基于核方法的复杂工业过程建模研究

• 作 者: 黄晓清
• 机 构: 大连理工大学
• 出 处: 大连理工大学
• 发表日期: 2008年期
• 关键词: 工业过程 核方法 模糊神经网络模型 转炉炼钢 贝叶斯回归模型

工业过程往往具有结构复杂、非线性、时变、耦合、不确定性、信息量少的特点。随着生产过程规模的进一步扩大和复杂程度的提高，透彻分析其过程机理并建立精确数学模型已经变得越来越困难，利用可测量的生产数据建立其辨识模型已成为必然的选择。自1995年Vapnik等人提出支持向量机算法以来，基于核的机器学习方法(简称核方法)取得了迅速的发展，目前已成为人工智能和机器学习领域的研究热点之一，已经在模式识别、系统辨识等许多领域中得到成功应用，因此，本文以一类具有非线性特性的复杂工业过程为背景开展研究工作，将核方法应用于工业过程数据特征提取、建模和预报。
本文提出一种基于核方法和贪婪思想的主元提取模糊神经网络模型。采用核函数把输入变量向高维特征空间映射来充分挖掘变量的隐藏信息，经贪婪算法优化选取主元，输入自适应神经模糊推理系统后，网络以规则的形式来反映数据间蕴含的关系，避免出现规则爆炸，为提高模糊神经网络建模精度提供一个有效的方法。此外，以统计回归方法为基础，建立一种基于核方法的贝叶斯回归模型。与传统人工经验控制方法相比，回归模型能消除随机因素的影响，提高动态过程控制精度。在分别采用增量回归及贝叶斯回归模型对工业过程量建模，并进行比较后发现，基于核方法的贝叶斯模型在保证建模精度的情况下，还能自动对参数进行有效估计，避免人工干预的影响。
最后，以转炉炼钢工业过程为应用实例，应用基于核方法的贝叶斯回归模型计算补吹氧量的结果，结合三阶段梯形脱碳曲线理论建立碳指数模型，对熔池碳含量的实时变化及终点情况做出指导。并对碳积分模型进行修正，结合炉气分析仪的实测数据，计算总脱碳量，为碳含量的终点预报提供一个新途径。