基于聚类的多模型蒸发过程软测量建模

系统仿真学报 ›› 2015, Vol. 27 ›› Issue (9): 2050-2055.

基于聚类的多模型蒸发过程软测量建模

彭琛¹, 钱晓山^2,3

1.中南林业科技大学涉外学院,湖南长沙 410004;
2.宜春学院物理科学与工程技术学院,江西宜春 336000;
3.中南大学信息科学与工程学院,湖南长沙 410083

收稿日期:2015-04-08 修回日期:2015-07-03 出版日期:2015-09-08 发布日期:2020-08-07
作者简介:彭琛(1982-),女,湖南湘潭,硕士,讲师,研究方向为智能信息处理;钱晓山(1980-),男,江西九江,博士,讲师,研究方向为复杂过程的建模、优化与控制。
基金资助:
国家自然科学基金项目(60634020, 60874069, 60804037); 国家863项目(2006AA04Z181); 宜春学院校级科研课题(XJ1314)

Mufti-model Soft Modeling Based on Clustering in Evaporation Process

Peng Chen¹, Qian Xiaoshan^2,3

1. She Wai School, Central South University of Forestry and Technology, Changsha 410004, China;
2. Physical Science and Technology College, Yichun University, Yichun 336000, China;
3. School of Information Science & Engineering, Central South University, Changsha 410083, China

Received:2015-04-08 Revised:2015-07-03 Online:2015-09-08 Published:2020-08-07

摘要/Abstract

摘要： 基于多模型方法具有更强的鲁棒性和精度的思想,结合多效蒸发过程强耦合和高度非线性特征,提出来一种基于差分进化的模糊核聚类的多最小二乘支持向量机的软测量建模方法。该方法依据运用DE-KFCM(差分进化核模糊聚类)对不同工况下的数据样本进行聚类,得到的子集分别用LSSVM(最小二乘支持向量机)构建模型不同工况使用模糊核聚类算法对输入数据进行聚类划分,针对每个聚类子集用最小二乘支持向量机方法建立子模型,通过加权得到系统输出。以氧化铝蒸发过程为例,对出口料液浓度的进行软测量建模,获得了较好的实验结果。

关键词: 差分进化算法, 最小二乘支持向量机, 蒸发过程, 模糊核聚类

Abstract: Based on the idea approach based on multi-model with a stronger robustness and precision, combining with strong coupling and the highly nonlinear characteristics in multi-effect evaporation process, a soft sensor modeling method of fuzzy kernel clustering was proposed based on differential evolution and multi-squares support vector machines. The method made clustering samples under different conditions by use of DE-KFCM, each sub-models were constructed using LSSVM using fuzzy clustering algorithm to cluster the input data under different conditions, and finally get the system output by weighting. Taking alumina evaporation process as an example, for the soft sensor modeling of export of feed concentration, the better results have been obtained.

Key words: DE algorithm, least squares support vector machine, evaporation process, KFCM

中图分类号:

TP18

彭琛, 钱晓山. 基于聚类的多模型蒸发过程软测量建模[J]. 系统仿真学报, 2015, 27(9): 2050-2055.

Peng Chen, Qian Xiaoshan. Mufti-model Soft Modeling Based on Clustering in Evaporation Process[J]. Journal of System Simulation, 2015, 27(9): 2050-2055.

参考文献

[1] 李卫, 杨煜普, 王娜. 基于核模糊聚类的多模型LSSVM回归建模[J]. 控制与决策, 2008, 23(5): 560-564.
(Li Wei, Yang Yupu, Wang Na.Multi-model LSSVM regression modeling based on kernel fuzzy clustering[J]. Control and Decision, 2008, 23(5): 560-564.)
[2] 李修亮, 苏宏业, 褚健. 基于在线聚类的多模型软测量建模方法[J].化工学报, 2007, 58(11): 2834-2839.
(Li Xiuliang, Su Hongye, Zhu Jian.Multiple models soft-sensing technique based on online clustering arithmetic[J]. Journal of Chemical Industry and Engineering, 2007, 58(11): 2834-2839.)
[3] 陈定三, 杨慧中. 基于局部重构融合流形聚类的多模型软测量建模[J].化工学报, 2011, 62(8): 2281-2285.
(Chen Dingsan, Yang Huizhong.Multiple model soft sensor based on local reconstruction and fusion manifold clustering[J]. Journal of Chemical Industry and Engineering, 2011, 62(8): 2281-2285.)
[4] 李丽娟, 宋坤, 赵英凯. 基于仿射传播聚类的ARA发酵过程建模[J]. 化工学报, 2011, 62(8): 2116-2122.
(Li Lijuan, Song Kun, Zhao Yingkai.Modeling of ARA fementation based on affinity propagation clustering[J]. Journal of Chemical Industry and Engineering, 2011, 62(8): 2116-2122.)
[5] 李丽娟, 刘君. 芳烃异构化过程的多模型建模[J]. 化工学报, 2011, 62(8): 2350-2354.
(Li Lijuan, Liu Jun.Multi-modeling of aromatics isomerization process[J]. Journal of Chemical Industry and Engineering, 2011, 62(8): 2350-2354.)
[6] 徐海霞, 刘国海, 周大为, 等. 基于改进核模糊聚类算法的软测量建模研究[J]. 仪器仪表学报, 2009, 30(10): 2226-2231.
(Xu Haixia, Liu Guohai, Zhou Dawe, et al. Soft sensor modeling based on modified kernel fuzzy clustering algorithm[J]. Chinese Journal of Scientific Instrument, 2009, 30(10): 2226-2231.)
[7] Boulet Benoit, Lalli Gino, Ajersch Mark.Modeling and control of an electric arc furnace[C]// Proceedings of the American Control Conference. USA: IEEE, 2003, 4: 3060-3064.
[8] Goodfellow Howard D, Pozzi Marcello, Maiolo Joe.Dynamic process control and optimization for EAF steelmakers[J]. MPT Metallurgical Plant and Technology International (S0935-7254), 2006, 29(6): 24-30.
[9] MacRosty R D, Swartz. C L. Dynamic optimization of electric arc furnace operation[J]. AIChE Journal (S0001-1541), 2007, 53(3): 640-653.
[10] 李卫, 杨煜普, 王娜. 基于核模糊聚类的多模型 LSSVM回归建模[J]. 控制与决策, 2008, 23(5): 560-562.
(Li W, Yang Y P, Wang N.Multi-model LSSVM regression modeling based on kernel fuzzy clustering[J]. Control and Decision, 2008, 23(5): 560-562.)

[1]	余伟, 梁恒辉, 罗映. 一种改进差分进化算法的分数阶系统辨识研究[J]. 系统仿真学报, 2021, 33(5): 1157-1166.
[2]	邵诚, 孙宏远, 张林. 基于PSO-LSSVM的反舰导弹自控弹道仿真[J]. 系统仿真学报, 2021, 33(4): 918-926.
[3]	梅盼盼, 吴亮红, 张红强, 王慧莹. 含风电电力系统动态经济调度的差分纵横交叉优化[J]. 系统仿真学报, 2020, 32(6): 1179-1187.
[4]	王艳, 丁宇. 动态柔性作业车间优化调度与决策方法[J]. 系统仿真学报, 2020, 32(11): 2073-2083.
[5]	於万里, 王艳, 纪志成. 氨糖发酵过程建模与工艺参数优化研究[J]. 系统仿真学报, 2020, 32(10): 1895-1902.
[6]	林雨谷, 王艳. 离散车间能效数据挖掘及调度优化[J]. 系统仿真学报, 2019, 31(12): 2702-2711.
[7]	王杰, 陈彬, 袁鹏, 马亮, 邱晓刚. 数据驱动的最优互惠避碰模型偏好速度研究[J]. 系统仿真学报, 2019, 31(12): 2731-2739.
[8]	张静华, 韩璞. 多算法多种群协同优化差分进化算法[J]. 系统仿真学报, 2018, 30(5): 1690-1699.
[9]	崔桂梅, 杨海靳, 刘丕亮, 于凯. 基于最小二乘支持向量机的氧化铝浓度预测[J]. 系统仿真学报, 2018, 30(5): 1844-1849.
[10]	王丽婕, 张利, 张岩. 基于CEEMD和混沌理论的超短期风电功率预测模型[J]. 系统仿真学报, 2018, 30(4): 1560-1565.
[11]	唐勇波, 熊印国. 相对变换主元分析特征提取的变压器故障诊断[J]. 系统仿真学报, 2018, 30(3): 1127-1134.
[12]	陈文杰, 王艳. 离散制造过程生产协同能耗优化调度方法[J]. 系统仿真学报, 2018, 30(11): 4367-4375.
[13]	李芹, 张浩, 彭道刚, 郭义波, 王念龙, 孙宇贞. 基于改进差分算法的电站锅炉主蒸汽温度多变量建模研究[J]. 系统仿真学报, 2017, 29(8): 1712-1718.
[14]	张妍, 王东风, 韩璞. 基于IDE-LSSVM的风电场短期风速预测[J]. 系统仿真学报, 2017, 29(7): 1561-1571.
[15]	洪贝, 姜学鹏, 齐玉东, 陈青华. 基于Hermite矩阵求逆的LSSVM在线预测算法研究[J]. 系统仿真学报, 2017, 29(1): 1-6.