20xx年白國(guó)周班組管理法心得體會(huì)報(bào)告報(bào)告心得體會(huì)(模板9篇)-資料下載頁(yè)
2025-08-04 21:30本頁(yè)面
【正文】 獲得的信息求取主導(dǎo)變量的最佳估計(jì)值。 影響軟測(cè)量性能的主要因素有如下幾種： 輔助變量的選擇確定軟測(cè)量的輸入信息，直接決定軟測(cè)量模型的結(jié)構(gòu)和輸出。 數(shù)據(jù)的預(yù)處理—精確可靠的數(shù)據(jù)是軟測(cè)量成敗的關(guān)鍵。 軟測(cè)量模型的簡(jiǎn)歷—軟測(cè)量技術(shù)的核心任務(wù)。 模型的在線校正—能進(jìn)一步提高軟測(cè)量的準(zhǔn)確程度。這些都能影響軟測(cè)量的性能，然而輔助變量的選擇也是至關(guān)重要的，其中包括變量類型的選擇，變量數(shù)目的選擇和測(cè)點(diǎn)位置的選擇。變量類型的選擇原則包括以下幾種：適用性：工程上易于獲得并能達(dá)到一定的測(cè)量精度 ；靈敏性：能對(duì)過程輸出和不可測(cè)擾動(dòng)作出快速反應(yīng) ；特異性：對(duì)過程輸出或不可測(cè)擾動(dòng)之外的干擾不敏感；精確性：構(gòu)成的軟測(cè)量估計(jì)器滿足精度要求；魯棒性：構(gòu)成的軟測(cè)量估計(jì)器對(duì)模型誤差不敏感 。變量數(shù)目的選擇有兩種方法，首先從過程機(jī)理入手分析，從影響被估計(jì)變量和變量中去挑選主要因素，因?yàn)槿恳爰炔豢赡芤矝]有必要。其次如果缺乏機(jī)理知識(shí)，則可用回歸分析的方法找出影響被估計(jì)變量的主要因素，這需要大量的觀測(cè)數(shù)據(jù)。檢測(cè)點(diǎn)位置的選擇也是很重要的，檢測(cè)點(diǎn)位置的選擇方案十分靈活，可供選擇的檢測(cè)點(diǎn)很多，而且每個(gè)檢測(cè)點(diǎn)所能發(fā)揮的作用各不相同。一般情況下，輔助變量的數(shù)目和位置常常是同時(shí)確定的，變量數(shù)目的選擇準(zhǔn)則也往往應(yīng)用于檢測(cè)點(diǎn)位置的選擇。我們?cè)谲洔y(cè)量的時(shí)候同時(shí)也會(huì)存在誤差，測(cè)量誤差的處理方法有兩種，一種是隨機(jī)誤差的處理，另一種是過失誤差的處理。測(cè)量數(shù)據(jù)變換不僅影響模型的精度和非線性映射能力，而且對(duì)數(shù)值算法的運(yùn)行效果也有重要作用。測(cè)量數(shù)據(jù)的變換包括標(biāo)度、轉(zhuǎn)換和權(quán)函數(shù)三個(gè)方面。模型的校正分為在線校正和離線校正兩種方法。軟測(cè)量的模型表征輔助變量和主導(dǎo)變量之間的數(shù)學(xué)關(guān)系稱為軟測(cè)量模型。建立軟測(cè)量模型的方法多種多樣，且各種方法互有交叉和融合。各種方法可以分為機(jī)理方法和經(jīng)驗(yàn)方法兩類。機(jī)理模型建模是基于對(duì)過程對(duì)象的深刻認(rèn)識(shí)，運(yùn)用對(duì)象的平衡方程、動(dòng)力學(xué)方程、物性參數(shù)方程和設(shè)備特性方程，建立估計(jì)主導(dǎo)變量的精確數(shù)學(xué)模型。 由于實(shí)際工業(yè)過程的復(fù)雜性，難以完全通過機(jī)理分析得到軟測(cè)量模型。因此，基于機(jī)理分析的方法建模非常困難，需要與其他方法配合使用。同時(shí)經(jīng)驗(yàn)方法也分為基于回歸分析方法，基于人工智能方法 和基于狀態(tài)估計(jì)方法三種。（1）基于回歸分析的軟測(cè)量。傳統(tǒng)的回歸方法是辨識(shí)建模的基于方法?；谧钚《嗽頌榛A(chǔ)的一元和多元線性回歸技術(shù)已相當(dāng)完善，對(duì)于輔助變量較少的情況，一般采用多元線性回歸中的逐步回歸技術(shù)可獲得較好的軟測(cè)量模型。對(duì)于輔助變量較多的情況，通常要借助機(jī)理分析，首先獲得模型各變量組合的大致框架，然后采用逐步回歸方法獲得軟測(cè)量模型。也可以采用主元回歸分析等方法，對(duì)原問題進(jìn)行降維處理，然后再進(jìn)行回歸。（2）基于狀態(tài)估計(jì)的軟測(cè)量。若已知系統(tǒng)狀態(tài)空間模型，而主導(dǎo)變量作為系統(tǒng)的狀態(tài)變量對(duì)輔助變量是完全可觀的，則構(gòu)成軟測(cè)量模型問題就轉(zhuǎn)化為典型的狀態(tài)觀測(cè)和估計(jì)問題。kalman濾波器和luenberger觀測(cè)器是解決上述問題的有效方法?；跔顟B(tài)估計(jì)的軟件表可以反映主導(dǎo)變量和輔助變量之間的`動(dòng)態(tài)關(guān)系，有利于處理各變量間動(dòng)態(tài)特性的差異和系統(tǒng)滯后等情況。但是對(duì)于復(fù)雜的工業(yè)過程，很難建立系統(tǒng)的狀態(tài)空間模型，一定程度上限制了該方法的應(yīng)用。（3）基于人工智能方法。人工神經(jīng)網(wǎng)絡(luò)（ann）———ann具備有量的信息處理特征：無需具備對(duì)象的先驗(yàn)知識(shí)，可以根據(jù)對(duì)象的輸入輸出數(shù)據(jù)直接建模；獨(dú)特的非傳統(tǒng)的表達(dá)方式和固有的學(xué)習(xí)能力，使之在解決高度非線性方面具有很大的潛力。模糊技術(shù)——模糊技術(shù)模仿人腦的邏輯思維，用于處理模型未知或不精確的控制問題。通常將模糊邏輯與神經(jīng)網(wǎng)絡(luò)相結(jié)合，形成模糊神經(jīng)網(wǎng)絡(luò)，適用于非線性的、復(fù)雜的系統(tǒng)。（4）其他建模方法。針對(duì)軟測(cè)量的基本建模方法中存在的問題，研究人員或?qū)⒉煌乃惴右越Y(jié)合，或?qū)⑿碌臄?shù)學(xué)方法運(yùn)用到軟測(cè)量中，提出谷種各樣的改進(jìn)算法，例如： 遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合、回歸算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合、小波網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)的結(jié)合、基于支持向量機(jī)算法的建模方法和基于微粒群算法的建模方法。軟測(cè)量同時(shí)也存在很多問題，例如如何適應(yīng)原料性質(zhì)變化問題、如何適應(yīng)生產(chǎn)裝置操作范圍大幅度變化問題和動(dòng)態(tài)軟測(cè)量問題等問題。軟測(cè)量使用廣泛的是與主導(dǎo)變量動(dòng)態(tài)特性相近，關(guān)系密切的可測(cè)參數(shù)，如精餾塔和反應(yīng)器過程中的溫度、溫差和雙溫差，生物發(fā)酵反應(yīng)中的尾氣濃度等。但是由于對(duì)象的可測(cè)變量集往往相當(dāng)龐大，人們主要根據(jù)對(duì)象的機(jī)理、流程及專家經(jīng)驗(yàn)來選擇輔助變量，同時(shí)也結(jié)合一些智能技術(shù)如知識(shí)發(fā)現(xiàn)，數(shù)據(jù)融合等技術(shù)來選擇輔助合適的變量。軟測(cè)量技術(shù)也應(yīng)用于鑄坯質(zhì)量?jī)?yōu)化控制技術(shù)，鑄坯表面溫度測(cè)量控制水冷，凝固，水冷凝固決定鑄坯(鋼材)質(zhì)量生產(chǎn)效率、生產(chǎn)成本。通過本節(jié)課的學(xué)習(xí)，我對(duì)軟測(cè)量技術(shù)有了濃厚的興趣，課后我查閱了大量的文獻(xiàn)資料，也翻看了一些相關(guān)的論文?？吹搅撕芏嗾n本上看不到的知識(shí)，拓寬了與軟測(cè)量技術(shù)相關(guān)的知識(shí)，增加了對(duì)軟測(cè)量技術(shù)的感性認(rèn)識(shí)，加深了對(duì)軟測(cè)量在實(shí)際用用中的理解。
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1