一种基于时段的水压试验机故障诊断方法

由于水压试验机机理建模的复杂性,很难从机理方面对其生产过程进行故障诊断,基于多向Fisher判别分析的故障诊断方法同时利用正常工况和故障条件下的数据建模,具有很强的诊断能力.为了解决应用此类方法遇到的不等长周期问题,根据水压试验过程的数据特性提出了子时段首部数据等长法将所有批次调整成平均长度.在此基础上对每个子时段分别建立MFDA模型,并结合递推思想将三个时段的诊断结果密切结合以提高诊断精度.采用水压试验机实际生产过程的4个锁阀故障数据对该方法进行测试,结果验证了该方法的有效性.     

基于Elman神经网络集成的诺西肽发酵过程建模

针对单神经网络模型外推效果不理想、泛化能力较差的缺点,将神经网络集成用于诺西肽发酵过程的建模.采用Bagging技术进行重复取样用于个体神经网络的训练,结论生成时采用加权平均法,各子网络的权重利用差分进化算法来确定.个体神经网络选用典型的动态神经网络Elman网络,通过对多个Elman神经网络模型的输出进行融合,建立了基于神经网络集成的诺西肽发酵产物浓度模型.最后将所建立的模型与基于单神经网络的模型进行了比较,结果说明该模型具有更高的精度和泛化能力.     

湿法冶金草酸钴粒度分布混合建模方法

由于缺乏有效的检验手段,无法实现湿法冶金合成过程草酸钴粒度分布的实时检测.提出了一种支持向量机(SVM)与合成过程动态机理模型相结合的混合建模方法,用以预报草酸钴的粒度分布.通过分析合成过程机理,利用粒数衡算、物料衡算关系建立动态机理模型;利用支持向量机来对不能用机理模型表现的合成过程的动态特性进行误差补偿.仿真分析验证了该方法相比于机理模型的有效性,将其应用到实际生产过程中,取得了满意的效果.     

浸出过程浸出率预测与在线优化

本文建立了浸出过程浸出率混合预测模型;基于该预测模型及生产的实际需要,将一个动态浸出问题转化为带约束的优化问题;针对在线优化计算时间长,精度要求高的难题,提出了变邻域搜索PSO算法及基于该算法的动态生产过程在线优化策略.通过实际应用证明混合预测模型预测精度高;在线优化算法自适应性强、运算量小、精度高,具有较高的实际应用...     

基于遗传和粒子群结合的文化算法

针对粒子群优化(PSO)算法的"早熟"现象,给出了基于遗传和粒子群结合的文化演化算法.该算法将PSO/GA纳入文化算法框架,形成PSO的主群体空间和GA的信仰群体空间,两群体空间可以独立并行演化,并在适当的时机实现信仰群体空间对主群体空间的引导,达到改善粒子群优化算法全局搜索能力、提高计算精度的目的.仿真表明,该算法的优化性能和效率优于PSO算法、GA算法和GA-PSO混合算法.     

遗传算法在电力系统经济负荷分配中的应用

针对电力系统经济负荷分配问题的特点,应用极大熵理论将经济负荷分配问题转化为可微问题·在分析了遗传算法与传统数学优化方法的不同优势与特性的基础上,将遗传算法与传统数学优化方法相结合引入局部搜索算子实现快速搜索,提出了一种求解电力系统经济负荷分配问题的改进遗传算法·同时,应用多点均匀交叉算子提高遗传算法的全局收敛性能,将种群逐步向最优点进行引导·实例研究结果验证了方法的有效性·     

基于均匀设计的遗传算法参数设定

在应用遗传算法进行优化计算时,各操作参数既有各自的功能又相互作用,彼此关系较为复杂,而各参数设定的好坏直接影响算法的性能,所以,各参数的设定是应用遗传算法进行寻优计算的重要问题·通过对遗传算法各操作参数作用与意义的分析,认为可以将遗传算法的参数设定描述为一个多因素多水平优化设计问题·为使遗传算法在应用中发挥最佳的寻优性能,同时考虑到参数设定方法的可行性,提出应用解决多因素多水平优化设计问题的均匀设计方法设定遗传算法的操作参数,实例应用仿真结果验证了这种方法的可行性、有效性·     

一种提高遗传算法全局收敛性的方法

通过对遗传算法过早收敛原因的分析,认为遗传算法出现过早收敛主要与问题解的分布状况、种群个体的分布情况及遗传算子的应用有关,提高算法全局收敛性能的核心就是如何使算法科学地处理种群多样性及识别个体对全局收敛性能的作用·提出几类与遗传算法全局收敛性能关系较大的个体,并结合小生境进化共享函数思想,形成一种旨在提高遗传算法全局收敛性、求解全局最优解的遗传算法,仿真结果验证了这种算法良好的全局收敛性能·     

湿法冶金浸出过程建模与仿真研究

浸出过程是湿法冶金的重要环节。通过对浸出过程的机理的分析,建立了浸出率的动态模型;利用实验分析、辨识等手段确定了模型的主要参数,并用实际数据对模型分别进行了动态和静态实验,验证了模型的有效性及泛化性;同时,通过仿真实验分析了主要因素对浸出率的影响。     

发酵过程中生物量浓度的在线估计

在发酵过程中,像生物量浓度等变量都是进行实验室的离线采样分析,这往往由于存在较大的时间延迟而不能及时地进行过程控制,达不到指导生产的目的.而软测量技术为该问题提出了一个很好的解决办法.基于神经网络与最小二乘支持向量机分别建立了生物量浓度的在线检测软测量模型.模型分为两类:黑箱模型与混合模型.模型的训练与验证数据都是取自真实的实验过程诺西肽发酵.结果表明软测量方法对生物量浓度具有很好的预估性能,而且加入先验知识的混合模型精度更高.