一、基于多采样率数据的软测量模型（论文文献综述）
陈庞[1]（2021）在《分布式延时工业系统软测量建模与应用》文中提出在大型工业过程中,为准确优化控制工业过程,需要对系统的关键参数进行监测。由于环境、成本或技术等原因对部分关键参数难以使用硬件装置测量,而软测量技术能够实现对这些关键参数进行监测,因此软测量技术得到了广泛的应用。因为工业设备在空间上的分布式设置使得关键变量的测量顺序与过程变量的采样顺序不一致,进而表现出了由于信号、物料传输或者安装位置等问题引起的明显的时间延迟,且这种延时具有时变特性。为了更可靠的监测系统运行状态,需要在建立软测量模型时考虑系统监测变量之间存在的时变延时特征。针对上述问题,本文主要围绕具有延时特性的软测量建模问题进行研究,论文主要工作如下:（1）在工业数据采集过程中,传感器或网络异常等原因会引起数据缺失或数据失真问题。针对数据缺失问题,本文使用了线性插值、KNN插值、多元线性回归插值方法进行缺失数据修复,并对不同方法的修复效果进行了对比分析。针对数据失真问题,本文提出了一种基于留一交叉验证的异常值检测算法。该方法不需要假设原始数据服从某种分布,从模型估计误差的角度来分析数据是否失真,实验结果表示该方法异常值检测效果较好。（2）针对工业过程采集到的变量种类较多且变量之间存在冗余的问题,本文介绍了一种两阶段辅助变量选择方法。该方法通过最大信息系数法删除无关特征,并使用近似马尔可夫毯方法对冗余特征进行剔除。在真实工业数据上进行实验验证,结果表明该方法能够大幅降低辅助变量维数,在保证建模精度的同时提升建模效率。（3）针对工业过程中具有多阶段延时特征的关键变量估计问题,本文提出了一种基于延时参数在线辨识的关键变量估计方法。该方法首先通过基于滑动窗口的最大信息系数法从原始数据中获取延时参数数据集,并根据其构建延时参数在线估计模型,使用延时参数数据集对原始数据进行时序重构,进而根据重构后的数据建立软测量模型。在具有多阶段延时特征的工业数据中进行实验验证,并与传统方法相对比,结果表明了本文方法具有较好的估计效果。（4）针对工业过程中的延时特征不明确的关键变量估计问题,本文提出了一种基于局部信息的加权岭回归方法。该方法通过借鉴时延神经网络的结构,将历史信息考虑进建模过程中增加了模型的信息量,使用岭回归替代神经元节点提高了模型的稳定性,通过粒子群算法搜索模型最优参数,实现对关键变量的准确估计。本文方法与时延神经网络,岭回归等方法相比较,本文方法对具有不明确延时特征的工业过程变量估计效果更佳。
盛晓晨[2]（2021）在《基于多模型集成的软测量建模》文中认为实现复杂工业过程控制的一个重要环节是以尽可能低的经济成本对产品质量进行准确实时的监测和控制。而软测量技术是实现质量变量在线估计的有效途径,因此一直是过程自动控制和智能决策领域的重要研究热点之一。随着分布式控制系统的普及与计算机存储性能的进一步提升,数据驱动的软测量技术在复杂工业过程建模和质量预报中取得了广泛的应用。基于多模型集成的软测量建模框架,能够有效地描述复杂多变量系统的非线性、强耦合和多阶段特征,实时跟踪生产状况和操作条件的动态变化,从而确保过程安全可靠和平稳运行。论文在多模型集成框架下进行了软测量建模方法的研究与应用,主要研究内容如下:（1）针对传统单一模型在处理过程动态变化和多阶段特征时出现泛化性能变差的问题,提出一种基于阶段识别的集成最小二乘支持向量回归软测量建模方法。考虑到间歇过程的多批次特性,首先采用多向主元分析方法对原始高维过程数据进行预处理和特征提取,然后采用高斯混合模型对操作阶段进行识别,并对不同的操作阶段建立最小二乘支持向量回归子模型,最后利用贝叶斯融合策略对子模型输出进行集成,得到最终预测结果。青霉素发酵过程的仿真研究表明,该方法相较于传统全局建模获得了整体预测性能的显着提升。（2）为了提高多模型集成方法在非高斯工业过程建模中的鲁棒性和自适应更新能力,提出一种在线更新策略下的自适应集成偏最小二乘软测量建模方法。在基于高斯混合模型的多模型集成建模框架的基础上,一方面,利用局部加权标准化方法对非高斯数据进行预处理,以重构建模数据集;另一方面,采用滑动窗策略实现模型自适应更新,提高局部模型的泛化性能并保证其在较长工作时间内的预测精度。因此所建模型对过程的动态变化和阶段过渡具有更强的跟踪和解释能力。当测试样本到来时,利用贝叶斯策略实现偏最小二乘局部模型的自适应集成。对硫回收过程中酸性气体浓度的在线预测,结果验证了所提方法的可行性和有效性。（3）针对一些工业过程中标记样本稀少且人工标记成本高的问题,提出一种基于分层采样主动学习的集成高斯过程回归智能软测量建模方法。传统集成模型的预测性能高度依赖于有标记样本,为此,首先采用层次聚类算法,以多层次空间的方式充分挖掘样本之间的空间信息,然后引入分层采样策略迭代选择最具过程代表性的无标记样本进行人工标记。在主动学习框架下,标记数据集在每次迭代中都被显着扩展,而后用于集成高斯过程回归模型训练。通过对青霉素发酵过程的仿真实验,证明所提方法在保持较高预测精度的同时,可以大幅降低人工标记的成本。
刘聪[3]（2021）在《基于多模型与即时学习的青霉素发酵过程软测量建模》文中提出随着生物发酵过程的规模不断扩大,通过对发酵过程进行先进控制与优化提高产品质量与产量,同时减少生产成本具有重要意义,而这些先进控制理论和方法依赖于产物浓度、菌体浓度等重要过程参数实时准确地测量。传统的离线分析方法存在较长时间滞后,难以满足先进控制对关键参数实时性测量的要求。软测量技术是一种解决复杂过程中重要过程参数难以在线估计问题的有效手段,能够为过程的在线监测和控制提供及时的反馈信息,从而达到提质增效的目的。因此,本文通过对青霉素发酵过程特性进行分析,结合多模型和即时学习策略建立了相应的软测量模型。（1）针对变量维数高且变量之间存在相关性进而影响软测量模型性能的问题,使用稀疏自动编码器对输入数据进行特征提取并同时引入互信息加权,提出基于互信息稀疏自编码的软测量建模方法。首先,通过计算输入与输出变量之间的互信息加权处理稀疏自动编码器损失函数中的重构误差项,使得与输出变量相关性不同的输入变量具有不同的重构精度,从而提取与输出更为相关的特征;然后,建立基于所提取特征的最小二乘支持向量机模型。青霉素发酵过程的仿真实验表明,通过引入互信息加权提取与输出更为相关的数据特征建立软测量模型,能够提高青霉素产物浓度在线预测的准确性。（2）针对发酵过程具有较强的阶段性和非线性,单个软测量模型的估计精度难以满足要求的问题,提出基于互信息稀疏自编码及改进密度峰聚类的多模型软测量建模方法。首先,引入相似度函数计算样本点的k近邻及与其k近邻之间的共享近邻,进而重新定义样本点的局部密度;然后,利用样本点之间的k近邻关系重新定义样本点的分配策略;最后,将改进后的密度峰聚类算法对训练样本集进行聚类,基于互信息稀疏自编码器对得到的子集分别进行特征提取同时建立最小二乘支持向量机模型,采用开关方式进行融合输出。仿真结果表明,利用k近邻及共享近邻对局部密度的计算以及样本点分配策略进行改进能够有效提高聚类质量从而提高软测量模型的估计精度。（3）针对发酵过程具有较强的时变特性,离线建立的软测量模型会随着时间和条件的变化产生老化,其预测性能难以保证的问题,提出基于多阶段误差补偿的即时学习软测量建模方法。首先,基于即时学习策略,针对训练样本集中的每个样本点,以加权距离最小为准则选择相似样本集进行建模,获得模型在该样本点输入下的估计值并计算其与真实值的偏差;然后,通过改进密度峰聚类算法对训练集进行阶段划分,针对不同阶段分别建立样本输入变量与偏差之间的误差模型。对于新的测试样本,采用即时学习策略建立软测量模型得到其估计值,并加上相应阶段的误差模型计算的误差补偿值作为最终的模型估计值。青霉素发酵过程产物浓度的估计结果表明,多阶段误差补偿方法能够对输出估计值进行有效补偿。
丁伯川[4]（2021）在《基于注意力机制和CNN的水泥熟料游离钙含量软测量研究》文中进行了进一步梳理水泥熟料中游离钙（free calcium oxide,f-Ca O）的含量是衡量水泥质量高低的重要指标。目前,熟料f-Ca O含量主要依靠人工离线采样检测,使其在指导质量控制和生产过程优化等方面有明显的滞后性。因此,本文以熟料f-Ca O含量为研究对象并基于数据驱动的软测量技术,提出了基于注意力机制和CNN的水泥熟料f-Ca O含量软测量方法,用于实现水泥熟料f-Ca O含量的实时在线监测。具体研究工作如下:首先,介绍新型干法水泥生产技术及水泥烧成过程中熟料f-Ca O的生成机理,分析水泥烧成过程的强耦合性、各生产阶段用时;研究熟料f-Ca O含量建模过程中的难点并提出相应解决方案;选取与熟料f-Ca O含量相关的变量作为输入变量并对其历史数据进行预处理。其次,针对水泥烧成过程的动态非线性、强耦合性、时变时延和不确定性等特征,建立了基于多变量时间序列分析和CNN的软测量模型（MVTS-CNN）。该模型采用多变量时间序列分析方法对输入变量时间序列进行处理,并结合多变量时间序列特征提取方式对图结构化的多变量时间序列进行特征提取。实验结果表明MVTS-CNN模型具有较高的预测精度和泛化能力,可用于实现f-Ca O含量的实时在线监测。然后,针对水泥烧成过程中的多工况特性,提出了一种基于单重注意力机制和MVTS-CNN的软测量方法（AMTS-CNN）。从单一工况下的数据冗余和工况属性特征两个方向进行研究,分别向MVTS-CNN模型引入时序域注意力机制和通道域注意力机制并构建相应的AMTS-CNN模型。实验结果表明基于通道域注意机制的AMTS-CNN模型预测效果更好,且相较于MVTS-CNN,AMTS-CNN具有更强的工况适应性。最后,为了提高模型在多工况动态环境下的预测性能,提出了一种基于双重注意力机制和MVTS-CNN的软测量方法（DATS-CNN）。基于时序域注意力和通道域注意力之间的位置关系构建了串行注意力机制和并行注意力机制并分别将其引入到MVTS-CNN模型,然后基于两种注意力在串行注意力机制中的先后顺序以及在并行注意力机制中的特征融合方式对DATS-CNN模型进行了优化。实验结果表明相较于AMTS-CNN,DATS-CNN模型在多工况动态环境下的预测效果更好。
张玉玲[5]（2021）在《基于数据驱动的水泥熟料游离氧化钙软测量方法研究》文中研究指明水泥熟料游离氧化钙（fCaO）含量是衡量熟料煅烧质量的重要指标,其精准预测对优化生产具有重要的指导作用。目前,主要采用现场取样离线化验的方法获得fCaO含量值,但该方法获得的fCaO含量值对于控制系统存在明显的时间滞后。本文针对时序数据、标签样本少等问题进行了探讨,提出融合多尺度时空特征与双向长短时记忆网络（MS-Bi LSTM）、多尺度时空特征与深度非负稀疏自编码网络（MS-DNSAE）两种熟料fCaO软测量模型,实现熟料fCaO含量值的实时预测,具体研究工作如下:首先,分析国内外水泥熟料fCaO软测量研究现状,提出熟料fCaO软测量建模策略;分析了水泥熟料fCaO煅烧工艺及产生机理,对影响水泥煅烧过程稳定运行以及影响熟料fCaO含量的因素进行了探讨,选取软测量模型的输入变量,采用3?准则、均值滤波、数据标准化对选取变量进行数据预处理。其次,利用小波变换对多变量时序数据在时间维度上进行分析,将信号分解为不同时空尺度的信号;针对熟料煅烧过程中的多变量耦合、强非线性等特性,采用双向长短时记忆网络（BiLSTM）提取变量间的耦合关系,基于非线性激活函数提取非线性特征;提出一种基于MS-BiLSTM的软测量模型。然后,熟料fCaO采样间隔为一小时,而温度、电流、电压等过程变量大多为实时采集,且这些过程变量中隐含了水泥生产规律以及实际生产状况。针对由于标签样本有限导致的软测量模型精度偏低问题,建立了基于MS-DNSAE的软测量模型。首先采用非负稀疏自编码获得无标签样本的隐层表达,然后采用标签样本进行反向微调,实现熟料fCaO的预测。最后,采用现场数据对提出的软测量模型进行实验与分析,结果表明所提出的软测量模型精度高、泛化能力强,可实现对熟料fCaO的实时预测。
贾文凯[6]（2021）在《基于模态划分和域适应的无监督软测量建模》文中进行了进一步梳理随着工业生产规模的不断扩大,工业生产过程变得愈发复杂,对于系统中一些关键参数的测量变得更为重要。传统的测量技术主要基于新型的过程测量仪表,以硬件形式实现过程参数的在线测量。但受限于过程机理、物理环境、传感器和仪器硬件特性等因素的影响,工业生产过程的某些关键参数难以通过硬件设备直接在线测量。软测量技术采用间接测量的思路,利用过程中易获取到的辅助数据信息建立相应的数学模型,实现对难测主导变量的估计。传统软测量建模要求建模数据与实时数据满足独立同分布假设,并且建模的过程数据来自于单一的稳定生产工况。但在实际工业生产过程中,由于设备重组,原料和外界环境变化等情况会导致过程具有多个稳定工况,即同一个生产过程具有多个稳定工作点,并且不同稳定工作点间变量的相关关系具有不同的特性,这类过程被称为多模态过程。不同模态间的数据分布存在差异,造成软测量模型性能恶化。因此,寻找合适的建模方法以应对工况变化造成的影响是多工况软测量建模中的关键问题。不同模态数据具有不同的过程特性,需要建立不同的模型。模态划分多用于多模态化工过程的过程监控及故障诊断中,引入其对历史数据进行模态划分是研究多模态软测量建模问题的关键之一。除此之外,当前数据和历史数据不再服从相同的概率分布,导致模型失准。本文在软测量建模中引入无监督域适应方法,将历史数据作为源域,当前数据作为目标域,重点研究子空间学习在多模态软测量中的应用。本文的主要研究内容和创新点如下:（1）针对单个软测量模型无法对具有多模态特性的工业过程进行描述,且当前数据和历史数据不服从同一分布而导致软测量模型失准的问题,提出了一种模态划分与子空间对齐相结合的无监督软测量建模方法。具体来说,首先研究了一种基于相对熵的离线模态划分方法对历史数据进行模态划分,以便为不同历史模态数据建立不同的软测量模型,并利用相对熵为当前数据匹配最相近的历史模态;然后研究了一种邻域保持子空间对齐域适应算法,在保持数据局部流形结构的同时对齐当前数据和匹配模态数据的特征子空间,从而在一定程度上降低两者的分布差异;最后利用对齐后的数据建立偏最小二乘回归预测模型,获取当前数据的软测量预测值。（2）针对基于相对熵的离线模态划分方法存在一些不足之处,如需要指定聚类数及滑窗阈值等,研究了一种基于最优模态划分数的多模态过程离线模态划分方法,可以实现最优模态数目和划分结果的求取。具体来说,首先对过程数据进行分割,求取相邻窗口之间的相对熵并排序;然后通过度量函数求得最优模态划分数rb,选择相对熵前rb-1大的窗口作为初始模态变化窗口;最后直接利用另一度量函数实现局部数据的准确划分,得到最终的模态划分结果。通过数值仿真实验下的模态划分结果和TE仿真过程下的软测量实验结果表明了本章算法的有效性。（3）针对历史数据与当前数据间公共信息无法有效利用的问题,研究了一种基于线性局部切空间排列的测地线流式核无监督软测量建模方法。通过提取历史数据和当前数据的公共信息,将二者的公共信息投影到一个流形子空间,在子空间中完成特征迁移,进而降低二者间的分布差异,实现无监督软测量建模。
曾波华[7]（2021）在《基于切削力特征的镨钕合金碳含量软测量系统研究》文中研究表明稀土是不可再生的重要战略资源,被誉为“工业黄金”。稀土合金的品质决定着下游稀土产业链的产品质量,而镨钕（Pr-Nd）等稀土合金中的碳元素含量可以最直接、最快速地反映合金的质量好坏。因此为保证稀土金属的产品质量,必须对镨钕合金等稀土金属进行碳含量实时检测。但在实际生产中,目前主要依靠离线的化学分析法得到。而人工化验分析碳含量,存在检测周期过长、检测成本高以及不能实现全检等问题,远远不能满足现代化大规模镨钕等稀土合金生产过程实时控制软测量技术以其实时性强、软件代替部分硬件等优点成为解决这个问题最佳选择之一。本文在江西省重点研发计划（20192BBE50010）的支持下,以赣州某企业的稀土合金生产车间为实施地点,研究基于切削力特征的镨钕合金碳含量软测量检测系统,实现镨钕等稀土合金碳含量检测的在线实时及智能化。主要研究内容如下:（1）深入分析氟盐体系熔盐电解法制备镨钕合金的生产工艺流程及特点,针对当前化学分析法的缺陷,本文提出一种基于切削力特征的物理测碳方法,建立合金切削力与镨钕合金碳含量之间的软测量机理模型,研究两者之间的关联规律。针对单一的软测量模型难以满足复杂工况的问题,提出基于机器学习的三种数据处理算法,对切削力原始信号的输入特征进行寻优以提高检测精度。（2）为验证切削力预测镨钕合金碳含量的软测量模型,设计了基于虚拟仪器技术（Lab VIEW）的在线自动检测系统。本文详细描述了其整体设计方案、检测原理、总体结构等,对自动检测系统所包含的重要组成部分展开深入分析,并且利用有限元分析（Ansys）技术仿真验证测试装置的强度、刚度等机构功能。基于上述设计思路,确定系统软件部分各模块的功能,保证了软件与硬件两部分的稳定连接。（3）通过实验结果表明,基于切削力特征的镨钕合金碳含量软测量检测系统能实现在线准确检测,优于传统化学检测方法,并对比分析机器学习的三种算法模型识别率,其中的SVM算法检测精度最高,最后将软测量模型融入检测实际应用中。
周恒[8]（2021）在《高能耗过程智能操作优化方法研究》文中进行了进一步梳理流程工业高能耗生产过程的操作优化,是其实现节能减排与提质增效的重要技术手段。然而,流程工业的复杂性导致高能耗生产过程操作优化面临诸多困难。例如,大型高炉炼铁高能耗过程中物理化学反应极其复杂,从布料到出铁存在大滞后,检测手段欠缺且工艺指标参数强耦合,这些特征严重制约着关键工艺质量指标建模预测与过程操作优化;在造纸制浆高能耗过程中多级磨浆产生的数据多源多采样率问题,给基于数据驱动的制浆过程实时操作优化带来了挑战;另外,流程工业中存在信息孤岛、管理分散、操作知识难以固化共享等难题,亟需研究构建工业云平台以实现高能耗生产过程操作优化知识的软件组件化与共享复用。针对以上问题,本文分别研究大型高炉炼铁高能耗过程关键工艺质量指标建模预测与过程操作优化方法、数据多源多采样率的造纸制浆高能耗过程操作优化方法,并研究构建工业云平台将这些高能耗过程操作优化方法以微服务的形式进行部署应用,为流程工业高能耗过程操作优化的知识分享探索新模式。具体研究工作和研究成果分为以下几个部分:1)针对高能耗工业过程建模预测难,以大型高炉炼铁过程铁水质量预报为研究对象,提出了基于滑动窗口的模糊神经网络方法。通过互信息方法选择与质量指标关系性最高的操作变量,并构建具有滑动窗口的T-S模糊神经网络用于建模,学习动态生产过程中铁水质量变化的特征。与传统基于机理建模的方法相比,该方法不用考虑高炉内部复杂的物理变化与化学反应,能够有效处理工况多变的炼铁过程铁水质量指标预测问题。2)针对高能耗工业过程操作优化难,以大型高炉炼铁过程多目标优化为研究对象,提出了基于进化算法与深度学习的多目标智能优化控制方法。首先通过门控循环神经网络描述过程变量与工艺指标间的映射关系,建立数据驱动的高炉铁水生产过程黑箱模型。其次在生产工况、质量守恒、操作限制等约束条件下,使用基于遗传算法的多目标优化算法对工艺指标和操作参数进行优化。通过将深度学习所建立的模型作为遗传算法适应度函数,实现高能耗过程建模优化一体化模型的构建。3)针对高能耗过程数据多源问题,以造纸工业多采样率过程作为研究对象,提出了基于智能协同优化框架的能耗优化模型。首先基于多采样率回归模型建立磨浆系统的多采样率模型,通过高采样率变量预测低采样率指标。然后基于所建立的多采样率回归模型,通过自适应种群遗传算法寻找最优的目标函数值以及所对应的输入参数。最终在不影响纸浆质量与产量的情况下,实现磨浆系统中高浓磨浆机能耗的优化。4)针对智能操作优化算法运行部署问题,以流程工业高能耗过程为研究对象,构建了基于工业互联网平台的智能操作优化微服务APP应用。首先在工厂搭建由多台服务器组成的本地云计算集群,其次通过Rancher和Harbor提供云平台服务,然后建立基于容器的流程工业互联网平台,最后将智能操作优化方法打包成容器镜像部署于工业互联网平台上,实现流程工业高能耗过程的智能操作优化。在文章的最后对本文的研究内容和研究结果进行了总结,并对未来高能耗工业过程的智能操作优化研究方向进行了展望。
吴菁[9]（2020）在《污水处理非稳态特性下核建模方法关键问题的研究》文中研究指明坚决打好污染防治攻坚战,是国家的重大决策部署,这意味着污水处理标准的不断提高,处理工艺的不断更新,也意味着对污水厂的在线检测和优化控制提出了更高的要求。但目前许多与质量相关的重要变量无法用硬件传感器在线检测,因此利用现有易测得的过程变量,建立可进行实时估计的软测量模型,预测水质总氮、总氨等重要质量变量并以此来指导污水处理的过程控制及故障预测,可以优化对污水处理过程的管理。然而,污水处理过程是一个典型的非线性、多变量、非稳定、时变系统,模型受到非稳态过程的影响时将导致预测性能急剧退化;其次,过程变量数据采集量小,多个变量间具有自相关、共相关和互相关的特性,当训练样本未能正确选择或者样本不足以预测多个变量的完整信息时,会导致模型预测性能变差,甚至影响模型的泛化性能。这些问题给软测量建模造成很大困难,因此面向污水处理过程的软测量模型受到了国内外学者的广泛关注。本文针对实际污水处理过程中的多种问题,对基于核模型的软测量模型进行深入研究,将多核学习引入相关向量机模型,并将自适应技术引入多输出软测量模型,从而实现在非稳态过程下同时在线监测多个重要难测的质量变量。同时,首次研究多输出多步预测模型在污水处理中的应用。本论文的主要研究内容如下:1.动态多核相关向量机的软测量建模方法研究。针对污水处理中数据量较小且强非线性问题,提出基于多核相关向量机软测量模型。多核相关向量机结合了多种核函数的特性,能够有效应对污水处理过程中存在的复杂性,且相关向量机的高稀疏性和基于概率学习的特点,使得多核相关向量机能够获得优异的预测效果。通过使用粒子群优化算法进行核函数的选择以及权重参数的最优估计,通过选择最优参数,提高软测量模型在动态过程的预测性能,并引入最小绝对收缩和选择算子算法降低所提出模型的数据维数和模型复杂度,从而进一步提高软测量模型的性能。时间差分的引入提高了模型的的动态特性和鲁棒性。最后通过三个案例研究证明所提模型的有效性。2.自适应多输出软测量建模方法研究。针对污水处理过程中存在多个难以测量变量,且具有多变量耦合、强非线性和时变等不同的特性,且易受非稳态过程的影响导致性能退化的问题,提出若干种新型的自适应多输出软测量模型,并将其应用于污水处理中进行对比研究。将3种基本自适应策略与混合自适应策略同3种多输出回归模型相结合,提出24个自适应多输出软测量模型。自适应策略和多输出模型的集成不仅为多输出预测提供了解决方案,而且还具有减轻多输出软测量模型退化的潜力。通过对3个案例研究对比并分析结果,为不同情况下应用何种自适应组合多输出模型提供了重要的参考意见。3.基于变量选择的参数自优化自适应多输出软测量模型在污水处理中的应用研究。针对多输出软测量模型的输入变量选择,以及多输出高斯过程回归模型的参数选择问题,提出基于核典型相关分析的时差-即时多输出高斯过程回归软测量模型来预测污水处理厂中难测的质量相关变量。核典型相关分析使输入和相应目标之间的相关性最大化,简化模型的输入并消除冗余输入,从而保证后续构建能够体现其内部关系的模型。时差和即时学习方法的结合不仅可以削弱不确定性的负面影响,而且可以有效地提高模型的鲁棒性能和预测能力。为了选择多输出高斯过程回归模型的最佳参数,引入了模拟退火萤火虫算法以优化模型的协方差函数,帮助选择相关参数。结果表明,所提模型能够对非稳态污水处理过程的多种难以测量变量进行有效地预测。4.多步多输出预测在污水处理中的应用研究。针对在污水处理过程中设备发生故障,造成数据不准确产生异变,使得采集的非正常数据进入后续监控,引发更大误差的问题,提出在线多输出多步预测模型,将多步预测的直接递归策略与多输出模型相结合,对容易造成故障的多个变量进行多步预测,针对多步预测中误差累积的问题,使用多输出高斯过程回归模型对误差进行预测补偿。结果表明,多输出多步预测模型能对稳态过程进行有效预测。最后对本文的主要工作进行总结,并对面向污水处理过程的进一步研究进行了展望。
谢锐敏[10]（2020）在《基于深度学习的聚酯纤维聚合过程软测量建模研究》文中认为聚酯纤维聚合过程是一个生产设备多样、工作环境各异、化学机理复杂、影响因素繁多、工艺要求精细的复杂流程工业过程,是决定最终纤维性能的首要环节。因此,对该过程的关键质量指标进行实时监测控制极为重要。然而在高度复杂的聚合生产环境下,由于恶劣的测量环境以及昂贵低效的测量仪器等因素,该过程的关键质量指标熔体粘度无法得以及时有效的监测。为此,软测量建模技术得以发展,该技术通过建立复杂过程关键质量指标和易测量过程变量之间的数学模型,从而实现对关键质量指标的预测估计。聚酯纤维聚合过程的三釜工艺及内部的复杂物化反应,使得该过程往往具有高度复杂的非线性特性,与此同时,由于采样率不匀、传感器故障等问题,也会导致标签有限、样本数据缺失等数据特性,以及复杂动态性和多模态性等过程特性。为此,本文以深度学习算法为主要研究方法,开展聚酯纤维聚合过程的软测量建模研究工作,完成的主要研究工作如下:（1）针对聚合过程中温度、压力、流速等过程变量的高采样率与熔体粘度指标的低采样率导致的标签缺失情况,提出了一种基于半监督改进型门控循环单元回归网络的软测量模型。循环神经网络适用于处理过程数据和关键质量指标不同采样率导致的标签缺失问题。首先将有标签样本和无标签样本进行序列化,构建新的序列样本,将门控循环单元和核极限学习机进行结合,设计了一个半监督门控循环单元回归网络的软测量模型。随着序列长度的增加,利用多头自注意力机制解决原始的门控循环单元网络很难获取长时序列中样本之间的相关性关系的问题,更好地提高了模型的预测精度。（2）针对聚合过程中高分子熔体粘弹性导致的复杂非线性动态性,提出了一种基于双流λ门控循环单元网络的软测量模型。门控循环单元网络主要用于动态时序数据的处理,然而该网络内部的状态方程具有线性限制,大大降低了流通数据的丰富性,于是引入双λ因子进行非线性调整,以增强流通数据的丰富性。根据聚合过程中关键质量指标的特性,构建了一个双流架构的λ型门控循环单元软测量框架,两条支流分别处理时域相关性和动态因果相关性数据,将两支流所学特征进行融合,最后用监督学习回归层进行软测量建模预测。该算法可以有效地提取关键质量指标的时域特征以及与过程变量相关的因果关系,用于软测量建模。（3）针对聚合过程传感器故障导致的输入变量缺失的情况,提出了一种基于有监督深度变分自编码网络的软测量模型。变分自编码网络是一种用于特征提取的无监督生成式网络,其强大的重构能力对解决缺失数据补全问题具有良好的功效。基于此,首先构造了两个新型子模型,即有监督深度自编码模型和改进型无监督深度自编码模型,分别用于预测关键质量指标和提取与标签强相关的特征,然后将两个子模型的编码器和解码器相结合构成一种新型的软测量模型。同时,利用变分自编码网络的强重构能力,将该软测量模型拓展到解决聚合过程中输入变量缺失问题。（4）针对熔体直纺式聚合过程的三釜工艺导致的复杂多模态过程特性,提出了一种基于质量驱动型高斯混合变分概率网络的软测量模型。该模型以变分自编码网络为基础算法,首先引入高斯混合分布和可逆的Householder变换,将原始变分自编码的潜变量空间由对角型单高斯分布拓展为非对角型的高斯混合分布,使之更加适用于复杂多模态过程数据的特征提取。然后在模型输入中引入关键质量变量,并利用门限连接方式改进了编码器和解码器的结构,从而设计了一种新型的质量驱动型软测量框架。所建模型不仅可以很好地解决复杂多模态过程关键质量指标的预测估计,而且很大程度上提升了软测量模型的鲁棒性。最后,对全文的研究工作进行了总结,指出了工作中存在的不足,并对有待进一步研究的方向和方法进行了展望。
二、基于多采样率数据的软测量模型（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于多采样率数据的软测量模型（论文提纲范文）
（1）分布式延时工业系统软测量建模与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 软测量技术概述 |
| 1.2.2 软测量建模步骤 |
| 1.2.3 具有延时特征的软测量技术研究现状 |
| 1.3 论文研究的主要内容 |
| 2 工业过程监测数据预处理 |
| 2.1 引言 |
| 2.2 工业过程数据分析 |
| 2.3 工业过程数据空值点处理方法 |
| 2.3.1 简单插补法 |
| 2.3.2 K-近邻插补法 |
| 2.3.3 多元线性回归插补法 |
| 2.4 工业过程数据异常值检测方法 |
| 2.4.1 基于留一交叉验证的异常值检测方法 |
| 2.4.2 案例分析 |
| 2.5 本章小结 |
| 3 一种两阶段辅助变量选择方法 |
| 3.1 引言 |
| 3.2 方法原理介绍 |
| 3.2.1 最大信息系数法 |
| 3.2.2 近似马尔可夫毯方法 |
| 3.2.3 两阶段辅助变量选择方法 |
| 3.3 实验与结果分析 |
| 3.4 本章小结 |
| 4 面向多阶段延时特征的关键变量估计方法 |
| 4.1 引言 |
| 4.2 随机森林回归方法介绍 |
| 4.2.1 CART决策树 |
| 4.2.2 Bagging算法 |
| 4.2.3 随机森林回归模型构建 |
| 4.3 基于随机森林回归的延时参数在线估计 |
| 4.4 面向多阶段延时特征的输出在线估计 |
| 4.5 案例研究与结果分析 |
| 4.6 本章小结 |
| 5 面向延时特征不明确的关键变量估计方法 |
| 5.1 引言 |
| 5.2 基本原理介绍 |
| 5.2.1 时延神经网络介绍 |
| 5.2.2 岭回归方法介绍 |
| 5.2.3 粒子群算法介绍 |
| 5.3 基于局部信息的加权岭回归方法 |
| 5.4 案例研究与结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的研究成果 |
（2）基于多模型集成的软测量建模（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 软测量技术研究现状 |
| 1.2.1 软测量技术概述 |
| 1.2.2 软测量建模基本方法 |
| 1.2.3 工业过程基本特征及分析方法 |
| 1.3 基于多模型集成的软测量建模 |
| 1.3.1 集成学习方法介绍 |
| 1.3.2 基于多模型集成的软测量建模方法 |
| 1.4 论文的主要研究内容 |
| 第二章 基于阶段识别的多模型集成软测量建模 |
| 2.1 引言 |
| 2.2 最小二乘支持向量回归算法 |
| 2.3 高斯混合模型 |
| 2.4 基于阶段识别的集成LSSVR软测量建模方法 |
| 2.4.1 多向主元分析方法 |
| 2.4.2 模型参数优化 |
| 2.4.3 基于阶段识别的多模型集成框架 |
| 2.5 仿真研究 |
| 2.5.1 青霉素发酵过程 |
| 2.5.2 仿真结果 |
| 2.6 本章小结 |
| 第三章 一种在线更新策略下的自适应集成软测量建模 |
| 3.1 引言 |
| 3.2 偏最小二乘算法 |
| 3.3 自适应更新策略 |
| 3.3.1 局部加权标准化 |
| 3.3.2 基于滑动窗的自适应更新策略 |
| 3.4 在线更新策略下的自适应集成PLS软测量建模方法 |
| 3.5 仿真研究 |
| 3.5.1 硫回收过程 |
| 3.5.2 仿真结果 |
| 3.6 本章小结 |
| 第四章 基于分层采样主动学习的多模型集成软测量建模 |
| 4.1 引言 |
| 4.2 高斯过程回归建模方法 |
| 4.3 基于分层采样的主动学习方法 |
| 4.3.1 层次聚类算法 |
| 4.3.2 自适应采样策略 |
| 4.4 基于分层采样主动学习的集成GPR软测量建模方法 |
| 4.5 仿真研究 |
| 4.5.1 主动学习方法验证 |
| 4.5.2 仿真结果 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 前景展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间研究成果 |
（3）基于多模型与即时学习的青霉素发酵过程软测量建模（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 青霉素发酵过程简介 |
| 1.3 软测量技术概述 |
| 1.4 基于数据驱动的发酵过程软测量建模方法 |
| 1.5 论文的主要研究内容 |
| 第二章 基于互信息稀疏自编码的青霉素发酵过程软测量建模 |
| 2.1 引言 |
| 2.2 基于互信息的稀疏自编码器 |
| 2.2.1 自编码器 |
| 2.2.2 互信息稀疏自编码器 |
| 2.3 基于LSSVM的软测量建模 |
| 2.4 仿真实验 |
| 2.5 本章小结 |
| 第三章 基于改进DPC的青霉素发酵过程多模型软测量建模 |
| 3.1 引言 |
| 3.2 DPC算法 |
| 3.3 改进DPC算法 |
| 3.3.1 局部密度的计算 |
| 3.3.2 分配策略的改进 |
| 3.4 基于改进DPC的多模型软测量建模 |
| 3.5 仿真实验 |
| 3.5.1 UCI真实数据集聚类 |
| 3.5.2 人工数据集聚类 |
| 3.5.3 青霉素发酵过程 |
| 3.6 本章小结 |
| 第四章 基于多阶段误差补偿即时学习的青霉素发酵过程软测量建模 |
| 4.1 引言 |
| 4.2 基于即时学习的LSSVM软测量建模 |
| 4.3 基于多阶段误差补偿的JITL-LSSVM软测量建模 |
| 4.3.1 基于滑动窗口的样本集选择 |
| 4.3.2 多阶段误差补偿模型 |
| 4.3.3 基于多阶段误差补偿的JITL-LSSVM |
| 4.4 仿真实验 |
| 4.5 本章小结 |
| 第五章 主要结论与展望 |
| 5.1 主要结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
（4）基于注意力机制和CNN的水泥熟料游离钙含量软测量研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 软测量及其相关技术 |
| 1.2.1 软测量技术原理 |
| 1.2.2 软测量中深度学习的应用 |
| 1.3 国内外研究现状 |
| 1.3.1 水泥熟料f-CaO软测量方法研究现状 |
| 1.3.2 深度学习中注意力机制研究现状 |
| 1.4 本文主要研究内容与章节安排 |
| 第2章 水泥烧成过程分析及软测量方案 |
| 2.1 水泥烧成工艺概述及分析 |
| 2.1.1 新型干法水泥的生产工艺概述 |
| 2.1.2 水泥熟料f-CaO生成机理概述 |
| 2.1.3 水泥烧成过程分析 |
| 2.2 水泥熟料f-CaO软测量建模难点及解决方案 |
| 2.2.1 水泥熟料f-CaO软测量建模难点 |
| 2.2.2 水泥熟料f-CaO软测量建模方案及框架设计 |
| 2.3 变量选择及数据预处理 |
| 2.3.1 辅助变量的选取 |
| 2.3.2 辅助变量数据预处理及实现 |
| 2.4 本章小结 |
| 第3章 基于多变量时间序列分析和CNN的水泥熟料f-CaO软测量模型 |
| 3.1 引言 |
| 3.2 基于MVTS-CNN的水泥熟料f-CaO含量软测量方案设计 |
| 3.3 MVTS-CNN软测量模型的构建 |
| 3.3.1 多变量时间序列分析方法 |
| 3.3.2 多变量时间序列特征提取方式 |
| 3.3.3 MVTS-CNN训练过程 |
| 3.4 MVTS-CNN实验结果及对比分析 |
| 3.4.1 MVTS-CNN参数择优 |
| 3.4.2 MVTS-CNN训练效果及其收敛性 |
| 3.4.3 消融实验及分析 |
| 3.4.4 对比实验及分析 |
| 3.5 本章小结 |
| 第4章 基于单重注意力机制和MVTS-CNN的水泥熟料f-CaO软测量模型 |
| 4.1 引言 |
| 4.2 基于AMTS-CNN的水泥熟料f-CaO软测量方案设计 |
| 4.3 基于时序域注意力机制的AMTS-CNN(SA)软测量模型 |
| 4.3.1 AMTS-CNN(SA)模型的构建 |
| 4.3.2 AMTS-CNN(SA)算法 |
| 4.3.3 AMTS-CNN(SA)训练结果及其收敛性 |
| 4.4 基于通道域注意力机制的AMTS-CNN(CA)软测量模型 |
| 4.4.1 AMTS-CNN(CA)软测量模型的构建 |
| 4.4.2 AMTS-CNN(CA)算法 |
| 4.4.3 AMTS-CNN(CA)训练结果及其收敛性 |
| 4.5 AMTS-CNN实验结果对比及分析 |
| 4.6 本章小结 |
| 第5章 基于双重注意力机制和MVTS-CNN的水泥熟料f-CaO软测量模型 |
| 5.1 引言 |
| 5.2 基于DATS-CNN的水泥熟料f-CaO软测量方案设计 |
| 5.3 基于串行注意力机制的DATS-CNN(S)软测量模型 |
| 5.3.1 DATS-CNN(S)软测量模型的构建 |
| 5.3.2 DATS-CNN(S)算法 |
| 5.3.3 DATS-CNN(S)模型收敛性测试 |
| 5.4 基于并行注意力机制的DATS-CNN(P)软测量模型 |
| 5.4.1 DATS-CNN(P)软测量模型的构建 |
| 5.4.2 DATS-CNN(P)算法 |
| 5.4.3 DATS-CNN(P)模型收敛性测试 |
| 5.5 DATS-CNN实验结果对比及分析 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（5）基于数据驱动的水泥熟料游离氧化钙软测量方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题国内外现状与分析 |
| 1.2.1 熟料fCaO研究现状 |
| 1.2.2 数据驱动软测量研究现状 |
| 1.3 课题研究内容及章节安排 |
| 第2章 水泥熟料烧成工艺及变量选取 |
| 2.1 水泥熟料烧成机理分析 |
| 2.1.1 水泥生产工艺 |
| 2.1.2 水泥熟料烧成机理 |
| 2.2 水泥熟料烧成过程特性分析 |
| 2.2.1 标签样本有限的特性 |
| 2.2.2 熟料烧成过程非线性特性 |
| 2.2.3 熟料烧成过程动态性特性 |
| 2.3 变量选取及数据预处理 |
| 2.3.1 输入变量的选取 |
| 2.3.2 数据预处理 |
| 2.4 本章小结 |
| 第3章 基于MS-BiLSTM熟料fCaO软测量模型研究 |
| 3.1 基于MS-BiLSTM熟料fCaO软测量模型方案设计 |
| 3.2 基于MS-BiLSTM熟料fCaO软测量模型构建 |
| 3.2.1 多尺度时空特征提取 |
| 3.2.2 BiLSTM软测量模型 |
| 3.2.3 MS-BiLSTM熟料fCaO软测量模型 |
| 3.3 MS-BiLSTM模型的实验结果与分析 |
| 3.3.1 小波基函数对网络性能的影响 |
| 3.3.2 分解尺度对网络性能的影响 |
| 3.3.3 熟料fCaO软测量对比实验与分析 |
| 3.4 本章小结 |
| 第4章 基于非负稀疏约束的自编码算法研究 |
| 4.1 基于非负稀疏约束的自编码框架 |
| 4.2 基于非负稀疏约束自编码算法 |
| 4.2.1 稀疏约束自编码 |
| 4.2.2 权重非负加权约束 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 基于MS-DNSAE熟料fCaO软测量模型研究 |
| 5.1 基于MS-DNSAE熟料fCaO软测量模型方案设计 |
| 5.2 基于MS-DNSAE熟料fCaO软测量模型构建 |
| 5.2.1 栈式非负稀疏自编码网络 |
| 5.2.2 MS-DNSAE熟料fCaO软测量模型 |
| 5.3 MS-DNSAE模型的实验结果与分析 |
| 5.3.1 MS-DNSAE参数择优 |
| 5.3.2 实验结果对比与分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（6）基于模态划分和域适应的无监督软测量建模（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 软测量技术研究现状 |
| 1.2.2 多模态过程软测量研究现状 |
| 1.3 本文主要研究内容和结构 |
| 第2章 多模态过程模态划分与域适应 |
| 2.1 引言 |
| 2.2 多模态过程模态划分 |
| 2.2.1 多模态过程的特征 |
| 2.2.2 模态划分 |
| 2.3 域适应相关介绍 |
| 2.3.1 域适应分类 |
| 2.3.2 域适应研究现状 |
| 2.3.3 子空间学习 |
| 2.4 本章小结 |
| 第3章 模态划分与子空间对齐相结合的无监督软测量建模方法 |
| 3.1 引言 |
| 3.2 基于相对熵的离线模态划分方法 |
| 3.2.1 相对熵 |
| 3.2.2 层次聚类分析 |
| 3.2.3 模态初步划分 |
| 3.2.4 模态准确划分 |
| 3.3 邻域保持子空间对齐软测量建模 |
| 3.3.1 模态匹配 |
| 3.3.2 邻域保持嵌入 |
| 3.3.3 子空间对齐多工况软测量建模 |
| 3.4 实验结果及分析 |
| 3.4.1 田纳西伊斯曼过程介绍 |
| 3.4.2 TE仿真实验设置 |
| 3.4.3 TE过程准确划分 |
| 3.4.4 TE多工况软测量建模 |
| 3.5 本章小结 |
| 第4章 基于最优模态划分数的多模态过程离线模态划分方法 |
| 4.1 引言 |
| 4.2 基于最优模态划分数的模态划分方法 |
| 4.2.1 模态初步划分 |
| 4.2.2 模态准确划分 |
| 4.3 数值仿真研究 |
| 4.3.1 仿真实验一 |
| 4.3.2 仿真实验二 |
| 4.4 TE过程仿真实验 |
| 4.4.1 TE模态识别结果 |
| 4.4.2 多模型软测量实验 |
| 4.5 本章小结 |
| 第5章 基于线性局部切空间排列的测地线流式核无监督软测量建模 |
| 5.1 引言 |
| 5.2 相关理论 |
| 5.2.1 基于线性局部切空间排列的公共信息提取 |
| 5.2.2 测地线流式核算法 |
| 5.3 基于线性局部切空间排列的测地线流式核无监督软测量建模 |
| 5.4 TE过程实验与分析 |
| 5.5 湿式球磨机实验验证 |
| 5.5.1 球磨机实验数据 |
| 5.5.2 球磨机实验验证 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（7）基于切削力特征的镨钕合金碳含量软测量系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 镨钕合金冶炼工艺研究现状 |
| 1.2.2 金属碳含量测定方法研究现状 |
| 1.2.3 软测量建模方法研究现状 |
| 1.3 本文研究内容 |
| 第二章 基于切削力特征的镨钕合金碳含量软测量研究 |
| 2.1 镨钕合金碳含量检测的软测量思路 |
| 2.2 镨钕合金碳含量软测量模型 |
| 2.2.1 辅助变量选取 |
| 2.2.2 辅助变量预处理 |
| 2.2.3 碳含量软测量模型建立 |
| 2.3 基于机器学习的碳含量软测量算法优化 |
| 2.3.1 基于SVM的碳含量软测量算法优化 |
| 2.3.2 基于决策树的碳含量软测量算法优化 |
| 2.3.3 基于RNN的碳含量软测量算法优化 |
| 2.4 本章小结 |
| 第三章 镨钕合金碳含量自动检测系统总体方案 |
| 3.1 检测方法性能评价指标 |
| 3.2 总体设计方案 |
| 3.3 系统硬件 |
| 3.4 系统软件 |
| 3.5 本章小结 |
| 第四章 镨钕合金碳含量自动检测系统硬件 |
| 4.1 硬件结构分析 |
| 4.1.1 进给装置 |
| 4.1.2 传动装置 |
| 4.1.3 分拣装置 |
| 4.1.4 数据采集装置 |
| 4.2 整体结构模态分析 |
| 4.3 本章小结 |
| 第五章 镨钕合金碳含量自动检测系统软件 |
| 5.1 开发环境简介 |
| 5.2 软件模块设计 |
| 5.2.1 登录模块 |
| 5.2.2 电机运动控制模块 |
| 5.2.3 数据采集模块 |
| 5.2.4 数据保存模块 |
| 5.3 环境噪声分析及滤波处理 |
| 5.4 人机交互界面设计 |
| 5.5 本章小结 |
| 第六章 镨钕合金碳含量软测量实验 |
| 6.1 碳含量模型验证与分析 |
| 6.1.1 误差实验 |
| 6.1.2 分级实验 |
| 6.1.3 切削力变化规律实验 |
| 6.2 基于机器学习的切削力特征分类优化研究 |
| 6.2.1 切削力特征分析与提取 |
| 6.2.2 特征分类结果 |
| 6.3 检测方法性能对比 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 本文总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（8）高能耗过程智能操作优化方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩写术语表 |
| 1 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 流程工业典型高能耗过程分析 |
| 1.2.1 高炉炼铁过程分析 |
| 1.2.2 造纸制浆过程分析 |
| 1.3 流程工业高能耗过程建模研究现状 |
| 1.3.1 高炉炼铁过程建模研究现状 |
| 1.3.2 造纸制浆过程建模研究现状 |
| 1.4 流程工业高能耗过程操作优化研究现状 |
| 1.5 本文研究内容与创新点 |
| 1.5.1 本文主要研究内容 |
| 1.5.2 各个章节创新点 |
| 1.6 本章小结 |
| 2 基于模糊神经网络的高炉铁水质量建模与预测 |
| 2.1 引言 |
| 2.2 互信息法特征选择 |
| 2.2.1 特征选择 |
| 2.2.2 熵增定义 |
| 2.2.3 互信息法 |
| 2.3 滑动窗口模型 |
| 2.4 模糊神经网络 |
| 2.5 实例研究 |
| 2.6 本章小结 |
| 3 基于混合模型的大型高炉操作优化 |
| 3.1 引言 |
| 3.2 协同混合优化模型 |
| 3.3 处置门门控循环神经网络 |
| 3.3.1 简单循环神经网络 |
| 3.3.2 门控循环神经网络 |
| 3.3.3 改进门控循环神经网络 |
| 3.4 自适应种群遗传算法 |
| 3.5 实例研究 |
| 3.5.1 dGRU-RNN硅含量测试 |
| 3.5.2 SAPGA数值仿真测试 |
| 3.5.3 混合模型数值仿真测试 |
| 3.5.4 焦比能耗单目标优化 |
| 3.5.5 高炉炼铁多目标优化 |
| 3.6 本章小结 |
| 4 基于多采样率回归的造纸制浆能耗优化 |
| 4.1 引言 |
| 4.2 协同混合优化模型 |
| 4.3 实例研究 |
| 4.3.1 F-MIDAS数值仿真 |
| 4.3.2 F-MIDAS焦比测试 |
| 4.3.3 SAPGA数值仿真 |
| 4.3.4 混合模型工业实际测试 |
| 4.3.5 混合模型工业应用验证 |
| 4.4 本章小结 |
| 5 基于工业互联网平台的智能操作优化应用 |
| 5.1 引言 |
| 5.2 工业互联网平台体系架构 |
| 5.3 工业互联网平台解决方案 |
| 5.3.1 工业互联网平台技术路线 |
| 5.3.2 工业互联网平台开发过程 |
| 5.3.3 工业互联网平台应用实例 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 论文已有研究内容总结 |
| 6.2 论文未来研究方向展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| Acknowledgement |
| 博士期间学术成果及科研奖励 |
（9）污水处理非稳态特性下核建模方法关键问题的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩写词表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 污水处理工艺简介 |
| 1.2.1 污水处理稳态过程特性 |
| 1.2.2 污水处理过程数据异常特性 |
| 1.3 面向污水处理的软测量建模方法综述 |
| 1.3.1 辅助变量选择 |
| 1.3.2 污水处理过程的数据预处理 |
| 1.3.3 基于核方法的软测量模型应用现状 |
| 1.3.4 软测量模型的维护 |
| 1.4 本文所使用的主要数据简介 |
| 1.4.1 Benchmark Simulation Model1 (BSM1) |
| 1.4.2 Benchmark Simulation Model No.2(BSM2) |
| 1.4.3 UCI污水数据 |
| 1.4.4 北京某污水厂 |
| 1.5 本论文主要研究工作及结构 |
| 第二章 面向污水动态多核相关向量机的软测量建模方法研究 |
| 2.1 引言 |
| 2.2 基础理论简介 |
| 2.2.1 相关向量机模型 |
| 2.2.2 最小绝对收缩和选择算子(Lasso) |
| 2.2.3 时差模型(Time difference) |
| 2.3 基于Lasso的动态多核相关向量机模型建模过程 |
| 2.3.1 多核学习 |
| 2.3.2 基于Lasso的 TD-MRVM的建模过程 |
| 2.4 案例分析 |
| 2.4.1 BSM1基准仿真平台 |
| 2.4.2 模型的鲁棒性分析 |
| 2.4.3 北京某污水厂案例 |
| 2.4.4 讨论分析 |
| 2.5 本章小结 |
| 第三章 面向污水自适应多输出软测量建模对比研究 |
| 3.1 引言 |
| 3.2 相关理论 |
| 3.2.1 相关自适应理论 |
| 3.2.2 多输出最小二乘模型 |
| 3.2.3 多输出相关向量机模型 |
| 3.2.4 多输出高斯过程模型 |
| 3.3 多输出自适应模型研究框架 |
| 3.3.1 研究框架介绍 |
| 3.3.2 自适应方法组合介绍 |
| 3.4 案例分析 |
| 3.4.1 BSM1暴雨案例 |
| 3.4.2 BSM2污泥膨胀案例 |
| 3.4.3 北京某污水厂案例 |
| 3.5 对比和讨论 |
| 3.6 本章小结 |
| 第四章 基于变量选择的参数自优化自适应多输出软测量模型在污水处理中的应用研究 |
| 4.1 引言 |
| 4.2 基础理论 |
| 4.2.1 重要变量投影(VIP) |
| 4.2.2 主成分分析(PCA) |
| 4.2.3 典型相关分析(CCA) |
| 4.3 参数自优化的自适应多输出软测量模型 |
| 4.3.1 核典型相关分析 |
| 4.3.2 改进的萤火虫优化算法 |
| 4.3.3 参数自优化的自适应多输出软测量模型 |
| 4.4 案例研究 |
| 4.4.1 UCI案例 |
| 4.4.2 北京某污水厂案例 |
| 4.5 本章小结 |
| 第五章 多步多输出预测在污水处理中的应用研究 |
| 5.1 引言 |
| 5.2 相关理论 |
| 5.2.1 迭代多步策略(Iterated Multi-Step Strategy) |
| 5.2.2 直接多步策略(Direct Multi-Step Strategy) |
| 5.2.3 直接-迭代多步策略(Direct-iterated Multi-Step Strategy) |
| 5.3 多步双重多输出预测高斯过程回归模型的研究 |
| 5.4 案例分析 |
| 5.4.1 BSM1案例研究 |
| 5.4.2 北京某污水厂案例 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）基于深度学习的聚酯纤维聚合过程软测量建模研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 聚酯纤维聚合过程发展现状 |
| 1.2.1 聚合过程反应机理及生产工艺 |
| 1.2.2 聚合过程国内外研究现状 |
| 1.3 软测量建模基本知识 |
| 1.3.1 软测量建模的基本步骤 |
| 1.3.2 软测量建模的基本方法 |
| 1.3.3 软测量建模的对象特征 |
| 1.4 聚合过程软测量建模研究现状 |
| 1.4.1 基于机理模型的聚合过程软测量 |
| 1.4.2 基于数据驱动的聚合过程软测量 |
| 1.5 论文的研究内容和创新点 |
| 1.5.1 本文的主要研究内容 |
| 1.5.2 本文的主要创新点 |
| 第二章 基于半监督改进型门控循环单元回归网络的聚合过程软测量建模 |
| 2.1 引言 |
| 2.2 预备知识 |
| 2.2.1 标签有限问题描述 |
| 2.2.2 循环神经网络 |
| 2.2.3 门控循环单元 |
| 2.2.4 注意力机制 |
| 2.3 半监督改进型门控循环单元回归网络软测量模型 |
| 2.3.1 半监督门控循环单元回归网络 |
| 2.3.2 半监督改进型门控循环单元回归网络 |
| 2.3.3 基于半监督改进型门控循环单元回归网络的软测量建模 |
| 2.4 实验的设计 |
| 2.4.1 数据选取与预处理 |
| 2.4.2 实验设置 |
| 2.5 实验结果与分析 |
| 2.5.1 有效性对比实验 |
| 2.5.2 优越性对比实验 |
| 2.6 小结 |
| 第三章 基于双流型门控循环单元网络的聚合过程软测量建模 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.2.1 长短时记忆网络 |
| 3.2.2 p-范数门控循环单元 |
| 3.3 双流λ型门控循环单元软测量模型 |
| 3.3.1 λ型门控循环单元 |
| 3.3.2 双流λ型门控循环单元模型架构 |
| 3.3.3 基于双流λ型门控循环单元网络的软测量建模 |
| 3.4 实验设计 |
| 3.4.1 数据选取与预处理 |
| 3.4.2 实验设置 |
| 3.5 实验结果与分析 |
| 3.5.1 有效性对比实验 |
| 3.5.2 优越性对比实验 |
| 3.6 小结 |
| 第四章 基于有监督深度变分自编码网络的聚合过程软测量建模 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.2.1 自编码网络 |
| 4.2.2 变分自编码网络 |
| 4.3 有监督深度变分自编码软测量模型 |
| 4.3.1 有监督深度变分自编码子模型 |
| 4.3.2 改进型无监督深度变分自编码子模型 |
| 4.3.3 基于深度变分自编码模型的软测量建模 |
| 4.3.4 解决过程数据缺失问题的新型软测量建模 |
| 4.4 实验设计 |
| 4.4.1 数据选取与预处理 |
| 4.4.2 实验设置 |
| 4.5 实验结果与分析 |
| 4.5.1 有效性对比实验 |
| 4.5.2 缺失数据对比实验 |
| 4.6 小结 |
| 第五章 基于质量驱动型高斯混合变分概率网络的聚合过程软测量建模 |
| 5.1 引言 |
| 5.2 预备知识 |
| 5.2.1 高斯混合模型 |
| 5.2.2 Householder变换 |
| 5.2.3 门机制连接 |
| 5.3 质量驱动型高斯混合变分概率网络软测量模型 |
| 5.3.1 对角型高斯混合变分概率网络 |
| 5.3.2 非对角型高斯混合变分概率网络 |
| 5.3.3 质量驱动型高斯混合变分概率网络 |
| 5.3.4 基于质量驱动型高斯混合变分概率网络的软测量建模 |
| 5.4 实验设计 |
| 5.4.1 数据选取与预处理 |
| 5.4.2 实验设置 |
| 5.5 实验结果与分析 |
| 5.5.1 有效性对比实验 |
| 5.5.2 优越性对比实验 |
| 5.6 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 附录 A 攻读博士学位期间取得的成果 |
| 附录 B 攻读博士学位期间参与的项目 |
| 附录 C 攻读博士学位期间获得的奖励和荣誉 |
四、基于多采样率数据的软测量模型（论文参考文献）
- [1]分布式延时工业系统软测量建模与应用[D]. 陈庞. 西安理工大学, 2021(01)
- [2]基于多模型集成的软测量建模[D]. 盛晓晨. 江南大学, 2021(01)
- [3]基于多模型与即时学习的青霉素发酵过程软测量建模[D]. 刘聪. 江南大学, 2021(01)
- [4]基于注意力机制和CNN的水泥熟料游离钙含量软测量研究[D]. 丁伯川. 燕山大学, 2021
- [5]基于数据驱动的水泥熟料游离氧化钙软测量方法研究[D]. 张玉玲. 燕山大学, 2021
- [6]基于模态划分和域适应的无监督软测量建模[D]. 贾文凯. 太原理工大学, 2021(01)
- [7]基于切削力特征的镨钕合金碳含量软测量系统研究[D]. 曾波华. 江西理工大学, 2021(01)
- [8]高能耗过程智能操作优化方法研究[D]. 周恒. 浙江大学, 2021(01)
- [9]污水处理非稳态特性下核建模方法关键问题的研究[D]. 吴菁. 华南理工大学, 2020(01)
- [10]基于深度学习的聚酯纤维聚合过程软测量建模研究[D]. 谢锐敏. 东华大学, 2020(01)