化工間歇反應(yīng)過(guò)程產(chǎn)品質(zhì)量預(yù)測(cè)建模論文

1、 2013 屆畢業(yè)論文 題 目化工間歇反應(yīng)過(guò)程產(chǎn)品質(zhì)量預(yù)測(cè)建模 院 、 部： 材料與化學(xué)工程學(xué)院 學(xué)生姓名： 譚練 指導(dǎo)教師：王津津 職稱 助教 專 業(yè)： 化學(xué)工程與工藝 班 級(jí)： 化工0902班 完成時(shí)間： 2013年5月19日 目 錄摘要1第一章 前言31.1 論文研究的目的和意義31.2 軟測(cè)量技術(shù)的概述31.2.1軟測(cè)量技術(shù)的基本思想31.2.2機(jī)理分析與輔助變量的選擇31.2.3數(shù)據(jù)采集和處理41.2.4軟測(cè)量建模的方法41.2.5軟測(cè)量模型的在線校正61.2.6軟測(cè)量技術(shù)建模方法的研究展望61.3本文的工作安排7第二章 偏最小二乘法（PLS）72.1 簡(jiǎn)介72.2偏最小二乘法的基本

2、原理72.3偏最小二乘法的算法82.4偏最小二乘法的研究現(xiàn)狀92.4.1數(shù)據(jù)的預(yù)處理92.4.2特征向量的選取102.4.3多變量問(wèn)題102.4.4非線性問(wèn)題102.5本章小結(jié)12第三章 案例分析133.1一種工業(yè)涂料樹脂合成工業(yè)過(guò)程133.2建立模型143.3驗(yàn)證模型143.4本章小結(jié)15第四章 結(jié)論與展望16參考文獻(xiàn)17致 謝19任務(wù)書20開題報(bào)告22進(jìn)度檢查表24指導(dǎo)教師審閱表26評(píng)閱教師審閱表27答辯資格審查表28答辯小組意見及最終成績(jī)?cè)u(píng)定表30 摘要由于科技與工業(yè)水平的不斷發(fā)展，化工產(chǎn)品的附加值逐漸增高，人們對(duì)化工產(chǎn)品的質(zhì)量需求也逐漸提升?；どa(chǎn)過(guò)程中保證產(chǎn)品質(zhì)量的關(guān)鍵是產(chǎn)品質(zhì)量控

3、制。間歇過(guò)程作為最普遍的化工過(guò)程之一，為高附加值產(chǎn)品生產(chǎn)的主要方式，其表現(xiàn)出的非線性、不穩(wěn)定性、不確定性等特點(diǎn)，會(huì)嚴(yán)重影響產(chǎn)品質(zhì)量控制過(guò)程的有效實(shí)施。要解決間歇生產(chǎn)過(guò)程中出現(xiàn)的質(zhì)量控制問(wèn)題，就要對(duì)過(guò)程有清楚的了解，并且能得到實(shí)時(shí)的過(guò)程信息，即過(guò)程的在線分析。過(guò)程的在線分析包括過(guò)程變量在線測(cè)量與過(guò)程分析兩個(gè)部分。本文運(yùn)用軟測(cè)量技術(shù)結(jié)合偏最小二乘法，對(duì)涂料樹脂生產(chǎn)合成進(jìn)行建模，通過(guò)建立模型預(yù)測(cè)涂料樹脂酸度、粘度和工業(yè)實(shí)際測(cè)量的樹脂酸度、粘度對(duì)比，說(shuō)明偏最小二乘回歸法的引入在粘度和樹脂酸度預(yù)測(cè)上有較高的準(zhǔn)確性。關(guān)鍵詞：間歇反應(yīng)過(guò)程；軟測(cè)量技術(shù)；偏最小二乘法；在線分析AbstractWith the

4、development of industry and technology, the value added to chemicals increased, which, at the same time, promoted the demands in the qualities of chemical products. Product quality control is the key to ensure the product quality. But in batch process, the main process of value-added chemicals produ

5、ction, it is seriously restricted by the nonlinearity, un-stabilization, uncertainty and multi-scale factors of the process. The process analysis technology, including the variables on-line measurements and the analysis of the process, can improve the quality optimization control effectively.In this

6、 paper, the soft measurement technique combined with partial least squares method, establish a model of coating resin production. Applying to predictive acidity and viscosity. Which comparison with industrial measuring acidity and viscosity. Prove that using partial least squares regression method p

7、redictive acidity and viscosity have high accuracy.Key words: Batch Reaction Process; Partial Least Squares; On-line Analysis第一章 前言1.1 論文研究的目的和意義隨著市場(chǎng)競(jìng)爭(zhēng)的日趨激烈，企業(yè)想在殘酷的競(jìng)爭(zhēng)中發(fā)展并提高，就應(yīng)當(dāng)提高自身的生產(chǎn)效率，減少生產(chǎn)成本，并且還要節(jié)約資源。為了獲得更好的產(chǎn)品或是獲取更加滿意的產(chǎn)品質(zhì)量成為了間歇反應(yīng)過(guò)程控制的普遍需要。對(duì)于間歇反應(yīng)過(guò)程是完整的,具有可重復(fù)性,控制目標(biāo)的質(zhì)量參數(shù)只能在當(dāng)前反應(yīng)后可以獲得相應(yīng)批次參數(shù)值。這使得間歇過(guò)程產(chǎn)品的

8、質(zhì)量的直接控制存在相應(yīng)的阻礙。因此將反應(yīng)過(guò)程能夠直接測(cè)量且與產(chǎn)品質(zhì)量密切相關(guān)的變量作為過(guò)程變量，采用軟測(cè)量技術(shù)思想并結(jié)合偏最小二乘回歸法對(duì)間歇反應(yīng)過(guò)程進(jìn)行深入研究，達(dá)到間歇過(guò)程反應(yīng)質(zhì)量預(yù)測(cè)。1.2 軟測(cè)量技術(shù)的概述軟測(cè)量技術(shù)是簡(jiǎn)介測(cè)量的一個(gè)發(fā)展方向，自20世紀(jì)80年代中后期提出作為一個(gè)概括性的科學(xué)術(shù)語(yǔ)以來(lái)，研究非?；钴S，發(fā)展十分迅速，應(yīng)用日益廣泛，幾乎滲透各個(gè)工業(yè)領(lǐng)域方面，已經(jīng)成為檢測(cè)技術(shù)的主要研究方向之一。尤其是近年來(lái)，國(guó)內(nèi)外對(duì)軟測(cè)量技術(shù)進(jìn)行了大量的研究。軟測(cè)量技術(shù)被列為未來(lái)控制領(lǐng)域研究的幾大方向之一，具有廣闊的應(yīng)用前景1, 2。軟測(cè)量技術(shù)主要包括數(shù)據(jù)采集、二次變量選擇、數(shù)據(jù)預(yù)處理、軟測(cè)量模

9、型的建立和模型在線校正等一系列步驟，其中軟測(cè)量技術(shù)的核心是軟測(cè)量模型的建立，根據(jù)人們對(duì)過(guò)程的認(rèn)識(shí)程度主要分為機(jī)理建模、回歸分析的統(tǒng)計(jì)建模、狀態(tài)估計(jì)和機(jī)理和回歸分析相結(jié)合的混合建模四類。1.2.1軟測(cè)量技術(shù)的基本思想通過(guò)利用那些與難于檢測(cè)的過(guò)程量（主導(dǎo)變量，Primary variable）有密切關(guān)系而且容易檢測(cè)到的過(guò)程量（輔助變量，Secondary Variable）為基礎(chǔ),通過(guò)數(shù)學(xué)變量及結(jié)構(gòu)選擇模型辨識(shí)模型驗(yàn)證實(shí)施在線校正變量，利用數(shù)學(xué)模型運(yùn)算，得到主導(dǎo)變量的估計(jì)值。具體測(cè)量原理根據(jù)測(cè)量對(duì)象和需要而有所不同3。1.2.2機(jī)理分析與輔助變量的選擇 首先要明確軟測(cè)量技術(shù)的任務(wù),確定主導(dǎo)變量。并

10、且在這個(gè)基礎(chǔ)上深入認(rèn)識(shí)和熟悉軟測(cè)量的對(duì)象和有關(guān)設(shè)備的工藝流程,利用機(jī)理分析能夠初步確定相關(guān)輔助變量。選擇輔助變量包括變量數(shù)目、變量類型和檢測(cè)點(diǎn)位置的選擇。其中這三個(gè)方面相互關(guān)聯(lián)、相互影響,是受過(guò)程特性所決定的。所以輔助變量的選擇應(yīng)該具備關(guān)聯(lián)性、過(guò)程適用性、特異性、魯棒性和精確性這些特性。輔助變量最少數(shù)量是被估計(jì)的主導(dǎo)變量數(shù)目，然而上限沒(méi)有統(tǒng)一的理論規(guī)定，能夠通過(guò)生產(chǎn)過(guò)程的特點(diǎn)和系統(tǒng)的自由度適當(dāng)?shù)脑黾由舷迶?shù)目。根據(jù)對(duì)生產(chǎn)過(guò)程的分析，再研究直接或者間接影響所測(cè)化工參數(shù)的其他參數(shù)，并最終確定通過(guò)軟測(cè)量模型預(yù)測(cè)結(jié)果的輔助變量。當(dāng)然在實(shí)際應(yīng)用中,還受著維護(hù)的難易程度、經(jīng)濟(jì)條件等外部條件制約4。1.2.3

11、數(shù)據(jù)采集和處理從理論上說(shuō),過(guò)程數(shù)據(jù)包含了工業(yè)對(duì)象的大量相關(guān)信息,因此,數(shù)據(jù)采集量越多越好,不僅可以用來(lái)建模,而且還可以檢驗(yàn)?zāi)Ｐ?。?shí)際需要采集的數(shù)據(jù)為跟軟測(cè)量主導(dǎo)變量相對(duì)應(yīng)時(shí)間刻的輔助變量的過(guò)程數(shù)據(jù)。當(dāng)然,數(shù)據(jù)覆蓋面在可能的條件下應(yīng)當(dāng)寬一些,能夠便于軟測(cè)量具有更加寬的適用范圍。所以要使軟測(cè)量精度得到保證,則數(shù)據(jù)的正確性和可靠性非常重要。 采集的數(shù)據(jù)必需進(jìn)行處理,數(shù)據(jù)處理包括兩個(gè)方面,第一是數(shù)據(jù)換算，第二是數(shù)據(jù)誤差處理。而數(shù)據(jù)誤差分為過(guò)失誤差和隨機(jī)誤差兩種,隨機(jī)誤差是隨機(jī)因素的影響,如測(cè)量信號(hào)的噪聲或者操作過(guò)程微小的波動(dòng)等,而常用的解決方法是濾波法;過(guò)失誤差包含儀表的系統(tǒng)誤差(如校正不準(zhǔn)確、堵塞等

12、)和不完全或者不正確的過(guò)程模型(熱損失、受泄漏等不確定因素影響)。雖然過(guò)失誤差出現(xiàn)的概率比較小,但是它的存在會(huì)導(dǎo)致數(shù)據(jù)的品質(zhì)嚴(yán)重惡化,可能會(huì)致使軟測(cè)量甚至全部過(guò)程優(yōu)化的失效。所以，及時(shí)發(fā)現(xiàn)、剔除和校正這些類型的數(shù)據(jù)是處理誤差的首要任務(wù)。1.2.4軟測(cè)量建模的方法模型的建立是軟測(cè)量的核心問(wèn)題,即建立主導(dǎo)變量和其它能夠直接測(cè)量的變量間相關(guān)聯(lián)模型。然而軟測(cè)量建模的方法非常多,并且各種方法互有交叉,還具備相互融合的趨勢(shì),所以很難有妥當(dāng)且全面的分類方法。當(dāng)今,軟測(cè)量建模方法主要可分為:機(jī)理建模、狀態(tài)估計(jì)、回歸分析、混合建模、人工神經(jīng)網(wǎng)絡(luò)、模式識(shí)別、模糊數(shù)學(xué)、過(guò)程層析成像、基于支持向量機(jī)(SVM)和核函數(shù)

13、的方法5、相關(guān)分析與現(xiàn)代非線性系統(tǒng)信息綜合處理技術(shù)等。各種方法都有相應(yīng)程度地應(yīng)用于相應(yīng)的軟測(cè)量實(shí)踐中,均含有各自的優(yōu)缺點(diǎn)和適用范圍,并且一些方法已經(jīng)在軟測(cè)量實(shí)踐中有許多成功的運(yùn)用,然而有些建模方法受限于技術(shù)發(fā)展水平,導(dǎo)致目前在過(guò)程控制中的應(yīng)用還比較較少6。下面簡(jiǎn)單介紹機(jī)理建模、回歸分析、狀態(tài)估計(jì)、混合建模四種方法。1、機(jī)理建模。對(duì)工藝機(jī)理分析來(lái)軟測(cè)量建模主要是運(yùn)用物料平衡、能量平衡、化學(xué)反應(yīng)動(dòng)力學(xué)等原理，通過(guò)分析過(guò)程對(duì)象的機(jī)理，找到不可測(cè)的主導(dǎo)變量和可測(cè)到的輔助變量間的聯(lián)系來(lái)建立機(jī)理模型，從而實(shí)現(xiàn)對(duì)某個(gè)參數(shù)的軟測(cè)量。對(duì)于那些工藝機(jī)理比較清楚的工藝過(guò)程，此方法能構(gòu)造出性能不錯(cuò)的軟儀表。然而對(duì)于那

14、些機(jī)理研究不夠充分、還不絕對(duì)清楚的復(fù)雜工業(yè)過(guò)程，則建立合適的機(jī)理模型難度較大。這時(shí)該方法就必須與其它參數(shù)估計(jì)的方法互相結(jié)合才能構(gòu)造適用的軟儀表。不過(guò)這種軟測(cè)量建模方法在工程中還是常用的方法，因?yàn)槠涮攸c(diǎn)是簡(jiǎn)易、工程背景清晰，對(duì)實(shí)際應(yīng)用很方便，但應(yīng)用效果取決于對(duì)工藝機(jī)理的了解程度，因?yàn)檫@種軟測(cè)量方法的建立的關(guān)鍵在與對(duì)工藝過(guò)程機(jī)理認(rèn)識(shí)程度上，所以建模的難度較大。2、回歸分析的建模。經(jīng)典的回歸分析為一種建模的基本方法，它應(yīng)用范圍十分廣泛。以最小二乘法原理作為基礎(chǔ)的一元與多元線性回歸技術(shù)現(xiàn)在已相當(dāng)成熟，常用在線性模型的擬合。對(duì)于那些輔助變量較少的情況下，一般運(yùn)用多元線性回歸中的逐步回歸技術(shù)以獲得較好的軟

15、測(cè)量模型。.然而對(duì)于輔助變量較多的情況下，通常還要借助于機(jī)理分析，首先得到模型各變量的基本框架，然后再運(yùn)用逐步回歸方法得到軟測(cè)量模型。為了簡(jiǎn)化模型，也可運(yùn)用主元回歸分析法和偏最小二乘法等方法?；貧w分析的軟測(cè)量的建模方法雖然簡(jiǎn)單實(shí)用，但是需要足夠有效的樣本數(shù)據(jù)，不但對(duì)測(cè)量誤差較為敏感而且模型物理量概念不清晰。3、狀態(tài)估計(jì)建模。如果系統(tǒng)的主導(dǎo)變量是系統(tǒng)的狀態(tài)變量，而且是完全可觀的，則軟測(cè)量建模問(wèn)題就轉(zhuǎn)變成了典型的狀態(tài)觀測(cè)和狀態(tài)估計(jì)了?；跔顟B(tài)估計(jì)的軟儀表因?yàn)榭梢员砻髦鲗?dǎo)變量和輔助變量中的動(dòng)態(tài)關(guān)系，所以，處理各變量之間動(dòng)態(tài)特性的差異與系統(tǒng)滯后等情況十分有利。然而此軟測(cè)量建模方法的缺點(diǎn)主要是對(duì)復(fù)雜的工

16、業(yè)過(guò)程，由于對(duì)系統(tǒng)的狀態(tài)空間模型的建立比較難，這使得該方法的應(yīng)用在一定程度上受到了限制。并且在許多工業(yè)生產(chǎn)過(guò)程中，經(jīng)常會(huì)出現(xiàn)持續(xù)的緩慢變化的不可測(cè)的干擾，此時(shí)采用這種建模方法可能誤差顯著。4、混合建模?；旌辖Ｊ鞘褂枚喾N方法建立過(guò)程對(duì)象的數(shù)學(xué)模型。利用系統(tǒng)已有的先驗(yàn)知識(shí)，把機(jī)理模型和回歸分析模型方法結(jié)合，互為補(bǔ)充，將黑箱模型轉(zhuǎn)化為灰箱模型。機(jī)理模型可以提供的先驗(yàn)知識(shí)，可為回歸分析模型節(jié)省訓(xùn)練樣本，提高統(tǒng)計(jì)模型的推廣能力，回歸分析模型可以提取機(jī)理模型無(wú)法解釋的對(duì)象的內(nèi)部的復(fù)雜信息，補(bǔ)償機(jī)理模型的未建特性?；旌夏Ｐ偷慕Y(jié)合方式兩種，串行和并行。前者一般是先用機(jī)理方法得到一個(gè)帶參數(shù)的模型結(jié)構(gòu)，后用統(tǒng)計(jì)

17、方法來(lái)確定結(jié)構(gòu)中的參數(shù)7，8。后者多是用統(tǒng)計(jì)方法確定一個(gè)補(bǔ)償器，用該補(bǔ)償器對(duì)機(jī)理模型得到的結(jié)果進(jìn)行補(bǔ)償9。機(jī)理和統(tǒng)計(jì)相結(jié)合的混合模型與單純的黑箱模型相比，模型的精度和推廣能力都有很大程度的提升，同時(shí)減少參數(shù)估計(jì)所需數(shù)據(jù)，減少了計(jì)算量。不同的統(tǒng)計(jì)方法也可以結(jié)合起來(lái)，如模糊神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)部分最小二乘法（NNPLS）10等，適用于復(fù)雜化工過(guò)程的建模。1.2.5軟測(cè)量模型的在線校正由于軟測(cè)量對(duì)象的時(shí)變性、非線性以及模型的不完整性等因素，必須考慮模型的在線校正，才能適應(yīng)新工況。軟測(cè)量模型在線校正可以表示為模型結(jié)構(gòu)與模型參數(shù)的優(yōu)化過(guò)程，其具體方法有自適應(yīng)法、多時(shí)標(biāo)法和增量法。對(duì)模型結(jié)構(gòu)的修正通常需要大

18、量的樣本數(shù)據(jù)和比較長(zhǎng)的計(jì)算時(shí)間，而且難以在線進(jìn)行。為了解決模型結(jié)構(gòu)修正耗費(fèi)時(shí)間長(zhǎng)和在線校正的矛盾，提出了短期學(xué)習(xí)與長(zhǎng)期學(xué)習(xí)的校正方法。其中短期學(xué)習(xí)因?yàn)樗惴ê?jiǎn)單、學(xué)習(xí)速度快所以便于實(shí)時(shí)應(yīng)用。而長(zhǎng)期學(xué)習(xí)是軟測(cè)量?jī)x表在線運(yùn)行一段時(shí)間而積累了充足的新樣本模式以后，重新建立軟測(cè)量模型11。1.2.6軟測(cè)量技術(shù)建模方法的研究展望軟測(cè)量建模方法盡管經(jīng)過(guò)多年的發(fā)展取得了很多成果，但是仍然有許多問(wèn)題有待研究。進(jìn)一步研究軟測(cè)量建模方法的方向有以下幾種。  1、將新興的技術(shù)應(yīng)用于軟測(cè)量建模。當(dāng)今雖然出現(xiàn)了很多軟測(cè)量建模方法，然而仍不能完全滿足實(shí)際需要。把一些新興的技術(shù)運(yùn)用于軟測(cè)量建模，并建立新興技術(shù)的軟測(cè)

19、量模型仍然是目前研究的熱點(diǎn)。例如將神經(jīng)網(wǎng)絡(luò)、遺傳算法、微粒群優(yōu)化算法等新興技術(shù)運(yùn)用于軟測(cè)量建模，建立出性能更好的軟測(cè)量模型。運(yùn)用多目標(biāo)遺傳算法去選擇子系統(tǒng)輸入變量，并且結(jié)合T-S模糊系統(tǒng)的特點(diǎn)，運(yùn)用二分法劃分子系統(tǒng)輸入空間，來(lái)建立基于遞階T-S模糊系統(tǒng)的軟測(cè)量模型12。仿真結(jié)果顯示，這種方法具有精度高、生成規(guī)則數(shù)少、泛化特性良好、結(jié)構(gòu)簡(jiǎn)單等優(yōu)點(diǎn)。將動(dòng)態(tài)前饋神經(jīng)網(wǎng)絡(luò)和粗糙集理論相結(jié)合而成的神經(jīng)網(wǎng)絡(luò)構(gòu)造方法，運(yùn)用于乙烯裝臵裂解爐燃料氣熱值的控制中，得到了良好的應(yīng)用效果13。在實(shí)數(shù)編碼免疫算法的基礎(chǔ)上，利用模糊技術(shù)，對(duì)免疫算法中的兩個(gè)關(guān)鍵參數(shù)已經(jīng)實(shí)現(xiàn)了模糊自適應(yīng)的調(diào)整，而且解決了基本免疫算法中尋優(yōu)速

20、度慢和收斂精度低的缺點(diǎn)，并將此算法運(yùn)用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)14。  2、動(dòng)態(tài)軟測(cè)量模型研究。通過(guò)十幾年的發(fā)展，無(wú)論是在理論研究上還是在實(shí)際應(yīng)用中軟測(cè)量技術(shù)均取得了較大成果，不過(guò)至今為止的絕大部分的研究都是研究靜態(tài)軟測(cè)量模型。所以為了更進(jìn)一步的提高軟測(cè)量模型魯棒性和精度，動(dòng)態(tài)軟測(cè)量模型將是以后任務(wù)探究方向之一。軟測(cè)量技術(shù)作為工業(yè)計(jì)算機(jī)優(yōu)化控制的有利工具，它在理論研究與實(shí)際應(yīng)用中已取得了誘人的成果，其理論體系也正在逐步形成。然而過(guò)于夸大軟測(cè)量的用處或者忽視軟測(cè)量的重要性都是不正確的。雖然軟測(cè)量只靠實(shí)驗(yàn)室分析儀表分析值來(lái)進(jìn)行校正要獲取很高精度是很困難的，它是一種粗放型測(cè)量技術(shù)。所

21、以軟測(cè)量要想得到高精度，必須要運(yùn)用在線分析儀表來(lái)進(jìn)行實(shí)時(shí)校正。1.3本文的工作安排本文的工作將圍繞樹脂的間歇合成過(guò)程展開。第一章主要介紹課題的研究背景以及過(guò)程在線分析中的軟測(cè)量技術(shù)。第二章介紹了偏最小二乘法的原理，基本步驟以及在化工領(lǐng)域的研究進(jìn)展，為后面其在過(guò)程在線分析中的應(yīng)用做準(zhǔn)備。第三章針對(duì)涂料樹脂的間歇合成，提出了軟測(cè)量技術(shù)結(jié)合偏最小二乘法的樹脂酸度和粘度在線測(cè)量模型，證實(shí)該方法的有效性。最后一章是對(duì)本文工作的總結(jié)和之后工作的探討。第二章 偏最小二乘法（PLS）2.1 簡(jiǎn)介偏最小二乘法(PLS：partial least squares)：是一種新型的多元統(tǒng)計(jì)數(shù)據(jù)分析方法，它主要研究的是

22、多因變量對(duì)多自變量的回歸建模，特別當(dāng)各變量?jī)?nèi)部高度的線性相關(guān)時(shí)，利用偏最小二乘回歸法更加有效。而且偏最小二乘回歸法對(duì)樣本個(gè)數(shù)少于變量個(gè)數(shù)等問(wèn)題非常好解決。偏最小二乘法具有主成分分析法、多元線性回歸分析法和典型相關(guān)分析法三種分析方法的優(yōu)點(diǎn)。其與主成分分析法都是提取來(lái)表示數(shù)據(jù)變異最大信息，但是主成分分析法僅僅考慮一個(gè)自變量矩陣，然而偏最小二乘法還具有一個(gè)“響應(yīng)”矩陣，所以具有預(yù)測(cè)功能15。2.2偏最小二乘法的基本原理為了建立由各因素構(gòu)成的數(shù)據(jù)矩陣X與由各目標(biāo)構(gòu)成的數(shù)據(jù)矩陣Y之間的關(guān)系，其中X包涵p個(gè)變量，Y包涵p1個(gè)變量，樣本數(shù)為m，傳統(tǒng)的處理方法為利用最小二乘法來(lái)建立如下線性模型：Y=XB+E。

23、其中E是殘差矩陣，其中的回歸系數(shù)矩陣B的最小二乘解：B=(XTX)-1XTY。用PLS方法對(duì)以上問(wèn)題處理時(shí)，首先將矩陣X作雙線性分解，即：X=TP+E(1)。其中的矩陣T具有兩兩正交的隱變量或者得分矢量t，上述的表達(dá)式從統(tǒng)計(jì)數(shù)學(xué)上看和主成分分析法相同。PLS方法跟主成分分析法的不同之處為主成分分析法分解后獲得t的隱變量的方差必須最大，并不考慮矩陣Y的關(guān)系。然而用PLS方法時(shí)，則需要用到矩陣Y中的信息，而且矩陣Y也可作雙線性分解，即：Y=UQ+F(2)。其中F為殘差陣，U矩陣包涵Y的隱變量u，即u為矩陣Y中變量的線性組合。 PLS方法要求從X分解得到的隱變量t和Y分解得到的隱變量u是最大重疊或者

24、相關(guān)性為最大，因此有：u=vt+e式中e為殘差矢量，系數(shù)根據(jù)最小二乘確定16,17,18。2.3偏最小二乘法的算法由兩個(gè)主成分分析步驟與一個(gè)回歸步驟組成進(jìn)行分解前可以對(duì)數(shù)據(jù)進(jìn)行相應(yīng)的預(yù)處理，例如按列均值中心化處理等。其基本過(guò)程如下：分別對(duì)矩陣Y，X進(jìn)行主成分分析。Y=UQ+F對(duì)Y矩陣進(jìn)行以下分解.取Y中的隨意一列作為起始的u.由此u及Y計(jì)算qT：qT=uTY/uTu.將qT歸一化：qTnew=qTold/ |qTold|.計(jì)算新的u： u=Yu/uTu.比較第4步所得新u和起始u，如果二者相等或者在給定誤差范圍內(nèi)，那么就停止運(yùn)算；如果不相等，將新u取代初始u進(jìn)入第2步繼續(xù)迭代。X=TP+E對(duì)X

25、矩陣進(jìn)行下列分解 取X中的隨意一列作為起始的t 由此t及X計(jì)算pT：pT=tTX/tTt 將pT歸一化：pTnew=pTold/ |pTold| 計(jì)算新的t： t=Xp/pTp 比較第4步所得新t和起始t，如果二者相等或者在給定誤差范圍內(nèi)，那么就停止運(yùn)算；如果不相等，將新t取代初始t進(jìn)入第2步繼續(xù)迭代。這樣互相獨(dú)立求出的u與t，與主元回歸分析法沒(méi)有本質(zhì)區(qū)別，為了使由Y得出的u能與X得出的t之間有良好的線性關(guān)系，可以讓Y分解為U時(shí)引入有關(guān)T的信息，或從X分解出T時(shí)引入U(xiǎn)的信息，這可通過(guò)在迭代時(shí)交換迭代變量達(dá)到，根據(jù)此思路將上述兩個(gè)獨(dú)立的分解過(guò)程合而為一，得到PLS解，過(guò)程如下：1.矩陣X合矩陣Y

26、的標(biāo)準(zhǔn)化處理2.取Y中任意一列賦給作為起始的u對(duì)于X矩陣對(duì)于X矩陣 3. wT=uTX/uTu （pT=tTX/tTt）4.歸一化：wTnew=wTold/ |wTold|5.計(jì)算新的t：t=Xw/wTw6.對(duì)于Y矩陣： qT=tTY/tTt （qT=uTY/uTu）7.歸一化qTnew=qTold/ |qTold|8. u=Yq/qTq9.收斂判據(jù)：將步驟8所得的u與前一次迭代結(jié)果相比較，若相等（在允許誤差范圍內(nèi)）到步驟1010. pT=tTX/tTt11.歸一化：pTnew=pTold/ |pTold|12. tnew=told *|pold|13. wTnew=wTold* |pTold

27、|14. b= uTt/tTt計(jì)算回歸系數(shù)b以用于內(nèi)部關(guān)聯(lián)：15.Eh= Eh-1-thphT16.Fh= Eh-1- bhthwqhT之后回到步驟2，去進(jìn)行下一主成分的運(yùn)算，直到殘差趨近于零。未知樣品預(yù)測(cè)17.如校正部分，將X矩陣標(biāo)準(zhǔn)化18.h=0，y=019.h=h+1，th=XWhT，y=y+ bhthwqhT，x=x-thphT20.若ha（主成分?jǐn)?shù)），到步驟21.否則返回步驟1921.得到的y已經(jīng)標(biāo)準(zhǔn)化，因此需要按照標(biāo)準(zhǔn)化步驟的相反操作，將之復(fù)原到原始坐標(biāo)注意的是對(duì)預(yù)測(cè)集進(jìn)行標(biāo)準(zhǔn)處理時(shí)，使用的是訓(xùn)練集的均值和標(biāo)準(zhǔn)偏差。因此，在進(jìn)行反標(biāo)準(zhǔn)化操作時(shí)，使用的也應(yīng)該是訓(xùn)練集的均值和標(biāo)準(zhǔn)偏差1

28、9,20。2.4偏最小二乘法的研究現(xiàn)狀從 PLS 方法的開創(chuàng)到廣泛應(yīng)用，相關(guān)學(xué)者對(duì)其各方面都做了深入研究，下面就其一些基本問(wèn)題進(jìn)行討論。2.4.1數(shù)據(jù)的預(yù)處理在進(jìn)行 PLS 回歸建模分析時(shí)要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，最常用的方法是歸一化，即將各變量減去各自的均值并除以各自標(biāo)準(zhǔn)差。歸一處理，各變量對(duì)回歸模型的影響相同。而在一些過(guò)程 中存在某 些變量比較 重要，即 對(duì)目標(biāo)變量 的影響比 較大，在事先知道某些變量重要的情況下，預(yù)處理時(shí)可以給其乘上一個(gè)相對(duì)較大的權(quán)值。光譜分析領(lǐng)域中基線的移動(dòng)，過(guò)程工業(yè)中測(cè)量?jī)x表的更換等都會(huì)導(dǎo)致自變量中含有與因變量無(wú)關(guān)的系統(tǒng)變化信息，都會(huì)使 PLS 中包含冗余成分，模型過(guò)于復(fù)雜

29、，解釋相對(duì)比較困難，導(dǎo)致預(yù)測(cè)誤差變大。針對(duì)此類問(wèn)題，提出了正交信號(hào)修正（OSC）方法，除去自變量系統(tǒng)中與因變量無(wú)關(guān)的正交成分，再進(jìn)行 PLS 回歸，使模型得到簡(jiǎn)化。2.4.2特征向量的選取在用 PLS 建模過(guò)程中，特征向量的選取是個(gè)關(guān)鍵問(wèn)題。由于建模數(shù)據(jù)所含的信息冗余，特征向量數(shù)目過(guò)少不能包含大部分的有效信息；特征向量過(guò)多，盡管可以使模型的殘差減小，但噪聲的引入會(huì)使得模型的推廣性能變差。常用的選定特征向量個(gè)數(shù)的方法主要有一下幾種。一種是在迭代過(guò)程中分析所得到的殘差矩陣Fh ，當(dāng)Fh 的范數(shù)|Fh|小于某個(gè)閾值時(shí)，停止迭代，此時(shí)特征向量的數(shù)目即為 PLS 模型最后選取的特征向量數(shù)。另外一種是比較

30、|Fh| 和|Fh1|的差，當(dāng)差值小于預(yù)先設(shè)定的閾值時(shí)停止迭代。也可以將上述兩種方法結(jié)合使用，效果更好。人們通常用的比較多且更為有效的是交叉校驗(yàn)法：將待測(cè)樣本分為若干組，剔除一組，建立其余樣本的 PLS 模型，再用剔除的樣本作為檢測(cè)模型，計(jì)算預(yù)測(cè)誤差，重復(fù)上述步驟，直到每組數(shù)據(jù)都剔除過(guò)一次。再將每組數(shù)據(jù)的預(yù)測(cè)我查求和，得到預(yù)測(cè)殘差累積平方和（PRESS）。分別取不同個(gè)數(shù)的特征向量，計(jì)算其對(duì)應(yīng)的 PRESS，取 PRESS 最小時(shí)所對(duì)應(yīng)的特征向量個(gè)數(shù)作為 PLS 模型應(yīng)采取的特征向量個(gè)數(shù)。2.4.3多變量問(wèn)題隨著計(jì)算機(jī)水平和分析手段的提高，變量的采集越來(lái)越多，尤其是在光譜或色譜領(lǐng)域，對(duì)

31、同一樣本進(jìn)行分析可以得到大量不同波長(zhǎng)的數(shù)據(jù)，如何在不影響模型性能的情況下，從包含大量數(shù)據(jù)的集合中選擇合適的變量組成一個(gè)較小的子集進(jìn)行回歸建模，成了人們研究的一個(gè)熱點(diǎn)。針對(duì)大量的光譜數(shù)據(jù)，先采用小波變換對(duì)數(shù)據(jù)進(jìn)行壓縮再進(jìn)行 PLS 回歸。采用交互變量選擇（IVS）法，對(duì)于不重要的變量，在 PLS 回歸過(guò)程中設(shè)置其對(duì)應(yīng)權(quán)值 w 為 0，達(dá)到選擇變量的目的。而負(fù)荷變量不進(jìn)行變化，從而可以看出哪些被刪除的變量與被保留的變量相關(guān)。IVS 方法不遺忘被刪除的變量，從而不會(huì)影響最后模型的解釋。對(duì)于過(guò)程變量個(gè)數(shù)很多的情況，主要有多模塊 PLS和層次PLS方法，主要思想是對(duì)化工過(guò)程進(jìn)行分析，按照生產(chǎn)過(guò)程機(jī)理和變

32、量之間的相關(guān)關(guān)系，將要處理的過(guò)程變量分為多個(gè)關(guān)聯(lián)較小的子模塊，各子模塊分別對(duì)因變量建立 PLS 模型，后將各子模塊得到的得分向量組合成超得分向量矩陣，再與因變量建立 PLS 模型。通過(guò)對(duì)過(guò)程數(shù)據(jù)的劃分，使每一子模塊模型相對(duì)簡(jiǎn)單，與單一的PLS 相比，多模塊 PLS 和多層次 PLS 具有更好的解釋能力。2.4.4非線性問(wèn)題 現(xiàn)代工業(yè)過(guò)程的數(shù)據(jù)通常是高度非線性的，前面所述的統(tǒng)計(jì)回歸的方法，能夠抽取過(guò)程的有用信息，消除冗余信息，但本質(zhì)上是線性回歸，在處理非線性系統(tǒng)建模問(wèn)題時(shí)常表現(xiàn)出精度不夠。引用額外的特征向量可以對(duì)非線性因素?cái)M合，但引入的額外向量會(huì)增加對(duì)回歸無(wú)益的噪聲，嚴(yán)重降低模型的推廣能力。針對(duì)

33、此問(wèn)題，提出 PLS 非線性建模的兩種方法。一種是對(duì)輸入矩陣進(jìn)行擴(kuò)展，使擴(kuò)展后的向量包含一些原始變量的非線性項(xiàng)，如原始變量的對(duì)數(shù)項(xiàng)，平方項(xiàng)，交叉乘積項(xiàng)等，再后對(duì)擴(kuò)展的輸入矩陣和輸出矩陣進(jìn)行 PLS 建模。文中作者給出了一種 QPLS 算法，內(nèi)部采用二階多項(xiàng)式，外部保留線性關(guān)系的 PLS 算法。另一種方法是保留 PLS 方法的線性外部模型，內(nèi)部模型采用非線性形式：先用線性 PLS 的方法，通常利用 NIPALS 算法，得到輸入、輸出矩陣的特征向量 t 和 u，然后采用非線性函數(shù)擬合它們間的關(guān)系。同時(shí)，分析了兩種方法各自存在的問(wèn)題。第一種方法，對(duì)輸入矩陣進(jìn)行非線性項(xiàng)的擴(kuò)展，存在輸入變量選擇問(wèn)題。在

34、沒(méi)有關(guān)于原始輸入變量間關(guān)系的先驗(yàn)知識(shí)的情況下，無(wú)法知道組合方式的選擇。不適當(dāng)?shù)臄U(kuò)展，可能會(huì)導(dǎo)致非線性項(xiàng)過(guò)多，使輸入矩陣過(guò)大而難以處理，同時(shí)，得到的結(jié)果也不好解釋。第二種方法，內(nèi)部模型采用非線性函數(shù)，主要問(wèn)題是PLS外部模型輸入權(quán)值 w 的更新。NIPALS算法是假設(shè)t 和u之間為線性關(guān)系，在采取非線性函數(shù)擬合時(shí)，影響外部模型的計(jì)算，進(jìn)而對(duì)后面各個(gè)特征向量的計(jì)算產(chǎn)生影響。為解決這個(gè)問(wèn)題他提出對(duì)內(nèi)部模型采用 Newton-Raphson線性化，再求解出權(quán)值w的增量dw對(duì)權(quán)值w進(jìn)行更新，并證明了該方法對(duì)任何輸入輸出特征向量是連續(xù)可導(dǎo)關(guān)系的情況都使用。而且，在輸入輸出特征向量只有輕微非線性時(shí)，可以不進(jìn)

35、行權(quán)值 w 的更新，對(duì)最后結(jié)果的影響不大。在對(duì)輸入矩陣進(jìn)行擴(kuò)展方面，對(duì)原始矩陣 X 進(jìn)行列擴(kuò)展時(shí)，若 X 矩陣本身能夠被投影模型 TPT 描述，說(shuō)明 X 本身存在一個(gè)隱結(jié)構(gòu)，僅僅擴(kuò)展x 變量的平方項(xiàng)即可把特征變量的二次項(xiàng)，包括平方項(xiàng)和交叉項(xiàng)，隱含地包含進(jìn)模型中。在進(jìn)行列擴(kuò)展時(shí)即可不必包含 X 變量的交叉項(xiàng)，大大減少了變量的數(shù)目。該方法稱為隱含非線性特征變量回歸（INLR）方法。同樣的，對(duì)于三階非線性，擴(kuò)展時(shí)可只包括立方項(xiàng)。然后對(duì)擴(kuò)展后的輸入矩陣和輸出矩陣進(jìn)行 PLS 回歸，則可以得到預(yù)測(cè)與響應(yīng)變量間的關(guān)系。在部分最小二乘法中引入核函數(shù)的概念，提出了核函數(shù)部分最小二乘法。通過(guò)核函數(shù)將輸

36、入數(shù)據(jù)映射到高維的特征空間，實(shí)現(xiàn)非線性相關(guān)向線性相關(guān)的轉(zhuǎn)化，然后在高維特征空間中再進(jìn)行PLS運(yùn)算。該方法能充分利用樣本空間信息，建立輸入和輸出變量之間的非線性關(guān)系，有效地提高模型擬合和預(yù)測(cè)精度。該方法在化工領(lǐng)域很多過(guò)程中已取得成功應(yīng)用。保留PLS的線性外部模型，而內(nèi)部模型采用非線性函數(shù)形式來(lái)描述輸入輸出特征向量間關(guān)系的文獻(xiàn)較多。NLPLS 算法，采用局部線性平滑步驟來(lái)描述每一對(duì)特征向量間的關(guān)系。其后，這種近似方法跟一階（線性）樣條函數(shù)類似，當(dāng)用于小數(shù)據(jù)集合時(shí)不平滑，因此只能用于大的數(shù)據(jù)集合。SPL-PLS 方法，用平滑樣條函數(shù)（二階或三階）來(lái)表述每一對(duì)特征向量間的非線性關(guān)系。在 此的基礎(chǔ)上，出

37、現(xiàn)了一種基于誤差的權(quán)值更新方法，導(dǎo)出一種新的 QPLS 算法。文中證明該方法的性能優(yōu)于 上述的方法。作者還指出，基于誤差的權(quán)值更新方法同樣適用于輸入輸出特征向量間是任意非線性關(guān)系的情況，只要該非線性函數(shù)對(duì) w 是連續(xù)且可導(dǎo)的。這些采用多項(xiàng)式非線性映射（或者它們的組合方式，如樣條函數(shù)）的非線性 PLS 算法都是假設(shè)輸入輸出特征向量間的關(guān)系可以用某種特殊的多項(xiàng)式形式來(lái)表述。但是，這需要預(yù)先設(shè)定一系列參數(shù)，如多項(xiàng)式階次、樣條函數(shù)中節(jié)點(diǎn)的數(shù)目和位置等，而且，由于多項(xiàng)式描述非線性關(guān)系的能力受到自身形態(tài)的限制，有時(shí)可能無(wú)法恰當(dāng)表達(dá)數(shù)據(jù)間某些較復(fù)雜的非線性關(guān)系。利用神經(jīng)網(wǎng)絡(luò)的萬(wàn)能逼近性，將神經(jīng)網(wǎng)絡(luò)與 PLS

38、 方法結(jié)合，提出神經(jīng)網(wǎng)絡(luò)/部分最小二乘（NNPLS）方法。該方法先用線性 PLS 方法得到輸入輸出特征向量，然后用以 Sigmoid 函數(shù)作激勵(lì)函數(shù)的三層神經(jīng)網(wǎng)絡(luò)來(lái)表述輸入輸出向量間的非線性關(guān)系，每一對(duì)特征向量間的關(guān)系用一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)描述。同時(shí)證明 NNPLS 模型等價(jià)于一個(gè)多層前向神經(jīng)網(wǎng)絡(luò)，只是采用 NNPLS 自己獨(dú)特的訓(xùn)練方式。NNPLS 與一般神經(jīng)網(wǎng)絡(luò)的不同之處在于：數(shù)據(jù)首先經(jīng)過(guò) PLS 的外部特征投影再用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)。NNPLS 的外部線性變換將多元建模問(wèn)題分解為若干個(gè)單入單出（SISO）的神經(jīng)網(wǎng)絡(luò)訓(xùn)練問(wèn)題，不僅去除了數(shù)據(jù)間的相關(guān)信息，同時(shí)減少了網(wǎng)絡(luò)的獨(dú)立權(quán)重?cái)?shù)，從而避免了一般神經(jīng)

39、網(wǎng)絡(luò)訓(xùn)練的過(guò)參數(shù)問(wèn)題（預(yù)測(cè)方差大，對(duì)噪聲敏感等），并使網(wǎng)絡(luò)訓(xùn)練不易陷入局部極小點(diǎn)。上述 NNPLS 方法的一個(gè)缺陷是，模型訓(xùn)練過(guò)程中沒(méi)有對(duì)輸入權(quán)值 w 進(jìn)行更新。只有當(dāng)輸入輸出特征向量間非線性關(guān)系不嚴(yán)重時(shí)，才會(huì)有好的近似效果?；谡`差的權(quán)值更新方法適用于輸入輸出特征向量間是任意非線性關(guān)系的情況，只要該非線性關(guān)系對(duì) w 是連續(xù)且可導(dǎo)的。2.5本章小結(jié)該部分介紹了偏最小二乘法的基本原理、計(jì)算方法及研究現(xiàn)狀，為后面章節(jié)偏最小二乘法在過(guò)程在線分析中的應(yīng)用作了鋪墊。第三章 案例分析3.1一種工業(yè)涂料樹脂合成工業(yè)過(guò)程工業(yè)上聚酯樹脂的生產(chǎn)主要用于涂料。通過(guò)聚合二醇和長(zhǎng)鏈二元酸的批處理生產(chǎn)。該反應(yīng)在12立方米

40、的標(biāo)稱容量攪拌式夾套釜反應(yīng)器進(jìn)行加熱。除了所需的產(chǎn)品，聚縮合反應(yīng)還有水的形成，所以必須從反應(yīng)環(huán)境除去水來(lái)促進(jìn)反應(yīng)。為了除去水，工廠配備了填料精餾塔（這是運(yùn)行在干燥模式下研究生產(chǎn)的樹脂），外部為水冷冷凝器，和洗滌器。而真空泵運(yùn)行必需在真空條件下。該工廠配備了一些在線測(cè)量的傳感器。通過(guò)這些傳感器定期收集了三十四個(gè)變量，每個(gè)變量收集都是在線過(guò)程完成，記錄時(shí)間是通過(guò)計(jì)算機(jī)每30秒計(jì)量一次。通常情況下，這些變量包括過(guò)程測(cè)量（溫度，壓力，閥開口）和控制器的設(shè)定值（這是調(diào)整人一般由經(jīng)營(yíng)者）；收集的4500至7500個(gè)數(shù)據(jù)，這些數(shù)據(jù)是在33個(gè)批次40至70個(gè)小時(shí)收集的。本研究的目的，考慮了二十三個(gè)過(guò)程變量的在

41、線記錄。這些變量是在一個(gè)初步工程分析的基礎(chǔ)上選擇的。每一批次的運(yùn)行都是通過(guò)一序列的操作步驟，其中大部分是手工操作觸發(fā)。一個(gè)典型的序列的操作步驟如下：對(duì)設(shè)備和線路進(jìn)行清洗時(shí)，不同的是樹脂已在前面的批量生產(chǎn)。然后，將原料、添加劑和催化劑裝入反應(yīng)器。液體二元醇的電荷是自動(dòng)的，而長(zhǎng)鏈二元酸是手動(dòng)充電作為固體。二羧酸作為發(fā)酵產(chǎn)物，其質(zhì)量可能一批批明顯發(fā)生變化；其中的小的變化，可能是新生成的二元醇質(zhì)量。然而，在運(yùn)行反應(yīng)器，打開混合和加熱系統(tǒng)，并加熱直至反應(yīng)堆達(dá)到設(shè)定溫度（202°C）期間，注入的質(zhì)量不能批開始前測(cè)量。隨著反應(yīng)的進(jìn)行，反應(yīng)器的溫度逐漸升；所以水會(huì)作為氣相產(chǎn)生，離開反應(yīng)器。在該批處理

42、的早期階段，這種氣相含有顯著數(shù)量的二醇，因此它必須被回收和再利用進(jìn)行進(jìn)一步的處理。因此，氣相離開反應(yīng)器是在以下幾個(gè)方面：第一，順序處理的填料塔中微分冷凝，以這樣的方式來(lái)恢復(fù)液體二元醇和循環(huán)回反應(yīng)器；第二，通過(guò)在冷凝器總縮合；第三，通過(guò)洗滌和洗滌接觸凝結(jié)。批處理調(diào)整粘度和樹脂的分子量分布過(guò)程需要真空環(huán)境。此外，為確保最后產(chǎn)品的質(zhì)量規(guī)格，操作方法在批處理過(guò)程中至少需要兩次增加的新原料和催化劑，。第一個(gè)是在真空進(jìn)行第一次了。因此，當(dāng)新原料和催化劑裝入反應(yīng)器，真空必須打破，然后需要重設(shè)真空。雖然該樹脂的終點(diǎn)質(zhì)量通常落在一個(gè)很窄的范圍內(nèi)，但該批次的內(nèi)在的變異性是非常大的。事實(shí)上，有一批變異的幾個(gè)來(lái)源，其

43、中大部分是不可消除的。其中包括批處理開始前，設(shè)備的溫度；原料和添加劑的數(shù)量和質(zhì)量可能會(huì)有所不同（原材料和添加劑的有不同水平的雜質(zhì)，催化劑的活性損失）。這一切都沒(méi)有可預(yù)測(cè)的。而設(shè)定點(diǎn)由操作者手動(dòng)操作，因此受操作者的經(jīng)驗(yàn)和信心決定。然而大多數(shù)這種變化反映本身的過(guò)程測(cè)量的軌跡，并最終在總間歇時(shí)間。作為一個(gè)例子，在本研究范圍內(nèi)，在40和70小時(shí)之間設(shè)置考慮總間歇時(shí)間。該過(guò)程中，從一操作轉(zhuǎn)向下一操作由所測(cè)得的NA和值觸發(fā)，質(zhì)量測(cè)量不及時(shí)，觸發(fā)下一步操作將被延遲，從而導(dǎo)致產(chǎn)品質(zhì)量監(jiān)測(cè)不利，同時(shí)增加批次的處理時(shí)間，帶來(lái)經(jīng)濟(jì)上的巨大損失。建立在線測(cè)量變量到質(zhì)量變量的軟測(cè)量模型，可以很好的解決這一問(wèn)題。對(duì)上述工

44、業(yè)反應(yīng)過(guò)程用圖簡(jiǎn)易表達(dá)如下：清洗 反應(yīng)物，添加劑，催化劑 加熱，反應(yīng) 除水，回收醇 加入，混合 反應(yīng)結(jié)束 補(bǔ)償加料 重設(shè)真空 加料 抽真空?qǐng)D1：涂料樹脂生產(chǎn)過(guò)程圖3.2建立模型建立模型的數(shù)據(jù)：共33個(gè)批次，40-70h之間。34個(gè)變量可在線測(cè)量，30秒記錄一次，4500-7500次記錄結(jié)果。2個(gè)質(zhì)量變量，取樣離線分析，8-10h后開始，間隔1.5-2h，20min完成，。15-20次記錄結(jié)果。將33個(gè)批次數(shù)據(jù)，27批次建模，6個(gè)批次驗(yàn)證。34個(gè)可測(cè)變量，去除11個(gè)設(shè)定值，選取23個(gè)測(cè)量值建模。有：X(I×J×K) Y(I×M×H)其中I為批次總數(shù)，J為過(guò)

45、程變量總數(shù)，K為過(guò)程變量的樣本總數(shù)，M為質(zhì)量變量的總數(shù)，H為質(zhì)量樣品的總數(shù)量。Y值對(duì)應(yīng)的時(shí)間為取樣時(shí)間。由于每個(gè)批次處理時(shí)間不同，K、H的值不同。而記錄頻率不同，同一批次H遠(yuǎn)遠(yuǎn)小于K，所以建立模型時(shí)做相應(yīng)的削減處理。 對(duì)X沿變量和批次展開可得到一系列的值X1，X2，X3XI。對(duì)Y沿時(shí)間展開也可得一系列值Y1，Y2，Y3YI。將校準(zhǔn)模型數(shù)據(jù)輸入到Matlab軟件中，得到其預(yù)測(cè)值。3.3驗(yàn)證模型通過(guò)軟測(cè)量技術(shù)結(jié)合PLS對(duì)該樹脂的間歇反應(yīng)酸度NA和濃度的預(yù)測(cè)與工廠實(shí)際測(cè)量對(duì)比。對(duì)比結(jié)果為圖1，圖2。圖2，酸度NA預(yù)測(cè)值與測(cè)量值對(duì)比圖圖3，粘度預(yù)測(cè)值與測(cè)量值對(duì)比圖3.4本章小結(jié)本章介紹了樹脂間歇反應(yīng)的

46、工業(yè)過(guò)程，運(yùn)用軟測(cè)量技術(shù)結(jié)合偏最小二乘法建立模型，并加以驗(yàn)證其質(zhì)量預(yù)測(cè)的準(zhǔn)確性。 第四章 結(jié)論與展望本文通過(guò)對(duì)樹脂間歇反應(yīng)過(guò)程進(jìn)行了相應(yīng)的分析，得到如下結(jié)論： 使用軟測(cè)量技術(shù)對(duì)涂料樹脂合成反應(yīng)中酸度和黏度質(zhì)量預(yù)測(cè)時(shí)，采用偏最小二乘法建立校正模型。能夠避免控制目標(biāo)的質(zhì)量參數(shù)只能在當(dāng)前反應(yīng)批次結(jié)束后才能獲取相應(yīng)的參數(shù)值，得到更準(zhǔn)確的酸度和粘度在線預(yù)測(cè)數(shù)據(jù)。通過(guò)對(duì)反應(yīng)過(guò)程分析，不僅可以得到反應(yīng)進(jìn)行的程度，而且對(duì)反應(yīng)機(jī)理的探究，動(dòng)力學(xué)模型的建立都提供了十分可靠的數(shù)據(jù)，同時(shí)也是后續(xù)反應(yīng)過(guò)程監(jiān)控，產(chǎn)品質(zhì)量控制的基礎(chǔ)。由于時(shí)間和條件的限制，對(duì)于該涂料樹脂合成反應(yīng)還可以考慮以下方面：1. 三階段PLS方法(T

47、PLS)。即：取單階段建模時(shí)兩個(gè)主要變量進(jìn)行聚類分析，分階段建模。2. 加入歷史數(shù)據(jù)的三階段PLS方法（LTPLS)。3. 移動(dòng)平均三階段PLS方法（MATPLS)。即：用變量在某一時(shí)間段的測(cè)量平均值代替單個(gè)時(shí)刻的測(cè)量值。參考文獻(xiàn)1 潘立登，李大宇等，軟測(cè)量技術(shù)原理與應(yīng)用M.北京：中國(guó)電力出版社；20092 李海青，黃志堯等，軟測(cè)量技術(shù)原理及應(yīng)用M.北京：化學(xué)工業(yè)出版社；20003 黃鳳良，軟測(cè)量思想與軟測(cè)量應(yīng)用J.計(jì)量學(xué)報(bào);2004,25(3)4 王建，楊耀權(quán)，馬高偉，軟測(cè)量輔助變量選擇方法研究J. 電力科學(xué)與工程;2011(7)5 楊希, 錢鋒, 張兵, 基于核函數(shù)主元分析的SVM建模方法

48、及應(yīng)用J.華東理工大學(xué)學(xué)報(bào)；2007(2)6 于靜江，周春輝，過(guò)程控制中的軟測(cè)量技術(shù)J.控制理論與應(yīng)用，1996;13（2）：137-1447 李正明，基于串并行混合神經(jīng)網(wǎng)絡(luò)的汽車胎號(hào)識(shí)別方法D.江蘇鎮(zhèn)江：江蘇大學(xué)電氣信息工程學(xué)院8 黨躍軒，公路限速模型的研究D.哈爾濱：黑龍江工程學(xué)院9 林蔭，黑保琴，基于MPIOpenMP混合模型的并行處理算法設(shè)計(jì)J.北京：中國(guó)科學(xué)院研究生院10 丁東，利用神經(jīng)網(wǎng)絡(luò)提高偏最小二乘法的NIR多組分分析精度D.長(zhǎng)春：吉林大學(xué)通信工程學(xué)院，200511 王津津，間歇反應(yīng)結(jié)晶過(guò)程產(chǎn)品質(zhì)量控制中的在線分析D.廣州：華南理工大學(xué)，201312 王介生，基于和聲搜索優(yōu)化多

49、T-S模糊神經(jīng)網(wǎng)絡(luò)的聚合釜過(guò)程軟測(cè)量建模D.沈陽(yáng)：東北大學(xué)信息科學(xué)與工程學(xué)院，201113 楊大峰，錢鋒，粗糙集神經(jīng)網(wǎng)絡(luò)混合系統(tǒng)及其應(yīng)用J.通訊和計(jì)算機(jī),2005,2(2):I1一13,5714 張宏建，孫志強(qiáng)，現(xiàn)代檢測(cè)技術(shù)M.北京:化工出版社，200715 王惠文，偏最小二乘回歸方法及其應(yīng)用J.國(guó)防工業(yè)出版社，199916 葉鶯，陳崇幗，林熙，偏最小二乘回歸的原理及應(yīng)用J.海峽預(yù)防醫(yī)學(xué)雜志，200517 楊慧中，偏最小二乘回歸模型的泛化能力改進(jìn)研究D.無(wú)錫：江南大學(xué)通信與控制工程學(xué)院，200818 宋高陽(yáng)，偏最小二乘回歸的研究D.浙江：浙江大學(xué)理學(xué)院，200919 蔣紅衛(wèi)，偏最小二乘回歸的擴(kuò)

50、展及其實(shí)用算法構(gòu)建D.西安：中國(guó) 人民解放軍第四軍醫(yī)大學(xué)，200320 林敏，杜光年，劉志斌，偏最小二乘回歸方法的局限性及改進(jìn)算法J.數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2008，38（9）致 謝此論文工作能夠順利完成，首先我要感謝我的導(dǎo)師王津津，本文從論文的選題、研究方案的制定，工作的開展以及論文的撰寫都是在王老師的精心指導(dǎo)和幫助和支持下完成的。在這期間，王老師廣博的知識(shí)，豐富的工程經(jīng)驗(yàn)都使我受益匪淺，其深厚的學(xué)術(shù)素養(yǎng)以及嚴(yán)謹(jǐn)?shù)膶W(xué)態(tài)度也是我今后工作和學(xué)習(xí)的榜樣。同時(shí)，在生活上王老師也給了我很大的幫助。在這里我對(duì)王老師表示崇高的敬意和衷心的感謝！感謝我同屆同學(xué)給予我的關(guān)心和支持，同時(shí)也感謝師弟師妹們。你們使我四

51、年的大學(xué)生活更加精彩與難忘，謝謝你們！最后，我要感謝我的父母，我的親人，沒(méi)有他們的支持，就不會(huì)有我今天的一切，謝謝！ 譚練 2013年5月湖南工學(xué)院2013屆畢業(yè)設(shè)計(jì)課題任務(wù)書學(xué)院： 材料與化學(xué)工程學(xué)院 專業(yè)：化學(xué)工程與工藝 指導(dǎo)教師王津津?qū)W生姓名譚練課題名稱化工間歇反應(yīng)過(guò)程產(chǎn)品質(zhì)量預(yù)測(cè)建模內(nèi)容及任務(wù)研究?jī)?nèi)容：該項(xiàng)目以一種涂料樹脂化工生產(chǎn)為例，以部分最小二乘法為基礎(chǔ)，通過(guò)軟測(cè)量技術(shù)對(duì)該聚合反應(yīng)進(jìn)行在線分析，建立該間歇過(guò)程的產(chǎn)品質(zhì)量預(yù)測(cè)模型。任務(wù)：查閱資料了解軟測(cè)量技術(shù)和偏最小二乘法原理和應(yīng)用。掌握涂料樹脂工業(yè)生產(chǎn)的流程。然后運(yùn)用軟測(cè)量技術(shù)結(jié)合偏最小二乘法對(duì)該反應(yīng)進(jìn)行質(zhì)量預(yù)測(cè)建模，通過(guò)建模預(yù)測(cè)得

52、出的數(shù)據(jù)驗(yàn)證該方法的可行性。擬達(dá)到的要求或技術(shù)指標(biāo)首先對(duì)軟測(cè)量技術(shù)中數(shù)據(jù)采集、二次變量選擇、數(shù)據(jù)預(yù)處理、軟測(cè)量模型的建立和模型在線校正等一系列步驟了解并掌握運(yùn)用，特別是軟測(cè)量技術(shù)的核心軟測(cè)量模型的建立。根據(jù)人們對(duì)過(guò)程的認(rèn)識(shí)程度主要分為機(jī)理建模、回歸分析的統(tǒng)計(jì)建模、狀態(tài)估計(jì)和機(jī)理和回歸分析相結(jié)合的混合建模四類，判斷出本文具體適用于哪一種。然后了解偏最小二乘法基本原理、算法和研究現(xiàn)狀，并且能夠運(yùn)用于軟測(cè)量技術(shù)建模中。最后利用軟測(cè)量技術(shù)結(jié)合最小二乘法建立模型對(duì)涂料樹脂的質(zhì)量變量粘度和酸度進(jìn)行預(yù)測(cè)，并且和工廠實(shí)際測(cè)量值用圖表進(jìn)行對(duì)比?？丛摲椒ㄊ欠衲軌蜻\(yùn)用于間歇反應(yīng)過(guò)程產(chǎn)品質(zhì)量預(yù)測(cè)。進(jìn)度安排起止日期工作

53、內(nèi)容備注1，2012年11月-12月：2，2012年12月-2013年1月：3，2013年2月20日-3月9日 ：4，2013年4月初-4月底：5，2013年5月初到5月底：6，2013年6月初：1.確定課題題目，下達(dá)課題任務(wù)書，學(xué)生翻譯外文資料2， 查找相關(guān)資料；3，寫出提綱，完成畢業(yè)設(shè)計(jì)開題報(bào)告；4，整理資料，寫出畢業(yè)設(shè)計(jì)初稿；中期檢查（4月28日檢查）；5，在導(dǎo)師指導(dǎo)下修改完善畢業(yè)設(shè)計(jì)，定稿并裝訂成冊(cè)；6，準(zhǔn)備并完成畢業(yè)設(shè)計(jì)答辯。主要參考資料1 潘立登，李大宇等，軟測(cè)量技術(shù)原理與應(yīng)用M.北京：中國(guó)電力出版社；20092 李海青，黃志堯等，軟測(cè)量技術(shù)原理及應(yīng)用M.北京：化學(xué)工業(yè)出版社；20

54、003 黃鳳良，軟測(cè)量思想與軟測(cè)量應(yīng)用J.計(jì)量學(xué)報(bào);2004,25(3)4 王建，楊耀權(quán)，馬高偉，軟測(cè)量輔助變量選擇方法研究J. 電力科學(xué)與工程;2011(7)5 楊希, 錢鋒, 張兵, 基于核函數(shù)主元分析的SVM建模方法及應(yīng)用J.華東理工大學(xué)學(xué)報(bào)；2007(2)6 于靜江，周春輝，過(guò)程控制中的軟測(cè)量技術(shù)J.控制理論與應(yīng)用，1996;13（2）：137-1447 李正明，基于串并行混合神經(jīng)網(wǎng)絡(luò)的汽車胎號(hào)識(shí)別方法D.江蘇鎮(zhèn)江：江蘇大學(xué)電氣信息工程學(xué)院教研室意見年 月 日學(xué)院主管領(lǐng)導(dǎo)意見年 月 日湖南工學(xué)院本科生畢業(yè)論文開題報(bào)告設(shè)計(jì)（論文）題目 化工間歇反應(yīng)過(guò)程產(chǎn)品質(zhì)量預(yù)測(cè)建模 設(shè)計(jì)（論文）題目來(lái)

55、源老師自擬題目設(shè)計(jì)（論文）題目類型建立模型及工作起止時(shí)間2012年12月至2013年6月一、 設(shè)計(jì)（論文）依據(jù)及研究意義：作為工業(yè)生產(chǎn)中一種重要的生產(chǎn)方式, 現(xiàn)在被業(yè)界廣泛認(rèn)可的間歇過(guò)程是指在有限的時(shí)間內(nèi)、按照預(yù)先設(shè)計(jì)好的工序流程將原材料加工生產(chǎn)成符合質(zhì)量要求的產(chǎn)品。間歇過(guò)程作為最主要的化工過(guò)程之一，是高附加值產(chǎn)品生產(chǎn)的主要方式，其呈現(xiàn)出的非線性、不穩(wěn)定性、不確定性等特點(diǎn)，會(huì)嚴(yán)重制約產(chǎn)品質(zhì)量控制過(guò)程的有效實(shí)施。為確保生產(chǎn)安全，環(huán)保，保證產(chǎn)品質(zhì)量，提高市場(chǎng)競(jìng)爭(zhēng)力，節(jié)約生產(chǎn)成本。由于受技術(shù)、經(jīng)費(fèi)等條件限制，對(duì)于產(chǎn)品質(zhì)量預(yù)測(cè)的傳統(tǒng)方法是得到產(chǎn)品離線分析。離線分析不僅存在著嚴(yán)重的滯后，同時(shí)獲得的信息也有一定的偏差