2023年基于RBF神经网络的锅炉汽包水位软测量初探.docx

基于最小二乘算法的汽包水位软测量初探 华北电力大学自动化卓越班结课论文 汽包水位是电站锅炉运行的重要参数,汽包水位控制的好坏直接影响到火电厂运行的安全,稳定与经济性.热工系统往往表现出非线性和不确定性,难以建立精确的数学模型.以汽包水位为对象,结合机理分析确定原始变量作为神经网络的输入,通过K均值聚类法和梯度下降法实现了网络的学习功能,并最终建立了基于最小二乘算法的软测量模型.阐述了最小二乘算法在汽包水位测量中的建模与应用.仿真实验证明该模型具有简单易行,精度高,训练时间短,运算速度快的特点,为汽包水位提供了一种新的方法 2023 潘浩 自动实1101 2023/12/31 星期日 基于最小二乘算法的锅炉汽包水位软测量初探 潘浩 (华北电力大学,自动化系,2023级,202302330117) :汽包水位是电站锅炉运行的重要参数,汽包水位控制的好坏直接影响到火电厂运行的安全,稳定和经济性.热工系统往往表现出非线性和不确定性,难以建立精确的数学模型.以汽包水位为对象,结合机理分析确定原始变量作为神经网络的输入,通过K值聚类法和梯度下降法实现了网络的学习功能,并最终建立了基于最小二乘算法的软测量模型.阐述了最小二乘算法在汽包水位中的建模与应用.仿真实验证明该模型具有简单易行,精度高,训练时间短,运算速度快的特点,为测量汽包水位提供了一种新的方法. 关键词: 软测量; 最小二乘算法; Primary discussion on soft-sensor of water level of boiler drum based on RBF neural network PAN Hao (North China Electric Power University,Dept of Automation,Generation of 2023,202302330117) Abstract: Drum level is an important parameter to run the utility boiler, steam drum level control has a direct impact on the operation of thermal power plant security, stability and economy. Thermal systems often exhibit nonlinearity and uncertainty, it is difficult to establish a precise mathematical model with drum level for the object, combining mechanism analysis to determine the original variables as inputs to the neural network, the descent to achieve a network of learning through K-value clustering and gradient, and eventually established based on Least-squares algorithm soft measurement model this paper expounds the RBF neural network modeling and application of the drum level simulation results show that the model has a simple, high accuracy, training time is short, fast speed characteristics, drum level measurement provides a new method. Key words: Soft measurement; Least-squares algorithm; 目录 第一章 绪 论 3 1.1软测量简介 3 1.1.1概述 3 1.1.2组成局部 3 1.1.3特点 4 1.2课题现状 4 1.2.1软测量技术的研究现状 4 1.2.2软测量模型的建模方法 7 1.2.3 软测量技术建模方法的研究展望 9 1.2.4汽包水位测量系统概述 10 1.2.5本文的主要内容 11 第二章 数据处理采集与数据处理方法 13 2.1数据的采集 13 2.2数据的处理方法 14 2.2.1傅立叶变换 14 2.2.2小波变换 15 简介 15 2历史 15 3小波分析 16 4解释 16 5应用 17 第一章 绪 论 1.1软测量简介 1.1.1概述 软测量的根本思想是把自动控制理论与生产过程知识有机的结合起来，应用计算机技术对难以测量或者暂时不能测量的重要变量，选择另外一些容易测量的变量，通过构成某种数学关系来推断或者估计，以软件来替代硬件的功能。应用软测量技术实现元素组分含量的在线检测不但经济可靠，且动态响应迅速、可连续给出萃取过程中元素组分含量,易于到达对产品质量的控制。 软测量技术主要由辅助变量的选择、数据采集与处理、软测量模型几局部组成。 1.1.2组成局部 1. 机理分析主要是明确软测量的任务，确定主导变量，深入了解和熟悉装置的工艺流程，通过机理分析初步确定辅助变量。辅助变量包括变量类型、变量数目和检测点位置。辅助变量的选择应符合关联性、特异性、过程适应性、精确性和鲁棒性。辅助变量的下限是被估计的主导变量数，但是上限没有统一的理论指导，可以根据系统的自由度和生产过程的特点适当的增加上限值。 2：理论上数据采集量是多多益善，不仅可以用来建模还可以检验模型。为了保证软测量的精确性，数据采集要正确、可靠，并且进行处理：换算和误差处理。换算包括标度、转换和权函数三个个方面。误差分析主要是指随机误差和过失误差。随机误差可以采用滤波的方法解决，过失误差的解决方法有统计假设校验法、广义似然法、贝叶斯法及近年来出现的神经网络方法。 3：软测量建模是软测量技术的关键和难点，主要方法有机理建模、实验建模及二者结合建模方法。 过程　　机理建模的优点是可以充分利用的过程知识，从事物的本质认识外部特征，使用范围较大，但是对于某些复杂的过程难以建模。 1.1.3特点 经验建模是通过实测或依据积累的操作数据，用数学回归方法、神经网络方法得到经验模型。理论上其有很多建模方法，但是在工程实施的过程中会遇到困难，因为工艺上不允许操作条件的大幅度变化。其优缺点与机理建模正好相反。 机理建模与经验建模相结合可兼有二者长处，互补其短。 1.2课题现状 1.2.1软测量技术的研究现状 软测量技术主要由辅助变量的选择、数据采集和处理、软测量模型及在线校正四个局部组成，理论根源是基于软仪表的推断控制。推断控制的根本思想是采集过程中比拟容易测量的辅助变量，通过构造推断估计器来估计并克服扰动和测量噪声对主导变量的影响。 1 、机理分析与辅助变量的选择 首先明确软测量的任务，确定主导变量。在此根底上深人了解和熟悉软测量对象及有关装置的工艺流程，通过机理分析可以初步确定影响主导变量的相关变量— 辅助变量。辅助变量的选择包括变量类型、变量数目和检测点位置的选择。这三个方面互相关联、互相影响，由过程特性所决定的。在实际应用中，还受经济条件、维护的难易程度等外部因素制约。 2 、数据采集和处理 从理论上讲，过程数据包含了工业对象的大量相关信息，因此，数据采集量多多益善，不仅可以用来建模，还可以检验模型。实际需要采集的数据是与软测量主导变量对应时间的辅助变量的过程数据。其次，数据覆盖面在可能条件下应宽一些，以便软测量具有较宽的适用范围。为了保证软测量精度，数据的正确性和可靠性十分重要。 采集的数据必须进行处理，数据处理包含两个方面，即换算(sealing)和数据误差处理。数据误差分为随机误差和过失误差两类，前者是随机因素的影响，如操作过程微小的波动或测量信号的噪声等，常用滤波的方法来解决;后者包括仪表的系统误差(如堵塞、校 正不准等)以及不完全或不正确的过程模型(受泄漏、热损失等不确定因素影响)。过失误差出现的几率较小，但它的存在会严重恶化数据的品质，可能会导致软测量甚至整个过程优化的失效。因此，及时侦破、剔除和校正这类数据是误差处理的首要任务。 3、软测量模型的建立 软测量模型是软测量技术的核心。建立的方法有机理建模、经验建模以及两者相结合的建模。 机理建模。从机理出发，也就是从过程内在的物理和化学规律出发，通过物料平衡与能量平衡和动量平衡建立数学模型。对于简单过程可以采用解析法，而对于复杂过程，特别是需要考虑输人变量大范围变化的场合，采用仿真方法。典型化工过程的仿真程序已编制成各种现成软件包。优点是可以充分利用的过程知识，从事物的本质上认识外部特征;有较大的适用范围，操作条件变化可以类推。但它亦有弱点，对于某些复杂的过程难于建模，必须通过输人/输出数据验证。 经验建模。通过实测或依据积累操作数据，用数学回归方法、神经网络方法等得到经验模型来进行测试，理论上有很多实验设计方法，如常用的正交设计等。有一种方法是吸取调优操作经验，即逐步向更好的操作点移动，这样可一举两得，既扩大了测试范围，又改良了工艺操作。测试中另一个问题是稳态是否真正建立，否那么会带来较大误差。还有数据采样与产品质量分析必须同步进行。最后是模型检验，检验分为自身检验与交叉检验。我们建议和提倡交叉检验。经验建模的优点与弱点与机理建模正好相反，特别是现场测试，实施中有 一定难处。 机理建模与经验建模相结合。把机理建模与经验建模结合起来，可兼容两者之长，补各自之短。机理与经验相结合建模是一个较实 用的方法，目前被广泛采用。 4、 软测量模型的在线校正 由于软测量对象的时变性、非线性以及模型的不完整性等因素，必须考虑模型的在线校正，才能适应新工况。软测量模型的在线校正可表示为模型结构和模型参数的优化过程，具体方法有自适应法、增量法和多时标法。 对模型结构的修正往往需要大量的样本数据和较长的计算时间，难以在线进行。为解决模型结构修正耗时长和在线校正的矛盾，提出了短期学习和长期学习的校正方法。短期学习由于算法简单、学习速度快而便于实时应用。长期学习是当软测量仪表在线运行一段时间积累了足够的新样本模式后，重新建立软测量模型。 1.2.2软测量模型的建模方法 软测量的核心问题是其模型的建立，也即建立待估计变量与其它直接测量变量间的关联模型。软测量建模的方法多种多样，且各种方法互有交叉，且有相互融合的趋势，因此很难有妥当而全面的分类方法。目前，软测量建模方法一般可分为:机理建模、回归分析、状态估计、模式识别、人工神经网络、模糊数学、基于支持向量机(SVM)和核函数的方法、过程层析成像、相关分析和现代非线性系统信息处理技术等。这些方法都不同程度地应用于软测量实践中，均具有各自的优缺点及适用范围，下面简要介绍机理建模、回归分析、状态估计三种方法。 1、基于工艺机理分析的软测量建模 基于工艺机理分析的软测量建模主要是运用化学反响动力学、物料平衡、能量平衡等原理，通过对过程对象的机理分析，找出不可测主导变量与可测辅助变量之间的关系(建立机理模型)，从而实现对某一参数的软测量。对于工艺机理较为清楚的工艺过程，该方法能构造出性能良好的软仪表。但是对于机理研究不充分、尚不完全清楚的复杂工业过程，难以建立适宜的机理模型。此时该方法就需要与其它参数估计方法相结合才能构造软仪表。这种软测量建模方法是工程中常用的方法，其特点是简单、工程背景清晰，便于实际应用，但应用效果依赖于对工艺机理的了解程度，因为这种软测量方法是建立在对工艺过程机理深刻认识的根