素发酵过程特性进行分析,结合多模型和即时学习策略建立了相应的软测量模型。（1）针对变量维数高且变量之间存在相关性进而影响软测量模型性能的问题,使用稀疏自动编码器对输入数据进行特征提取并同时引入互信息加权,提出基于互信息稀疏自编码的软测量建模方法。首先,通过计算输入与输出变量之间的互信息加权处理稀疏自动编码器损失函数中的重构误差项,使得与输出变量相关性不同的输入变量具有不同的重构精度,从而提取与输出更为相关的特征;然后,建立基于所提取特征的最小二乘支持向量机模型。青霉素发酵过程的仿真实验表明,通过引入互信息加权提取与输出更为相关的数据特征建立软测量模型,能够提高青霉素产物浓度在线预测的准确性。（2）针对发酵过程具有较强的阶段性和非线性,单个软测量模型的估计精度难以满足要求的问题,提出基于互信息稀疏自编码及改进密度峰聚类的多模型软测量建模方法。首先,引入相似度函数计算样本点的k近邻及与其k近邻之间的共享近邻,进而重新定义样本点的局部密度;然后,利用样本点之间的k近邻关系重新定义样本点的分配策略;最后,将改进后的密度峰聚类算法对训练样本集进行聚类,基于互信息稀疏自编码器对得到的子集分别进行特征提取同时建立最小二乘支持向量机模型,采用开关方式进行融合输出。仿真结果表明,利用k近邻及共享近邻对局部密度的计算以及样本点分配策略进行改进能够有效提高聚类质量从而提高软测量模型的估计精度。（3）针对发酵过程具有较强的时变特性,离线建立的软测量模型会随着时间和条件的变化产生老化,其预测性能难以保证的问题,提出基于多阶段误差补偿的即时学习软测量建模方法。首先,基于即时学习策略,针对训练样本集中的每个样本点,以加权距离最小为准则选择相似样本集进行建模,获得模型在该样本点输入下的估计值并计算其与真实值的偏差;然后,通过改进密度峰聚类算法对训练集进行阶段划分,针对不同阶段分别建立样本输入变量与偏差之间的误差模型。对于新的测试样本,采用即时学习策略建立软测量模型得到其估计值,并加上相应阶段的误差模型计算的误差补偿值作为最终的模型估计值。青霉素发酵过程产物浓度的估计结果表明,多阶段误差补偿方法能够对输出估计值进行有效补偿。
卢政印[3]（2021）在《基于深度学习的精馏过程质量参数软测量方法研究》文中研究表明石化产业是我国的重要支柱产业,精馏过程是石化生产过程中重要的操作单元,对精馏过程的优化操作和先进控制将降低生产能耗和提高产品质量。然而,精馏生产过程中的一些重要质量参数无法被直接测量,软测量技术研究为解决这一问题提供了一条途径。本文从精馏过程质量参数软测量建模方法的角度,研究了提高精馏过程质量参数软测量模型精度的相关问题。首先,建立了精馏过程的动态机理模型,对连续精馏过程及间歇精馏过程进行了仿真研究。根据连续精馏过程中各塔板组分的动态浓度曲线以及稳态时的浓度变化曲线可知,其进料流量与回流比对连续精馏的工业生产具有很大的影响,表明了变量选择对于后续实际精馏过程仿真建模的必要性。同样通过间歇精馏过程中各塔板的动态浓度曲线可知,其根据控制回流比来控制精馏过程的特点针对某些精馏过程中品种组分会产生变化的情况具有更好的适用性。其次,分别研究了BP神经网络、RBF神经网络以及SVM算法三种机器学习方法的基本原理,结合多核学习算法的优势,提出了一种混合核最小二乘支持向量机算法（MKLS-SVM）,采用MSE、RMSE、拟合优度作为评价指标来评价四种机器学习算法分别在非线性函数数据集以及噪声扰动下的连续精馏仿真数据集上的仿真实验表现,仿真结果表明在两个数据集上MKLS-SVM算法的效果是最好的,其性能优于其他三种算法。最后,针对噪声扰动较大的常减压精馏过程质量参数航空煤油的干点软测量问题,提出了一种基于LASSO和PSO-DBN神经网络结合的航空煤油干点软测量方法。首先采用LASSO变量选择方法选择辅助变量来剔除原始变量中对输出变量影响较小的辅助变量,之后选用DBN深度置信网络算法进行建模仿真,同时利用PSO算法优化DBN的结构参数,与BP神经网络、RBF神经网络、SVM算法、MKLS-SVM算法、DBN神经网络五种方法在精馏标称数据集以及工业精馏数据集上分别进行仿真实验对比,结果表明基于LASSO和PSO-DBN算法的软测量模型具有更高的精度,为精馏过程的优化操作和先进控制设计提供了研究基础。
马宁[4]（2021）在《基于数据驱动的火电机组SCR脱硝系统建模方法研究》文中提出基于过程数据建立火力发电系统的数据驱动模型是实现电站优化、控制、状态评估以及智慧电厂构建的重要基础。如何利用电站过程数据,挖掘数据中的有效信息用于指导实际生产也成为目前学者的研究热点。随着发电机组容量趋于大型化以及国家对环保要求的不断提高,火电机组的大气污染物排放已被纳入严格监管,对火电机组烟气排放管理,采用单一的低氮氧化物（NOx）燃烧控制技术很难达到规定的NOx排放标准,必须同时采用二次烟气净化方法,包括目前广泛采用的选择性催化还原（Selective Catalytic Reduction,SCR）烟气脱硝方法。SCR脱硝系统反应机理复杂,影响因素多,具有非线性强、大惯性的特点,建立准确的脱硝系统模型,掌握SCR系统的运行特性,对于提高脱硝效率、机组经济环保运行具有重要意义。本文通过结合电站历史数据、智能优化算法和智能建模技术,对火电机组SCR脱硝系统的数据驱动建模方法进行了深入研究,开展了以下研究工作:（1）针对电站历史数据具有数量大,稳定工况数据与非稳定工况数据相互混合的特点,设计一种结合信号分解能量去噪的滑动窗口稳态检测方法,该方法首先利用信号分解与能量去噪结合的方法对待检测数据进行去噪处理,再通过计算窗口内数据标准差判断数据是否处于稳态,并利用标准差递推的计算方法避免大量重复计算;借鉴机器学习中数据标记思想,通过对少量稳态数据进行状态标记的方法确定稳态检测方法最佳的滑动窗口长度和标准差阈值,将所提方法用于某电站1000MW机组总风量稳态数据检测,结果验证了该方法的有效性。（2）针对标准量子粒子群算法（Quantum particle swarm optimization algorithm,QPSO）在搜索后期容易出现陷入局部极值点和搜索精度降低的问题,提出一种基于融合差分进化算法的改进量子粒子群算法,该算法通过在量子粒子群算法基础上融合差分进化算法中变异、交叉、选择操作用以增加搜索种群变化的多样性,并利用局部搜索策略提高对个体极值信息的利用水平进而增强算法搜索精度,采用标准测试函数对改进量子粒子群算法进行测试,结果表明了改进算法的优越性。（3）利用（2）中所提改进量子粒子群算法与极限学习机（Extreme learning machine,ELM）模型结合,通过优化ELM模型内部参数的方式提高ELM模型的稳定性并使ELM具有更好的建模效果,利用某1000MW火电机组历史数据库中稳态数据建立了基于改进量子粒子群算法优化ELM的SCR脱硝系统入口 NOx浓度静态模型和SCR脱硝系统出口 NOx浓度静态模型,并与其它方法所建模型进行比较,结果表明本文所建模型的预测精度高于其它模型,能够取得良好的预测效果。（4）针对在可用建模样本数量少,变量间相关耦合程度高的情况下难以建立高精度模型的问题,提出了一种基于极限学习机内部映射的非线性偏最小二乘（Nonlinear partial least squares,NLPLS）建模方法,该方法首先利用线性PLS作为模型的外部框架提取输入输出主成分,同时消除变量间的相关性,再利用极限学习机作为内部函数反映内部非线性关系,此外,将误差最小化的权值更新方法引入到模型中用以提高模型的预测精度,用该方法构建稳态建模样本较少情况下的SCR脱硝系统入口NOx浓度模型和SCR脱硝系统出口 NOx浓度模型,得到了较高的预测精度。（5）针对在变工况下SCR脱硝系统入口、出口 NOx浓度静态模型难以对SCR脱硝系统的入、出口 NOx浓度进行精准预测,并考虑到变量间存在强相关性以及动态过程输入输出变量间存在时延的特点,提出了一种基于输入时延-特征提取的SCR脱硝系统动态过程建模方法。该方法利用主成分分析技术对已选辅助变量进行特征提取,在降低变量之间相关性的同时也减少了模型输入维度,将提取的主成分当前时刻以及主成分的历史数据信息作为模型输入;此外,系统输出的历史数据信息也作为反馈信号引入到模型输入中,利用某电站1000MW火电机组实际运行数据建立了 SCR脱硝系统入口 NOx浓度动态模型和SCR脱硝系统出口 NOx浓度动态模型,并在建模过程中分析了不同输入时延对动态模型的影响,实验结果表明使用所提方法建立的动态模型能够准确地反映系统动态过程特性,具有较高的非线性拟合能力以及良好的泛化性能。
吴菁[5]（2020）在《污水处理非稳态特性下核建模方法关键问题的研究》文中进行了进一步梳理坚决打好污染防治攻坚战,是国家的重大决策部署,这意味着污水处理标准的不断提高,处理工艺的不断更新,也意味着对污水厂的在线检测和优化控制提出了更高的要求。但目前许多与质量相关的重要变量无法用硬件传感器在线检测,因此利用现有易测得的过程变量,建立可进行实时估计的软测量模型,预测水质总氮、总氨等重要质量变量并以此来指导污水处理的过程控制及故障预测,可以优化对污水处理过程的管理。然而,污水处理过程是一个典型的非线性、多变量、非稳定、时变系统,模型受到非稳态过程的影响时将导致预测性能急剧退化;其次,过程变量数据采集量小,多个变量间具有自相关、共相关和互相关的特性,当训练样本未能正确选择或者样本不足以预测多个变量的完整信息时,会导致模型预测性能变差,甚至影响模型的泛化性能。这些问题给软测量建模造成很大困难,因此面向污水处理过程的软测量模型受到了国内外学者的广泛关注。本文针对实际污水处理过程中的多种问题,对基于核模型的软测量模型进行深入研究,将多核学习引入相关向量机模型,并将自适应技术引入多输出软测量模型,从而实现在非稳态过程下同时在线监测多个重要难测的质量变量。同时,首次研究多输出多步预测模型在污水处理中的应用。本论文的主要研究内容如下:1.动态多核相关向量机的软测量建模方法研究。针对污水处理中数据量较小且强非线性问题,提出基于多核相关向量机软测量模型。多核相关向量机结合了多种核函数的特性,能够有效应对污水处理过程中存在的复杂性,且相关向量机的高稀疏性和基于概率学习的特点,使得多核相关向量机能够获得优异的预测效果。通过使用粒子群优化算法进行核函数的选择以及权重参数的最优估计,通过选择最优参数,提高软测量模型在动态过程的预测性能,并引入最小绝对收缩和选择算子算法降低所提出模型的数据维数和模型复杂度,从而进一步提高软测量模型的性能。时间差分的引入提高了模型的的动态特性和鲁棒性。最后通过三个案例研究证明所提模型的有效性。2.自适应多输出软测量建模方法研究。针对污水处理过程中存在多个难以测量变量,且具有多变量耦合、强非线性和时变等不同的特性,且易受非稳态过程的影响导致性能退化的问题,提出若干种新型的自适应多输出软测量模型,并将其应用于污水处理中进行对比研究。将3种基本自适应策略与混合自适应策略同3种多输出回归模型相结合,提出24个自适应多输出软测量模型。自适应策略和多输出模型的集成不仅为多输出预测提供了解决方案,而且还具有减轻多输出软测量模型退化的潜力。通过对3个案例研究对比并分析结果,为不同情况下应用何种自适应组合多输出模型提供了重要的参考意见。3.基于变量选择的参数自优化自适应多输出软测量模型在污水处理中的应用研究。针对多输出软测量模型的输入变量选择,以及多输出高斯过程回归模型的参数选择问题,提出基于核典型相关分析的时差-即时多输出高斯过程回归软测量模型来预测污水处理厂中难测的质量相关变量。核典型相关分析使输入和相应目标之间的相关性最大化,简化模型的输入并消除冗余输入,从而保证后续构建能够体现其内部关系的模型。时差和即时学习方法的结合不仅可以削弱不确定性的负面影响,而且可以有效地提高模型的鲁棒性能和预测能力。为了选择多输出高斯过程回归模型的最佳参数,引入了模拟退火萤火虫算法以优化模型的协方差函数,帮助选择相关参数。结果表明,所提模型能够对非稳态污水处理过程的多种难以测量变量进行有效地预测。4.多步多输出预测在污水处理中的应用研究。针对在污水处理过程中设备发生故障,造成数据不准确产生异变,使得采集的非正常数据进入后续监控,引发更大误差的问题,提出在线多输出多步预测模型,将多步预测的直接递归策略与多输出模型相结合,对容易造成故障的多个变量进行多步预测,针对多步预测中误差累积的问题,使用多输出高斯过程回归模型对误差进行预测补偿。结果表明,多输出多步预测模型能对稳态过程进行有效预测。最后对本文的主要工作进行总结,并对面向污水处理过程的进一步研究进行了展望。
郑蓉建[6]（2020）在《谷氨酸发酵过程的软测量建模研究》文中指出生物产业（含发酵食品、发酵化学品、发酵医药品、发酵能源等）是国民经济的支柱产业,广泛应用于食品、饲料、医药和化工等领域。谷氨酸是世界上产量最大的氨基酸,主要通过发酵生产。在发酵过程中,重要生化参数（如菌体浓度、基质浓度、产物浓度等）的实时获取,对于过程的控制与优化具有十分重要的意义。然而发酵过程具有强烈非线性、时变性、强耦合等特征,关键生化参数无法在线检测,目前生产中大都采用实验室取样分析方法来得到。为此,软测量技术通过建立过程在线易测辅助变量与难测主导变量（重要生化参数）之间的数学模型,来实现对发酵过程重要生化参数的预测估计,是解决上述问题的有效途径。在过去几十年里,软测量技术已经成为过程控制领域的研究热点,并在工业过程中得到广泛应用。本课题来源于国家自然科学基金面上项目（项目编号61273131）“生物反应过程的在线支持向量机建模与优化”,以典型生化过程——谷氨酸发酵过程为研究背景,结合谷氨酸发酵过程的实际生产操作机理,对谷氨酸发酵过程中难于在线测量的关键生化参数的软测量建模及相关问题进行了深入研究,取得的研究成果如下:（1）针对谷氨酸发酵过程关键生化参数无法在线检测给发酵优化控制带来困难问题,建立了改进遗传算法对模型参数进行辨识的谷氨酸分批流加非结构动力学模型。在发酵过程常用的Logistic模型、Luedeking-Piret等方程基础上建立了谷氨酸分批流加非结构动力学模型,分别采用非线性规划、基本遗传算法、改进遗传算法对模型参数进行辨识,并对不能在线测量的重要生化参数如菌体浓度、基质浓度和产物谷氨酸浓度进行拟合和估计预测,谷氨酸发酵实验和仿真结果验证了所建动力学模型的有效性。（2）针对高度非线性、时变性的谷氨酸发酵过程动力学模型存在批次性、预测精度差、机理建模困难问题,基于生化过程多阶段特性,提出多阶段支持向量机回归的数据驱动软测量模型、并应用于谷氨酸发酵过程产物浓度的预测。为此,首先建立了基于移动窗的皮尔逊相关系数结合线性回归的发酵过程阶段分割方法,分割结果与常规离线化验分析结果基本一致;其次,基于阶段划分的基础上建立多阶段支持向量机回归的产物谷氨酸浓度预测软测量模型。实验和仿真结果表明,多阶段模型相比全局单模型具有更高的预测能力。（3）针对支持向量机回归模型运算时间过长、谷氨酸发酵过程影响因素存在耦合等问题,在分析最小二乘支持向量机理论基础上,建立了偏最小二乘和最小二乘支持向量机相结合的谷氨酸发酵过程软测量模型。首先通过相关系数矩阵对输入变量进行相关性分析,表明变量间存在较强相关性;进一步采用方差膨胀因子对变量的多重共线性进行诊断,结果表明变量间存在中等程度共线性,需要对输入相关变量进行筛选。为此,利用偏最小二乘找出对预测模型输出变量重要的输入变量,降低预测模型输入变量维数、消除相关性、简化模型,以提高预测模型的精度。进一步,运用耦合模拟退火算法对最小二乘支持向量机的参数进行优化,谷氨酸发酵实验仿真结果表明,所建模型预测精度高,可为谷氨酸发酵过程操作及时调整及优化控制提供有效指导。（4）针对支持向量机回归和最小二乘支持向量机等参数化回归软测量建模存在过拟合、参数设置困难、不能刻画预测结果不确定问题,设计了一种基于特征关联性的输入变量选择、超参数自适应获取、输出具有概率特性的自相关决定高斯过程软测量模型,并应用于谷氨酸发酵过程。首先应用高斯过程回归模型进行训练,同时在贝叶斯框架下,确定协方差函数中的超参数,利用训练好的高斯过程回归模型进行预测。其次,分析了谷氨酸浓度对发酵参数的感度发现,发酵时间、CO2释放速率CER、O2消耗速率OUR对谷氨酸浓度影响最大。进一步,分析了预测值的不确定性即方差和模型输入在线变量之间变化关系,当发酵罐温度T、CO2释放速率CER、O2消耗速率OUR异常变化时,发现预测值的方差随之发生明显变化,可利用预测值的方差异常变化作为发酵过程状态或传感器异常的指示器。谷氨酸发酵实验和仿真研究表明,所建基于特征关联性的自相关决定高斯过程回归的软测量模型可以实现对谷氨酸浓度的较高精度预测,且预测结果具有较小的置信度区间,满足发酵过程实时控制需要。（5）谷氨酸发酵过程是一个复杂的生化过程,在无法根据发酵过程复杂内部机理建立准确的动力学模型的条件下,要实现发酵过程的优化控制是一个具有挑战性的课题。基于对谷氨酸发酵过程机理分析和研究,运用软测量技术建立了难测参数的软测量模型,设计和优化了谷氨酸发酵过程溶氧控制,将所建软测量模型应用于谷氨酸发酵过程异常批次的识别,并基于罗克韦尔公司开发的RSLogix5000编程软件平台开发了一套谷氨酸发酵过程软测量建模及优化控制系统。通过实际应用表明,该系统能满足谷氨酸发酵过程的实际运行需求,提高了自动化水平,减轻操作人员的劳动强度。
谢锐敏[7]（2020）在《基于深度学习的聚酯纤维聚合过程软测量建模研究》文中指出聚酯纤维聚合过程是一个生产设备多样、工作环境各异、化学机理复杂、影响因素繁多、工艺要求精细的复杂流程工业过程,是决定最终纤维性能的首要环节。因此,对该过程的关键质量指标进行实时监测控制极为重要。然而在高度复杂的聚合生产环境下,由于恶劣的测量环境以及昂贵低效的测量仪器等因素,该过程的关键质量指标熔体粘度无法得以及时有效的监测。为此,软测量建模技术得以发展,该技术通过建立复杂过程关键质量指标和易测量过程变量之间的数学模型,从而实现对关键质量指标的预测估计。聚酯纤维聚合过程的三釜工艺及内部的复杂物化反应,使得该过程往往具有高度复杂的非线性特性,与此同时,由于采样率不匀、传感器故障等问题,也会导致标签有限、样本数据缺失等数据特性,以及复杂动态性和多模态性等过程特性。为此,本文以深度学习算法为主要研究方法,开展聚酯纤维聚合过程的软测量建模研究工作,完成的主要研究工作如下:（1）针对聚合过程中温度、压力、流速等过程变量的高采样率与熔体粘度指标的低采样率导致的标签缺失情况,提出了一种基于半监督改进型门控循环单元回归网络的软测量模型。循环神经网络适用于处理过程数据和关键质量指标不同采样率导致的标签缺失问题。首先将有标签样本和无标签样本进行序列化,构建新的序列样本,将门控循环单元和核极限学习机进行结合,设计了一个半监督门控循环单元回归网络的软测量模型。随着序列长度的增加,利用多头自注意力机制解决原始的门控循环单元网络很难获取长时序列中样本之间的相关性关系的问题,更好地提高了模型的预测精度。（2）针对聚合过程中高分子熔体粘弹性导致的复杂非线性动态性,提出了一种基于双流λ门控循环单元网络的软测量模型。门控循环单元网络主要用于动态时序数据的处理,然而该网络内部的状态方程具有线性限制,大大降低了流通数据的丰富性,于是引入双λ因子进行非线性调整,以增强流通数据的丰富性。根据聚合过程中关键质量指标的特性,构建了一个双流架构的λ型门控循环单元软测量框架,两条支流分别处理时域相关性和动态因果相关性数据,将两支流所学特征进行融合,最后用监督学习回归层进行软测量建模预测。该算法可以有效地提取关键质量指标的时域特征以及与过程变量相关的因果关系,用于软测量建模。（3）针对聚合过程传感器故障导致的输入变量缺失的情况,提出了一种基于有监督深度变分自编码网络的软测量模型。变分自编码网络是一种用于特征提取的无监督生成式网络,其强大的重构能力对解决缺失数据补全问题具有良好的功效。基于此,首先构造了两个新型子模型,即有监督深度自编码模型和改进型无监督深度自编码模型,分别用于预测关键质量指标和提取与标签强相关的特征,然后将两个子模型的编码器和解码器相结合构成一种新型的软测量模型。同时,利用变分自编码网络的强重构能力,将该软测量模型拓展到解决聚合过程中输入变量缺失问题。（4）针对熔体直纺式聚合过程的三釜工艺导致的复杂多模态过程特性,提出了一种基于质量驱动型高斯混合变分概率网络的软测量模型。该模型以变分自编码网络为基础算法,首先引入高斯混合分布和可逆的Householder变换,将原始变分自编码的潜变量空间由对角型单高斯分布拓展为非对角型的高斯混合分布,使之更加适用于复杂多模态过程数据的特征提取。然后在模型输入中引入关键质量变量,并利用门限连接方式改进了编码器和解码器的结构,从而设计了一种新型的质量驱动型软测量框架。所建模型不仅可以很好地解决复杂多模态过程关键质量指标的预测估计,而且很大程度上提升了软测量模型的鲁棒性。最后,对全文的研究工作进行了总结,指出了工作中存在的不足,并对有待进一步研究的方向和方法进行了展望。
连鹏隆[8]（2020）在《基于深度学习的复杂工业过程软测量方法研究》文中指出软测量技术就是根据工业过程知识合理地选择其它易测变量,建立易测变量与难测变量间的软测量模型对难测变量进行最优估计,有效解决了在高温、密闭等恶劣环境下,由于硬件传感器的局限性而无法对那些重要过程变量进行直接测量的问题。软测量技术为现有传感器的检测和控制提供了有效手段,因而成为当前复杂工业控制领域的研究热点。近年来,随着智能学习算法的飞速发展,将深度学习应用到复杂工业现场已经成为热门研究方向。本文利用深度学习强大的学习能力,将软测量技术和深度学习相结合,提出一种基于深度学习的复杂工业过程软测量方法,并将此模型用于回转式空气预热器转子热变形预测中,为转子漏风技术提供较为准确的热变形量。本文具体研究如下:（1）本文首先将电厂600MW机组电站锅炉空气预热器的现场数据进行采集。然后采用灰色关联分析（Grey Relational Analysis,GRA）方法选取对转子热变形有显着影响的变量,为模型训练提供可靠的输入变量。最后将数据进行筛选以及归一化等操作,将处理后的数据利用“留出法”选取互斥的训练集和测试集作为网络模型样本数据。通过选定的样本数据,可以在同一样本数据集的前提下,进行不同模型方法的对比分析。（2）采用（1）中所得的训练集和测试集,分别对基于BP神经网络的软测量方法、基于SVR算法的软测量方法进行网络模型的设计和仿真,并在分析基础之上构建基于DBN-DNN算法的深度学习软测量模型,通过训练集和测试集的均方误差进行网络模型的优劣性分析。结果表明基于深度学习DBN-DNN的软测量方法的预测精度较高,为本文基于深度学习的新型软测量网络的构建提供模型基础。（3）为了进一步提高预测精度,将能够充分表达数据特征信息的深度置信网络（Deep Belief Network,DBN）和具有很强非线性回归能力的支持向量回归（Support Vector Regression,SVR）算法进行融合得到新型软测量网络结构。利用改进的粒子群优化算法（Improved Particle Swarm Optimization,IPSO）选取SVR模型最优参数,并应用于新型网络结构中,得到新型软测量模型DBN-IPSO-SVR。并将改进的粒子群优化算法和传统的粒子群优化算法进行仿真对比,结果表明改进的粒子群优化算法能够提高预测性能。（4）将提出的新型软测量模型DBN-IPSO-SVR和基于BP、SVR、DBN-DNN方法的软测量模型进行图示分析,从而突出新型软测量模型网络结构的优越性;并将新型软测量模型分别和已有文献中关于转子热变形预测的基于SAE的软测量方法、不同应用领域中的基于MLP、ELM的软测量方法进行对比,从而突出新型软测量模型的通用性和精确性。通过对所提出的新型软测量模型方法DBN-IPSO-SVR进行了性能评估。实验结果表明,该新型软测量模型的性能优于其它软测量方法,该软测量模型显着提高了转子热变形预测的性能,是控制回转式空气预热器漏风的一种有价值的非接触测量工具。
于美芳[9]（2020）在《海洋碱性蛋白酶MP发酵过程软测量建模及监测系统研究》文中认为近年来,海洋开发技术迅猛发展,使得海洋工程在国民经济体系中占据重要地位。海洋低温碱性蛋白酶MP（marine protease）是一种新型来源的蛋白酶,与其他陆源蛋白酶相比,能够有效地解决工业生产中存在的酶活要求高,恶劣环境下不稳定及易失活等问题,这些优良特性使其在洗涤业、环境保护、食品加工以及国防等领域内大量应用。在实际的发酵过程中,为了提高酶制剂的生产效率和产品品质,缩减经济成本,必须将发酵过程的关键参量调节在特定的范围内。但细胞的生长及产酶过程受外界环境影响较大,发酵过程各状态参量间存在着复杂的非线性动态关系,解耦困难,且反映发酵品质的关键参量在测量方面存在测量稳定性不高、价格昂贵等严重缺陷,成为制约海洋碱性蛋白酶优化控制的瓶颈问题。基于上述问题,本文在国家自然科学基金（41376175）、江苏省自然科学基金（BK20140568）和江苏省高校自然科学基金面上项目（14KJB51005）的支持下,研究了海洋低温碱性蛋白酶MP发酵过程中关键生物量的软测量问题。论文主要包括以下研究内容。考虑到海洋低温碱性蛋白酶MP发酵过程的多输入多输出、非线性、强耦合特性,以及关键生物参数（菌体浓度、基质浓度以及相对酶活等）很难在线预测等因素,设计了一种基于ABC-MLSSVM（人工蜂群的多维最小二乘支持向量机）逆的海洋碱性蛋白酶MP发酵过程软测量方法,并利用MATLAB进行仿真,验证了该软测量建模方法能较好地解决海洋碱性蛋白酶MP发酵过程关键生物参数在线实时估计问题。首先,基于发酵过程物料平衡关系建立海洋碱性蛋白酶MP连续发酵过程的“灰箱”动力学模型,理论证明该系统可逆后,引入海洋碱性蛋白酶MP发酵过程的参数信息参与逆扩展模型的构建;然后利用LSSVM（最小二乘支持向量机）的拟合能力离线辨识初始逆扩展模型,同时为了减小模型偏差,通过ABC（人工蜂群）算法在线校正所建立的初始逆扩展模型;最后,把该逆扩展模型与海洋碱性蛋白酶MP发酵过程相串联形成单位复合系统,从而实现对发酵过程关键生物参数的实时在线估计,以海洋碱性蛋白酶MP发酵过程为例进行仿真实验,结果表明,与传统的支持向量机软测量方法相比,该软测量建模方法能够解决发酵过程中关键生物参量的在线预测问题,且具有更高的精度和泛化能力。其次,为了便于对海洋低温碱性蛋白酶MP发酵过程进行监测,设计了海洋碱性蛋白酶MP发酵过程监测系统,首先通过下位机嵌入式系统对发酵过程中离线采集到的样本数据进行分析处理,为了便于实时监测,同时将其传输到上位机,并利用ABC-MLSSVM逆软测量算法预测模块,完成对关键变量（菌体浓度、基质浓度及相对酶活）的在线预测功能,促进了海洋低温碱性蛋白酶MP在工业生产中的应用。最后,总结了本文的主要研究内容及成果,提出了论文中的不足及今后相关研究的改进方向。
朱哲熹[10]（2019）在《基于支持向量机的石脑油裂解制乙烯过程软测量建模研究》文中研究表明乙烯是化学工业重要基础产品,我国目前乙烯年产量达到1821.8万吨以上,占有国民经济中重要地位,蒸汽高温裂解法是石脑油裂解制取乙烯的主要工艺技术,世界乙烯产品的95%来源是来自蒸汽高温裂解法,是发展较完善、使用较广泛的裂解技术,乙烯裂解炉是实现这一技术的主要设备,但该方法存在能耗高、影响反应产物因素较多的缺点,需要确定最佳反应温度以提高产品收率和产品质量,因此对乙烯裂解炉运行参数进行实时测量,将有助于为寻找最优反应操作参数提供参考,及时、准确地获取石脑油裂解产物关键组分相对含量、炉管出口温度参数,是进行参数调控、产品质量优化的重要基础。而实际工业生产中采用人工采集分析方法存在分析时间滞后的问题,在线分析技术存在采购、维护成本高的缺点,因此采用基于历史数据的软测量技术能有效实现对未知数据实时预测。近年来,基于结构风险最小化原则提出的支持向量机（SVM）得到广泛应用,并发展出用于预测的支持向量回归机方法（SVR）它同传统线性机器学习方法偏最小二乘回归方法（PLS）相比,对化工过程这一高度非线性系统具有更好的学习能力,支持向量（Support Vector）和结构风险最小化（SRM）理念的应用使得SVM同另一广泛使用的非线性机器学习方法人工神经网络（ANN）相比具有良好的泛化性能和计算效率,能够及时、准确地进行模型学习和预测,具有很好的应用前景。将SVR方法应用到乙烯裂解生产过程实例中,实现乙烯裂解炉生产过程变量实时检测,应用结果表明所提出的SVR软测量方法具有优良的预测效果。主要研究内容概括如下:（1）研究软测量建模方法,从软测量技术分类、数据驱动软测量技术面临的几大问题挑战、软测量技术应用领域和几类典型软测量技术方法四个方面,综述了国内外软测量技术研究与应用情况。（2）在统计学习理论及支持向量机理论基础上,研究（ε）SVR方法,包括SVR方法的最新改进研究与应用,并建立基于参数优化的（ε）SVR软测量模型;进一步地建立一种基于移动窗技术的动态自适应支持向量回归（ADO-SVR）在线回归算法。（3）将研究建立的参数优化的SVR软测量模型应用于乙烯工厂生产实例中,对乙烯裂解炉使用历史监测数据建立软测量模型,验证所提出参数优化的SVR软测量模型的有效性。具体包括预测乙烯裂解炉产品组成以及预测乙烯裂解炉炉管各出口温度。在相同条件下,为进一步验证本文建立的软测量模型有效性,将预测结果与PLS与MLP-ANN方法进行对比,特别验证在较小学习样本情况下SVR软测量方法与其他软测量方法的预测效果,实验结果指出,本文方法在本案例研究中比PLS和MLP-ANN方法具有更好的学习能力和泛化能力,在小样本学习中优势更加明显。研究成果有效地实现了工厂实际生产中对过程变量软测量的需求,对优化工艺过程、提高企业经济效益具有重要意义。
二、基于支持向量机的数据建模在软测量建模中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于支持向量机的数据建模在软测量建模中的应用（论文提纲范文）
（1）微生物代谢产物发酵过程建模研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 问题提出和研究意义 |
| 1.2 微生物代谢产物发酵过程建模研究概况 |
| 1.2.1 发酵过程工艺机理建模的现状 |
| 1.2.2 发酵过程混合模型辨识的现状 |
| 1.2.3 发酵过程基于数据驱动的软测量 |
| 1.3 微生物代谢产物发酵过程模型类别 |
| 1.3.1 发酵过程模型的分类 |
| 1.3.2 微生物发酵过程建模一般步骤 |
| 1.4 论文研究内容 |
| 第二章 代谢产物发酵过程动力学模型及稳定性分析 |
| 2.1 引言 |
| 2.2 发酵培养条件分析 |
| 2.2.1 微生物营养要素 |
| 2.2.2 微生物培养环境条件 |
| 2.2.3 培养环境优化技术 |
| 2.3 微生物发酵过程培养基及其优化 |
| 2.3.1 培养基的基本构成 |
| 2.3.2 培养基条件的优化 |
| 2.4 微生物发酵过程物料平衡分析 |
| 2.4.1 基本公式 |
| 2.4.2 微生物发酵过程生长和底物消耗动力学模型 |
| 2.4.3 微生物发酵过程比生长速率分析 |
| 2.5 发酵过程通用动力学模型 |
| 2.5.1 微生物生长、维持、死亡状态空间模型 |
| 2.5.2 丙酮酸发酵过程动力学模型 |
| 2.6 丙酮酸发酵过程模型稳定性分析 |
| 2.6.1 丙酮酸发酵过程动力学方程的平衡点 |
| 2.6.2 丙酮酸发酵动力学方程平衡点的稳定性 |
| 2.7 本章小结 |
| 第三章 基于Hammerstein模型的发酵过程参数辨识 |
| 3.1 引言 |
| 3.2 Hammerstein非线性输出误差模型描述 |
| 3.3 非线性输出误差模型参数辨识的梯度迭代算法 |
| 3.3.1 算法推导 |
| 3.3.2 仿真实验 |
| 3.4 辅助模型多新息随机梯度算法 |
| 3.4.1 辅助模型多新息随机梯度算法推导 |
| 3.4.2 仿真实验 |
| 3.5 青霉素发酵过程参数辨识 |
| 3.5.1 发酵过程的多模型结构 |
| 3.5.2 仿真实验 |
| 3.5.3 青霉素发酵工艺 |
| 3.5.4 青霉素发酵过程参数辨识 |
| 3.6 本章小结 |
| 第四章 基于多尺度小波支持向量机的发酵过程软测量研究 |
| 4.1 引言 |
| 4.2 小波核函数的基本原理 |
| 4.2.1 希尔伯特空间和小波框架 |
| 4.2.2 基于框架的核函数 |
| 4.2.3 小波函数分析 |
| 4.3 多尺度小波核函数 |
| 4.3.1 多分辨分析 |
| 4.3.2 小波函数和小波空间分析 |
| 4.4 多尺度小波核函数支持向量机 |
| 4.4.1 支持向量机 |
| 4.4.2 多尺度小波核函数的支持向量机 |
| 4.4.3 仿真实验及应用 |
| 4.5 小波支持向量机在谷氨酸软测量中的应用 |
| 4.5.1 谷氨酸工艺过程概述 |
| 4.5.2 实验材料与方法 |
| 4.5.3 训练数据的预处理 |
| 4.5.4 支持向量回归机的软测量建模 |
| 4.5.5 多尺度小波核函数的支持向量回归机软测量建模 |
| 4.6 本章小结 |
| 第五章 基于孪生支持向量机的发酵过程软测量研究 |
| 5.1 引言 |
| 5.2 特征加权孪生支持向量回归机 |
| 5.2.1 孪生支持向量回归机 |
| 5.2.2 位置特征和结构特征 |
| 5.2.3 特征加权孪生支持向量回归机 |
| 5.2.4 连续超松弛方法 |
| 5.3 谷氨酸发酵参数选择 |
| 5.3.1 数据的来源 |
| 5.3.2 输入输出变量的确定 |
| 5.4 谷氨酸发酵过程软测量建模 |
| 5.4.1 混合核函数 |
| 5.4.2 特征孪生支持向量回归机参数的自适应粒子群寻优 |
| 5.4.3 混合核函数的孪生支持向量机参数优化 |
| 5.4.4 特征加权孪生支持向量机的发酵过程建模 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在攻读博士学位期间发表的论文及其他成果 |
（2）基于多模型与即时学习的青霉素发酵过程软测量建模（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 青霉素发酵过程简介 |
| 1.3 软测量技术概述 |
| 1.4 基于数据驱动的发酵过程软测量建模方法 |
| 1.5 论文的主要研究内容 |
| 第二章 基于互信息稀疏自编码的青霉素发酵过程软测量建模 |
| 2.1 引言 |
| 2.2 基于互信息的稀疏自编码器 |
| 2.2.1 自编码器 |
| 2.2.2 互信息稀疏自编码器 |
| 2.3 基于LSSVM的软测量建模 |
| 2.4 仿真实验 |
| 2.5 本章小结 |
| 第三章 基于改进DPC的青霉素发酵过程多模型软测量建模 |
| 3.1 引言 |
| 3.2 DPC算法 |
| 3.3 改进DPC算法 |
| 3.3.1 局部密度的计算 |
| 3.3.2 分配策略的改进 |
| 3.4 基于改进DPC的多模型软测量建模 |
| 3.5 仿真实验 |
| 3.5.1 UCI真实数据集聚类 |
| 3.5.2 人工数据集聚类 |
| 3.5.3 青霉素发酵过程 |
| 3.6 本章小结 |
| 第四章 基于多阶段误差补偿即时学习的青霉素发酵过程软测量建模 |
| 4.1 引言 |
| 4.2 基于即时学习的LSSVM软测量建模 |
| 4.3 基于多阶段误差补偿的JITL-LSSVM软测量建模 |
| 4.3.1 基于滑动窗口的样本集选择 |
| 4.3.2 多阶段误差补偿模型 |
| 4.3.3 基于多阶段误差补偿的JITL-LSSVM |
| 4.4 仿真实验 |
| 4.5 本章小结 |
| 第五章 主要结论与展望 |
| 5.1 主要结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
（3）基于深度学习的精馏过程质量参数软测量方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 精馏过程介绍 |
| 1.1.3 软测量方法介绍 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容及结构 |
| 2 精馏过程的动态机理模型建立 |
| 2.1 精馏塔过程工艺原理 |
| 2.1.1 精馏塔的结构 |
| 2.1.2 精馏过程的分类 |
| 2.2 精馏过程基本公式 |
| 2.3 连续精馏过程仿真模型建立 |
| 2.3.1 连续精馏基本公式 |
| 2.3.2 连续精馏过程的仿真模型 |
| 2.4 间歇精馏过程仿真模型建立 |
| 2.4.1 间歇精馏基本公式 |
| 2.4.2 间歇精馏过程的仿真模型 |
| 2.5 本章小结 |
| 3 基于机器学习的精馏过程软测量方法研究 |
| 3.1 机器学习方法 |
| 3.2 BP神经网络 |
| 3.3 RBF神经网络 |
| 3.4 SVM原理 |
| 3.5 混合核最小二乘支持向量机(MKLS-SVM) |
| 3.5.1 最小二乘支持向量机原理 |
| 3.5.2 混合核最小二乘支持向量机原理 |
| 3.6 仿真实验及结果分析 |
| 3.6.1 评价指标介绍 |
| 3.6.2 非线性函数仿真实验 |
| 3.6.3 噪声扰动下连续精馏仿真数据集仿真实验 |
| 3.7 本章小结 |
| 4 基于深度学习的精馏过程软测量方法研究 |
| 4.1 变量选择方法的研究 |
| 4.2 LASSO变量选择算法 |
| 4.2.1 LASSO算法原理 |
| 4.2.2 LASSO变量选择结果对比 |
| 4.3 深度学习算法 |
| 4.4 深度置信网络算法 |
| 4.4.1 RBM算法 |
| 4.4.2 PSO-DBN算法 |
| 4.5 仿真实验及结果分析 |
| 4.5.1 精馏标称数据集仿真实验 |
| 4.5.2 实际工业精馏数据集仿真实验 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（4）基于数据驱动的火电机组SCR脱硝系统建模方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 数据驱动建模概述 |
| 1.2.1 数据驱动建模原理 |
| 1.2.2 数据驱动建模常用方法 |
| 1.2.3 数据驱动建模常用术语 |
| 1.3 SCR脱硝系统建模研究现状 |
| 1.3.1 SCR脱硝系统机理模型 |
| 1.3.2 SCR脱硝系统数据模型 |
| 1.4 本文主要研究内容和章节安排 |
| 第2章 数据预处理及筛选方法 |
| 2.1 引言 |
| 2.2 火电厂历史数据特性分析 |
| 2.3 历史数据异常值检测和数据校正 |
| 2.3.1 异常值检测 |
| 2.3.2 Nadaraya-Watson回归数据校正 |
| 2.4 数据标准化 |
| 2.5 数据滤波去噪 |
| 2.5.1 传统滤波去噪方法 |
| 2.5.2 经验模态分解理论 |
| 2.5.3 基于信号分解能量去噪理论 |
| 2.6 稳态检测方法 |
| 2.6.1 稳态工况定义 |
| 2.6.2 稳态检测方法介绍 |
| 2.6.3 结合信号分解能量去噪的滑动窗口稳态检测方法 |
| 2.7 本章小结 |
| 第3章 基于改进QPSO算法优化ELM的SCR脱硝系统建模方法 |
| 3.1 引言 |
| 3.2 ELM简介 |
| 3.2.1 ELM原理 |
| 3.2.2 ELM特性 |
| 3.3 改进QPSO算法 |
| 3.3.1 QPSO算法原理 |
| 3.3.2 DE算法原理 |
| 3.3.3 改进QPSO算法原理 |
| 3.3.4 改进QPSO算法性能测试及分析 |
| 3.4 基于改进QPSO算法优化ELM的SCR脱硝系统入口NO_x浓度建模 |
| 3.4.1 SCR脱硝系统入口NO_x浓度影响因素 |
| 3.4.2 辅助变量选择 |
| 3.4.3 建模数据选择 |
| 3.4.4 模型结构及建模流程 |
| 3.4.5 建模结果分析 |
| 3.5 基于改进QPSO算法优化ELM的SCR脱硝系统出口NO_x浓度建模 |
| 3.5.1 SCR脱硝反应机理 |
| 3.5.2 辅助变量选择 |
| 3.5.3 模型构建及结果分析 |
| 3.6 本章小结 |
| 第4章 基于内部ELM非线性PLS的SCR脱硝系统建模方法 |
| 4.1 引言 |
| 4.2 基于ELM内部映射的非线性PLS模型 |
| 4.2.1 外部PLS框架 |
| 4.2.2 内部ELM非线性映射 |
| 4.2.3 ELMPLS算法原理 |
| 4.2.4 仿真验证 |
| 4.3 SCR脱硝系统入口NO_x浓度ELMPLS建模 |
| 4.4 SCR脱硝系统出口NO_x浓度ELMPLS建模 |
| 4.5 本章小结 |
| 第5章 基于输入时延-特征提取的SCR脱硝系统动态过程建模方法 |
| 5.1 引言 |
| 5.2 动态过程模型描述 |
| 5.3 基于输入时延-特征提取的动态模型构建 |
| 5.3.1 主成分分析原理 |
| 5.3.2 高斯过程回归原理 |
| 5.3.3 动态模型结构 |
| 5.4 SCR脱硝系统NO_x浓度测量时滞分析 |
| 5.5 SCR脱硝系统动态模型 |
| 5.5.1 建模样本选择 |
| 5.5.2 SCR脱硝系统出口NO_x浓度动态模型 |
| 5.5.3 SCR脱硝系统入口NO_x浓度动态模型 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 论文的主要工作和创新点 |
| 6.2 后续工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（5）污水处理非稳态特性下核建模方法关键问题的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩写词表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 污水处理工艺简介 |
| 1.2.1 污水处理稳态过程特性 |
| 1.2.2 污水处理过程数据异常特性 |
| 1.3 面向污水处理的软测量建模方法综述 |
| 1.3.1 辅助变量选择 |
| 1.3.2 污水处理过程的数据预处理 |
| 1.3.3 基于核方法的软测量模型应用现状 |
| 1.3.4 软测量模型的维护 |
| 1.4 本文所使用的主要数据简介 |
| 1.4.1 Benchmark Simulation Model1 (BSM1) |
| 1.4.2 Benchmark Simulation Model No.2(BSM2) |
| 1.4.3 UCI污水数据 |
| 1.4.4 北京某污水厂 |
| 1.5 本论文主要研究工作及结构 |
| 第二章 面向污水动态多核相关向量机的软测量建模方法研究 |
| 2.1 引言 |
| 2.2 基础理论简介 |
| 2.2.1 相关向量机模型 |
| 2.2.2 最小绝对收缩和选择算子(Lasso) |
| 2.2.3 时差模型(Time difference) |
| 2.3 基于Lasso的动态多核相关向量机模型建模过程 |
| 2.3.1 多核学习 |
| 2.3.2 基于Lasso的 TD-MRVM的建模过程 |
| 2.4 案例分析 |
| 2.4.1 BSM1基准仿真平台 |
| 2.4.2 模型的鲁棒性分析 |
| 2.4.3 北京某污水厂案例 |
| 2.4.4 讨论分析 |
| 2.5 本章小结 |
| 第三章 面向污水自适应多输出软测量建模对比研究 |
| 3.1 引言 |
| 3.2 相关理论 |
| 3.2.1 相关自适应理论 |
| 3.2.2 多输出最小二乘模型 |
| 3.2.3 多输出相关向量机模型 |
| 3.2.4 多输出高斯过程模型 |
| 3.3 多输出自适应模型研究框架 |
| 3.3.1 研究框架介绍 |
| 3.3.2 自适应方法组合介绍 |
| 3.4 案例分析 |
| 3.4.1 BSM1暴雨案例 |
| 3.4.2 BSM2污泥膨胀案例 |
| 3.4.3 北京某污水厂案例 |
| 3.5 对比和讨论 |
| 3.6 本章小结 |
| 第四章 基于变量选择的参数自优化自适应多输出软测量模型在污水处理中的应用研究 |
| 4.1 引言 |
| 4.2 基础理论 |
| 4.2.1 重要变量投影(VIP) |
| 4.2.2 主成分分析(PCA) |
| 4.2.3 典型相关分析(CCA) |
| 4.3 参数自优化的自适应多输出软测量模型 |
| 4.3.1 核典型相关分析 |
| 4.3.2 改进的萤火虫优化算法 |
| 4.3.3 参数自优化的自适应多输出软测量模型 |
| 4.4 案例研究 |
| 4.4.1 UCI案例 |
| 4.4.2 北京某污水厂案例 |
| 4.5 本章小结 |
| 第五章 多步多输出预测在污水处理中的应用研究 |
| 5.1 引言 |
| 5.2 相关理论 |
| 5.2.1 迭代多步策略(Iterated Multi-Step Strategy) |
| 5.2.2 直接多步策略(Direct Multi-Step Strategy) |
| 5.2.3 直接-迭代多步策略(Direct-iterated Multi-Step Strategy) |
| 5.3 多步双重多输出预测高斯过程回归模型的研究 |
| 5.4 案例分析 |
| 5.4.1 BSM1案例研究 |
| 5.4.2 北京某污水厂案例 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（6）谷氨酸发酵过程的软测量建模研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外谷氨酸产业的发展现状 |
| 1.2.1 谷氨酸物化性质及发展历史 |
| 1.2.2 国内外谷氨酸产业现状 |
| 1.3 软测量技术 |
| 1.3.1 软测量建模概述 |
| 1.3.2 软测量建模步骤与内容 |
| 1.3.3 软测量建模方法 |
| 1.3.4 软测量技术应用 |
| 1.4 发酵过程软测量建模国内外研究现状 |
| 1.4.1 基于机理模型的发酵过程软测量 |
| 1.4.2 基于数据驱动的发酵过程软测量 |
| 1.4.3 混合模型软测量 |
| 1.5 主要研究内容和结构安排 |
| 第二章 谷氨酸发酵过程动力学建模 |
| 2.1 引言 |
| 2.2 发酵过程基础数学模型 |
| 2.2.1 发酵过程合成和和代谢分解反应 |
| 2.2.2 发酵过程典型数学模型 |
| 2.2.3 发酵过程比反应速率模型 |
| 2.3 谷氨酸发酵过程代谢(流)网络分析 |
| 2.3.1 材料与方法 |
| 2.3.2 发酵过程影响因素分析 |
| 2.3.3 代谢网络模型的简化、计算和求解 |
| 2.3.4 基于代谢网络结构模型的谷氨酸浓度预测 |
| 2.4 谷氨酸发酵分批流加非结构动力学建模 |
| 2.4.1 非线性规划确定非结构动力学模型参数 |
| 2.4.2 遗传算法确定非结构动力学模型参数 |
| 2.4.3 改进遗传算法确定非结构动力学模型参数 |
| 2.5 本章小结 |
| 第三章 基于多阶段支持向量机回归的谷氨酸发酵过程软测量 |
| 3.1 引言 |
| 3.2 支持向量机 |
| 3.2.1 支持向量机分类 |
| 3.2.2 支持向量机回归 |
| 3.3 多阶段分割算法 |
| 3.4 基于多阶段支持向量机回归的谷氨酸浓度软测量 |
| 3.5 结果与讨论 |
| 3.6 本章小结 |
| 第四章 基于偏最小二乘和最小二乘支持向量机的谷氨酸发酵过程软测量 |
| 4.1 引言 |
| 4.2 偏最小二乘 |
| 4.2.1 PLS原理与计算方法 |
| 4.2.2 模型提取成分的确定 |
| 4.3 最小二乘支持向量机 |
| 4.4 基于耦合模拟退火的最小二乘支持向量机软测量 |
| 4.4.1 模拟退火算法 |
| 4.4.2 耦合模拟退火算法 |
| 4.4.3 耦合模拟退火优化参数算法 |
| 4.4.4 基于CSA优化的LSSVM软测量预测算法 |
| 4.5 基于PLS-LSSVM的谷氨酸发酵过程软测量 |
| 4.5.1 PLS-LSSVM软测量预测模型实现流程 |
| 4.5.2 辅助变量选择 |
| 4.6 结果与讨论 |
| 4.6.1 模型性能评估指标 |
| 4.6.2 PLS与 LSSVM模型比较 |
| 4.6.3 SVM和 LSSVM预测模型比较 |
| 4.6.4 PLS-LSSVM简化模型性能分析 |
| 4.7 本章小结 |
| 第五章 基于高斯过程的谷氨酸发酵过程软测量 |
| 5.1 引言 |
| 5.2 高斯过程模型 |
| 5.2.1 无参预测 |
| 5.2.2 高斯过程回归 |
| 5.2.3 协方差函数 |
| 5.2.4 高斯过程的模型选择 |
| 5.2.5 高斯过程稀疏化 |
| 5.3 基于PLS-GP的谷氨酸发酵过程软测量 |
| 5.3.1 基于PLS-GP的软测量模型架构 |
| 5.3.2 训练数据的准备 |
| 5.3.3 输入变量选择 |
| 5.3.4 协方差函数的确定 |
| 5.3.5 结果和讨论 |
| 5.4 基于预测方差的谷氨酸发酵过程异常状态分析 |
| 5.4.1 基于预测方差的自主动高斯过程模型 |
| 5.4.2 基于预测方差的谷氨酸发酵过程异常状态分析 |
| 5.5 基于自相关决定高斯过程的谷氨酸发酵软测量 |
| 5.5.1 基于特征关联性的自相关决定变量选择 |
| 5.5.2 结果和讨论 |
| 5.6 本章小结 |
| 第六章 谷氨酸发酵过程软测量建模及优化控制系统的开发 |
| 6.1 引言 |
| 6.2 谷氨酸发酵过程软测量实施系统软件构架 |
| 6.3 谷氨酸发酵过程计算机控制系统 |
| 6.3.1 溶解氧控制 |
| 6.3.2 温度控制 |
| 6.3.3 pH值控制 |
| 6.3.4 压力的控制 |
| 6.3.5 泡沫的控制 |
| 6.4 谷氨酸发酵过程溶解氧的优化控制 |
| 6.4.1 材料与方法 |
| 6.4.2 DO控制算法 |
| 6.4.3 结果和讨论 |
| 6.5 监控系统设计 |
| 6.6 Matlab与 RSView32 通信的实现 |
| 6.7 软测量应用实例——谷氨酸发酵过程异常批次识别 |
| 6.8 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读博士学位期间的成果 |
（7）基于深度学习的聚酯纤维聚合过程软测量建模研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 聚酯纤维聚合过程发展现状 |
| 1.2.1 聚合过程反应机理及生产工艺 |
| 1.2.2 聚合过程国内外研究现状 |
| 1.3 软测量建模基本知识 |
| 1.3.1 软测量建模的基本步骤 |
| 1.3.2 软测量建模的基本方法 |
| 1.3.3 软测量建模的对象特征 |
| 1.4 聚合过程软测量建模研究现状 |
| 1.4.1 基于机理模型的聚合过程软测量 |
| 1.4.2 基于数据驱动的聚合过程软测量 |
| 1.5 论文的研究内容和创新点 |
| 1.5.1 本文的主要研究内容 |
| 1.5.2 本文的主要创新点 |
| 第二章 基于半监督改进型门控循环单元回归网络的聚合过程软测量建模 |
| 2.1 引言 |
| 2.2 预备知识 |
| 2.2.1 标签有限问题描述 |
| 2.2.2 循环神经网络 |
| 2.2.3 门控循环单元 |
| 2.2.4 注意力机制 |
| 2.3 半监督改进型门控循环单元回归网络软测量模型 |
| 2.3.1 半监督门控循环单元回归网络 |
| 2.3.2 半监督改进型门控循环单元回归网络 |
| 2.3.3 基于半监督改进型门控循环单元回归网络的软测量建模 |
| 2.4 实验的设计 |
| 2.4.1 数据选取与预处理 |
| 2.4.2 实验设置 |
| 2.5 实验结果与分析 |
| 2.5.1 有效性对比实验 |
| 2.5.2 优越性对比实验 |
| 2.6 小结 |
| 第三章 基于双流型门控循环单元网络的聚合过程软测量建模 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.2.1 长短时记忆网络 |
| 3.2.2 p-范数门控循环单元 |
| 3.3 双流λ型门控循环单元软测量模型 |
| 3.3.1 λ型门控循环单元 |
| 3.3.2 双流λ型门控循环单元模型架构 |
| 3.3.3 基于双流λ型门控循环单元网络的软测量建模 |
| 3.4 实验设计 |
| 3.4.1 数据选取与预处理 |
| 3.4.2 实验设置 |
| 3.5 实验结果与分析 |
| 3.5.1 有效性对比实验 |
| 3.5.2 优越性对比实验 |
| 3.6 小结 |
| 第四章 基于有监督深度变分自编码网络的聚合过程软测量建模 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.2.1 自编码网络 |
| 4.2.2 变分自编码网络 |
| 4.3 有监督深度变分自编码软测量模型 |
| 4.3.1 有监督深度变分自编码子模型 |
| 4.3.2 改进型无监督深度变分自编码子模型 |
| 4.3.3 基于深度变分自编码模型的软测量建模 |
| 4.3.4 解决过程数据缺失问题的新型软测量建模 |
| 4.4 实验设计 |
| 4.4.1 数据选取与预处理 |
| 4.4.2 实验设置 |
| 4.5 实验结果与分析 |
| 4.5.1 有效性对比实验 |
| 4.5.2 缺失数据对比实验 |
| 4.6 小结 |
| 第五章 基于质量驱动型高斯混合变分概率网络的聚合过程软测量建模 |
| 5.1 引言 |
| 5.2 预备知识 |
| 5.2.1 高斯混合模型 |
| 5.2.2 Householder变换 |
| 5.2.3 门机制连接 |
| 5.3 质量驱动型高斯混合变分概率网络软测量模型 |
| 5.3.1 对角型高斯混合变分概率网络 |
| 5.3.2 非对角型高斯混合变分概率网络 |
| 5.3.3 质量驱动型高斯混合变分概率网络 |
| 5.3.4 基于质量驱动型高斯混合变分概率网络的软测量建模 |
| 5.4 实验设计 |
| 5.4.1 数据选取与预处理 |
| 5.4.2 实验设置 |
| 5.5 实验结果与分析 |
| 5.5.1 有效性对比实验 |
| 5.5.2 优越性对比实验 |
| 5.6 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 附录 A 攻读博士学位期间取得的成果 |
| 附录 B 攻读博士学位期间参与的项目 |
| 附录 C 攻读博士学位期间获得的奖励和荣誉 |
（8）基于深度学习的复杂工业过程软测量方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题应用案例分析 |
| 1.2.1 回转式空气预热器原理 |
| 1.2.2 转子热变形漏风原理 |
| 1.2.3 漏风控制的重点和难点 |
| 1.3 课题研究现状 |
| 1.3.1 软测量建模方法 |
| 1.3.2 软测量方法研究进展 |
| 1.3.3 空气预热器研究进展 |
| 1.4 软测量方法主要存在问题 |
| 1.5 本文的主要工作及章节安排 |
| 2 复杂工业过程软测量方法的理论基础 |
| 2.1 数据预处理 |
| 2.1.1 灰色关联分析法选择辅助变量 |
| 2.1.2 样本误差的剔除 |
| 2.1.3 样本归一化处理 |
| 2.2 深度置信网络 |
| 2.2.1 受限玻尔兹曼机的基本模型 |
| 2.2.2 深度置信网络的结构 |
| 2.3 支持向量回归 |
| 2.4 粒子群优化算法 |
| 2.5 本章小结 |
| 3 基于深度学习的软测量方法 |
| 3.1 工业过程中的数据处理及分析 |
| 3.1.1 工业过程数据采集 |
| 3.1.2 灰色关联分析选取辅助变量 |
| 3.1.3 数据预处理及归一化 |
| 3.1.4 样本数据的选择 |
| 3.2 基于深度学习的软测量方法仿真与分析 |
| 3.2.1 基于BP神经网络的软测量方法 |
| 3.2.2 基于SVR算法的软测量方法 |
| 3.2.3 基于DBN-DNN算法的软测量方法 |
| 3.3 本章小结 |
| 4 基于DBN-IPSO-SVR的软测量方法 |
| 4.1 模型总体设计思想 |
| 4.2 基于深度置信网络的改进模型 |
| 4.2.1 模型的无监督训练 |
| 4.2.2 DBN结合SVR算法的流程 |
| 4.3 基于改进的粒子群优化算法选取参数 |
| 4.3.1 传统粒子群优化算法 |
| 4.3.2 改进的粒子群优化算法选取模型参数 |
| 4.4 软测量模型DBN-IPSO-SVR的仿真 |
| 4.4.1 实验数据的设置 |
| 4.4.2 新型软测量模型的仿真 |
| 4.4.3 不同参数优化方法的仿真对比 |
| 4.4.4 模型仿真结果的分析 |
| 4.5 不同软测量模型的仿真对比 |
| 4.5.1 模型的仿真对比 |
| 4.5.2 结果分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 本文的工作总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（9）海洋碱性蛋白酶MP发酵过程软测量建模及监测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 海洋碱性蛋白酶发酵工艺研究现状 |
| 1.2.2 发酵过程软测量方法研究现状 |
| 1.2.3 智能优化算法研究现状 |
| 1.2.4 发酵过程监测系统研究现状 |
| 1.3 论文的主要研究内容 |
| 第二章 海洋碱性蛋白酶MP发酵过程 |
| 2.1 海洋碱性蛋白酶MP发酵工艺 |
| 2.2 影响海洋碱性蛋白酶MP发酵过程主要因素 |
| 2.3 海洋碱性蛋白酶MP发酵过程动力学分析 |
| 2.4 本章小结 |
| 第三章 基于ABC-MLSSVM逆的海洋碱性蛋白酶MP发酵过程软测量 |
| 3.1 最小二乘支持向量机(LSSVM) |
| 3.2 逆软测量 |
| 3.2.1 逆软测量原理 |
| 3.2.2 虚拟子系统 |
| 3.3 人工蜂群优化算法 |
| 3.4 基于ABC-MLSSVM逆的海洋碱性蛋白酶MP软测量模型构建 |
| 3.5 本章小结 |
| 第四章 海洋碱性蛋白酶MP发酵过程监测系统设计 |
| 4.1 系统总体方案设计 |
| 4.2 下位机系统设计 |
| 4.2.1 系统硬件总体设计 |
| 4.2.2 核心处理器选取 |
| 4.2.3 数据采集通道 |
| 4.2.4 人机接口通道 |
| 4.2.5 串口通信电路 |
| 4.2.6 系统软件设计 |
| 4.3 上位机软件系统开发 |
| 4.3.1 系统初始化 |
| 4.3.2 COM组件构建 |
| 4.3.3 人机交互界面 |
| 4.4 本章小结 |
| 第五章 工作总结与未来展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
（10）基于支持向量机的石脑油裂解制乙烯过程软测量建模研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 软测量技术研究现状 |
| 1.2.1 软测量技术分类 |
| 1.2.2 过程工业数据的特点 |
| 1.2.3 软测量技术的应用 |
| 1.2.4 数据驱动的软测量预测方法 |
| 1.2.5 前人在本选题研究领域中的工作成果简述 |
| 1.2.6 本选题研究的主要内容和重点 |
| 第二章 支持向量机预测建模理论 |
| 2.1 统计学习理论(SLT) |
| 2.1.1 学习过程一致性理论 |
| 2.1.2 VC维理论与构造学习过程收敛的界 |
| 2.1.3 控制学习过程推广能力与结构风险最小化理论 |
| 2.2 支持向量回归建模理论 |
| 2.3 软测量预测模型一般建模过程 |
| 2.3.1 第一次数据清洗 |
| 2.3.2 状态识别 |
| 2.3.3 数据预处理过程 |
| 2.3.4 模型选择、训练和验证 |
| 2.3.5 软测量系统维护 |
| 第三章 基于支持向量回归的软测量回归预测建模方法 |
| 3.1 基于参数优化的SVR软测量模型 |
| 3.1.1 数据清洗、数据预处理和数据集分割 |
| 3.1.2 模型训练、参数优化与模型验证 |
| 3.2 基于ADO-SVR软测量模型 |
| 3.2.1 ALD条件判断 |
| 3.2.2 移动窗技术 |
| 3.2.3 ADO-SVR软测量模型 |
| 3.3 本章小结 |
| 第四章 SVR预测模型在乙烯生产过程中的应用 |
| 4.1 生产历史数据分析 |
| 4.2 乙烯裂解炉装置出口产品组成预测结果 |
| 4.2.1 基于参数优化的SVR软测量建模预测结果 |
| 4.2.2 多种软测量建模方法预测结果对比 |
| 4.3 乙烯裂解炉装置炉管出口温度预测 |
| 4.3.1 基于参数优化的SVR软测量建模预测结果 |
| 4.3.2 学习样本容量不同情况下多种软测量建模方法预测结果对比 |
| 4.4 本章小结 |
| 第五章 ADO-SVR预测模型在乙烯生产过程中的应用 |
| 5.1 移动窗口长度的选择 |
| 5.2 乙烯裂解炉装置出口产品组成与出口温度预测 |
| 5.3 乙烯裂解炉装置出口温度预测 |
| 5.4 乙烯裂解炉装置炉管外壁温度预测 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
四、基于支持向量机的数据建模在软测量建模中的应用（论文参考文献）
- [1]微生物代谢产物发酵过程建模研究[D]. 张相胜. 江南大学, 2021
- [2]基于多模型与即时学习的青霉素发酵过程软测量建模[D]. 刘聪. 江南大学, 2021(01)
- [3]基于深度学习的精馏过程质量参数软测量方法研究[D]. 卢政印. 大连理工大学, 2021(01)
- [4]基于数据驱动的火电机组SCR脱硝系统建模方法研究[D]. 马宁. 华北电力大学(北京), 2021(01)
- [5]污水处理非稳态特性下核建模方法关键问题的研究[D]. 吴菁. 华南理工大学, 2020(01)
- [6]谷氨酸发酵过程的软测量建模研究[D]. 郑蓉建. 江南大学, 2020(01)
- [7]基于深度学习的聚酯纤维聚合过程软测量建模研究[D]. 谢锐敏. 东华大学, 2020(01)
- [8]基于深度学习的复杂工业过程软测量方法研究[D]. 连鹏隆. 西安理工大学, 2020
- [9]海洋碱性蛋白酶MP发酵过程软测量建模及监测系统研究[D]. 于美芳. 江苏大学, 2020
- [10]基于支持向量机的石脑油裂解制乙烯过程软测量建模研究[D]. 朱哲熹. 北京化工大学, 2019(06)