基于LS-SVM的软测量建模方法研究的开题报告.pdfVIP

基于LS-SVM的软测量建模方法研究的开题报告

一、研究背景和目的

近年来，随着工业生产系统的不断发展，传感器技术和计算机技

的快速发展，工业过程监测系统越来越普遍。在这个过程中，监测各种

参数的传感器数量也在不断增长，一般情况下，这些传感器所获得的数

据不仅包括关键参数的信息，还包含了一些无用的信息和噪声，这就是

传感器数据的高维性和复杂性引入的问题。因此如何从传感器所获得的

数据中抽取有效的信息，对于提高工业过程控制的有效性和稳定性具有

十分重要的意义。软测量技术可以通过利用这些过程参量之间的关系，

建立过程的映射关系，从而实现对过程参数的高效估计。目前，软测量

技术在化工、电力、石化、钢铁、制药等行业中得到了广泛的应用。

本研究的目的是利用基于LS-SVM的方法，对工业过程所监控的多

参数进行建模，提取有效的特征信息，实现对过程参数的精确估计。

二、研究内容和方法

1.收集和整理工业过程所监控的多参数数据，通过数据预处理和特

征选择抽取有效特征信息；

2.基于LS-SVM模型提取有效的参数模型，并对模型进行参数调整

和优化；

3.利用所建立的模型进行软测量预测，并将得到的预测结果与实际

数据进行比较，评估模型的精确性和可行性。

三、预期结果和意义

本研究将建立一个基于LS-SVM的软测量模型，通过对工业过程所

监测的多参数进行建模和特征提取，实现对过程参数的高效估计，为工

业过程的控制提供精确的信息支持，提高工业生产的效率和质量。

四、研究的难点和挑战

1.传感器数据的高维性和复杂性引入的问题；

2.如何有效提取传感器数据中的特征信息而不丢失有效信息；

3.如何建立高精度、稳定的LS-SVM模型；

4.如何处理工业过程参数之间的非线性关系。

五、研究计划

第一年：收集和整理工业过程中的数据，进行预处理和特征选择，

研究LS-SVM模型及其优化算法。

第二年：建立基于LS-SVM的软测量模型，进行参数校正和优化，

并对模型进行验证和测试。

第三年：对所建立的模型进行完整性测试，评估模型的精确性和可

行性，并撰写论文并发表。

六、参考文献

1.Xu,J.,Wang,X.,Yang,W.(2016).Softsensorbasedona

hybridextremelearningmachineandsupportvectormachinemodelfor

real-timemeasurementduringoilproduction.Measurement,89,165-

176.

2.Li,H.,Liu,H.,Wang,J.,Wu,N.,Zhang,Y.(2019).An

integratedclassificationandsoftsensormodelingforproductquality

monitoringinchemicalprocessusingSVDandSVM.JournalofCleaner

Production,218,704-713.

3.ChenX,ChenL,XieX,etal.SupportVectorMachineSoft

SensorBasedonMultipleFusionFeatureSelectionMethodandControl

ChartPatternRecognitionforPredictingProduct

Quality[C]//InternationalConferenceonIndustrialEngineering,

ManagementScienceandApplication.AtlantisPress,2020:153-161.