简论基于最小二乘支持向量机预测制约在pH中和过程中运用-结论
最后更新时间:2024-02-13
作者:用户投稿本站原创
点赞:8870
浏览:27110
论文导读:
摘要:连续搅拌反应釜(Continuously Stirred Tank Reactor-CSTR)是生产聚合物的核心设备之一,同时也是主要的能耗设备,在燃料、试剂、药品、食品以及合成材料等工业中得到广泛运用。在实际生产工业历程中,它是一种非线性化学反应器。其中,它的工艺参数主要有,浓度、温度、流量、压力、pH值等。然而,对于连续搅拌反应釜,其产品的质量主要受这些工艺参数的影响。为了大大提升产品的质量和产量,在达到可靠、稳定和节能降耗的前提下,设计在线制约算法,保证物料在工业生产历程中的工艺曲线满足理想要求,是至关重要的。但是,由于该制约对象CSTR的高度的非线性,使制约算法的设计复杂化,且导致了预测模型建立的困难性。面对以上有着的不足,基于最小二乘支持向量机(least squares support vector machine, LS-SVM)强大的非线性函数拟合能力,本论文讨论了利用LS-SVM进行非线性系统逆模型辨识的策略。同时将LS-SVM与传统的PID逆系统策略相结合,探讨了一种基于LS-SVM/PID复合制约逆系统的预测制约算法,将该策略运用于CSTR的pH中和历程中,验证了该算法的有效性。其中,本论文主要探讨工作如下:1)利用SVM和LS-SVM的非线性函数拟合能力,分别辨识了CSTR的pH中和历程逆模型,并验证了LS-SVM具有很好的辨识效果,且辨识速度快的特点。2)引入逆系统的概念,将基于LS-SVM的逆模型和原非线性系统串联组成伪线性系统,同时与PID制约相结合,构造伪线性复合系统。该策略运用于CSTR中的pH中和历程中,对伪线性复合制约系统进行模拟仿真,验证了该策略具有良好的跟踪性能和抗干扰性。3)简单介绍预测制约的基本原理与特点,将第二、三章建立的伪线性复合系统作为被控对象,与预测制约论述相结合。探讨了基于LS-SVM/PID复合逆系统的预测制约算法。将该策略在CSTR的pH中和历程中进行仿真探讨验证,获得较好的制约效果。关键词:最小二乘支持向量机论文逆模型论文伪线性复合系统论文预测制约论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要3-4
Abstract4-8
第一章 绪论8-16
3.
4.
参考文献50-54
附录A (攻读硕士期间发表的论文)54-56
附录B (攻读硕士期间申请的软件著作权)56
摘要:连续搅拌反应釜(Continuously Stirred Tank Reactor-CSTR)是生产聚合物的核心设备之一,同时也是主要的能耗设备,在燃料、试剂、药品、食品以及合成材料等工业中得到广泛运用。在实际生产工业历程中,它是一种非线性化学反应器。其中,它的工艺参数主要有,浓度、温度、流量、压力、pH值等。然而,对于连续搅拌反应釜,其产品的质量主要受这些工艺参数的影响。为了大大提升产品的质量和产量,在达到可靠、稳定和节能降耗的前提下,设计在线制约算法,保证物料在工业生产历程中的工艺曲线满足理想要求,是至关重要的。但是,由于该制约对象CSTR的高度的非线性,使制约算法的设计复杂化,且导致了预测模型建立的困难性。面对以上有着的不足,基于最小二乘支持向量机(least squares support vector machine, LS-SVM)强大的非线性函数拟合能力,本论文讨论了利用LS-SVM进行非线性系统逆模型辨识的策略。同时将LS-SVM与传统的PID逆系统策略相结合,探讨了一种基于LS-SVM/PID复合制约逆系统的预测制约算法,将该策略运用于CSTR的pH中和历程中,验证了该算法的有效性。其中,本论文主要探讨工作如下:1)利用SVM和LS-SVM的非线性函数拟合能力,分别辨识了CSTR的pH中和历程逆模型,并验证了LS-SVM具有很好的辨识效果,且辨识速度快的特点。2)引入逆系统的概念,将基于LS-SVM的逆模型和原非线性系统串联组成伪线性系统,同时与PID制约相结合,构造伪线性复合系统。该策略运用于CSTR中的pH中和历程中,对伪线性复合制约系统进行模拟仿真,验证了该策略具有良好的跟踪性能和抗干扰性。3)简单介绍预测制约的基本原理与特点,将第二、三章建立的伪线性复合系统作为被控对象,与预测制约论述相结合。探讨了基于LS-SVM/PID复合逆系统的预测制约算法。将该策略在CSTR的pH中和历程中进行仿真探讨验证,获得较好的制约效果。关键词:最小二乘支持向量机论文逆模型论文伪线性复合系统论文预测制约论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要3-4
Abstract4-8
第一章 绪论8-16
1.1 论文探讨的背景及作用8-10
1.2 国内外探讨近况概述10-14
1.2.1 预测制约探讨近况10-11
1.2.2 最小二乘支持向量机探讨近况11-13
1.2.3 逆系统策略的探讨近况13-14
1.3 本论文探讨的革新点14
1.4 本论文的结构14-16
第二章 基于LS-SVM的逆模型辨识16-282.1 支持向量机16-18
2.1.1 支持向量机论述基本原理16-18
2.2 最小二乘支持向量机18-192.1 最小二乘支持向量机的基本原理18-19
2.3 基于LS-SVM的逆模型辨识19-23
2.3.1 CSTR系统pH中和历程的机理模型的描述19-21
2.3.2 基于LS-SVM的逆模型21-23
2.3.3 pH中和历程的可逆性浅析23
2.4 仿真探讨23-27
2.4.1 数据的提取与处理23-25
2.4.2 逆模型的仿真探讨25-27
2.5 小结27-28
第三章 基于LS-SVM/PID的复合逆系统策略28-363.1 逆系统策略28-31
3.1.1 系统的逆29-30
3.1.2 系统的可逆性30-31
3.2 基于LS-SVM/PID的pH中和历程的复合系统31-343.
2.1 PID制约器31-32
3.2.2 伪线性复合系统32-33
3.2.3 基于LS-SVM/PID的伪线性复合系统33-34
3.4 仿真探讨34-353.5 小结35-36
第四章 基于LS-SVM/PID复合逆系统的预测制约36-464.1 预测制约36-40
4.1.1 预测制约算法37-40
4.1.2 预测制约的基本特点40
4.2 基于LS-SVM/PID复合逆系统的预测制约40-434.
2.1 预测制约器的设计42
4.2.2 稳定性浅析42-43
4.3 仿真探讨43-454.4 小结45-46
第五章 总结与展望46-485.1 全文总结46
5.2 未来工作展望46-48
致谢48-50参考文献50-54
附录A (攻读硕士期间发表的论文)54-56
附录B (攻读硕士期间申请的软件著作权)56