CN104459089B - 一种高浓磨浆***游离度的软测量方法 - Google Patents
一种高浓磨浆***游离度的软测量方法 Download PDFInfo
- Publication number
- CN104459089B CN104459089B CN201410768527.9A CN201410768527A CN104459089B CN 104459089 B CN104459089 B CN 104459089B CN 201410768527 A CN201410768527 A CN 201410768527A CN 104459089 B CN104459089 B CN 104459089B
- Authority
- CN
- China
- Prior art keywords
- alpha
- soft measurement
- freeness
- sigma
- svr
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007670 refining Methods 0.000 title claims abstract description 39
- 238000000691 measurement method Methods 0.000 title claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 102
- 239000002245 particle Substances 0.000 claims abstract description 52
- 238000004537 pulping Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 11
- 230000001133 acceleration Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 38
- 230000005540 biological transmission Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000010790 dilution Methods 0.000 claims description 8
- 239000012895 dilution Substances 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 239000000243 solution Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 2
- 230000035939 shock Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 11
- 238000005265 energy consumption Methods 0.000 description 10
- 229920001131 Pulp (paper) Polymers 0.000 description 6
- 239000000835 fiber Substances 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 235000000621 Bidens tripartita Nutrition 0.000 description 1
- 240000004082 Bidens tripartita Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000006637 fused teeth Diseases 0.000 description 1
- 238000013525 hypothesis research Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000004076 pulp bleaching Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
一种高浓磨浆***游离度的软测量方法涉及化学机械制浆生产过程高浓磨浆***游离度的测量技术领域,具体地说是涉及一种基于粒子群算法优化ε-支持向量回归机(PSO-ε-SVR)的高浓磨浆***游离度的软测量方法。本发明提供一种高浓磨浆***游离度的软测量方法,该方法能够实现对高浓磨浆机出浆游离度的实时测量,提高人工测量的效率和精度,为工业实时控制和实现节能降耗提供技术支持。本发明方法由硬件平台及测量软件组成,其中硬件平台核心包括高浓磨浆***三盘磨浆机、压力传感器、震动传感器、加速度传感器、流量传感器、分料螺旋等。
Description
技术领域
本发明涉及化学机械制浆生产过程高浓磨浆***游离度的测量技术领域,具体地说是涉及一种基于粒子群算法优化ε-支持向量回归机(PSO-ε-SVR)的高浓磨浆***游离度的软测量方法。
背景技术
造纸过程由制浆和造纸两大环节串联而成。制浆环节的主要功能是从植物纤维原材料生产出具有特定形态的纤维,而造纸环节的功能主要是以特定形态的纤维为原料生产出各种纸制产品。制浆造纸工业在我国是重点能耗行业之一,生产过程中消耗大量热能、电能和水能。特别是制浆过程的能耗及其所产生的纸浆的质量直接关系到后续造纸环节的能耗及产品质量。
按现有工艺,制浆分为机械浆、化学浆和化学机械浆三大类。其中,化学机械浆生产过程主要包括:木片预处理,高浓磨浆,粗浆漂白,粗浆洗涤,低浓磨浆,渣浆磨浆,纤维回收,浆料浓缩脱水等过程。高浓磨浆作为化学机械浆生产的关键步骤,其用电量占到整个工厂用电的35%以上,决定着纸浆质量和生产能耗。
然而,高浓磨浆过程具有多变量、强耦合和非线性的特征,使得高浓磨浆过程的机理分析、建模存在很大困难。目前,研究的假设性强,得到的高浓磨浆模型缺乏通用性。此外,研究主要集中在低浓磨浆过程、单盘磨浆机和磨盘改进上,对于高浓磨浆***三盘磨浆机的建模和分析还没有公开报道。
纤维网滤水性(游离度)是检测纸浆通过铜网的滤水程度快慢的一个指标。作为评价纸浆质量的关键指标之一,该指标不仅关系着最终纸张的质量(透光性,吸水性等),同时与整个生产过程的能耗密切相关。为此,使用游离度来评价纤维质量十分合理。
公开资料表明,目前还没有传感器对于高浓磨浆***游离度直接进行测量,主要依靠离线间歇人工测量。该测量方法存在着较大的时滞性和误差,进而无法实时对制浆生产进行控制,阻碍实现节能降耗和纸浆质量控制。为此,提出一种基于粒子群算法优化ε-支持向量机(PSO-ε-SVR)的高浓磨浆***游离度软测量的技术。本发明可通过常规在线测量方法提供的模型输入数据,给出输入数据对应的在线估计值,为制浆生产过程的优化操作和优化运行提供关键质量指标,进而实现质量控制和节能降耗。
发明内容
为了克服高浓磨浆过程中游离度无法直接测量,离线人工测量时效性差、精度低等缺点,本发明提供一种高浓磨浆***游离度的软测量方法,该方法能够实现对高浓磨浆机出浆游离度的实时测量,提高人工测量的效率和精度,为工业实时控制和实现节能降耗提供技术支持。
本发明方法由硬件平台及测量软件组成,其中硬件平台核心包括高浓磨浆***三盘磨浆机、压力传感器、震动传感器、加速度传感器、流量传感器、分料螺旋等。
一种最优参数的支持向量回归机高浓磨浆***游离度软测量包括以下步骤:(1)辅助变量选择和模型输入变量确定,(2)PSO-ε-SVR软测量模型的训练和软测量实现。
(1)辅助变量选择和模型输入变量确定
需要软测量的高浓磨浆***纸浆关键参数为游离度(ml)。根据生产工艺及机理以及可测可观和变量间相关性分析(因子分析、协方差分析),选择i个软测量辅助变量(i=9),包括:
设定产量u1(adt/d);
磨浆机功率u2(Mw);
传动侧稀释水量u3(l/min);
非传动侧稀释水量u4(l/min);
非传动侧震动加速度u5(%);
非传动侧震动u6(mm/s);
非传动侧磨盘间隙u7(mm);
传动侧磨盘压力u8(bar);
非传动侧磨盘压力u9(bar)。
确定上述9个软测量辅助变量为软测量模型的输入变量,游离度(ml)为软测量模型的输出变量。
(2)PSO-ε-SVR软测量模型的训练和软测量实现
(A)开始:变量初始化;
(B)选择进行软测量模型训练,转至(C),读取软测量训练样本;选择高浓磨浆***游离度软测量,转至(K),读取软测量模型最优参数(惩罚因子C和核函数参数δ);
(C)读取软测量训练样本:从数据库导入或输入训练集其中,软测量模型输入:xi∈Rn,i=1,2,…,l,软测量模型输出:l为训练集样本数量;
(D)数据预处理:
采用尖峰滤波算法将高浓磨浆***的尖峰异常数据进行剔除;由于选取的9个辅助变量存在着量纲差,对每个变量分别进行中心标准化处理,即每类样本数据减去对应样本的平均值,然后除以其样本方差,即:
计算均值:
计算方差:
标准化:
其中,xij为第i类变量的第j个训练样本,l为训练样本数,为第i类变量的均值,为中心标准化后的训练样本,表示第i类变量的方差,表示第i类变量的标准差;
(E)确定ε-SVR软测量模型的初始化参数,包括:惩罚因子C和误差容限值ε,核函数的类型及其核函数参数δ。惩罚因子C取20,误差容限值ε取0.01,核函数取高斯径向基函数K(x,x')=exp(-||x-x'||2/δ2),其中核函数参数δ=1;
(F)确定ε-SVR待优化参数惩罚因子C的搜索范围为[0,100],核函数参数δ的搜索范围为[0,50],粒子群个体的数目40,粒子的最大迭代寻优次数600,粒子的惩罚因子C迭代速度的最大值为25,粒子的核函数参数δ迭代速度的最大值为25,粒子的初始位置、初始速度、个体极值以及全局极值随机生成;
(G)ε-SVR模型训练:
ε-SVR计算高浓磨浆***游离度的回归超平面方程y=(ω·x)+b,其中ω为其法方向,b为其截距。
设模型样本的第i个目标输出为yi,则ε-SVR将拟合问题等价转化为如下所述的二次规划问题:
其中,C为惩罚因子,ε为误差容限值,ξi和(简记为)为松弛变量。
求解式(4)中二次规划问题的解后,得到回归超平面方程:
y=(ω·x)+b(5)
将Lagrange函数引入上述问题,导出其对偶问题:
解得Lagrange乘子向量
计算b:选择位于开区间(0,C)中的α(*)的分量αj或若选到的是αj,则有:
若选择的是则有:
构造回归方程:
其中,y为训练样本输出。(xi·xk)是核函数,这里取高斯径向基函数K(x,x')=exp(-||x-x'||2/δ2),是对应的拉格朗日乘子的各个分量。
(H)计算适应度:
设定优化的目标函数,并计算适应度,对每组惩罚因子C和核函数参数δ的效果进行评价,通过相应的误差函数计算适应度。对于误差大的粒子,认为其适应度小,粒子的适应度fp表示为:
fp=1/(ep+1)(10)
其中,ep是回归方程的误差函数,即:
其中,是回归方程的预测输出,yi是回归方程的目标输出;
更新每个粒子的速度和位置
其中,表示待更新粒子的速度,表示待更新粒子的位置,pid表示待更新粒子的个体最优值,pgd表示整个粒子群的全局最优值。w为惯性权重,c1、c2为加速度常数,rand1和rand2为[0,1]范围内的随机数;
对粒子p,如果更新后的适应度值大于原个体的最优值,则更新粒子的个体最优值pid,即:
pid=fp(13)
如果粒子p的个体最优值pid大于原来粒子群的全局最优值pgd,则更新原来的全局最优值pgd:
pgd=pid(14)
作为一种优选方案:本发明还包括以下步骤:
(I)建模效果评价:
判定建模效果是否满足要求。若满足,结束寻优,得到惩罚因子C和核函数参数δ的最优值,进入步骤(J),保存ε-SVR惩罚因子C和核函数参数δ的最优参数;否则返回步骤(F),继续迭代寻优,直到达到最大寻优代数,结束寻优;
(J)保存ε-SVR惩罚因子C和核函数参数δ的最优参数;
(K)读取ε-SVR惩罚因子C和核函数参数δ的最优参数;
(L)读取软测量模型的输入数据;
(M)将输入变量数据中心标准化处理后,使用ε-SVR惩罚因子C和核函数参数δ的最优参数进行高浓磨浆***游离度在线软测量;
(N)游离度软测量结果显示:在软测量***人机界面上显示游离度软测量的结果;
(O)游离度软测量结果保存:将本次软测量的输入输出数据保存到相应的数据库,供查询、修正使用;
(P)判断软测量是否结束,结束转至步骤(Q),否则转至步骤(L)继续进行游离度软测量;
(Q)结束:完成游离度软测量。
作为另一种优选方案:本发明还包括以下步骤:
定期将游离度离线间歇式数据输入到训练集中,更新游离度ε-支持向量回归机软测量模型。
本发明的一种高浓磨浆***的游离度软测量方法具有以下技术效果:
本发明针对目前高浓磨浆过程中无法直接测量游离度的现状,在没有设备测量游离度的前提下,选取对高浓磨浆***游离度有直接影响的9个操作变量和检测变量作为软测量模型的输入数据,实现对高浓磨浆***游离度的软测量,其测量精度高,为实现整个造纸过程的节能降耗提供理论依据和模型支持。
附图说明:
图1是本发明选择的研究对象:高浓磨浆***三盘磨浆机的结构及13个主要操作变量和检测变量
图2是本发明的一种基于粒子群优化ε-支持向量回归机(PSO-ε-SVR)的高浓磨浆***游离度软测量算法的流程图
图3是本发明选择的高浓磨浆***制浆生产过程
高浓磨浆过程中,经预处理后的木片经过传动侧分料螺旋和非传动侧分料螺旋,传动侧负载感应螺旋和非传动侧负载感应螺旋进入高浓磨浆机,经过高浓磨机磨浆后的浆料进入旋风分离器从而实现气浆分离,便形成了粗浆。
图4是本发明寻得最优参数对游离度进行软测量的效果图
具体实施方式
如图1所示,高浓磨浆***三盘磨浆机由中间一个具有双齿面结构的定盘与两侧两个定盘构成双磨室结构。三盘磨浆机在高转速时运行平稳,不会出现动盘偏斜等问题,在不提高转速及增大磨盘直径的情况下,磨盘面积增加一倍,具有提高产量、改进磨浆质量、方便热能回收等优点。
本发明提供一种高浓磨浆***三盘磨浆机游离度的软测量方法。该方法能够实现对高浓磨浆机出浆游离度的实时测量,提高人工测量的效率和精度,为工业实时控制和实现节能降耗提供技术支持。
参照图1、图2,一种基于粒子群算法优化ε-支持向量回归机(PSO-ε-SVR)的高浓磨浆***游离度软测量的方法,其特征在于有常规测量***、数据采集器、PSO-ε-SVR软测量软件以及运行软测量软件的计算机***构成。流量计、压力机、震动计、加速度计等常规测量仪表安装于高浓磨浆***的各个相应位置。数据采集器连接常规测量***,并通过通信总线连接运行软测量软件的计算机***。常规测量***主要包括如下常规测量仪表:
二个流量计(春辉LWJY-LWGY),分别用于在线测量高浓磨浆***传动侧稀释水量,非传动侧稀释水量;
一个振动加速度传感器(YMK151A100),用于在线测量高浓磨浆***非传动侧的震动;
一个加速度计(PCBSA51SC),用于在线测量高浓磨浆***非传动侧震动加速度的大小;
一个电涡流位移传感器(航振HZ891XL),用于在线测量高浓磨浆***非传动侧定盘与动盘之间的间隙;
二个压力计(GP50211),用于在线测量高浓磨浆***传动侧磨盘压力和非传动侧磨盘压力。
此外,常规测量***还包括如下两个测量仪:
一个高浓磨浆***设定产量测量仪:通过传动侧分料螺旋和非传动侧分料螺旋转速设定来设定高浓磨浆***产量;
一个高浓磨浆***磨浆机功率测量仪:通过各子***能耗计量得到高浓磨浆***磨浆机功率。
本发明实现方法包括:(1)辅助变量选择和模型输入变量确定;(2)PSO-ε-SVR软测量模型的训练和软测量实现。
(1)辅助变量选择和模型输入变量确定
需要软测量的高浓磨浆***纸浆关键参数为游离度(ml)。根据生产工艺及机理以及可测可观和变量间相关性分析(因子分析、协方差分析),选择i个(i=9)软测量辅助变量包括:
设定产量u1(adt/d);
磨浆机功率u2(Mw);
传动侧稀释水量u3(l/min);
非传动侧稀释水量u4(l/min);
非传动侧震动加速度u5(%);
非传动侧震动u6(mm/s);
非传动侧磨盘间隙u7(mm);
传动侧磨盘压力u8(bar);
非传动侧磨盘压力u9(bar)。
确定上述9个软测量辅助变量为为软测量模型的输入变量,游离度(ml)作为软测量模型的输出变量。
(2)PSO-ε-SVR软测量模型的训练和软测量实现
(A)开始:变量初始化;
(B)选择进行软测量模型训练,转至(C),读取软测量训练样本;选择高浓磨浆***游离度软测量,转至(K),读取软测量模型最优参数(惩罚因子C和核函数参数δ);
(C)读取软测量训练样本:从数据库导入或输入训练集其中,软测量模型输入:xi∈Rn,i=1,2,…,l,软测量模型输出:l为训练集样本数量;
(D)数据预处理:
采用尖峰滤波算法将高浓磨浆***的尖峰异常数据进行剔除;由于选取的9个辅助变量存在着量纲差,对每个变量分别进行中心标准化处理,即每类样本数据减去对应样本的平均值,然后除以其样本方差,即:
计算均值:
计算方差:
标准化:
其中,xij为第i类变量的第j个训练样本,l为训练样本数,为第i类变量的均值,为中心标准化后的训练样本,表示第i类变量的方差,表示第i类变量的标准差;
(E)确定ε-SVR软测量模型的初始化参数,包括:惩罚因子C和误差容限值ε,核函数的类型及其核函数参数δ。惩罚因子C取20,误差容限值ε取0.01,核函数取高斯径向基函数K(x,x')=exp(-||x-x'||2/δ2),其中核函数参数δ=1;
(F)确定ε-SVR待优化参数惩罚因子C的搜索范围为[0,100],核函数参数δ的搜索范围为[0,50],粒子群个体的数目40,粒子的最大迭代寻优次数600,粒子的惩罚因子C迭代速度的最大值为25,粒子的核函数参数δ迭代速度的最大值为25,粒子的初始位置、初始速度、个体极值以及全局极值随机生成;
(G)ε-SVR模型训练:
ε-SVR计算高浓磨浆***游离度的回归超平面方程y=(ω·x)+b,其中ω为其法方向,b为其截距。
设模型样本的第i个目标输出为yi,则ε-SVR将拟合问题等价转化为如下所述的二次规划问题:
其中,C为惩罚因子,ε为误差容限值,ξi和(简记为)为松弛变量。
求解上述二次规划问题的解后,得到回归方程:
y=(ω·x)+b(19)
将Lagrange函数引入上述问题,导出其对偶问题:
解得Lagrange乘子向量
计算b:选择位于开区间(0,C)中的α(*)的分量αj或若选到的是αj,则有:
若选择的是则有:
构造回归方程:
其中,y为训练样本输出。(xi·xk)是核函数,这里取高斯径向基函数K(x,x')=exp(-||x-x'||2/δ2),是对应的拉格朗日乘子的各个分量。
(H)计算适应度:
设定优化的目标函数,并计算适应度,对每组惩罚因子C和核函数参数δ的效果进行评价,通过相应的误差函数计算适应度。对于误差大的粒子,认为其适应度小,粒子的适应度fp表示为:
fp=1/(ep+1)(24)
其中,ep是回归方程的误差函数,即:
其中,是回归方程的预测输出,yi是回归方程的目标输出;
更新每个粒子的速度和位置
其中,表示待更新粒子的速度,表示待更新粒子的位置,pid表示待更新粒子的个体最优值,pgd表示整个粒子群的全局最优值。w为惯性权重,c1为加速度常数,rand1和rand2为[0,1]范围内的随机数;
对粒子p,如果更新后的适应度值大于原个体的最优值,则更新粒子的个体最优值pid,即:
pid=fp(27)
如果粒子p的个体最优值pid大于原来粒子群的全局最优值pgd,则更新原来的全局最优值pgd:
pgd=pid(28)
(I)建模效果评价:
判定建模效果是否满足要求。若满足,结束寻优,得到惩罚因子C和核函数参数δ的最优值,进入步骤(J),保存ε-SVR惩罚因子C和核函数参数δ的最优参数;否则返回步骤(F),继续迭代寻优,直到达到最大寻优代数,结束寻优;
(J)保存ε-SVR惩罚因子C和核函数参数δ的最优参数;
(K)读取ε-SVR惩罚因子C和核函数参数δ的最优参数;
(L)读取软测量模型的输入数据;
(M)将输入变量数据中心标准化处理后,使用ε-SVR惩罚因子C和核函数参数δ的最优参数进行高浓磨浆***游离度在线软测量;
(N)游离度软测量结果显示:在软测量***人机界面上显示游离度软测量的结果;
(O)游离度软测量结果保存:将本次软测量的输入输出数据保存到相应的数据库,供查询、修正使用;
(P)判断软测量是否结束,结束转至步骤(Q),否则转至步骤(L)继续进行游离度软测量;
(Q)结束:完成游离度软测量。
作为优选的一种方案:所述软测量方法还包括以下步骤:
定期将游离度离线间歇式数据输入到训练集中,更新游离度ε-支持向量回归机软测量模型。
图4为一段时间内,高浓磨浆***游离度软测量的效果,可以看出游离度的预测值与其实际值基本一致,误差比较小,且变化趋势基本一致。此外,本发明方法速度快、精度高、泛化能力强且有严格的数学解释,相比于其他方法有较高的优越性。因此本发明是一种具有很高实用价值的、低成本的高浓磨浆***游离度计量手段。
可以理解的是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。
Claims (2)
1.一种高浓磨浆***游离度的软测量方法,包括以下步骤:
(1)辅助变量选择和模型输入变量确定
需要软测量的高浓磨浆***纸浆关键参数为游离度,ml:根据生产工艺及机理和变量间相关性分析,所述相关性分析为因子分析、协方差分析,选择9个软测量辅助变量,包括:设定产量u1,adt/d;磨浆机功率u2,Mw;传动侧稀释水量u3,l/min;非传动侧稀释水量u4,l/min;非传动侧震动加速度u5,%;非传动侧震动u6,mm/s;非传动侧磨盘间隙u7,mm;传动侧磨盘压力u8,bar;非传动侧磨盘压力u9,bar;确定上述9个软测量辅助变量为软测量模型的输入变量,软测量模型的输出变量为游离度,ml;
(2)PSO-ε-SVR软测量模型的训练和软测量实现
(A)开始:变量初始化;
(B)选择进行软测量模型训练,转至(C),读取软测量训练样本;选择高浓磨浆***游离度软测量,转至(K);
(C)读取软测量训练样本:从数据库导入或输入训练集其中,软测量模型输入:xi∈Rn,i=1,2,…,l,软测量模型输出:i=1,2,…,l,l为训练集样本数量;
(D)数据预处理:
采用尖峰滤波算法将高浓磨浆***的尖峰异常数据进行剔除;9个辅助变量存在着量纲差,对每个变量分别进行中心标准化处理,即每类样本数据减去对应样本的平均值,然后除以其样本方差,即:
计算均值:
计算方差:
标准化:
其中,xij为第i类变量的第j个训练样本,l为训练样本数,为第i类变量的均值,为中心标准化后的训练样本,表示第i类变量的方差,表示第i类变量的标准差;
(E)确定ε-SVR软测量模型的初始化参数,包括:惩罚因子C和误差容限值ε,核函数的类型及其核函数参数δ;惩罚因子C取20,误差容限值ε取0.01,核函数取高斯径向基函数K(x,x')=exp(-||x-x'||2/δ2),其中核函数参数δ=1;
(F)确定ε-SVR待优化参数惩罚因子C的搜索范围为[0,100],核函数参数δ的搜索范围为[0,50],粒子群个体的数目为40,粒子的最大迭代寻优次数为600,粒子的惩罚因子C迭代速度的最大值为25,粒子的核函数参数δ迭代速度的最大值为25,粒子的初始位置、初始速度、个体极值以及全局极值随机生成;
(G)ε-SVR模型训练:
ε-SVR计算高浓磨浆***游离度的回归超平面方程y=(ω·x)+b,其中ω为其法方向,b为其截距;
设模型样本的第j个目标输出为yj,则ε-SVR将拟合问题等价转化为如下的二次规划问题:
s.t.((ω·xi)+b)-yi≤ε+ξi,i=1,…,l;
其中,C为惩罚因子,ε为误差容限值,ξi和为松弛变量,简记为
求解式(4)中二次规划问题的解(ω,b,ξ)后,得到回归超平面方程:
y=(ω·x)+b(5)
将Lagrange函数引入上述问题,导出其对偶问题:
解得Lagrange乘子向量
计算b:选择α(*)的分量αj或若选到的是αj,则有:
若选择的是则有:
构造回归方程:
其中,y为训练样本i的输出;(xi·xk)是核函数,这里取高斯径向基函数K(x,x')=exp(-||x-x'||2/δ2),是对应的拉格朗日乘子的各个分量;
(H)计算适应度:
设定优化的目标函数,并计算适应度,对每组惩罚因子C和核函数参数δ的效果进行评价,通过相应的误差函数计算适应度;对于误差大的粒子,认为其适应度小,粒子的适应度fp表示为:
fp=1/(ep+1)(10)
其中,ep是回归方程的误差函数,即:
其中,是回归方程的预测输出,yi是回归方程的目标输出;
更新每个粒子的速度和位置
其中,表示待更新粒子的速度,表示待更新粒子的位置,pid表示待更新粒子的个体最优值,pgd表示整个粒子群的全局最优值;w为惯性权重,c1、c2为加速度常数,rand1和rand2为[0,1]范围内的随机数;
对粒子p,如果更新后的适应度值大于原个体的最优值,则更新粒子的个体最优值pid,即:
pid=fp(13)
如果粒子p的个体最优值pid大于原来粒子群的全局最优值pgd,则更新原来的全局最优值pgd:
pgd=pid(14)
还包括以下步骤:
(I)建模效果评价:
判定建模效果是否满足要求;若满足,结束寻优,得到惩罚因子C和核函数参数δ的最优值,进入步骤(J),保存ε-SVR惩罚因子C和核函数参数δ的最优参数;否则返回步骤(F),继续迭代寻优,直到达到最大寻优代数,结束寻优;
(J)保存ε-SVR惩罚因子C和核函数参数δ的最优参数;
(K)读取ε-SVR惩罚因子C和核函数参数δ的最优参数;
(L)读取软测量模型的输入数据;
(M)将输入变量数据中心标准化处理后,使用ε-SVR惩罚因子C和核函数参数δ的最优参数进行高浓磨浆***游离度在线软测量;
(N)游离度软测量结果显示:在软测量***人机界面上显示游离度软测量的结果;
(O)游离度软测量结果保存:将本次软测量的输入输出数据保存到相应的数据库,供查询、修正使用;
(P)判断软测量是否结束,结束转至步骤(Q),否则转至步骤(L)继续进行游离度软测量;
(Q)结束:完成游离度软测量。
2.根据权利要求1所述一种高浓磨浆***游离度的软测量方法,其特征在于还包括以下步骤:
定期将游离度离线间歇式数据输入到训练集中,更新游离度ε-支持向量回归机软测量模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410768527.9A CN104459089B (zh) | 2014-12-12 | 2014-12-12 | 一种高浓磨浆***游离度的软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410768527.9A CN104459089B (zh) | 2014-12-12 | 2014-12-12 | 一种高浓磨浆***游离度的软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104459089A CN104459089A (zh) | 2015-03-25 |
CN104459089B true CN104459089B (zh) | 2016-05-11 |
Family
ID=52905478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410768527.9A Active CN104459089B (zh) | 2014-12-12 | 2014-12-12 | 一种高浓磨浆***游离度的软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104459089B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915505B (zh) * | 2015-06-18 | 2018-01-16 | 东北大学 | 一种高浓磨浆***输出纤维形态分布pdf建模方法 |
CN106056243B (zh) * | 2016-05-27 | 2019-06-25 | 东北大学 | 一种高浓磨浆***输出纤维形态分布的控制***及方法 |
CN106283806B (zh) * | 2016-08-30 | 2017-12-01 | 东北大学 | 一种高浓磨浆***纸浆质量控制方法及*** |
CN106844972A (zh) * | 2017-01-22 | 2017-06-13 | 上海电力学院 | 基于pso‑svr的变压器绕组温度软测量方法 |
DE102017127771A1 (de) * | 2017-11-24 | 2019-05-29 | Voith Patent Gmbh | Steuerung der Faserstoffbehandlung |
CN108489495A (zh) * | 2018-03-29 | 2018-09-04 | 东南大学 | 一种基于svr和pso的rfid标签室内定位方法及设备 |
CN109240264A (zh) * | 2018-09-14 | 2019-01-18 | 浙江大学 | 一种基于lstm神经网络的制浆过程能耗预测方法 |
CN111127505B (zh) * | 2019-11-27 | 2024-03-26 | 天津津航技术物理研究所 | 基于空间规划的在线学习跟踪以及工程化实现方法 |
CN111091153B (zh) * | 2019-12-18 | 2021-03-30 | 广州博依特智能信息科技有限公司 | 一种纸页松厚度软测量方法 |
CN113063916A (zh) * | 2021-03-11 | 2021-07-02 | 武汉钢铁有限公司 | 基于pso-svr模型的热镀锌带钢镀层铝含量预测方法 |
CN114215938B (zh) * | 2021-12-09 | 2023-06-06 | 浙江华章科技有限公司 | 一种稀释水流浆箱阀门控制*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4089210A (en) * | 1976-01-15 | 1978-05-16 | Alexandr Fedorovich Tischenko | Device for measuring filtering properties of paper pulp |
JP2001349885A (ja) * | 2000-06-08 | 2001-12-21 | Nippon Paper Industries Co Ltd | 機械パルプの含有率の測定法 |
CN102105776A (zh) * | 2008-06-30 | 2011-06-22 | 美卓自动化有限公司 | 滤水性测量 |
CN103109015A (zh) * | 2010-05-10 | 2013-05-15 | 卡特克塞尔有限公司 | 纸产品的游离度 |
-
2014
- 2014-12-12 CN CN201410768527.9A patent/CN104459089B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4089210A (en) * | 1976-01-15 | 1978-05-16 | Alexandr Fedorovich Tischenko | Device for measuring filtering properties of paper pulp |
JP2001349885A (ja) * | 2000-06-08 | 2001-12-21 | Nippon Paper Industries Co Ltd | 機械パルプの含有率の測定法 |
CN102105776A (zh) * | 2008-06-30 | 2011-06-22 | 美卓自动化有限公司 | 滤水性测量 |
CN103109015A (zh) * | 2010-05-10 | 2013-05-15 | 卡特克塞尔有限公司 | 纸产品的游离度 |
Non-Patent Citations (3)
Title |
---|
基于软测量技术的打浆度测试仪的设计与应用;王连富等;《微计算机信息》;20050120;第21卷(第2期);第140-141页 * |
打浆度软测量技术的研究及应用;景晓渝;《自动化技术与应用》;20120831;第31卷(第8期);第9-11页 * |
软测量技术在打浆过程中的应用;郭文强等;《计算机测量与控制》;20080430;第16卷(第4期);第546-547页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104459089A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104459089B (zh) | 一种高浓磨浆***游离度的软测量方法 | |
CN101776531B (zh) | 一种球磨机负荷参数软测量方法 | |
CN102825504B (zh) | 数控机床主轴状态检测方法 | |
CN106283806A (zh) | 一种高浓磨浆***纸浆质量控制方法及*** | |
Tang et al. | Vibration and acoustic frequency spectra for industrial process modeling using selective fusion multi-condition samples and multi-source features | |
CN105974953A (zh) | 一种反应釜负压精馏模糊控制方法 | |
CN105278520A (zh) | 基于t-kprm复杂工业过程运行状态评价方法及应用 | |
CN104899425A (zh) | 一种高炉铁水硅含量的变量选择预报方法 | |
CN108038079A (zh) | 一种多源机械信号分析与优化组合方法 | |
Feng et al. | A new time–space attention mechanism driven multi-feature fusion method for tool wear monitoring | |
CN116244625A (zh) | 基于多特征融合神经网络的溢流型磨机负荷间接预报方法 | |
CN106676934A (zh) | 一种高浓磨浆***经济优化运行控制方法及*** | |
Wei et al. | Tool wear state recognition based on feature selection method with whitening variational mode decomposition | |
CN114492527A (zh) | 基于模糊神经网络与主成分分析表面粗糙度在线预测方法 | |
CN100570327C (zh) | 测量水力旋流器固液分离溢流粒度分布的支持向量机方法 | |
CN105843212B (zh) | 一种高炉故障诊断***及方法 | |
CN102929147A (zh) | 真空玻璃加工在线控制***及方法 | |
CN109240264A (zh) | 一种基于lstm神经网络的制浆过程能耗预测方法 | |
CN104263960B (zh) | 金湿法冶金置换过程中置换率和金泥品位的在线预测方法 | |
CN117034601A (zh) | 一种多工况选矿过程溢流粒度的软测量建模方法 | |
Zhou et al. | Modeling for output fiber length distribution of refining process using wavelet neural networks trained by NSGA II and gradient based two-stage hybrid algorithm | |
Sharma et al. | An approach for condition monitoring of a turning tool | |
Reser et al. | Grinding burn prediction with artificial neural networks based on grinding parameters | |
Gao et al. | Modeling and optimization of fiber quality and energy consumption during refining based on adaptive neuro-fuzzy inference system and subtractive clustering | |
Zhang et al. | Soft Sensors for Pulp Freeness and Outlet Consistency Estimation in the Alkaline Peroxide Mechanical Pulping (APMP) High-Consistency Refining Process. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |