一種基于混合建模技術(shù)的MIMO軟測量建模方法.pdf

《一種基于混合建模技術(shù)的MIMO軟測量建模方法.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、檢測與儀表化工自動化及儀表，2010，37(9)：37～41ControlandInstrumentsinChemicalIndustry一種基于混合建模技術(shù)的MIMO軟測量建模方法傅永峰，陳祥華，徐歐官(浙江工業(yè)大學之江學院，杭州310024)摘要：針對復(fù)合肥產(chǎn)品中幾種養(yǎng)分含量需要同時預(yù)報的一類多輸A．／多輸出(MIMO)軟測量建模問題，提出一種基于混合建模方法的復(fù)合肥養(yǎng)分含量MIMO軟測量模型。該混合模型首先對幾個不能實時測量的關(guān)鍵輔助變量采用基于限定記憶部分最小二乘算法的數(shù)據(jù)驅(qū)動建模方法建立自適應(yīng)軟測量模型，然后采用簡化機理模型實時計算

2、三種養(yǎng)分含量?；趯嶋H工業(yè)過程數(shù)據(jù)的仿真結(jié)果表明，所建模型運算速度快、預(yù)測精度高，可以滿足復(fù)合肥養(yǎng)分含量在線預(yù)報的要求。關(guān)鍵詞：軟測量；混合建模；部分最小二乘；簡化機理建模；復(fù)合肥養(yǎng)分含量中圖分類號："IT273文獻標識碼：A文章編號：1000-3932(2010)09-0037-051引言在化工過程中，有很多變量不能被在線檢測，而軟測量技術(shù)則是實現(xiàn)此類變量實時估計的一種非常有效的方法。它克服了人工分析及使用在線分析儀表的諸多不足，是實現(xiàn)在線質(zhì)量控制及先進控制、優(yōu)化控制的前提和基礎(chǔ)H’21。常用的軟測量建模方法有機理建?！?’、數(shù)據(jù)驅(qū)動建模和

3、混合建模方法M1。數(shù)據(jù)驅(qū)動建模方法又包括部分最小二乘(PI_．S)回歸方法”J、人工神經(jīng)網(wǎng)絡(luò)方法【61和支持向量機回歸方法o“。機理建模方法和數(shù)據(jù)驅(qū)動建模方法各有其優(yōu)點和不足。機理建模方法能夠從本質(zhì)上反映工業(yè)過程的規(guī)律，可解釋性強、外推性好。但是建模過程非常復(fù)雜，對于一些復(fù)雜過程而言，能得到的機理模型一般也是經(jīng)過若干簡化后的模型。數(shù)據(jù)驅(qū)動建模方法根據(jù)過程的輸入輸出數(shù)據(jù)直接建模，幾乎無需過程對象的先驗知識。但是，這種建模方法通常學習速度慢，且容易造成過擬合現(xiàn)象。此外，用這種方法建立的模型不具有可解釋性?；旌辖７椒▌t把簡化機理建模方法和數(shù)據(jù)驅(qū)動

4、建模方法結(jié)合起來，互為補充。簡化機理模型提供的先驗知識，可以為基于數(shù)據(jù)驅(qū)動的模型節(jié)省訓(xùn)練樣本；同時基于數(shù)據(jù)驅(qū)動的模型又能補償簡化機理模型的未建模特性。因此，混合建模方法現(xiàn)已被廣泛地應(yīng)用并且取得了很好的效果舊叫引。在目前的軟測量建模研究中，多輸Ⅳ單輸出(MISO)的情況研究較多，多輸／V多輸出(MIMO)的情況則研究較少?1。但是，在很多工業(yè)過程中都存在幾個變量同時需要檢測和控制的情況。在復(fù)合肥生產(chǎn)過程中，有三個質(zhì)量變量：氮含量、P：0，含量和K：0含量。保證產(chǎn)品質(zhì)量的手段就是控制這三種質(zhì)量指標在一定的范圍內(nèi)，如果復(fù)合肥產(chǎn)品中養(yǎng)分氮、五氧化二磷

5、、氧化鉀的含量低于一定指標，則生產(chǎn)的復(fù)合肥產(chǎn)品不合格，需返工重新加工，從而增加生產(chǎn)成本；而如果復(fù)合肥產(chǎn)品中養(yǎng)分氮、五氧化二磷、氧化鉀含量太高，也會增加成本。為了保證復(fù)合肥產(chǎn)品合格及節(jié)能降耗，一般工業(yè)要求復(fù)合肥成品中養(yǎng)分含量必須保持在一定范圍以內(nèi)，因此復(fù)合肥產(chǎn)品的養(yǎng)分含量實時控制非常霞要。但在實際生產(chǎn)中，復(fù)合肥產(chǎn)品中三種養(yǎng)分含量均無法在線測量，而是每日采樣三次由實驗室離線分析獲得，但離線分析滯后數(shù)小時，且分析采樣次數(shù)少，遠遠不能滿足實時控制的要求。為了實現(xiàn)在線質(zhì)量控制，就要得到這三種質(zhì)量指標的在線實時估計值，建立軟測量模型是一種非常好的方法。由

6、于這三種質(zhì)囂指標之間存在較強的耦合和關(guān)聯(lián)，因此不適合采用以往的先分別建立三種質(zhì)量指標的MISO軟測量模型，然后再組合成一個MIMO模型的方法。在這種情況下，建立三種質(zhì)量指標的MIMO軟測量模型來同時預(yù)測，將使得模型不僅結(jié)構(gòu)簡單而且具有更好的魯棒性㈦。本文采用數(shù)據(jù)驅(qū)動建模和簡化機理建?；旌系慕Ｋ枷雭斫⑸鲜鰪?fù)合肥三種養(yǎng)分含量的MIMO軟測量模型。首先，采用基于限定記憶最小二乘算收稿日期：2010-07-09(修改稿)基金項目：國家自然科學基金資助項目(60972138)·38·化工自動化及儀表第37卷法(LM．PLS)的數(shù)據(jù)驅(qū)動建模方法為一些

7、不能在線測量的關(guān)鍵輔助變量建立軟測量模型，然后，采用簡化機理模型在線估計三種主導(dǎo)變量。LM-PLS算法不僅具有傳統(tǒng)PLS算法在克服變量間相關(guān)性和噪聲干擾方面的優(yōu)勢，且可以在線及時更新并有效跟蹤系統(tǒng)的時變特性，同時還可以克服樣本的飽和性‘13l。而簡化機理模型則具有先驗性和預(yù)估性，可以為數(shù)據(jù)驅(qū)動模型節(jié)省訓(xùn)練樣本?；趯嶋H工業(yè)過程數(shù)據(jù)的仿真結(jié)果表明模型預(yù)測效果良好，模型預(yù)測結(jié)果與化驗室分析結(jié)果趨勢比較吻合，預(yù)測精度高。2限定記憶PLS算法PLS算法與傳統(tǒng)的MLR(MultipleLinearRegres—sion)、PCA(PrincipalCo

8、mponentAnalysis)等算法相比，具有更好的魯棒性。這里的魯棒性是指當有新的樣本數(shù)據(jù)加入時，模型的參數(shù)不會變化得很劇烈，因此它是建立軟測量模型的一種非常重