基于FCM+聚类的多PSO-ε-SVR+软测量建模及应用.pdfVIP

2010 年湖南省研究生创新论坛信息与控制工程的新理论和新技术分论坛论文集 基于 FCM 聚类的多 PSO-ε-SVR 软测量建模及其应用 李广宇，凌玉华 摘 要: 针对单模型软测量建模中存在的预测精度差等问题，本文提出了一种基于 FCM 聚类的多 PSO-ε-SVR 软测量建模方法。该方法首先使用 FCM 聚类算法对样本数据集进行聚类分析；然后， 针对每个聚类样本集建立 PSO-ε-SVR 模型；最后，按照 FCM 聚类分析中的模糊隶属度原则对各个 子模型的输出进行加权，得到总模型的输出值。本文采用该方法对铝带坯晶粒度软测量建模进行了 仿真研究，结果表明所建模型具有很高的预测精度，能够满足工业过程检测的需要。 关键词: 软测量，FCM 聚类，PSO-ε-SVR，晶粒度 Multiple PSO-ε-SVR Soft Sensor Modeling Based on FCM Clustering and Its Application Li Guangyu, Ling Yuhua Abstract: For the problem of low prediction accuracy in the single soft sensor model, a multiple PSO-ε-SVR model based on FCM clustering is presented. The FCM clustering algorithm is used to make a partition for the sample data set. For each clustering sample set, a single PSO-ε-SVR model is established. To use the fuzzy membership weighted strategy, the output of integrated model is calculated. Finally, the aluminum strip grain size soft sensor modeling is simulated and analyzed. The simulation results show that this model has high prediction accuracy and can meet the needs of industrial process inspection. Key Words: soft sensor, FCM clustering, PSO-ε-SVR, grain size 软测量技术是为了解决复杂工业生产过程中不易测变量的实时测量和控制问题而逐渐发展起 来的。其基本思想就是依据可测、易测的过程变量（称为辅助变量，如温度和压力等）与难以直接 检测的待测变量（称为主导变量，如产品分布和物料成分等）的数学关系，根据某种最优原则，采 用各种计算方法，用软件实现对待测变量的测量或估计[1]。 目前，从软测量模型结构上看，大多数采用的是单一模型结构建模的方法。而对于大多数工业 过程，工况往往会随着时间或产品质量需求的变化而变化，试验仿真结果及少量的工业实际应用表 明，采用单模型构建的软测量模型很难准确地描述实际对象，模型的精确性和鲁棒性都需要进一步 改善。 本文首先运用 FCM （Fuzzy C-means ，模糊 C-均值）聚类算法对数据样本进行聚类分析；然后 针对每一类样本集分别采用 ε-SVR （Support Vector Machine Regression，ε-支持向量机回归）进行软 测量建模，并使用 PSO （Particle Swarm Optimization ，粒子群优化）算法优化 ε-SVR 的相关参数， 从而建立各个软测量子模型；