一、聚丙烯腈质量指标软测量混合模型的应用（论文文献综述）
杨红[1]（2021）在《脱硫系统浆液pH值软测量方法研究》文中研究说明吸收塔浆液pH值是石灰石-石膏湿法烟气脱硫系统的重要运行参数,直接影响脱硫系统的经济性和安全性。在实际运行中,系统配置的pH值测量仪易受干扰,常发生堵塞、失效等现象,影响系统的连续可靠运行。现场一般采用冗余设备或者取样检测等方法进行临时测量,但是这些方法具有成本高、时滞性大等缺点。软测量技术为浆液pH值的测量提供了新的有效途径。本文以脱硫系统吸收塔浆液pH值为研究对象,建立浆液pH值的软测量模型,实现浆液pH值的快速准确测量。主要研究内容如下:首先,对石灰石-石膏湿法烟气脱硫系统工艺流程以及反应机理进行分析,确定浆液pH值的影响因素,并依据脱硫系统现场数据,对相关过程参数的历史数据样本进行预处理,主要包括离群点检测、平滑处理、归一化以及样本优化。其次,利用互信息算法筛选辅助变量,采用最大相关最小冗余的变量选择方法确定最终输入变量集。在软测量建模上,分别采用偏最小二乘法（Partial Least Squares,PLS）和最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）建立浆液pH值的软测量模型,并采用改进粒子群算法（Particle Swarm Optimization,PSO）对LSSVM的正则化参数和核参数进行优化。由于静态模型无法满足脱硫系统时变特性下对预测精度的要求,提出一种基于即时学习算法（Just in Time Learning,JITL）的自适应软测量算法。在JITL框架中,以改进PSO优化的LSSVM算法作为局部模型,同时采用偏差补偿技术实现模型输出误差校正,提高模型稳定性。最后,基于现场数据在MATLAB环境下进行建模仿真和实验对比。研究结果表明:浆液pH值的LSSVM软测量模型预测效果优于PLS,改进的PSO运用到LSSVM的参数选择中,有效克服了传统网格搜索方法的盲目性,提高了模型精度。基于JITL的软测量模型与静态模型相比,建立的模型能够反映系统当前状态,具有更好的预测效果,能够有效处理脱硫系统的时变特性,可以满足现场浆液pH值的测量要求,并为脱硫系统的安全生产以及运行优化提供参考依据。
高根源[2]（2020）在《数据驱动的碳纤维原丝质量分析和预测方法研究》文中研究指明碳纤维是一种含碳量在90%以上,具有高比强度和高比模量的新型纤维材料,被广泛应用于航天航空、国防军事和民用方面。目前,由于工艺技术和生产设备的限制,我国碳纤维产业整体水平较发达国家仍有一定差距,主要表现在产量有限、成本过高和产品性能不稳定等方面。原丝作为碳纤维的前驱体,其质量是制约碳纤维质量的重要因素,提高原丝质量的稳定性对于碳纤维生产至关重要。工业控制系统的存在使得海量的原丝生产过程监测数据被采集和存储起来,然而这些数据中蕴含的价值尚未被挖掘出来。基于数据驱动的方法能够避免由于生产的动态性、不确定性导致的复杂机理分析,通过数据建模为质量控制、参数优化提供指导性意见,提高原丝质量的稳定性。本文以碳纤维原丝实际生产过程数据为研究对象,基于数据驱动的思想,通过对生产数据进行清洗,提高数据质量,在此基础上辨识出关键工艺参数测点,并对原丝质量进行预测建模。主要研究工作如下:（1）原丝生产监测数据清洗方法研究。原丝生产监测数据具有体量大、维度高、时序性、非线性、耦合等特点,而且数据存在着缺失、噪声的问题,影响后续分析。为了解决上述问题,提出了一种基于栈式去噪自编码器的原丝生产监测数据缺失填补方法。该方法通过对正常数据进行人为缺失处理,并利用去噪自编码器尽量重构出原始数据,从而解决监测数据中存在的缺失问题。另外,利用孤立森林,对异常样本进行检测,提高数据质量。（2）基于实际生产数据的原丝关键工艺参数辨识方法研究。针对原丝生产监测数据非线性、共线性、高耦合、类别不均衡的特点,首先利用极限梯度提升（e Xtreme Gradient Boosting,XGBoost）算法构建原丝质量分类模型,根据SHAP框架得出特征重要性大小,找出与原丝质量稳定性强相关的工艺测点,为后续质量预测建模做好特征选择工作。然后利用贝叶斯网络,对工艺测点和原丝质量间的依赖关系进行分析,辨识出关键工艺点。（3）基于自编码器和多输出支持向量机（Autoencoder-Multi-output Support Vector Regression,AE-MSVR）的原丝质量预测模型构建。针对原丝质量预测数据存在的异构、多品种、多指标、小样本等问题,首先对时序监测数据利用循环自编码器（Recurrent Neural Network Autoencoder,RNN-AE）模型进行表征学习,提取时序特征,然后结合离线数据,利用多输出支持向量机回归模型对多个原丝质量指标进行预测。通过对某碳纤维制造企业原丝实际生产数据进行实验和分析,证明了上述研究工作的有效性。
孙小杰,冯祖洪[3]（2014）在《基于神经网络的丙烯腈聚合反应软测量模型》文中认为针对丙烯腈聚合反应是一种非均相的聚合过程,其聚合机理比较复杂,关键质量指标无法用传感器直接在线测量的缺陷。本文首先建立了转化率和聚合物总数的神经网络软测量模型,然后使用OADEKF滤神经网络学习算法对网络进行训练,使得训练的网络性能优于BP算法学习的网络,且能够满足工程实际模型精度的要求。为转化率和聚合物总数的在线测量提供了有效途径,采集的数据仿真表明,采用OADEKF算法训练的神经网络模型具有一定的估计精度,为工程实施提供了借鉴。
甄玉山[4]（2012）在《基于过程神经网络的化工过程软测量研究》文中指出产品质量控制是工业过程中至关重要的环节，但是在大量实际生产过程中质量指标往往很难在线得到，这给过程的在线监控造成了很大的困难，同时导致难以实现过程的在线控制和优化操作。本文以某工厂的高密度聚乙烯（High Density Polyethylene，HDPE）装置为例，重点研究工业过程中的软测量和优化技术。HDPE是由乙烯单体共聚生成的热塑性聚烯烃，具有很好的物理化学特性，因此被广泛应用于国民经济的各个领域中。但是国内HDPE生产技术与国外领先的技术相比仍然存在一定差距，国内聚乙烯生产企业急需利用先进的过程软测量和控制优化技术来指导实际工业过程的生产操作。本文的主要研究工作如下：首先，阐述了论文研究的目的和意义，介绍了软测量技术的研究内容及主要的建模方法，其中重点介绍了基于数据驱动的建模方法，并综述了目前国内外软测量技术的研究和应用现状。其次，本文先对过程神经网络（Process Neural Network，PNN）的输出误差函数进行了改进，进而提出了基于改进后的PNN的软测量建模方法。首先采用移动窗口技术来确定包含过程稳态运行大部分信息的时间序列，利用PCA算法的Q统计量表征数据间的相关性，由此确定移动窗口的长度；然后利用改进后的PNN建立对象的软测量模型并对主导变量进行连续的预测；最后实际应用时对软仪表进行在线校正以实现对于工业过程的连续高精度预测。再次，从聚合反应的机理分析入手，选取软测量的辅助变量，并对其进行必要的数据预处理工作。然后利用本文所提出的基于PNN的软测量建模方法建立HDPE的熔融指数（Melt Index, MI）的软测量模型，并与传统的动力学软测量模型和BP软测量模型的性能进行比较。针对HDPE的仿真研究证明，本文所提出的基于PNN的软测量建模方法具有较高的预测精度和很好的跟踪性能，同时该方法具有的自适应特性保证了其在线应用的可靠性。最后，在建立聚合物MI软测量模型的基础上，本文利用先进的粒子群优化算法优化聚合反应过程的操作，寻求过程的最优操作点，给工业的优化控制提供一定的参考依据，这对于保证产品的质量、节约生产成本和提高企业的经济效益发挥着重大的作用。
彭晓波[5]（2011）在《模糊递归神经网络在软测量中的应用》文中提出针对工业过程中参数测量滞后和不准确的问题,采用动态T-S递归模糊神经网络（DTRFNN）进行软测量。本文提出了T-S递归模糊神经网络结构,最后并在此基础上对冶炼过程中的金属元素含量进行软测量实验研究,取得了较好的效果。
田华阁[6]（2010）在《聚丙烯装置产品质量软测量技术研究》文中提出熔融指数是聚丙烯生产过程中最重要的质量变量之一,研究其软测量技术对丙烯聚合反应过程的优化和控制具有重要理论意义和实用价值。本文针对聚丙烯熔融指数的软测量问题,从机理模型和数据模型两方面入手,研究并提出了多种软测量模型的建立方法,并对工业聚丙烯装置实施软测量技术的过程和结果进行了讨论分析。论文针对Spheripol-II液相本体双环管反应装置,分析了该类工艺装置的反应原理,建立了环管反应器的机理模型,并分析了操作条件变化对装置变量的影响情况。在反应机理分析的基础上,本文建立了双环管反应器的两种熔融指数预报模型:对数模型和幂数模型,分别采用带遗忘因子的最小二乘法（FFRLS）和粒子群算法（PSO）对模型参数进行辨识,工业数据建模的结果验证了方法的有效性。考虑到单一机理软测量模型往往难以适应牌号切换工况下的熔融指数预报要求,本文提出两种基于机理模型和模糊技术的混合软测量建模方法:FP-EFCM和FP-FIS方法。FP-EFCM将机理模型与加强型模糊C均值聚类算法（EFCM）相结合,FP-FIS将机理模型与自适应神经模糊推理系统相结合,对工业数据的应用结果表明了方法能够较为准确地预报熔融指数的变化。针对支持向量机应用于聚丙烯软测量建模时工业过程数据中特异点影响建模精度的问题,提出一种聚类加权支持向量机方法。该方法首先对建模数据进行聚类分析,根据聚类结果,再对各类数据的惩罚系数进行相应的加权,这样既能减小特异点对模型的影响程度,又能将其包含的生产过程信息引入到软测量模型中。在工业数据上的应用结果说明聚类加权支持向量机比标准支持向量机建模更准确。针对聚丙烯装置熔融指数软测量中的非线性和多牌号切换问题,本文提出一种基于自适应核偏最小二乘（AKPLS）的软测量方法。该方法采用非线性PLS——KPLS方法来拟合辅助变量和熔融指数之间的函数关系,以软测量模型的泛化误差作为优化目标,对KPLS模型系数进行在线更新。工业数据应用结果表明,AKPLS方法能够比PLS、KPLS方法更准确地预报聚丙烯熔融指数的变化。为建立适应聚丙烯多工况生产现状并具有良好泛化能力的非线性软测量模型,本文以稀疏核模型作为软测量模型框架,提出一种基于改进正交最小二乘（IOLS）的聚丙烯熔融指数软测量建模方法。为了消减模型中与输出变量无关的噪声信息,提出使用正交信号校正（OSC）方法对OLS模型进行预处理。基于留一法均方误差（LOO MSE）和模型参数局部正则化建立OLS模型目标函数,以提高模型的稀疏性和泛化能力。最后使用Kalman滤波器对模型参数进行在线更新。工业数据应用结果表明,IOLS方法能够比偏最小二乘（PLS）、OLS方法更准确地预报聚丙烯熔融指数的变化。最后本文对软测量技术在工业聚丙烯装置上的实施流程和关键问题进行了讨论,对软测量方法在工业装置上的实施结果进行分析,指出了工业装置建立软仪表过程中需要解决的问题。
金天昕[7]（2009）在《支持向量机在双酚A软测量中的应用》文中进行了进一步梳理工业生产中过程控制的目标是为了稳定地获得合格的产品,于是质量控制成为所有控制的核心。为了满足生产过程对质量进行控制的要求,需要获取诸如成分、浓度、黏度等质量或物性参数的测量信息。采用软测量技术,利用易于获取的测量信息,通过建立软测量模型来实现对被测变量的估计是一个前景十分广阔的研究方向。支持向量机（SVM）是一种基于统计学习理论（SLT）的新数据建模方法。它建立在VC维理论和结构风险最小原理的基础上,能较好地解决小样本、非线性、高维数和局部极小点等实际问题,同时能获得较好的泛化能力。SVM在工业领域的应用研究相对来说不多,鉴于化工领域小样本统计的特点,它在化工领域中有较大的应用前景。本文针对回归型支持向量机（SVR）算法,从算法性能与推广能力两方面对其展开研究,并将其应用于工业双酚A生产过程软测量建模中。首先,本文讨论了机器学习理论的一些基础性成果、机器学习的发展概况、机器学习所要解决的问题、统计学理论的一些概念和方法以及支持向量机的发展及主要研究手段。分析了各种支持向量机变形算法及回归型支持向量机（SVR）属性,探讨了线性情况下支持向量机的各种变形算法及他们之间的分析比较。讨论了基于粒子群优化算法的回归型支持向量机（SVR）的参数选择。其次,本文应用回归型支持向量机（SVR）算法,从算法性能与推广能力两方面对工业双酚A生产过程软测量的建模展开研究,并介绍了有关建模过程。本文的研究发现,软测量模型的精度,与回归型支持向量机（SVR）选取的参数（核参数、惩罚因子以及ε不敏感系数）关系很大,针对目前尚无解析方法指导SVR参数选取的问题,本文采取了一种基于粒子群优化（PSO）算法的SVR参数选择方法。该方法将SVR参数集当作粒子群,以最小化5-fold交叉验证误差作为适应目标,利用PSO强劲的全局搜索能力实现了参数优选。数值函数和实际应用例子表明该方法对模型推广能力的提高具明显的作用。
贾淑矿[8]（2009）在《基于支持向量机算法的多模型建模方法研究及应用》文中进行了进一步梳理软测量技术是解决现代复杂工业过程中较难甚至无法由硬件在线测量参数的实时估计问题的有效手段。支持向量机（Support Vector Machines, SVM）,由于它具有以任意精度逼近任何线性和非线性函数的能力,已被成功地应用到石油、化工等方面的软测量建模。但实际生产过程往往存在着非线性、工况范围广等特点,采用单一支持向量机模型往往无法满足工艺精度要求。本文依据多模型思想,结合实际工程应用背景,提出三种多模型建模方法:多模型建模的首要前提是对建模用的数据集进行划分,常用的划分子系统的方法是采用聚类算法将数据集根据输入空间相似性划分为若干子集。然而,聚类算法往往要求聚类个数c事先给定,在一定程度上困扰了聚类算法的应用。本文从系统输入输出数据出发,针对比较法和融合法中计算量大,初始聚类个数选取盲目的缺点,依据用户满意为最终目标的原则,提出一种简单有效的快速满意c确定方法,并将其应用于系统多模型建模过程中。对一个对象而言,输出数据是对象特性的真实反映,对研究对象的变化有重要的意义。为实现依据对象的输出数据的值区间分类,本文把贝叶斯二次判别分析算法（Quadratic Discriminant Analysis,QDA）引入到软测量样本集分类。首先以目标变量值的不同区间作为先验分类的标准,把已知样本分为若干类别,并提供分类器所需的先验类别信息,对于未知类别的输入数据,用QDA依据先验类别信息判断其所属数据类别,进而对系统构建多模型。数据信息的完备性是建立高精度模型的必备条件。对于一个对象而言数据信息包括对象的输入信息和输出信息,单纯地依据输入信息或是输出信息对样本进行划分都很难完整地描述对象的变化过程。为保持样本数据信息的完备性,实现依据系统输入输出信息对样本分类,本文提出一种基于聚类分析和贝叶斯二次判别分析（Clustering Analysis and Quadratic Discriminant Analysis, CAQDA）算法的多模型建模方法。模糊聚类算法依据样本输入间的相似性,把样本数据划分为若干子集,对每个子集用二次判别分析算法依据系统输出信息进行二次划分,最后用支持向量机算法建立每个类别的子模型。用该方法建立的双酚A生产裂解重整单元中重排反应器底部产物双酚A含量软测量模型,在模型精度、泛化能力等方面均优于单一SVM模型和基于模糊聚类的多SVM模型。
陈刚[9]（2008）在《聚合反应的软测量建模及工程实现》文中提出在化工应用领域中,建立准确的系统模型对于实施先进控制是非常重要的。本文以上海某化工厂科研项目“PAN生产过程质量指标软测量及分析管理系统软件开发”为课题,以化工生产中聚合反应过程为对象,建立聚合反应过程质量指标的软测量模型,讨论了基于支持向量机的建模方法,并且重点介绍了软测量系统的工程实现技术。本文的主要研究内容为以下几个方面:1.系统阐述了软测量技术的原理及应用现状,并分析了其现存的问题。同时,从变量的选择、数据处理、软测量模型建立、在线校正与工业应用5个方面系统地介绍软测量技术。2.在了解聚丙烯腈聚合反应工艺机理的基础上,设计一种化工聚合反应过程多类型混合模型。该模型的输出能较好地反映出化工聚合反应过程复杂的动态特性。3.在掌握统计学习理论的基础上,研究了SVM用于函数逼近的具体实现方法,提出并成功运用SVM方法建立混合模型中若干重要子模型,仿真结果表明SVM方法具有学习能力强、泛化能力好、对样本依赖程度低等优点。4.介绍了软测量技术在现场的工程实施情况。采用组态王和Matlab语言相结合的开发模式,并充分利用数据库技术,开发了生产过程软测量系统软件包。另外对工程实施过程中的一些关键问题进行了深入的研究。
苗晓寒[10]（2007）在《软测量在腈纶聚合质量指标控制中的应用》文中认为用混合模型技术,建立聚合反应过程质量指标的软测量模型,对现场检测数据进行深层加工处理和应用软测量技术开发工程应用软件,对工艺质量指标实时检测和显示,充分利用DCS系统和上位机软件的功能优势,解决工业实际问题。实验证明所开发的软测量模型精度满足了工程要求,与人工分析值比较,相对误差≤2.5%,完全能够满足工艺生产控制要求的。
二、聚丙烯腈质量指标软测量混合模型的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、聚丙烯腈质量指标软测量混合模型的应用（论文提纲范文）
（1）脱硫系统浆液pH值软测量方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 脱硫技术的研究与发展现状 |
| 1.2.2 浆液pH值测量难点 |
| 1.2.3 pH值在线测量研究现状 |
| 1.3 本文研究的主要内容和意义 |
| 第2章 软测量关键技术研究 |
| 2.1 软测量概述 |
| 2.2 软测量基本理论 |
| 2.2.1 辅助变量的选取 |
| 2.2.2 数据预处理 |
| 2.2.3 软测量模型的建立 |
| 2.2.4 软测量模型的校正 |
| 2.3 偏最小二乘法 |
| 2.3.1 偏最小二乘法建模原理 |
| 2.3.2 偏最小二乘法计算方法 |
| 2.3.3 模型提取成分的确定 |
| 2.4 最小二乘支持向量机 |
| 2.4.1 统计学习理论 |
| 2.4.2 支持向量机基本原理 |
| 2.4.3 最小二乘支持向量机原理 |
| 2.5 改进粒子群算法 |
| 2.5.1 标准粒子群 |
| 2.5.2 模拟退火算法 |
| 2.5.3 改进的粒子群算法 |
| 2.5.4 算法验证 |
| 2.6 本章小结 |
| 第3章 辅助变量的选取与数据预处理 |
| 3.1 石灰石-石膏湿法烟气脱硫技术 |
| 3.1.1 石灰石-石膏湿法烟气脱硫工艺流程 |
| 3.1.2 石灰石-石膏湿法烟气脱硫反应机理 |
| 3.2 浆液pH值影响因素 |
| 3.2.1 浆液pH值影响因素 |
| 3.2.2 数据源概况 |
| 3.3 数据预处理与样本选择 |
| 3.3.1 粗大误差处理 |
| 3.3.2 随机误差处理 |
| 3.3.3 归一化与反归一化 |
| 3.3.4 样本数据优化 |
| 3.4 筛选辅助变量 |
| 3.4.1 互信息基本理论 |
| 3.4.2 最大相关最小冗余 |
| 3.4.3 计算分析 |
| 3.5 本章小结 |
| 第4章 吸收塔浆液pH值软测量建模 |
| 4.1 PLS软测量模型 |
| 4.1.1 软测量模型的建立 |
| 4.1.2 定量分析评价指标 |
| 4.1.3 仿真结果分析 |
| 4.2 LSSVM软测量模型 |
| 4.2.1 核函数与模型参数 |
| 4.2.2 网格搜索法进行参数寻优 |
| 4.2.3 改进粒子群算法进行参数寻优 |
| 4.2.4 结果对比与分析 |
| 4.3 浆液pH值在线建模 |
| 4.3.1 即时学习算法 |
| 4.3.2 偏差补偿技术 |
| 4.3.3 算法总体流程 |
| 4.3.4 仿真分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（2）数据驱动的碳纤维原丝质量分析和预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景、目的及意义 |
| 1.3 相关领域国内外研究现状 |
| 1.3.1 数据清洗方法研究现状 |
| 1.3.2 产品质量分析方法研究现状 |
| 1.3.3 产品质量预测方法研究现状 |
| 1.4 本文主要研究工作与组织结构 |
| 1.4.1 本文主要研究工作 |
| 1.4.2 本文组织结构 |
| 第2章 原丝生产监测数据清洗方法研究 |
| 2.1 原丝生产工艺流程 |
| 2.2 原丝生产数据来源及特点 |
| 2.2.1 原丝生产数据来源 |
| 2.2.2 原丝生产数据特点 |
| 2.3 基于栈式去噪自编码器的缺失值填补方法 |
| 2.3.1 去噪自编码器原理 |
| 2.3.2 缺失值填补模型构建 |
| 2.3.3 实验设计与效果评价 |
| 2.4 原丝监测数据噪声处理方法 |
| 2.4.1 基于孤立森林的异常样本检测 |
| 2.4.2 基于S-G滤波的时序数据平滑 |
| 2.5 本章小结 |
| 第3章 基于生产数据的原丝关键工艺参数辨识方法研究 |
| 3.1 原丝关键工艺参数辨识问题分析 |
| 3.2 基于XGBoost算法的强相关特征选择 |
| 3.2.1 基于主成分分析的共线性特征约简 |
| 3.2.2 基于XGBoost算法的原丝质量分类 |
| 3.2.3 基于SHAP框架的特征重要性分析 |
| 3.2.4 分类规则抽取 |
| 3.3 基于贝叶斯网络的依赖关系辨识 |
| 3.3.1 基于实际数据的贝叶斯网络学习 |
| 3.3.2 实例分析 |
| 3.4 本章小结 |
| 第4章 基于AE-MSVR的多输出原丝质量预测模型构建 |
| 4.1 原丝质量预测问题描述 |
| 4.2 基于RNN-AE的监测数据表征学习 |
| 4.2.1 循环神经网络 |
| 4.2.2 RNN-AE模型构建 |
| 4.3 多输出原丝质量预测模型构建 |
| 4.3.1 多输出学习算法分析 |
| 4.3.2 基于CNN-SVR的原丝质量预测模型构建 |
| 4.3.3 模型评估与结果对比 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间获得与学位论文相关的科研成果目录 |
（3）基于神经网络的丙烯腈聚合反应软测量模型（论文提纲范文）
| 0引言 |
| 1丙烯腈聚合反应质量指标神经网络模型 |
| 2现场数据仿真分析 |
| 3结束语 |
（4）基于过程神经网络的化工过程软测量研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 目录 |
| Contents |
| 第一章 绪论 |
| 1.1 论文研究的目的和意义 |
| 1.2 软测量技术简介 |
| 1.2.1 软测量技术的基本原理 |
| 1.2.2 传统软测量建模方法 |
| 1.2.3 软测量技术的应用现状 |
| 1.3 人工神经网络 |
| 1.4 论文的主要研究内容 |
| 1.5 论文的章节安排 |
| 第二章 基于过程神经网络的软测量技术 |
| 2.1 过程神经网络 |
| 2.1.1 传统的过程神经网络 |
| 2.1.2 改进的过程神经网络 |
| 2.2 移动窗技术 |
| 2.3 连续软测量的实现 |
| 2.4 小结 |
| 第三章 HDPE的软测量建模 |
| 3.1 聚乙烯生产工艺简介 |
| 3.2 HDPE一反熔融指数模型 |
| 3.2.1 辅助变量的选取 |
| 3.2.2 数据预处理 |
| 3.2.3 软测量建模 |
| 3.2.4 模型结果分析 |
| 3.3 HDPE二反熔融指数模型 |
| 3.3.1 软测量建模 |
| 3.3.2 模型结果分析 |
| 3.4 小结 |
| 第四章 HDPE 的操作优化 |
| 4.1 优化算法简介 |
| 4.2 一反熔融指数优化 |
| 4.3 二反熔融指数优化 |
| 4.4 小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
| 研究成果和发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（5）模糊递归神经网络在软测量中的应用（论文提纲范文）
| 0 引言 |
| 1 T-S动态递归型模糊神经网络 (DTRFNN) 的结构 |
| 2 T-S动态递归模糊神经网络在工业过程软测量中的应用 |
| 3 结论 |
（6）聚丙烯装置产品质量软测量技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 创新点摘要 |
| 第一章 前言 |
| 1.1 课题的研究目的和意义 |
| 1.2 软测量技术概述与现状分析 |
| 1.2.1 提出过程 |
| 1.2.2 基本概念 |
| 1.2.3 技术框架及开发流程 |
| 1.2.4 软测量建模方法 |
| 1.3 聚丙烯软测量方法的研究进展 |
| 1.3.1 基于机理分析的建模方法 |
| 1.3.2 基于数据的软测量建模方法 |
| 1.4 本文的内容安排 |
| 第二章 聚丙烯装置反应系统机理分析 |
| 2.1 聚丙烯装置工艺原理 |
| 2.2 环管反应器机理建模 |
| 2.2.1 基本假设 |
| 2.2.2 反应器内各组分的物料平衡方程 |
| 2.2.3 能量平衡方程 |
| 2.2.4 其它物性模型 |
| 2.3 仿真分析 |
| 2.3.1 模型工业数据验证 |
| 2.3.2 操作条件影响分析 |
| 2.4 本章小结 |
| 第三章 基于机理分析的熔融指数软测量方法 |
| 3.1 熔融指数及其影响因素 |
| 3.2 熔融指数模型研究——单环管反应器 |
| 3.3 熔融指数模型研究——双环管反应器 |
| 3.4 辨识模型参数 |
| 3.5 工业数据应用分析 |
| 3.6 本章小结 |
| 第四章 基于机理分析和模糊技术的熔融指数混合建模方法 |
| 4.1 混合建模方法 |
| 4.2 基于加强型模糊C 均值聚类的混合建模方法 |
| 4.2.1 加强型FCM 聚类算法 |
| 4.2.2 基于FP-EFCM 的建模方法 |
| 4.2.3 工业数据应用分析 |
| 4.3 基于自适应神经模糊推理系统的混合建模方法 |
| 4.3.1 自适应神经模糊推理系统 |
| 4.3.2 基于 FP-FIS 的软测量方法 |
| 4.3.3 工业数据应用分析 |
| 4.4 各种软测量建模方法比较 |
| 4.5 本章小结 |
| 第五章 基于聚类加权支持向量机的熔融指数软测量方法 |
| 5.1 支持向量机原理介绍 |
| 5.1.1 支持向量机理论的提出 |
| 5.1.2 支持向量机的基本原理 |
| 5.1.3 加权支持向量机 |
| 5.2 聚类加权支持向量机 |
| 5.2.1 算法思路 |
| 5.2.2 数据分类 |
| 5.2.3 聚类加权算法 |
| 5.3 工业数据应用分析 |
| 5.4 本章小结 |
| 第六章 基于自适应核偏最小二乘法的聚丙烯软测量方法 |
| 6.1 非线性 PLS 算法 |
| 6.1.1 PLS 算法 |
| 6.1.2 非线性PLS 算法：核偏最小二乘法（KPLS） |
| 6.2 自适应KPLS 算法（AKPLS） |
| 6.3 工业应用分析 |
| 6.4 本章小结 |
| 第七章 基于改进正交最小二乘算法的熔融指数软测量方法 |
| 7.1 核建模技术与OLS 算法 |
| 7.2 改进的OLS 算法（Improved OLS，IOLS） |
| 7.2.1 基于正交信号校正技术的模型预处理 |
| 7.2.2 优化目标的建立 |
| 7.2.3 模型参数更新策略 |
| 7.2.4 IOLS 软测量算法流程 |
| 7.3 工业数据应用分析 |
| 7.4 本章小结 |
| 第八章 聚丙烯熔融指数软测量技术的工业应用与分析 |
| 8.1 装置介绍 |
| 8.2 聚丙烯装置MI 软仪表系统的设计与开发 |
| 8.2.1 软仪表总体设计方案 |
| 8.2.2 数据通讯模块 |
| 8.2.3 数据采集与辅助变量选择模块 |
| 8.2.4 数据预处理模块 |
| 8.2.5 软测量算法模型模块 |
| 8.2.6 软测量维护与在线校正模块 |
| 8.2.7 DCS 系统软仪表组态与监控画面 |
| 8.3 投运结果分析 |
| 8.4 软测量技术工程化中若干问题讨论 |
| 8.5 本章小结 |
| 总结 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
| 致谢 |
| 作者简介 |
（7）支持向量机在双酚A软测量中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 软测量技术概念 |
| 1.3 软测量技术的实现方法 |
| 1.3.1 辅助变量的选择 |
| 1.3.2 输入数据的处理 |
| 1.3.3 软测量模型的建立 |
| 1.3.4 软测量模型的在线校正 |
| 1.4 实现软测量的建模技术 |
| 1.4.1 基于工艺机理分析的软测量建模 |
| 1.4.2 基于回归分析的软测量建模 |
| 1.4.3 基于人工神经网络的软测量建模 |
| 1.4.4 基于模式识别的软测量建模 |
| 1.4.5 基于模糊数学的软测量建模 |
| 1.4.6 基于状态估计的软测量建模 |
| 1.4.7 基于过程层析成像的软测量建模 |
| 1.4.8 基于相关分析的软测量建模 |
| 1.4.9 基于现代非线性信息处理技术的软测量建模 |
| 1.4.10 基于回归支持向量机的建模 |
| 1.5 支持向量机在国内外研究现状 |
| 1.6 论文结构安排 |
| 1.7 本章小结 |
| 第二章 支持向量机及主要研究手段 |
| 2.1 支持向量分类机 |
| 2.2 支持向量回归机 |
| 2.2.1 线性支持向量回归机 |
| 2.2.2 核函数 |
| 2.2.3 非线性支持向量回归机 |
| 2.4 本章小结 |
| 第三章 各种支持向量机变形算法及SVR属性分析 |
| 3.1 支持向量机变形算法 |
| 3.1.1 C-SVM算法 |
| 3.1.2 V-SVM算法 |
| 3.1.3 One-classSVM算法 |
| 3.1.4 FSVM算法 |
| 3.1.5 LS-SVM算法 |
| 3.1.6.各种支持向量机变形算法比较分析 |
| 3.2 SVR属性分析 |
| 3.2.1 解的稀疏性 |
| 3.2.2 非线性映射 |
| 3.2.3 凸二次规划 |
| 3.2.4 正则化 |
| 3.3 本章小结 |
| 第四章 基于粒子群优化算法的SVR参数选择 |
| 4.1 引言 |
| 4.2 混沌粒子群优化算法 |
| 4.3 PSO算法的改进 |
| 4.4 粒子群优化算法的基本步骤 |
| 4.4 基于粒子群优化的支持向量机参数选择 |
| 4.5 参数选择的评价标准------推广能力估计 |
| 4.5.1 留一法(1eave-one-out,LOO) |
| 4.5.2 k-fold交叉验证法 |
| 4.5.3 留一法误差上界估计 |
| 4.6 基于PSO的SVR参数选择 |
| 4.6.1 粒子群优化(PSO)算法原理 |
| 4.6.2 基于PSO的SVR参数调整算法 |
| 4.7 参数优化在软测量仿真中的表现 |
| 4.8 本章小结 |
| 第五章 支持向量机在双酚A软测量中的应用 |
| 5.1 双酚A相关背景介绍 |
| 5.2 双酚A工艺分析及建模 |
| 5.2.1 双酚A制备工艺 |
| 5.2.2 辅助变量的选择 |
| 5.2.3 模型的建立 |
| 5.2.4 仿真结果 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 今后工作展望 |
| 致谢 |
| 参考文献 |
（8）基于支持向量机算法的多模型建模方法研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 多模型建模软测量技术概论 |
| 1.3 多模型建模方法研究现状 |
| 1.3.1 建模数据的分类方法 |
| 1.3.2 子模型所用的建模方法 |
| 1.3.3 子模型的连接方法 |
| 1.4 论文的研究内容及安排 |
| 第二章 基于支持向量机的软测量建模方法 |
| 2.1 引言 |
| 2.2 软测量建模步骤 |
| 2.2.1 辅助变量的选择 |
| 2.2.2 数据采集及预处理 |
| 2.2.3 主导变量与辅助变量之间的时间匹配 |
| 2.2.4 软测量模型的建立 |
| 2.2.5 模型在线校正 |
| 2.3 支持向量机算法 |
| 2.3.1 用于分类的SVM 算法 |
| 2.3.2 用于回归的SVM 算法 |
| 2.3.3 非线性SVM 算法 |
| 2.4 本章小结 |
| 第三章 基于改进满意聚类的多模型建模方法 |
| 3.1 引言 |
| 3.2 改进满意聚类算法 |
| 3.2.1 模糊c-均值聚类算法 |
| 3.2.2 改进满意聚类算法 |
| 3.3 多模型连接方式 |
| 3.4 仿真实验 |
| 3.4.1 工艺流程简介 |
| 3.4.2 裂解反应器模型的仿真实验 |
| 3.4.3 重排反应器模型的仿真实验 |
| 3.4.4 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于二次判别分析的多模型建模方法 |
| 4.1 引言 |
| 4.2 贝叶斯二次判别分析 |
| 4.3 正则化判别分析 |
| 4.4 算法实施步骤 |
| 4.5 多模型连接方式 |
| 4.6 仿真实验 |
| 4.6.1 苯酚蒸发器工艺流程简介 |
| 4.6.2 软测量模型的建立 |
| 4.6.3 实验仿真分析 |
| 4.7 本章小结 |
| 第五章 基于系统输入输出数据分类的多模型建模方法 |
| 5.1 引言 |
| 5.2 基于系统输入输出的数据集划分 |
| 5.2.1 数据样本的四种特性 |
| 5.2.2 CAQDA 算法 |
| 5.2.3 多模型连接方式 |
| 5.3 仿真实验 |
| 5.3.1 软测量模型的建立 |
| 5.3.2 仿真实验分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文的工作总结 |
| 6.2 今后工作展望 |
| 致谢 |
| 参考文献 |
| 附录：作者在攻读硕士学位期间发表的论文 |
（9）聚合反应的软测量建模及工程实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 聚合反应过程质量指标软测量 |
| 1.3 软测量技术 |
| 1.3.1 软测量技术原理 |
| 1.3.2 影响软测量性能的因素 |
| 1.3.3 软测量建模方法概述 |
| 1.3.4 软测量模型的在线校正 |
| 1.4 论文的研究内容及安排 |
| 第二章 聚合反应工艺流程介绍 |
| 2.1 腈纶生产工艺流程 |
| 2.2 聚合釜工艺流程介绍 |
| 2.3 本章小结 |
| 第三章 聚合过程质量指标估计的混合模型 |
| 3.1 聚合反应机理模型 |
| 3.2 聚丙烯腈聚合反应混合模型 |
| 3.3 本章小结 |
| 第四章 基于支持向量机的聚合反应混合模型 |
| 4.1 支持向量机简介 |
| 4.1.1 统计学习理论与结构风险最小化准则 |
| 4.1.2 支持向量机与最优分类面 |
| 4.2 支持向量机建模 |
| 4.2.1 支持向量机用于函数逼近的研究 |
| 4.2.2 核函数及其参数选择 |
| 4.2.3 调整因子C的选取 |
| 4.2.4 参数ε的选取 |
| 4.3 基于支持向量机的聚合反应混合模型的实现 |
| 4.3.1 辅助变量的选择和预处理 |
| 4.3.2 pH值和[H_2SO_3]_0的回归模型 |
| 4.3.3 过程参数k_1、k_2、和k_3的支持向量机模型 |
| 4.3.4 总聚合物数[P]的子模块 |
| 4.3.5 输入输出数据的动态校核 |
| 4.3.6 在线校正 |
| 4.4 本章小结 |
| 第五章 聚合反应过程质量指标软测量的工程实现 |
| 5.1 软件开发环境 |
| 5.2 数据处理 |
| 5.2.1 数据存取方式 |
| 5.2.2 VB对程序调用的控制 |
| 5.2.3 系统数据通信总体结构 |
| 5.2.4 基于PHD的数据读取 |
| 5.2.5 组态王的数据通信 |
| 5.2.6 数据通信中的问题 |
| 5.3 聚合釜算法程序流程图 |
| 5.4 在线修正 |
| 5.5 软件设计及人机界面 |
| 5.5.1 软件包的流程结构 |
| 5.5.2 聚合过程软测量系统人机界面 |
| 5.6 系统运行结果 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文主要工作 |
| 6.2 今后工作展望 |
| 致谢 |
| 参考文献 |
| 附录:攻读硕士学位期间的研究成果 |
（10）软测量在腈纶聚合质量指标控制中的应用（论文提纲范文）
| 1 软测量技术介绍 |
| 2 中间产品质量指标 |
| 3 软测量混合模型的建立 |
| 4 聚合釜出口质量指标软测量的工程实现 |
| 4.1 辅助变量选择 |
| 4.2 数据预处理 |
| 4.3 软测量系统的运行评价 |
| 5 结论 |
四、聚丙烯腈质量指标软测量混合模型的应用（论文参考文献）
- [1]脱硫系统浆液pH值软测量方法研究[D]. 杨红. 华北电力大学, 2021
- [2]数据驱动的碳纤维原丝质量分析和预测方法研究[D]. 高根源. 武汉理工大学, 2020
- [3]基于神经网络的丙烯腈聚合反应软测量模型[J]. 孙小杰,冯祖洪. 制造业自动化, 2014(02)
- [4]基于过程神经网络的化工过程软测量研究[D]. 甄玉山. 北京化工大学, 2012(10)
- [5]模糊递归神经网络在软测量中的应用[J]. 彭晓波. 制造业自动化, 2011(14)
- [6]聚丙烯装置产品质量软测量技术研究[D]. 田华阁. 中国石油大学, 2010(01)
- [7]支持向量机在双酚A软测量中的应用[D]. 金天昕. 江南大学, 2009(06)
- [8]基于支持向量机算法的多模型建模方法研究及应用[D]. 贾淑矿. 江南大学, 2009(05)
- [9]聚合反应的软测量建模及工程实现[D]. 陈刚. 江南大学, 2008(04)
- [10]软测量在腈纶聚合质量指标控制中的应用[J]. 苗晓寒. 石油化工技术经济, 2007(06)