基于非高斯信息的JITL软测量模型

为了有效监控具有非高斯数据特性的工业过程,提出了一种新的基于非高斯信息的JITL(Just-In-Time Learning)软测量模型.首先通过非高斯非相似度测量选择JITL局部建模样本;然后建立局部ICA-PLS回归模型实现工业过程质量变量监控.该方法从局部建模样本选择到局部回归模型建立能够有效处理工业过程数据的非高斯特性,并且保留了JITL建模的优点,能够有效地处理工业过程时变特性以及非线性.通过硫回收处理过程的应用,验证了方法的有效性.     

一种动态校正的AGMM-GPR多模型软测量建模方法

工业过程常常是强非线性的,并有多个工况,传统的软测量方法存在预测能力差,不能有效利用误差信息等缺点.为了有效解决这些问题,提出一种基于自适应高斯混合模型-高斯过程回归(AGMM-GPR)的多模型动态校正软测量建模方法.首先,通过贝叶斯信息准则构建自适应高斯混合模型(AGMM),得到优化的子模型个数;然后,利用GPR方法建立各局部模型,当新的数据到来时,将其隶属于各局部模型的后验概率和预测值融合得到多模型输出;最后,为了进一步提高模型的精度,构建自回归积分滑动平均(ARIMA)模型对多模型输出进行动态反馈校正.通过数值仿真和硫回收装置(SRU)中H2S浓度的估计,验证了所提方法具有良好的预测精度和泛化性能.     

一种带误差修正的复合模糊模型

如何改善模糊模型的精度是模糊建模研究中的一个重要问题。为了改善模糊模型的精度,介绍了一种带误差修正的复合模糊模型。该复合模糊模型包括一个普通的模糊模型作为主模型以及若干个用于误差估计的子模型,通过将子模型的输出,即误差的估计用于主模型输出的修正,从而达到改善模型精度的目的。仿真结果证明了该复合模糊模型具有比普通模糊模型更高的精度。     

基于反应基元的非线性系统灰箱建模方法

提出一种基于反应基元的建立复杂非线性系统模型的灰箱建模方法.首先根据先验知识及系统特性分析引入过程的初始反应基元,并以此为出发点建立结构逼近神经网络模型,实现基元之间的关联,赋予网络节点实际的物理意义;然后,通过提出的最小化预测误差,结合逐步回归分析方法选择最优反应基元,优化网络结构,建立起表示系统变量关系的灰箱模型.以实际橡胶硫化促进剂制备的间歇反应过程作为实验对象,建立以生成物浓度为输出的数学模型,达到较高的输出预测精度.     

基于RBF-BSA的锂离子电池SOC混合估算算法

为提高锂离子电池荷电状态(SOC)预测精度,提出利用回溯搜索算法(BSA)优化径向基函数(RBF)神经网络的输出权值与阈值的混合算法.通过对锂电池模型中的目标函数进行优化求解,并寻找最佳的目标权值和阈值降低预测误差,提高了RBF网络模型的预测精度.为验证算法的有效性,搭建锂离子电池的充放电实验平台获取数据并对网络进行验证,实验结果表明:混合算法相比标准RBF网络算法具有更好的SOC预测精度,并将网络输出预测误差降低到2%以内,符合锂电池荷电状态估算要求.     

非线性GM(1,1)模型在交通量数据分析中的应用

根据交通量数据变化的特点,采用非线性GM(1,1)模型对其进行预测.通过实例分析,证明NLGM(1,1)模型比传统GM(1,1)模型精度更高、误差更小,但对未来数据预测精度稍差.所以,该预测模型具有一定的应用价值.     

月心矢量增强XNAV及其自适应滤波方法

针对X射线脉冲星导航(XNAV)难以获取准确的过程噪声统计特性及导航精度低的问题,提出基于自适应差分卡尔曼滤波器(ADDF),融合地月夹角的多信息融合XNAV.首先通过处理从光学相机获得的月球图像得到视场角度和方向矢量的测量模型;然后将该测量模型和传统脉冲星计时观测模型集成到航天器轨道动力学中,以建立ADDF滤波模型;最后对所提方法进行仿真验证.实验结果表明:在相同的初始状态和初始噪声误差下,与无迹卡尔曼滤波器(UKF)和差分滤波器(DDF)相比,ADDF具有良好的噪声自适应能力,其导航位置估计精度提高60%以上,速度估计精度提高25%以上;较之传统计时观测XNAV,融合视场角和月球方向矢量的XNAV方法能够将导航精度提高50%以上.     

非线性输出频域响应函数的自适应辨识算法及应用

为解决非线性输出频域响应函数(NOFRF)模型用于模拟电路系统故障诊断时,传统辨识算法需多次激励计算过程耗时长的问题,提出了NOFRF的频域自适应辨识算法(NOFRF-BLMS),该算法构造了NOFRF的输入观测向量与核向量,从而可将NOFRF表示成一个伪线性结构.根据块最小均方(BLMS)原理及约束优化理论,推导出满足最小均方误差指标的NOFRF自适应辨识迭代计算公式,采用输入功率普迭代估算学习因子,由输出误差构造残差向量.NOFRF-BLMS通过在线学习方式,只需一次激励即可辨识出NOFRF,使辨识过程大幅度简化,缩短了辨识时间,具有更强的噪声抑制能力.实验结果表明,NOFRF-BLMS在相同的辨识精度下,耗时仅为传统算法的3%,且故障判断准确.     

基于FLANN的磁通门总场梯度计误差校正

针对磁通门磁力计轴间非正交、对应轴指向偏差、灵敏度不一致及零点漂移所引起的误差会降低总场梯度计的测量精度问题,建立了磁通门总场梯度计的测量误差模型,提出了一种基于函数链接型神经网络(FLANN)的总场梯度计误差校正方法,将2个磁场力计实际输出分别通过校正模型以构成理想的2个三轴磁力计,使输出与待测量一致.数值仿真及实验测试均证明了校正方法具有良好的收敛性,能显著地抑制总场梯度测量误差.     

基于粒子群优化算法-支持向量回归算法的氨氮传感器温度补偿

针对野外低温环境下,基于铵离子选择性电极的氨氮传感器检测失准问题,通过分析传感器检测原理,在0～30℃进行了水质标样氨氮检测对比实验,探究了温度变化对氨氮传感器输出结果的影响;将粒子群优化算法(particle swarm optimization, PSO)与支持向量回归(support vector regression, SVR)结合,建立了氨氮检测的PSO-SVR温度补偿模型,并与最小二乘多项式回归、传统SVR建立的温度补偿模型对比,PSO-SVR温度补偿模型具有较高的决定系数和较小均方根误差(root mean square error, RMSE)。在实际水样检测实验中,经过该模型补偿后氨氮传感器的输出值与实验室内根据《水质氨氮测定》(HJ 535—2009)测得的氨氮标准值之间最高偏差为4.76%,最低偏差为0.64%,偏差范围符合预期补偿目标,表明模型具有较高的温度补偿精度,对非训练数据具有良好的泛化能力,能够满足实际使用的精度要求。     

基于MWMKPCA和CPI的间歇过程控制性能监测与评估

针对限定控制器结构下的间歇过程控制系统性能监测与评估的问题,采用引力搜索算法优化控制器参数,在最优控制参数的基础上得到控制性能较优的输出误差数据集;通过采用多种多元统计过程控制(MSPC)方法对数据集进行主元建模,用得到的主元模型对新的间歇过程批次进行在线监测,并提出一种基于控制图的综合控制性能指标(CPI)。仿真结果验证了采用移动窗口核主元分析法(MWMKPCA)在监测间歇过程控制性能时的准确性,同时验证了所提出的综合控制性能指标的有效性。     

基于模型迁移方法的精炼炉钢水终点硫含量预报

针对精炼炉(LF)钢水脱硫过程的非线性、强动态和多工况问题,提出了基于局部模型迁移方法的钢水硫含量终点预报模型.首先建立简化的机理模型捕捉主要的过程特性,然后采用模型迁移方法补偿机理简化和工况变化引起的预报误差.针对传统模型迁移方法不能处理过程非线性问题,提出局部模型迁移方法,在输入空间内建立多个局部迁移模型,通过融合算法组合成全局迁移模型来自适应校正机理模型的偏差.由于充分利用了机理模型的优势,相比现有的智能预报模型,该方法具有良好的预报精度.最后,通过现场实际数据验证了所提方法的有效性.     

基于局部加权最小二乘支持向量机的含硫废气质量指标监控

为监控脱硫单元废气中的H2S及SO2的含量,本文采用一种基于局部加权最小二乘支持向量机(Local Weighted Least Squares Support Vector Machines,LWLSSVM)的软测量建模方法。在即时学习框架下(Just-in-time learning,JITL)建立WLSSVM模型,模型参数通过粒子群优化算法(Particle Swarm Optimization,PSO)优化获得。采用此软测量模型代替硬件分析仪表在线估计H2S及SO2的含量,能够避免对硬件仪表的腐蚀,减少维护负担,从而降低运营成本。在某硫回收单元上的应用效果表明,所建软测量模型具有令人满意的预报精度。     

基于加速度连续的间歇传动函数

针对间歇传动机构的特点,提出基于输出运动加速度连续的传动函数构造方法,构造输出加速度函数,导出有多项式和三角函数组成的复合传动函数。对复合传动函数特性进行分析比较,得出加速度时间系数为0.5的复合传动函数适用于高速、重载、高传动精度间歇传动机构的结论。     

高炉生产过程的智能预测建模

针对高炉生产过程的复杂性、非线性以及强耦合、多变量、难测量等特点,提出铁水硅含量的智能复合多变量预测模型对高炉生产过程进行建模.整个系统分为两部分:首先离线建立不同工况下铁水硅含量的多变量预测模型:然后运用模糊逻辑推理建立各模型输出、实际输出与模型权重之间的对应关系,进行多模型智能融合,生成复合模型,并对其进行在线调整以优化预测过程.研究结果表明:采用此方法计算周期短,对被控对象的变化有较强的鲁棒性:该系统预测误差小,能够快速适应工况的变化,实用性好.     

双肘杆压力机误差建模及公差优化分配

近净成形要求压力机具有较高的输出精度,为此需要对其进行精度设计,即建立其误差传递模型,从而经济合理地分配各零部件的精度参数。采用矩阵法构建双肘杆压力机传动连杆误差模型及多体系统理论构建其框架几何误差模型;在此基础上,基于误差独立作用原理建立压力机传动连杆-框架综合误差模型,通过灵敏度分析找到影响其输出精度的关键因素;综合考虑加工成本和机构输出可靠性对关键部件公差进行优化分配,进而给出在各零部件加工及装配中应采取的措施。案例研究结果表明,该方法能够建立压力机传动连杆-框架综合误差模型,优化后各关键部件公差均有所增大,兼顾了经济性能和精度性能。     

双机制Stacking集成模型在短时交通流量预测中的应用

交通流量预测对于智能交通管理决策具有重要意义,为克服传统单一模型预测精度低、稳定性不足,同时为解决Stacking集成模型对基学习器输出信息利用率不高的问题,提出了一种双机制Stacking集成模型.双机制包括内机制和外机制,内机制通过在元学习器中引入注意力机制来调整网络中的特征信息,外机制通过在基学习器中融入动态权重系数来调整基学习器的输出信息.通过内外结合的双机制实现对基学习器输出信息动态变动规律的挖掘和提取并增强对基学习器输出信息的利用率,从而提升模型的预测精度和稳定性.选取I5NB高速公路上的76898条数据为实证研究对象,进行了基于随机森林、GBDT(gradient boosting decision tree)和Xgboost(extreme gradient boosting)单一模型、传统Stacking集成模型及双机制Stacking集成模型的预测对比分析.实证结果证明双机制Stacking集成模型预测精度最高,验证了该模型在短时交通流量预测中的有效性.     

基于粒子群支持向量机的矿岩强度指标的超声预测

建立以吸水率、干密度、波阻抗、动泊松比、动弹性模量为输入,抗压强度为输出的支持向量机预测模型.为了提高支持向量机预测精度,引入了粒子群算法对支持向量机的参数进行优化,克服支持向量机参数人工选取的不足.通过对鞍千矿和弓长岭矿的矿岩样本数据分析,该模型的预测误差最大为8.2%,精度明显高于传统神经网络法.结果表明基于超声波预测强度的方法具有很好效果,可望成为一种岩石强度预测的新方法.     

一阶反向累加Verhulst模型

为了尽可能减小传统Verhulst模型在累减还原时所产生的计算误差,采用反向累加的方式进行原始数据处理,建立了一阶反向累加Verhulst模型,并通过实例检验了模型的模拟误差.相关结果显示,相较于传统Verhulst模型,一阶反向累加Verhulst模型的数据拟合精度更高.     

聚磁式光学电流互感器饱和特征的记忆效应补偿研究

为补偿聚磁式光学电流互感器(OCT)的磁滞与磁饱和特性对测量线性度和精度的影响,提出具有记忆效应的非线性滤波器补偿模型.该模型将传统FIR滤波器系数用多项式表达的函数代替,使其同时具有非线性拟合和记忆输出能力.利用实测数据训练使非线性滤波器补偿模型输出与磁滞、磁饱和特性输出成反函数关系,将训练好的模型添加到聚磁式OCT中,实现对聚磁铁芯的非线性和记忆效应补偿.实验结果表明,基于非线性记忆效应补偿的聚磁式OCT在铁芯低饱和状态下仍具有较高的测量精度,采样样本的线性测量区间延伸了4.76倍,均方根误差提高约15 dB,有效地补偿了聚磁式OCT应用中聚磁铁芯的磁滞和磁饱和效应.