改进的模型预测控制在陶瓷基滚抛磨块烧结炉中的应用

为了优化烧结型滚抛磨块的制备，提升磨块的品质，在分析滚抛磨块烧结过程特点和非最小状态空间模型预测控制(NMSSMPC)在乙烯裂解炉的应用基础上，提出了基于卡尔曼滤波的非最小状态空间模型预测控制(KF-NMSSMPC)的方法，将其应用于滚磨烧结炉中。该控制算法通过在模型预测控制(MPC)中加入滤波器来消除烧结过程中的量测噪声和信道噪声带来的影响。KF-NMSSMPC能够有效地适应这样的工业条件，同时还能节能降耗。大量仿真实验结果表明，在模仿实际工业条件下，KF-NMSSMPC比NMSSMPC能有效抑制干扰，快速地跟踪烧结轨迹，降低误差，提高烧结控制过程精度，进而改善滚抛磨块烧结质量。     

曲面抛光的材料去除模型与摆线轨迹控制

基于柔性盘抛光的材料去除模型,提出了沿摆线轨迹的曲面抛光参数控制方法.首先确定柔性盘与表面的接触状态,采用支持向量机方法建立下压力预测模型,确定接触区的压力分布规律,并依据Preston方程建立材料去除模型,进而依据摆线半径和步距的相对关系,将摆线分为单周期内存在2个交叠区与3个交叠区两种情况,在去除模型基础上将单道摆线分为两部分单独叠加,再根据交叠区宽度作总叠加,控制摆线轨迹参数实现最优去除率分布效果.去除率仿真实验和工业机器人抛光实验结果表明,精抛后工件表面粗糙度达0.57μm,说明提出的摆线轨迹参数控制方法适用于高精度曲面抛光.     

工业电阻炉多参数能耗建模与预测

电阻炉温度变化存在非线性、大延迟的特点,建立精确的能耗数学模型比较困难.为解决理论建模复杂且不具备实时性的问题,提出了一种基于数据驱动的电阻炉多参数能耗预测方法.首先,通过分析电阻炉工作阶段的能耗特性,建立了电阻炉理论能耗预测模型;然后,利用粒子群优化算法对支持向量回归的超参数进行寻优,建立了基于支持向量回归的多参数能耗预测模型;最后,对比了支持向量回归、高斯过程回归、自适应模糊神经推理系统模型在单参数及多参数条件下的能耗预测结果.实验结果表明,基于粒子群优化下的支持向量回归多参数能耗预测方法具有更好的预测效果.     

盾构滚刀磨损的多元非线性回归预测

为了解决硬岩地层盾构滚刀的磨损检测问题,提出了一种基于多元非线性回归预测模型预测滚刀磨损的方法.利用滚刀正常磨损阶段的盾构掘进参数数据建立回归预测模型,根据依此模型预测的掘进速度与实际掘进速度偏差来预测滚刀的磨损状况.结合盾构工程项目研究结果表明:预测模型是正确的,预测结果与实际换刀情况是相符的,预测方法是有效的.研究结论可为类似地质条件下的盾构滚刀磨损检测和更换提供有益的指导.     

基于高斯模型的工业过程数据的故障预测

针对工业过程中采集到的监控变量的时间问题序列数据,提出一种新的基于高斯过程模型的预测建模方法来实现故障预测。针对特定数据集重新构建高斯过程核函数,将工业过程的先验信息加入到数据驱动预测模型中,使模型具有更好的性能。与现有的预测模型相比,高斯过程回归模型可以在给出预测值的同时给出一个置信区间,用作故障预测的不确定性度量。在田纳西-伊斯(TE)曼过程模拟数据集上进行性能对比实验,实验结果表明,提出的故障预测方法具有更好的预测精度。     

一种基于PSO-SVR的软件可靠性评估方法

软件可靠性建模时,如果简单地利用支持向量回归机制建模,就有可能由于支持向量回归(SVR)自身参数选择难以及实验数据本身的不确定性,从而导致预测结果不理想、精度低等缺陷。因此,借鉴粒子群优化算法(PSO)多参数寻优的优势,将PSO与SVR优化算法相结合,利用分层聚类算法对初始实验数据进行归一化处理,剔除异常数据,构建基于PSO-SVR的软件可靠性评估方法,从而提高软件模型的预测精度。实验结果表明,基于PSO-SVR方法的预测模型其预测精度高,更适应实际软件应用环境。     

接触弹性变形下叶片边缘机器人磨抛温度预测

针对现有温度计算模型中仅考虑接触轮外部弹性橡胶的弹性模量,从而导致预测温度偏低问题,提出一种接触轮-叶片接触弹性变形影响下的叶片边缘机器人砂带磨抛温度预测方法.首先,根据弹性模量公式计算外力作用下的接触轮铝合金芯和外部弹性橡胶的组合弹性模量;然后,基于赫兹弹性接触理论计算考虑接触轮组合弹性模量时的接触面积及材料去除深度...     

关于股票价格优化预测的建模仿真研究

股票数据具有非线性和含有大量噪声的特点,传统股票预测模型难以充分识别股票非线性特征以及降低噪声,导致预测精度不高.为了提高预测精度,去除冗余特征并加强特征的区分度,引入流形学习中的线性局部切空间排列算法,提出了一种新的支持向量回归机的股价预测优化模型.首先利用线性局部切空间排列算法对股票原始数据进行特征提取,然后采用支持向量回归机对提取到的特征和股票价格之间的非线性关系建模,并利用遗传算法优化支持向量回归机的参数,最终提高股票价格的预测精度.为证明模型的有效性,采用标准普尔500指数在2012—2013年、2014—2015年2个时间段内的股票数据进行检验.实验证明,提出的模型相较其他对比模型具有更高的预测精度,更强的泛化能力.     

数字孪生自演化驱动的地下工程沉降预测

随着城市地下空间发展,地下工程沉降问题应引起重视。传统沉降预测模型常存在模型预测精度 不高、模型可解释性差和难以模拟沉降规律的动态变化等局限性和不足,对此提出一种基于数字孪生自演化 的地下工程沉降预测方法。建立的地下工程孪生体为沉降预测模型的高精度建模提供了有效的支撑,开发 的“多项式回归+总体卡尔曼滤波”自演化算法每一步都具有可解释性,同时模型参数自主校正功能使预测 模型能够动态追踪沉降规律的改变。实验结果表明所提方法能够有效解决传统沉降预测模型的缺陷。     

产品需求预测模型的建立与识别

预测是提高企业经营管理水平的一种有力工具。本文运用现代控制理论,根据我国企业经济的现状,以及数据样本小和信息的时间性强的特点,在时间序列分析基础上,建立了自回归需求预测模型和多因素——自回归组合需求预测模型;给出了模型结构识别和参数估计的计算方法;为了提高模型的自适应能力,初步探讨了跟踪信号的选择;为适应某些大型企业的需要,综合国内常规定量预测技术,设计了需求预测模型建模和识别程序包。     

基于随机森林的A股股票涨跌预测研究

针对传统预测模型易陷入过拟合、缺失数据敏感、计算量大等不足,利用随机森林算法的双重随机性、处理数据集优异等特点,对A股股票涨跌预测进行研究。首先运用相关性分析对初始指标体系进行一次Spearman和二次Pearson筛选,去除指标体系中的冗余指标。然后对随机森林的各项重要参数进行优化,并对优化后的模型采用重要性估计方法以提升训练模型精确度。通过不同指标体系的对比,验证实验过程的正确性。最后,对比不同建模方法的实证预测结果,表明随机森林模型比传统机器学习方法二元logistic回归在性能上更优越,具备较高的预测准确度。     

基于Stacking集成学习的网络安全态势预测方法

针对现有的网络安全态势预测模型预测精确度低且泛化能力差等问题,提出一种基于Stacking模型融合的态势预测方法。该方法中,借助Stacking算法将TCN网络、WaveNet、GRU、LSTM进行集成挖掘态势数据之间的相关性;之后利用逻辑回归进行预测得到最终态势值;利用粒子群优化算法进行参数寻优,提升模型性能。基于2个数据集进行验证,实验表明,所提预测方法具有较小的均方误差和平均绝对误差,收敛速度较快,拟合度均可达0.999,可以很好解决预测精确度低的问题,提升了模型的泛化能力。     

露天矿行车事故预测方法及应用

为有效解决露天矿山行车事故预测模型建模时,易受小样本数据、离群数据规模影响,导致模型精度损失、算法抗噪容差能力及收敛速度下降等问题,提出一种基于二次惩罚项修正(PTS)的改进支持向量回归机模型(WLSSVR)。根据训练样本的数据分布特性,研究了服从露天矿山现实应用场景的二次惩罚项,进一步提高回归机模型的抗噪容差能力;考虑非线性预测模型影响因子选择困难的问题,研究了数据降维及因子分析方法,并将主成分分析方法引入到输入数据预处理算法中,以保证算法可得到理想的输入;针对传统回归机模型易受核参数选择影响,易导致模型早熟和收敛速度慢等问题,研究了粒子群惯性因子、学习因子的自适应迭代形式,提出了一种应用改进粒子群算法优化回归机模型核参数的方法。以露天矿行车事故频次预测为例,进行了预测和对比实验。实验结果表明:引入PTS模型的测试集预测结果明显优于不采用PTS策略的预测结果。这说明,应用文中提出的二次惩罚策略和参数优化算法对复杂系统的事故预测问题研究是可行且有效的。     

无线接入点吞吐率预测的建模与优化

针对接入点吞吐率的多步预测问题,提出基于Nu-支持向量回归的建模策略,设计了并行混合粒子群算法,从特征选择与参数选择两个方面对预测模型进行联合优化。评估结果表明,Nu-支持向量回归模型在吞吐率多步预测中能取得较高精度,并行混合粒子群算法具有良好收敛性,且能显著提高预测模型的性能。     

基于差分进化的球磨机钢球磨损规律预测方法

分析了钢球在磨机中的磨损机理,研究了冲击、磨剥和腐蚀磨损分量与磨矿工况参数间的关系,引入钢球硬度及耐腐蚀性研究其对钢球磨损规律的影响,建立了钢球磨损规律预测模型。通过5组实验获得不同磨矿工况下的不同粒级钢球磨损数据,采用差分进化算法,辨识预测模型中的未知参数。最后通过两组扩大连续磨矿实验验证预测模型的准确性。验证实验结果表明,所建模型能在一定范围内预测磨机中不同粒径钢球的变化情况,指导磨矿过程的合理补球,维持磨机中钢球装球率稳定。     

基于支持向量回归的定性-定量因子混合建模方法

在科学研究及工程实践中,输入参数经常同时包含定性因子与定量因子,为实现此类数据的有效建模,提出基于支持向量回归(SVR)的定性-定量因子建模方法,以用于工程实验及数值仿真的定性定量因子分析．引入超球面分解量化定性因子相关关系,构建了一种新型核函数描述定性因子与定量因子关联关系,提出了定性-定量因子支持向量回归算法实现定性定量数据的混合建模与预测．通过数值算例和经典工程算例,发现所提算法能提供相比于普通的支持向量回归算法及基于高斯过程回归的定性-定量因子算法更优的预测结果．以种植体骨应力分析为例,其中种植体材料类型为定性因子、结构参数为定量因子,实验结果表明所提算法能够显著提升骨应力预测精度,可为种植体的设计优化提供模型基础,揭示了所提算法的工程可用性．     

基于灰狼算法优化深度学习网络的网络流量预测

针对深度学习网络在网络流量预测建模过程中的参数优化难题, 以改善网络流量预测结果为目标, 提出一种基于改进灰狼算法优化深度学习网络的网络流量预测模型. 首先, 收集网络流量历史数据, 并对数据进行相空间重构、 归一化等预处理; 其次, 引入灰狼算法快速搜索到全局最优深度学习网络的相关参数, 并根据最优参数对预处理后的网络流量历史数据进行学习, 建立能挖掘网络流量历史数据变化规律的预测模型; 最后, 与其他算法优化深度学习网络的网络流量预测模型进行对比分析. 实验结果表明, 基于改进灰狼算法优化深度学习网络的网络流量预测精度超过90%, 远高于其他对比模型, 且预测建模过程的建模时间少于对比模型, 可满足网络流量管理的高精度和实时性要求.     

基于动态自适应PSO算法的GM(1,1)融合预测模型

在GM(1,1)预测模型中,发展系数a和灰色作用量b是两个关键的参数,其对模型的预测精度有较大的影响.在分析GM建模原理和参数对模型精度影响的基础上,提出了一种基于动态自适应粒子群算法的灰色GM融合预测模型,在不改变GM(1,1)模型表达形式前提下,使用改进的粒子群优化算法来求解模型的相关参数.实例分析表明:与传统的GM(1,1)模型相比,动态自适应粒子群优化算法与GM融合模型的预测精度在传统GM模型误差较大的情况下也能得到较好的预测效果,在适用性上比传统模型更具优势.     

基于正交信号校正和稳健回归的带钢酸洗浓度预测模型

为了实时获得冷轧带钢酸洗溶液的浓度值,便于进行酸浓度控制,采用软测量方法实时预测酸浓度.由于酸浓度建模数据中无关成分和特异点会影响模型精度,利用正交信号校正和稳健回归相结合的方法来建立酸浓度预测模型首先利用正交信号校正对建模数据进行预处理,去除自变量中与因变量无关的成分;然后采用基于迭代加权最小二乘的稳健回归算法进行建模,降低特异点对模型的影响;最后将预测结果和多元线性回归、传统稳健回归方法和正交信号校正多元线性回归进行比较.实验结果表明:采用正交信号校正-稳健回归方法后,模型预测能力得到提高,与多元线性回归结果相比,亚铁离子质量浓度和氢离子质量浓度的相对预测误差分别从1.82%降低到1.17%、从5.87%降低到4.73%.本文提出的方法具有更好的模型预测精度,可以满足工业应用要求.     

基于正交信号校正和稳健回归的带钢酸洗浓度预测模型

为了实时获得冷轧带钢酸洗溶液的浓度值,便于进行酸浓度控制,采用软测量方法实时预测酸浓度.由于酸浓度建模数据中无关成分和特异点会影响模型精度,利用正交信号校正和稳健回归相结合的方法来建立酸浓度预测模型.首先利用正交信号校正对建模数据进行预处理,去除自变量中与因变量无关的成分;然后采用基于迭代加权最小二乘的稳健回归算法进行建模,降低特异点对模型的影响;最后将预测结果和多元线性回归、传统稳健回归方法和正交信号校正多元线性回归进行比较.实验结果表明:采用正交信号校正稳健回归方法后,模型预测能力得到提高,与多元线性回归结果相比,亚铁离子质量浓度和氢离子质量浓度的相对预测误差分别从1.82％降低到1.17％、从5.87％降低到4.73％.本文提出的方法具有更好的模型预测精度,可以满足工业应用要求.