非规则数据下的间歇过程软测量建模方法研究.docx

该【非规则数据下的间歇过程软测量建模方法研究 】是由【niuwk】上传分享，文档一共【3】页，该文档可以免费在线阅读，需要了解更多关于【非规则数据下的间歇过程软测量建模方法研究 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。非规则数据下的间歇过程软测量建模方法研究
非规则数据下的间歇过程软测量建模方法研究
摘要：软测量技术是一种基于过程数据建模的方法，用于实时监测和预测过程的关键量。然而，传统的软测量方法通常基于规则数据，难以适应非规则数据下的间歇过程。因此，本文对非规则数据下的间歇过程软测量建模方法进行了研究。首先，针对非规则数据的特点，提出了一种基于时序分析的数据预处理方法，通过对原始数据进行预处理和平滑处理，提取出过程数据的主要特征。然后，结合支持向量回归（SVR）和深度学习模型（LSTM），建立了针对非规则数据的间歇过程软测量模型。实验证明，该模型能够有效地在非规则数据下进行软测量建模，并具有较高的准确性和稳定性。
关键词：非规则数据、间歇过程、软测量、建模方法、时序分析、支持向量回归、深度学习模型
1. 引言
软测量技术是一种基于过程数据建模的方法，可以用于实时监测和预测过程的关键量，为现代化工业生产提供了重要的技术支持。然而，在实际工业生产中，过程数据往往具有非规则性和间歇性的特点，这给传统的软测量方法带来了挑战。因此，研究非规则数据下的间歇过程软测量建模方法具有重要的理论和应用价值。
2. 非规则数据的特点及预处理方法
非规则数据通常表现为时间间隔不等、缺失和异常值较多等特点。为了充分利用非规则数据的信息，需要对原始数据进行预处理和平滑处理。基于时序分析的方法是一种常用的非规则数据预处理方法，它通过对时间序列的相关性、周期性和趋势性分析，提取出过程数据的主要特征。
3. 非规则数据下的间歇过程软测量模型
针对非规则数据下的间歇过程，本文提出了一种结合支持向量回归和深度学习模型的软测量建模方法。支持向量回归是一种常用的机器学习方法，可以对非线性关系进行建模。深度学习模型则可以通过多层神经网络对复杂的非线性关系进行建模。通过将支持向量回归和深度学习模型结合起来，可以充分利用它们各自的优势，提高软测量模型的建模能力。
4. 实验验证与结果分析
本文通过实验验证了所提出的非规则数据下的间歇过程软测量模型的有效性和准确性。实验数据来自某化工过程的真实监测数据，经过预处理后，用于构建软测量模型。实验结果表明，所提出的模型能够较好地对非规则数据下的间歇过程进行软测量建模，并且具有较高的准确性和稳定性。
5. 结论与展望
本文对非规则数据下的间歇过程软测量建模方法进行了研究，提出了一种基于时序分析的数据预处理方法，并结合支持向量回归和深度学习模型，建立了针对非规则数据的软测量模型。实验证明，该模型能够在非规则数据下进行软测量建模，并具有较高的准确性和稳定性。未来的研究可以进一步探索其他方法和模型，提高软测量模型的建模能力和鲁棒性。
参考文献：
[1] Li L, Huang B, Tian Y. A soft sensing modeling method for intermittent processes based on fractional calculus [J]. Journal of Process Control, 2018, 63: 98-107.
[2] Chen Q, Zhao C, Lv H, et al. Soft sensor modeling for nonlinear biomass concentration in fed-batch cultivation based on miso neural networks [J]. Industrial & Engineering Chemistry Research, 2016, 55(40): 10871-10880.
[3] Zhang W, Long Y. Soft sensor modeling based on a hybrid structure of sparse partial least squares and support vector regression for nonlinear processes [J]. Computers & Chemical Engineering, 2020, 132: 106737.
[4] Guo B, Luo C. Deep adaptive soft sensor modeling based on deep belief network with adaptive learning-rate strategy [J]. Journal of Process Control, 2021, 99: 270-280.
[5] Li M, Wang C, Yue S, et al. Soft sensor modeling method based on regularized extreme learning machine with differential evolution algorithm for batch processes [J]. Industrial & Engineering Chemistry Research, 2015, 54(48): 12080-12094.