支持向量机及其工业过程软测量中的应用研究.pdf

支持向量机及其在工业过程软测量中的应用研究* 摘 要 在复杂工业过程中 大量关键性过程状态 产品质量等变量难以在线直接测量 工业过程的软 测量技术是解决这一难题的有效途径 然而 基于传统神经网络等方法的软测量技术不同程度上存 在一些问题 如实际问题中有限的样本数据限制了算法的有效实施 过程模型的变化及其不准确性 动态干扰和样本数据 稳态 之间的矛盾等等 随着工业过程的日益复杂化和人们对控制质量要求 的日益提高 基于传统方法的软测量技术越来越难以得到令人满意的性能 支持向量机 SVMs, Support Ve ctor Machines 是基于统计学习理论框架下的一种新的通用机器学习方法 它不但较好地 解决了以往困扰很多学习方法的小样本 过学习 高维数 局部最小等实际难题 而且具有很强的 泛化能力 为解决软测量技术中存在的问题提供了一种可行的有效途径 本文着重研究将支持向量机 SVMs 应用于工业过程软测量技术的理论 方法和应用技术 并 在此基础上研制开发了基于嵌入式系统的通用软测量软件包 SSSP, Soft Sensor Software Package 与软测量仪表 本文的主要工作和创新包括以下内容 l 针对具有多工况的复杂工业过程软测量建模问题 基于多模型建模思想和支持向量机在解决数 据分类与回归问题的优点 提出一种基于模糊支持向量分类算法 F_SVC, Fuzzy Support Vector Classifier 和模糊支持向量回归算法 F_SVR, Fuzzy Support Vector Regression 相结合的多模 型建模方法 其中F_SVC用于解决多模型方法中的模型切换问题 F_SVR 用于建立多模型方法 中的子模型 相对于其它多模型方法 该方法能够实现各子模型间的平滑切换 解决了多模型 方法长期存在的模型切换的突变问题 另外还具有估计精度高 泛化能力强等优点 l 将多模型方法用于解决复杂工业过程软测量建模问题具有许多优点 然而 它存在模型集优化 问题 子工况的确定也具有很大不确定性 为解决多模型方法存在的这些问题 结合局部学习 思想 支持向量机学习理论和数据库搜索技术 提出一种基于加权支持向量机 W_SVMs, Weighted Support Vector Machines 的移动建模方法 DM, Drifting Modeling 其中W_SVMs 用 于建立DM 中的局部模型 针对DM方法中的带宽参数选择问题 提出一种参数选择准则 为实 现DM方法中邻域样本的快速搜索 给出将数据历史信息与数据库技术相结合的快速搜索方法 理论分析与试验结果表明 DM方法能够克服全局建模方法估计精度低 计算复杂度大等缺点和 多模型方法的模型集优化问题 l 针对求解支持向量机会消耗大量的系统时间和占用大量系统内存的缺点 提出了两种针对加权 * 国家 十五 863重大项目 项目名称 复杂工业过程的先进控制与软件 编号 2001 AA413130 I 支持向量机的快速学习算法 即扩展最小序列优化算法和加权最小二乘支持向量机 理论分析 和仿真结果表明 给出的快速学习算法能够满足作者提出的移动建模方法所需的实时性要求 l 软测量技术的核心问题是建立软测量模型 但是将建模算法应用到软测量技术中还需要考虑许 多其它问题 如辅助变量选择问题 数据预处理等 作者在研究软测量建模方法的基础上 分 别给出了将支持向量机多模型建模方法和支持向量机移动建模方法应用到软测量技术的具体实 现流程 为进一步将作者研究的理论算法付诸于实践奠定了基础 l 结合作者提出的基于支持向量机的软测量建模方法 利用面向对象 多线程 动态链接等先进 软件开发技术 研制出国内第一套基于嵌入式系统的通用工业过程软测量软件包 SSSP 它 具有通用性 开放性和实时性等特点 其核心算法为作者提出的基于支持向量机的软测量建模 方法 并包含了其它多种算法 可根据具体工业过程选择不同的算法以提高系统性能 同时主 持开发了基于HYSYS软件的化工过程仿真对象 并与SSSP一起构成了软测量仿真系统 为进一 步深入研究工业软测量技术提供了仿真