论文部分内容阅读
软测量技术是根据某些最优准则,选择一组在工业上容易检测而且与主导变量有密切关系的辅助变量,通过构造主导变量与辅助变量之间的数学关系建立软测量模型。软测量技术由于其显著的优点和建模方法的多样化,受到了工业界越来越多的关注。神经网络,支持向量机,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。但是由于实际生产过程往往存在着非线性、工况范围广等特点,采用单一模型往往无法满足工艺精度要求。通过将几个模型相加来提高模型的预测精度和鲁棒性以来,基于多模型的预测方法的研究方面已取得了长足的进展,并且在工业中得到了成功的应用。针对单一模型难以全面描述木材含水率的复杂非线性问题,本文提出一种基于聚类分析和多模型的传感器建模方法。首先对软测量技术以及多模型理论进行了阐述,并对聚类分析算法、神经网络算法、支持向量机算法进行了Matlab仿真研究,为多模型的传感器建模奠定了理论基础。本文以帽儿山的柞木为研究对象。通过电阻法得到等效电阻,并与称重法得到的木材含水率值进行比较。建立木材含水率等效电阻与木材含水率的对应数据关系。实验在室温20±2℃,相对湿度65±5%的环境下进行。对实验数据的等效电阻和木材含水率进行建模。该方法中第一步采用模糊C均值聚类(FCM)算法,将训练集中的输出样本通过相似性准则进行分类,然后将输入样本与分类后的输出样本一一对应,并选择每一类输入样本的均值作为该类的中心向量；第二步采用BP或SVM方法对每一类样本子集进行建模,并根据模糊聚类后生成子集所含样本个数的多少,分别按照SVM算法和BP网络的不同适用特点进行选择。根据聚类后各子集的样本数来选择不同的建模方法是依据建模经验得出的。在使用BP和SVM方法建模的过程中发现,基于支持向量机的学习方法能够较好地解决小样本、非线性和高维数的问题,而当有充足的训练样本时,BP可以较好地描述复杂的非线性关系。根据子集所含样本数的多少,分别采用BP或SVM算法进行建模。通过实验仿真验证基于多模型的木材含水率传感器模型的测量精度高于单一模型。本文对于解决宽范围、小样本的工业过程,提高模型的泛化能力和精度有较好的推广价值和应用前景。