复杂工况下的纸浆Kappa值软测量方法

在纸浆Kappa值软测量技术的研究与应用中,发现直接基于经验模型的Kappa值软测量方法在复杂工况应用中预测精度有所下降,针对这个问题,提出了首先利用Daubechies小波变换获得升温过程特征信息来进行工况分类,再进行分类模型预测的方法,以某制浆车间的130组样本数据为对象进行分析,证明了该方法在复杂工况下的预测结果要好于直接基于经验模型的Kappa值软测量方法。     

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OBE-PLS软测量的过程自适应建模

针对工业过程中因时变和工况迁移等复杂因素的影响,使得利用固定样本集训练得到的静态软测量模型不能很好地跟踪当前对象,从而导致该模型预测性能下降的问题,提出了一种融合最优定界椭球(OBE)和偏最小二乘算法(PLS)的动态软测量建模方法。该方法以离线数据集建立PLS软测量模型,当有新的查询样本到达时,可通过主成分分析(PCA)建立统计量寻找与其相似的历史样本,并利用该历史样本通过OBE算法来动态更新PLS模型,从而使模型达到很好地跟踪效果,有效地解决了工业过程中时变和工况迁移的问题。最后在数值例子和球磨机的实例中验证了该方法的有效性。     

基于PLS模型的自适应间歇过程质量预测

间歇生产过程中,很多质量指标不能在线测量,导致过程很难控制。该文应用部分最小二乘(PLS)方法建立软测量模型,通过批次初期在线测量的过程变量对最后的产品质量进行预测。同时,利用过程中得到的中间质量测量值对最后的预测结果进行修正。为了解决过程参数随时间变化的问题,在每个批次结束后利用新数据对原模型进行更新。将该法用于异丁烯酸甲酯(MMA)聚合反应过程,仿真结果显示,该法能够克服过程参数变化的影响,有效地预测最后的产品质量。     

一种带奇异点检测和补偿的GPR在线软测量方法

针对软测量方法实际应用中查询样本可能出现奇异点这一问题,提出一种带奇异点检测和补偿的高斯过程回归(Gaussian process regression,GPR)在线软测量方法。该方法首先对训练样本利用高斯过程回归方法进行建模,得到软测量模型;然后对新来查询样本采用改进拉依达准则进行奇异点检测,当新来查询样本被确定为奇异点时,利用辅助模型进行修补,然后再利用软测量模型对修补后查询样本点进行预测;否则,直接对新来查询样本点使用软测量模型进行预测,此方法能够有效确保新来查询样本点的有效性。通过对实际硫回收过程的数据进行实验仿真,进一步验证了所提方法的有效性。     

基于ARMA模型的粗糠醇精馏过程软测量建模方法

针对粗糠醇精馏过程存在的非线性时变及建模数据的影响持续性不易确定,导致软测量模型预测准确性低的问题,提出一种基于ARMA模型的粗糠醇精馏过程软测量建模方法。构建了粗糠醇精馏过程的自回归滑动平均(Autoregressive Moving Average, ARMA)模型,将建立好的ARMA模型与软测量建模方法相结合,提出基于ARMA-LSSVM的软测量建模方法。基于粗糠醇精馏过程实际数据分别建立了ARMA-LSSVM与LSSVM的软测量模型并进行了对比分析,分析结果表明:本文提出的基于ARMA模型的粗糠醇精馏过程软测量建模方法,可以有效提高粗糠醇精馏过程软测量模型的数据预测精度。     

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.      

基于模型迁移的磨矿过程混合蛙跳算法-小波神经网络软测量建模及重构

摘要：
以磨矿过程的关键工艺指标(磨矿粒度和磨机排矿速率)为预测对象,提出一种基于小波神经网络（WNN）的自适应软测量建模方法.通过对磨矿过程工艺的分析,选取了软测量模型的辅助变量,利用混合蛙跳算法(SFLA)对WNN软测量模型的结构参数(小波函数伸缩因子、平移因子和网络连接权重)进行优化,实现软测量模型输入输出变量之间的非线性映射;并采用模型迁移思想及输入输出修正规划方法实现软测量模型的重构,以解决输入矿石品位改变这一动态工况下的模型自适应校正问题.仿真结果表明,所提出的模型能够显著提高磨矿过程中经济技术指标预测的精度和鲁棒性,满足磨矿生产过程的实时控制要求.
关键词：
磨矿过程; 软测量; 小波神经网络; 混合蛙跳算法; 模型迁移
中图分类号： TK 232
文献标志码： A     

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.     

石油钻井过程故障检测的多模核主元分析方法

提出了一种适用于石油钻井过程故障检测的多模核主元分析方法.首先,利用门限值分类算法对过程数据进行分类,可以得到钻井过程各个稳态工况下的数据;其次,取不同工况的数据分别建立相对应的核主元模型,将这些核主元模型组合到一起构成一个核主元模型组进行故障检测.经实验数据分析,该检测方法适用于石油钻井过程,提高了检测灵敏度并减少了误差.     

用测井参数预测多层合试产能的方法

油气储层产能评价与预测对于油气田的勘探与开发有着重要的意义。过去人们利用测井参数对储层产能的预测都是基于单层测试资料。本方法是建立在多层合试产能的基础上 ,通过对测试产能的剖分 ,建立单层产能数据。用遗传神经网络建立预测模型 ,在实际资料的应用中取得了良好的效果     

基于支持向量机的混沌时间序列预测

支持向量机（SVM）是一种基于结构风险最小化原理的学习技术,是一种具有很好泛化性能的回归方法.针对混沌时间序列特点,提出混沌时间序列预测的支持向量机建模的思路、特点及关键参数的选取.对模型进行了实例研究,结果表明该模型能较好地处理混沌时间序列,具有较高的泛化能力和很好的预测精度.     

一种基于支持向量机的CFG桩复合地基承载力预测方法

提出一种基于SVM的CFG桩复合地基承载力预测方法并建立相应预测模型.为获得模型参数,对18组CFG桩复合地基试验资料进行训练,训练值与实测值符合较好.用建立的SVM模型对4组CFG桩复合地基试验数据进行预测,预测结果与实测值相差较小.理论分析和实例结果验证表明:基于SVM的CFG桩复合地基承载力预测方法具有较高的预测精度和可靠性.     

一种时变耦合模型在油井产量预测中的应用

 油井产量随时间的变化关系受多种因素的影响,它们之间是一种极其复杂的非线性关系,常规油藏工程研究方法往往受相关参数的不确定性所限,预测误差偏大。分析认为油井产量数据具有时间序列特征,引入相空间重构技术,利用G-P法求出最佳嵌入维数,对油井产量构成的时间序列进行混沌特性识别。在此基础上,利用支持向量机（SVM）方法,构建具有时变特性的混沌-SVM耦合模型,该模型对中、短期的油井产量预测具有很高的精度,在实际应用中,可以不断补充新的历史数据,进行滚动预测,可靠性更高。实例W8-5井的应用效果也表明,预测结果平均相对误差仅为7%,显示出模型具有较好的预测效果和实用价值。     

办公建筑运行能耗的混沌时间序列复合预测

针对办公建筑已有的能耗预测方法中未能考虑到能耗数据的混沌变化特性,提出了一种基于混沌时间序列的办公建筑运行能耗预测方法.对研究对象的时间序列进行相空间重构,判断其具备混沌特性,建立混沌理论和支持向量回归的组合模型进行训练,采用Markov链消除组合模型由于参数传递产生的累积误差,得到最终预测结果.为了验证算法的有效性,以西安某办公建筑的能耗监测数据为例进行实例分析,并与非线性自回归神经网络、支持向量回归等其他预测方法进行对比.实验结果表明,经过Markov修正后的混沌时间序列组合模型预测精度显著提高,预测效果优于其他方法,且更符合办公建筑能耗的变化规律,为节能优化提供有效的数据支撑.     

基于GM(1,1)和AR模型的四川高等教育在校学生数预测

运用GM(1,1)和AR模型的混合模型对四川区域高等教育在校学生数预测,结果表明,在四川区域高等教育在校学生数的预测中,该混合模型取得良好的效果,预测精度较高。     

基于KPCA-LSSVM的丁苯橡胶聚合转化率软测量

针对丁苯橡胶聚合转化率需在线实时预测,考虑实际工况的复杂性,首先采用具有较强非线性特征提取能力的核主元分析(KPCA)对数据进行前期处理,然后将其结果作为具有学习速度快、泛化能力强的最小二乘支持向量机(LSSVM)的输入,并以交叉验证法对LSSVM参数寻优,从而获得丁苯橡胶聚合转化率软测量模型.经采用工业现场数据仿真研究,聚合转化率预测绝对误差大于1.5的比例小于样本总数的10%,说明该模型预测精度能满足生产要求.     

多模型的油藏模拟自动历史拟合方法研究

传统油气藏数值模拟通常仅建立单个随机地质模型，采用人工历史拟合方式获得符合油藏动态的地质模型并用于方案预测。但由于地质资料相对稀少且地层非均质性的客观事实存在，历史拟合问题必然存在多解性，所获得的单个地质模型无法保证准确反映地下真实情况。本次研究中首先利用静态地质资料生产大量随机实现，使用PCA降维方法减少模型数据量，再利用聚类方法挑选出多个特征各异的实现作为初始模型，采用基于SPSA算法的自动历史拟合方法，获得多个符合油藏动态却又包含不同特征的历史拟合模型。结果表明，多模型能够更接近地下的真实情况，产生的预测结果不再是单一动态曲线，而是具有多种开发可能性的一系列曲线，这样使预测更为科学可靠。     

具有边际收益递增特性的数据包络分析模型

针对传统数据包络分析(DEA)模型不适用于生产可能集前沿面具有边际收益传递特性的实际情况,给出了通过变换函数将不具有凸性的生产可能集变换为满足凸性的生产可能集,再用DEA模型求解,最后用数学反变换求解生产可能集前沿面的方法．变换函数的求取是先构造一系列备选变换函数并分别用DEA模型求解,再判定所取变换函数是否合适,最后筛选出最满意的变换函数．给出了单个投入变量全局及局部边际收益递增时变换函数的求取方法,并通过算例说明了求解过程．结果表明,此方法可用于多输入、单输出的投入产出分析,对变换后的样本集使用DEA模型可得到一个单元的合理评价结果。     

Data Mining for Quality Prediction in Textile Engineering

A data mining method for quality prediction using association rule （DMAR） is presented in this paper. Association rule is used to mine the valuable relations of items among amounts of textile process data for ANN prediction model. DMAR consists of three main steps： setup knowledge data set; data cleaning and converting; find the item set with large supports and generate the expected rules. DMAR effectively improves the precision of prediction in yarn breaking. It rapidly gets rid of the negative influence of training parameters on prediction model. Then more satisfactory quality prediction result can be reached.