基于核函数主元分析的软测量建模方法及应用

提出了基于核函数主元分析(PCA)方法提取变量的特征信息以有效处理非线性数据，并在此基础上进行软测量建模的方法。利用该方法建立了工业萘初馏塔酚油含萘量软测量模型，工业应用结果表明了该方法的有效性和优越性。     

基于PSO-ANN逆的发酵过程软测量建模

针对发酵过程中一些关键生化参量难以通过常规仪表实时测量,而制约发酵生产过程优化控制的问题,提出一种基于粒子群神经网络逆(PSO-ANN逆)的发酵软测量建模方法.以青霉素发酵过程为背景,首先建立其虚拟子系统数学模型,并构建发酵过程逆模型;其次,提出PSO-ANN逆的软测量实现方法,以克服解析法逆运算的复杂性甚至难于实现的问题;最终构建PSO-ANN逆软测量模型,并进行试验及仿真.结果表明:该软测量建模方法能够将机理建模与数据驱动建模方法相结合,充分利用对象模型的先验知识和经验数据,有效解决了青霉素发酵过程中不可在线测量的关键参量实时测量难题,其训练和测试误差分别达到0.037 2和0.046 1,模型具有较高的预测精度和较强的预测能力.     

基于多准则和高斯过程回归的动态软测量建模方法

为了解决静态软测量建模预测精度低和鲁棒性差等问题,提出了一种基于多准则和高斯过程回归的动态软测量建模方法.该方法综合考虑多种模型定阶准则,提出了高斯过程回归动态软测量模型定阶策略,为模型阶数确定提供了依据,并将所提动态软测量模型应用于红霉素发酵过程中生物量浓度的估计.研究结果表明,基于高斯过程回归的动态软测量建模方法可以实现对生物量浓度的高精度预测,且预测结果具有较小的置信度区间.     

基于改进的GA-LSSVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线测量的问题,提出了一种改进的最小二乘支持向量机(IGA-LSSVM)的软测量建模方法.该方法采用核独立分量分析(KICA)对高维数据进行特征提取,利用改进的最小二乘支持向量机进行建模.该方法既利用了最小二乘支持向量机求解速度快的特点,又利用了自适应遗传算法强大的全局搜索能力,增强了模型的自适应性.用该方法建立柴油凝点的软测量模型,结果表明,基于IGA-LSSVM方法建立的软测量模型具有较高的预测精度和泛化能力.     

基于ICA变量分组的集成软测量方法研究

提出了一种基于独立主成分分析（independent component analysis,ICA）变量分组和集成学习的软测量建模方法.该方法首先运用ICA对输入过程变量进行分组,建立多个变量组子空间.然后在各变量组子空间内提取子样本集,降低变量和变量组之间的耦合性,并基于核偏最小二乘法（KPLS）建立预测子模型.最后,采用贝叶斯方法对子模型的输出进行集成,给出最终预测结果.运用该方法对工业橡胶密炼过程的数据进行了预测,并与其它软测量方法的结果进行比较分析,实验结果表明,本文提出的方法具有更好的预测性能.      

工业过程软测量研究

综述工业过程软测量研究现状.论述软测量过程中辅助变量的选择,过程数据的预处理,软测量模型的建立及软仪表校正方法,提出工业过程软测量的实现方案.评述基于回归分析、BP神经网络、RBF神经网络、支持向量机等当前主要软测量建模方法的特点及其在工业过程软测量中的应用.指出当前工业过程软测量实现过程中存在的诸如误差处理、软仪表校正等问题及今后软测量技术与优化控制相结合的研究与发展方向.     

基于核主元分析和动态递归模糊神经网络的软测量建模

针对软测量建模过程中的误差数据剔除、特征提取,及模型的动态辨识问题,提出基于核主元分析和动态递归模糊神经网络软测量建模方法.首先,利用样本间马氏距离进行样本相似程度分析,去除样本中错误数据以确保数据质量;然后利用核主元分析提取系统的非线性主元,作为动态递归模糊神经网络的输入;最后利用新样本数据训练动态递归模糊神经网络.将该方法应用于赖氨酸发酵过程的产物浓度预测,仿真结果表明该方法具有较高的预测精度,满足现场测量要求.     

基于减法聚类产生具有优化规则的模糊神经网络及其软测量建模

提出了一种通过调整减法聚类半径优选模糊规则的软测量建模方法。首先用减法聚类建立T—S模糊模型,然后通过调整聚类半径优选模糊规则数,以取得具有良好泛化性能的模型,之后利用梯度下降混合最小二乘算法精调参数。最后用该方法对初馏塔石脑油干点进行软测量建模,结果表明能较快确定优化模型,并能满足软测量建模精度要求。     

基于时间序列聚类和ARMA模型的检索量预测

为了通过预测分析检索量数据来指导商家调整产品开发及经营策略,将检索量数据组织为时间序列,对其用自回归滑动平均(ARMA)模型进行建模预测.先将时间序列进行聚类,仅对聚类中心序列进行ARMA模型识别,同类序列用该模型进行近似建模预测:经过数据预处理、相似性分析、基于相似度的聚类、时间序列预测等过程,得到检索量数据的预测值...     

一种基于高斯过程的非线性PLS建模方法

提出了一种基于高斯过程(GP)和偏最小二乘法(PLS)的非线性PLS方法(GP-PLS),以更加有效地处理过程非线性、多输入和数据共线性等复杂特性,提高模型的推广能力和精度。该方法首先采用PLS进行特征提取,再用GP建立PLS的内部模型,因而具有GP与PLS的优点。对工业丙烯腈生产过程丙烯腈收率软测量建模的应用表明,采用该方法建立的软测量模型在模型精度、推广能力等方面明显优于一些传统软测量建模方法,满足工业现场应用要求。     

基于AdaBoost.R2和ELM的软测量新方法

针对软测量建模的特点提出了一种基于AdaBoost.R2和ELM的软测量新方法,该方法依据AdaBoost.R2可以提高单一学习机精度和ELM学习速度快的特点,将二者结合起来实现软测量建模.这种结合使得新的软测量方法在提高软测量模型预测精度的同时保证了软测量模型的建模速度.该方法已经应用于抚顺老虎台矿冲击地压预测中,实验结果表明其冲击地压软测量模型具有良好的预测精度.     

基于ELM神经网络的采煤机截割载荷软测量建模方法

采煤机是煤矿综采工作面的关键设备,由于煤层结构复杂,导致截割载荷复杂多变,并且截割载荷难以直接测量。因此,针对采煤机截割载荷难以直接检测难题,研究了采煤机交流异步电机的机械特性,提出了基于软测量建模技术的截割载荷预测方法。首先,通过分析采煤机交流异步电机的机械特性,得出截割载荷与截割电机的转速、电流符合非线性关系,运用软测量建模方法可以预测截割载荷。然后,以截割电机的转速和电流作为输入变量,运用ELM神经网络的软测量建模方法建立采煤机截割载荷软测量模型。最后,运用ELM,BP,RBF3种神经网络软测量建模方法对采煤机电机载荷进行预测,以均方误差和相关系数作为预测评价指标,结果表明:ELM神经网络软测量建模方法在预测精度和预测速度方面都优于BP神经网络和RBF神经网络软测量建模方法。运用ELM神经网络软测量建模方法能够准确、快速预测采煤机截割载荷,为采煤机恒功率截割和牵引智能调速提供了理论基础。     

基于概率密度函数的软测量方法及其在烟气含氧量中的应用

现场采集的数据多为动态的生产数据,常规的数据预处理方法不能完全剔除数据中存在的各种有色噪声.针对该问题,提出了一种基于概率密度函数的烟气含氧量软测量方法,建立基于神经模糊系统的烟气含氧量软测量模型,将概率密度函数控制的思想引入到模型参数的辨识算法中,以克服有色噪声的影响.仿真结果表明,文中提出的新型软测量方法具有较高的建模精度,特别是在测量数据存在噪声的情况下,能够有效地解决烟气含氧量的预测问题.     

河流水质模拟预测的统计建模研究——以湟水河小峡桥断面为例

以湟水河国控断面—小峡桥为例,基于Box-Jenkins方法的时间序列分析技术,对2009~2012年主要污染物月度数据进行建模分析,验证了污染物数据的时间序列特性,研究并选择了这四个序列的最佳ARMA模型,本文也通过模型对2013年的水质进行了预测,并与实际数据加以比较检验。模型实证分析的结果表明:在河流水质模拟预测方面,ARMA模型是一种精度较高且切实有效的方法模型.     

基于小波变换和ARMA模型的电力设备故障率预测方法

针对电力设备故障率具有时变性、随机性、隐含周期性等特点,预测难度大。本文采用基于小波变换和ARMA模型的电力设备故障率预测方法,对原始数据预处理后采用Daubechies小波进行分解和重构,获得各尺度域上的小波系数;分别对各尺度域上的小波系数进行ARMA建模、预测和整合,生成故障率预测数据。将预测结果与ARMA模型预测结果和实际结果进行对比和误差分析,结果说明,基于小波变换-ARMA模型的预测方法具有较高的预测精度。     

工业共沸精馏塔软测量建模方法的研究与应用

针对某一工业共沸精馏塔成分估计问题，利用基于支持向量机技术的软测量建模方法，建立了恰当的工业软测量模型。利用滑动时间窗技术实时更新建模数据集，并根据预估精度决策在线优化和模型更新，提高工业软测量模型的在线估计精度。研究结果表明，基于滑动时间窗的LS—SVM软测量建模方法，是一种有效的软测量建模方法。     

基于PCA和LS-SVM的软测量建模与应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题,提出了将主元分析与最小二乘支持向量机相结合的软测量建模方法,并利用该方法建立了工业阿维菌素发酵过程中的菌丝浓度软测量模型.主元分析方法的引入,有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力.应用结果表明,该方法与基于径向基函数神经网络软测量模型相比具有有效性和优越性.     

基于机制建模与模糊建模相结合的聚丙烯熔融指数软测量方法

针对聚丙烯熔融指数软测量建模问题,提出一种基于机制建模与模糊建模相结合的建模方法.从聚合反应机制出发,得到熔融指数软测量模型的机理结构框架,将其作为Takagi-Sugeno(T-S)模糊模型的后件部分,然后用加强型模糊聚类算法辨识T-S模型的前件参数.应用结果表明,将机制建模与模糊建模相结合的方法保留了模型参数的物理意义,提高了建模精度,所建软测量模型具有较好的预测性能.     

核函数方法在丙烯腈收率软测量建模中的应用

介绍了核函数方法的基本原理及两种核函数统计建模方法;提出了用核函数PLS与核函数PCR建立工业丙烯腈生产过程丙烯腈收率软测量模型,以便更有效地处理过程非线性、多输入和数据共线性等复杂特性。对比研究发现,基于核函数方法的软测量模型要优于线性统计模型,而核函数PLS模型性能优于核函数PCR。     

用于化工软测量的基于移动窗的过程神经网络

软测量技术可以有效解决复杂工业过程中一些重要参量难以由硬件在线检测的问题,由于化工过程具有连续性和累积性等特点,若采用传统的软测量建模方法往往会忽略信号的时间累积作用从而导致预测误差较大。针对上述问题,提出了基于改进的过程神经网络(PNN)的软测量建模方法。首先采用移动窗技术来确定包含过程正常运行大部分信息的时间序列,然后利用改进的PNN建立软测量模型并对主导变量进行连续预测,最后对软仪表进行校正以实现连续高精度预测。以某工厂高密度聚乙烯装置为例,验证了该方法具有较高的预测精度和跟踪性能,这对于工业过程的控制优化操作具有重要的应用价值。