基于OS-ELM-RPLS的间歇过程软测量建模与迭代控制

《基于OS-ELM-RPLS的间歇过程软测量建模与迭代控制》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、东北大学硕士学位论文摘要基于OS—ELM．RPLS的间歇过程软测量建模与迭代控制摘要间歇过程作为一种典型的生产方式，广泛存在于钢铁冶金、化工制造、生物医学以及半导体等生产过程中。间歇生产过程存在着多变量、时变性、反应复杂、多工序等特性，使得人们难以根据机理来建立模型，而基于数据的软测量技术的出现、研究与发展，-，●，，●，，使其逐渐成为间歇生产过程中最有效的建模分析方法。其中，以主元分析(PCA)、偏最小二乘(PLS)为代表的多元统计学方法以其独特的核心技术，被广泛的应用于间歇过程的质量预报、在线监测和故障诊断。间歇过程的变量间存在着很强的非线性和相关性

2、，非线性偏最小二乘算法非常适合用于间歇过程的建模，这其中又以神经网络与偏最小二乘法结合最为有效。极限学习机(ELM)是一种单隐含层前向神经网络，其随机确定输入层权值和阈值，有着极快的训练速度。本文将ELM和PLS结合，充分利用二者的优点，既有效的拟合了非线性特性、去除变量相关性，又具有建模速度快的优势。同时针对间歇过程的时变性和扰动的影响，采用了在线更新的策略，提出一种基于OS．ELM．RPLS的非线性可更新模型，利用在线连续极限学习机(os．ELM)更新内部模型，同时外部模型对负载矩阵加权更新，实现非线性PLS整体的更新。间歇过程的反复特性使得以迭代学

3、习控制思想为主的批次间迭代控制成为了近年来研究的热点，针对间歇过程具有时变性以及易受到不确定扰动的影响，间隙过程批次对批次控制可以利用前面若干批次的信息，有效的指导和修正下一批次的输入轨迹，使得产品质量指标更快更好的收敛于期望的生产指标。在迭代控制算法中，模型是影响控制效果的关键因素，结合本文的OS．ELM．RPLS模型，提出一种基于非线性可更新模型的迭代优化控制算法，不仅准确获取了过程非线性和动态特性、保证了模型精度，而且更有效的指导了批次间的迭代控制，从而可以获得更好的控制效果和产品指标。关键词：间歇过程，软测量技术，OS．ELM．RPLS，建模，迭

4、代控制一II一幔fl●，叮S。0d东北大学硕士学位论文AbstractSoftSensorModelingandIterativeControlBasedonoS．ELM．RPLSforBatchProcessesAbstractBatchprocessesplayanimportantroleregardedasatypicalproductionmodeinindustriessuchasironandsteel，chemicalengineering，biopharrnaceuticalsandsemiconductors．Duetotheproc

5、esscharacteristicsofmultiplevariables，batch—to-batchvariation，complexityandmultiphase，themechanismmodelisdifficulttoobtain．Withdevelopmentandprogressofthedata-drivenmethod，softsensorisbecomingamostwidelyusedmethodinmodelingandanalyzingforbatchprocesses．Amongmanysoftsensormodeling

6、methods，multivariatestatisticalanalysistechniques，suchasPCAandPLS，havebecomeincreasinglyimportanton-linetoolsforonlinemonitoring，faultdiagnosisandqualityprediction．Batchprocesseshavethecharacteristicsofstrongnonlinearandvariablecorrelation．Therefore，usingthenonlinearPLSalgorithmi

7、sregardedtobetheappropriatechoiceforbatchprocessesmodeling．Moreover,theneuralnetworkismoresuitablefortheinnerrelationshipofPLSmodel．Extremelearnmachineisasinglehiddenlayerfeedforwardneuralnetworks，whichtendstoprovidesuperiorgeneralizationperformanceandextremelyfastlearningspeedby

8、randomlychoosingtheinputweightsandanalyt