（控制理论与控制工程专业论文）明胶浓度的软测量建模及参数优化.pdf

s o f ts e n s o rm o d e l i n ga n dp a r a m e t e ro p t i m i z a t i o nf o ro n l i n e e s t i m a t i o no fg e l a t i nc o n c e n t r a t i o n b y g a ol i m i n b e ( t o n gl i n gu n i v e r s i t y ) 2 0 0 8 at h e s i ss u b m i t t e di np a r t i a ls a t i s f a c t i o no ft h e r e q u i r e m e n t sf o rt h ed e g r e eo f m a s t e ro fe n g i n e e r i n g c o n t r o lt h e o r ya n dc o n t r o le n g i n e e r i n g i nt h e g r a d u a t es c h o o l o f l a n z h o uu n i v e r s i t yo ft e c h n o l o g y s u p e r v i s o r p r o f e s s o rc a 0j i e j u n e ，2 0 11 62m 2 删5洲88iiiilm y 兰州理工大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取 得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何 其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献 的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法 律后果由本人承担。 作者签名：猢论日期：弘j 1 年 易月7 日 f 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学 校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论 文被查阅和借阅。本人授权兰州理工大学可以将本学位论文的全部或部分 内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保 存和汇编本学位论文。同时授权中国科学技术信息研究所将本学位论文收 录到中国学位论文全文数据库，并通过网络向社会公众提供信息服务。 作者签名： 导师签名： 凇 ，日期：如i1 年 占月 日 日期。劢年厂月7 日 硕士学何论文 目录 摘要i a b s t r a c t i i 附图索引i v 附表索引v i 第1 章 绪论一l 1 1 课题研究背景1 1 2 软测量技术回顾2 1 3 明胶浓度的建模方法研究现状6 1 3 1 明胶浓度软测量建模的优势一6 1 3 2 明胶浓度的建模难点6 1 3 3 明胶浓度软测量模型面对的新问题7 1 4 论文主要内容及各章节安排8 1 4 1 主要内容8 1 4 2 各章节安排9 1 5 本章小结。9 第2 章明胶浓度的软测量应用研究1 0 2 1 生产工艺简介1 0 2 1 1 骨料的处理1 0 2 1 2 骨素的处理1 0 2 1 3 提j 技一1 1 2 1 4 胶液的净化、浓缩、冷冻和干燥l l 2 2 提胶工序1 2 2 2 1 提胶工序控制系统1 2 2 2 2 系统软件组成1 3 2 3 机理分析及辅助变量的选择1 6 2 4 数据采集和预处理1 7 2 5 小波神经网络的明胶浓度软测量建模1 7 2 5 1 小波神经网络简介1 8 2 5 2 母小波函数的选择1 9 i l 明皎浓度的软测晕建模及参数优化 2 5 3 小波神经网络的结构2 0 2 5 4 明胶浓度小波神经网络模型的参数估计2 1 2 6 明胶浓度的自适应小波神经网络的软测量建模2 3 2 7 仿真结果分析2 4 2 8 本章小结一2 6 第3 章基于g a w n n 明胶浓度软测量建模2 7 3 1w n n 模型参数优化2 7 3 1 1 遗传算法简介2 7 3 1 2 遗传算法的基本运算3 0 3 1 3 遗传算法优化明胶浓度软测量模型的实现3 l 3 2 自适应遗传算法一3 3 3 3 混合递阶遗传算法3 4 3 4 混合变异自适应遗传算法一3 5 3 5 仿真结果及分析3 6 3 6 本章小结一4 0 第4 章软测量模型的混合编程实现4 l 4 1 明胶浓度软仪表实现的可行性分析4 l 4 1 1 软仪表实现基础4 l 4 1 2m a t l a b 和控制系统数据通信一4 2 4 2 基于c o m 控件的m a t l a b 与v b 的数据交换4 2 4 2 1v b 简介一4 3 4 2 2c o m 技术通信设计4 3 4 3 本章小结一4 6 结论与展望4 7 1 总结4 7 2 展望4 8 参考文献4 9 i 1 1 9 ：谢5 4 附录a发表的学术论文目录5 5 附录b部分现场数据5 6 硕七学伊论文 曼皇曼曼曼曼曼曼舅曼曼曼鼍皇曼曼曼曼曼量曼曼量曼曼曼舅曼鼍曼! 曼曼皇皇曼曼皇曼曼曼曼! _ i n ! 曼曼曼曼曼曼鼍皇鼍曼量舅曼曼曼罾舅曼曼曼曼曼曼曼曼曼曼曼曼曼 摘要 明胶浓度是明胶生产过程中的重要过程参数之一，明胶浓度的在线测量对明 胶生产工艺的优化和控制具有重要意义。但目前，明胶浓度的测量还集中在手工 离线采样的阶段，这种测量方法存在误差大、滞后时间长，样本易受环境影响且 测量过程中易污染胶液等问题。针对明胶浓度测量存在的这些问题，课题引入软 测量技术对胶液浓度进行估测，为明胶浓度的测量提供了新的途径。 课题以青海明胶公司的明胶生产工艺为研究背景，以提胶工序中较难测量的 明胶浓度为研究对象。从提高明胶浓度在线测量综合性能的角度出发，通过对生 产工艺的分析，提取和明胶浓度密切相关且较易测量的时间和温度为辅助变量， 并对从明胶生产工艺现场采集的数据进行分析。 针对明胶浓度和之间存在的复杂性、非线性等问题，利用小波神经网络强大 的多分辨、非线性逼近等性能，提出一种基于小波神经网络的明胶浓度软测量建 模方法，并对这种方法进行自适应改进，引入自适应小波神经网络，通过对预测 结果的比较，得知小波神经网络比自适应小波神经网络具有更好的优化性能和泛 化能力。 针对小波神经网络结构复杂、待优化参数多的特点，利用遗传算法的隐并行 搜索性能优化小波神经网络模型。对遗传算法的交叉概率、变异概率进行自适应 改进，引入自适应遗传算法；对遗传算法的染色体结构进行改进，引入混合递阶 遗传算法；然后在自适应遗传算法和混合递阶遗传算法的基础上对单一的变异方 式进行改进，提出混合变异自适应遗传算法。将四种算法分别用于优化明胶浓度 的小波神经网络模型，并在m a l t a b 环境下进行仿真结果比较。 结果表明，自适应遗传算法相对于传统遗传算法，其实时性有所提高，但预 测精度没有得到很好的改善；混合递阶遗传算法相对于自适应遗传算法，其实时 性和精度有所提高，但综合性能不利于指导明胶的生产：而混合变异自适应遗传 算法优化的小波神经网络模型相对于前三种算法，具有更好的综合性能，更能满 足明胶生产工艺的要求。 最后通过研究c o m 控件技术实现v b 和m a t l a b 的混合编程，为明胶浓度软 测量模型在明胶生产工艺控制系统中的实现提供一种方法。 关键词：软测量技术：明胶；小波神经网络；自适应；遗传算法：混合变异 明胶浓度的软测最建模及参数优化 a b s t r a c t g e l a t i nc o n c e n t r a t i o ni so n eo ft h em o s ti m p o r t a n tp r o c e s s p a r a m e t e r si ng e l a t i n p r o d u c t i o np r o c e s s g e l a t i nc o n c e n t r a t i o no n l i n em e a s u r e m e n th a s t h ei m p o r t a n t m e a n i n g b u tn o w , g e l a t i nc o n c e n t r a t i o nm e a s u r e m e n ta l s oh a sf o c u s e do nm a n u a l o f f l i n es a m p l e t h i sm e t h o dh a sb i ge r r o r , l o n gt i m ea n de n v i r o n m e n t a lp o l l u t i o n s h o r t c o m i n g s i no r d e rt os o l v et h i sp r o b l e m ，t h es o f t m e a s u r e m e n tw a si n t r o d u c e dt o g e l a t i nc o n c e n t r a t i o nm e a s u r e m e n t ，a n dg a v eg e l a t i nc o n c e n t r a t i o nm e a s u r e m e n ta n e ww a y t h er e s e a r c hb a c k g r o u n dw a sq i n g h a ig e l a t i nc o m p a n y sg e l a t i np r o d u c t i o n c o n t r o ls y s t e ma n dr e s e a r c ho b je c tw a s g e l a t i nc o n c e n t r a t i o n ，a i m i n ga ti m p r o v i n gt h e r e a l t i m ea n dr o b u s t n e s so f g e l a t i nc o n c e n t r a t i o no n l i n em e a s u r e m e n t b a s e do nt h e a n a l y s i so ft h ep r o d u c t i o np r o c e s s ，c h o o s i n gt h et i m ea n dt e m p e r a t u r ea sa u x i l i a r v v a r i a b l e s ，w h i c ha r ev e r yc l o s e l yr e l a t e dw i t hg e l a t i nc o n c e n t r a t i o na n dm o r ee a s i l vt o m e a s u r e t h e nt h r o u g ht h ea n a l y s i so ft h es a m p l e ，w eh a v el e a r n e dt h a tt h e r ea r e c o m p l e x i t i e s ，n o n l i n e a ra n dn o n s t r u e t u r a lc h a r a c t e r i s t i ca l o n gt h e s es a m p l e s a c c o r d i n gt ot h e s ec h a r a c t e r i s t i c s ，w a v e l e tn e u r a ln e t w o r kw a si n t r o d u c e dt ot h e s o f tm e a s u r e m e n tm o d e lb e c a u s eo fi t sn o n l i n e a ra p p r o x i m a t i o na b i l i t y a n dt h e n i m p r o v e dt h ea l g o r i t h m ，g e tt h ea d a p t i v ew a v e l e tn e u r a l n e t w o r k t h r o u g ht h e p r e d i c t e dr e s u l t so ft h e m ，w a v e l e tn e u r a ln e t w o r kh a sb e t t e ro p t i m i z a t i o np e r f o r m a n c e a n dg e n e r a l i z a t i o na b i l i t y s ot h ew a v e l e tn e u r a ln e t w o r km o d e lw a sc h o s ea sg e l a t i n c o n c e n t r a t i o np r e d i c t i o nm o d e l b u tt h es t r u c t u r eo fw a v e l e tn e u r a ln e t w o r kw a sm o r e c o m p l e xa n di t ，sa l s oh a d m o r eo p t i m i z a t i o n p a r a m e t e r s i no r d e rt of u l l ys o l v et h i sp r o b l e m ，t h eg e n e t i c a l g o r i t h mw i t hh i d d e np a r a l l e ls e a r c hp e r f o r m a n c ew a su s e dt o o p t i m i z ew a v e l e t n e u r a ln e t w o r km o d e l l a t e ro nt h e a d a p t i v ea b i l i t yi s s u e s ，g o ti m p r o v e da d a p t i v e g e n e t i ca l g o r i t h m ；o nt h ec h r o m o s o m es t r u c t u r e ，g o tm i x e dh i e r a r c h i c a l g e n e t i c a l g o r i t h m ；a n do nt h eb a s i so ft h et w oc o m p r e h e n s i v ep e r f o r m a n c e si m p r o v e m e n t ，g o t m i x e dm u t a t i o na d a p t i v eg e n e t i ca l g o r i t h m f o u ro p t i m i z a t i o na l g o r i t h m sa r eu s e dt o o p t i m i z et h eg e l a t i nc o n c e n t r a t i o nw a v e l e tn e u r a ln e t w o r km o d e l ，r u n n i n go nm a t a b e n v i r o n m e n t t h r o u g ht h ep r e d i c t e dr e s u l t s ，c o m p a r e dw i t ht h et r a d i t i o n a l g e n e t i c a l g o r i t h m ，t h ea d a p t i v eg e n e t i ca l g o r i t h mh a sb e t t e rr e a l t i m e ，b u tt h ep r e d i c t i o n p r e c i s i o nw a sn o tv e r yw e l l c o m p a r e dw i t ht h ea d a p t i v eg e n e t i ca l g o r i t h m ，m i x e d h i e r a r c h i c a lg e n e t i ca l g o r i t h mh a sb e t t e rr e a l t i m ea n d p r e d i c t i o np r e c i s l o n y e t l 硕十学伊论文 c o m p a r e dw i t ht h ea b o v et h r e e ，m i x e dm u t a t i o na d a p t i v eg e n e t i ca l g o r i t h mh a st h e b e s tr e a l t i m ea n d p r e d i c t i o np r e c i s i o n ，f u l l y s a t i s f i e dt h e g e l a t i np r o d u c t i o n r e q u i r e m e n t s a tl a s t ，t h i sp a p e rd i s c u s s e dt h es o f tm e a s u r e m e n tm o d e lo n l i n er e a l i z e di nt h e c o n c e n t r a t i o no fg e l a t i ng l u ec o n t r o ls y s t e m t h r o u g hm i x i n gp r o g r a mo fv ba n d m a t l a b k e y w o r d s ：s o f t m e a s u r e m e n tt e c h n o l o g y ：g e l a t i n ；w a v e l e tn e u r a ln e t w o r k ； a d a p t i v e ；g e n e t i ca l g o r i t h m ；m i x e dm u t a t i o n i i i 明胶浓度的软测帚建模及参数优化 附图索引 图1 1 软测量技术的工作原理2 图1 2 神经网络模型4 图1 3 多模型的模型结构图一5 图2 1 明胶生产工艺流程图一l o 图2 2 提胶工序控制系统网络结构图1 3 图2 3 单锅提胶示意图1 4 图2 4 提胶工艺流程图1 5 图2 5 单输入小波神经网络1 8 图2 6 多输入小波神经网络1 8 图2 7w n n 的基本结构图2 0 图2 8 明胶浓度的w n n 结构图2 l 图2 9 基于w n n 的软测量建模框架图2 l 图2 1 0w n n 算法流程图一2 2 图2 1 l 基于w n n 的软测量建模流程图2 3 图2 1 2 自适应小波网络的结构图2 4 图2 1 3 基于w n n 的软测量模型预测曲线2 5 图2 1 4 基于w n n 的软测量预测误差曲线2 5 图2 1 5 基于a w n n 的软测量预测曲线图2 5 图2 1 6 基于a w n n 的软测量模型误差曲线2 5 图3 1 单点交叉示意图2 9 图3 2 基本位变异示意图2 9 图3 3 遗传算法的流程图3 0 图3 4 遗传算法优化小波神经网络参数结构图3 3 图3 5 递阶遗传算法染色体结构图3 5 图3 6h g a 构成示意图一3 4 图3 7 混合变异自适应遗传算法的参数优化结构图3 6 图3 8g a w n n 预测结果曲线图3 7 图3 9g a w n n 预测结果误差曲线图3 7 图3 1 0g a w n n 软测量迭代次数曲线3 7 图3 1 1g a w n n 软测量模型适应度函数曲线3 7 图3 1 2a g a w n n 软测量预测曲线3 7 图3 1 3a g a w n n 迭代次数误差平方和曲线3 7 i v l一一 硕士学位论文 图3 1 4a g a w n n 软测量迭代次数曲线3 8 图3 1 5a g a w n n 模型适应度函数值曲线一3 8 图3 1 6h g a w n n 模型的预测结果图一3 8 图3 1 7h g a w n n 模型的预测误差曲线图3 8 图3 18h g a w n n 迭代次数函数图一3 8 图3 1 9h g a w n n 模型的自适应函数值曲线图- 3 8 图3 2 0m a g a w n n 模型的预测结果曲线图一3 9 图3 2 1m a g a w n n 模型的预测误差曲线图3 9 图3 2 2m a g a w n n 模型的各代曲线。3 9 图3 2 3m a g a w n n 模型的自适应函数值曲线3 9 图4 1 软测量实现原理图4 l 图4 2m a t l a bc o m p i l e r 的设置过程4 4 图4 3a t l a bc o mb u i l d e r 界面一4 4 图4 4v b 调用m a t l a bm 文件的界面图4 5 图4 5v b 界面下部分参数初始值设置图一4 6 图4 6m a t l a b 和v b 间的通信过程图4 6 v 明胶浓度的软测最建模及参数优化 皇舅! 曼蔓曼曼曼曼! 皇曼蔓曼曼曼曼皇曼曼舅曼鼍量曼曼曼曼曼曼曼皇! 皇皇i ： i i i i 皇舅曼舅曼皇皇曼曼曼曼皇曼曼皇曼曼曼皇曼曼寡 附表索引 表2 1 胶液温度控制表1 l 表2 2 部分实验数据2 6 表3 1 各建模方法的性能比较3 9 硕士学位论文 1 1 课题研究背景 第1 章绪论 明胶是胶原的水解产物，是一种无脂肪的高蛋白，且不含胆固醇，是一种天 然营养型的食品增稠剂【l 】，素有“工业味精之称。根据广东开平罗赛洛公司汇 编的一本关于明胶在食品和医药行业的广泛应用和安全性问题的资料，在2 0 0 1 年，世界明胶的生产总量即达到2 6 13 0 0 吨，其中亚洲明胶的生产量主要占生产 总量的1 6 ，西欧、北美、南美分别占据生产总量的4 4 、2 2 、1 5 。中国明 胶的生产量占亚洲最大的生产份额，发展最快，具有最大的潜力；中国和中国台 湾出口量总共3 5 0 0 吨。根据该资料的市场分析，明胶的主要用途为照相，药用和 食用【2 1 。其中照相约占总份额的1 8 7 5 ，药用硬胶囊和软胶囊用胶分别占有市场 份额的3 2 3 和18 7 5 ，食用产品用胶占市场份额的2 2 。明胶在照相中的应用 主要是制作胶卷，在药用中主要是用作制作胶囊、片剂的原料。明胶作为一种增 稠剂广泛使用于食品工业的添加如果冻、食用色素、高级软糖、冰淇淋、干酷、 酸奶、冷冻食品等【3 】。在化工行业主要用作粘合、乳化和高级化妆品等制作的原 料。近年来，随着市场经济的发展，明胶的市场需求也越来越大。可见，明胶具 有广阔的市场和美好的应用前景。 工业生产自动化系统的迅猛发展，明胶的间歇生产逐渐被连续生产所代替。 提胶工序在骨明胶生产中是较关键的中心工序【4 j ，通过提胶工序使骨素在一定温 度条件下水解成为水溶性的明胶。在现代明胶生产中，提胶工序进度的快慢可起 到控制整个明胶生产的速度的作用。 在明胶生产过程中必须频繁测量明胶浓度【5 】，如提胶工序放胶时浓度的测定； 浓胶打往长网前的检测等工作都需要直接测试明胶的浓度。因此快速准确的实现 明胶浓度的在线检测，在生产中具有很重要的意义。目前国内明胶生产企业对提 胶工序中胶液浓度的测量都是采取离线测量方法，操作人员大多是通过采样测量 和经验判断给出胶液浓度。以青海明胶公司为例，明胶浓度的检测主要采取定时 采样，用对照法或者糖度仪检测，由操作人员根据经验判断提胶时间，这种方法 导致采集的数据滞后，精确度低，不利于提高生产效率和进行明胶的质量控制。 由于软测量技术可以解决复杂工业过程中较难测量和估计的参量，这些参量 常常无法由硬件获得以及存有较大滞后，利用软测量技术可以保证精度和控制质 量，且软测量技术是软件实现，需要的资金较少，维护简单。软测量已在工业中 有许多成功的应用。例如在文献【6 】中，论证了基于最小二乘法建立的软测量模型 估算马克斯克鲁维酵母菌发酵条件的方法是可行的；文献【7 】中，成功运用混合模 明胶浓度的软测量建模及参数优化 型的软测量方法研究其在发酵过程中的应用；文献【8 】针对测量岩层移动角提取的 输入变量间存在的共线性问题，采用偏最小二乘法( p l s ) 建立软测量模型，有 效的消除了共线性问题；文献 9 】中，熊智华，王雄，徐用懋等探讨了一种利用多 神经网络结构建立非线性软测量模型的方法，取得较好的效果。本课题来源于青 海明胶公司的委托项目，以明胶提胶过程中无法直接测量的变量一明胶浓度为测 量对象，以较易测量且与明胶浓度密切相关的时间和温度为辅助变量，进行在线 估计方法研究。课题集中研究软测量模型及优化方法。建立基于“遗传算法一小 波神经网络的软测量模型，并对该软测量模型进行仿真实验和评价。 1 2 软测量技术回顾 从本质上讲，软测量技术并不是一项新的测量技术。在工业控制中，一个较 难测得的变量( 物理量) 依赖于另外若干个变量( 辅助变量) 的情况是非常普遍 的，通过建立这个量与其它量之间的某种函数关系，通过数理统计或数学物理的 方法，从而得到这个物理量的测量【l 们。一般认为，软测量技术是依据某种优化准 则，使用由辅助变量构成的可测信息，通过软件计算实现对主导变量进行测量的 技术。因此，软测量技术的核心【1 1 , 1 2 】是表征辅助变量和主导变量之间的数学关系 的软测量模型，其实质就是一个数学建模问题。图1 1 表示软测量技术的工作原理。 图i i 软测量技术的工作原理 图中向量d 为扰动变量，向量u 为输入控制变量，向量】厂为过程的主要输出变量， 向量x 为过程的其他输出变量，y 为过程变量，一般是通过实验分析或者其他 手段得到的离线监测值，可以用这些值来建立软测量模型或对软测量模型进行在 线校正，从而自适应过程的缓慢变化。软测量的任务就是从x 中选择适当数目的 变量构成辅助变量向量秒，构造出下面的过程模型f ，从而能够在线地得到】，的 估计值】，： 口冬xjy = f ( 口) ( 1 1 ) 影响软测量性能的因素主要有以下几个方面：( 1 ) 对数据的预处理；( 2 ) 辅助变 量的选择；( 3 ) 建模方法的选择。 2 硕士学何论文 随着工业技术和计算机应用技术的逐渐发展，软测量技术也得到了迅速的发 展。目前常用到的软测量的建模方法主要有以下几种： 1 机理分析建模 这种方法的基本思想是从本质认识外部特征，充分利用能量平衡、物料平衡、 化学反应动力学等原理，通过对过程对象的机理分析，找出不可测主导变量与可 测辅助变量之间的关系，从而实现某一参数的软测量1 1 3 1 。 它的优点是对于机理较为清楚的工艺过程，该方法能构造出性能较好的软仪 表。它所建立的模型有明确的物理意义，外推性能较好。 缺点是模型一般较复杂，模型中需要确定的系数较多，对于机理研究不充分、 尚不完全清楚的复杂工业过程，难以建立合适的机理模型。模型的可移植性差。 2 基于回归分析软测量 回归分析1 1 4 , 1 5 1 是一种基本的建模方法，它的基本思想是通过对生产过程历史 数据的回归分析来建立软仪表模型，在线计算不可测变量，得到的是变量间的稳 态关系。 回归分析按变量和自变量间是否存在线性关系可分为线性回归和非线性回 归；按自变量的个数又可分为一元回归分析和多元回归分析。非线性回归一般可 以通过数学转换转化成线性回归。 这种方法的优点是只需要已知历史数据，不需要建立复杂的数学模型就可以 进行模型的建立。 这种方法的缺点是只能得到变量间的稳态关系，通常需要大量的样本，所建 模型实时性差且误差比较敏感。 3 基于状态估计的建模方法 这种算法的主要思想是： 假定已知对象的状态空间模型为： l x ( k + 1 ) = a x ( k ) + b 髓( j j ) + e v y ( k + 1 ) = c x ( k + 1 ) ( 1 2 ) 1 0 ( k + 1 ) = c o r ( 七+ 1 ) + w 式中：k 表示第k 个状态：x 表示过程状态向量；y 和p 表示过程主导变量和二次 变量；v 和w 表示白噪声，彳、b 、e 、c 、d 为状态空间参数。 这种建模方法的优点是有利于处理各变量间的动态特征的差异和系统滞后等 情况。这种方法的缺点是在复杂工业过程中，常常难以建立系统的模型【l6 1 。同时 在许多工业生产过程中，常常会出现不可测的扰动或持续缓慢变化。这种情况下 该软测量模型可能会出现显著的误差。 4 基于模式识别的软测量方法 该方法的基本思想是以输入输出数据为基础【1 7 l ，采用模式识别的方法对工业 3 明胶浓度的软测量建模及参数优化 过程的操作数据进行处理，从中提取系统的特征，构成以模式描述分类为基础的 模式识别模型。模式识别广泛应用于气象、医疗、工业、农业等领域。在这些领 域常存在许多很难通过易测变量来精确推算也很难在线测量的参量。针对这种情 况，常采取模式识别方法提取某些观测样本的特征，通过建立这些参数的软测量 模型来对这些参数进行定性判断或定量估计。 5 人工神经网络 人工神经网络【1 8 】的主要思想是将辅助变量( 又称二次变量) 作为输入，主导 变量作为输出，通过人工神经网络的学习来解决不可测变量问题。神经网络具有 很强的鲁棒性、容错性、自适应、自学习、自组织能力，可以实现大规模分布式 处理，能有效的解决复杂的非线性问题，目前实际生产过程中已有很多使用神经 网络建模的成功案例。目前常用的神经网络主要有前向b p 网络【1 9 1 和r b f 网络【2 0 l 。 图1 2 所示为神经网络的模型。 辅 助 变 量 的 输 入 x l - x 2 神 r 经 y ： 一 一 ； 兀 网 主导变量估计由 x 络 图1 2 神经网络模型 它的优点是具有很强的非线性逼近、自学习和联想记忆自适应功能。它可以 根据对象的输入输出数据直接建模，不需要提前知道对象的先验知识。它的缺点 是没有确定隐层单元数目的通用方法，网络结构的计算和确定在很大程度上需要 依赖于设计者的经验，且神经网络是基于经验风险最小化原则来进行理论研究的， 难免会出现陷入局部最小、过拟和等问题；若输入变量信息空间较少，神经网络 可以很好的发挥它的优势，但若输入变量信息空间维数逐渐增大时，会导致网络 结构复杂，收敛速度慢，甚至出现难以收敛。 6 基于模糊数学的软测量 模糊数学的软测量是采用知识集成和模糊推理的方法产生、处理与被测对象 信息的相关符号信息的一种知识性模型【2 1 , 2 2 】，它最终的输出结果是数值或自然语 l 口。 它的优点是通过模仿人脑的思维，有效的处理复杂系统，特别是在复杂工业 过程中，当被测对象呈现亦此亦彼的不确定性的时候。缺点是缺乏自学习和自适 应能力，因此常规数学定量描述的场合不易采用这种方法。实际应用中为了充分 发挥它的性能，常将这种技术与其他人工智能技术相结合，使其互相取长补短提 4 硕士学位论文 高软仪表的效能。例如与人工神经网络相结合得到模糊神经网络，将其与模式识 别相结合构成模糊模式识别等。 7 支持向量机 支持向量机是一种机器学习方法，是v n v a p n i k 等1 2 3 ，2 4 】人根据统计学习理论 提出的。它是基于m e r c e r 核展开定理，把样本空间以非线性映射的方式，映射到 一个高维的特征空间( h i l b e r t 空间) ，最终把对最优线性回归超平面的求解归结为 对一个凸约束条件下的一个凸规划问题的求解【2 们。它是基于结构风险最小化原则 【2 5 】原则而不是经验风险最小化原则。 支持向量机的优点是建模方法简单，能较好的解决了过学习和欠学习问题。 缺点是它基于小样本学习理论，对于大数据集合训练速度慢。 8 多模型的软测量建模方法 一种连接多个模型以改进模型预测能力的方法是由b a t e s 于1 9 5 9 年提出。这 种方法称之为多模型建模方法。多模型建模就是把多个子模型的性能结合起来， 取长补短，用于对未知样品的预测。这种建模方法与传统的单一建模方法不同。 传统单建模方法是在反复分析测量数据的基础上，建立一系列的预测模型，然后， 从中选出一个预测性能最好的模型来预测未知样品【2 7 1 。多模型数据建模则是通过 某种方法建立多个子模型，并把多个成员模型用某种方法结合起来未知样品进行 预测，形成一个共识的结果，以提高模型的综合性能【2 引。图1 3 为多模型的模型 结构图。 图1 3 多模型的模型结构图 该方法的优点是：多个神经网络通过一定方式将这些单个网络进行连接，构 成对象的整个输入空间模型，模型的预测精确度和鲁棒性得到了增强。 该方法的缺点是：当用系统输入输出数据建立非线性对象的神经网络模型时， 采用单个神经网络建立的模型往往只是系统的一种近似模型，而且不同网络在不 同输入空间中的预测性能会有所不同。 通过上述分析，各种建模方法各有优缺点，但传统的建模方法用于明胶浓度 的测量并不能取得很好的效果。所以可以结合各方法的优缺点，建立明胶浓度的 明胶浓度的软测量建模及参数优化 软测量模型，它们互相取长补短，取的良好的效果。由于明胶胶液浓度的影响因 素很多，如进料成分，注入水量，胶液粘度，p h 值，温度，冻力，压强等等， 所以它的建模过程是个复杂的过程。本文根据对其生产工艺的分析和明胶胶液本 身所具备的特点，采用小波神经网络( w a v e l e tn e u r a ln e t w o r k ，简称w n n ) 来建立 明胶胶液浓度的软测量模型，采用遗传算法( g e n e t i ca l g o r i t h m ，简称g a ) 对所 建立的模型进行参数优化。 1 3 明胶浓度的建模方法研究现状 随着近几年明胶的广泛应用，对明胶生产过程中过程参数的控制已成为重要 的研究课题，因此对明胶生产过程中重要参数的测量要求也越来越高，不仅要求 测量的精确性，更注重测量的可靠性、实时性、鲁棒性以及对测量对象的自适应 和自学习能力。 1 3 1 明胶浓度软测量建模的优势 随着明胶的广泛应用和明胶工业生产自动化的发展f 2 9 , 3 0 , 3 1 1 ，明胶浓度的在线 测量已经是个需要解决的重要问题。明胶浓度的在线测量的实现具备以下的优势： 1 目前明胶浓度的测量滞后较大，采用软测量方法指导明胶生产过程的操 作，进行实时预估，有利于帮助企业提高生产率和产品质量，增强企业竞争力。 并且由于软测量技术具有经济投入低的优点，在取代国外进口的昂贵的明胶浓度 分析仪上有着很大优势，明胶生产企业能在小投资的条件下得到较大收益。 2 随着计算机控制系统在明胶企业自动化生产中的应用，使得与明胶浓度相 关的过程参数能够较方便获取，为明胶浓度软测量技术的应用打下了良好的基础。 且随着智能仪表在明胶生产工艺中的普遍应用，明胶浓度的软测量和控制可集成 在同一仪表中，这样既能满足明胶生产过程自动化控制的要求，又可以使得在一 台仪表中实现多回路控制。 3 明胶浓度的软测量模型是通过编程来实现，模型中的参数易于调整，甚至 明胶浓度软测量模型的结构也可以根据明胶的生产要求改变，使明胶生产过程中 的检测仪表在只改变软测量仪表的前提下，达到不同的测量目的，并且具有成本 低，维护量小的优点。 1 3 2 明胶浓度的建模难点 目前明胶浓度的软测量的建模难点可以归结为以下几点： 1 目前明胶浓度的样本采集还集中在手工离线取样，离线采集数据这种测量 方法导致样本数据滞后时间长，操作麻烦，测量误差大且测量精度会受环境的影 响，不能及时反映当时明胶浓度的状态，难以满足明胶生产工艺过程的实时控制 要求。 6 硕十学位论文 2 取样易污染胶液，影响胶液的质量。 3 明胶的胶液具有一定的粘度，浓度测量仪会受到粘度的影响而工作效率 差，且目前国内外的浓度测量仪表价格昂贵，精度有限，维护费用高，不利于提 高明胶公司的效率和利润。 4 建模过程中，影响明胶浓度的因素较多，很多过程参数没有合适