支持向量機及其在制漿過程重要參數(shù)軟測量中的應(yīng)用研究.pdf

1、節(jié)能減排、環(huán)境保護及消費者對紙張質(zhì)量要求的提高客觀上要求造紙行業(yè)必須進一步提高企業(yè)的自動化及信息化程度。制漿過程卡伯值、堿回收過程及洗滌過程的黑液濃度的在線測量一直是漿紙企業(yè)關(guān)注的熱點,也是影響漿紙工業(yè)信息化及自動化發(fā)展的難點。支持向量機(SupportVectorMachines,SVM)是一種核函數(shù)學(xué)習(xí)機器,它遵循結(jié)構(gòu)風(fēng)險最小化原則,具有理論完備、適應(yīng)性強、推廣能力好、全局優(yōu)化等優(yōu)點,是當(dāng)前國際工業(yè)自動化領(lǐng)域的一個研究熱點。與傳統(tǒng)機

2、器學(xué)習(xí)方法相比,SVM具有良好的發(fā)展與應(yīng)用潛力。本文以SVM在制漿過程一些重要工藝參數(shù)在線軟測量應(yīng)用中的若干問題為主線,結(jié)合相應(yīng)過程工藝知識,針對現(xiàn)有軟測量模型在實際應(yīng)用過程中普遍存在諸如速度慢、精度低、缺乏在線校正等問題,提出或改進了若干算法。仿真研究及應(yīng)用效果表明本文提出的算法是有效的。本文的主要貢獻可總結(jié)如下:
　　 (1)基于SVM算法的卡伯值分類在線自適應(yīng)軟測量建模。針對現(xiàn)有蒸煮過程卡伯值軟測量模型存在精度低、在線適應(yīng)

3、能力弱的缺點,提出基于SVM卡伯值分類在線自適應(yīng)軟測量模型。工業(yè)過程一般工作在幾個有限工作點附近,蒸煮過程也不例外。根據(jù)過程這個特點,本文采用模糊c均值聚類方法將蒸煮過程卡伯值軟測量樣本點劃歸成若干類(由于采樣數(shù)據(jù)所限,本文選兩類)。劃分原則:每類中訓(xùn)練樣本間最大程度相似;不同類中訓(xùn)練樣本最大程度不同。然后分別建立各類軟測量模型。通過這種方式,就把一個大類的卡伯值軟測量模型細化成各個小類卡伯值軟測量模型,相應(yīng)地提高了卡伯值模型的靜態(tài)精度

4、。通過對國內(nèi)外蒸煮過程卡伯值常用的軟測量方法優(yōu)缺點及國內(nèi)使用情況分析發(fā)現(xiàn),大多數(shù)已有模型提高精度的方法主要集中在靜態(tài)模型精度上,比如增加過程信息量等,也就是在如何提供模型靜態(tài)精度上開展工作較多,但對模型使用過程中精度研究相對較少。通過工藝分析及國內(nèi)蒸煮現(xiàn)狀研究,發(fā)現(xiàn)國內(nèi)蒸煮過程工況變化比較頻繁。如果卡伯值軟測量模型在線自適應(yīng)能力弱,模型使用過程中,精度必然降低。工況經(jīng)常變化的蒸煮過程卡伯值軟測量不適合采用具有批處理式、離線建模的一般支持

5、向量回歸機算法。適合采用適應(yīng)工況變化的增量自適應(yīng)SVM算法。也就是.在模型使用過程中不斷采集新的樣本,在原模型基礎(chǔ)上再學(xué)習(xí)。這樣的算法既兼顧了原有歷史模型,又給模型引入了新工況要素。為了降低所建模型在使用過程中計算機內(nèi)存占有量,提高模型運行速度,必須選擇合適樣本替換策略?？紤]蒸煮過程典型慢時變特點,從算法和蒸煮特性兩方面考慮,選用基于支持向量數(shù)據(jù)域描述策略和基于滑動時間窗法結(jié)合形式的樣本替換策略。與普通的卡伯值軟測量模型相比本文提出的模

6、型優(yōu)點:一方面充分地考慮到歷史訓(xùn)練的結(jié)果,減少再建模型訓(xùn)練時間;另一方面對歷史數(shù)據(jù)無需繼續(xù)保存,減少算法對計算機存儲空間要求。通過仿真及應(yīng)用證明這種基于數(shù)據(jù)挖掘增量在線自適應(yīng)支持向量機模型適合蒸煮過程卡伯值軟測量建模。
　　 (2)基于在線白適應(yīng)殘差補償LS-SVM算法的堿回收蒸發(fā)工段出效黑液濃度軟測量建模。針對堿回收蒸發(fā)工段出效黑液濃度難于測量的情況,本文提出了在線自適應(yīng)殘差補償LS-SVM模型。通過對堿回收過程工藝及多效蒸發(fā)

7、器原理的學(xué)習(xí)、分析,影響堿回收蒸發(fā)過程黑液濃度的主要因素有進效稀黑液濃度和流量及多效蒸發(fā)器的總有效溫差,其它因素為固形物成分組成、冷卻水溫度、環(huán)境溫度、傳熱系數(shù)等。黑液蒸發(fā)一般由多效蒸發(fā)器組成,每效蒸發(fā)器又存在蒸汽、黑液和冷凝水等流程。蒸發(fā)過程的非線性比較嚴重。蒸發(fā)器內(nèi)部管道有時出現(xiàn)的各種液柱脈動、出效黑液濃度和流量有時發(fā)生的振蕩現(xiàn)象。由于蒸發(fā)器本身設(shè)備管道長、多,在蒸發(fā)系統(tǒng)的一端的量(流量、溫度、濃度等)發(fā)生變化后,常常要過很長時間另

8、一端才能做出反應(yīng),所以黑液濃度實際系統(tǒng)影響因素更復(fù)雜。目前黑液濃度軟測量模型都采取以壓力、溫度為輔助變量,黑液濃度為主導(dǎo)變量建模,忽視了其它因素影響,這樣建立模型精度并不高。本文建立的殘差自適應(yīng)補償系統(tǒng)就考慮了其它影響因素。該模型將工業(yè)現(xiàn)場自適應(yīng)校正模型和自適應(yīng)殘差補償模型結(jié)合,從兩個方面提高黑液波美度模型精度:一是選用最小二乘支持向量機在線算法進行模型訓(xùn)練和在線修正,使模型適應(yīng)當(dāng)前工況;二是增加殘差補償自適應(yīng)環(huán)節(jié),對模型輸出的值進行在

9、線修正,以使軟測量模型的測量結(jié)果更準確。普通最小二乘支持向量機算法簡單,計算量大,速度快,但所建模型會喪失支持向量機內(nèi)在稀疏性,喪失支持向量機建模時魯棒性。模型在運行時,樣本數(shù)目增多,運行時間變長,占用內(nèi)存加大。如果對算法不進行有效改進,實際中將無法使用。本文采用的在線自適應(yīng)最小二乘支持向量機算法,用一個新樣本代替一個時間最久樣本,采用增量形式對模型在線校正,減少運算的復(fù)雜性,節(jié)約計算機內(nèi)存。殘差補償自適應(yīng)模型采用多元線性回歸法建立殘差

10、與各影響因素間關(guān)系模型,采用丟棄最早誤差值方法進行殘差補償模型的自適應(yīng)校正。仿真及應(yīng)用結(jié)果證明本文提出蒸發(fā)過程出效黑液濃度軟測量模型精度高,能夠適應(yīng)工況變化。
　　 (3)基于模糊在線自適應(yīng)LS-SVM算法的洗滌過程黑液濃度軟測量建模。洗滌過程黑液濃度軟測量研究相對較少,已有模型泛化能力差、精度低。針對已有模型存在的缺點,本文提出了自適應(yīng)能力強的基于模糊在線自適應(yīng)LS-SVM黑液濃度軟測量模型。洗滌過程的黑液濃度在線測量也很困難

11、。通過對洗滌過程工藝分析,其黑液濃度受紙漿流量、紙漿厚度、洗漿水、真空度、轉(zhuǎn)鼓速度等影響,傳統(tǒng)方法難以實時測量?？紤]到工廠實際情況,在不增加儀器,不影響生產(chǎn)等情況下確定建模參數(shù)。通過在洗滌工段現(xiàn)場分析,與資深工程師討論等形式,決定以進漿濃度、進漿流量、清水流量為洗滌過程中黑液濃度軟測量模型輔助變量,以黑液濃度(首段)為主導(dǎo)變量,建立洗滌黑液濃度軟測量模型?；诂F(xiàn)場采集輔助變量、主導(dǎo)變量所建立的黑液濃度軟測量模型存在問題:僅能大致反映實際

12、工業(yè)對象本質(zhì)的變化趨勢。由此可見,其模型誤差必然存在。模型投入使用后,由于洗滌系統(tǒng)的時變性、非線性和不確定性,隨著時間推移,洗滌過程的特性及其工作點都可能發(fā)生一些變化,現(xiàn)在工況下的參數(shù)測量用原來采樣數(shù)據(jù)所建模型測量,誤差必然加大。在線自適應(yīng)最小二乘算法就能適應(yīng)工況的變化,在線地校正模型。實際洗滌過程采集的樣本點都含有不同程度的噪聲。為了提高模型精度,不同的樣本對應(yīng)不同的懲罰權(quán)系數(shù),這樣能夠消除部分噪聲和孤立點的影響。樣本替換策略在增加一

13、個新樣本點的同時刪除Lagrange乘子絕對值最小樣本點。仿真與應(yīng)用結(jié)果證明本文提出的軟測量模型適合洗滌過程黑液濃度測量。
　　 (4)基于SVM算法的矛盾數(shù)據(jù)發(fā)現(xiàn)方法初步研究。洗滌過程測量儀表的校正不準確、不及時,儀表失靈、過程有較大的干擾、過程基準漂移、操作人員誤操作、不定期清洗管道、管道堵塞等因素導(dǎo)致儀表示值的波動、數(shù)據(jù)失真等產(chǎn)生矛盾數(shù)據(jù)。這些矛盾數(shù)據(jù)是突發(fā)的,平時很難得到其具體樣本。通過對SVM回歸理論的研究,提出了主導(dǎo)