本書系統(tǒng)闡述了烯烴聚合智能制造的自動化與智能化核心瓶頸生產難題與科學前沿問題——熔融指數預報的機理建模與數據驅動建模方法。從人工智能與數據解析的角度,針對聚丙烯工業(yè)生產的MI預報實際問題和實際生產數據,系統(tǒng)闡述了該領域國內外研究現狀,特別是筆者二十多年來所指導的數十名碩士生、博士生、博士后從事該領域實際生產研究的相關方法、思路與成果,使讀者近距離全面了解人工智能與數據解析方法在智能制造中的實際應用情況。
本書可作為高等院校自動化、控制科學與工程、控制系統(tǒng)工程、計算機科學與技術、數學與應用數學、化工工程、材料科學與技術等相關專業(yè)的教材,也可作為有關研究人員和工程技術人員的參考書。
第1章 緒論001~014
1.1丙烯聚合工業(yè)介紹002
1.1.1聚丙烯及其熔融指數002
1.1.2現代聚丙烯工藝004
1.2過程建模005
1.2.1建模對象過程介紹005
1.2.2聚丙烯生產工藝流程及裝置006
1.2.3建模變量的確定008
1.3研究現狀010
1.3.1基于線性統(tǒng)計理論的預測模型010
1.3.2基于智能理論的預測模型011
1.3.3基于非線性理論的預測模型012
1.4研究難點012
思考題014
第2章 機理模型015~053
2.1丙烯聚合機理模型017
2.1.1微觀尺度模型018
2.1.2介觀尺度模型019
2.1.3宏觀尺度模型020
2.2丙烯聚合反應的動力學021
2.3單粒子增長模型025
2.3.1改進的單粒子模型的建立028
2.3.2CSA基本思想034
2.3.3模型結果與分析036
2.4聚丙烯反應器模型041
2.4.1聚丙烯生產過程建模的主要困難041
2.4.2反應機理的簡化及其反應動力學042
2.4.3模型求解步驟047
2.4.4反應動力學參數的確定048
2.4.5模型參數在線自動校正050
2.4.6模型運行結果分析051
本章小結052
思考題053
第3章 數據驅動方法054~074
3.1統(tǒng)計學習理論基本概念056
3.1.1最小化期望風險的準則057
3.1.2建立有用預測變量的規(guī)則059
3.2常用統(tǒng)計學習方法061
3.2.1統(tǒng)計分析061
3.2.2NNs063
3.2.3支持向量機068
3.2.4混沌072
3.2.5半監(jiān)督073
本章小結073
思考題074
第4章 神經網絡075~094
4.1人工神經網絡介紹076
4.1.1人工神經網絡的發(fā)展077
4.1.2人工神經網絡的基本功能079
4.1.3人工神經網絡的優(yōu)缺點080
4.2PCA-RBF神經網絡模型的建立081
4.2.1RBF神經網絡方法081
4.2.2結構原理082
4.2.3RBF神經網絡與BP神經網絡的比較083
4.3主元分析法084
4.3.1問題的提出085
4.3.2多維推廣086
4.3.3貢獻率和累積貢獻率088
4.4PCA-RBF神經網絡模型在MI預報中的應用089
4.4.1過程變量的確定及建模數據的采集089
4.4.2MI預報的PCA-RBF神經網絡建模090
4.4.3仿真結果與分析091
本章小結094
思考題094
第5章 支持向量機095~116
5.1支持向量機簡介096
5.1.1支持向量分類機096
5.1.2支持向量回歸機099
5.2支持向量機理論102
5.2.1SVM非線性回歸原理103
5.2.2最小二乘支持向量機106
5.2.3加權最小二乘支持向量機107
5.2.4相關向量機108
5.2.5相關向量機的基本理論108
5.2.6相關向量機模型基本原理109
5.3SVM在聚丙烯熔融指數預報中的應用111
5.3.1過程數據及其預處理111
5.3.2模型性能比較112
本章小結115
思考題115
第6章 模糊理論117~131
6.1模糊神經網絡介紹118
6.1.1模糊理論介紹118
6.1.2模糊集合119
6.1.3模糊理論的特點122
6.2模糊神經網絡介紹123
6.3模糊神經網絡在熔融指數軟測量中的應用分析126
本章小結130
思考題131
第7章 混沌理論132~172
7.1混沌理論基本介紹133
7.1.1混沌理論的發(fā)展133
7.1.2混沌的定義135
7.1.3典型混沌時間序列136
7.2混沌時間序列預測的研究現狀139
7.3時間序列的混沌特性識別研究141
7.3.1平穩(wěn)性分析141
7.3.2非線性檢驗143
7.3.3相空間重構144
7.3.4關聯維數147
7.3.5Lyapunov指數148
7.3.6Kolmogorov熵150
7.4熔融指數時間序列的混沌特性分析151
7.4.1平穩(wěn)性分析151
7.4.2非線性檢驗151
7.4.3相空間重構151
7.5基于FWNN的熔融指數混沌預報研究156
7.5.1小波神經網絡簡介156
7.5.2模糊小波神經網絡158
7.5.3網絡學習算法160
7.5.4基于FWNN的熔融指數混沌預報模型165
7.6實例驗證168
本章小結170
思考題172
第8章 多尺度173~191
8.1基于多尺度分析的熔融指數組合預測研究174
8.1.1小波變換174
8.1.2經驗模態(tài)分解176
8.2熔融指數時間序列的多尺度分析178
8.2.1小波分解與經驗模態(tài)分解的結果分析與比較178
8.2.2對分解序列的混沌特性分析180
8.3基于多尺度分析的熔融指數組合預測模型185
8.3.1組合預測方法185
8.3.2基于多尺度分析的熔融指數組合預測模型186
8.4實例驗證187
本章小結190
思考題191
第9章 半監(jiān)督192~205
9.1基于核密度估計的稀疏貝葉斯半監(jiān)督回歸194
9.2基于KDSBSR的熔融指數預報模型198
9.3實例驗證200
9.3.1不同熔融指數標簽采樣率下KDSBSR模型預報效果考察200
9.3.2不同半監(jiān)督模型預報性能對比研究202
本章小結205
思考題205
第10章 群智能206~222
10.1基于ACO算法模型優(yōu)化研究207
10.1.1ACO算法介紹207
10.1.2ACO算法優(yōu)化D-FNN參數209
10.1.3自適應ACO算法優(yōu)化D-FNN參數211
10.1.4ACO算法優(yōu)化效果分析212
10.2基于PSO算法模型優(yōu)化研究215
10.2.1PSO-D-FNN優(yōu)化模型215
10.2.2混沌GA/PSO優(yōu)化模型216
10.2.3PSO算法優(yōu)化效果分析219
本章小結222
思考題222
參考文獻223
圖索引239
表索引243