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。     

基于人工蜂群波长优选和残差增广的近红外光谱定量模型研究

提出一种基于人工蜂群(artificial bee colony,ABC)算法的光谱波长优选和残差数据增广回归算法的近红外光谱定量模型.以勾兑果汁中苹果汁原汁含量的近红外光谱数据为基础,对原始光谱数据进行预处理,通过人工蜂群算法优选光谱波长变量,采用优选出的波长变量建立近红外光谱浓度残差增广的最小二乘回归(concentration residual augmented classical least squares,CRACLS)模型.将ABC波长优选后建立的CRACLS模型与全光谱建立的CRACLS模型,遗传算法(genetic algorithm,GA)波长优选后建立的CRACLS,ABC波长优选后建立的PLS模型,全光谱建立的PLS模型,GA波长优选后建立的PLS模型进行比较.实验结果表明,ABC-CRACLS模型的校正集的Rc值为0.999 8,RMSEC值为0.000 9,预测集的Rp值为0.999 1,RMSEP值为0.012 1,均优于其它几个模型.因此提出的人工蜂群算法能够有效地处理好波长变量的优选问题,并且CRACLS模型取得良好的预测结果.     

用近红外光谱法实时监测蛹虫草发酵中胞内多糖的质量浓度

应用近红外光谱(NIR)结合偏最小二乘法(PLS)建立一种实时监测蛹虫草发酵中胞内多糖质量浓度的新方法.对39个批次的蛹虫草在3个不同条件的5L发酵罐中进行蛹虫草深层发酵,发酵过程中间隔一定时间取样,采集样品的近红外光谱,并按常规方法测定样品中胞内多糖质量浓度,再采用PLS法建立样品的近红外光谱与胞内多糖质量浓度间的模型,所建模型经过选择最适光谱预处理方法和最适隐变量数进行优化,其留一交互验证预测值与化学测定参考值间的相关系数R=0.8750,交互验证均方根误差RMSECV=0.3052.采用最优PLS模型对样品中胞内多糖质量浓度进行预测,校正集预测均方根误差RMSEC=0.1670,预测集预测均方根误差RMSEP=0.3650,表明模型的稳健性和预测性能较好。     

基于连续投影算法和最小二乘支持向量机的污水中NH3 N近红外光谱建模

通过扫描不同NH_3-N含量污水的近红外光谱,建立了水样中NH_3-N的定量分析模型。考虑到全谱高维数据建模较大的计算负担,采用连续投影算法(SPA)对水样光谱全谱进行特征波长筛选,将筛选后的特征变量采用最小二乘支持向量机(LS-SVM)进行建模;所建立的SPA和LS-SVM分析模型对污水中NH_3-N分析的预测均方根误差为3.210 8,相关系数为0.984 4,相对分析误差5.681 2;与全谱LS-SVM模型和全谱部分最小二乘(PLS)模型相比,此处的建模方法将全谱模型的512维数据压缩为28维特征光谱数据(计算量占全谱的5.47%),但模型分析精度与全谱LS-SVM模型相近,且高于全谱PLS模型;该方法对实现水样NH_3-N的快速检测以及低维度变量建模具有指导意义。     

可见/近红外联合变量优选检测油茶籽油掺假

利用可见/近红外光谱技术联合CARS(competitive adaptive reweighted sampling)方法对油茶籽油中掺杂大豆油及菜籽油进行检测.采用CARS方法对波长变量进行筛选,应用偏最小二乘回归(PLS)方法分别建立油茶籽油中大豆油掺伪量、菜籽油掺伪量及大豆油与菜籽油混掺伪量的定量检测模型,并与经连续投影算法(SPA)及无信息变量消除(UVE)方法变量筛选后所建立的PLS模型进行比较.研究结果表明:可见/近红外联合CARS方法可以分别检测油茶籽油中大豆油、菜籽油掺伪量及大豆油与菜籽油混掺伪量.大豆油、菜籽油及大豆油与菜籽油总和的CARS-PLS掺伪量模型的预测集相关系数r和预测均方根误差RMSEP分别为0.950,0.928,0.980和24.5,29.0,30.8g·kg-1;CARS-PLS模型性能优于全波段PLS,SPA-PLS及UVE-PLS,表明CARS方法是一种有效的波长变量选择方法,可以剔除冗余波长变量.     

快速路交通流运行安全关键参数识别与评估

基于上海市两条快速路采集的事故数据和相应检测器数据,应用随机森林模型对事故发生前5~10min内的交通流数据进行重要变量筛选.利用基于高斯混合模型和最大期望算法的贝叶斯网络(BN)模型对快速路实时交通流事故风险进行建模分析,并对建立的BN模型进行了可转移性测试.结果表明:选取重要变量后建立的BN模型效果优于使用直接检测数据建立的模型,事故预测准确率达到82.78%;可转移性测试中BN模型的事故预测准确率虽有所下降,但整体预测精度和事故预测精度仍都优于利用直接检测数据建立的模型.     

OSC-PLS方法用于渣油裂解装置的软测量建模

渣油裂解反应中,影响沥青产率的因素多,反应机理十分复杂,难以建立准确的机理模型。采用基于正交投影的正交信号校正(OSC)算法对输入变量测量数据进行预处理,剔除数据中所含的与待测变量如浓度、收率等无关的噪声信息;再实施OSC与偏最小二乘(PLS)回归相结合的OSC-PLS方法,建立渣油裂解装置沥青产率的软测量校正模型。结果显示:模型精度和稳定性较非线性方法均有显著提高,而且模型所需PLS成分数减少,模型更简洁。     

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.      

应用间隔随机蛙结合连续投影算法检测橡胶树叶片氮含量

研究了基于可见/近红外光谱技术的橡胶树叶片氮含量无损检测方法。总共采集了176个橡胶树叶片样本,以350～2 500 nm的可见/近红外数据作为试验数据。首先,采用一种新颖的间隔随机蛙(iRF)算法选择交互验证均方根误差(RMSECV)最小的波长间隔组合;然后,采用连续投影算法(SPA)进一步选择特征波长;最后,将选出的特征波长作为输入变量,建立偏最小二乘法(PLS)模型。研究结果表明:通过两步策略进行波长选择,iRF算法粗选,从全光谱2 151个变量中筛选出714个,再采用SPA算法细选,从714个变量中进一步筛选出20个最优变量,降低了信息冗余,变量数减少了99.07%。建立的简化模型结果校正均方根误差(RMSEC)、校正相关系数(R_c)、预测均方根误差(RMSEP)、预测相关系数(R_p)分别为0.091 3%、0.956 5、0.123 8%和0.901 8,比PLS、间隔偏最小二乘法(iPLS)、iRF算法和SPA有更低的均方根误差和更高的相关系数。因此,iRF-SPA可以作为一种策略的波长选择方法用于检测橡胶树叶片氮含量。     

基于CCF-PLS的通讯系统异常根因分析

针对通讯网络升级后出现的系统性能下降问题,提出了一种互相关函数-偏最小二乘(CCF-PLS)方法对系统性能进行监测,并给出导致系统性能下降的根本原因变量.对于大采样间隔且线性特性较强的通讯系统,PLS模型能很好地建立关键性能指标(KPI)与其他观测变量的回归模型.由于观测变量中存在较多与KPI不相关的成分,采用CCF能...     

基于PLS的高速电主轴热变形建模与分析

目的提出偏最小二乘方法(Partial Least Squares,PLS),对不同工况下的电主轴热变形进行预测,并分析多个温度变量和三维热变形的相关关系.方法以型号为150MD24Z7.5的电主轴为研究对象,采用精密传感器测量稳态条件下电主轴的热变形和温升数据,根据PLS模型内部分析机理,利用提取的主成分对变量的解释能力、精度及变量整体相关关系进行分析.结果分析结果验证了自变量温升之间存在多重相关性,采用PLS方法建模有益于模型精度的提高,模型提取的主成分能够反应原始变量的大多数信息,自变量温升和因变量热变形之间存在明显的线性相关关系,PLS模型的预测精度优于多元回归模型.结论电主轴热变形的PLS模型预测精度较高,适用于实际加工工况,对热误差的补偿具有补充意义.     

一种基于高斯过程的非线性PLS建模方法

提出了一种基于高斯过程(GP)和偏最小二乘法(PLS)的非线性PLS方法(GP-PLS),以更加有效地处理过程非线性、多输入和数据共线性等复杂特性,提高模型的推广能力和精度。该方法首先采用PLS进行特征提取,再用GP建立PLS的内部模型,因而具有GP与PLS的优点。对工业丙烯腈生产过程丙烯腈收率软测量建模的应用表明,采用该方法建立的软测量模型在模型精度、推广能力等方面明显优于一些传统软测量建模方法,满足工业现场应用要求。     

废水处理过程的KPLS-GPR软测量建模

采取基于核函数偏最小二乘法的高斯过程回归模型(KPLS-GPR),对复杂的造纸废水处理过程中出水化学需氧量(COD)和出水悬浮固形物(SS)质量浓度进行预测.首先,采用KPLS的潜变量作为预测模型的输入变量,以降低数据维度,优化数据结构;其次,建立潜变量与输出变量的GPR回归模型.基于某工厂造纸废水数据进行仿真试验,引入人工神经网络(ANN)、基于偏最小二乘潜变量的预测模型(PLS-ANN)及基于核函数偏最小二乘潜变量的预测模型(KPLS-ANN)作为对比.试验结果表明:KPLS潜变量对预测模型有明显的优化效果,在这些模型中KPLS-GPR预测精度最高;对于出水COD和SS质量浓度的预测,KPLS-GPR的决定系数分别为0.575和0.610,相比于常规预测模型,决定系数可分别提升36.90%和43.87%.     

基于改进连续投影算法的光谱定量模型优化

分别对葡萄酒和苹果的原始光谱及其小波变换(WT)后的谱图采用改进连续投影算法(MS-PA)进行酒精度和可溶性固形物信息的提取,偏最小二乘(PLS)回归用于定量模型的构建,预测均方根误差(RMSEP)、预测相关系数Rv和akaike信息标准(AIC)用于模型优劣的评价.结果表明:葡萄酒的原始光谱经WT-MSPA-PLS方法优化计算后得到了较简化的酒精度分析模型,模型的RMSEP由0.178减小为0.139,Rv由0.963变为0.976,AIC由4 085.60减小为-1.06,建模变量由2 073缩减为34;苹果光谱经WT-MSPA-PLS方法运算后,可溶性固形物定量模型的RMSEP由0.565减小为0.541,Rv由0.920提高为0.930,模型的AIC值由1 047.20减小为57.43,建模变量由535减小为41.     

基于IBPLS方法的软测量建模

作为一种经典的回归建模方法,偏最小二乘法(partial least squares,PLS)已被广泛的应用于软测量建模中.但是,当建模数据混有较大噪声时,采用PLS模型的预测误差以及预测误差的方差都比较大.针对PLS方法的上述缺陷与不足,本文将迭代Bagging算法引入PLS回归建模中,形成迭代Bagging PLS算法(iterated Bagging PLS,IBPLS),该方法可以减少预测误差和预测误差的方差.仿真结果表明,与传统PLS方法相比,IBPLS减小预测误差约6％.     

Beta回归模型基于EM算法的变量选择方法

本文针对响应变量取值为(0,1)区间上的比例数据研究Beta回归模型的贝叶斯变量选择方法。首先通过选取合适的先验分布,基于贝叶斯随机搜索和EM方法提出了参数的估计算法;然后根据回归系数相应的指示变量后验分布提出了重要变量选择的门限准则,所提方法具有易实施、快速计算等特点;最后通过研究中国上市公司股息率实际数据的影响因素以说明所提方法的有效性。     

一种多向CPLS方法及其在间歇过程监控中的应用

将并行偏最小二乘（CPLS）算法引入到间歇过程监控中,提出一种多向并行偏最小二乘（MCPLS）监控方法.CPLS算法可以提取过程变量与质量变量的相关信息,也能对彼此不相关的信息进行主元提取.与基于PLS的监控方法不同,基于CPLS的过程监控方法提供了一个完整的监控框架,不仅能够监控过程变量,而且也能监控质量变量的信息,更好地反映了过程的运行状态.文中首先将间歇过程三维数据转换为二维数据,然后应用CPLS算法建立过程监控模型,构建T2c,T2x,Qx,T2y,Qy监控指标,并通过间歇过程批次间的统计特性计算出监控指标控制限,分别监控过程变量与质量变量的相关信息、彼此无关信息以及残差信号等.最后将MCPLS算法应用到青霉素发酵过程的监控中,应用结果表明了该方法在间歇过程监控中的有效性和优越性.     

FT-NIR光谱应用于柚子皮果胶定量分析的波段优选

基于傅里叶变换近红外(FT-NIR)漫反射光谱分析技术,采用分段多元散射校正(PMSC)预处理与移动窗口偏最小二乘(MWPLS)方法为柚子皮果胶的定量分析优选波段。基于全谱进行PMSC预处理,在此基础上结合留一交叉检验技术优选21个分段窗口大小,以此设定为MWPLS方法波段优选的窗口宽度。详细讨论先后采用或不采用MSC预处理的MWPLS模型的预测效果,并从中优选定标预测模型。最优的方案为先MWPLS选择波段,后MSC预处理再建立PLS模型,其优选波段为8 540—7 944(cm-1),窗口宽度为310,对应的最优PLS因子数为11,相应的预测均方根偏差(RMSEP)和预测相关系数(RP)分别为0.520 7(%)、0.871 1。该模型明显优于先对全谱做MSC预处理再建立MWPLS模型,且大幅度优于基于原光谱数据直接建立的MWPLS模型。结果表明,采用PMSC预处理为MWPLS方法搜索窗口宽度预设值,大大降低了MWPLS模型的运算量,有利于波段优选光谱。MWPLS模型结合MSC预处理方法可以有效地应用于柚子皮果胶成分的FT-NIR定量分析。     

基于GM-PLS组合模型预测一次能源消费

为了预测一次能源消费量及其由此引起的污染物排放量,建立了偏最小二乘回归与GM(1,1)优化组合模型(GM—PLS)。用大连市历史年的一次能源数据分别建立了单项模型和优化组合模型并进行了验证比较。结果表明,组合预测的相对误差仅为1．70％,高于两种方法单独预测时的精度。选取了国内生产总值GDP、总人口数、第二产业占国民经济的比重及煤炭消费占一次能源消费的比重4个自变量用组合模型对大连市规划年的一次能源消费量进行了预测。结果表明,一次能源消费将会逐年增加。如果天然气的供给量能达到预测值,用其替代煤,则2020年由一次能源产生污染物的量将减少15．53万t。