【正文】 日湖南工學(xué)院2013屆畢業(yè)論文答辯及最終成績評定表 學(xué)院：材料與化學(xué)工程學(xué)院 專業(yè)：化學(xué)工程與工藝學(xué)生姓名譚練學(xué)號09701040223班級化工0902班答辯日期課題名稱化工間歇反應(yīng)過程產(chǎn)品質(zhì)量預(yù)測建模指導(dǎo)教師王津津成 績 評 定分值評 定小計教師1教師2教師3教師4教師5課題介紹思路清晰，語言表達準(zhǔn)確，概念清楚，論點正確，實驗方法科學(xué)，分析歸納合理，結(jié)論嚴(yán)謹(jǐn)，設(shè)計（論文）有應(yīng)用價值。 項所以提出申請，希望老師同意。3）二次變量的選擇。指導(dǎo)教師簽字： 年 月 日學(xué)院意見： 負責(zé)人簽字：年 月 日湖南工學(xué)院2013屆畢業(yè)設(shè)計（論文）指導(dǎo)教師評閱表 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 學(xué)生姓名譚練學(xué) 號09701040223班 級化工0902班專 業(yè)化學(xué)工程與工藝指導(dǎo)教師姓名王津津課題名稱化工間歇反應(yīng)過程產(chǎn)品質(zhì)量預(yù)測建模評語：是否同意參加答辯：是□ 否□指導(dǎo)教師評定成績分值：指導(dǎo)教師簽字： 年 月 日湖南工學(xué)院畢業(yè)設(shè)計（論文）評閱教師審閱表題　　目化工間歇反應(yīng)過程產(chǎn)品質(zhì)量預(yù)測建模學(xué)生姓名譚練班級學(xué)號化工0902班09701040223專業(yè)化學(xué)工程與工藝評閱教師姓名唐新德職稱副教授工作單位湖南工學(xué)院材料與化學(xué)工程學(xué)院評分內(nèi)容具 體 要 求總分評分開題情況調(diào)研論證能獨立查閱文獻資料及從事其他形式的調(diào)研，能較好地理解課題任務(wù)并提出實施方案，有分析整理各類信息并從中獲取新知識的能力。（三）將采取的過程數(shù)據(jù)和質(zhì)量數(shù)據(jù)分成兩部分，一部分用于預(yù)測模型的建立，一部分用于模型檢測。進度安排：1，2012年11月12月：確定課題題目，下達課題任務(wù)書，學(xué)生翻譯外文資料；2，2012年12月2013年1月： 查找相關(guān)資料；3，2013年2月20日3月9日 寫出提綱，完成畢業(yè)設(shè)計開題報告；4，2013年4月初4月底：整理資料，寫出畢業(yè)設(shè)計初稿；中期檢查（4月28日檢查）；5，2013年5月初到5月底：在導(dǎo)師指導(dǎo)下修改完善畢業(yè)設(shè)計，定稿并裝訂成冊；6，2013年6月初：準(zhǔn)備并完成畢業(yè)設(shè)計答辯。2）數(shù)據(jù)采集。偏最小二乘法是集主成分分析、典型相關(guān)分析和多元線性回歸分析三種分析方法的優(yōu)點于一身。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；2007(2)[6] 于靜江，周春輝，過程控制中的軟測量技術(shù)[J].控制理論與應(yīng)用，1996。擬達到的要求或技術(shù)指標(biāo)首先對軟測量技術(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用，特別是軟測量技術(shù)的核心軟測量模型的建立。13（2）：137144[7] 李正明，基于串并行混合神經(jīng)網(wǎng)絡(luò)的汽車胎號識別方法[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[J].北京：中國科學(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].長春：吉林大學(xué)通信工程學(xué)院，2005[11] 王津津，間歇反應(yīng)結(jié)晶過程產(chǎn)品質(zhì)量控制中的在線分析[D].廣州：華南理工大學(xué)，2013[12] 王介生，基于和聲搜索優(yōu)化多TS模糊神經(jīng)網(wǎng)絡(luò)的聚合釜過程軟測量建模[D].沈陽：東北大學(xué)信息科學(xué)與工程學(xué)院，2011[13] 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].通訊和計算機,2005,2(2):I1一13,57[14] 張宏建，孫志強，現(xiàn)代檢測技術(shù)[M].北京:化工出版社，2007[15] 王惠文，偏最小二乘回歸方法及其應(yīng)用[J].國防工業(yè)出版社，1999[16] 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，2005[17] 楊慧中，偏最小二乘回歸模型的泛化能力改進研究[D].無錫：江南大學(xué)通信與控制工程學(xué)院，2008[18] 宋高陽，偏最小二乘回歸的研究[D].浙江：浙江大學(xué)理學(xué)院，2009[19] 蔣紅衛(wèi)，偏最小二乘回歸的擴展及其實用算法構(gòu)建[D].西安：中國 人民解放軍第四軍醫(yī)大學(xué)，2003[20] 林敏，杜光年，劉志斌，偏最小二乘回歸方法的局限性及改進算法[J].數(shù)學(xué)的實踐與認識，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。由于時間和條件的限制，對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(TPLS)。對Y沿時間展開也可得一系列值Y1，Y2，Y3……YI。1520次記錄結(jié)果。而設(shè)定點由操作者手動操作，因此受操作者的經(jīng)驗和信心決定。批處理調(diào)整粘度和樹脂的分子量分布過程需要真空環(huán)境。然后，將原料、添加劑和催化劑裝入反應(yīng)器。而真空泵運行必需在真空條件下。只有當(dāng)輸入輸出特征向量間非線性關(guān)系不嚴(yán)重時，才會有好的近似效果。這些采用多項式非線性映射（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式形式來表述。該方法在化工領(lǐng)域很多過程中已取得成功應(yīng)用。描述，說明 X 本身存在一個隱結(jié)構(gòu)，僅僅擴展x 變量的平方項即可把特征變量的二次項，包括平方項和交叉項，隱含地包含進模型中。第一種方法，對輸入矩陣進行非線性項的擴展，存在輸入變量選擇問題。通過對過程數(shù)據(jù)的劃分，使每一子模塊模型相對簡單，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。再將每組數(shù)據(jù)的預(yù)測我查求和，得到預(yù)測殘差累積平方和（PRESS）。在用 PLS 建模過程中，特征向量的選取是個關(guān)鍵問題。未知樣品預(yù)測，將X矩陣標(biāo)準(zhǔn)化=0，y=0=h+1，th=XWhT，y=y+ bhthwqhT，x=xthphT＞a（主成分?jǐn)?shù)），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)注意的是對預(yù)測集進行標(biāo)準(zhǔn)處理時，使用的是訓(xùn)練集的均值和標(biāo)準(zhǔn)偏差。然而用PLS方法時，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)。而且偏最小二乘回歸法對樣本個數(shù)少于變量個數(shù)等問題非常好解決。雖然軟測量只靠實驗室分析儀表分析值來進行校正要獲取很高精度是很困難的，它是一種粗放型測量技術(shù)。將動態(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]。進一步研究軟測量建模方法的方向有以下幾種。不同的統(tǒng)計方法也可以結(jié)合起來，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)雜化工過程的建模?；旌辖?。.然而對于輔助變量較多的情況下，通常還要借助于機理分析，首先得到模型各變量的基本框架，然后再運用逐步回歸方法得到軟測量模型。對于那些工藝機理比較清楚的工藝過程，此方法能構(gòu)造出性能不錯的軟儀表。所以，及時發(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)。從理論上說,過程數(shù)據(jù)包含了工業(yè)對象的大量相關(guān)信息,因此,數(shù)據(jù)采集量越多越好,不僅可以用來建模,而且還可以檢驗?zāi)Ｐ汀?首先要明確軟測量技術(shù)的任務(wù),確定主導(dǎo)變量。這使得間歇過程產(chǎn)品的質(zhì)量的直接控制存在相應(yīng)的阻礙。要解決間歇生產(chǎn)過程中出現(xiàn)的質(zhì)量控制問題，就要對過程有清楚的了解，并且能得到實時的過程信息，即過程的在線分析。過程的在線分析包括過程變量在線測量與過程分析兩個部分。因此將反應(yīng)過程能夠直接測量且與產(chǎn)品質(zhì)量密切相關(guān)的變量作為過程變量，采用軟測量技術(shù)思想并結(jié)合偏最小二乘回歸法對間歇反應(yīng)過程進行深入研究，達到間歇過程反應(yīng)質(zhì)量預(yù)測。并且在這個基礎(chǔ)上深入認識和熟悉軟測量的對象和有關(guān)設(shè)備的工藝流程,利用機理分析能夠初步確定相關(guān)輔助變量。實際需要采集的數(shù)據(jù)為跟軟測量主導(dǎo)變量相對應(yīng)時間刻的輔助變量的過程數(shù)據(jù)。模型的建立是軟測量的核心問題,即建立主導(dǎo)變量和其它能夠直接測量的變量間相關(guān)聯(lián)模型。然而對于那些機理研究不夠充分、還不絕對清楚的復(fù)雜工業(yè)過程，則建立合適的機理模型難度較大。為了簡化模型，也可運用主元回歸分析法和偏最小二乘法等方法?；旌辖Ｊ鞘褂枚喾N方法建立過程對象的數(shù)學(xué)模型。由于軟測量對象的時變性、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。在實數(shù)編碼免疫算法的基礎(chǔ)上，利用模糊技術(shù)，對免疫算法中的兩個關(guān)鍵參數(shù)已經(jīng)實現(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)速度慢和收斂精度低的缺點，并將此算法運用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)[14]。所以軟測量要想得到高精度，必須要運用在線分析儀表來進行實時校正。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。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。因此，在進行反標(biāo)準(zhǔn)化操作時，使用的也應(yīng)該是訓(xùn)練集的均值和標(biāo)準(zhǔn)偏差[19,20]。由于建模數(shù)據(jù)所含的信息冗余，特征向量數(shù)目過少不能包含大部分的有效信息；特征向量過多，盡管可以使模型的殘差減小，但噪聲的引入會使得模型的推廣性能變差。分別取不同個數(shù)的特征向量，計算其對應(yīng)的 PRESS，取 PRESS 最小時所