胶料粘度的PCA-RBF多网络软测量研究

针对传统混炼过程胶料粘度预测存在的辅助变量信息冗余大及冗余导致模型结构的复
杂化和泛化能力的降低提出先进行主元分析；同时由于对象的复杂性，传统的建立单一模型的思想存在着弊端，从而提出基于RBF 神经网络建立多网络模型思想并进行仿真。
目前，基于信息化集成的计算机检测与控制系统遍布各种生产线和现场装备，为我们提
供了大量有用的生产实时信息。但由于技术或经济的原因，绝大多数生产过程的主要质量指标或参数难以实现在线检测，这极大地制约了控制性能和产品质量的提高。基于可检测参数的软测量方法，为解决这一问题提供了相对简单可行的途径，从而成为过程测控研究的首要问题[1]。目前有关研究主要包括二次变量的选择、数据处理、软测量模型的建立以及模型的在线校正等几个方面[2]。其中，建模是软测量的核心，也是目前研究的热点和重点。由于生产过程的复杂性和人们知识的局限性，精确的机理解析模型通常很难得到，而构建基于数据驱动的建模方法成为了主要研究方法。
橡胶是组成轮胎的主要原料，橡胶混炼是轮胎生产过程最重要的源头工序，混炼胶料的
质量决定了轮胎的质量和成本，然而一直以来由于检测技术的发展滞后，缺乏检测混炼胶主要质量指标――门尼粘度的在线检测设备，过去人们主要利用统计方法进行单因素或多因素建模，取得了一定的成果，但在模型的泛化能力、预测精度上尚存在一定的问题。
由于生产过程中采集数据存在不同程度的冗余，变量之间存在不同程度的线性相关关
系，冗余信息的存在导致状态空间的严重高维化、模型结构复杂甚至缺乏实用性。因此，在选择充足的辅助变量后如何判断这些变量之间是否存在复共线性并进行降维是必要的。同时，工业生产过程中同一设备或生产线往往需要交替生产多个不同工艺（甚至不同性质）的产品序列，对同一设备或生产线建立一个具有较好鲁棒性和精度的单一模型存在较大的困难。综上，本文提出从主元分析入手，通过对过程数据特征变量的提取进行模型分类，并利用RBF 神经网络进行胶料粘度的多网络预测建模研究。