基于關(guān)聯(lián)向量機(jī)建模方法及化工軟測(cè)量應(yīng)用研究.pdf

1、軟測(cè)量技術(shù)作為一種在線檢測(cè)技術(shù)，被廣泛應(yīng)用于化工過程重要質(zhì)量指標(biāo)在線估計(jì)研究中，其核心內(nèi)容是建模方法的研究。人工智能技術(shù)被廣泛應(yīng)用于軟測(cè)量建模方法研究，常用的主要有人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)(SVM)和關(guān)聯(lián)向量機(jī)(RVM)等。雖然與ANN、SVM相比，RVM具有核函數(shù)選擇方便、計(jì)算量小、模型稀疏程度高等優(yōu)點(diǎn)，但存在著預(yù)測(cè)精度有待提高、僅適用于單輸出對(duì)象等局限。本文對(duì)常規(guī)關(guān)聯(lián)向量機(jī)進(jìn)行了改進(jìn)，提出了兩種改進(jìn)的關(guān)聯(lián)向量機(jī)建模方法，并

2、將其應(yīng)用于甲醇制烯烴(MTO)生產(chǎn)過程烯烴收率軟測(cè)量研究中。主要工作如下:
　　(1)在詳細(xì)敘述軟測(cè)量技術(shù)實(shí)施步驟的基礎(chǔ)上，首先比較了各種基于人工智能技術(shù)的軟測(cè)量建模方法研究發(fā)展現(xiàn)狀，然后著重對(duì)RVM的改進(jìn)策略及其軟測(cè)量應(yīng)用現(xiàn)狀進(jìn)行了總結(jié)分析;
　　(2)為了提高RVM模型的預(yù)測(cè)精度，適應(yīng)強(qiáng)非線性、多工況特性的實(shí)際工況需求，提出了一種基于魚群算法(AFSA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(BPNN)的改進(jìn)關(guān)聯(lián)向量機(jī)建模方法，采用AFSA對(duì)

3、BPNN初始參數(shù)進(jìn)行優(yōu)化選擇，加快BP網(wǎng)絡(luò)的收斂速度從而達(dá)到全局最優(yōu);然后采用優(yōu)化后的BPNN來構(gòu)建多個(gè)關(guān)聯(lián)向量機(jī)子模型，進(jìn)行非線性融合，以提高模型的非線性預(yù)測(cè)能力。并用一個(gè)非線性函數(shù)作為測(cè)試對(duì)象，對(duì)所提出建模方法進(jìn)行了性能測(cè)試，測(cè)試結(jié)果驗(yàn)證了該建模方法的有效性;
　　(3)為解決RVM在多輸入-多輸出過程對(duì)象中的應(yīng)用問題，提出了一種基于混合核函數(shù)的改進(jìn)關(guān)聯(lián)向量機(jī)建模方法，將多輸出關(guān)聯(lián)向量機(jī)(MVRVM)替代傳統(tǒng)的RVM，并采用A

4、FSA對(duì)組合核相關(guān)參數(shù)進(jìn)行自優(yōu)化選取，有效避免人為直接設(shè)置的主觀性，最后采用一公開數(shù)據(jù)集對(duì)模型進(jìn)行了性能測(cè)試;
　　(4)以DMTO工藝反應(yīng)再生階段為應(yīng)用研究對(duì)象，將提出的所改進(jìn)關(guān)聯(lián)向量機(jī)建模方法應(yīng)用于烯烴收率軟測(cè)量研究中，仿真結(jié)果表明:采用基于AFSA-BPNN的MRVM模型非線性融合軟測(cè)量建模，具有良好的非線性預(yù)測(cè)能力，較單一模型具有更高的預(yù)測(cè)精度;基于魚群算法優(yōu)化組合核參數(shù)的MVRVM軟測(cè)量模型，則能成功實(shí)現(xiàn)乙烯和丙烯雙烯烴