基于多采样率数据的软测量模型

提出了一种利用具有不同采样率的过程数据建立软测量模型的方法.本文采用主成分分析技术对过程数据降维,然后用降维后的数据训练神经网络,建立软测量模型.通过仿真证明,该软测量模型结构简单,获得了过程输出变量在非采样时刻的估计值.     

基于主元分析的气体膜分离过程RBFNN建模

构建一个基于主元分析的气体膜分离过程的RBF神经网络软测量模型,研究氢回收过程中一些难以测量的重要性能参数。在炼厂气氢回收研究中提出的通过测量间接变量建立软测量模型方案的基础上,融入主元分析思想,先对间接测量变量进行主元分析,得到为主导变量提供关键信息的变量,再建立RBF神经网络对目标变量进行研究分析。基于实验数据和RBF神经网络模型,利用MATLAB软件平台对氢回收过程的重要性能参数分析研究,仿真结果证明了此模型的正确性和理论分析的合理性。主元分析的融入简化了气体膜分离过程重要性能参数在线检测的研究过程。     

基于多支持向量机的软测量模型

在许多工业过程控制系统中，软测量技术由于解决了输出变量难以测量的问题而被广泛应用。软测量技术的核心问题是建立优良的软测量数学模型，支持向量机（SVM）以其优良的泛化特性而被应用到建立软测量模型中。基于多个模型的组合可以提高模型精度和鲁棒性的思想，提出多支持向量机（MSVM）组合模型的软测量建模方法．该建模方法通过减聚类方法将输入空间划分为一些小的局部空间．在每个局部空间中用最小二乘支持向量机（LS-SVM）建立子模型．为解决子模型相互之间的严重相关问题，提高模型的精度和鲁棒性，各个子模型的预测输出通过主元递归（PCR）方法连接．仿真研究表明，采用该建模方法能够达到较好的建模效果。     

基于多关联向量机的动态软测量建模

为了估计工业过程中的质量参数,考虑到实际过程中的动态特性,提出一种基于多关联向量机的动态软测量建模方法.对于动态过渡周期内的二次变量数据,根据不同采样时刻划分为多个计算子空间,在每一子空间内采用关联向量机来建立不同时刻的二次变量对主导变量的影响模型.各个子模型的输出采用一个综合关联向量机进行连接,从而建立了基于过渡周期内不同二次变量采样数据的主导变量动态软测量模型.通过实例仿真,结果验证了所提出方法的有效性.     

连续催化重整装置辛烷值软测量研究

研究连续催化重整生产过程中重整产品辛烷值软测量问题.首先结合工艺机理分析,找出影响辛烷值的主要参数,确定为辅助变量,建立起基于BP神经网络的辛烷值软测量模型.其次再采用PLS-BP算法改进模型结构,建立起基于PLS-BP神经网络的辛烷值软测量模型,可以看出PLS-BP所建模型结构相对简单,更适用于实际过程.最后对模型校正后在现场使用,结果表明测量结果令人满意.     

基于迁移成分分析的发酵过程集成软测量建模

青霉素发酵过程具有不确定性和多阶段等特点，不同批次发酵过程间存在工况差异，过程数据的分布不一定相同，使传统软测量模型性能下降。结合迁移学习策略和高斯混合模型，提出一种基于迁移成分分析的多模型集成软测量建模方法。该方法使用迁移成分分析求解样本间共享特征映射矩阵，适配建模过程数据与待测数据的边缘概率分布；并基于高斯混合模型对建模数据进行聚类划分，与偏最小二乘算法结合建立子模型的集成模型，完成对主导变量的预测。基于青霉素平台数据的仿真结果表明，所提方法不仅能够有效提高青霉素发酵过程软测量模型的精度，而且适应于变工况下青霉素浓度的预测。     

基于离散PSO的软测量辅助变量选择算法

工业对象的复杂化带来了可测变量的增多,这些变量集合中大量冗余的信息会降低软测量建模的精度。针对这个问题,提出了基于离散PSO的软测量辅助变量选择算法。算法将传统PSO连续的优化过程通过对粒子位置的隶属度计算,将其离散成0或1。0、1分别表示某变量未被选中和被选中,每个粒子就代表一种变量选取情况。将PLS回归用于适应度函数的计算,有利于克服多元回归中多重共线问题。最后,将该算法用在了丙烯精馏塔塔顶丙烯浓度的软测量实验中,实验结果表明该方法有效,并提高了模型的预测精度。     

基于多向PLS方法的间歇过程质量预测

间歇生产过程中，很多质量指标不能在线测量，通常是在反应结束后通过离线分析得到。本文应用多向部分最小二乘(MPLS)方法建立软测量模型，通过在线测量的过程变量对产品质量进行预测。针对异丁烯酸甲酯(MMA)聚合反应过程中的数据进行仿真，结果表明，MPLS方法能够在反应初期就有效的预测出最后的产品质量指标。     

焙烧过程球团透气性的软测量

针对焙烧球团料层透气性软测量二次变量过多的状况,提出了对二次变量"主次分离”的处理方法,该法可降低当二次变量过多时软测量的建模难度.同时提出了一种"松散型模糊神经网络”的建模方法,该法充分利用了模糊技术和神经网络技术的各自优势,得到了较高的测量精度.     

基于PCA和最小二乘支持向量机的软测量建模

软测量技术是解决工业过程中普遍存在的一类难以在线测量变量估计问题的有效方法,支持向量机是基于统计学习理论的一种新的机器学习方法。提出了一种基于主元分析(PCA)和最小二乘支持向量机的软测量建模方法,用主元分析对输入变量进行数据压缩,消除变量之间的相关性,简化支持向量机结构,并通过交叉验证的方法对支持向量机进行参数选择。将其用于4-CBA软测量建模的结果表明:该方法具有学习速度快、跟踪性能好以及泛化能力强等优点,为4-CBA软测量建模的在线实施提供了方便。     

基于PCA-RBF神经网络的工业裂解炉收率在线预测软测量方法

为了解决工业裂解炉收率在线预测的问题,研究了基于PCA(principal component analysis)-RBF(radial basis function)神经网络模型的多输入多输出(MIMO)软测量方法及其在线校正技术。该方法由主元分析PCA、RBF神经网络和在线校正3部分组成,可以实现工业裂解炉收率的在线预测,具有实时性好、建模周期短、计算量小、校正方便等特点。本文给出的SRT-IV型工业裂解炉收率预测例子及其结果表明该软测量方法应用于工业裂解炉收率的在线预测是有效的。     

漏入汽轮机真空系统空气量的软测量

针对目前汽轮机真空系统漏气量的直接测量一直没有好的方法的问题，文中提出一种基于真空系统严密性试验，并结合BP网络的漏入真空系统空气量的软测量方法。该方法以影响真空下降速度的凝汽器各运行参数以及真空下降速度作为网络的输入，以常规测量方法得到的漏入真空系统空气量作为目标输出，实现对漏入真空系统空气量的软测量。数值仿真结果证明该方法可以较准确地实现在真空系统严密性试验中对漏入真空系统空气量的测量。     

影响交通信息支付意愿的关键因素实证研究

以GPS应用为代表的信息服务收费开始受到关注,文中就该问题从交通行为科学的角度进行了探讨,首先就问题解决的前提条件设计了个体特征、信息价值,信息采纳和支付意愿4个隐变量,并根据文献研究和实践经验,分别给出了描述这4个隐变量的可量化的19项显示指标,由此利用结构方程建模技术,建立了反映这些隐变量和显示指标间关系的模型,然后通过问卷调查所收集到的数据,使用LISREL软件进行了分析和计算,并根据计算结果的拟合度,确认了结构方程模型的适用性.研究结果表明,信息价值与信息采纳之间的影响关系最弱,而个体特征对其余3个变量的影响都非常显著.     

复杂系统的定性表示与推理

基于人工智能中树图推理的思想,提出一种对复杂系统进行定性描述和推理的方法.该方法基于图论把一般的定性约束方程转化为一种约束图的表示形式,并在虚拟因果理论基础上,得到描述系统波动演化的各关键变量的约束影响图形式.最后,比较了Kuipers的QSIM和本文发展出的方法,表明采用图形化的方式来表征系统各变量之间所存在的约束关系,可以得到和原系统等价的但变量数大大减少的约束影响图形式.这种处理可以推动定性推理的研究从QSIM的实验室阶段走向实际应用领域.     

时间-费用相关的随机活动网络仿真研究

针对复杂产品研发项目活动时间、费用不能准确确定,采用蒙特卡罗仿真方法,建立了时间和费用为相关随机变量的随机活动网络仿真模型。利用乔列斯基因子分解法,将独立分布的时间和费用随机变量转化为相关的随机变量,通过对仿真结果的分析,可以更准确地进行时间-费用交换分析,优化项目工期和费用。通过算例说明了仿真建模和分析过程。     

Bayesian empirical likelihood estimation of quantile structural equation models

Structural equation model (SEM) is a multivariate analysis tool that has been widely applied to many fields such as biomedical and social sciences. In the traditional SEM, it is often assumed that random errors and explanatory latent variables follow the normal distribution, and the effect of explanatory latent variables on outcomes can be formulated by a mean regression-type structural equation. But this SEM may be inappropriate in some cases where random errors or latent variables are highly nonnormal. The authors develop a new SEM, called as quantile SEM (QSEM), by allowing for a quantile regression-type structural equation and without distribution assumption of random errors and latent variables. A Bayesian empirical likelihood (BEL) method is developed to simultaneously estimate parameters and latent variables based on the estimating equation method. A hybrid algorithm combining the Gibbs sampler and Metropolis-Hastings algorithm is presented to sample observations required for statistical inference. Latent variables are imputed by the estimated density function and the linear interpolation method. A simulation study and an example are presented to investigate the performance of the proposed methodologies.     

Second-Order Sliding Mode Controller Design with a Larger Domain of Attraction

In this paper, by combining a second-order sliding mode(SOSM) algorithm with the saturation technique, a novel SOSM control scheme has been presented. The feature of the proposed SOSM controller lies that there is a saturation function imposed on the sliding variable, which could significantly enlarge the domain of attraction for the closed-loop system. The geometric method has been utilized to prove that all the sliding variables will be steered to the origin in a finite time.Meanwhile, the relation between the control parameters and the shape of the phase trajectory has also been discussed. Finally, the proposed method has been applied to the tracking control problem for a robotic manipulator.