欢迎来到天天文库
浏览记录
ID:35061769
大小:2.69 MB
页数:57页
时间:2019-03-17
《基于动态神经网络的化工过程软测量建模研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、中图分类号:TP183密级;公开UD。:本校编号菊W义遺乂聲硕±学位论文论文题目:基于动态神经网络的化王过程软测量建模研究:桑拌学号研究生挂名:02130435学校指导教师姓名;李军职称:教授串请举仿等级:工学硕壬学位专业:模式识别与智能系统论文提交日期16.6.17论文答辩日期;2016.6.3:20独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果,除了文中特别加标注和致谢之处外,论文中不包含其他人已经发表或撰写过的研。究
2、成果,也不包含获得兰州巧通大学或其他教育机构的学位或证书而使用过的材料与我一同工作的同志对本研究所做的任何贡献巧已在论文中作了明确的说明并表示了谢意。签字日期、?口月日学位论文作者签名:豪寺:>(年宁学位论文版权使用授权书本学位论文作者完全了解兰州巧通大学有关保留、使用学位论文的规定。特授权兰州跑1大学可1^将学位论文的全部或部分内容编入有关数据库进行检索,并采用影印、缩印或扫描等复制手段保存、汇编1^供查阅和借阅。同意学校向国家有关部口或机构送交论文的复印件和磁盘。(保密的学位论文在解密后适用本授权说明)学位
3、论文作者签名:秦辨胃师签名:圭与签'字曰期:i〇年C名月曰签字0期:^x4年0/^月曰|若I]硕士学位论文基于动态神经网络的化工过程软测量建模研究ResearchonSoftSensorModellingofChemicalProcessUsingDynamicNeuralNetwork作者姓名:桑桦学科、专业:模式识别与智能系统学号:02130435指导教师:李军完成日期:2016.4.25兰州交通大学LanzhouJiaotongUniversity兰州交通大学硕士学位论文摘要软测量技术是先进过程控制技术的重要组成部分,同时也是
4、化工领域过程检测和过程控制的重要手段,其能够有效的克服在线分析仪表成本高、滞后大、维修繁复的缺点,提升化工企业对过程变量的实时监控,进而提高产品质量,以满足工业生产对控制系统的需求,有效的提升了企业的竞争力。目前,神经网络已成为重要的软测量建模工具。递归神经网络(RecurrentNeuralNetwork,RNN)作为一种动态神经网络,在基于数据驱动的软测量建模中已得到成功的应用。Kalman滤波作为一种状态空间模型方法,通过将神经网络各层间神经元之间的连接权值作为滤波器的状态进行更新,替代了RNN网络的传统训练算法,有效提高了网络的预测精度,
5、已成功应用于时间序列预测。本文在线性Kalman滤波的基础上,给出了扩展卡尔曼滤波(ExtendKalmanFilter,EKF)、容积卡尔曼滤波(CubatureKalmanFilter,CKF)和平方根容积卡尔曼滤波(Square-rootCubatureKalmanFilter,SCKF)算法,用于RNN的训练。将上述方法运用于化工过程软测量建模的实例中,均取得了令人满意的效果。本文的主要研究内容如下:(1)研究了简单递归神经网络(SimpleRecurrentNetwork,SRN)和全连接递归神经网络(FullyConnectedRec
6、urrentNeuralNetwork,FCRNN)的拓扑结构,并以SRN为重点研究对象给出了网络的基本训练算法。(2)针对传统训练算法存在的不足,根据状态估计技术,在Kalman滤波的基础上,研究了EKF算法,给出了基于EKF算法的FCRNN方法;为了进一步提高网络精度和算法的稳定性,研究了CKF算法和SCKF算法,提出了基于SCKF算法的SRN方法。(3)将基于SCKF算法的SRN与非线性滑动平均(NonlinearMovingAverage,NMA)、非线性自回归(NonlinearAutoregressive,NARX)时间序列模型相结合
7、构建动态软测量模型,用于建立脱丁烷塔底部C4组分浓度的估计和硫处理装置(SulfurRecoveryUnit,SRU)尾气中SO2及H2S浓度的预估。为了验证本文所用方法的有效性,在同等条件下,将该方法分别与基于传统训练算法的SRN、基于传统训练算法的FCRNN、基于EKF算法的多层感知器(MultilayerPerceptron,MLP)、基于EKF算法的SRN、基于SCKF算法的MLP以及基于SCKF算法的FCRNN的建模方法进行对比,结果表明本文方法能够获得很高的建模精度,是一种有效的软测量建模方法。关键词:软测量技术;建模;RNN;Kal
8、man滤波;化工过程论文类型:应用基础研究-I-基于动态神经网络的化工过程软测量建模研究AbstractSoftsensortechno
此文档下载收益归作者所有