軟測(cè)量技術(shù)原理與應(yīng)用

前言

工業(yè)企業(yè)的需求以及控制理論和計(jì)算機(jī)技術(shù)的發(fā)展是先進(jìn)控制技術(shù)發(fā)展強(qiáng)有力的推動(dòng)力。先進(jìn)控制算法，都要求有系統(tǒng)的數(shù)學(xué)模型，或帶有人工智能的性質(zhì)。這些要求需要系統(tǒng)建模技術(shù)。先進(jìn)控制算法的實(shí)施，使過(guò)程控制更平穩(wěn)，有條件實(shí)現(xiàn)更嚴(yán)格的卡邊條件在線優(yōu)化控制，從而帶來(lái)尼著的經(jīng)濟(jì)效益。而卡邊條件的實(shí)現(xiàn)，往往需要軟測(cè)量技術(shù)的應(yīng)用。本書(shū)止是在這種需求的背景下，較全面地闡述系統(tǒng)建模方法和軟測(cè)量技術(shù)，其中包括小波分析，主元分析，部分最小二乘，系統(tǒng)辨識(shí)技術(shù)，以及人工智能理論中的神經(jīng)網(wǎng)絡(luò)技術(shù)和優(yōu)化算法等。軟測(cè)量技術(shù)本質(zhì)上也是一個(gè)建模問(wèn)題，即通過(guò)構(gòu)造某種數(shù)學(xué)模型，描述可測(cè)量的關(guān)鍵操作變量，被控變量和擾動(dòng)變量與產(chǎn)品質(zhì)量之間的函數(shù)關(guān)系，以過(guò)程操作數(shù)據(jù)為基礎(chǔ)，獲得產(chǎn)品質(zhì)最的估計(jì)值。軟測(cè)量技術(shù)發(fā)展至今，由于采用的理論工具和所針對(duì)的實(shí)際對(duì)象的不同，因此形成了多種軟件測(cè)量方法。其中應(yīng)用最多的是統(tǒng)計(jì)回歸方法，主要適用于生產(chǎn)工況較為平穩(wěn)的場(chǎng)所。針對(duì)一些復(fù)雜的系統(tǒng)，人們又提出了非線性軟測(cè)量方法，如機(jī)理建模，神經(jīng)元技術(shù)，主元分析，部分最小二乘，系統(tǒng)辨識(shí)和模式識(shí)別等，用這些技術(shù)或這些技術(shù)的結(jié)合來(lái)建立質(zhì)量模型和收率優(yōu)化模型等軟儀表。這些軟儀表不僅解決了許多檢測(cè)難題，而且具有下列優(yōu)點(diǎn)：一是不像某些成分儀表那樣需要精心維護(hù)：一二是動(dòng)態(tài)響應(yīng)迅速：三是能夠連續(xù)地給出指示數(shù)。在軟測(cè)量方法中，輔助變量的類(lèi)型、數(shù)目、測(cè)點(diǎn)位置的選擇，過(guò)程數(shù)據(jù)的采集與處理等因素都會(huì)嚴(yán)重影響軟儀表的性能。隨著對(duì)象特性的變化和工作點(diǎn)的漂移，在使用過(guò)程中，還需對(duì)軟儀表進(jìn)行校正以適應(yīng)新的工況。北京化工大學(xué)自動(dòng)化系十多年來(lái)已在軟測(cè)量技術(shù)方面積累了很多經(jīng)驗(yàn)，如建立常壓塔裝置的脫空度和干點(diǎn)軟儀表、聚合過(guò)程質(zhì)量軟儀表等。軟測(cè)量技術(shù)雖然已在控制理論研究和實(shí)踐中取得了廣泛的成果，但目前尚未形成系統(tǒng)的理論?！盾洔y(cè)量技術(shù)原理與應(yīng)用》這本書(shū)就是為了填補(bǔ)這方面的空白，該門(mén)課程已經(jīng)是第8次開(kāi)課了，每次講課，內(nèi)容都有不同程度的充實(shí)，這是第7次修改稿。本書(shū)的第2章和第4章由潘立登編寫(xiě)，第1章、第6章和第7章由潘立登和李大字合寫(xiě)，第3章和第5章由潘立登和馬俊英合寫(xiě)。一些例題選自研究生論文。全書(shū)由潘立登統(tǒng)稿。本書(shū)在編寫(xiě)過(guò)程中得到北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院趙恒永教授、朱群雄教授、王建林教授、靳其兵教授、曹柳林教授和相關(guān)人員的熱情支持、關(guān)懷和指導(dǎo)，及對(duì)本書(shū)提出的寶貴意見(jiàn)。此外，還得到北京化工大學(xué)研究生教材建議立項(xiàng)的資助，作者借此表示衷心地感謝。作者2008年10月

內(nèi)容概要

　　《軟測(cè)量技術(shù)原理與應(yīng)用》根據(jù)目前軟測(cè)量技術(shù)在控制理論研究和實(shí)踐中尚未形成系統(tǒng)的理論這一現(xiàn)狀而編寫(xiě)。主要內(nèi)容包括數(shù)據(jù)處理理論——小波分析，主元分析法，非線性多元回歸法，逐步回歸法，主元分析，主元回歸，部分最小二乘法等主要建模方法以及系統(tǒng)辨識(shí)法和機(jī)理建模法。此外，《軟測(cè)量技術(shù)原理與應(yīng)用》還采用大量篇幅詳細(xì)介紹了神經(jīng)元網(wǎng)絡(luò)的原理及其應(yīng)用、優(yōu)化算法在軟測(cè)量技術(shù)中的應(yīng)用等?！　　盾洔y(cè)量技術(shù)原理與應(yīng)用》語(yǔ)言簡(jiǎn)潔，實(shí)例豐富、實(shí)踐性強(qiáng)。可供自動(dòng)化、檢測(cè)技術(shù)、機(jī)電裝備及計(jì)算機(jī)應(yīng)用類(lèi)本科生、碩士研究生和相關(guān)教師使用，也可供從事相關(guān)領(lǐng)域的科研人員和工程技術(shù)人員參考。

作者簡(jiǎn)介

潘立登，本科，1961年畢業(yè)于天津大學(xué)，自動(dòng)化系教授，博導(dǎo)，1981.8-1983.9在加拿大作訪問(wèn)學(xué)者，“對(duì)二甲苯模擬移動(dòng)床計(jì)算機(jī)控制”、“化纖廠腈綸生產(chǎn)先進(jìn)控制”等項(xiàng)目達(dá)到國(guó)際先進(jìn)水平，分別獲得國(guó)家石油和化學(xué)工業(yè)局科技進(jìn)步三等獎(jiǎng)。

書(shū)籍目錄

前言 第1章 軟測(cè)量技術(shù)概述 1.1 軟測(cè)量技術(shù) 1.1.1 軟測(cè)量的輔助變量選擇 1.1.2 軟測(cè)量的數(shù)據(jù)選擇與處理 1.1.3 軟測(cè)量的模型辨識(shí)與驗(yàn)證 1.2 建模的目的和基本方法 1.2.1 建立數(shù)學(xué)模型的主要目的 1.2.2 建立模型的基本方法 1.3 小波分析及其應(yīng)用 1.4 多變量統(tǒng)計(jì)建模方法及其在軟測(cè)量中的應(yīng)用 1.4.1 相關(guān)分析和回歸分析 1.4.2 主元分析法 1.4.3 部分最小二乘法 1.5 建模與系統(tǒng)辨識(shí) 1.6 人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 1.7 優(yōu)化算法及其在軟測(cè)量技術(shù)中的應(yīng)用 1.8 軟測(cè)量的實(shí)施 1.9 軟測(cè)量的在線校正 第2章 小波算法用于數(shù)據(jù)處理 2.1 傅里葉變換 2.2 小波變換 2.2.1 函數(shù)空間和廣義空間 2.2.2 小波變換原理 2.2.3 傅里葉變換、加窗傅里葉變換和小波變換的比較 2.3 一維連續(xù)小波變換 2.4 高維連續(xù)小波變換 2.5 一維離散小波變換 2.5.1 離散小波變換 2.5.2 二進(jìn)制小波變換 2.6 多分辨分析 2.7 一維Mallat算法 2.8 提升小波變換 2.9 幾種常用的小波基函數(shù) 2.10 小波分析在信號(hào)處理中的應(yīng)用 2.10.1 仿真信號(hào) 2.10.2 一維連續(xù)小波分析 2.10.3 一維離散小波分析 2.10.4 用小波分析進(jìn)行信號(hào)的消噪 2.10.5 小波濾波的在線實(shí)現(xiàn) 2.10.6 用小波分析進(jìn)行信號(hào)的奇異性檢測(cè) 2.10.7 用小波分析進(jìn)行信號(hào)的壓縮 2.10.8 用小波分析進(jìn)行信號(hào)的發(fā)展趨勢(shì)識(shí)別 2.10.9 用小波分析進(jìn)行信號(hào)的抑制與衰減 2.10.10 用小波分析進(jìn)行某頻率區(qū)間信號(hào)的識(shí)別 2.10.11 用小波分析進(jìn)行信號(hào)的自相似性檢測(cè) 2 10 12 結(jié)論 2.10.13 Matlab程序 思考題與習(xí)題 第3章 多變量統(tǒng)計(jì)建模方法及其在軟測(cè)量中的應(yīng)用 3.1 相關(guān)分析 3.1.1 相關(guān)系數(shù)計(jì)算公式 3.1.2 相關(guān)系數(shù)r的特點(diǎn) 3.1.3 判斷變量間相關(guān)程度的原則 3.l.4 線性化方法 3.1.5 現(xiàn)場(chǎng)數(shù)據(jù)的處理結(jié)果 3.2 多元統(tǒng)計(jì)回歸分析 3.2.1 多元線性回歸分析 3.2.2 F檢驗(yàn)和t檢驗(yàn) 3.2.3 在非線性系統(tǒng)中的應(yīng)用 3.2.4 多元線性回歸方法的原理 3.2.5 多元線性回歸計(jì)算的主要參數(shù) 3.2.6 多元線性回歸方程的檢驗(yàn) 3.2.7 多元線性回歸法的應(yīng)用示例 3.2.8 噴射塔中S02吸收傳質(zhì)系數(shù)的軟測(cè)量 3.2.9 多元線性回歸程序說(shuō)明及源程序 3.3 多元逐步回歸方法 3.3.1 逐步回歸法的概念 3.3.2 多元逐步回歸方法計(jì)算步驟 3.3.3 逐步回歸法存在的問(wèn)題 3.3.4 應(yīng)用示例 3.3.5 逐步回歸程序說(shuō)明及源程序 3.4 主元分析法 3.4.1 概述 3.4.2 主元分析方法 3.4.3 NIPALS方法 3.4.4 主元的主要性質(zhì) 3.4.5 主元回歸方法 3.4.6 主元回歸方法程序說(shuō)明及源程序 3.4.7 多尺度主元分析 3.4.8 遞推主元分析 3.4.9 協(xié)方差矩陣的遞推求解 3.4.10 基于秩-1更新的遞推主元分析 3.4.11 更新主元個(gè)數(shù)與控制限 3.5 部分最小二乘法 3.5.1 概述 3.5.2 部分最小二乘回歸法原理 3.5.3 部分最小二乘回歸法的計(jì)算方法推導(dǎo) 3.5.4 部分最小_二乘回歸法的計(jì)算步驟 3.5.5 部分最小二乘回歸模型的檢驗(yàn) 3.5.6 部分最小二乘回歸模型的性質(zhì) 3.5.7 部分最小二乘法PLS程序說(shuō)明發(fā)源程序 3.5.8 正交信號(hào)修正的部分最小二乘法 3.5.9 應(yīng)用示例 3.5.10 PLS與PCR的比較 3.5.11 部分最小二乘遞推算法 3.6 基于Chebyshev多項(xiàng)式的部分最小_乘法 3.6.1 Chebyshev多項(xiàng)式 3.6.2 基于Chebyshev多項(xiàng)式改進(jìn)的非線性PLS方法 3.6.3 基于Chebyshev多項(xiàng)式改進(jìn)的部分最小二乘算法程序說(shuō)明及源程序 3.7 五種建模方法比較 思考題和習(xí)題 第4章 系統(tǒng)辨識(shí)及其在軟測(cè)量技術(shù)中的應(yīng)用 4.1 建立數(shù)學(xué)模型的方法 4.1.1 概述 4.1.2 辨識(shí)建模 4.2 最小二乘法 4.2.1 模型結(jié)構(gòu) 4.2.2 最小二乘格式 4.2.3 最小二乘法的解 4.3 最小二乘參數(shù)估計(jì)的遞推算法 4.4 小二乘法的遺忘因子法 4.4.1 "數(shù)據(jù)飽和"現(xiàn)象 4.4.2 最小二乘遺忘因子法的一次完成算法 4.4.3 最小二乘遺忘因子法的遞推算法 4.5 按模型階次增加的遞推算法 4.6 增廣最小二乘法 4 6 1 增廣最小二乘法的一次完成法 4.6.2 增廣最小二乘法的遞推算法 4.7 廣義最小二乘法 4.7.1 廣義最小二乘法的一次完成法 4.7.2 廣義最小二乘法的遞推算法 4.8 多步最小二乘法 4.8.1 估計(jì)權(quán)序列 4.8.2 估計(jì)模型的參數(shù) 4.8.3 噪聲模型參數(shù)的估計(jì) 4.9 各種最小二乘法的比較 4.10 傳遞函數(shù)模型辨識(shí) 4.10.1 閉環(huán)系統(tǒng)辨識(shí)方法 4.10.2 NLJ優(yōu)化算法 4.10.3 MPSEIVI方法對(duì)象模型辨識(shí)的求解過(guò)程 思考題與習(xí)題 第5章 化學(xué)反應(yīng)器的機(jī)理模型 5.1 混合理想的釜式反應(yīng)器 5.1.1 一級(jí)反應(yīng) 5.1.2 平衡反應(yīng) 5.2 混合理想的級(jí)聯(lián)反應(yīng)器系列 5.3 容量可變、混合理想的等溫釜式反應(yīng)器的動(dòng)態(tài)特性 5.4 容量可變、混合理想的等溫釜式反應(yīng)器的調(diào)節(jié) 5.5 處于絕熱狀態(tài)下的固定床催化反應(yīng)器 5.5.1 模型方程 5.5.2 靜態(tài)特性 5.5.3 動(dòng)態(tài)特性 5.5.4 信息流圖 5.5.5 穩(wěn)定條件 5.6 有冷卻的混合理想反應(yīng)器 5.7 通過(guò)調(diào)整冷卻水流量控制反麻器實(shí)例 5.8 實(shí)例 5.8.1 實(shí)例l：反應(yīng)器的溫度調(diào)節(jié) 5.8.2 實(shí)例2：丙烯水合反應(yīng)器的優(yōu)化控制 5.8.3 實(shí)例3：聚丙烯腈工序質(zhì)量指標(biāo)的軟測(cè)量技術(shù) 思考題與習(xí)題 第6章 人工神經(jīng)網(wǎng)絡(luò)理論及其在建模中的應(yīng)用 第7章 優(yōu)化算法及其在軟測(cè)量技術(shù)中的應(yīng)用 附錄A F分布值表 附錄B t分布表 參考文獻(xiàn)

章節(jié)摘錄

隨著我國(guó)經(jīng)濟(jì)體制的轉(zhuǎn)變及加入WTO后，國(guó)內(nèi)的眾多過(guò)程工業(yè)企業(yè)日益感受到國(guó)際間競(jìng)爭(zhēng)所帶來(lái)的壓力和挑戰(zhàn)。在這種大的背景下，積極開(kāi)發(fā)和應(yīng)用先進(jìn)控制和實(shí)時(shí)優(yōu)化以提高企業(yè)經(jīng)濟(jì)效益，進(jìn)而增強(qiáng)自身的競(jìng)爭(zhēng)力是過(guò)程工業(yè)迎接挑戰(zhàn)的重要對(duì)策?，F(xiàn)代控制理論和人工智能幾十年來(lái)的發(fā)展己為先進(jìn)控制奠定了應(yīng)用理論基礎(chǔ)，而控制計(jì)算機(jī)尤其是集散控制系統(tǒng)(DCS)的普及與提高，則為先進(jìn)控制的應(yīng)用提供了強(qiáng)有力的硬件和軟件平臺(tái)。先進(jìn)控制涉及到較多領(lǐng)域，例如現(xiàn)代控制理論，建模技術(shù)，軟測(cè)量技術(shù)，系統(tǒng)辨識(shí)技術(shù)，數(shù)據(jù)預(yù)處理技術(shù)以及人工智能理論等。這本教材對(duì)系統(tǒng)模型化與軟測(cè)量技術(shù)的內(nèi)容做一些基本介紹，其中包括系統(tǒng)辨識(shí)技術(shù)、數(shù)據(jù)預(yù)處理技術(shù)以及人工智能理論中的神經(jīng)網(wǎng)絡(luò)技術(shù)等。工業(yè)企業(yè)的需求以及控制理論和計(jì)算機(jī)技術(shù)的發(fā)展是先進(jìn)控制發(fā)展強(qiáng)有力的推動(dòng)。先進(jìn)控制是對(duì)那些不同于常規(guī)單回路控制，并具有比常規(guī)PID控制更好的控制效果的控制策略的統(tǒng)稱(chēng)，而非專(zhuān)指某種計(jì)算機(jī)控制算法。通常這種算法，都要求有系統(tǒng)的數(shù)學(xué)模型，或帶有人工智能的性質(zhì)。這些要求需要系統(tǒng)建模技術(shù)。先進(jìn)控制的實(shí)施，使過(guò)程控制更平穩(wěn)，有條件實(shí)現(xiàn)更嚴(yán)格的卡邊條件在線優(yōu)化控制，從而帶來(lái)顯著的經(jīng)濟(jì)效益。而卡邊條件的實(shí)現(xiàn)，往往需要軟測(cè)量技術(shù)的應(yīng)用。本書(shū)正是在這種需求的背景下，較全面地闡述系統(tǒng)建模方法和軟測(cè)量技術(shù)。

編輯推薦

《軟測(cè)量技術(shù)原理與應(yīng)用》特色：系統(tǒng)詮釋軟測(cè)量技術(shù)原理  全面剖析工況應(yīng)用案例契合工業(yè)企業(yè)的應(yīng)用需求  高度概括控制理論體系《軟測(cè)量技術(shù)原理與應(yīng)用》精華內(nèi)容：系統(tǒng)建模方法和軟測(cè)量技術(shù)——小波分析、主元分析、部分最小二乘、系統(tǒng)辨識(shí)技術(shù)、神經(jīng)網(wǎng)絡(luò)技術(shù)和優(yōu)化算法非線性軟測(cè)量方法——機(jī)理建摸、神經(jīng)元技術(shù)、主元分析、部分最小二乘、系統(tǒng)辨識(shí)和模式識(shí)別典型工況應(yīng)用案例——建立常壓塔裝置的脫空度和干點(diǎn)軟儀表、聚合過(guò)程質(zhì)量軟儀表

圖書(shū)封面

圖書(shū)標(biāo)簽Tags

無(wú)

評(píng)論、評(píng)分、閱讀與下載

---

    軟測(cè)量技術(shù)原理與應(yīng)用 PDF格式下載

---