化工间歇反应过程产品质量预测建模论文

1、 2013 届毕业论文题 目化工间歇反应过程产品质量预测建模院 、 部： 材料与化学工程学院 学生： 谭练 指导教师：王津津 职称 助教 专 业： 化学工程与工艺 班 级： 化工0902班 完成时间： 2013年5月19日 目 录摘要1第一章 前言31.1 论文研究的目的和意义31.2 软测量技术的概述31.2.1软测量技术的基本思想31.2.2机理分析与辅助变量的选择31.2.3数据采集和处理41.2.4软测量建模的方法41.2.5软测量模型的在线校正61.2.6软测量技术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 简介72.2偏最小二乘法的基本原理72

2、.3偏最小二乘法的算法82.4偏最小二乘法的研究现状92.4.1数据的预处理92.4.2特征向量的选取102.4.3多变量问题102.4.4非线性问题102.5本章小结12第三章 案例分析133.1一种工业涂料树脂合成工业过程133.2建立模型143.3验证模型143.4本章小结15第四章 结论与展望16参考文献17致 19任务书20开题报告22进度检查表24指导教师审阅表26评阅教师审阅表27答辩资格审查表28答辩小组意见与最终成绩评定表3029 / 32摘要由于科技与工业水平的不断发展，化工产品的附加值逐渐增高，人们对化工产品的质量需求也逐渐提升。化工生产过程中保证产品质量的关键是产品质量

3、控制。间歇过程作为最普遍的化工过程之一，为高附加值产品生产的主要方式，其表现出的非线性、不稳定性、不确定性等特点，会严重影响产品质量控制过程的有效实施。要解决间歇生产过程中出现的质量控制问题，就要对过程有清楚的了解，并且能得到实时的过程信息，即过程的在线分析。过程的在线分析包括过程变量在线测量与过程分析两个部分。本文运用软测量技术结合偏最小二乘法，对涂料树脂生产合成进行建模，通过建立模型预测涂料树脂酸度、粘度和工业实际测量的树脂酸度、粘度对比，说明偏最小二乘回归法的引入在粘度和树脂酸度预测上有较高的准确性。关键词：间歇反应过程；软测量技术；偏最小二乘法；在线分析AbstractWith the

4、 development of industry and technology, the value added to chemicals increased, which, at the same time, promoted the demands in the qualitiesof chemicalproducts. Product quality control is the key to ensure the product quality. Butinbatch process, the mainprocessofvalue-added chemicals production,

5、 it is seriouslyrestricted by the nonlinearity, un-stabilization, uncertainty and multi-scale factorsof the process. Theprocess analysis technology, including the variables on-line measurements and the analysis of theprocess, can improve the quality optimization control effectively.In this paper, th

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

7、ity and viscosity have high accuracy.Key words:Batch Reaction Process; Partial Least Squares; On-line Analysis第一章 前言1.1 论文研究的目的和意义随着市场竞争的日趋激烈，企业想在残酷的竞争中发展并提高，就应当提高自身的生产效率，减少生产成本，并且还要节约资源。为了获得更好的产品或是获取更加满意的产品质量成为了间歇反应过程控制的普遍需要。对于间歇反应过程是完整的,具有可重复性,控制目标的质量参数只能在当前反应后可以获得相应批次参数值。这使得间歇过程产品的质量的直接控制存在相应的阻碍。

8、因此将反应过程能够直接测量且与产品质量密切相关的变量作为过程变量，采用软测量技术思想并结合偏最小二乘回归法对间歇反应过程进行深入研究，达到间歇过程反应质量预测。1.2 软测量技术的概述软测量技术是简介测量的一个发展方向，自20世纪80年代中后期提出作为一个概括性的科学术语以来，研究非常活跃，发展十分迅速，应用日益广泛，几乎渗透各个工业领域方面，已经成为检测技术的主要研究方向之一。尤其是近年来，国外对软测量技术进行了大量的研究。软测量技术被列为未来控制领域研究的几大方向之一，具有广阔的应用前景1, 2。软测量技术主要包括数据采集、二次变量选择、数据预处理、软测量模型的建立和模型在线校正等一系列步

9、骤，其中软测量技术的核心是软测量模型的建立，根据人们对过程的认识程度主要分为机理建模、回归分析的统计建模、状态估计和机理和回归分析相结合的混合建模四类。1.2.1软测量技术的基本思想通过利用那些与难于检测的过程量（主导变量，Primary variable）有密切关系而且容易检测到的过程量（辅助变量，Secondary Variable）为基础,通过数学变量与结构选择模型辨识模型验证实施在线校正变量，利用数学模型运算，得到主导变量的估计值。具体测量原理根据测量对象和需要而有所不同3。1.2.2机理分析与辅助变量的选择首先要明确软测量技术的任务,确定主导变量。并且在这个基础上深入认识和熟悉软测量

10、的对象和有关设备的工艺流程,利用机理分析能够初步确定相关辅助变量。选择辅助变量包括变量数目、变量类型和检测点位置的选择。其中这三个方面相互关联、相互影响,是受过程特性所决定的。所以辅助变量的选择应该具备关联性、过程适用性、特异性、鲁棒性和精确性这些特性。辅助变量最少数量是被估计的主导变量数目，然而上限没有统一的理论规定，能够通过生产过程的特点和系统的自由度适当的增加上限数目。根据对生产过程的分析，再研究直接或者间接影响所测化工参数的其他参数，并最终确定通过软测量模型预测结果的辅助变量。当然在实际应用中,还受着维护的难易程度、经济条件等外部条件制约4。1.2.3数据采集和处理从理论上说,过程数据

11、包含了工业对象的大量相关信息,因此,数据采集量越多越好,不仅可以用来建模,而且还可以检验模型。实际需要采集的数据为跟软测量主导变量相对应时间刻的辅助变量的过程数据。当然,数据覆盖面在可能的条件下应当宽一些,能够便于软测量具有更加宽的适用围。所以要使软测量精度得到保证,则数据的正确性和可靠性非常重要。 采集的数据必需进行处理,数据处理包括两个方面,第一是数据换算，第二是数据误差处理。而数据误差分为过失误差和随机误差两种,随机误差是随机因素的影响,如测量信号的噪声或者操作过程微小的波动等,而常用的解决方法是滤波法;过失误差包含仪表的系统误差(如校正不准确、堵塞等)和不完全或者不正确的过程模型(热损

12、失、受泄漏等不确定因素影响)。虽然过失误差出现的概率比较小,但是它的存在会导致数据的品质严重恶化,可能会致使软测量甚至全部过程优化的失效。所以，与时发现、剔除和校正这些类型的数据是处理误差的首要任务。1.2.4软测量建模的方法模型的建立是软测量的核心问题,即建立主导变量和其它能够直接测量的变量间相关联模型。然而软测量建模的方法非常多,并且各种方法互有交叉,还具备相互融合的趋势,所以很难有妥当且全面的分类方法。当今,软测量建模方法主要可分为:机理建模、状态估计、回归分析、混合建模、人工神经网络、模式识别、模糊数学、过程层析成像、基于支持向量机(SVM)和核函数的方法5、相关分析与现代非线性系统信

13、息综合处理技术等。各种方法都有相应程度地应用于相应的软测量实践中,均含有各自的优缺点和适用围,并且一些方法已经在软测量实践中有许多成功的运用,然而有些建模方法受限于技术发展水平,导致目前在过程控制中的应用还比较较少6。下面简单介绍机理建模、回归分析、状态估计、混合建模四种方法。1、机理建模。对工艺机理分析来软测量建模主要是运用物料平衡、能量平衡、化学反应动力学等原理，通过分析过程对象的机理，找到不可测的主导变量和可测到的辅助变量间的联系来建立机理模型，从而实现对某个参数的软测量。对于那些工艺机理比较清楚的工艺过程，此方法能构造出性能不错的软仪表。然而对于那些机理研究不够充分、还不绝对清楚的复杂

14、工业过程，则建立合适的机理模型难度较大。这时该方法就必须与其它参数估计的方法互相结合才能构造适用的软仪表。不过这种软测量建模方法在工程中还是常用的方法，因为其特点是简易、工程背景清晰，对实际应用很方便，但应用效果取决于对工艺机理的了解程度，因为这种软测量方法的建立的关键在与对工艺过程机理认识程度上，所以建模的难度较大。2、回归分析的建模。经典的回归分析为一种建模的基本方法，它应用围十分广泛。以最小二乘法原理作为基础的一元与多元线性回归技术现在已相当成熟，常用在线性模型的拟合。对于那些辅助变量较少的情况下，一般运用多元线性回归中的逐步回归技术以获得较好的软测量模型。.然而对于辅助变量较多的情况下

15、，通常还要借助于机理分析，首先得到模型各变量的基本框架，然后再运用逐步回归方法得到软测量模型。为了简化模型，也可运用主元回归分析法和偏最小二乘法等方法。回归分析的软测量的建模方法虽然简单实用，但是需要足够有效的样本数据，不但对测量误差较为敏感而且模型物理量概念不清晰。3、状态估计建模。如果系统的主导变量是系统的状态变量，而且是完全可观的，则软测量建模问题就转变成了典型的状态观测和状态估计了。基于状态估计的软仪表因为可以表明主导变量和辅助变量中的动态关系，所以，处理各变量之间动态特性的差异与系统滞后等情况十分有利。然而此软测量建模方法的缺点主要是对复杂的工业过程，由于对系统的状态空间模型的建立比

16、较难，这使得该方法的应用在一定程度上受到了限制。并且在许多工业生产过程中，经常会出现持续的缓慢变化的不可测的干扰，此时采用这种建模方法可能误差显著。4、混合建模。混合建模是使用多种方法建立过程对象的数学模型。利用系统已有的先验知识，把机理模型和回归分析模型方法结合，互为补充，将黑箱模型转化为灰箱模型。机理模型可以提供的先验知识，可为回归分析模型节省训练样本，提高统计模型的推广能力，回归分析模型可以提取机理模型无法解释的对象的部的复杂信息，补偿机理模型的未建特性。混合模型的结合方式两种，串行和并行。前者一般是先用机理方法得到一个带参数的模型结构，后用统计方法来确定结构中的参数7，8。后者多是用统

17、计方法确定一个补偿器，用该补偿器对机理模型得到的结果进行补偿9。机理和统计相结合的混合模型与单纯的黑箱模型相比，模型的精度和推广能力都有很大程度的提升，同时减少参数估计所需数据，减少了计算量。不同的统计方法也可以结合起来，如模糊神经网络，神经网络部分最小二乘法（NNPLS）10等，适用于复杂化工过程的建模。1.2.5软测量模型的在线校正由于软测量对象的时变性、非线性以与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。软测量模型在线校正可以表示为模型结构与模型参数的优化过程，其具体方法有自适应法、多时标法和增量法。对模型结构的修正通常需要大量的样本数据和比较长的计算时间，而且难以在

18、线进行。为了解决模型结构修正耗费时间长和在线校正的矛盾，提出了短期学习与长期学习的校正方法。其中短期学习因为算法简单、学习速度快所以便于实时应用。而长期学习是软测量仪表在线运行一段时间而积累了充足的新样本模式以后，重新建立软测量模型11。1.2.6软测量技术建模方法的研究展望软测量建模方法尽管经过多年的发展取得了很多成果，但是仍然有许多问题有待研究。进一步研究软测量建模方法的方向有以下几种。  1、将新兴的技术应用于软测量建模。当今虽然出现了很多软测量建模方法，然而仍不能完全满足实际需要。把一些新兴的技术运用于软测量建模，并建立新兴技术的软测量模型仍然是目前研究的热点。例如将神经网络

19、、遗传算法、微粒群优化算法等新兴技术运用于软测量建模，建立出性能更好的软测量模型。运用多目标遗传算法去选择子系统输入变量，并且结合T-S模糊系统的特点，运用二分法划分子系统输入空间，来建立基于递阶T-S模糊系统的软测量模型12。仿真结果显示，这种方法具有精度高、生成规则数少、泛化特性良好、结构简单等优点。将动态前馈神经网络和粗糙集理论相结合而成的神经网络构造方法，运用于乙烯装臵裂解炉燃料气热值的控制中，得到了良好的应用效果13。在实数编码免疫算法的基础上，利用模糊技术，对免疫算法中的两个关键参数已经实现了模糊自适应的调整，而且解决了基本免疫算法中寻优速度慢和收敛精度低的缺点，并将此算法运用于优

20、化BP神经网络的结构和参数14。  2、动态软测量模型研究。通过十几年的发展，无论是在理论研究上还是在实际应用中软测量技术均取得了较大成果，不过至今为止的绝大部分的研究都是研究静态软测量模型。所以为了更进一步的提高软测量模型鲁棒性和精度，动态软测量模型将是以后任务探究方向之一。软测量技术作为工业计算机优化控制的有利工具，它在理论研究与实际应用中已取得了诱人的成果，其理论体系也正在逐步形成。然而过于夸大软测量的用处或者忽视软测量的重要性都是不正确的。虽然软测量只靠实验室分析仪表分析值来进行校正要获取很高精度是很困难的，它是一种粗放型测量技术。所以软测量要想得到高精度，必须要运用在线分析

21、仪表来进行实时校正。1.3本文的工作安排本文的工作将围绕树脂的间歇合成过程展开。第一章主要介绍课题的研究背景以与过程在线分析中的软测量技术。第二章介绍了偏最小二乘法的原理，基本步骤以与在化工领域的研究进展，为后面其在过程在线分析中的应用做准备。第三章针对涂料树脂的间歇合成，提出了软测量技术结合偏最小二乘法的树脂酸度和粘度在线测量模型，证实该方法的有效性。最后一章是对本文工作的总结和之后工作的探讨。第二章 偏最小二乘法（PLS）2.1 简介偏最小二乘法(PLS：partial least squares)：是一种新型的多元统计数据分析方法，它主要研究的是多因变量对多自变量的回归建模，特别当各变量

22、部高度的线性相关时，利用偏最小二乘回归法更加有效。而且偏最小二乘回归法对样本个数少于变量个数等问题非常好解决。偏最小二乘法具有主成分分析法、多元线性回归分析法和典型相关分析法三种分析方法的优点。其与主成分分析法都是提取来表示数据变异最大信息，但是主成分分析法仅仅考虑一个自变量矩阵，然而偏最小二乘法还具有一个“响应”矩阵，所以具有预测功能15。2.2偏最小二乘法的基本原理为了建立由各因素构成的数据矩阵X与由各目标构成的数据矩阵Y之间的关系，其中X包涵p个变量，Y包涵p1个变量，样本数为m，传统的处理方法为利用最小二乘法来建立如下线性模型：Y=XB+E。其中E是残差矩阵，其中的回归系数矩阵B的最小

23、二乘解：B=(XTX)-1XTY。用PLS方法对以上问题处理时，首先将矩阵X作双线性分解，即：X=TP+E(1)。其中的矩阵T具有两两正交的隐变量或者得分矢量t，上述的表达式从统计数学上看和主成分分析法一样。PLS方法跟主成分分析法的不同之处为主成分分析法分解后获得t的隐变量的方差必须最大，并不考虑矩阵Y的关系。然而用PLS方法时，则需要用到矩阵Y中的信息，而且矩阵Y也可作双线性分解，即：Y=UQ+F(2)。其中F为残差阵，U矩阵包涵Y的隐变量u，即u为矩阵Y中变量的线性组合。 PLS方法要求从X分解得到的隐变量t和Y分解得到的隐变量u是最大重叠或者相关性为最大，因此有：u=vt+e式中e为残

24、差矢量，系数根据最小二乘确定16,17,18。2.3偏最小二乘法的算法由两个主成分分析步骤与一个回归步骤组成进行分解前可以对数据进行相应的预处理，例如按列均值中心化处理等。其基本过程如下：分别对矩阵Y，X进行主成分分析。Y=UQ+F对Y矩阵进行以下分解.取Y中的随意一列作为起始的u.由此u与Y计算qT：qT=uTY/uTu.将qT归一化：qTnew=qTold/ |qTold|.计算新的u： u=Yu/uTu.比较第4步所得新u和起始u，如果二者相等或者在给定误差围，那么就停止运算；如果不相等，将新u取代初始u进入第2步继续迭代。X=TP+E对X矩阵进行下列分解 取X中的随意一列作为起始的t

25、由此t与X计算pT：pT=tTX/tTt 将pT归一化：pTnew=pTold/ |pTold| 计算新的t： t=Xp/pTp 比较第4步所得新t和起始t，如果二者相等或者在给定误差围，那么就停止运算；如果不相等，将新t取代初始t进入第2步继续迭代。这样互相独立求出的u与t，与主元回归分析法没有本质区别，为了使由Y得出的u能与X得出的t之间有良好的线性关系，可以让Y分解为U时引入有关T的信息，或从X分解出T时引入U的信息，这可通过在迭代时交换迭代变量达到，根据此思路将上述两个独立的分解过程合而为一，得到PLS解，过程如下：1.矩阵X合矩阵Y的标准化处理2.取Y中任意一列赋给作为起始的u对于X

26、矩阵对于X矩阵 3. wT=uTX/uTu （pT=tTX/tTt）4.归一化：wTnew=wTold/ |wTold|5.计算新的t：t=Xw/wTw6.对于Y矩阵： qT=tTY/tTt （qT=uTY/uTu）7.归一化qTnew=qTold/ |qTold|8. u=Yq/qTq9.收敛判据：将步骤8所得的u与前一次迭代结果相比较，若相等（在允许误差围）到步骤1010. pT=tTX/tTt11.归一化：pTnew=pTold/ |pTold|12. tnew=told *|pold|13. wTnew=wTold* |pTold|14. b= uTt/tTt计算回归系数b以用于部关联

27、：15.Eh= Eh-1-thphT16.Fh= Eh-1- bhthwqhT之后回到步骤2，去进行下一主成分的运算，直到残差趋近于零。未知样品预测17.如校正部分，将X矩阵标准化18.h=0，y=019.h=h+1，th=XWhT，y=y+ bhthwqhT，x=x-thphT20.若ha（主成分数），到步骤21.否则返回步骤1921.得到的y已经标准化，因此需要按照标准化步骤的相反操作，将之复原到原始坐标注意的是对预测集进行标准处理时，使用的是训练集的均值和标准偏差。因此，在进行反标准化操作时，使用的也应该是训练集的均值和标准偏差19,20。2.4偏最小二乘法的研究现状从 PLS 方法的开

28、创到广泛应用，相关学者对其各方面都做了深入研究，下面就其一些基本问题进行讨论。2.4.1数据的预处理在进行 PLS 回归建模分析时要对数据进行预处理，最常用的方法是归一化，即将各变量减去各自的均值并除以各自标准差。归一处理，各变量对回归模型的影响一样。而在一些过程 中存在某 些变量比较 重要，即 对目标变量 的影响比 较大，在事先知道某些变量重要的情况下，预处理时可以给其乘上一个相对较大的权值。光谱分析领域中基线的移动，过程工业中测量仪表的更换等都会导致自变量中含有与因变量无关的系统变化信息，都会使 PLS 中包含冗余成分，模型过于复杂，解释相对比较困难，导致预测误差变大。针对此类问题，提出了

29、正交信号修正（OSC）方法，除去自变量系统中与因变量无关的正交成分，再进行 PLS 回归，使模型得到简化。2.4.2特征向量的选取在用 PLS 建模过程中，特征向量的选取是个关键问题。由于建模数据所含的信息冗余，特征向量数目过少不能包含大部分的有效信息；特征向量过多，尽管可以使模型的残差减小，但噪声的引入会使得模型的推广性能变差。常用的选定特征向量个数的方法主要有一下几种。一种是在迭代过程中分析所得到的残差矩阵Fh ，当Fh 的数|Fh|小于某个阈值时，停止迭代，此时特征向量的数目即为 PLS 模型最后选取的特征向量数。另外一种是比较|Fh| 和|Fh1|的差，当差值小于预先设定的阈

30、值时停止迭代。也可以将上述两种方法结合使用，效果更好。人们通常用的比较多且更为有效的是交叉校验法：将待测样本分为若干组，剔除一组，建立其余样本的 PLS 模型，再用剔除的样本作为检测模型，计算预测误差，重复上述步骤，直到每组数据都剔除过一次。再将每组数据的预测我查求和，得到预测残差累积平方和（PRESS）。分别取不同个数的特征向量，计算其对应的 PRESS，取 PRESS 最小时所对应的特征向量个数作为 PLS 模型应采取的特征向量个数。2.4.3多变量问题随着计算机水平和分析手段的提高，变量的采集越来越多，尤其是在光谱或色谱领域，对同一样本进行分析可以得到大量不同波长的数据，如何在不影响模型

31、性能的情况下，从包含大量数据的集合中选择合适的变量组成一个较小的子集进行回归建模，成了人们研究的一个热点。针对大量的光谱数据，先采用小波变换对数据进行压缩再进行 PLS 回归。采用交互变量选择（IVS）法，对于不重要的变量，在 PLS 回归过程中设置其对应权值 w 为 0，达到选择变量的目的。而负荷变量不进行变化，从而可以看出哪些被删除的变量与被保留的变量相关。IVS 方法不遗忘被删除的变量，从而不会影响最后模型的解释。对于过程变量个数很多的情况，主要有多模块 PLS和层次PLS方法，主要思想是对化工过程进行分析，按照生产过程机理和变量之间的相关关系，将要处理的过程变量分为多个关联较小的子模块

32、，各子模块分别对因变量建立 PLS 模型，后将各子模块得到的得分向量组合成超得分向量矩阵，再与因变量建立 PLS 模型。通过对过程数据的划分，使每一子模块模型相对简单，与单一的PLS 相比，多模块 PLS 和多层次 PLS 具有更好的解释能力。2.4.4非线性问题现代工业过程的数据通常是高度非线性的，前面所述的统计回归的方法，能够抽取过程的有用信息，消除冗余信息，但本质上是线性回归，在处理非线性系统建模问题时常表现出精度不够。引用额外的特征向量可以对非线性因素拟合，但引入的额外向量会增加对回归无益的噪声，严重降低模型的推广能力。针对此问题，提出 PLS 非线性建模的两种方法。一种是对输入矩阵进

33、行扩展，使扩展后的向量包含一些原始变量的非线性项，如原始变量的对数项，平方项，交叉乘积项等，再后对扩展的输入矩阵和输出矩阵进行 PLS 建模。文中作者给出了一种 QPLS 算法，部采用二阶多项式，外部保留线性关系的 PLS 算法。另一种方法是保留 PLS 方法的线性外部模型，部模型采用非线性形式：先用线性 PLS 的方法，通常利用 NIPALS 算法，得到输入、输出矩阵的特征向量 t 和 u，然后采用非线性函数拟合它们间的关系。同时，分析了两种方法各自存在的问题。第一种方法，对输入矩阵进行非线性项的扩展，存在输入变量选择问题。在没有关于原始输入变量间关系的先验知识的情况下，无法知道组合方式的选

34、择。不适当的扩展，可能会导致非线性项过多，使输入矩阵过大而难以处理，同时，得到的结果也不好解释。第二种方法，部模型采用非线性函数，主要问题是PLS外部模型输入权值 w 的更新。NIPALS算法是假设t 和u之间为线性关系，在采取非线性函数拟合时，影响外部模型的计算，进而对后面各个特征向量的计算产生影响。为解决这个问题他提出对部模型采用 Newton-Raphson线性化，再求解出权值w的增量dw对权值w进行更新，并证明了该方法对任何输入输出特征向量是连续可导关系的情况都使用。而且，在输入输出特征向量只有轻微非线性时，可以不进行权值 w 的更新，对最后结果的影响不大。在对输入矩阵进行扩展方面，对

35、原始矩阵 X 进行列扩展时，若 X 矩阵本身能够被投影模型 TPT 描述，说明 X 本身存在一个隐结构，仅仅扩展x 变量的平方项即可把特征变量的二次项，包括平方项和交叉项，隐含地包含进模型中。在进行列扩展时即可不必包含 X 变量的交叉项，大大减少了变量的数目。该方法称为隐含非线性特征变量回归（INLR）方法。同样的，对于三阶非线性，扩展时可只包括立方项。然后对扩展后的输入矩阵和输出矩阵进行 PLS 回归，则可以得到预测与响应变量间的关系。在部分最小二乘法中引入核函数的概念，提出了核函数部分最小二乘法。通过核函数将输入数据映射到高维的特征空间，实现非线性相关向线性相关的转化，然后在高维

36、特征空间中再进行PLS运算。该方法能充分利用样本空间信息，建立输入和输出变量之间的非线性关系，有效地提高模型拟合和预测精度。该方法在化工领域很多过程中已取得成功应用。保留PLS的线性外部模型，而部模型采用非线性函数形式来描述输入输出特征向量间关系的文献较多。NLPLS 算法，采用局部线性平滑步骤来描述每一对特征向量间的关系。其后，这种近似方法跟一阶（线性）样条函数类似，当用于小数据集合时不平滑，因此只能用于大的数据集合。SPL-PLS 方法，用平滑样条函数（二阶或三阶）来表述每一对特征向量间的非线性关系。在 此的基础上，出现了一种基于误差的权值更新方法，导出一种新的 QPLS 算法。文中证明该

37、方法的性能优于 上述的方法。作者还指出，基于误差的权值更新方法同样适用于输入输出特征向量间是任意非线性关系的情况，只要该非线性函数对 w 是连续且可导的。这些采用多项式非线性映射（或者它们的组合方式，如样条函数）的非线性 PLS 算法都是假设输入输出特征向量间的关系可以用某种特殊的多项式形式来表述。但是，这需要预先设定一系列参数，如多项式阶次、样条函数中节点的数目和位置等，而且，由于多项式描述非线性关系的能力受到自身形态的限制，有时可能无法恰当表达数据间某些较复杂的非线性关系。利用神经网络的万能逼近性，将神经网络与 PLS 方法结合，提出神经网络/部分最小二乘（NNPLS）方法。该方法先用线性

38、 PLS 方法得到输入输出特征向量，然后用以 Sigmoid 函数作激励函数的三层神经网络来表述输入输出向量间的非线性关系，每一对特征向量间的关系用一个神经网络来描述。同时证明 NNPLS 模型等价于一个多层前向神经网络，只是采用 NNPLS 自己独特的训练方式。NNPLS 与一般神经网络的不同之处在于：数据首先经过 PLS 的外部特征投影再用于训练神经网络。NNPLS 的外部线性变换将多元建模问题分解为若干个单入单出（SISO）的神经网络训练问题，不仅去除了数据间的相关信息，同时减少了网络的独立权重数，从而避免了一般神经网络训练的过参数问题（预测方差大，对噪声敏感等），并使网络训练不易陷入局

39、部极小点。上述 NNPLS 方法的一个缺陷是，模型训练过程中没有对输入权值 w 进行更新。只有当输入输出特征向量间非线性关系不严重时，才会有好的近似效果。基于误差的权值更新方法适用于输入输出特征向量间是任意非线性关系的情况，只要该非线性关系对 w 是连续且可导的。2.5本章小结该部分介绍了偏最小二乘法的基本原理、计算方法与研究现状，为后面章节偏最小二乘法在过程在线分析中的应用作了铺垫。第三章 案例分析3.1一种工业涂料树脂合成工业过程工业上聚酯树脂的生产主要用于涂料。通过聚合二醇和长链二元酸的批处理生产。该反应在12立方米的标称容量搅拌式夹套釜反应器进行加热。除了所需的产品，聚缩合反应还有水的

40、形成，所以必须从反应环境除去水来促进反应。为了除去水，工厂配备了填料精馏塔（这是运行在干燥模式下研究生产的树脂），外部为水冷冷凝器，和洗涤器。而真空泵运行必需在真空条件下。该工厂配备了一些在线测量的传感器。通过这些传感器定期收集了三十四个变量，每个变量收集都是在线过程完成，记录时间是通过计算机每30秒计量一次。通常情况下，这些变量包括过程测量（温度，压力，阀开口）和控制器的设定值（这是调整人一般由经营者）；收集的4500至7500个数据，这些数据是在33个批次40至70个小时收集的。本研究的目的，考虑了二十三个过程变量的在线记录。这些变量是在一个初步工程分析的基础上选择的。每一批次的运行都是通

41、过一序列的操作步骤，其部分是手工操作触发。一个典型的序列的操作步骤如下：对设备和线路进行清洗时，不同的是树脂已在前面的批量生产。然后，将原料、添加剂和催化剂装入反应器。液体二元醇的电荷是自动的，而长链二元酸是手动充电作为固体。二羧酸作为发酵产物，其质量可能一批批明显发生变化；其中的小的变化，可能是新生成的二元醇质量。然而，在运行反应器，打开混合和加热系统，并加热直至反应堆达到设定温度（202°C）期间，注入的质量不能批开始前测量。随着反应的进行，反应器的温度逐渐升；所以水会作为气相产生，离开反应器。在该批处理的早期阶段，这种气相含有显著数量的二醇，因此它必须被回收和再利用进行进一步的

42、处理。因此，气相离开反应器是在以下几个方面：第一，顺序处理的填料塔中微分冷凝，以这样的方式来恢复液体二元醇和循环回反应器；第二，通过在冷凝器总缩合；第三，通过洗涤和洗涤接触凝结。批处理调整粘度和树脂的分子量分布过程需要真空环境。此外，为确保最后产品的质量规格，操作方法在批处理过程中至少需要两次增加的新原料和催化剂，。第一个是在真空进行第一次了。因此，当新原料和催化剂装入反应器，真空必须打破，然后需要重设真空。虽然该树脂的终点质量通常落在一个很窄的围，但该批次的在的变异性是非常大的。事实上，有一批变异的几个来源，其部分是不可消除的。其中包括批处理开始前，设备的温度；原料和添加剂的数量和质量可能会

43、有所不同（原材料和添加剂的有不同水平的杂质，催化剂的活性损失）。这一切都没有可预测的。而设定点由操作者手动操作，因此受操作者的经验和信心决定。然而大多数这种变化反映本身的过程测量的轨迹，并最终在总间歇时间。作为一个例子，在本研究围，在40和70小时之间设置考虑总间歇时间。该过程中，从一操作转向下一操作由所测得的NA和值触发，质量测量不与时，触发下一步操作将被延迟，从而导致产品质量监测不利，同时增加批次的处理时间，带来经济上的巨大损失。建立在线测量变量到质量变量的软测量模型，可以很好的解决这一问题。对上述工业反应过程用图简易表达如下：清洗 反应物，添加剂，催化剂 加热，反应 除水，回收醇 加入，

44、混合反应结束 补偿加料 重设真空 加料 抽真空图1：涂料树脂生产过程图3.2建立模型建立模型的数据：共33个批次，40-70h之间。34个变量可在线测量，30秒记录一次，4500-7500次记录结果。2个质量变量，取样离线分析，8-10h后开始，间隔1.5-2h，20min完成，。15-20次记录结果。将33个批次数据，27批次建模，6个批次验证。34个可测变量，去除11个设定值，选取23个测量值建模。有：X(I×J×K) Y(I×M×H)其中I为批次总数，J为过程变量总数，K为过程变量的样本总数，M为质量变量的总数，H为质量样品的总数量。Y值对应的时间

45、为取样时间。由于每个批次处理时间不同，K、H的值不同。而记录频率不同，同一批次H远远小于K，所以建立模型时做相应的削减处理。 对X沿变量和批次展开可得到一系列的值X1，X2，X3XI。对Y沿时间展开也可得一系列值Y1，Y2，Y3YI。将校准模型数据输入到Matlab软件中，得到其预测值。3.3验证模型通过软测量技术结合PLS对该树脂的间歇反应酸度NA和浓度的预测与工厂实际测量对比。对比结果为图1，图2。图2，酸度NA预测值与测量值对比图图3，粘度预测值与测量值对比图3.4本章小结本章介绍了树脂间歇反应的工业过程，运用软测量技术结合偏最小二乘法建立模型，并加以验证其质量预测的准确性。 第四章 结

46、论与展望本文通过对树脂间歇反应过程进行了相应的分析，得到如下结论： 使用软测量技术对涂料树脂合成反应中酸度和黏度质量预测时，采用偏最小二乘法建立校正模型。能够避免控制目标的质量参数只能在当前反应批次结束后才能获取相应的参数值，得到更准确的酸度和粘度在线预测数据。通过对反应过程分析，不仅可以得到反应进行的程度，而且对反应机理的探究，动力学模型的建立都提供了十分可靠的数据，同时也是后续反应过程监控，产品质量控制的基础。由于时间和条件的限制，对于该涂料树脂合成反应还可以考虑以下方面：1. 三阶段PLS方法(TPLS)。即：取单阶段建模时两个主要变量进行聚类分析，分阶段建模。2. 加入历史数据的三阶段

47、PLS方法（LTPLS)。3. 移动平均三阶段PLS方法（MATPLS)。即：用变量在某一时间段的测量平均值代替单个时刻的测量值。参考文献1 立登，大宇等，软测量技术原理与应用M.：中国电力；20092 海青，黄志尧等，软测量技术原理与应用M.：化学工业；20003 黄凤良，软测量思想与软测量应用J.计量学报;2004,25(3)4 王建，耀权，马高伟，软测量辅助变量选择方法研究J. 电力科学与工程;2011(7)5 希, 钱锋, 兵,基于核函数主元分析的SVM建模方法与应用J.华东理工大学学报；2007(2)6 于静江，周春辉，过程控制中的软测量技术J.控制理论与应用，1996;13（2）：

48、137-1447 正明，基于串并行混合神经网络的汽车胎号识别方法D.：大学电气信息工程学院8 党跃轩，公路限速模型的研究D.：工程学院9 林荫，黑保琴，基于MPIOpenMP混合模型的并行处理算法设计J.：中国科学院研究生院10 丁东，利用神经网络提高偏最小二乘法的NIR多组分分析精度D.：大学通信工程学院，200511 王津津，间歇反应结晶过程产品质量控制中的在线分析D.：华南理工大学，201312 王介生，基于和声搜索优化多T-S模糊神经网络的聚合釜过程软测量建模D.：东北大学信息科学与工程学院，201113 大峰，钱锋，粗糙集神经网络混合系统与其应用J.通讯和计算机,2005,2(2):

49、I1一13,5714 宏建，志强，现代检测技术M.:化工，200715 王惠文，偏最小二乘回归方法与其应用J.国防工业，199916 叶莺，崇帼，林熙，偏最小二乘回归的原理与应用J.海峡预防医学杂志，200517 慧中，偏最小二乘回归模型的泛化能力改进研究D.：江南大学通信与控制工程学院，200818 宋高阳，偏最小二乘回归的研究D.：大学理学院，200919 红卫，偏最小二乘回归的扩展与其实用算法构建D.：中国 人民解放军第四军医大学，200320 林敏，杜光年，志斌，偏最小二乘回归方法的局限性与改进算法J.数学的实践与认识，2008，38（9）致 此论文工作能够顺利完成，首先我要感我的导师

50、王津津，本文从论文的选题、研究方案的制定，工作的开展以与论文的撰写都是在王老师的精心指导和帮助和支持下完成的。在这期间，王老师广博的知识，丰富的工程经验都使我受益匪浅，其深厚的学术素养以与严谨的学态度也是我今后工作和学习的榜样。同时，在生活上王老师也给了我很大的帮助。在这里我对王老师表示崇高的敬意和衷心的感！感我同届同学给予我的关心和支持，同时也感师弟师妹们。你们使我四年的大学生活更加精彩与难忘，你们！最后，我要感我的父母，我的亲人，没有他们的支持，就不会有我今天的一切，！谭练 2013年5月工学院2013届毕业设计课题任务书学院： 材料与化学工程学院 专业：化学工程与工艺 指导教师王津津学生

51、谭练课题名称化工间歇反应过程产品质量预测建模容与任务研究容：该项目以一种涂料树脂化工生产为例，以部分最小二乘法为基础，通过软测量技术对该聚合反应进行在线分析，建立该间歇过程的产品质量预测模型。任务：查阅资料了解软测量技术和偏最小二乘法原理和应用。掌握涂料树脂工业生产的流程。然后运用软测量技术结合偏最小二乘法对该反应进行质量预测建模，通过建模预测得出的数据验证该方法的可行性。拟达到的要求或技术指标首先对软测量技术中数据采集、二次变量选择、数据预处理、软测量模型的建立和模型在线校正等一系列步骤了解并掌握运用，特别是软测量技术的核心软测量模型的建立。根据人们对过程的认识程度主要分为机理建模、回归分析

52、的统计建模、状态估计和机理和回归分析相结合的混合建模四类，判断出本文具体适用于哪一种。然后了解偏最小二乘法基本原理、算法和研究现状，并且能够运用于软测量技术建模中。最后利用软测量技术结合最小二乘法建立模型对涂料树脂的质量变量粘度和酸度进行预测，并且和工厂实际测量值用图表进行对比。看该方法是否能够运用于间歇反应过程产品质量预测。进度安排起止日期工作容备注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.确定课题题目，下达课题任务书，学生翻译外文资料2， 查

53、找相关资料；3，写出提纲，完成毕业设计开题报告；4，整理资料，写出毕业设计初稿；中期检查（4月28日检查）；5，在导师指导下修改完善毕业设计，定稿并装订成册；6，准备并完成毕业设计答辩。主要参考资料1 立登，大宇等，软测量技术原理与应用M.：中国电力；20092 海青，黄志尧等，软测量技术原理与应用M.：化学工业；20003 黄凤良，软测量思想与软测量应用J.计量学报;2004,25(3)4 王建，耀权，马高伟，软测量辅助变量选择方法研究J. 电力科学与工程;2011(7)5 希, 钱锋, 兵,基于核函数主元分析的SVM建模方法与应用J.华东理工大学学报；2007(2)6 于静江，周春辉，过程

54、控制中的软测量技术J.控制理论与应用，1996;13（2）：137-1447 正明，基于串并行混合神经网络的汽车胎号识别方法D.：大学电气信息工程学院教研室意见年 月 日学院主管领导意见年 月 日工学院本科生毕业论文开题报告设计（论文）题目化工间歇反应过程产品质量预测建模设计（论文）题目来源老师自拟题目设计（论文）题目类型建立模型与工作起止时间2012年12月至2013年6月一、 设计（论文）依据与研究意义：作为工业生产中一种重要的生产方式, 现在被业界广泛认可的间歇过程是指在有限的时间、按照预先设计好的工序流程将原材料加工生产成符合质量要求的产品。间歇过程作为最主要的化工过程之一，是高附加值

55、产品生产的主要方式，其呈现出的非线性、不稳定性、不确定性等特点，会严重制约产品质量控制过程的有效实施。为确保生产安全，环保，保证产品质量，提高市场竞争力，节约生产成本。由于受技术、经费等条件限制，对于产品质量预测的传统方法是得到产品离线分析。离线分析不仅存在着严重的滞后，同时获得的信息也有一定的偏差，无法满足在线实时控制和动态优化操作的要求。而偏最小二乘回归法是一种新型的多元统计数据在线分析方法，它主要研究的是多因变量对多自变量的回归建模，特别当各变量部高度线性相关时，用偏最小二乘回归法更有效。另外，偏最小二乘回归较好地解决了样本个数少于变量个数等问题。偏最小二乘法是集主成分分析、典型相关分析和多元线性回归分析三种分析方法的优