基于ELM的时序数据建模及应用研究
使用模型来进行预测、诊断与分析评价，一直是工业过程优化研究的重点手段。随着工业过程的复杂化，依据物理化学机理建立数学模型的方法已变得十分困难，人们转而投向基于数据驱动的建模研究，使其在数十年间得到了飞速的发展。作为数据驱动建模的一种，人工神经网络凭借其强大的非线性映射能力成为了建模领域的热点之一，但随着数据量的增加，传统神经网络固有的缺陷和不足被放大，例如训练速度过慢、参数难以选择等，另外由于工业环境的特殊性，过程数据必定会携带着不同程度的噪声干扰，这些因素都将使得模型无法满足实际需求。针对上述问题，本论文研究了基于超限学习机(Extreme learning machine，ELM)的数据建模方法，主要的内容和研究成果包括: 1.针对工业过程数据的特点分析了传统非线性滤波算法的不足，然后详细介绍了一种基于局部最优拟合的自适应滤波算法，并通过洛伦兹系统及电功率两组数据的去噪实验将该算法与小波域阈值滤波及扩展卡尔曼滤波进行了对比，证明了该算法能够更有效地减小工业过程数据中的噪声干扰。 2.针对传统神经网络训练过程中耗时过长、参数难以选择的问题，对固定型ELM及增量型ELM进行了研究，并针对增量型ELM收敛速度不稳定的问题介绍了一种十分有效的改进算法，然后通过回归问题的仿真实验将该改进算法与多种神经网络进行了对比，从收敛性能、预测精度、训练速度及网络稳定性等多个角度评价了改进效果，从而证明了该改进算法的可行性与优越性。 3.从MATLAB环境与工业现场环境存在本质区别的角度出发，对能真实反映工业对象特性的仿真系统提出了需求。以流程工业综合自动化半实物仿真实验系统为平台，对我国选矿工业中常用的两段全闭路磨矿回路进行了动态仿真，并详细介绍了仿真的实现流程，为后续的数据建模及模型验证提供了支撑。 4.以螺旋分级机为建模对象，利用磨矿过程仿真系统产生的数据，基于自适应滤波算法和超限学习机改进算法建立了螺旋分级机的预测模型，并通过离线及在线验证的实验验证了所建模型的有效性，进而证明了本文所研究的自适应滤波及超限学习机改进算法应用于工业数据建模时是切实可行的。
螺旋分级机;数据建模;自适应滤波;超限学习机;半实物仿真
广西大学
硕士
控制工程
宋绍剑
2017
中文
TP391.9;TD454
77
2017-11-29（万方平台首次上网日期，不代表论文的发表时间）