探究基于非线性主成分分析与神经网络的参数预测模型

《探究基于非线性主成分分析与神经网络的参数预测模型》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、Yl212892一，l了大弊一，lI犬学硕士学位论文专四川大学硕士学位论文基于非线性主成分分析与神经网络的参数预测模型化学工程专业研究生邱添指导老师王煤教授化工生产过程中，产品质量指标和生产过程中参数的预测和控制，对于保证生产系统的连续运行、提高产量和质量起着十分重要的作用。氢氮比是合成氨生产中一个极为重要的控制指标。针对氢氮比控制大滞后、非线性和时变性的特点，运用非线性主成分分析方法与神经网络相结合，在大量实测生产数据的基础上，建立了氢氮比预测模型。建模时，首先对变量即影响因素进行降维处理，用2个主

2、成分反映5个变量所包含的94．85％的信息。以降维所得的主成分作为模型输入变量，经过网络训练、回想及数据预测等大量的比较计算，确定了模型结构，建立了神经网络氢氮比预测模型。与实测氢氮比相比，预测氢氮比的绝对误差的平均值为0．0352，平均相对误差为1．6926％，能够满足对合成塔入口氢氮比进行实时控制的要求，且具有训练速度快、预测迅速的特点。磷铵产品的水分含量是重要的质量指标。针对生产过程中影响因素众多，水分含量较难预测和控制的现状，首先用非线性主成分分析方法处理原始数据样本以减少变量数目。采用3个主

3、成分代表9个变量所包含的96．29％的信息。用所得主成分作为输入变量，建立了神经网络磷铵水分预测模型。与磷铵产品的实测水分相比，模型预测水分的绝对误差的平均值为0．2019，平均相对误差为7．1％。关键词：非线性主成分分析预测模型合成氨氢氮比磷铵产品水分BP神经网络四川大学硕士学位论文Predictingmodelofparametersbasedonnon—linearprincipalcomponentanalysisandneuralnetworkGraduatestudentQiuTianSu

4、pervisorProf．WangMeiInchemicalprocesses，thepredictionandcontrolofproductqualityindexesandproductionprocessparametersplayaveryimportantroletosteadythewholefactorynmningproductionsystemandincreasetheoutputandquality．H2／N2ratioisanimportantcontrolindexfora

5、mmoniasynthesis．AccordingtothecharacteristicofH2／Nzratiosuch舾big．1a岛non-linearandvariety-by-time，non-linearpfinci硼componentanalysisandtheneuralnetworkarecombined,thepredictionmodelofHJN2ratioisconfirmedbaseonlargenumbersoftheinea删data．Intheprocessofmode

6、ling，thefirststepistodecresethedimensionsofvariablesthat黜theinfluentialfactom．andtheresultisthatthetwop血dpalcomponentshascontainedtheinformationthatis94．85％oftheinformationofthefivevariables．Theprincipalcomponentsarechosenasinputvariablesofthenetworkmod

7、el．Afterperformingalargenumberofcomputingexperimentandcompm'isonliketraining,recaUingandpredictingdatabythenetwork,themodelstructureofitisconfirmed,andtheneBl"alnetworkmodelforpredicting姚ratioisestablished．Theresultshowthattheaverageabsolutevalueoftheab

8、soluteerrorbetweenthepredictingdataandthesurveyingdataisO．0352。andtheaveragerelativeerroris1．6926％．these啪sarisfytherequirementofpredictingH2／N2ratiotimely,andhastrainingquickly,predictingrapidlycharacteristic．Thewatercontentofamm