湿法冶金中预测金产量的混合建模方法

由于缺乏有效的检测手段,无法实现湿法冶金全过程金产量的精确在线检测.提出了一种最小二乘支持向量机(LS-SVM)与湿法冶金全过程静态机理模型相结合的混合建模方法,用以预测金的产量.通过对湿法冶金全过程的机理分析,利用物料衡算关系建立金的产量静态机理模型,利用LS-SVM对机理模型不能描述的过程特性进行误差补偿.仿真结果表明,该方法的预测性能优于机理模型和单独的LS-SVM构建的模型,验证了该方法的有效性.     

激光熔覆系统能耗建模分析方法研究

针对增材制造过程耗能机理复杂和能耗难以预测的问题,开展激光熔覆系统能耗建模分析方法的研究.根据激光熔覆系统的工作原理及能耗特性,将其分为激光发生器系统、冷却系统、机械臂控制柜、送粉系统以及辅助系统等5部分,通过理论分析和实验规律研究得到各部分能耗模型及系统整机能耗模型.最后通过316L不锈钢试件的激光熔覆实验对能耗模型和比能耗进行分析,结果表明,能耗和比能耗的预测结果与实验测量结果误差分别为1.37%和2.17%,从而验证了模型的准确性和有效性.该模型可用于激光熔覆系统能耗预测、工艺路线改善,实现绿色发展等,所提方法也可为其他增材制造技术相关能耗研究提供参考.     

基于综合建模方法的铅锌烧结块成分预测

针对铅锌烧结过程异常复杂的实际情况,提出了一种既可保证预测精度又满足配料计算对数据完备性要求的铅锌烧结块成分预测智能集成模型.该模型综合了机理与多种智能建模方法的优点,对于正常生产情况(即数据完备区),通过模糊分类/组合以及神经网络NN分段描述方法建立了成分预测的监督式分布神经网络模型;对于异常或不常用工况(即数据不完备区),通过专家经验规则修正部分假定或统计参数方式建立经验机理模型;采用串、并联形式将2种模型有机结合,并通过专家推理进行集成协调与更新修正,形成智能集成模型,实现成分可靠、准确的在线预测.在实际生产中运用该模型,烧结块铅、锌成分预测的相对误差分别为1.51%和0.41%.     

一种基于灰色模型和机理模型集成的质量预测模型及其应用

针对长流程工业过程中产品质量难以实时检测且不易实现优化控制的难题,通过对生产数据特性和质量预测要求的分析,提出了一种基于GM(1,1)灰色模型和机理模型集成的质量预测模型.首先根据过程机理知识建立了粗糙质量预测模型;然后运用灰色预测中的残差辨识理论,用机理预测模型的残差时间序列建立残差GM(1,1)模型,其预测结果补偿机理模型的预测值.验证结果表明,该质量预测模型能获得较理想的质量预测精度,其应用可使产品质量得到显著的提高.     

基于贝叶斯推理的LS-SVM矿产资源定量预测

针对矿产资源定量预测过程中最小二乘支持向量机(LS-SVM)的参数选择具有主观性和随意性,提出了一种与贝叶斯推理相结合的LS-SVM资源定量预测方法,并将其与证据权法(Wof E)进行了对比.在训练过程中采用贝叶斯推理方法对LS-SVM的参数选择进行优化,进而构建矿产资源定量预测优化模型.研究表明,该方法不但克服了参数选择的局限性,而且以后验概率形式输出预测结果,从而可提高预测精度.     

基于主成分-LS-SVM的教学质量评估模型

给出了基于主成分与LS-SVM的教学质量评估模型,先采用主成分分析对其影响因素作评价和预处理,然后构建LS-SVM模型,为了便于比较,同时利用单一的LS-SVM模型对教师教学质量进行模拟与预测,并在Matlab中实现.结果表明,基于主成分与LS-SVM的教学质量评估模型较单一的LS-SVM模型具有更加理想的精度,得到了...     

基于混合QPSO的LS-SVM参数优化及其应用

针对最小二乘支持向量机(LS-SVM)的参数寻优问题,提出一种基于混合量子粒子群算法(HQPSO)的LS-SVM参数选择方法,以提高LS-SVM模型的学习性能和泛化能力.该算法结合QPSO算法的全局优化能力和Powell的局部寻优能力,分别对粒子初始位置、新局部最优位置以及全局最优位置进行Powell局部寻优,提高求解速度和解的精确性.利用测试函数对该建模方法进行仿真测试,与PSO LS-SVM模型进行比较,并利用湿法炼锌净化过程现场数据进行工业验证.研究结果表明:HQPSO LS-SVM模型具有较好的泛化性能,模型预测精度高,预测结果满足工艺生产的要求.     

基于人工免疫机理和LS-SVM的顾客需求重要度预测

为了提高质量功能配置过程的动态决策水平,实现顾客需求重要度的有效预测,采用最小二乘支持向量机(LS-SVM)建立顾客需求重要度预测模型,并结合人工免疫机理,以LS-SVM模型参数为抗体、顾客需求重要度预测误差为抗原,采用克隆算法完成顾客需求重要度LS-SVM预测模型参数的免疫优化选择.文中还以数控瓦楞纸板印刷模切机顾客需求重要度预测为例验证了所提方法的可行性,并与基于灰色模型和神经网络模型的顾客需求重要度预测方法进行了比较,结果表明,所提出的基于人工免疫机理与LS-SVM的顾客需求重要度预测方法可行,且预测效果较好.     

一种新型的硫容量智能预报方法

针对在传统硫容量计算中,机理模型的一些关键参数很难获得这个问题,提出了一种基于AdaBoost和LS-SVM混合的回归方法,对硫容量进行智能预报.其中LS-SVM具有计算速度快,适合小样本回归等优点,而AdaBoost可以将弱学习机加权再组合成强学习机,在预报准确度上要高于单一的LS-SVM回归方法,而且还可以减少参数选择对最终预报结果的影响.仿真实验表明,该方法有着较高的准确度,满足生产要求.     

基于LS-SVM的电炉钢水温度预测

通过对LS-SVM的参数进行优选,使所建模型具有较强的拟合和预测能力．针对某厂实际生产数据,运用LS-SVM建立钢水温度预测模型,拟合和预测结果良好,表明该模型对实际生产具有指导意义．     

基于LS-SVM的TBM掘进参数预测模型

针对目前TBM数据挖掘能力和掘进参数优化预测分析的不足以及对未来TBM实现无人驾驶的展望,将最小二乘支持向量机（LS SVM）机器学习应用到TBM掘进参数预测中,从吉林引松工程TBM掘进数据中提取掘进上升段的刀盘扭矩、刀盘推力、总推力、推进速度这4个重要参数建立LS SVM预测模型,预测4个参数在稳定段的均值,并讨论了模型训练集大小、参数选取等对预测性能的影响。结果表明,以原始数据中均匀提取的样本、RBF核函数和10折交叉验证建立的LS SVM模型可以较为准确地预测稳定段中上述4个参数,验证了LS SVM机器学习预测TBM掘进参数的可行性。     

厚渣层铁浴熔融还原炼铁工艺的静态模型

提出了一种两步三段式厚渣层铁浴熔融还原炼铁工艺,铁浴炉利用厚渣层保证反应器内球团矿的氧化区氧化放热与还原区还原的梯度隔离,煤气改质炉提高煤气利用率,转底炉预还原匹配整个系统能耗最低.依据物料平衡与能量平衡的原理,建立了该工艺的静态模型,依据设定的工艺流程中各个环节的生产指标,掌握了各个环节的物料消耗与能量消耗情况,并与现阶段各种炼铁工艺进行了对比,阐明了本工艺的特点与优势,为该工艺的生产实践提供了参考.     

基于GRBF神经网络的多级煤气压缩系统建模

以某钢厂燃气、蒸汽联合循环发电机组煤气压缩系统为背景,建立以煤水分离器、离心式压缩机和冷却器为核心的多级煤气压缩系统机理模型.采用自适应遗传算法辨识机理模型中某些难以确定的重要参数.由于多级煤气压缩系统的影响因素较多,机理模型预测结果不精确.利用基于广义径向基函数的神经网络补偿机理模型的误差,建立GRBF神经网络和机理模型并联的多级煤气系统的混合模型.试验结果表明相比于机理模型,混合模型有更高的预测精度.     

基于支持向量机的结霜过程特性参数预测模型

为解决结霜过程中有明显的非线性和时变性特征及测试数据中受噪声干扰较大、特性参数预测效果较差的难题,引入了基于结构风险最小化的支持向量机方法,建立了以热力参数集、时间、空间等为特征向量的预测模型.应用实验数据对模型进行了验证和评估,并与基于最小二乘法的预测模型进行了对比分析.结果表明,基于支持向量机的预测模型具有良好预测性能、非线性逼近能力和抗噪声干扰能力.     

原油库能量系统的运行火用分析

随着我国原油储备能力的增加,原油库的生产能耗将进一步增大。对于油库这种由储油罐、输油泵、加热炉等用能单元按照一定拓扑关系连接组成的总能系统,热力学佣分析方法可从能质角度对其进行全面分析,反映能的真正价值和利用程度。论文首先采用序贯模块法确定油库系统各单元模块的节点参数,然后根据工艺流程的特点,建立了系统佣分析的灰箱模型,给出了正平衡佣效率、佣损系数及反平衡佣效率的计算式。对某油库进行佣分析的应用实例研究,结果表明加热炉的佣损系数为73.99%,是油库佣损最大的设备;在其各项佣损失中,换热佣损失高达47%。因此,提高油库佣效率的主要途径是改善加热炉换热过程的能级匹配。     

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.     

基于改进即时学习算法的动液面软测量建模

油田动液面参数软测量预测应用中,软测量模型随生产的进行会逐步退化,导致预测结果偏差较大,无法在油田生产过程中加以使用.对此,提出采用基于子空间相似度的即时学习策略来对动液面预测模型进行自适应动态更新.通过对生产阶段数据进行子空间的相似度计算,提高建模样本选取的准确性.设计两个记忆参数改变以往即时学习策略模型的更新方法,在减少计算量的同时提高动液面的预测精度.与以往即时学习算法进行实验对比,结果表明,改进算法对油田动液面测量精度高,适应性强,符合油田生产标准,可以应用于油田实际生产.     

Hybrid Model Based on Wavelet Decomposition for Electricity Consumption Prediction

The effective supply of electricity is the basis of ensuring economic development and people's normal life. It is difficult to store electricity, as leading to the production and consumption must be completed simultaneously. Therefore, it is of great significance to accurately predict the demand for electricity consumption for the production planning of electricity and the normal operation of the society. In this paper, a hybrid model is constructed to predict the electricity consumption in China. The structural breaks test of monthly electricity consumption in China from January 2010 to December 2016 is carried out by using the structural breaks unit root test. Based on the existence of structura breaks, the electricity consumption data are decomposed into low-frequency and high-frequency components by wavelet model, and the separated low frequency signal and high frequency signal are predicted by autoregressive integrated moving average(ARIMA) and nonlinear autoregressive neural network(NAR), respectively. Therefore the wavelet-ARIMA-NAR hybrid model is constructed. In order to compare the effect of the hybrid model, the structural time series(STS) model is applied to predicting the electricity consumption. The results of prediction error test show that the hybrid model is more accurate for electricity consumption prediction.     

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.