-
摘要本文研究了软测量技术的原理及建模步骤、神经网络的构成及学习算法。其中，重点讨论了数据预处理中的主元分析法、粗糙集的原理及算法，神经网络结构中的 BP网络以及 RBF 网络。在青霉素发酵过程中，产品成分难以在线测量，且系统具有非线性和不确定性，通过基于神经网络的软测量方法对其建立了 BP、PCA-BP、RS-BP、RBF、PCA-RBF、RS-RBF751种模型。利用 Matlab神经网络工具箱编程，对模型进行仿真研究，比较各类模型性能差异，选定RS-BP 网络作为青霉素发酵过程的模型。32629
- 上一篇：大功率LED恒流源驱动电路设计
- 下一篇：双车协同模式下主电磁导引车控制系统硬件设计
毕业论文关键词 软测量技术 BP网络 RBF网络 主元分析法 粗糙集 青霉素发酵
Title Study on Soft Sensor Modeling Method Based on Neural Networks
Abstract The principle and modeling process of soft senor model, and the composition and learning algorithm of neural networks are presented in this paper. Among them, the focus is the data preprocessing including the principle and algorithm of principal component analysis (PCA) and rough sets (RS), the structure of BP network and RBF network. In the process of penicillin fermentation, the product is hard to be measured online, and the system is nonlinear and uncertain, to solve these problems, six kinds of soft sensor models based on neural networks including BP、PCA-BP、RS-BP、RBF、PCA-RBF and RS-RBF are established. Use neural network toolbox of Matlab to simulate these models, compare differences between performances of them. Finally, RS - BP is selected as the model of penicillin fermentation process.
Keywords Soft sensor BP RBF PCA RS Penicillin fermentation process
目次
1引言1
1.1研究背景及意义1
1.2研究现状2
1.3研究目的及主要内容2
2软测量技术4
2.1软测量技术简介4
2.2影响软测量性能因素4
2.2.1辅助变量的选择4
2.2.2数据的预处理4
2.2.3软测量模型5
2.2.4在线校正5
2.3数据预处理方法5
2.3.1主元分析法5
2.3.2粗糙集6
2.4小结8
3神经网络9
3.1神经网络概述9
3.2BP神经网络及学习算法12
3.2.1BP神经网络简介12
3.2.2BP神经网络学习算法12
3.3RBF神经网络及学习算法15
3.3.1RBF神经网络简介15
3.3.2RBF神经网络学习算法16
3.4小结17
4模型在青霉素发酵过程中的应用18
4.1青霉素发酵过程18
4.2建模方法及步骤18
4.2.1辅助变量的选择及导入方法18
4.2.2基于BP神经网络的软测量建模19
4.2.3基于RBF神经网络的软测量建模26
4.3仿真结果分析31
结论32
致谢33
参考文献34
1 引言
1.1 研究背景及意义 工业的需求和新兴 IT 技术以及控制理论的发展推动着先进控制技术前进。 检测和控制的节能、高效和可靠以及其它的技术要求在现代工业中越来越高，也越来越被重视。顺应时代的发展，现代过程检测技术向更深更广的层次进行拓展。但由于大量的生产过程涉及各类复杂的反应，其中，物质的转换以及能量的传递造成了系统的复杂性、不确定性，同时也带来了过程参数检测的困难。目前实际工业过程中，仍存在许多重要过程参数因上述问题无法或难以直接用传感器或过程检测仪表进行测量[1]。为了解决这样的问题，软测量技术应运而生，即采用数学计算以及估计方法对易测变量（称辅助变量）与难测得的待测过程变量（称主导变量，如精馏塔的产品成分浓度，生物发酵产品含量等）之间的数学关系进行建模，从而得出待测变量的预测值。 现今，软测量技术已成为过程检测与仪表的主要方向之一，得到了国内外学者以及生产企业的广泛关注，且应用范围在逐渐扩大。对于工业生产过程中的许多难以解决的问题，软测量技术给了我们新的发展方向和解决思路。 众所周知，人脑是人类已知的最为高效完美，也是最为复杂的信息处理系统，但是人类自身却对这个领域认识较少。一直以来，人们通过生物学、电子学、神经学等学科对神经网络进行了大量研究，针对各个领域的相关问题，设计与人类大脑具有类似特性的智能系统。 人在成长的过程中，通过对外界环境的感知和有意识的训练来积累经验，从而建立自身规律。通过模拟人脑神经系统，实现人的部分思文能力，能够满足特定需求的模型被称为人工神经网络模型，故它在组成结构和功能实现上与人脑十分相似。神经元相互连接组成神经网络，它们之间相互作用，调整连接权值可进行信息处理。人工神经网络的基本特点有：并行处理、分布式存储、良好的鲁棒性以及容错性、可塑性及自适应性、自组织与自学习[2]。它能很好地解决非线性、不确定性、不确知系统的复杂建模问题，在许多工业实例的应用中取得了良好的效果。 人类对于人脑、思文、计算的关系展开的研究才刚刚起步，未来发展的空间将十分广阔。关于人类对于人脑运作模式和机理的研究以及模拟也得到了越来越多的关注，神经网络理论随着研究的深入定会取得更大的突破和进展。 从大量的研究和文献来看，神经网络在控制问题上的应用是十分成功的。经实践发现，将神经网络应用于软测量模型建模确能取得良好的效果。