支持向量机及其在制浆过程重要参数软测量中的应用研究

支持向量机及其在制浆过程重要参数软测量中的应用研究

ID:33789713

大小:6.17 MB

页数:162页

时间:2019-03-01

支持向量机及其在制浆过程重要参数软测量中的应用研究_第1页
支持向量机及其在制浆过程重要参数软测量中的应用研究_第2页
支持向量机及其在制浆过程重要参数软测量中的应用研究_第3页
支持向量机及其在制浆过程重要参数软测量中的应用研究_第4页
支持向量机及其在制浆过程重要参数软测量中的应用研究_第5页
资源描述:

《支持向量机及其在制浆过程重要参数软测量中的应用研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、陵压料技大学论文题目:支持向量机及其在制浆过程重要参数软测量中的应用研究学科门类:工学一级学科:制浆造纸工程培养单位:轻工与能源学院博士生:于晓明导师:王孟效教授2012年5月STUDYoNSUPPoRTVECToRMACHINEANDITSA.PPLICATIoNSToSoFTMEASUREMENTFoRSEVERALIMPoRTANTPARAMETERSINPULPINGPRoCESSAThesis(orDissertation)SubmittedtoShaanxiUniversityofScienceandTechnologyinPartialFulfillmentof

2、theRequirementfortheDegreeofDoctorofEngineering●一一一■●■■■一By场Xiaoming-●■■■■■■■●●————————————————————————'_r●一Thesis(orDissertation)Supervisor:Professor.WangMengxiao.May,2012支持向量机及其在制浆过程重要参数软测量中的应用研究摘要节能减排、环境保护及消费者对纸张质量要求的提高客观上要求造纸行业必须进一步提高企业的自动化及信息化程度。制浆过程卡伯值、碱回收过程及洗涤过程的黑液浓度的在线测量一直是浆纸企业关注的热点

3、,也是影响浆纸工业信息化及自动化发展的难点。支持向量机(SupportVectorMachines,SVM)是一种核函数学习机器,它遵循结构风险最小化原则,具有理论完备、适应性强、推广能力好、全局优化等优点,是当前国际工业自动化领域的一个研究热点。与传统机器学习方法相比,SVM具有良好的发展与应用潜力。本文以SVM在制浆过程一些重要工艺参数在线软测量应用中的若干问题为主线,结合相应过程工艺知识,针对现有软测量模型在实际应用过程中普遍存在诸如速度慢、精度低、缺乏在线校正等问题,提出或改进了若干算法。仿真研究及应用效果表明本文提出的算法是有效的。本文的主要贡献可总结如下:(1)基

4、于SVM算法的卡伯值分类在线白适应软测量建模。针对现有蒸煮过程卡伯值软测量模型存在精度低、在线适应能力弱的缺点,提出基于SVM卡伯值分类在线自适应软测量模型。工业过程一般工作在几个有限工作点附近,蒸煮过程也不例外。根据过程这个特点,本文采用模糊C均值聚类方法将蒸煮过程卡伯值软测量样本点划归成若干类(由于采样数据所限,本文选两类)。划分原则:每类中训练样本间最大程度相似;不同类中训练样本最大程度不同。然后分别建立各类软测量模型。通过这种方式,就把一个大类的卡伯值软测量模型细化成各个小类卡伯值软测量模型,相应地提高了卡伯值模型的静态精度。通过对国内外蒸煮过程卡伯值常用的软测量方法

5、优缺点及国内使用情况分析发现,大多数已有模型提高精度的方法主要集中在静态模型精度上,比如增加过程信息量等,也就是在如何提供模型静态精度上开展工作较多,但对模型使用过程中精度研究相对较少。通过工艺分析及国内蒸煮现状研究,发现国内蒸煮过程工况变化比较频繁。如果卡伯值软测量模型在线自适应能力弱,模型使用过程中,精度必然降低。工况经常变化的蒸煮过程卡伯值软测量不适合采用具有批处理式、离线建模的一般支持向量回归机算法。适合采用适应工况变化的增量自适应SVM算法。也就是在模型使用过程中不断采集新的样本,在原模型基础上再学习。这样的算法既兼顾了原有历史模型,又给模型引入了新工况要素。为了降

6、低所建模型在使用过程中计算机内存占有量,提高模型运行速度,必须选择合适样本替换策略。考虑蒸煮过程典型慢时变特点,从算法和蒸煮特性两方面考虑,选用基于支持向量数据域描述策略和基于滑动时间窗法结合形式的样本替换策略。与普通的卡伯值软测量模型相比本文提出的模型优点:一方面充分地考虑到历史训练的结果,减少再建模型训练时间;另一方面对历史数据无需继续保存,减少算法对计算机存储空间要求。通过仿真及应用证明这种基于数据挖掘增量在线自适应支持向量机模型适合蒸煮过程卡伯值软测量建模。(2)基于在线自适应残差补偿LS—SVM算法的碱回收蒸发工段出效黑液浓度软测量建模。针对碱回收蒸发工段出效黑液浓

7、度难于测量的情况,本文提出了在线自适应残差补偿LS—SVM模型。通过对碱回收过程工艺及多效蒸发器原理的学习、分析,影响碱回收蒸发过程黑液浓度的主要因素有进效稀黑液浓度和流量及多效蒸发器的总有效温差,其它因素为固形物成分组成、冷却水温度、环境温度、传热系数等。黑液蒸发一般由多效蒸发器组成,每效蒸发器又存在蒸汽、黑液和冷凝水等流程。蒸发过程的非线性比较严重。蒸发器内部管道有时出现的各种液柱脉动、出效黑液浓度和流量有时发生的振荡现象。由于蒸发器本身设备管道长、多,在蒸发系统的一端的量(流量、温度、浓度等)发生

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。