| 基于PCA降维模型的造纸废水处理过程软测量建模 |
| |
| 引用本文： | 刘鸿斌,李祥宇,杨 冲. 基于PCA降维模型的造纸废水处理过程软测量建模[J]. 中国造纸学报, 2018, 33(4): 50-57 |
| |
| 作者姓名： | 刘鸿斌 李祥宇 杨 冲 |
| |
| 作者单位： | 1.南京林业大学江苏省制浆造纸科学与技术重点实验室，江苏南京，210037；2.华南理工大学制浆造纸工程国家重点实验室，广东广州，510640；3.南京林业大学林业资源高效加工利用协同创新中心，江苏南京，210037,1.南京林业大学江苏省制浆造纸科学与技术重点实验室，江苏南京，210037,1.南京林业大学江苏省制浆造纸科学与技术重点实验室，江苏南京，210037 |
| |
| 基金项目： | 制浆造纸工程国家重点实验室开放基金资助项目（201813，201610）；南京林业大学高层次人才科研启动基金（163105996）；江苏省制浆造纸科学与技术重点实验室开放基金项目（201530）。 |
| |
| 摘 要： | 针对造纸废水处理过程的复杂特性，本课题将主成分分析（PCA）与人工神经网络（ANN）和支持向量回归（SVR）相结合，构建出两种新的软测量模型：主成分分析-人工神经网络（PCA-ANN）和主成分分析-支持向量回归（PCA-SVR）。本课题将这两种软测量模型应用于造纸废水处理过程中出水化学需氧量（COD）和出水悬浮固形物（SS）浓度的预测。计算结果表明，PCA-ANN和PCA-SVR的预测效果均优于偏最小二乘、支持向量回归和人工神经网络3种常规软测量模型，并且PCA-ANN的预测效果最优。对于出水COD浓度预测，PCA-ANN的决定系数（R2）为0.984，均方误差（MSE）为1.892，较ANN分别优化了9.7%和71.5%。对于出水SS浓度预测，PCA-ANN的R2为0.762， MSE为0.228，较ANN分别优化了31.2%和58.7%。
|
| 关 键 词： | 造纸废水处理；主成分分析；支持向量回归；人工神经网络；偏最小二乘；软测量 |
Soft Sensor Modeling of Papermaking Waste Water Treatment Process Using PCA Dimensional Reduction Models |
| |
| LIU Hong-bin,LI Xiang-yu and YANG Chong. Soft Sensor Modeling of Papermaking Waste Water Treatment Process Using PCA Dimensional Reduction Models[J]. Transactions of China Pulp and Paper, 2018, 33(4): 50-57 |
| |
| Authors: | LIU Hong-bin LI Xiang-yu YANG Chong |
| |
| Abstract: | |
| |
| Keywords: | papermaking waste water treatment processes principal component analysis support vector regression artificial neural network partial least squares soft sensor |
|
| 点击此处可从《中国造纸学报》浏览原始摘要信息 |
|
点击此处可从《中国造纸学报》下载免费的PDF全文 |
