（控制理论与控制工程专业论文）基于lssvm的软测量建模方法的应用研究.pdf

删 广西大学学位论文原创性声明和学位论文使用授权说明 学位论文原创性声明 本人声明：所呈交的学位论文是在导师指导下完成的，研究工作所取得的成果和相 关知识产权属广西大学所有。除已注明部分外，论文中不包含其他人已经发表过的研究 成果，也不包含本人为获得其它学位而使用过的内容。对本文的研究工作提供过重要帮 助的个人和集体，均已在论文中明确说明并致谢。 论文作者签名：笼鹰完珀 d 匆多年莎月力2 日 学位论文使用授权说明 本人完全了解广西大学关于收集、保存、使用学位论文的规定，即： 本人保证不以其它单位为第一署名单位发表或使用本论文的研究内容； 按照学校要求提交学位论文的印刷本和电子版本； 学校有权保存学位论文的印刷本和电子版，并提供目录检索与阅览服务； 学校可以采用影印、缩印、数字化或其它复制手段保存论文； 在不以赢利为目的的前提下，学校可以公布论文的部分或全部内容。 请选择发布时间： 回即时发布口解密后发布 ( 保密论文需注明，并在解密后遵守此规定) 论文作：撕导：呵。k 月啪 基于l s s v m 的软测量建模方法的应用研究 摘要 针对现代工业过程中，对于测量参数比较难甚至由硬件也无法进行实 时检测的问题，软测量技术是一种有效的解决方法。酒精精馏过程是工业 中的一个非常复杂的化工过程，具有非线性、大滞后和时变性等特点。同 时，精馏产品浓度也难以实时在线检测。针对该问题，本文在总结了精馏 产品浓度在线检测的研究现状和传统软测量建模方法的基础上，利用基于 人工神经网络和最小二乘支持向量机( l s s v m ) 的多种软测量建模方法对酒 精精馏过程产品浓度建立了模型。本文进行了如下的工作： ( 1 ) 分析和研究了径向基函数神经网络( r b f ) 的结构和原理，同时具 体地介绍了自适应神经模糊推理系统( a n f i s ) 的拓扑结构图和学习算法，利 用两种方法建立酒精精馏产品浓度的软测量模型，结果表明建立的模型具 有较好的逼近能力。 ( 2 ) 详述了用于回归的标准支持向量机和最d 、- - 乘支持向量机的算法 原理，采用一维测试函数验证l s s v m 的有效性。将其应用于酒精精馏过 程中，建立了l s s v m 软测量模型，相比较前两种方法该方法具有更强的 泛化能力。 ( 3 ) 针对l s s v m 中的参数选择问题，利用粒子群优化算法选取 l s s v m 的模型参数，而粒子群算法本身存在易陷入局部最优值等问题， 文中采用了增加扰动项等改进算法。同时，为了增加模型外推能力，利用k 折交叉验证误差作为l s s v m 参数选择的目标值。此外，针对l s s v m 缺 乏“稀疏性 的缺点，利用统计方法中的马氏距离对样本进行相似度分析， 去除样本集中部分以简化模型结构。最后，采用改进的p s o l s s v m 方法 建立精馏产品浓度软测量模型，仿真结果表明，所建模型精度较前面几种 方法高。 关键词：软测量精馏人工神经网络最d - - 乘支持向量机粒子群优 化 s t u d yo n o nl e a s t s q u i nm o d e mi n d u s t r i a l o re v e nc a n n o tb em e a s u r e di nr e a lt i m eb ye x i s t i n gi n s t r u m e n t s ，b u ts o f ts e n s o r i sa l le f f e c t i v em e t h o dt os o l v et h i sp r o b l e m d i s t i l l a t i o nc o l u m ni sac o m p l e x c h e m i c a li n d u s t r i a lp r o c e s s ，w h i c hi sc h a r a c t e r i z e do fn o n l i n e a r i t y , s e v e r el a g s a n dt i m e - v a r i a n tp r o p e r t i e s ，e t c c o n c e n t r a t i o no fd i s t i l l a t i o np r o d u c t si sd i f f i c u l t t ob em e a s u r e do nl i n e a sf o rt h ep r o b l e m ，t h i sp a p e ru s e sd i f f e r e n tk i n d so fs o f t s e n s o r sm e t h o d sb a s e do na r t i f i c i a ln e u r a ln e t w o r ka n dl e a s ts q u a r e ss u p p o r t v e c t o rm a c h i n e ，t h r o u g hs u m m a r i z i n gt h ec u r r e n ts t a t eo fc o n c e n t r a t i o no n l i n e m e a s u r e m e n ta n dt r a d i t i o n a ls o f ts e n s o r sm e t h o d s t h em a i nw o r k so ft h ep a p e r ( 1 ) t h i sp a p e ri n t r o d u c e st h es t r u c t u r ea n dp r i n c i p l eo f r a d i a lb a s i sf u n c t i o n n e u r a ln e t w o r k ,m e a n w h i l es p e c i f i c a l l yi n t r o d u c e s t o p o l o p y a n dl e a r n i n g a l g o r i t h mo fa d a p t i v en e u r o 一旧i n f e r e n c es y s t e m t h es o f ts e n s o rm o d e lo f c o n c e n t r a t i o no fa l c o h o ld i s t i l l a t i o np r o d u c ti se s t a b l i s h e d ，w h i c hr e s p e c t i v e l y u s e s p r e v i o u s m e t h o d s t h er e s u l t ss h o wt h a tt w om o d e l sh a v eg o o d ( 2 ) s u p p o r tv e c t o rm a c h i n ea n dl e a s ts q u a r e ss u p p o r tv e c t o rm a c h i n ef o r r e g e s s i o nm o d e l i n ga r es t u d i e di nd e t a i l t h ep a p e ru s e so n e d i m e n s i o n a lt e s t f u n c t i o nt op r o v et h ev a l i d i t yo fl s s v m t h e na no n l i n ep r e d i e t i o nm e t h o do f m c o n c e n t r a t i o no fa l c o h o ld i s t i l l a t i o np r o d u c t sb a s e do nl s s v mw a sp r o p o s e d ， c o m p a r e dw i t ht h ef i r s tt w om e t h o d st h a tt h i sm e t h o dh a sg r e a t e rg e n e r a l i z a t i o n a b i l i t y ( 3 ) t os o l v et h ep a r a m e t e rs e l e c t i o ni s s u ei nt h el s s v m ，p a r t i c l es w a r m o p t i m i z a t i o na l g o r i t h mi su s e d h o w e v e r , p s oe a s i l yf a l l si n t o l o c a lo p t i m a l v a l u e ，t h i sp a p e rp r o p o s e sm a n yi m p r o v e da l g o r i t h m ss u c ha si n c r e a s i n gt h e d i s t u r b a n c e a tt h es a m et i m e ，i no r d e rt oi n c r e a s et h ee x t r a p o l a t i o nc a p a c i t yo f m o d e l ，t h i sp a p e ru s e sk - f o l dc r o s s v a l i d a t i o nm e t h o da sl s s v mp a r a m e t e r s t a r g e t s i n c et h el s s v mh a st h el o s so fs p a r s e n e s s ，t h em a h a l a n o b i sd i s t a n c e o ft h e a l g o r i t h mi n s t a t i s t i c a lm e t h o d si su s e dt oa n a l y z et h es i m i l a r i t yo f s a m p l e st or e m o v ep a r to ft h ec o n c e n t r a t e ds a m p l e si no r d e rt os i m p l i f yt h e m o d e ls t r u c t u r e f i n a l l y , t h i sp a p e ru s e st h ei m p r o v e dp s o - l s s v mm e t h o d st o e s t a b l i s ht h es o f ts e n s o rm o d e lo fa l c o h o l sc o n c e n t r a t i o n , s i m u l a t i o nr e s u l t s s h o wt h a tt h em o d e l a c c u r a c yi sh i g h e rt h a nt h ep r e v i o u sm e t h o d s k e yw o r ds ：s o rs e n s o r ；, d i s t i l l a t i o nc o l u m n ；a r t i f i c i a ln e u r a ln e t w o r k s ； l e a s t s q u a r e s s u p p o r t v e c t o rm a c h i n e ；p a r t i c l es w a r m o p t i m i z a t i o n i v 目录 第一章绪论1 1 1 课题的研究背景和意义1 1 2 国内外研究现状1 1 2 1 产品浓度检测的研究现状1 1 2 2 软测量技术的研究现状。2 1 3 本文研究的内容与结构安排5 第二章酒精精馏过程的数据采集及处理6 2 1 酒精精馏工艺流程简述。6 2 2 数据采集。一7 2 2 1主导变量和辅助变量的选取一7 2 2 2 过程数据采集。8 2 2 3编程与仿真1 0 麓l 2 3 数据预处理一1 1 2 3 1 拉依达准则1 2 2 3 2 滤波方法1 2 2 3 3 数据归一化方法1 2 2 4 本章小结1 3 第三章基于神经网络的软测量模型1 4 3 1 径向基函数神经网络1 4 3 j 1径向基函数神经网络的结构原理1 4 3 1 2r b f 中心选取的正交最小二乘算法1 5 3 2 基于r b f 神经网络的酒精精馏产品浓度软测量模型二1 7 3 2 1r b f 神经网络模型结构1 7 3 2 2r b f 神经网络的训练与仿真1 7 3 2 3 模型仿真结果18 3 - 3自适应神经模糊推理系统2 0 3 3 1a n f i s 的结构原理2 0 3 3 2 学习算法2 2 3 3 3 减法聚类2 2 3 4 基于自适应神经模糊推理系统的酒精精馏产品浓度软测量模型。2 3 3 4 1 建立自适应神经模糊推理系统2 3 v 3 4 2 模型仿真结果分析。2 4 3 4 3两种建模方法的比较。2 6 3 5 本章小结2 7 第四章基于l s s v m 的软测量模型2 8 4 1 引言。2 8 4 2 支持向量回归机算法2 9 4 2 1标准支持向量回归机2 9 4 2 2 最小二乘支持向量回归机3 1 4 2 3核函数。3 3 4 3 仿真研究3 4 4 3 1基于l s s v m 的回归建模算法步骤3 4 4 3 2 仿真实例3 4 4 4 基于l s s v m 的酒精精馏产品浓度软测量模型3 7 4 4 1无干扰情况的模型仿真结果3 7 4 4 2 有干扰情况的模型仿真结果3 8 4 5 本章小结3 9 第五章基于改进的l s s v m 软测量建模方法4 1 5 1 粒子群优化算法4 1 5 1 1 粒子群算法原理4 l 5 1 2 粒子群算法中参数的设置4 2 5 2 基于p s o 的l s s v m 软测量4 2 5 2 1参数变化对l s s v m 模型性能的影响4 2 5 2 2 基于p s o l s s v m 的软测量建模步骤4 3 5 2 3p s o l s s v m 软测量建模及结果分析4 4 5 3 基于改进p s o 的l s s v m 软测量4 6 5 3 1惯性权值w 的调整4 6 5 3 2 增加扰动项4 8 5 3 3 算法测试4 8 5 3 4 酒精精馏产品浓度软测量仿真研究4 9 5 4 基于p s o l s s v m 的其他改进方法的软测量5 4 5 4 1马氏距离5 4 5 4 2k 一折交叉验证法5 5 5 4 3改进的p s o l s s v m 软测量建模5 5 5 4 4 酒精精馏产品浓度软测量仿真研究5 6 5 5 本章小结。6 0 v i 第六章总结与展望 6 1 研究工作总结 6 2 工作展望一 参考文献 附录 致谢 在学期间发表的学术论文与研究成果。 广西大国臼司e 士掌位崔巴墓于l s s v m 的翻嫡对量建模劣哼基的扈u 丑习阳宅 第一章绪论 1 1 课题的研究背景和意义 随着现代科学技术的迅速发展，现代工业过程对控制、计算、节能增效和运行可靠 性等要求不断提高，同时对各种参数的测量要求也日益增多。对于以往仅获取温度、液 位、压力和流量等常规过程参数的测量，已经不能完全满足现代工艺的控制要求。因此， 需要获取与过程控制和操作密切相关的参数，诸如高炉铁水的含硅量、反应器中催化剂 活性等【l 】。但是，由于技术或经济上的原因，上述重要的过程参数经常很难实现在线实 时检测。 在化工生产过程中，反应物和生成物一般是由若干组分构成的混合物，它们常常需 要进行分离才能得到相对纯净的组分作为中间产物或最终产物。精馏是化工生产过程中 最常见的分离方法之一。精馏塔作为典型的化工单元，是大型石油化工企业生产的重要 设备。在石油分离的生产过程中，为了获得更高的生产效益，经常要对精馏塔实施先进 控制、操作优化等措施。此外，有时还需要获取诸如精馏塔的产品组分浓度等重要过程 变量的实时数据。但是，这种变量的实时数据往往很难获得，以往解决这类问题的方法 通常有两种：一是采用间接的产品组分浓度指标控制，如：精馏塔灵敏板的温度控制， 但此法难以保证最终产品组分浓度的控制精度。另一种方法是采用在线分析仪表，但其 不仅价格昂贵，维护保养困难，而且可能存在较大的测量滞后，不能用于实时控制【2 】。 因此，对精馏塔的产品组分浓度进行在线检测，对于生产过程的实时控制具有十分重要 的意义。 软测量技术利用间接测量的思路，实现对生产过程中难以直接测量的变量的在线实 时检测。本文深入研究了基于神经网络和最小二乘支持向量机的几种改进软测量建模方 法，基于广西大学过程控制实验室筛板式酒精精馏塔装置，针对该精馏塔的产品组分浓 度难以在线测量的难题，利用几种改进的软测量方法进行建模，实现对精馏产品组分浓 度的在线检测。本课题的研究对化工生产中实现精馏过程的实时控制有着一定的指导意 义和参考价值。 1 2 国内外研究现状 1 2 1 产品浓度检测的研究现状 产品溶液浓度的测量在制糖、造纸和精馏等化工行业中有着广泛的应用，它是保证 和提高产品质量的重要技术手段之一。1 9 8 5 年，b e r g m a n e t a l 3 1 制作了一个光纤探头来检 测各种液体的盐度。1 9 9 7 年，n a r a 【y a i l a i l 嗍使用一个基于激光的棱镜糖度计测量含糖液 体的浓度。2 0 0 6 年，冯军勤5 1 等人利用红外光谱技术解决液体浓度检测问题。2 0 0 7 年， 基于l s s v m 的软测t 1 建模方法的应用研究 高德文【6 i 等人采用光纤传感器技术和近红外光谱吸收原理，提出了一种高精度酒精含水 率测量的方法，该方法测量速度较快且适合予长期在线实时检测。麦剑平【7 】等人把气体 传感器技术引入血液中酒精浓度的测定，该方法成为血液酒精浓度测定的一种全新的检 测方法。2 0 0 8 年，徐少磊【8 j 等人采用微波法对可溶性物质的液体浓度进行检测。张震宇 例以s p c e 0 6 1 a 为基础，采用廉价的酒精传感器采集信号，实现了一种新型的酒精浓度 检测器设计。 通过上述的文献可以看出，对产品溶液浓度的测量多是采用基于仪表的物理方法或 化学方法进行直接测量，这些方法存在着测量成本高、仪表难以维护保养以及测量滞后 等问题。 1 2 2 软测量技术的研究现状 软测量技术的理论根源是2 0 世纪7 0 年代b r o s i l l o w 提出的推断控带l j 1 0 , 1 1 】。软测量技术 就是利用软件代替仪表，通过选择那些容易测量的变量作为辅助变量，按照一定准则进 行模型运算，从而对那些不能测量或很难测量的生产变量进行在线估计的测量技术。近 年来，国内外对软测量技术进行了大量的研究【1 2 , 1 3 。著名国际过程控制专家m e a v o y 教 授将软测量技术列为未来控制领域需要研究的几大方向之一【1 4 1 。 l 、软测量技术原理框架1 1 5 j 软测量技术主要包括：软测量建模方法、软测量工程化实施技术和软测量模型校正 技术。其核心是软测量建模方法即建立工业对象精确可靠的模型。一般软测量模型的基 本结构图如图1 1 所示： 图l - l软测量模型基本结构图 f i g i 1t h e b a s i cs t r u c t u r eo f s o f ts e n s o r 图l - l 中，4 为不可测扰动，畋为可测扰动，“为控制输入，口为可测输出变量集， j r 为被估计变量，为离线分析值。在这样的框架结构下，软测量建模就是由可测变量 得到被估计变量y 的最优估计值y ，即 y = f ( d 2 ，u ，口，矿，f ) ( 1 1 ) 2 广西大粤明页士学吖立谈呢蓉于l s s v mf c a t l t - ：赛j 量建模方法的国堋研究 式中，函数厂( ) 为动态软测量模型，它反映了被估计变量】，与畋、”以及与辅助变 量口的动态关系，】，常用于软测量模型的在线自校正。 2 、软测量建模方法 目前常用的软测量建模方法大致可分为三种：机理建模、统计回归分析方法建模和 人工智能方法建模。机理建模一般仅适用于那些内部机理过程较简单的情况，而一般的 工业过程都是相当的复杂，因此机理建模方法使用范围有一定的限制。 1 ) 基于统计回归分析的方法 回归分析是一种最常用的经验建模方法，经典的回归分析法是最小二乘法( l e a s t s q u a r e s ，l s ) 。在此基础上，人们又提出了很多改进算法。谭东伟【1 6 】通过对某炼油厂 常压蒸馏塔的分析研究，利用部分最小二乘法，建立了一个多输多输出的软测量模型。 翟军勇、费树岷【1 7 】等人于2 0 0 4 年提出了利用多元化逐步回归分析软测量的方法建立精馏 塔的模型，该方法有效地估计出当前塔底水的含量，预测效果较好。罗刚【1 8 j 针对丁二烯 生产装置精馏塔塔顶产品浓度不能实时测量问题，采用基于多元线性回归方法的软测量 建模方法，成功地建立了塔顶丁二烯产品的模型。 回归分析方法虽然建模方法简单、求解方便，但是要建立一个精度较高的统计模型， 需要有大量的、准确的对象数据。而获取这些所需的数据，在工业生产过程中有时很难 实现。因此，考虑采用其他方法来建立更好的软测量模型。 2 ) 基于人工智能的方法 工业过程被控输出、辅助输出及相关变量之间存在很严重的非线性，回归分析法中 涌现出的一些改进算法虽然可以用于非线性系统，但效果不佳，其主要还是应用于线性 系统。因此，针对此特点人们提出了人工智能的方法，如神经网络、模糊神经网络和支 持向量机等。 ( 1 ) 人工神经网络 目前国内外很多工业过程软测量建模采用了基于人工神经网络的方法来实现【1 9 捌。 通常采用的是误差反向传播神经网络( b a c k p r o p r a t i o nn e u r a ln e t w o r k s ，b p n ) 和径向基函 数神经网络( r a d i a lb a s i sf u n c t i o n n e u r a l ，r b f n ) 。薄翠梅【2 1 】等人运用前向反馈神经网络 软测量技术，构造了产品丁二烯和总炔含量的自适应软测量仪表，预测效果较好。林锦 国【捌等人针对精馏塔的时变性和非线性等特点提出了一种基于径向基函数神经网络的 软测量模型，从而解决了精馏塔建模困难的问题。 ( 2 ) 混合智能建模方法 然而，单纯用神经网络对工业过程建立软测量模型往往存在一些缺陷，需结合其他 方法来应用。陈国初等人团】在2 0 0 1 年提出了一种新的常压塔汽油干点观测方法一机理 模型与神经网络相结合的汽油干点观测方法。梁军等人1 2 4 通过神经网络逼近策略，由部 分最小二乘方法( p a r t i a ll e a s ts q u a r e s ，p l s ) 拓展得到非线性的p l s - n n 方法建立了 3 广西大国幽页士学位麓凳赶基于l s - s v m 的软测量建模力- 专去的压佣研究 p l s - n n 软测量模型。尚长军【2 5 】等人运用主元分析方法降低输入变量维数且消除变量间 的线性相关性，再通过b p 神经网络进行建模。s m o t l a g h i t 2 6 】等人于2 0 0 8 年提出利用神经 网络对原油分裂精馏过程进行建模，同时采用遗传算法( g e n e t i cm g o f i t h m ，g a ) 优化过 程模型参数。 目前，将模糊推理与神经网络技术结合而成的模糊神经网络正在发展成为工业过程 软测量建模的全新领域。2 0 0 1 年，任正云鲫、汤秀华【2 8 】等人运用模糊c 均值聚类( f u z z y c - m e a n sc l u s t 耐n g ，f c m ) 算法和径向基函数网络相结合的方法对丁二烯萃取精馏塔顶产 品组分浓度建立软测量模型，该方法和单纯的神经网络算法相比具有一定的优越性。 2 0 0 6 年，王新刚f 2 9 1 等人以焦化厂德士古煤气化炉为对象，利用模糊自适应神经网络建立 了炉温软测量系统。2 0 0 7 年，陈国初【3 0 】采用模糊神经网络来构建丙烯腈收率软测量模型， 用粒子群优化算法优化模糊神经网络的参数，该模型的性能优于粒子群神经网络模型。 ( 3 ) 支持向量机 上世纪9 0 年代由v a p r l i l 【1 3 1 1 推出了一种基于统计学习理论的学习机支持向量机 ( s u p p o r tv e c t o rm a c l l i n e ，s v m ) 。尽管它的研究和应用刚刚开始，但是已经成为建立软测 量模型理论研究中的热点方向【3 2 1 。薄翠梅p 3 1 等人针对某一工业共沸精馏塔成分估计问 题，利用基于支持向量机技术的软测量建模方法，建立了恰当的工业软测量模型。陈如 清【3 4 】等人在2 0 0 7 年采用一种改进的带扰动项粒子群优化算法对最小二乘支持向量机 ( l e a s ts q u a r e ss u p p o nv e c t o rm a e m e ，l s s v m ) 的参数寻优，提出一种粒子群最小二乘 支持向量机软测量建模方法，和神经网络方法相比，该方法具有更好的性能指标。 3 、模型变量的选择和数据预处理 1 ) 辅助变量选择 在软测量方法中，主导变量的估计是基于辅助变量的，而在工业生产过程中，可测 量的辅助变量对主导变量的影响各不相同。因此，如何合理选择模型的辅助变量对建立 软测量模型有着重要的意义。目前主要根据生产过程的工艺流程、内部机理或者专家经 验来选择辅助变量。但机理分析和专家经验的结论存在着一定的主观性，因此有必要结 合一些数学方法来分析这些辅助变量。2 0 0 5 年，e l i z az a m p r o 驴a 3 5 】等人采用主元分析 m c i p f lc o m p o n e ta n a l y s i s ，p c a ) 对分批蒸馏过程测量变量在线取样数据进行p c a 降 维，得到最精简的辅助变量，降低了模型的复杂性。另外，也可采用部分最小二乘法( p l s ) 进行变量降维【3 6 】。 2 ) 测量数据预处理 在工业过程中，由于检测的方法、生产装置、生产环境以及人为等因素，使得原始 测量数据不可避免地存在着一定的误差，这里主要包括过失误差和随机误差。因此，必 须对原始测量数据进行数据预处理，即对原始数据进行数据滤波和数据变换。2 0 0 4 年， 罗刚f 3 7 】等人根据精馏塔反应过程的特征，对数据的随机误差采用拉依达准则进行处理， 连续性误差采用了计算机辅助处理方法。2 0 0 6 年，罗健旭【3 8 1 等人采用简单的滑动时间窗 平均滤波算法平滑随机误差，同时应用聚类分析方法侦破过失误差，将此方法用在二元 4 广西大掣铀页士掌位谨吁赶基于l s s v m 的软测量建模劣哼基的矗【j 啊研究 精馏塔产品组分浓度软测量仪表在线仿真中，取得了很好的效果。 3 、软测量模型的在线校正 软测量模型建立后，并不是一成不变的。由于测量对象的特性和工作点都可以随时 间发生变化，因此必须考虑模型的在线校正，才能适应新的生产过程。 软测量模型的在线校正可以分为模型参数和模型结构两种优化过程，具体方法有很 多，如k a l m a n 滤波技术，但更多的则利用了分析仪表的离线测量值进行在线校正。为 了解决模型结构修正耗时长和在线校正的矛盾，有人提出了短期学习和长期学习的校正 方法。在线校正还有增量法、多时标法和自适应法等，但它必须考虑到过程测量数据与 质量分析数据在时序上的匹配问题【l 】。王永中 3 9 1 等人于2 0 0 8 年针对该问题采用时间校 正方式进行校正，将几个月的实验室化验数据进行校正后用于工艺计算和软测量建模， 取得了较好的效果。 1 - 3 本文研究的内容与结构安排 本文以化工行业十分普遍的精馏过程为背景，利用实验室的基于s 7 3 0 0p l c 的筛板 式酒精精馏塔实验设备为对象采集辅助变量和主导变量的数据。同时对其建立机理模型 二 以采集更加广泛多变的辅助变量和主导变量的数据，通过预处理后的实验数据，建立基 于r b f 神经网络，自适应神经模糊推理系统和基于最小二乘支持向量回归机的几种改进 算法的软测量模型，实现对酒精精馏产品浓度的在线测量。 全文内容安排如下： 第一章，绪论部分主要介绍课题的研究背景以及国内外软测量技术发展的现状。 第二章，主要介绍酒精精馏的工艺流程，以及利用该实验设备建立机理建模方法采 集实验数据和实验数据的处理方法。 第三章，主要介绍r b f 神经网络和自适应神经模糊推理系统的结构及原理，并且利 用这两种方法对酒精精馏产品浓度建立软测量模型。 第四章，首先介绍了标准支持向量机的发展、原理、支持向量回归机算法和其改进 算法一最小二乘支持向量回归机算法，然后利用最小二乘支持向量回归 机对酒精精馏产品浓度进行了软测量建模，并将其与第三章中的方法相比 较。 第五章，主要介绍了粒子群优化算法的原理，以及几种基于粒子群和最小二乘支持 向量机的改进算法，并采用m a t l a b 实现这些方法对酒精精馏产品浓度的 软测量仿真模型，同时将这些方法与前面的方法进行比较，结果证明改进 方法有效。 第六章，总结了研究中的成果，同时指出存在的问题及不足，并对展望了研究前景。 5 广西大学硕士学位葭汶 基于l s s v m 的软测量建楔方法的应用研究 第二章酒精精馏过程的数据采集及处理 2 1酒精精馏工艺流程简述 精馏作为应用最广泛的蒸馏操作之一，通常是在精馏装置中进行的。这里以广西大 学过程控制实验室的精馏装置为例，设备原理图如图2 1 所示。 精馏塔中料液加入板称为加料板，它将精馏塔分为两段，上段为精馏段，下段为 提馏段。原料通过加料板进入精馏塔，在加料板上与上一层塔板下降的回流液混合后， 逐板下降，直至塔底，一部分液体进入再沸器。再沸器加热使之部分气化，蒸气沿塔板 逐级上升。当蒸气到达塔顶时，由冷凝器将其冷凝，其凝液一部分作为回流液流入塔内， 另一部分就作为液相产品采出。每一层塔板上都进行传质与传热，并完成一次部分气化 和部分冷凝操作。当精馏操作达到稳态时，原料连续不断的从加料板加入，易挥发组分 含量高的馏出液产品和难挥发组分含量高的液体产品持续不断地从塔顶和塔底分别排 出。每一层塔板上气、液两相的温度和组成稳定不变，于是塔顶和塔底采出产物的浓度 也可稳定不变。 精馏段的作用主要是利用回流液将上升气体中的难挥发组分冷凝下来，所产生的冷 凝热同时使塔板上液体中的易挥发组分部分气化，对上升蒸气起到蒸馏提纯作用，从而 使塔顶得到较纯的易挥发组分。提馏段的作用是利用上升蒸气使料液和精馏段回流液的 混合物中易挥发组分逐步气化，利用气化吸热原理，使上升蒸气中的部分难挥发组分冷 凝下来。在提馏段内从上到下难挥发组分含量越来越高，起到提取易挥发组分的作用， 因此在塔底得到较纯的难挥发组分删。 总之，精馏是采用回流的方式，使塔内气、液两相持续不断地进行部分气化和部分 冷凝，实现易挥发组分和难挥发组分的多次传质传热过程，进而使原料分离为高纯度产 物。精馏塔是提供气体和液体两相接触传质的场所，是精馏装置的核心部分。冷凝器为 塔顶提供液相回流，而再沸器为塔底提供气相回流。 6 g - 西，矗莹习e b 掌位论文蓉于l s s v m 的软测量建模劣唁鲁的应用研究 2 2 数据采集 图2 1酒精精馏塔原理图 f i g 2 1i l l u s t r a t i o no fe t h a n o ld i s t i l l a t i o nc o l u m n 2 2 1主导变量和辅助变量的选取 本文研究精馏塔主要为了解决酒精精馏产品浓度的在线检测问题，因此将精馏产品 ( 酒精溶液) 浓度作为该软测量模型的主导变量。而辅助变量的选择作为影响软仪表性 能的重要因素之一，直接决定了软测量模型的结构和输出，必须慎重选取。由于精馏过 程是一个非常复杂的化工过程，影响该过程的因素很多。根据精馏过程的内部机理、工 艺流程以及专家经验得出，进料流量、进料组成、进料温度、灵敏板温度、回流量、再 沸器功率、塔顶和塔底压力等因素都对精馏过程造成一定的影响。在实验室精馏装置中， 进料温度、塔顶和塔底的压力保持稳定，因此，这些因素忽略不计。综上所述，将进料 流量、进料组成、灵敏板温度、回流量和再沸器功率这五个变量作为初选的辅助变量。 7 广西大国醯弧士掌位论文基于l s - s v m 的软测量建模劣法的矗佣研究 2 2 2 过程数据采集 利用实验室筛板式酒精精馏塔实验装置进行实验，通过基于s 7 3 0 0p l c 从现场采 集精馏过程的进料流量、灵敏板温度、回流量和再沸器功率四个变量的实验数据，再通 过上位机的组态王监控软件中的实时数据库读取。其中，进料组成和产品浓度利用阿贝 折光仪进行检测。但这些数据不能完全反映精馏过程的生产特性，本文利用机理模型获 取建模所需的实验数据。 1 、精馏塔机理模型建立的原理 在建立机理模型的过程中，主要基于如下四个平衡关系【4 l 】： 1 ) 物料平衡 根据物质守恒定律，在任何过程单元或系统中，其物质必须满足公式： 【输入量】+ 【生成量】- 积累量】+ 【输出量】+ 【消耗量】。 2 ) 相平衡 在一定的条件下，当一个多相系统中各相的性质和数量均不随时间变化时，称系统 处于相平衡状态。要定量地描述相平衡，就要将两个或多个相互接触的相变量联系起来 考虑。每一个处于平衡状态的均匀相在不计特殊力的时候，在空间中任何部位的强度性 质均相同，进而通过平衡相的自身性质可以确定其余性质。 3 ) 动量平衡( s ) 在实际流体流动过程中，垂直于流动方向上的动量由高速度区向低速度区移动；而 在转移的过程中，动量是守恒的。 4 ) 热平衡0 - i ) 基于能量守恒定律，对于不含反应的分离过程必须满足公式： 【输入焓】= 积累焓】+ 输出焓】。 2 、酒精精馏塔简化机理模型 根据实验室酒精精馏塔设备，其内部结构及气液流动示意图如图2 - 2 所示。根据上 述四个平衡关系，列写m e s h 方程组建立酒精精馏塔的机理模型。 jf 工 巧 t， l m jf 图2 - 2 气液流动示意图 f i g 2 - 2f l o w i n gs l l u c t u r eo fg 罄锄df i q u i d 为了建立酒精精馏塔的简化机理模型，做了以下假设条件【4 2 】： 塔板上的液体和塔板间的气体都是完全混合的，具有均匀的温度、压力和组成，也 8 广西大掣钮页士学位论文基于l s s v m 的软测量建模方法的置己j 羁研究 称全混级假设； 所有塔板为理想塔板，塔板效率恒定，每一块塔板上气、液两相经过接触后迅速达 到平衡状态，离开塔板的气相混合物与液相混合物之间处于相平衡； 由于塔板上的热量传递迅速，因此能量方程简化为代数方程； 在精馏段和提馏段中，上升的气体量及下降的液体量保持恒定，忽略再沸器和冷凝 器的动态行为； 每块塔板上的滞液量保持恒定，蒸气流量可忽略； 进料板上各组分浓度可视为常量。 根据以上假设，该筛板式精馏塔简化机理模型的部分标准物理参数例如表2 1 所示： 表2 - 1 酒精精馏塔参数表 t a b l e2 1p a r a m e t e r so f e t h n o ld i s t i l l a t i o nc o l u m n 由以上假设，可列出精馏塔的冷凝器、塔底再沸器和各塔板的m e s h 方程组： 对塔顶冷凝器的任意组分歹， m 粤：矿奶m + d ) x a ：1 l d t 。厶j 、 一 对精馏段第i 块板的任意组分歹， ( 2 - 1 ) 粤= 三而j ) w 詈乩 而) w。，) 江2 ，3 ，厂1 对进料板的任意组分j f ， m d 衍& j 一如- l 一厶+ k 心l ，厂j + r 汪， ( 2 3 ) 对提馏段第f 块板的任意组分_ ， 戤t ； m 学2 厶( k i 一再。) + 巧+ l , j - - y t ) 72 ，+ 1 , - - - , m 一1 ( 2 - 4 ) 9 萋象t ，： 掌节。q 广西大学硕士掌位论文 基于l s s v m 的软测t l - 建模方法的应用研究 对塔釜的任意组分_ ， 鸠粤= 厶h 一k 儿一如江f d t l ” j i d 1 j1 j 精馏段： 提馏段： 气液相平衡关系： 归一化方程： l = r d v = 似+ 1 ) d k = l + q f v = k 一( 1 一q ) f 。一q t 。 。j 咒。2 1 二出 q ，j ，_ ， ，互l 五。，= 1 ，z y , = 1 ( 2 5 ) ( 2 - 6 ) ( 2 7 ) ( 2 8 ) ( 2 - 9 ) 以上诸式中，f 为塔板号( i = 1 ，2 ，f ) ，歹为组分序号u = l ，2 ) ；l 、y 分别为精馏 段液体、气体流量，厶、k 分别为提馏段液体、气体流量，m o y s ：f 为进料流量，d 为 塔顶采出量，b 为塔底采出量，m o y s ；薯。、乃分别为塔内液相、气相浓度，刁，为进 料浓度，m 0 1 。 2 2 3 编程与仿真 通过机理模型获取实验数据的过程中，灵敏板温度值对精馏产品浓度的影响较小， 这里忽略此辅助变量。因此，本文最终将进料流量、进料组成、回流量和再沸器功率四 个变量作为模型的辅助变量。 由表2 1 中给定的部分标准物理参数，在m a t l a b 中编写简化模型的仿真程序，用 o d e 4 5 ( ) 求解d i s t m a s s b a l a n c e s ( ) 定义的物料平衡方程组( 2 1 ) - ( 2 5 ) 。由于酒精精馏塔精馏 的组分是二元组分，各塔板上满足而= l - x a ( 其中而、而均为向量，表示酒精和水在各 个塔板上液相摩尔分数) 。程序的流程图如图2 3 所示： 1 0 广西大碧啊炙士等啊踅论文墓于l s s v m 的软测量建模方法的应用研究 图2 3 机理模型流程图 f i g 2 3f l o wc h a r to fp