脱酚单元生产过程的软测量论文.pdfVIP

2007 江苏省自动化学会学术年会论文集 脱酚单元生产过程的软测量 成亮铖，杨慧中1 （江南大学通信与控制工程学院，江苏 无锡 214122） 摘要：根据对双酚 A 生产过程的脱酚单元质量指标实时控制的需要，将支持向量机（SVM） 应用到脱酚单元的脱酚塔建模之中，经过对 SVM 的回归拟合，利用回归分析的结果作为软测 量模型，实现在线推理估计脱酚塔出口的双酚 A 含量。经仿真表明，支持向量机方法是软测 量建模的一种非常有效的方法。 关键词：双酚 A，脱酚单元，软测量，支持向量机，回归分析 0 引 言 在复杂的流程工业中, 受工艺和技术的限制，许多质量指标变量是无法或难以直接测量 的。即使有些变量可以用在线分析仪表进行检测，但投资较大，且可能存在较大的测量滞后， 不能用于实时控制。为解决此类问题，软测量技术得到了很大的发展。软测量的原理就是根 据某种最优准则，选择一组与被估计变量相关的辅助变量，建立以辅助变量为输入，被估计 变量的最优估计为输出的数学模型。软测量方法的核心问题是软测量模型的建立。常用的建 模方法有机理建模、基于状态估计的建模、回归分析建模、基于人工神经网络建模、模糊建 模和混合建模[1] 。 支持向量机(Support Vector Machine, 简称SVM)是一种基于Vapnik统计学习理论的新的 机器学习方法，其基本思想是基于Mercer核展开定理，通过非线性映射f ，把样本空间映射 到一个高维乃至于无穷维的特征空间（Hilbert空间），使在特征空间中可以应用线性学习机 的方法解决样本空间中的高度非线性分类和回归等问题[2] 。SVM的最优求解基于结构风险最 小化思想，因此比其他非线性函数逼近方法具有更强的泛化能力，同时将机器学习问题转化 为二次规划问题，能够得到唯一的全局最优解。 1 基于支持向量机方法的软测量建模 1.1 支持向量机基本原理 给定样本数据集 {(x , y ) |i = 1,...,k } ，其中x 为样本输入，y 为样本输出，寻求一个 i i i i 反映样本数据的最优函数关系y = f (x ) 。支持向量机引入非线性映射f ，样本空间映射到 一高维特征空间，再在高维特征空间中进行线性回归[3]。估计函数为： f (x ) w =⋅φ(x ) +b （1） 最优化问题为： 1 基金项 目：国家自然科学基金项目；江苏省高技术研究 (工业)（BG2006010） 作者简介：成亮铖（1985—），男，江苏无锡人，研究生，工业过程建模与优化控制。 杨慧中（1955—），女，江苏无锡人，教授，博士生导师，复杂过程建模和优化控制。 299 2007 江苏省自动化学会学术年会论文集 ⎧ 1 2 * + + min || w || C ∑(ξ ξ ) ⎪⎪ 2 i i i ⎪ y −w ⋅φ(x ) −b ≤ε+ξ